一种混凝土强度智能预判断方法和装置

技术领域

本申请涉及到建筑领域，具体而言，涉及一种混凝土强度智能预判断方法和装置。

背景技术

混凝土的强度是一个很重要的指标。该强度的检测一般使用专业的检测工具来进行。在现有技术中也有一些提高混凝土强度的方法，例如提高混凝土的密度和凝结度上。申请人由此可以推断出，混凝土的强度在一定程度上可以通过其图像来判断，因为这些提高强度的方法会使混凝土的剖面图像发生变换。

申请人发现在机器学习出现之前，判断这种混凝土强度和剖面图像的关联性几乎是无法做到的。机器学习现在得到了很大的发展，尤其是图像识别，很多研究机构都给出了开源的机器学习模型，这使得一般的研发者很容易使用这些模型搭建本领域所需要的应用。

因此，如果能够将机器学习引入到混凝土强度判断上，可以更加方便的操作。例如，用户只要使用手机拍摄一张混凝土的图像，上传到服务器，服务器就可以判断出其强度。但是，在现有技术中，并没有人提出混凝土的图像是否与强度相关的验证方式，这使得目前仍然在使用传统的判断方法。

发明内容

本申请实施例提供了一种混凝土强度智能预判断方法和装置，以至少解决现有技术中传统方法测试混凝土强度不方便的问题。

根据本申请的一个方面，提供了一种混凝土强度智能预判断方法，包括：获取第一训练数据集，其中，所述第一训练数据集包括多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；将所述训练数据集作为训练数据对预先配置好的第一机器学习模型进行训练；获取训练中的误差，并判断所述误差是否在预定范围内震荡，其中，所述误差为标签指示的所述混凝土的强度与第一强度之间的差，所述第一机器学习模型使用训练数据中的混凝土剖面照片得到的该照片对应的强度为所述第一强度；在判断结果为是的情况下，获取第二训练数据集，其中，所述第二训练数据集包括：多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；将所述第二训练数据集作为增量数据集对所述第一机器学习模型进行增量训练，并判断所述误差是否仍然在所述预定范围内震荡；如果所述误差仍然在所述预定范围内震荡，使用训练好的第一机器学习模型进行混凝土强度的判断。

进一步地，使用训练好的所述第一机器学习模型进行混凝土强度的判断包括：接收来自移动终端拍摄的混凝土强度的剖面照片；将所述剖面照片作为输入数据输入到的训练好的所述第一机器学习模型；从所述第一机器学习模型获取输出的标签，其中，所述标签用于指示来自所述移动终端的剖面照片对应的混凝土的强度。

进一步地，在从所述第一机器学习模型获取所述标签之后，所述方法还包括：根据所述标签指示的强度判断所述混凝土的强度是否合格；在不合格的情况下，向所述移动终端发送警告消息，其中，所述警告消息中包括所述第一机器学习模型输出的标签以及用于指示所述混凝土不合格的指示信息。

进一步地，所述方法还包括：在所述混凝土的强度合格的情况下，向所述移动终端发送合格消息，其中，所述合格消息中包括所述第一机器学习模型数据的标签以及用于指示所述混凝土合格的指示信息。

根据本申请的另一个方面，还提供了一种混凝土强度智能预判断装置，包括：第一获取模块，用于获取第一训练数据集，其中，所述第一训练数据集包括多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；第一训练模块，用于将所述训练数据集作为训练数据对预先配置好的第一机器学习模型进行训练；第二获取模块，用于获取训练中的误差，并判断所述误差是否在预定范围内震荡，其中，所述误差为标签指示的所述混凝土的强度与第一强度之间的差，所述第一机器学习模型使用训练数据中的混凝土剖面照片得到的该照片对应的强度为所述第一强度；第三获取模块，用于在判断结果为是的情况下，获取第二训练数据集，其中，所述第二训练数据集包括：多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；第二训练模块，用于将所述第二训练数据集作为增量数据集对所述第一机器学习模型进行增量训练，并判断所述误差是否仍然在所述预定范围内震荡；判断模块，用于在所述误差仍然在所述预定范围内震荡的情况下，使用训练好的第一机器学习模型进行混凝土强度的判断。

进一步地，所述判断模块用于：接收来自移动终端拍摄的混凝土强度的剖面照片；将所述剖面照片作为输入数据输入到的训练好的所述第一机器学习模型；从所述第一机器学习模型获取输出的标签，其中，所述标签用于指示来自所述移动终端的剖面照片对应的混凝土的强度。

进一步地，还包括：第二判断模块，用于根据所述标签指示的强度判断所述混凝土的强度是否合格；发送模块，用于在不合格的情况下，向所述移动终端发送警告消息，其中，所述警告消息中包括所述第一机器学习模型输出的标签以及用于指示所述混凝土不合格的指示信息。

进一步地，所述发送模块还用于在所述混凝土的强度合格的情况下，向所述移动终端发送合格消息，其中，所述合格消息中包括所述第一机器学习模型数据的标签以及用于指示所述混凝土合格的指示信息。

根据本申请的另一个方面，还提供了一种处理器，用于执行软件，所述软件用于执行上述的方法。

根据本申请的另一个方面，还提供了一种存储器，用于存储软件，所述软件用于执行上述的方法。

在本申请实施例中，采用了获取第一训练数据集，其中，所述第一训练数据集包括多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；将所述训练数据集作为训练数据对预先配置好的第一机器学习模型进行训练；获取训练中的误差，并判断所述误差是否在预定范围内震荡，其中，所述误差为标签指示的所述混凝土的强度与第一强度之间的差，所述第一机器学习模型使用训练数据中的混凝土剖面照片得到的该照片对应的强度为所述第一强度；在判断结果为是的情况下，获取第二训练数据集，其中，所述第二训练数据集包括：多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；将所述第二训练数据集作为增量数据集对所述第一机器学习模型进行增量训练，并判断所述误差是否仍然在所述预定范围内震荡；如果所述误差仍然在所述预定范围内震荡，使用训练好的第一机器学习模型进行混凝土强度的判断。通过本申请解决了现有技术中传统方法测试混凝土强度不方便的问题，加快了机器学习在混凝土强度测试上的应用，提高了混凝土强度测试的便利性。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的混凝土强度智能预判断方法的流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种混凝土强度智能预判断方法，图1是根据本申请实施例的混凝土强度智能预判断方法的流程图，如图1所示，该流程包括如下步骤：

步骤S102，获取第一训练数据集，其中，所述第一训练数据集包括多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；

作为一个可选的可以增加的实施方式，每一张照片可以经过预先的处理，处理可以分为如下步骤：第一步骤，从每张照片中截取固定大小的图像；第二步骤，将所述固定大小的图像转换为灰度；第三步骤，将转换为灰度的图像增加预定百分比的对比度(例如，经过测试10％是比较优的一个值)，并减小预定百分比的明暗度(例如，经过测试5％是比较优的一个值)，这样处理之后的图片会使图片中的线条比较清晰。第四步骤，将进行对比度和明暗度处理后的图像扩大为原来的两倍。通过上述步骤的处理，使得图像在训练时更容易收敛。这些步骤的处理更加符合混凝土照片的特点。

步骤S104，将所述训练数据集作为训练数据对预先配置好的第一机器学习模型进行训练；

本步骤可以TensorFlow机器学习模型框架进行搭建；当然也可以使用其他开源框架搭建，本领域技术人员在知悉上述计算过程之后，均可以按照相应的框架写出相应的代码。

在本实施例的模型中，将图形的技术转为向量的计算，从而可以很方便的利用机器学习模型进行训练，下面是在TensorFLow实现的神经网络部分的参考代码：

当然也可以采用其他的函数来进行，在此不再一一列举。本领域技术人员可以根据实际的需要来选择不同的模型。

步骤S106，获取训练中的误差，并判断所述误差是否在预定范围内震荡，其中，所述误差为标签指示的所述混凝土的强度与第一强度之间的差，所述第一机器学习模型使用训练数据中的混凝土剖面照片得到的该照片对应的强度为所述第一强度；

在机器学习模型中，有如下几个基本的定义：

泛化能力(generalization ability)是指机器学习算法对新鲜样本的适应能力，简而言之是在原有的数据集上添加新的数据集，通过训练输出一个合理的结果。学习的目的是学到隐含在数据背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。

为了更好的理解泛化能力，这里引入三种现象，欠拟合、过拟合以及不收敛。

欠拟合(under-fitting)，是指模型拟合程度不高，数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能够很好地拟合数据。即，在训练数据集上表现差，在测试集数据也表现差。

过拟合(over-fitting)，是指模型在训练集上表现很好，在测试集上效果差。

不收敛(non-convergence),指误差函数一直在振荡，不能趋近一个定值，没有找到局部或者全局最小值。不收敛一般是形容一些基于梯度下降算法的模型，收敛是指这个算法有能力找到局部的或者全局的最小值，(比如找到使得预测的标签和真实的标签最相近的值，也就是二者距离的最小值)，从而得到一个问题的最优解。在本实施例判断误差其实就是判断是否收敛。

步骤S108，在判断结果为是的情况下，获取第二训练数据集，其中，所述第二训练数据集包括：多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；

第二训练数据集中的训练数据也可以使用上述四个步骤来处理图片。即，第一步骤，从每张照片中截取固定大小的图像；第二步骤，将所述固定大小的图像转换为灰度；第三步骤，将转换为灰度的图像增加预定百分比的对比度(例如，15％)，并减小预定百分比的明暗度(例如，8％)，这样处理之后的图片会使图片中的线条比较清晰。第四步骤，将进行对比度和明暗度处理后的图像扩大为原来的两倍。不同的是第三步骤中的对比度和明暗度与第一训练数据集中的值不同。

步骤S110，将所述第二训练数据集作为增量数据集对所述第一机器学习模型进行增量训练，并判断所述误差是否仍然在所述预定范围内震荡；

步骤S112，如果所述误差仍然在所述预定范围内震荡，使用训练好的第一机器学习模型进行混凝土强度的判断。

作为一个可选的实施方式，可以通过多个开源平台搭建多个机器学习模型，用相同的训练数据集来进行训练。最终通过上述步骤可以得到多个误差在所述预定范围内正当的机器学习模型，将其中震荡范围最小的机器学习模型作为要使用的机器学习模型来进行混凝土强度的判断。

通过上述步骤，解决了现有技术中传统方法测试混凝土强度不方便的问题，加快了机器学习在混凝土强度测试上的应用，提高了混凝土强度测试的便利性。

作为一个可以增加的可选的实施方式，在使用训练好的第一机器学习模型进行混凝土强度判断之前，还可以使用测试集进行测试。测试集中的每组数据也是包括：混凝土的剖面照片和用于标识强度的标签。然后看第一机器学习模型输出的强度值与标签的强度值相符合的程度如何。如果差值比较大，则获取该组测试数据中的混凝土的组成信息，该组成信息包括水泥等原材料的信息以及各原材料之间的比例信息。对于差值比较小的测试数据也获取混凝土的组成信息。

将来在使用该第一机器学习模型的时候，将待测试的混凝土的组成信息进行输入，由程序判断该组成信息对应的符合程度的大小，如果组成信息对应的差值比较大，则提示需要使用仪器来进行强度测试，不使用上述拍照的方式来进行强度评估；如果组成信息对一个的差值比较小，则提示进行拍照。

比较优的，可以利用第二机器学习模型来进行分类。第二机器学习模型也是通过多组第二训练数据训练得到的，每组第二训练数据包括混凝土的组成信息和标签，该标签的值为0或者1，其中，0用来表示该组成信息对应的混凝土不适用于第一机器学习模型来进行判断，1用来表示该组成信息对应的混凝土适用于第一机器学习模型来进行判断。该第二机器学习模型是比较简单的分类模型，在训练的时候都可以做到收敛。

训练好的第二机器学习模型就可以应用了，输入混凝土的组分信息，输出0或1。根据0或1来判断是否采用本实施例中的拍照判断强度的方式。

优选地，使用训练好的所述第一机器学习模型进行混凝土强度的判断包括：接收来自移动终端拍摄的混凝土强度的剖面照片；将所述剖面照片作为输入数据输入到的训练好的所述第一机器学习模型；从所述第一机器学习模型获取输出的标签，其中，所述标签用于指示来自所述移动终端的剖面照片对应的混凝土的强度。

优选地，在从所述第一机器学习模型获取所述标签之后，所述方法还包括：根据所述标签指示的强度判断所述混凝土的强度是否合格；在不合格的情况下，向所述移动终端发送警告消息，其中，所述警告消息中包括所述第一机器学习模型输出的标签以及用于指示所述混凝土不合格的指示信息。

优选地，所述方法还包括：在所述混凝土的强度合格的情况下，向所述移动终端发送合格消息，其中，所述合格消息中包括所述第一机器学习模型数据的标签以及用于指示所述混凝土合格的指示信息。

本实施例中还提供了一种混凝土强度智能预判断装置，该装置中的模块与上述方法中的步骤相对应，已经在上述实施例中说明过的，在此不再赘述，该装置包括：第一获取模块，用于获取第一训练数据集，其中，所述第一训练数据集包括多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；第一训练模块，用于将所述训练数据集作为训练数据对预先配置好的第一机器学习模型进行训练；第二获取模块，用于获取训练中的误差，并判断所述误差是否在预定范围内震荡，其中，所述误差为标签指示的所述混凝土的强度与第一强度之间的差，所述第一机器学习模型使用训练数据中的混凝土剖面照片得到的该照片对应的强度为所述第一强度；第三获取模块，用于在判断结果为是的情况下，获取第二训练数据集，其中，所述第二训练数据集包括：多组训练数据，每一组训练数据均包括一张混凝土剖面照片和标签，所述标签用于指示所述混凝土的强度；第二训练模块，用于将所述第二训练数据集作为增量数据集对所述第一机器学习模型进行增量训练，并判断所述误差是否仍然在所述预定范围内震荡；判断模块，用于在所述误差仍然在所述预定范围内震荡的情况下，使用训练好的第一机器学习模型进行混凝土强度的判断。

优选地，所述判断模块用于：接收来自移动终端拍摄的混凝土强度的剖面照片；将所述剖面照片作为输入数据输入到的训练好的所述第一机器学习模型；从所述第一机器学习模型获取输出的标签，其中，所述标签用于指示来自所述移动终端的剖面照片对应的混凝土的强度。

优选地，还包括：第二判断模块，用于根据所述标签指示的强度判断所述混凝土的强度是否合格；发送模块，用于在不合格的情况下，向所述移动终端发送警告消息，其中，所述警告消息中包括所述第一机器学习模型输出的标签以及用于指示所述混凝土不合格的指示信息。

优选地，所述发送模块还用于在所述混凝土的强度合格的情况下，向所述移动终端发送合格消息，其中，所述合格消息中包括所述第一机器学习模型数据的标签以及用于指示所述混凝土合格的指示信息。

在本实施例中，还提供了一种处理器，用于执行软件，所述软件用于执行上述的方法。

在本实施例中，还提供了一种存储器，用于存储软件，所述软件用于执行上述的方法。

在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。