管桩外观质量检验方法、系统、计算机设备及存储介质与流程

本发明涉及管桩生产，尤其涉及管桩外观质量检验方法、系统、计算机设备及存储介质。

背景技术：

在目前的管桩生产过程中，当产品产量大、检查项目多时，检验员在高强度重复性工作的生产线上由于长时间用眼会造成视觉疲劳，检验员在高强度工作环境下难免出现磕碰等安全问题，检验员在视觉疲劳时会出现漏检和误检的现象。

技术实现要素：

本发明所要解决的技术问题在于，提供一种管桩外观质量检验方法、系统、计算机设备及存储介质，能够解决现有人工检验预应力混凝土管桩方式劳动强度大、安全性差、效率低等缺点。

为了解决上述技术问题，本发明提供了管桩外观质量检验方法，包括：获取待检验管桩的外观图像；根据所述外观图像获取需要检验的目标图像；将所述目标图像输入预先构建的质量检验模型，获得检验值；当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。

优选地，所述质量检验模型的构建方法包括：将外观质量合格的管桩外观样本图片输入质量检验模型进行训练，其中，所述质量检验模型包括依次连接的第一卷积层、第一次池化层、第二卷积层、第二池化层、第一全连接层以及第二全连接层。

优选地，根据所述外观图像获得需要检验的目标图像的步骤包括：通过将所述外观图像输入目标模型以获得目标图像，其中，所述目标模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述目标模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出目标图像，其中：所述第一卷积层的channel为16、kernel为7、stride为2；所述第一池化层的kernel为3、stride为2，最大池化；所述第一残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为32、kernel均为3、stride均为1，两个卷积层依次连接；所述第二残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为64、kernel为1、stride为2的卷积层；所述第三残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为128、kernel为1、stride为2的卷积层；所述第四残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为256、kernel为1、stride为2的卷积层；所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以0。

优选地，在所述获取待检验管桩的外观图像的步骤之后还包括：将所述外观图像进行预处理。

本发明还公开了一种管桩外观质量检验系统，包括：包括外观图像获取模块、目标图像获取模块、外观质量检验模块以及判断模块；所述图像获取模块用于获取待检验管桩的外观图像；所述目标图像获取模块用于将所述外观图像输入目标模型以获得目标图像；所述外观质量检验模块用于将所述目标图像输入预先构建的质量检验模型，并获得检验值；所述判断模块用于判断待检验管桩的外观质量是否合格，其中，当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。

优选地，所述质量检验模型包括依次连接的第一卷积层、第一次池化层、第二卷积层、第二池化层、第一全连接层以及第二全连接层。

优选地，所述目标模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述目标模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出目标图像，其中：所述第一卷积层的channel为16、kernel为7、stride为2；所述第一池化层的kernel为3、stride为2，最大池化；所述第一残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为32、kernel均为3、stride均为1，两个卷积层依次连接；所述第二残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为64、kernel为1、stride为2的卷积层；所述第三残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为128、kernel为1、stride为2的卷积层；所述第四残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为256、kernel为1、stride为2的卷积层；所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以0。

优选地，所述管桩外观质量检验系统还包括图像预处理模块，所述图像预处理模块用于将所述外观图像进行预处理。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现任意一项上述方法的步骤。

本发明还提供了存储介质，其存储有计算机指令，该程序被处理器执行时实现任意一项上述方法的步骤。

实施本发明的有益效果在于：

本发明提供管桩外观质量检验方法、系统、计算机设备及存储介质，通过获取管桩的外观图像，进一步确定需要检验的目标图像，再将目标图像输入构建好的质量检验模型进行检验，当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。本发明能够自动化地对管桩外观质量进行检验，从而降低工作强度，有效减少工作人员数量，消除人工检验过程的安全风险，提高生产效率和产品的质量。

附图说明

图1是本发明提供的管桩外观质量检验方法流程图；

图2是本发明提供的管桩外观质量检验系统示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。

如图1所示，本发明提供了一种管桩外观质量检验方法，包括：

s101，获取待检验管桩的外观图像。

s102，根据所述外观图像获取需要检验的目标图像。

由于获取的外观图像不仅仅包括管桩，因此需要进一步确定需要检验的管桩图像。

s103，将所述目标图像输入预先构建的质量检验模型，获得检验值。

s104，当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。

本发明，通过自动获取管桩的外观图像，进一步确定需要检验的目标图像，再将目标图像输入构建好的质量检验模型进行检验，当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。本发明能够自动化地对管桩外观质量进行检验，从而降低工作强度，有效减少工作人员数量，消除人工检验过程的安全风险，提高生产效率和产品的质量。

优选地，所述质量检验模型的构建方法包括：

将外观质量合格的管桩外观样本图片输入质量检验模型进行训练，其中，所述质量检验模型包括依次连接的第一卷积层、第一次池化层、第二卷积层、第二池化层、第一全连接层以及第二全连接层。本发明通过将外观质量合格的管桩外观样本图片输入质量检验模型进行训练，能够获得能够检验管桩外观质量的质量检验模型。

更佳地，根据所述外观图像获得需要检验的目标图像的步骤包括：通过将所述外观图像输入目标模型以获得目标图像，其中，所述目标模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述目标模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出目标图像，其中：所述第一卷积层的channel为16、kernel为7、stride为2；所述第一池化层的kernel为3、stride为2，最大池化；所述第一残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为32、kernel均为3、stride均为1，两个卷积层依次连接；所述第二残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为64、kernel为1、stride为2的卷积层；所述第三残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为128、kernel为1、stride为2的卷积层；所述第四残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为256、kernel为1、stride为2的卷积层；所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以0。

进一步地，在所述获取待检验管桩的外观图像的步骤之后还包括：将所述外观图像进行预处理。本发明通过对所述外观图像进行一系列的图像预处理，可以改善外观图像的质量。

如图2所示，本发明还公开了一种管桩外观质量检验系统，包括：包括外观图像获取模块1、目标图像获取模块2、外观质量检验模块3以及判断模块4；所述图像获取模块1用于获取待检验管桩的外观图像；所述目标图像获取模块2用于将所述外观图像输入目标模型以获得目标图像；所述外观质量检验模块3用于将所述目标图像输入预先构建的质量检验模型，并获得检验值；所述判断模块4用于判断待检验管桩的外观质量是否合格，其中，当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。

本发明提供的管桩外观质量检验系统，能够自动获取管桩的外观图像，进一步确定需要检验的目标图像，再将目标图像输入构建好的质量检验模型进行检验，当所述检验值小于预设阈值时，所述待检验管桩的外观质量合格。本发明能够自动化地对管桩外观质量进行检验，从而降低工作强度，有效减少工作人员数量，消除人工检验过程的安全风险，提高生产效率和产品的质量。

优选地，所述质量检验模型包括依次连接的第一卷积层、第一次池化层、第二卷积层、第二池化层、第一全连接层以及第二全连接层。本发明通过将外观质量合格的管桩外观样本图片输入质量检验模型进行训练，能够获得能够检验管桩外观质量的质量检验模型。

更佳地，所述目标模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述目标模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出目标图像，其中：所述第一卷积层的channel为16、kernel为7、stride为2；所述第一池化层的kernel为3、stride为2，最大池化；所述第一残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为32、kernel均为3、stride均为1，两个卷积层依次连接；所述第二残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为64、kernel为1、stride为2的卷积层；所述第三残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为128、kernel为1、stride为2的卷积层；所述第四残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为256、kernel为1、stride为2的卷积层；所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以0。

进一步地，还包括图像预处理模块5，所述图像预处理模块用于将所述外观图像进行预处理。本发明通过对所述外观图像进行一系列的图像预处理，可以改善外观图像的质量。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现任意一项上述方法的步骤。本发明还提供了存储介质，其存储有计算机指令，该程序被处理器执行时实现任意一项上述方法的步骤。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。