【技術實現步驟摘要】
本專利技術涉及混凝土見證取樣，具體為一種基于ai的圖像識別混凝土試件防偽方法。
技術介紹
1、混凝土見證取樣是指在監理單位或建設單位監督下，由施工單位有關人員現場取樣，并送至具備相應資質的檢測單位進行檢測。這一過程確保了試件從施工現場到實驗室的完整性和真實性，從而保證了混凝土檢測結果的準確性和可靠性。
2、見證取樣的目的是為了確保混凝土的質量滿足設計要求和相關標準。通過見證取樣，監理單位或建設單位可以對施工單位使用的混凝土質量進行監督，避免使用不合格的材料，從而確保建筑工程的質量和安全。
3、然而，在實際混凝土見證取樣中，某些施工單位為了逃避檢測，可能會使用不法手段調換混凝土試件，使得混凝土檢測結果合格，這不僅嚴重違反了建筑行業的規范和標準，還會對建筑工程的質量和安全性造成潛在威脅。
4、因此，急需對此缺點進行改進，本專利技術則是針對現有的技術不足予以研究改良，提供有一種基于ai的圖像識別混凝土試件防偽方法。
技術實現思路
1、本專利技術的目的在于提供一種基于ai的圖像識別混凝土試件防偽方法，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：一種基于ai的圖像識別混凝土試件防偽方法，包括以下步驟：
3、s1、取樣時先在混凝土試件表面插入帶二維碼的標簽，并拍攝照片，獲得濕狀的混凝土照片，即濕態照片；
4、s2、養護結束后，建設方把試件送到檢測機構，檢測機構收到試件后拍攝試件照片，獲
5、s3、采用雙分支vit結構對干、濕兩種不同狀態下的照片分別進行特征提取，且凝固態照片和濕態照片各自通過獨立的vit分支處理；
6、s3、通過在yolov8模型中融合bifpn，構建ai模型，并使用ai模型識別凝固態照片，找出標簽和試件的輪廓及相對位置信息；
7、s4、基于數字圖像處理匹配：將凝固態照片和濕態照片中的標簽縮放至同一大小、調整兩張照片的方向使標簽標記點完全重合，再判斷干、濕混凝土照片輪廓是否可以對齊。如果不能完全對齊，則可以認為是造假試件，判別任務結束。因濕態照片包含了模具邊框厚度，濕態照片的輪廓邊長要大于凝固態照片，判斷是否完全對齊需要同時滿足：對應的邊是平行線且對應的邊之間的間距相同或對角的四個交點位于同一直線且該直線通過圖像中心點等三個條件。若干、濕混凝土照片的輪廓可以對齊，則按照凝固態照片的輪廓大小對濕態混凝土照片輪廓進行裁剪，以去除濕態混凝土試照片中的模具邊框厚度。基于深度學習處理相似度得分：采用雙分支vit結構對干、濕兩種不同狀態下的照片分別進行特征提取，可以提取的特征包括但不限于標簽上面的二維碼、標記點、標簽鏤空部分植入混凝土表面產生的隨機圖形和混凝土表面其它區域隨機產生的凹凸點等，凝固態照片和濕態照片各自通過獨立的vit分支處理，隨后通過自注意力機制學習全局上下文依賴關系，從而生成各自的高級語義特征表示，然后使用多頭交叉注意力模塊，讓模型能夠聚焦于干濕態照片特征之間的相關部分，探索和推理兩者在局部區域上的對應性和一致性，最后通過融入關系網絡計算各個特征對之間的關系度量，生成一個綜合的相似性得分；
8、s5、結合凝固態照片和濕態照片的對齊結果，來判斷試件調換情況，若兩幅圖像中的標簽位置與角度以及試件的四角頂點均可以對齊，并且步驟s4中所述的兩個相似性得分達到設定值，則認為試件為真實試件，否則認為試件被調換。由于干、濕混凝土照片拍攝的角度，場景及設備不一樣，照片在拍攝的過程中會出現歪曲等情況，這時候，采用數字圖像的方法，是無法實現像素位置上對齊。這時可以采用深度學習的方式進行特征相似度的度量。
9、進一步的，所述步驟s4中，ai模型以yolov8模型為基本框架，包括backbone部分、neck部分和head部分，其中，backbone部分是模型的主干網絡，由五個卷積模塊、四個c2f模塊以及一個sppf模塊組成，各模塊的職能如下：
10、卷積模塊：負責進行特征提取，通過卷積操作，從輸入數據中提取出有用的特征信息，為后續的目標檢測任務提供基礎；
11、c2f模塊：負責將不同尺度的特征圖進行融合，以提高目標檢測的準確性，通過特征融合，來結合不同層次的特征信息，以更好地捕捉到目標的細節和上下文信息；
12、sppf模塊：負責融合不同感受野的特征圖，以豐富特征圖的表達能力，通過級聯多個小尺寸的池化核進行最大池化操作，來替代傳統的大尺寸池化操作，提高運行速度。
13、進一步的，所述neck部分采用bifpn，用于處理來自backbone的多尺度特征圖，所述bifpn基于特征金字塔的構建和雙向特征融合，通過多尺度特征融合來提升目標檢測任務的準確性和效率，具體包括如下邏輯：
14、特征金字塔生成：通過卷積神經網絡從輸入圖像中提取多尺度特征，組成特征金字塔，所述特征金字塔具有多個層級，每層對應著不同的尺度；
15、雙向連接：在特征金字塔相鄰級別之間引入了雙向連接，信息通過自頂向下路徑從更高級別的特征流向更低級別的特征，自頂向下的特征傳播使得高層特征圖中的語義信息能夠向下傳遞到低層，增強低層特征對目標的識別能力，或通過自底向上路徑從更低級別的特征流向更高級別的特征，自底向上的特征傳播使得低層特征圖中的細節信息能夠向上傳遞到高層，補充高層特征在細節方面的不足；
16、特征整合:雙向連接允許在兩個方向上整合來自特征金字塔不同級別的信息，有助于有效地捕獲多尺度特征；
17、加權特征融合:采用加權特征融合機制，每個輸入特征在融合時都會賦予一個可學習的權重，使得網絡可以自動學習不同特征的重要性，并根據需要調整融合比例。
18、進一步的，所述步驟s3中，在ai模型構建后對模型進行訓練，具體包括：通過調整學習率、損失函數以及優化器參數的方式，來提高模型的收斂速度和準確性，并使用集成學習方法，如adagrad、adam等，改善模型性能。
19、進一步的，所述步驟s3中，在使用ai模型前，對原始圖像進行預處理，所述預處理具體包括如下操作：
20、圖像縮放：通過插值方法將原始圖像的尺寸調整為模型所需的固定尺寸，包括直接縮放和保持圖像的縱橫比進行縮放；
21、圖像旋轉：以圖像的中心點為旋轉中心將圖像旋轉一定角度，以消除模型對于特定方向或角度的依賴，提高模型的魯棒性；
22、圖像翻轉：對圖像進行水平或垂直翻轉，且水平翻轉沿圖像的垂直中軸線進行，垂直翻轉沿圖像的水平中軸線進行，以增加數據的多樣性，減少模型對于方向性特征的依賴；
23、裁剪：裁剪圖像中背景部分，以幫助模型更好地處理目標；
24、色彩變換：調整圖像的亮度、對比度、飽和度等色彩屬性，以增加模型的色彩不變性；
25、歸一化：將圖像的像素值縮放到特定的范圍內。
26、進一步的，所述步驟s3中，雙分支vit結構結本文檔來自技高網...
【技術保護點】
1.一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述步驟S4中，雙分支ViT結構結合了卷積分支和transformer分支，并行處理信息，以最大化保留兩個不同級別的特征，并通過多頭交叉注意力模塊融合干、濕兩種不同狀態照片的特征，發現其內在關聯。
3.根據權利要求2所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述卷積分支負責提取局部特征和細節信息，繼承CNN的特性，包含若干卷積層，每個卷積層都會通過一系列可學習的卷積核來提取圖像中的特征，所述卷積層還伴隨有激活函數以增加模型的非線性，以及池化層來降低數據的空間維度，同時保留重要的特征信息。
4.根據權利要求2所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述transformer分支基于Transformer模型，負責捕捉長距離依賴關系和全局上下文信息，所述transformer分支的處理操作包括：將原始像素級別的圖像分割成若干固定大小的patches，每個patc
5.根據權利要求2所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述多頭交叉注意力模塊中，來自凝固態照片的tokens充當查詢，而濕態照片的tokens則作為鍵和值，通過交叉注意力機制，聚焦于干、濕混凝土照片特征之間的相關部分，探索和推理兩者在局部區域上的對應性和一致性。
6.根據權利要求5所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述多頭交叉注意力模塊引入了深度神經網絡，來對經過交叉注意力機制交互后的特征進行深度理解和聚合，并通過計算各個特征對之間的關系度量，生成一個綜合的相似性得分，以強化這些對應關系的挖掘以及量化兩張照片之間的匹配程度。
7.根據權利要求1所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述步驟S3中，AI模型以YOLOv8模型為基本框架，包括backbone部分、neck部分和head部分，其中，backbone部分是模型的主干網絡，由五個卷積模塊、四個C2f模塊以及一個SPPF模塊組成，各模塊的職能如下：
8.根據權利要求7所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述neck部分采用BiFPN，用于處理來自Backbone的多尺度特征圖，所述BiFPN基于特征金字塔的構建和雙向特征融合，通過多尺度特征融合來提升目標檢測任務的準確性和效率，具體包括如下邏輯：
9.根據權利要求1所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述步驟S3中，在AI模型構建后對模型進行訓練，具體包括：通過調整學習率、損失函數以及優化器參數的方式，來提高模型的收斂速度和準確性，并使用集成學習方法，改善模型性能。
10.根據權利要求1所述的一種基于AI的圖像識別混凝土試件防偽方法，其特征在于，所述步驟S3中，在使用AI模型前，對原始圖像進行預處理，所述預處理具體包括如下操作：
...【技術特征摘要】
1.一種基于ai的圖像識別混凝土試件防偽方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于ai的圖像識別混凝土試件防偽方法，其特征在于，所述步驟s4中，雙分支vit結構結合了卷積分支和transformer分支，并行處理信息，以最大化保留兩個不同級別的特征，并通過多頭交叉注意力模塊融合干、濕兩種不同狀態照片的特征，發現其內在關聯。
3.根據權利要求2所述的一種基于ai的圖像識別混凝土試件防偽方法，其特征在于，所述卷積分支負責提取局部特征和細節信息，繼承cnn的特性，包含若干卷積層，每個卷積層都會通過一系列可學習的卷積核來提取圖像中的特征，所述卷積層還伴隨有激活函數以增加模型的非線性，以及池化層來降低數據的空間維度，同時保留重要的特征信息。
4.根據權利要求2所述的一種基于ai的圖像識別混凝土試件防偽方法，其特征在于，所述transformer分支基于transformer模型，負責捕捉長距離依賴關系和全局上下文信息，所述transformer分支的處理操作包括：將原始像素級別的圖像分割成若干固定大小的patches，每個patch被轉換為token，隨后通過自注意力機制學習全局上下文依賴關系，從而生成各自的高級語義特征表示。
5.根據權利要求2所述的一種基于ai的圖像識別混凝土試件防偽方法，其特征在于，所述多頭交叉注意力模塊中，來自凝固態照片的tokens充當查詢，而濕態照片的tokens則作為鍵和值，通過交叉注意力機制，聚焦于干、濕混凝土照片特征之間的相關部分，探索和推理兩者在局部區域...
【專利技術屬性】
技術研發人員：曾胡，任金，康榮，易小明，顧寶程，劉亞利，李江華，
申請(專利權)人：湖南建研信息技術股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。