一种基于AI的图像识别混凝土试件防伪方法与流程

本发明涉及混凝土见证取样，具体为一种基于ai的图像识别混凝土试件防伪方法。

背景技术：

1、混凝土见证取样是指在监理单位或建设单位监督下，由施工单位有关人员现场取样，并送至具备相应资质的检测单位进行检测。这一过程确保了试件从施工现场到实验室的完整性和真实性，从而保证了混凝土检测结果的准确性和可靠性。

2、见证取样的目的是为了确保混凝土的质量满足设计要求和相关标准。通过见证取样，监理单位或建设单位可以对施工单位使用的混凝土质量进行监督，避免使用不合格的材料，从而确保建筑工程的质量和安全。

3、然而，在实际混凝土见证取样中，某些施工单位为了逃避检测，可能会使用不法手段调换混凝土试件，使得混凝土检测结果合格，这不仅严重违反了建筑行业的规范和标准，还会对建筑工程的质量和安全性造成潜在威胁。

4、因此，急需对此缺点进行改进，本发明则是针对现有的技术不足予以研究改良，提供有一种基于ai的图像识别混凝土试件防伪方法。

技术实现思路

1、本发明的目的在于提供一种基于ai的图像识别混凝土试件防伪方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于ai的图像识别混凝土试件防伪方法，包括以下步骤：

3、s1、取样时先在混凝土试件表面插入带二维码的标签，并拍摄照片，获得湿状的混凝土照片，即湿态照片；

4、s2、养护结束后，建设方把试件送到检测机构，检测机构收到试件后拍摄试件照片，获得凝固态的混凝土照片，即凝固态照片；

5、s3、采用双分支vit结构对干、湿两种不同状态下的照片分别进行特征提取，且凝固态照片和湿态照片各自通过独立的vit分支处理；

6、s3、通过在yolov8模型中融合bifpn，构建ai模型，并使用ai模型识别凝固态照片，找出标签和试件的轮廓及相对位置信息；

7、s4、基于数字图像处理匹配：将凝固态照片和湿态照片中的标签缩放至同一大小、调整两张照片的方向使标签标记点完全重合，再判断干、湿混凝土照片轮廓是否可以对齐。如果不能完全对齐，则可以认为是造假试件，判别任务结束。因湿态照片包含了模具边框厚度，湿态照片的轮廓边长要大于凝固态照片，判断是否完全对齐需要同时满足：对应的边是平行线且对应的边之间的间距相同或对角的四个交点位于同一直线且该直线通过图像中心点等三个条件。若干、湿混凝土照片的轮廓可以对齐，则按照凝固态照片的轮廓大小对湿态混凝土照片轮廓进行裁剪，以去除湿态混凝土试照片中的模具边框厚度。基于深度学习处理相似度得分：采用双分支vit结构对干、湿两种不同状态下的照片分别进行特征提取，可以提取的特征包括但不限于标签上面的二维码、标记点、标签镂空部分植入混凝土表面产生的随机图形和混凝土表面其它区域随机产生的凹凸点等，凝固态照片和湿态照片各自通过独立的vit分支处理，随后通过自注意力机制学习全局上下文依赖关系，从而生成各自的高级语义特征表示，然后使用多头交叉注意力模块，让模型能够聚焦于干湿态照片特征之间的相关部分，探索和推理两者在局部区域上的对应性和一致性，最后通过融入关系网络计算各个特征对之间的关系度量，生成一个综合的相似性得分；

8、s5、结合凝固态照片和湿态照片的对齐结果，来判断试件调换情况，若两幅图像中的标签位置与角度以及试件的四角顶点均可以对齐，并且步骤s4中所述的两个相似性得分达到设定值，则认为试件为真实试件，否则认为试件被调换。由于干、湿混凝土照片拍摄的角度，场景及设备不一样，照片在拍摄的过程中会出现歪曲等情况，这时候，采用数字图像的方法，是无法实现像素位置上对齐。这时可以采用深度学习的方式进行特征相似度的度量。

9、进一步的，所述步骤s4中，ai模型以yolov8模型为基本框架，包括backbone部分、neck部分和head部分，其中，backbone部分是模型的主干网络，由五个卷积模块、四个c2f模块以及一个sppf模块组成，各模块的职能如下：

10、卷积模块：负责进行特征提取，通过卷积操作，从输入数据中提取出有用的特征信息，为后续的目标检测任务提供基础；

11、c2f模块：负责将不同尺度的特征图进行融合，以提高目标检测的准确性，通过特征融合，来结合不同层次的特征信息，以更好地捕捉到目标的细节和上下文信息；

12、sppf模块：负责融合不同感受野的特征图，以丰富特征图的表达能力，通过级联多个小尺寸的池化核进行最大池化操作，来替代传统的大尺寸池化操作，提高运行速度。

13、进一步的，所述neck部分采用bifpn，用于处理来自backbone的多尺度特征图，所述bifpn基于特征金字塔的构建和双向特征融合，通过多尺度特征融合来提升目标检测任务的准确性和效率，具体包括如下逻辑：

14、特征金字塔生成：通过卷积神经网络从输入图像中提取多尺度特征，组成特征金字塔，所述特征金字塔具有多个层级，每层对应着不同的尺度；

15、双向连接：在特征金字塔相邻级别之间引入了双向连接，信息通过自顶向下路径从更高级别的特征流向更低级别的特征，自顶向下的特征传播使得高层特征图中的语义信息能够向下传递到低层，增强低层特征对目标的识别能力，或通过自底向上路径从更低级别的特征流向更高级别的特征，自底向上的特征传播使得低层特征图中的细节信息能够向上传递到高层，补充高层特征在细节方面的不足；

16、特征整合:双向连接允许在两个方向上整合来自特征金字塔不同级别的信息，有助于有效地捕获多尺度特征；

17、加权特征融合:采用加权特征融合机制，每个输入特征在融合时都会赋予一个可学习的权重，使得网络可以自动学习不同特征的重要性，并根据需要调整融合比例。

18、进一步的，所述步骤s3中，在ai模型构建后对模型进行训练，具体包括：通过调整学习率、损失函数以及优化器参数的方式，来提高模型的收敛速度和准确性，并使用集成学习方法，如adagrad、adam等，改善模型性能。

19、进一步的，所述步骤s3中，在使用ai模型前，对原始图像进行预处理，所述预处理具体包括如下操作：

20、图像缩放：通过插值方法将原始图像的尺寸调整为模型所需的固定尺寸，包括直接缩放和保持图像的纵横比进行缩放；

21、图像旋转：以图像的中心点为旋转中心将图像旋转一定角度，以消除模型对于特定方向或角度的依赖，提高模型的鲁棒性；

22、图像翻转：对图像进行水平或垂直翻转，且水平翻转沿图像的垂直中轴线进行，垂直翻转沿图像的水平中轴线进行，以增加数据的多样性，减少模型对于方向性特征的依赖；

23、裁剪：裁剪图像中背景部分，以帮助模型更好地处理目标；

24、色彩变换：调整图像的亮度、对比度、饱和度等色彩属性，以增加模型的色彩不变性；

25、归一化：将图像的像素值缩放到特定的范围内。

26、进一步的，所述步骤s3中，双分支vit结构结合了卷积分支和transformer分支，并行处理信息，以最大化保留两个不同级别的特征，并通过多头交叉注意力模块融合干、湿两种不同状态照片的特征，发现其内在关联。

27、进一步的，所述transformer分支基于transformer模型，负责捕捉长距离依赖关系和全局上下文信息，所述transformer分支的处理操作包括：将原始像素级别的图像分割成若干固定大小的patches，每个patch被转换为token，随后通过自注意力机制学习全局上下文依赖关系，从而生成各自的高级语义特征表示，此外，transformer分支还通过多层堆叠的transformer层来逐步提取更高级别的特征表示。

28、进一步的，所述多头交叉注意力模块中，来自凝固态照片的tokens充当查询，而湿态照片的tokens则作为键和值，通过交叉注意力机制，聚焦于干、湿混凝土照片特征之间的相关部分，探索和推理两者在局部区域上的对应性和一致性。

29、进一步的，所述多头交叉注意力模块引入了深度神经网络，来对经过交叉注意力机制交互后的特征进行深度理解和聚合，并通引入关系网络过计算各个特征对之间的关系度量，生成一个综合的相似性得分，以强化这些对应关系的挖掘以及量化两张照片之间的匹配程度。

30、本发明提供了一种基于ai的图像识别混凝土试件防伪方法，具备以下有益效果：

31、1、本发明采用双分支vit结构对两种不同状态下的照片分别进行特征提取，且凝固态照片和湿态照片各自通过独立的vit分支处理，有效提升了提取特征的性能和准确性，并设计了多头交叉注意力模块，以便模型能够聚焦于干湿态照片特征之间的相关部分，探索和推理两者在局部区域上的对应性和一致性，更进一步引入了引入关系网络，来对经过交叉注意力机制交互后的特征进行深度理解和聚合，结合计算强化对应关系的挖掘以及量化两张照片之间的匹配程度。

32、2、本发明通过在yolov8模型中融合bifpn，构建ai模型，使得模型在识别凝固态照片时，可以充分发挥其先进的特征融合优势，精确地找出图像中的标签和试件的位置信息，具体包括以下优势：

33、精确的多尺度检测：bifpn的双向融合能力使得yolov8模型能够有效地处理不同尺寸的凝固态试件，无论试件大小如何，都能实现高准确度的检测；

34、上下文感知：通过整合丰富的上下文信息，yolov8模型结合bifpn能够更好地理解图像内容，从而在复杂的背景中准确地识别出目标试件；

35、减少误检和漏检：bifpn的双向信息传递机制增强了模型对小目标的敏感性，同时保持对大目标的稳定检测，减少了误检和漏检的可能性；

36、鲁棒性：即使在图像质量不佳或存在遮挡的情况下，yolov8模型结合bifpn依然能够保持较高的识别准确率，展现出良好的鲁棒性。