Image-based Deep Learning for the time-dependent prediction of fresh concrete properties

要約

コンクリート製造プロセスにおけるデジタル化と自動化の度合いを高めることは、コンクリートの製造に伴う CO$_2$ 排出量の削減に重要な役割を果たす可能性があります。
この論文では、コンクリートの流動挙動の立体画像シーケンスに基づいて、混合プロセス中の生コンクリートの特性を予測できるようにする方法を紹介します。
予測には畳み込みニューラル ネットワーク (CNN) が使用され、ミックス デザインに関する情報によってサポートされる画像を入力として受け取ります。
さらに、ネットワークは、画像が撮影された時刻とコンクリートの基準値が実行された時刻との間の時間差の形で時間情報を受信します。
この時間情報を使用して、ネットワークはコンクリートの特性の時間依存の動作を暗黙的に学習します。
ネットワークはスランプフロー直径、降伏応力、および塑性粘度を予測します。
時間依存の予測により、混合中にすでに生コンクリートの特性が時間的にどのように変化するかを決定するための道が開かれる可能性があります。
これはコンクリート業界にとって大きな利点となります。
その結果、タイムリーな対策が可能となります。
深度画像とオプティカル フロー画像に基づくアプローチは、ミックス設計の情報によってサポートされ、最良の結果が得られることが示されています。

要約(オリジナル)

Increasing the degree of digitisation and automation in the concrete production process can play a crucial role in reducing the CO$_2$ emissions that are associated with the production of concrete. In this paper, a method is presented that makes it possible to predict the properties of fresh concrete during the mixing process based on stereoscopic image sequences of the concretes flow behaviour. A Convolutional Neural Network (CNN) is used for the prediction, which receives the images supported by information on the mix design as input. In addition, the network receives temporal information in the form of the time difference between the time at which the images are taken and the time at which the reference values of the concretes are carried out. With this temporal information, the network implicitly learns the time-dependent behaviour of the concretes properties. The network predicts the slump flow diameter, the yield stress and the plastic viscosity. The time-dependent prediction potentially opens up the pathway to determine the temporal development of the fresh concrete properties already during mixing. This provides a huge advantage for the concrete industry. As a result, countermeasures can be taken in a timely manner. It is shown that an approach based on depth and optical flow images, supported by information of the mix design, achieves the best results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google