本发明涉及混凝土外观质量综合评价方法的评价领域。更具体地说，本发明涉及一种基于计算机视觉和数值分析的混凝土外观质量综合评价方法和系统。
背景技术：
1、随着社会的发展，混凝土构筑物的存在意义已经不是单纯的满足空间使用的要求，在设计上更加注重追求景观效果，其不仅仅追求实用性，更要求其满足观赏性的要求。从普通的建筑物到横跨山海的桥梁，不论哪种形式的构筑物对混凝土外观的要求标准都比较高，混凝土构筑物的美观，不仅需要设计人员的精彩创意，同时也需要混凝土外观质量折射出实体质量。混凝土构筑物的外观表象评定是质量检测的关键项目，但受地域不同和施工水平差异的影响，混凝土外观质量仍然是构筑物施工过程中的管控难点，相关部门也对此做出了一定的要求，例如，中国标准jgj 169-2009《清水混凝土应用技术规程》及美国标准aci 347.3r-13guide to formed concrete surfaces中都提出了混凝土表面应平整光滑、色泽均匀、无露筋、蜂窝、孔洞、夹渣等缺陷，并对部分特定种类混凝土的气孔面积等参数进行了规定。
2、尽管相关技术人员一直在不断研究优化，但由于混凝土外观质量的影响因素多，控制手段复杂多变，有些问题仍未得到有效解决，对有关单位造成了诸多困扰。目前的一些研究中，研究人员试图通过计算机视觉和数值分析算法来识别混凝土的外观质量问题，其可根据所采集图像的数字特征对混凝土外观质量进行高维定量分析，准确性和可信度高，因此在部分工程案例中已被应用。然而，这类技术应用在混凝土外观质量综合评价中所得到的信息往往不够全面，需要进行二次整合，且应及时的给出工程人员相应的评价信息。另外，缺少一套成熟的系统，以供给工程人员使用和进行后续的调整。
技术实现思路
1、为了实现根据本发明的这些目的和其它优点，一方面，本发明的一优选实施方案提供了一种混凝土外观质量综合评价方法，包括以下步骤：
2、s1、采集混凝土外观图像数据并进行质量缺陷区域的数据标注；
3、s2、基于s1得到的混凝土外观图像数据构建深度学习实例分割网络并进行训练，获得混凝土外观综合缺陷分割模型；随后，将混凝土外观图片输入至该混凝土外观综合缺陷分割模型，经图像分割模型推理和图像分析取得缺陷区域参数，并制成数据表格；
4、s3、对各个混凝土外观照片进行外观质量打分作为目标值，并基于s2得到的缺陷区域参数作为特征值，建立混凝土外观质量评价机器学习模型，输出评价结果。
5、优选地，所述s1中，利用摄像设备采集图像数据，采集过程中确定摄像设备与混凝土外观的距离，并根据标定情况预先调整摄像设备中拍到的原始图像；
6、所述质量缺陷区域的标注种类包括：色差区域、裂缝区域、蜂窝区域、麻面区域，且均采用多边形标注方法进行标注。
7、优选地，所述s2中，将混凝土外观图片输入至该混凝土外观综合缺陷分割模型之后，获得目标掩膜，并对其进行图像处理以提取量化数值信息；其中，
8、对于裂缝区域，使用基于骨架的细长型数值提取方法获得裂缝的长度和最大宽度；
9、对于色差区域，采用基于外接多边形的常规型数值提取方法以提取量化数值信息。
10、优选地，对于裂缝区域，使用基于骨架的细长型数值提取方法获得裂缝的长度和最大宽度，包括以下步骤：
11、s21、使用图像骨架提取方法，将裂缝掩膜的连通区域细化成一个像素的宽度，并以此建立一个无向有环骨架线图；
12、s22、根据无向有环骨架线图直接得到裂缝的长度信息，并可沿着该无向有环骨架线图用圆形遍历裂缝的各点，得到该点处的最大内接圆，即为该点处的最大宽度。
13、优选地，对于色差区域、蜂窝区域以及麻面区域，采用基于外接多边形的常规型数值提取方法以提取量化数值信息，通过寻找该不规则区域的最小外接矩形或椭圆形，获得区域的长度宽度和面积，且对于色差区域，额外计算其与混凝土外观正常颜色的cie平均差值。
14、优选地，对于裂缝区域，使用基于骨架的细长型数值提取方法获得裂缝的长度和最大宽度；和，
15、对于色差区域，采用基于外接多边形的常规型数值提取方法以提取量化数值信息，均通过所述s1采集数据记录的拍摄设备与混凝土外观的距离，并按照比例将图像的像素值转化为对应的真实值，且通过以下公式计算得到：
16、
17、式中：对于图像中的任意一段线段的长度来说，
18、preal，表示真实情况下，两个端点在图像中相距的长度像素值；
19、dreal，表示真实情况下，相机距离混凝土表面的距离数值；
20、lbase，表示标定情况下，两个端点在现实中相距的长度像素值；
21、pbase，表示标定情况下，两个端点在图像中相距的长度像素值；
22、dbase，表示标定情况下，相机距离混凝土表面的距离数值。
23、优选地，所述s3中，外观质量打分从好到坏共分为abcde五个级别，转化成数值为12345，
24、所述s2获得的特征值包括：裂缝区域的的数量、平均长度、平均最大宽度；色差区域的数量、平均面积、与混凝土本身外观颜色的cie平均差值；、蜂窝区域以及麻面区域的数量、平均面积，其中，cie色彩差值的计算公式如下所示：
25、
26、式中：
27、la,lb-混凝土表面正常颜色和混凝土色差区域颜色在cie色彩空间中的亮度数值；
28、aa,ab-混凝土表面正常颜色和混凝土色差区域颜色在cie色彩空间中的红绿轴数值；
29、ba,bb-混凝土表面正常颜色和混凝土色差区域颜色在cie色彩空间中的蓝黄轴数值。
30、优选地，其特征在于，所属步骤s3中，建立混凝土外观质量评价机器学习模型，包括以下步骤：
31、s31、将从s2得到的混凝土外观特征值数据分为训练集、验证集和测试集；
32、s32、选择包括catboost、xgbboost、lightgbm、extratrees、randomtree、decisiontree在内的六种机器学习算法，分别将以上六种算法使用默认超参数在训练集上训练，并选择验证集分数最高的三种算法进入下一阶段；
33、s33、设定优化的超参数范围，使用5折交叉验证方法和贝叶斯超参数优化方法在训练集和验证集组成的子数据集上进行调整，分别得到三种算法各自的最佳超参数组合，最后将优化后的超参数组合设置引入s32所得到的三种算法中，并选择在测试集上预测分数最高的模型作为混凝土外观质量评价机器学习模型。
34、另一方面，本技术的另一技术方案提供一种上述权利要求1-8任一项所述的混凝土外观质量综合评价方法的评价系统，包括：
35、数据采集、添加和预处理模块：用于采集混凝土外观图像数据，并对其进行质量缺陷区域的数据标注；
36、模型训练和推理模块：用于根据混凝土外观图像数据构建深度学习实例分割网络并进行训练，获得混凝土外观综合缺陷分割模型；随后，将混凝土外观图片输入至该混凝土外观综合缺陷分割模型，经图像分割模型推理和图像分析取得缺陷区域参数，并制成数据表格：并对各个混凝土外观照片进行外观质量打分作为目标值，并基于缺陷区域参数作为特征值，建立混凝土外观质量评价机器学习模型，输出评价结果；
37、调整和管理模块：用于添加、删除和查看模型所需图像和量化数据，并调整专家基础评分和混凝土外观质量量化数值结果的输出种类。
38、本发明至少包括以下有益效果：本发明可以针对各类混凝土外观图片，快速提取并整合各类混凝土外观缺陷区域，降低了对检测人员的经验要求、设备需求和重复检测，提高了效率，有效避免了检测过程中的主观性问题，此外还具有检测时间短，检测精度高，有效提升了混凝土外观缺陷检测能力等优势。同时依照专家评分数据库快速评估混凝土外观综合质量等级，通过图像分析得到的掩膜结果提供准确的外观缺陷量化和评价信息。此外依照上述技术，提供了数据管理和技术使用平台，促进工程人员快速进行相应技术的应用并及时作出决策。
39、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
1.一种混凝土外观质量综合评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的混凝土外观质量综合评价方法，其特征在于，所述s1中，利用摄像设备采集图像数据，采集过程中确定摄像设备与混凝土外观的距离，并根据标定情况预先调整摄像设备中拍到的原始图像；
3.根据权利要求2所述的混凝土外观质量综合评价方法，其特征在于，所述s2中，将混凝土外观图片输入至该混凝土外观综合缺陷分割模型之后，获得目标掩膜，并对其进行图像处理以提取量化数值信息；其中，
4.根据权利要求3所述的混凝土外观质量综合评价方法，其特征在于，对于裂缝区域，使用基于骨架的细长型数值提取方法获得裂缝的长度和最大宽度，包括以下步骤：
5.根据权利要求3所述的混凝土外观质量综合评价方法，其特征在于，对于色差区域、蜂窝区域以及麻面区域，采用基于外接多边形的常规型数值提取方法以提取量化数值信息，通过寻找该不规则区域的最小外接矩形或椭圆形，获得区域的长度宽度和面积，且对于色差区域，额外计算其与混凝土外观正常颜色的cie平均差值。
6.根据权利要求1所述的混凝土外观质量综合评价方法，其特征在于，
7.根据权利要求1所述的混凝土外观质量综合评价方法，其特征在于，所述s3中，外观质量打分从好到坏共分为abcde五个级别，转化成数值为12345，
8.根据权利要求1所述的基于计算机视觉和数值分析的混凝土外观质量综合评价方法，其特征在于，所属步骤s3中，建立混凝土外观质量评价机器学习模型，包括以下步骤：
9.一种上述权利要求1-8任一项所述的混凝土外观质量综合评价方法的评价系统，其特征在于：包括：
