KR101936218B1 - Artificial intelligence learning-based ready-mixed concrete production system - Google Patents
Artificial intelligence learning-based ready-mixed concrete production system Download PDFInfo
- Publication number
- KR101936218B1 KR101936218B1 KR1020180080466A KR20180080466A KR101936218B1 KR 101936218 B1 KR101936218 B1 KR 101936218B1 KR 1020180080466 A KR1020180080466 A KR 1020180080466A KR 20180080466 A KR20180080466 A KR 20180080466A KR 101936218 B1 KR101936218 B1 KR 101936218B1
- Authority
- KR
- South Korea
- Prior art keywords
- mixer
- slump
- aggregate
- water
- artificial intelligence
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C9/00—General arrangement or layout of plant
- B28C9/002—Mixing systems, i.e. flow charts or diagrams; Making slurries; Involving methodical aspects; Involving pretreatment of ingredients; Involving packaging
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
- B28C7/0046—Storage or weighing apparatus for supplying ingredients
- B28C7/0053—Storage containers, e.g. hoppers, silos, bins
- B28C7/0076—Parts or details thereof, e.g. opening, closing or unloading means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
- B28C7/02—Controlling the operation of the mixing
- B28C7/022—Controlling the operation of the mixing by measuring the consistency or composition of the mixture, e.g. with supply of a missing component
- B28C7/024—Controlling the operation of the mixing by measuring the consistency or composition of the mixture, e.g. with supply of a missing component by measuring properties of the mixture, e.g. moisture, electrical resistivity, density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C9/00—General arrangement or layout of plant
- B28C9/02—General arrangement or layout of plant for producing mixtures of clay or cement with other materials
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Abstract
Description
본 발명은 레디믹스트 콘크리트(Ready-mixed concrete : 이하, '레미콘'이라 한다.)의 생산단계에서 배치 플랜트의 믹서 내부를 촬영하는 카메라로부터 출력되는 영상 데이터를 인공지능 알고리즘으로 분석함으로써 출하 레미콘 제품의 슬럼프 및 슬럼프 플로를 실시간으로 예측하도록 하고, 레미콘의 원료로 입고되는 골재의 품질, 회수수 농도, 골재의 함수율 등을 자동으로 측정하여 생산에 반영할 수 있는 인공지능 학습기반 레미콘 생산 시스템에 관한 것이다. The present invention analyzes image data output from a camera for photographing the inside of a mixer of a batch plant at the production stage of Ready-mixed concrete (hereinafter referred to as "ready-mixed concrete") by an artificial intelligence algorithm, The present invention relates to an artificial intelligence learning-based remicon production system capable of automatically estimating slump and slump flow in real time and automatically measuring the quality of aggregate, the concentration of collected water, and the water content of aggregate, .
콘크리트의 유동특성은 건설현장에서 작업성을 결정하는 주요물성으로, 기준에 부적합한 콘크리트를 사용할 경우 작업의 난이도가 상승하여 부실시공을 야기한다. 또한 레미콘(ready-mixed concrete) 생산 공장에서는 콘크리트의 믹싱완료 후 추가적인 재료의 투입이 금지되어 있으므로 생산 후 유동특성이 부적합한 콘크리트로 인한 산업폐기물이 대량 발생하게 된다.The flow characteristics of concrete are the main physical properties that determine the workability in the construction site. If the concrete that is not suitable for the standard is used, the difficulty of the work increases and it causes a bad construction. In the ready-mixed concrete production plant, after the mixing of the concrete is completed, the addition of additional materials is prohibited, so that a large amount of industrial waste is generated due to the concrete having inadequate flow characteristics after production.
실시간으로 변화하는 원재료의 물성 및 품질특성에 따라 동일한 배합비에서도 최종 출하된 레미콘의 유동특성(슬럼프 및 슬럼프 플로) 편차가 매우 크게 나타날 수 있다. 이에 레미콘 배치 플랜트(batch plant) 믹서 내부에 카메라를 설치하여 생산담당 오퍼레이터가 콘크리트의 반죽질기를 카메라를 통해 육안으로 확인하여 생산하고 있으나 그 한계가 명확하다.Depending on the physical properties and quality characteristics of the raw materials that change in real time, the flow characteristics (slump and slump flow) deviation of the final loaded ready mixed concrete may be very large even at the same mixing ratio. A camera is installed inside a mixer of a batch plant, and the operator in charge of production produces the concrete by visually checking the kneading of concrete through a camera, but the limit is clear.
실제 최종 출하 레미콘의 유동특성(슬럼프 및 슬럼프 플로)은 생산이 종료된 후에서야 품질관리자의 시험을 통해서야 확인이 가능하므로, 여전히 오퍼레이터의 경험과 직관적 성향에 따라 최종 생산된 레미콘의 슬럼프 및 슬럼프 플로에 편차가 발생되며, 원재료의 변동에 따른 급작스러운 유동특성 변동에 대해 생산단계의 초기 대응이 미비한 수준이다.Since the actual flow characteristics (slump and slump flow) of the final shipment ready mixer can be confirmed only after the quality manager has finished the test after the production is completed, the operator can still confirm the slump and slump flow And the initial response of the production stage to the sudden fluctuation of the flow characteristics due to the fluctuation of the raw materials is insufficient.
생산이 완료된 콘크리트의 슬럼프 또는 슬럼프 플로 자동 측정하는 장치는 기존에도 다수 존재한다(등록특허 10-0836464, 등록특허 10-0953942, 등록특허 10-1115235). There are many existing apparatuses for automatically measuring the slump or slump flow of the finished concrete (Japanese Patent Laid-Open Nos. 10-0836464 and 10-195235).
그러나, 생산이 완료된 후에 제품의 슬럼프 및 슬럼프 플로 값을 측정하여 추후 생산에 반영하는 시스템에서 적용이 가능하지만 시험에 소요되는 시간과 연속 생산되는 국내시장의 현황을 고려했을 때, 실시간 피드백이 불가능하다.However, it can be applied to a system that measures the slump and slump flow value of the product after the production is completed and reflects it to the subsequent production. However, considering the time required for the test and the current state of the domestic market, .
일본 등의 해외지역과 일부 국내 기업에서는 생산 중인 레미콘 반죽의 유동특성에 따라 믹서 모터의 부하 값 차이를 보이는 것에 기반하여 슬럼프 및 슬럼프 플로를 예측하고자 믹서모터의 토크미터를 참조하여 생산하고 있다. Japan and some other domestic companies are producing torque meter of mixer motor to predict the slump and slump flow based on the difference of the load value of the mixer motor according to the flow characteristics of the prepared mixer dough.
다만, 이 경우에도 원재료 특성에 따른 점성변화와 반죽질기 변화에 대한 구분에 한계가 있어 신뢰성의 보증은 힘든 실정이며, 생산을 담당하는 오퍼레이터의 참조용 데이터로 사용되고 있는 추세이다.However, even in this case, there is a limit to the classification of the viscosity change and the kneading change according to the characteristics of the raw material, and thus the reliability is not guaranteed, and it is used as reference data of the operator in charge of production.
본 발명은 레미콘 생산이 완료되기 전에 믹서 내부의 영상을 분석하여 제품의 유동특성을 수치화하여 최종 출하 레미콘의 슬럼프 및 슬럼프 플로 값을 정량적으로 예측하는 것을 목적으로 한다. The present invention aims at quantitatively predicting the slump and slump flow values of the final shipment ready mixer by analyzing the image of the inside of the mixer and quantifying the flow characteristics of the product before completion of the production of the ready-mixed concrete.
아울러, 입고된 골재의 잔입자량, 입도, 토분량 및 입형, 회수수의 고형분 함량, 믹서에 투입되는 골재의 함수율 등을 자동으로 파악하여 일정한 품질의 레미콘이 효율적으로 생산될 수 있도록 하는 것이 본 발명의 또 다른 목적이다.In addition, it is necessary to automatically grasp the amount of residual particles, grain size, soot content, grain size, solid content of recovered water, moisture content of aggregate to be fed into the mixer, etc. so that ready- It is another object of the invention.
본 발명은 믹서 내부의 카메라를 이용하여 생산 완료 직전의 영상 데이터와 생산 직후 시험을 통해 측정된 레미콘의 슬럼프 및 슬럼프 플로 값을 이용하여 영상을 분류하여 학습 데이터 세트를 축적하고, 이를 인공지능의 딥러닝 학습모델에 적용함으로써 최종 출하 레미콘의 슬럼프 및 슬럼프 플로 값을 실시간으로 예측할 수 있도록 하였다. The present invention uses a camera inside a mixer to accumulate a set of learning data by classifying images using image data immediately before production completion and slump and slump flow values of a ready-mixed concrete measured through a test immediately after production, The model is applied to the learning learning model so that the slump and slump flow values of the final shipment ready - mixed concrete can be predicted in real time.
아울러, 인공지능을 이용하여 입고되는 골재의 품질 및 회수수의 농도 등을 자동으로 파악하고, 센서를 이용하여 믹서에 투입되는 골재의 함수율을 자동으로 측정할 수 있도록 구성하였다.In addition, the quality of the aggregate and the concentration of the collected water are automatically detected using the artificial intelligence, and the water content of the aggregate introduced into the mixer is automatically measured using the sensor.
본 발명은 「골재 촬영 이미지 분석 데이터와 0.08mm 체를 통과하는 잔입자량, 입도, 토분량 및 입자모양판정실적률의 상관 관계 빅데이터를 딥러닝하는 인공지능이 입고된 골재를 촬영한 이미지로부터 입고된 골재의 0.08mm 체를 통과하는 잔입자량, 입도, 토분량 및 입자모양판정실적률을 분석하여 레미콘 원료로서의 적부를 판정하는 골재 품질 분석부; 상기 골재 품질 분석부에서 적합 판정을 받은 골재를 저장하는 저장빈; 상기 저장빈에 저장되었다가 계량 배출된 골재, 결합재 및 배합수를 혼합하여 콘크리트를 제조하는 믹서; 상기 믹서 가동 시, 상기 믹서 내부를 지속적으로 촬영하는 카메라 및 레미콘 배출 직전의 믹서 내 영상 분석 데이터와 레미콘 배출 직후 슬럼프 및 슬럼프 플로 시험값의 상관 관계 빅데이터를 딥러닝하는 인공지능으로 상기 카메라가 촬영한 영상을 분석하여, 최종 출하 레미콘의 슬럼프 및 슬럼프 플로를 실시간으로 예측하여 현시하는 유동특성 모니터링부를 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템」을 제공한다.The present invention relates to " correlation between aggregate shot image analysis data and remaining particle amount, particle size, soil amount, and particle shape passing rate passing through a 0.08 mm sieve. From an image of an aggregate containing artificial intelligence that deep- An aggregate quality analysis unit for analyzing the amount of remaining particles, particle size, soil mass, and particle shape determination rate passing through a 0.08 mm sieve of the received aggregate to determine a proper portion as a ready-mixed raw material; A storage bin for storing an aggregate which has been judged to be suitably determined by the aggregate quality analyzer; A mixer for storing concrete in the storage bin and mixing the aggregate, the binder, and the mixed water discharged and weighed; Correlation between the image analysis data in the mixer immediately before discharging the camera and the slump and the slump flow test value immediately after discharging the concrete mixer immediately before discharging the mixer and the camera for continuously photographing the interior of the mixer when the mixer is operating, And a flow characteristic monitoring unit for analyzing one image and predicting slump and slump flow of the final shipment ready mixer in real time and displaying it.
또한, 본 발명은 「상기 유동특성 모니터링부는 스플리터(Spliter), 영상녹화장치(DVR, NVR 등) 및 모니터를 포함하여 구성되되, 상기 스플리터는 카메라가 촬영한 영상을 영상녹화장치와 모니터에 동시에 분배 전송하고, 상기 영상녹화장치는 영상을 저장하여 상기 인공지능에 제공하며, 상기 인공지능은 레미콘 배출 직전의 믹서 내 영상 분석 데이터와 레미콘 배출 직후 슬럼프 및 슬럼프 플로 시험값의 상관 관계 빅데이터를 딥러닝하는 학습모듈 및 상기 학습모듈에서의 파악한 영상 분석 결과와 콘크리트 유동특성 간의 관계에 기초하여, 실시간으로 전송받은 믹서 내 영상을 분석하여 최종 출하 레미콘의 슬럼프 및 슬럼프 플로를 실시간으로 예측하고, 그 예측값을 상기 모니터에 전송하는 예측모듈을 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템」을 함께 제공한다.Further, the present invention is characterized in that the flow characteristics monitoring unit includes a splitter, a video recording device (DVR, NVR, etc.) and a monitor, wherein the splitter distributes the video images shot by the camera to the video recording device and the monitor simultaneously And the image recording apparatus stores the image and provides it to the artificial intelligence. The artificial intelligence deeply correlates the image analysis data in the mixer immediately before the release of the remicon with the slump and slump flow test values immediately after the release of the remicon. Based on the relationship between the image analysis result obtained in the learning module and the concrete flow characteristics, analyzes the images in the mixer transmitted in real time, predicts the slump and slump flow of the final shipment ready mixer in real time, And a prediction module for transmitting the prediction module to the monitor. It provided with a semi-humid ready-mixed concrete production systems. "
본 발명에서, 상기 인공지능은 상기 영상녹화장치에 저장된 영상을 분할하여 추출한 옵티컬 플로우(Optical Flow)를 벡터 데이터로 분석하도록 구성할 수 있고, 상기 영상 분석 데이터와 레미콘 슬럼프 및 슬럼프 플로 시험값을 레미콘 원재료의 품질, 레미콘의 납품거리(이동시간) 및 레미콘 생산일의 날씨 조건별로 분류 학습하여 최종 출하 레미콘의 슬럼프 및 슬럼프 플로 예측값에 반영하도록 구성할 수 있다.In the present invention, the artificial intelligence may be configured to analyze an optical flow, which is obtained by dividing an image stored in the image recording apparatus, into vector data. The image analysis data, the remix slump and the slump flow test value are stored in a ready- The quality of the raw materials, the delivery distance of the ready-mixed concrete (travel time), and the weather condition of the ready-mixed concrete production day, and reflected in the slump and slump flow predicted value of the final shipment ready-mixed concrete.
삭제delete
또한, 본 발명은 「레미콘 배합수로 적용되는 회수수를 저장하는 저장탱크, 및 상기 저장탱크에 저장된 회수수의 고형분 함량을 측정하는 회수수 분석부를 더 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템」을 함께 제공한다.The present invention further relates to an artificial intelligence learning system characterized by further comprising: a storage tank for storing the recovered water to be applied as the remicon formulated water; and a recovered water analysis unit for measuring the solid content of the recovered water stored in the storage tank Remicon production system ".
상기 회수수 분석부로는, 상기 저장탱크 내 특정 영역에 대한 적외선 투사에 따른 산란광에 기초하여, 저장된 회수수의 고형분 함량을 분석하도록 구성된 것을 적용할 수 있으며, 회수수의 분광 스펙트럼 분석 데이터와 고형분 함량 측정값의 상관 관계 빅데이터를 딥러닝하는 인공지능이 상기 저장탱크에 저장된 회수수의 분광 스펙트럼 분석 데이터로부터 저장된 회수수의 고형분 함량을 분석하도록 구성된 것을 적용할 수 있다. The recovered water analysis unit may be configured to analyze the solid content of the stored recovered water on the basis of the scattered light due to the infrared projection to a specific region in the storage tank. The spectral analysis data of the recovered water and the solid content Correlation of measured values The artificial intelligence that deep-runs the big data can be adapted to analyze the solid content of the stored water from the spectral spectral analysis data of the water stored in the storage tank.
본 발명은 상기 회수수 분석부의 고형분 함량 분석 결과를 반영하여 상기 회수수에 청수 또는 시멘트를 혼합시킴으로써, 고형분 함량이 일정한 배합수를 제조하는 배합수 농도 제어부를 더 포함하여 구성할 수 있다.The present invention may further comprise a compounding water concentration control unit for producing a mixed water having a constant solid content by mixing the recovered water with fresh water or cement in accordance with the result of analyzing the solid content of the collected water analysis unit.
또한, 본 발명은 「상기 저장빈에서 배출된 골재를 상기 믹서에 투입하기 전에 계량하는 계량빈, 및 상기 계량빈에 투입되는 골재의 함수율을 측정하는 표면수 측정센서를 더 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템」을 함께 제공한다. Further, the present invention is characterized by further comprising a measuring bin for measuring the aggregate discharged from the storage bin before the mixture is introduced into the mixer, and a surface water number measuring sensor for measuring a water content of the aggregate to be supplied to the measuring bin Artificial intelligence learning based remicon production system.
본 발명은 상기 표면수 측정센서로 측정된 골재의 함수율을 반영하여 상기 믹서에 투입되는 배합수량을 제어하는 수량 제어부를 더 포함하여 구성할 수 있다.The present invention may further comprise a water quantity control unit for controlling the water content of the mixer to reflect the water content of the aggregate measured by the surface water measurement sensor.
전술한 본 발명에 따르면 다음의 효과를 기대할 수 있다.According to the present invention described above, the following effects can be expected.
1. 믹서 내 콘크리트 믹싱 영상을 분석하여 전처리 영상을 제작하고 영상에 나타난 콘크리트의 유동특성을 슬럼프 및 슬럼프 플로 시험을 통해 수치화한 값을 학습 알고리즘을 적용하여 인공지능에 학습시킴으로써, 레미콘 생산과정에서 슬럼프 및 슬럼프 플로를 보다 정확하게 예측함으로써 부실시공 방지 및 산업폐기물 감소뿐 아니라 산업계 전반에 걸쳐 콘크리트 품질관리 기술발전에 크게 기여할 것으로 판단된다. 1. By analyzing the concrete mixing image in the mixer, preprocessing images are produced, and the flow characteristics of the concrete in the image are quantified through slump and slump flow tests. By learning the artificial intelligence by applying the learning algorithm, And slump flow can be predicted more accurately, thereby contributing to the development of concrete quality management technology throughout the industry as well as prevention of erroneous construction and reduction of industrial waste.
2. 인공지능으로 골재의 0.08mm 체를 통과하는 잔입자량, 입도, 토분량 및 입자모양판정실적률을 파악하여, 레미콘 원료로서의 적부를 가려내고, 부적합으로 판정된 골재는 반품 조치하여 불량 골재의 입고를 차단할 수 있다.2. The amount of residual particles, particle size, soot amount and particle shape judgment rate passing through 0.08 mm sieve of aggregate through artificial intelligence is grasped to identify the raw material as raw material for concrete and the aggregate determined to be inadequate is returned, Can be blocked.
3. 회수수 탱크 및 투입배관에서 회수수 고형분 함량을 실시간으로 파악하여, 신규 유입되는 세척수, 슬러리수 등의 다양한 상태에도 불구하고 청수의 가감을 통해 콘크리트 배합수가 레미콘의 슬럼프에 미치는 영향을 일정하게 유지시킬 수 있다.3. In spite of various conditions such as the number of newly entering washing water and slurry, the effect of concrete mixing number on the slump of concrete is constantly determined through the addition and subtraction of clear water, by grasping the recovered water solids content in the recovered water tank and the input pipe in real time Can be maintained.
4. 믹서에 투입되기 전에 골재의 함수율을 자동 센싱함으로써 콘크리트 배합수 첨가량을 조절하고, 믹서내의 단위수량을 일정하게 유지시킴으로써 콘크리트의 물-결합재비를 일정하게 유지시키고 결과적으로 유동특성이 일정한 레미콘을 출하할 수 있다.4. By automatically sensing the moisture content of the aggregate before it is introduced into the mixer, it is possible to control the amount of concrete mix water added and keep the unit water quantity in the mixer constant, thereby keeping the water-binding ratio of the concrete constant and consequently, It can be shipped.
5. 국내·외 레디믹스트 콘크리트 및 몰탈 등의 제품을 생산하는 공장에서 생산 자동화 및 스마트 공장 구축의 핵심적인 요소기술로써 적용이 예상된다.5. Domestic and Foreign Ready Mixed It is expected to be applied as a key element of production automation and smart factory construction at factories producing products such as concrete and mortar.
[도 1]은 본 발명에 적용되는 레미콘 생산 배치 플랜트의 일 실시예를 전체적으로 도시한 것이다.
[도 2]는 본 발명이 제공하는 인공지능 학습기반 레미콘 생산 시스템의 구성을 모식적으로 나타낸 것이다.
[도 3]은 본 발명 시스템의 유동특성 모니터링부의 세부 구성을 모식적으로 나타낸 것이다.
[도 4]는 믹서 내 촬영 영상을 분할하여 추출한 옵티컬 플로우(Optical Flow)를 벡터 데이터로 분석한 결과를 나타낸 것이다.
[도 5]는 종래의 골재 품질 분석 과정과 본 발명에 따른 골재 품질 분석 과정을 대비하여 나타낸 것이다.
[도 6]은 고형분 함량을 분석을 통해 회수수를 관리하는 과정을 나타낸 것이다.
[도 7]은 골재 표면수 측정센서 배치예들을 도시한 것이다.
[도 8]은 골재 표면수 측정센서를 이용한 함수율 측정값과 실제 함수율의 오차값을 나타낸 그래프이다.FIG. 1 shows a concrete embodiment of a concrete production batch plant to which the present invention is applied.
FIG. 2 schematically shows a configuration of an artificial intelligence learning-based remicon production system provided by the present invention.
[Fig. 3] schematically shows a detailed configuration of the flow characteristic monitoring unit of the system of the present invention.
4 shows the result of analyzing an optical flow obtained by dividing a captured image in a mixer into vector data.
FIG. 5 is a view illustrating a conventional quality analysis process of an aggregate and a quality analysis process of an aggregate according to the present invention.
FIG. 6 shows a process of managing the number of recovered solids through analysis of the solid content.
[Fig. 7] shows examples of arrangements of the aggregate surface number measuring sensor.
FIG. 8 is a graph showing error values of measured water content and actual water content using an aggregate surface number measuring sensor. FIG.
본 발명은 「골재 촬영 이미지 분석 데이터와 0.08mm 체를 통과하는 잔입자량, 입도, 토분량 및 입자모양판정실적률의 상관 관계 빅데이터를 딥러닝하는 인공지능이 입고된 골재를 촬영한 이미지로부터 입고된 골재의 0.08mm 체를 통과하는 잔입자량, 입도, 토분량 및 입자모양판정실적률을 분석하여 레미콘 원료로서의 적부를 판정하는 골재 품질 분석부; 상기 골재 품질 분석부에서 적합 판정을 받은 골재를 저장하는 저장빈; 상기 저장빈에 저장되었다가 계량 배출된 골재, 결합재 및 배합수를 혼합하여 콘크리트를 제조하는 믹서; 상기 믹서 가동 시, 상기 믹서 내부를 지속적으로 촬영하는 카메라 및 레미콘 배출 직전의 믹서 내 영상 분석 데이터와 레미콘 배출 직후 슬럼프 및 슬럼프 플로 시험값의 상관 관계 빅데이터를 딥러닝하는 인공지능으로 상기 카메라가 촬영한 영상을 분석하여, 최종 출하 레미콘의 슬럼프 및 슬럼프 플로를 실시간으로 예측하여 현시하는 유동특성 모니터링부를 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템」을 제공한다.The present invention relates to " correlation between aggregate shot image analysis data and remaining particle amount, particle size, soil amount, and particle shape passing rate passing through a 0.08 mm sieve. From an image of an aggregate containing artificial intelligence that deep- An aggregate quality analysis unit for analyzing the amount of remaining particles, particle size, soil mass, and particle shape determination rate passing through a 0.08 mm sieve of the received aggregate to determine a proper portion as a ready-mixed raw material; A storage bin for storing an aggregate which has been judged to be suitably determined by the aggregate quality analyzer; A mixer for storing concrete in the storage bin and mixing the aggregate, the binder, and the mixed water discharged and weighed; Correlation between the image analysis data in the mixer immediately before discharging the camera and the slump and the slump flow test value immediately after discharging the concrete mixer immediately before discharging the mixer and the camera for continuously photographing the interior of the mixer when the mixer is operating, And a flow characteristic monitoring unit for analyzing one image and predicting slump and slump flow of the final shipment ready mixer in real time and displaying it.
본 발명은 레미콘 생산단계에서 믹서내부에서 유동하는 콘크리트의 슬럼프 혹은 슬럼프 플로가 실시간으로 예측되도록 하기 위한 것으로서, 배치 플랜트의 믹서 내부 카메라로부터 출력되는 영상 데이터 분석을 통해, 믹서에서 배출되기 전 레미콘의 슬럼프 및 슬럼프 플로를 예측할 수 있도록 하는 인공지능 학습기반 레미콘 생산 시스템에 관한 것이다. [도 1]은 본 발명에 적용되는 레미콘 생산 배치 플랜트의 실시예를 전체적으로 도시한 것이고, [도 2]는 본 발명이 제공하는 인공지능 학습기반 레미콘 생산 시스템의 구성을 모식적으로 나타낸 것이다.The present invention relates to a method for predicting slump or slump flow of a concrete flowing in a mixer during a concrete mixer production step in real time. By analyzing image data outputted from a camera in a mixer of a batch plant, And an artificial intelligence learning based remicon production system that enables prediction of a slump flow. [Figure 1] is a general view of an embodiment of a concrete production batch plant to which the present invention is applied, and [Figure 2] schematically shows a structure of an artificial intelligence learning based concrete production system provided by the present invention.
종래에도 레미콘을 생산하는 배치 플랜트 믹서 내부에는 카메라를 장착하여 생산자는 모니터링 화면을 통해 실시간으로 전송되는 믹서 내 촬영 영상을 확인할 수 있었고, 믹서 내부의 레미콘 유동 상태를 육안으로 확인하여 경험과 직관에 의해 슬럼프 및 슬럼프 플로를 예측해 왔다. Conventionally, in a batch plant mixer that produces a concrete mixer, a camera was installed so that producers could check the images captured in the mixer transmitted through the monitoring screen in real time, visually check the state of the mixer inside the mixer, Slump and slump flows.
본 발명은 위와 같은 배치 플랜트 내부 종래의 믹서 카메라를 그대로 활용하거나 별도의 전용 카메라를 이용하고, 인공지능이 구비된 유동특성 모니터링부를 구성함으로써, 인공지능으로 예측한 슬럼프 및 슬럼프 플로 값을 생산담당 오퍼레이터의 모니터링 화면에 실시간으로 출력하도록 구성된 것이다.In the present invention, a flow characteristic monitoring unit having an artificial intelligence is configured by using a conventional mixer camera as it is or by using a dedicated camera in the above-mentioned batch plant, and thereby a slump and a slump flow value predicted by artificial intelligence In real time on a monitoring screen.
상기 유동특성 모니터링부는 [도 3]에 도시된 바와 같이 스플리터(Spliter), 영상녹화장치((DVR, NVR 등), 인공지능(A.I) 및 모니터를 포함하여 구성할 수 있다. 이 경우 상기 스플리터는 카메라가 촬영한 영상을 영상녹화장치와 모니터에 동시에 분배 전송하고, 상기 영상녹화장치는 영상을 저장해 둠으로써 상기 인공지능이 영상녹화장치에 저장된 영상을 분석, 학습하도록 한다. The flow characteristic monitoring unit may include a splitter, a video recording device (DVR, NVR, etc.), an AI (Artificial Intelligence), and a monitor as shown in FIG. 3. In this case, The video recording apparatus distributes the video shot by the camera to the video recording apparatus and the monitor at the same time, and the video recording apparatus stores the video, thereby analyzing and learning the video stored in the video recording apparatus by the artificial intelligence.
상기 인공지능은 레미콘 배출 직전의 믹서 내 영상 분석 데이터와 레미콘 배출 직후 슬럼프 및 슬럼프 플로 시험값의 상관 관계 빅데이터를 딥러닝함으로써 상기 카메라가 촬영한 영상을 분석하여, 최종 출하 레미콘의 슬럼프 및 슬럼프 플로를 실시간으로 예측하도록 구성된 것으로서, 기능에 따라 학습모듈(Learning Module)과 예측모듈(Prediction Module)로 구분할 수 있다. The artificial intelligence analyzes the image captured by the camera by deeply running the correlated big data of the slump and the slump flow test value immediately after discharging the remicon with the image analysis data of the mixer immediately before discharging the ready- And can be classified into a learning module and a prediction module according to functions.
상기 학습모듈에서는 레미콘 배출 직전의 믹서 내 영상 분석 데이터와 레미콘 배출 직후 슬럼프 및 슬럼프 플로 시험값의 상관 관계 빅데이터를 딥러닝하는데, [도 4]에 도시된 바와 같이 믹서 내 촬영 영상을 분할하여 추출한 옵티컬 플로우(Optical Flow)를 벡터 데이터로 분석하는 전처리 작업을 실시하여 영상 분석 데이터량을 줄이고, 이러한 전처리 작업을 거쳐 생성시킨 데이터를 슬럼프, 슬럼프 플로 등의 유동특성 데이터와 연계 학습하도록 구성할 수 있다. 상기 옵티컬 플로우를 벡터 데이터로 전처리 하기 위해서는 변속 알고리즘(Shift Algorithm)과 블록 정합 알고리즘(Block Matching Algorithm)을 적용할 수 있다. 상기 인공지능의 딥러닝 방식으로는 CNN(Convolutional Neural Network) 토폴로지(topology) 알고리즘, RNN(Recurrent Neural Network) 토폴로지 알고리즘, DNN(Deep Neural Network) 토폴로지 알고리즘 등을 적용할 수 있다.In the learning module, the correlated big data of the in-mixer image analysis data immediately before the ready-mixer discharge and the slump and slump flow test values immediately after discharging the ready-mix concrete are deeply run. As shown in FIG. 4, It is possible to reduce the amount of image analysis data by performing pre-processing for analyzing optical flow as vector data, and to construct the data generated through the preprocessing operation to be linked with flow characteristic data such as slump and slump flow . In order to preprocess the optical flow as vector data, a shift algorithm and a block matching algorithm can be applied. As the artificial intelligence deep-running method, a CNN (Convolutional Neural Network) topology algorithm, an RNN (Recurrent Neural Network) topology algorithm, a DNN (Deep Neural Network) topology algorithm and the like can be applied.
상기 예측모듈에서는 상기 학습모듈에서의 파악한 영상 분석 결과와 콘크리트 유동특성 간의 관계에 기초하여, 실시간으로 전송받은 믹서 내 영상을 분석하여 최종 출하 레미콘의 슬럼프 및 슬럼프 플로를 실시간으로 예측하고, 그 예측값을 상기 모니터에 전송한다. 본 예측모듈에서 이루어지는 믹서 내부를 촬영 영상에 대한 분석을 위해서는 전술한 학습모듈에서의 영상 전처리 과정을 동일하게 적용할 수 있다. Based on the relationship between the image analysis result obtained in the learning module and the concrete flow characteristics, the prediction module analyzes the intra-mixer image transmitted in real time to predict the slump and slump flow of the final shipment ready mixer in real time, To the monitor. The image preprocessing process in the learning module described above can be similarly applied to analyze the photographed image inside the mixer made by the prediction module.
또한, 상기 인공지능은 상기 영상 분석 데이터와 레미콘 슬럼프 및 슬럼프 플로 시험값을 레미콘 원재료의 품질, 레미콘의 납품거리(이동시간) 및 레미콘 생산일 날씨 조건별로 분류 학습하여 최종 출하 레미콘의 슬럼프 및 슬럼프 플로 예측값에 반영하는 셀프러닝(Self-Learning) 기능이 포함되도록 구성할 수 있다. The artificial intelligence classifies and analyzes the image analysis data, the remicon slump and the slump flow test value according to the quality of the raw material of the remicon, the delivery distance (moving time) of the remicon, and the weather condition of the remicon production day, And self-learning function for reflecting on the predicted value.
또한, 최종 출하 레미콘을 대상으로 KS F 2402에 규정된 슬럼프 및 슬럼프 플로 시험절차에 따라 측정된 값을 입력함으로써 인공지능의 학습 데이터가 증강되도록 할 수 있다.In addition, learning data of artificial intelligence can be augmented by inputting the measured values according to the slump and slump flow test procedures specified in KS F 2402 for final ready-mixed concrete.
레미콘 원료로 입고된 골재는 인수검사를 거쳐 '적합'으로 판정된 경우에 한하여 저장빈에 저장된다. 인수골재의 적부판정을 위한 핵심 시험항목은 골재의 0.08mm 체를 통과하는 잔입자량, 입도, 토분량 및 입자모양판정실적률이다. 종래에는 이를 위해 검수 담당자가 골재 시료를 채취하여 상기 각 시험항목을 테스트하는데 약 1.5일이 소요되었다. The aggregate that has been loaded into the ready-mix concrete is stored in the storage bin only if it is judged as 'fit' after the acceptance inspection. The core test items for determining acceptability of aggregate aggregate are the amount of residual particles, particle size, soil content and particle shape determination rate passing through a 0.08 mm sieve of aggregate. In the past, it took about 1.5 days for the inspection engineer to collect the aggregate samples and to test each of the test items.
상기 골재 품질 분석부는 [도 5]에 도시된 바와 같이, 기존에 축적된 골재 촬영 이미지와 골재의 0.08mm 체를 통과하는 잔입자량, 입도, 토분량 및 입자모양판정실적률의 상관 관계 빅데이터를 딥러닝하는 인공지능을 이용하여, 신규 입고되어 상기 저장빈에 저장되기 전의 골재를 촬영한 이미지를 분석하여 상기 골재의 0.08mm 체를 통과하는 잔입자량, 입도, 토분량 및 입자모양판정실적률을 분석하여 레미콘 원료로서의 적부를 판정하도록 구성된 것이다. 상기 골재를 촬영하는 카메라는 골재 반입 장소, 골재 검수 장소 등에 선택적으로 배치할 수 있다. 상기 골재 품질 분석부에 적용되는 인공지능의 딥러닝 알고리즘도 전술한 CNN, RNN, DNN 등을 적용할 수 있다.As shown in FIG. 5, the aggregate quality analysis unit calculates the correlation big data of the remaining particle amount, particle size, soil amount, and particle shape determination yield ratio passing through the 0.08 mm sieve of the aggregate, The image obtained by photographing the aggregate before it is newly stocked and stored in the storage bin is analyzed by using the artificial intelligence which deeply runs, and the amount of residual particles, particle size, To determine the properness as a raw material for concrete. The camera for photographing the aggregate can be selectively disposed at an aggregate entry site, an aggregate inspection site, and the like. The above-described CNN, RNN, DNN and the like can be applied to the artificial intelligence deep running algorithm applied to the aggregate quality analysis unit.
콘크리트 제품의 슬럼프는 단위수량 및 혼화제의 종류나 투입량에 따라 가장 큰 변화가 있지만, 사용되는 골재의 품질에 따른 예상치 못한 변동 또한 상당한 수준이다(골재에 포함된 토분의 수분 흡수에 따른 슬럼프 저하 등). 품질상태가 불량한 골재가 레미콘 공장에 입고된 후 사용될 경우 콘크리트 품질 저하로 이어지기 때문에 입고시에 골재품질 분석을 통해 불량 골재의 입고를 차단하는 것이 바람직하다.The slump of the concrete product has the greatest change depending on the unit water quantity and the admixture type or the amount of the admixture, but the unexpected variation according to the quality of the aggregate used is also considerable (the slump degradation due to the water absorption of the soil included in the aggregate) . It is desirable to block the admission of bad aggregate through the quality analysis of the aggregate at the time of stocking because it leads to deterioration of concrete quality when used after the poor quality aggregate is put into the remicon factory.
골재의 경우 KS인증을 위한 품질관리 기준은 주요 검사항목에 대해 레미콘 공장 자체적으로 주기를 정하여 시험하도록 되어 있으며, 실제 레미콘 생산 현장에서는 사용되는 골재의 품질을 확인하기 위해 많은 시험을 진행하고 있지만 입고되는 모든 골재에 대한 실시간 검사는 매우 어렵다. 상기 골재 품질 분석부는 입고되는 골재에 대한 실시간 전수 검사를 현실화 하는데 기여할 수 있다.In the case of aggregates, the quality control standards for KS certification are designed to test the main inspection items by periodically setting them at the concrete factory. Many tests are being conducted to confirm the quality of the aggregate used in the actual concrete production site. However, Real-time inspection of all aggregates is very difficult. The aggregate quality analysis unit can contribute to realization of real-time overall inspection of the aggregate to be received.
또한, 본 발명은 「레미콘 배합수로 적용되는 회수수를 저장하는 저장탱크, 및 상기 저장탱크에 저장된 회수수의 고형분 함량을 측정하는 회수수 분석부를 더 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템」을 함께 제공한다.The present invention further relates to an artificial intelligence learning system characterized by further comprising: a storage tank for storing the recovered water to be applied as the remicon formulated water; and a recovered water analysis unit for measuring the solid content of the recovered water stored in the storage tank Remicon production system ".
상기 저장탱크는 회수수 고형분의 농도 불균일 및 하부코팅을 막기 위해 상시 교반상태를 유지하도록 한다.The storage tank is maintained in a constantly stirred state to prevent concentration unevenness of the recovered water solids and the undercoating.
상기 회수수 분석부로는, 상기 저장탱크 내 특정 영역에 대한 적외선 투사에 따른 산란광에 기초하여, 저장된 회수수의 고형분 함량을 분석하도록 구성된 것을 적용할 수 있으며, 회수수의 분광 스펙트럼 분석 데이터와 고형분 함량 측정값의 상관 관계 빅데이터를 딥러닝하는 인공지능이 상기 저장탱크에 저장된 회수수의 분광 스펙트럼 분석 데이터로부터 저장된 회수수의 고형분 함량을 분석하도록 구성된 것을 적용할 수 있다. 아울러, 상기 회수수 분석부는 상기 고형분 함량을 통해 회수수의 농도를 도출해 내도록 구성할 수 있다.The recovered water analysis unit may be configured to analyze the solid content of the stored recovered water on the basis of the scattered light due to the infrared projection to a specific region in the storage tank. The spectral analysis data of the recovered water and the solid content Correlation of measured values The artificial intelligence that deep-runs the big data can be adapted to analyze the solid content of the stored water from the spectral spectral analysis data of the water stored in the storage tank. In addition, the recovered water analysis unit may be configured to derive the concentration of the recovered water through the solid content.
회수수의 분광 스펙트럼 분석 데이터는 접촉식 분광 센서 또는 비접촉식 분광 센서(분광 카메라)를 이용하여 도출해 낼 수 있으며, 회수수를 저장하는 저장탱크에 상기 접촉식 분광 센서 또는 비접촉식 센서를 설치함으로써 저장탱크에 저장된 회수수의 분광 스펙트럼 분석 데이터를 실시간으로 도출해 낼 수 있다. 상기 회수수 분석부에 적용되는 인공지능의 딥러닝 알고리즘도 전술한 CNN, RNN, DNN 등을 적용할 수 있다.The spectroscopic spectral analysis data of the recovered water can be obtained using a contact type spectroscopic sensor or a non-contact type spectroscopic sensor (spectroscopic camera), and the contact type spectroscopic sensor or the non-contact type sensor is installed in a storage tank for storing recovered water, The spectroscopic spectrum analysis data of the stored number of times can be derived in real time. The above-described CNN, RNN, DNN, and the like can be applied to the deep learning algorithm of artificial intelligence applied to the collection number analyzer.
상기 회수수 분석부에는 가시광선 밖의 영역까지 스펙트럼 분석이 가능한 초분광 센서를 적용할 수 있으며, 동일한 회수수에 대하여 초분광 센서로 나타나는 스펙트럼 신호와 고형분 함량에 대한 직접 시험값(KS F 4009 부속서 B "레디믹스트 콘크리트의 혼합에 사용되는 물" 규정 상의 시험방법에 따름)을 딥러닝 알고리즘으로 학습한 인공지능은 스펙트럼의 변화를 통해 회수수의 고형분 함량을 예측할 수 있다. 이 경우에도 직접 시험값으로 상기 예측값을 검증할 수 있고, 검증 결과를 빅데이터에 반영하여 인공지능의 예측능력을 더욱 강화시킬 수 있다.Spectroscopic sensor capable of spectral analysis can be applied to the collected water analysis unit, and the spectral signal represented by the ultrasonic spectroscopic sensor and the direct test value for the solid content (KS F 4009 Annex B The artificial intelligence learned by the deep running algorithm of "water used in mixing of ready mixed concrete" according to the prescribed test method can predict the solid content of recovered water through the change of spectrum. Even in this case, the predicted value can be directly verified by the test value, and the prediction result of the artificial intelligence can be further enhanced by reflecting the verification result to the big data.
본 발명은 상기 회수수 분석부의 고형분 함량 분석 결과를 반영하여 상기 회수수에 청수 또는 시멘트를 혼합시킴으로써, 고형분 함량이 일정한 배합수를 제조하는 배합수 농도 제어부를 더 포함하여 구성할 수 있다. The present invention may further comprise a compounding water concentration control unit for producing a mixed water having a constant solid content by mixing the recovered water with fresh water or cement in accordance with the result of analyzing the solid content of the collected water analysis unit.
상기 회수수 분석부 및 배합수 농도 제어부를 이용한 배합수 관리 과정은 [도 6]에 나타나 있다. 레미콘 트럭 믹서, 배치 플랜트 믹서 내부를 세척한 세척수, 슬러지수 등의 상태는 항상 일정하지 않기 때문에 새로 발생한 세척수, 슬러지수를 저장탱크에 투입함에 따라 저장탱크 내 회수수의 상태 역시 항상 가변적이다. 따라서 상기 저장탱크 내 고형분 함량 측정 결과에 따라 슬러지수의 농도를 모니터링 할 수 있고, 회수수에 청수 또는 시멘트를 가하여 농도 및 고형분 함량을 일정하게 유지시킬 수 있고 이에 따라 배합수의 성분도 일정하게 되어 최종 출하 레미콘의 물성을 균등하게 유지시킬 수 있다. The mixing water management process using the collection number analysis unit and the mixing water concentration control unit is shown in FIG. The state of the washing water and the sludge water that was washed in the mixer of the mixer truck and the mixer of the batch plant are not always constant. Therefore, the state of the collected water in the storage tank is always variable as newly introduced washing water and sludge water are put into the storage tank. Therefore, it is possible to monitor the concentration of the sludge according to the measurement result of the solid content in the storage tank and to keep the concentration and the solid content constant by adding fresh water or cement to the recovered water, The physical properties of the shipping ready-mixed concrete can be maintained evenly.
최종 투입되는 배합수의 고형분 함량은 KS 기준에 따라 3wt% 이하로 유지하는 것이 바람직하며, 상기 저장탱크 내부 관리는 별도의 기준을 마련하여 관리할 수 있다.It is preferable that the solid content of the final mixed amount is maintained at 3 wt% or less according to the KS standard, and the internal management of the storage tank may be managed by preparing a separate standard.
또한, 본 발명은 「상기 저장빈에서 배출된 골재를 상기 믹서에 투입하기 전에 계량하는 계량빈, 및 상기 계량빈에 투입되는 골재의 함수율을 측정하는 표면수 측정센서를 더 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템」을 함께 제공한다.Further, the present invention is characterized by further comprising a measuring bin for measuring the aggregate discharged from the storage bin before the mixture is introduced into the mixer, and a surface water number measuring sensor for measuring a water content of the aggregate to be supplied to the measuring bin Artificial intelligence learning based remicon production system.
상기 표면수 측정센서로는 골재와 골재에 함유된 수분의 유전율이 서로 다른 것에 입각하여 전기장을 이용하여 레미콘 제조에 사용되는 골재의 유전율을 측정하고 골재의 표면수량과 상관 관계식에 의해 함수율을 유추하는 방식으로 개발된 것들이 알려져 있으며, 유전율 측정을 위한 전기장의 파장 및 신호수신 방법에 따라 1) 마이크로웨이브파 타입 센서군, 2) TDR(Time-Domain-Reflectometry) 센서군, 3) 레이더파 타입 센서군의 3가지 유형으로 분류할 수 있다. 본 발명에서는 유형별, 제조사별로 소폭 상이한 측정 정밀도 및 초당 측정횟수 등을 고려하여 선택적으로 적용할 수 있으며, [도 7]에 도시된 바와 같이 상기 표면수 측정수 측정센서를 상기 저장빈과 계량빈의 사이에 배치할 수 있다. The surface water counting sensor measures the dielectric constant of the aggregate used in the preparation of concrete using the electric field based on the difference in the permittivity of moisture contained in the aggregate and the aggregate, and estimates the water content by correlating with the surface water amount of the aggregate 2) TDR (Time-Domain-Reflectometry) sensor group, 3) Radar wave type sensor group, and 3) Radar wave type sensor group. And the other. In the present invention, it is possible to selectively apply the present invention in consideration of the measurement accuracy and the number of times of measurement per second, which are slightly different for each type and manufacturer, and the sensor for measuring the number of surface counts may be applied to the storage bin and the weighing bin Respectively.
[도 8]은 표면수 측정센서를 이용한 함수율 측정값과 실제 함수율의 오차값을 나타낸 그래프이다. 공장 A, B에서 측정된 모든 데이터를 통해 상기 표면수 측정센서의 함수율 측정값과 실제 함수율이 오차범위 1% 이내인 것을 확인할 수 있다.FIG. 8 is a graph showing error values of measured water content and actual water content using a surface water measuring sensor. It can be confirmed that the moisture content measurement value and the actual moisture content of the surface water amount measuring sensor are within the error range of 1% through all the data measured at the factories A and B.
위와 같이 믹서에 투입되는 골재의 함수율을 측정함으로써, 그 측정값에 믹서 내에 투입되는 배합수량을 연계시켜 제어함으로써 믹서 내의 단위수량을 일정하게 유지시킬 수 있다. 따라서 물-결합재비가 일정하고 결과적으로 유동특성이 일정한 레미콘을 출하할 수 있다. By measuring the water content of the aggregate put into the mixer as described above, the unit water quantity in the mixer can be kept constant by controlling the mixing quantity to be fed into the mixer in conjunction with the measured value. Therefore, ready-mixed concrete with constant water-binder ratio and consequently constant flow characteristics can be shipped.
본 발명은 위에서 언급한 바와 같이 구체적 실시예와 관련하여 설명되었으나, 본 발명의 요지를 벗어남이 없는 범위 내에서 다양한 수정 및 변형이 가능하며, 다양한 분야에서 사용 가능하다. 따라서 본 발명의 청구범위는 이건 발명의 진정한 범위 내에 속하는 수정 및 변형을 포함한다. While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. It is therefore intended that the appended claims cover such modifications and variations as fall within the true scope of the invention.
해당 없음Not applicable
Claims (11)
상기 골재 품질 분석부에서 적합 판정을 받은 골재를 저장하는 저장빈;
상기 저장빈에 저장되었다가 계량 배출된 골재, 결합재 및 배합수를 혼합하여 콘크리트를 제조하는 믹서;
상기 믹서 가동 시, 상기 믹서 내부를 지속적으로 촬영하는 카메라 및
레미콘 배출 직전의 믹서 내 영상 분석 데이터와 레미콘 배출 직후 슬럼프 및 슬럼프 플로 시험값의 상관 관계 빅데이터를 딥러닝하는 인공지능으로 상기 카메라가 촬영한 영상을 분석하여, 최종 출하 레미콘의 슬럼프 및 슬럼프 플로를 실시간으로 예측하여 현시하는 유동특성 모니터링부를 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
Correlation between residual particle amount, particle size, soil amount and particle shape determination rate passing through aggregate image analysis data and 0.08 mm sieve An artificial intelligence which deeply runs deep data is used to determine the amount of aggregate An aggregate quality analyzing unit for analyzing the amount of remaining particles, the particle size, the amount of soot and the particle shape determination rate passing through a 0.08 mm sieve to judge a proper portion as a raw material for concrete;
A storage bin for storing an aggregate which has been judged to be suitably determined by the aggregate quality analyzer;
A mixer for storing concrete in the storage bin and mixing the aggregate, the binder, and the mixed water discharged and weighed;
A camera for continuously photographing the inside of the mixer when the mixer is operated,
Correlation between slump and slump flow test value immediately after discharging the mixer Immediate image data of the mixer immediately before the ready mixer discharging By analyzing the image taken by the camera with the artificial intelligence which deeply runs the big data, the slump and the slump flow of the final shipment ready mixer are analyzed And a flow characteristic monitoring unit that is predicted and displayed in real time.
상기 유동특성 모니터링부는 스플리터(Spliter), 영상녹화장치 및 모니터를 포함하여 구성되되,
상기 스플리터는 카메라가 촬영한 영상을 영상녹화장치와 모니터에 동시에 분배 전송하고, 상기 영상녹화장치는 영상을 저장하여 상기 인공지능에 제공하며,
상기 인공지능은 레미콘 배출 직전의 믹서 내 영상 분석 데이터와 레미콘 배출 직후 슬럼프 및 슬럼프 플로 시험값의 상관 관계 빅데이터를 딥러닝하는 학습모듈 및 상기 학습모듈에서의 파악한 영상 분석 결과와 콘크리트 유동특성 간의 관계에 기초하여, 실시간으로 전송받은 믹서 내 영상을 분석하여 최종 출하 레미콘의 슬럼프 및 슬럼프 플로를 실시간으로 예측하고, 그 예측값을 상기 모니터에 전송하는 예측모듈을 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
The method of claim 1,
Wherein the flow characteristic monitoring unit includes a splitter, a video recording device, and a monitor,
The splitter distributes a video shot by a camera to a video recording apparatus and a monitor at the same time. The video recording apparatus stores the video and provides the video to the AI,
The artificial intelligence includes a learning module for deeply running the correlation data between the image analysis data in the mixer immediately prior to the release of the remicon and the slump and slump flow test values immediately after discharge of the concrete mixer and the relationship between the image analysis result and the concrete flow characteristics And a prediction module for analyzing the intra-mixer image transmitted in real time to predict the slump and the slump flow of the final shipment ready mixer in real time based on the predicted value and transmitting the predicted value to the monitor. Remicon production system.
상기 인공지능은 상기 영상녹화장치에 저장된 영상을 분할하여 추출한 옵티컬 플로우(Optical Flow)를 벡터 데이터로 분석하도록 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
3. The method of claim 2,
Wherein the artificial intelligence is configured to analyze an optical flow obtained by dividing an image stored in the image recording apparatus into vector data.
상기 인공지능은 상기 영상 분석 데이터와 레미콘 슬럼프 및 슬럼프 플로 시험값을 레미콘 원재료의 품질, 레미콘의 납품거리(이동시간) 및 레미콘 생산일 날씨 조건별로 분류 학습하여 최종 출하 레미콘의 슬럼프 및 슬럼프 플로 예측값에 반영하도록 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
3. The method of claim 2,
The artificial intelligence classifies and analyzes the image analysis data, the remicon slump and the slump flow test value according to the quality of the raw material of the remicon, the delivery distance (moving time) of the remicon, and the weather condition of the production date of the remicon to determine the slump and slump flow prediction value Wherein the learning system is configured to reflect the realism of the learning system.
레미콘 배합수로 적용되는 회수수를 저장하는 저장탱크 및
상기 저장탱크에 저장된 회수수의 고형분 함량을 측정하는 회수수 분석부를 더 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
The method of claim 1,
A storage tank for storing the recovered water to be applied as a remicon formulated water, and
Further comprising a collection number analyzer for measuring a solid content of the collected water stored in the storage tank.
상기 저장탱크 내 특정 영역에 대한 적외선 투사에 따른 산란광에 기초하여, 저장된 회수수의 고형분 함량을 분석하도록 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
The apparatus according to claim 6,
Wherein the analyzer is configured to analyze the solid content of the stored recovered water on the basis of the scattered light due to the infrared projection to a specific region in the storage tank.
회수수의 분광 스펙트럼 분석 데이터와 고형분 함량 측정값의 상관 관계 빅데이터를 딥러닝하는 인공지능이 상기 저장탱크에 저장된 회수수의 분광 스펙트럼 분석 데이터로부터 저장된 회수수의 고형분 함량을 분석하도록 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
The apparatus according to claim 6,
Correlation between spectroscopic spectral analysis data of the recovered water and solid content measurement value The artificial intelligence that deep-runs the big data is configured to analyze the solid content of the stored water from the spectral spectral analysis data of the recovered water stored in the storage tank Artificial intelligence learning based remicon production system.
상기 회수수 분석부의 고형분 함량 분석 결과를 반영하여 상기 회수수에 청수 또는 시멘트를 혼합시킴으로써, 고형분 함량이 일정한 배합수를 제조하는 배합수 농도 제어부를 더 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
The method of claim 6,
And a mixing water concentration control unit for mixing the fresh water or the cement with the recovered water by reflecting the solid content content of the collected water analysis unit to produce a mixed water having a constant solid content, Production system.
상기 저장빈에서 배출된 골재를 상기 믹서에 투입하기 전에 계량하는 계량빈 및
상기 계량빈에 투입되는 골재의 함수율을 측정하는 표면수 측정센서를 더 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.
The method according to any one of claims 1 to 4, 6 to 9,
A weighing bin for weighing the aggregate discharged from the storage bin before it is introduced into the mixer, and
And a surface number measuring sensor for measuring a water content of the aggregate supplied to the weighing bin.
상기 표면수 측정센서로 측정된 골재의 함수율을 반영하여 상기 믹서에 투입되는 배합수량을 제어하는 수량 제어부를 더 포함하여 구성된 것을 특징으로 하는 인공지능 학습기반 레미콘 생산 시스템.11. The method of claim 10,
And a quantity control unit for controlling a mixing quantity to be inputted to the mixer by reflecting the water content of the aggregate measured by the surface number measuring sensor.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180080466A KR101936218B1 (en) | 2018-07-11 | 2018-07-11 | Artificial intelligence learning-based ready-mixed concrete production system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180080466A KR101936218B1 (en) | 2018-07-11 | 2018-07-11 | Artificial intelligence learning-based ready-mixed concrete production system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101936218B1 true KR101936218B1 (en) | 2019-01-08 |
Family
ID=65021034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180080466A KR101936218B1 (en) | 2018-07-11 | 2018-07-11 | Artificial intelligence learning-based ready-mixed concrete production system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101936218B1 (en) |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933034A (en) * | 2019-04-24 | 2019-06-25 | 日昌升集团有限公司 | A kind of Information Management System and method for sandstone aggregate production |
| KR102021716B1 (en) * | 2019-01-16 | 2019-09-16 | 정흥원 | An intelligent earth and sand information automatic processing system |
| CN110948702A (en) * | 2019-10-29 | 2020-04-03 | 巢湖市荣达塑业有限公司 | Balancing weight mixing station system and using method |
| CN111017482A (en) * | 2019-09-30 | 2020-04-17 | 上海翊兆市政工程材料有限公司 | Roadbed material production device |
| CN111331735A (en) * | 2020-05-06 | 2020-06-26 | 许昌德通振动搅拌技术有限公司 | Mixing station control method and device and mixing station |
| KR20200094234A (en) | 2019-01-29 | 2020-08-07 | 충남대학교산학협력단 | Automatic climate customized concrete managing system |
| CN111751253A (en) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | Forming method and quality detection method of concrete aggregate detection model |
| WO2020245503A1 (en) * | 2019-06-03 | 2020-12-10 | Caidio Oy | Concrete quality assurance |
| CN112125641A (en) * | 2020-09-23 | 2020-12-25 | 湖南省合创渣土运输有限公司 | Preparation and production process of concrete |
| CN112195912A (en) * | 2020-08-20 | 2021-01-08 | 山东大学 | Intelligent filling device and method for micro-foam material |
| CN112241949A (en) * | 2020-10-13 | 2021-01-19 | 湖南大学 | Concrete placement mould intelligent monitoring device that fuses computer vision technique |
| KR102235712B1 (en) | 2020-09-25 | 2021-04-05 | 주식회사 삼표산업 | Concrete slump prediction system |
| CN112683907A (en) * | 2021-01-12 | 2021-04-20 | 山西浩博森新材料有限公司 | Concrete transportation state detection method based on image analysis processing |
| KR102261303B1 (en) | 2021-04-28 | 2021-06-07 | 주식회사 도로시 | Method, device and system for analyzing particle size of dynamic aggregate using fusion technology between lidar and camera |
| KR102287891B1 (en) | 2021-04-02 | 2021-08-09 | 주식회사 도로시 | Method, device and system for analyzing quality of aggregate based on artificial intelligence using fusion technology between lidar and camera |
| CN114266989A (en) * | 2021-11-15 | 2022-04-01 | 北京建筑材料科学研究总院有限公司 | Concrete mixture workability determination method and device |
| KR20220056100A (en) * | 2020-10-27 | 2022-05-04 | 가부시키가이샤 리바티 | Ready mixed concrete manufacturing method |
| KR20220089500A (en) * | 2020-12-21 | 2022-06-28 | 주식회사 채움아이티 | Apparatus of measuring aggregate quality for concrete using artificial intelligence and method thereof |
| WO2022164654A1 (en) * | 2021-01-27 | 2022-08-04 | X Development Llc | Concrete preparation and recipe optimization |
| WO2022249162A1 (en) * | 2021-05-25 | 2022-12-01 | Chemability Ltd. | A system and method for continuous visual monitoring and quality control of fresh concrete, concrete mixes and aggregates used in a manufacture of the concrete |
| KR20220161869A (en) * | 2021-05-31 | 2022-12-07 | 주식회사 채움아이티 | Apparatus and method for remicon slump auto quality control using artificial intelligence |
| KR20230030814A (en) | 2021-08-26 | 2023-03-07 | 주식회사 도로시 | Method, device and system for image processing-based analyzing quality of aggregate |
| KR20230049410A (en) * | 2021-10-06 | 2023-04-13 | 주식회사 에스에이치엘에이비 | Method, measuring device and system for measuring slump |
| KR20230052683A (en) * | 2021-10-13 | 2023-04-20 | 고려대학교 산학협력단 | Evaluation Method of Concrete Compressive Strength Using Hyperspectral Camera and Machine Learning |
| KR102597039B1 (en) * | 2023-04-27 | 2023-11-01 | 주식회사 비즈에이앤씨 | Concrete manufacturing control system and method for target quality based on artificial intelligence learning |
| GB2619510A (en) * | 2022-06-06 | 2023-12-13 | Total Vehicle Solutions Group Ltd | Slump estimation for concrete mixers |
| CN117452886A (en) * | 2023-09-26 | 2024-01-26 | 中交第二航务工程局有限公司 | Unmanned concrete management system based on machine perception and execution |
| WO2024030198A1 (en) * | 2022-08-05 | 2024-02-08 | X Development Llc | Empirical optimization of concrete recipes via trained mixture prediction model |
| CN118386411A (en) * | 2024-06-25 | 2024-07-26 | 浙江申跃信息科技有限公司 | Premixed concrete digital supervision system |
| CN118501081A (en) * | 2024-07-20 | 2024-08-16 | 烟台新思创土木工程技术有限公司 | Method for rapidly detecting water content of concrete fine aggregate and portable device thereof |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100836464B1 (en) * | 2007-03-14 | 2008-06-09 | (주)대우건설 | Automatic test system and test method for slump flow of concrete using computing device |
| CN101609515A (en) * | 2009-06-25 | 2009-12-23 | 福州大学 | Concrete mixing proportion design method based on artificial intelligence |
| KR100953942B1 (en) | 2007-12-06 | 2010-04-22 | (주)대우건설 | Concrete slump flow tester and Concrete consistency test method using the same |
| JP2016068530A (en) * | 2014-10-01 | 2016-05-09 | Ｋｙｂ株式会社 | Ready-mixed concrete amount estimation device and truck mixer |
-
2018
- 2018-07-11 KR KR1020180080466A patent/KR101936218B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100836464B1 (en) * | 2007-03-14 | 2008-06-09 | (주)대우건설 | Automatic test system and test method for slump flow of concrete using computing device |
| KR100953942B1 (en) | 2007-12-06 | 2010-04-22 | (주)대우건설 | Concrete slump flow tester and Concrete consistency test method using the same |
| CN101609515A (en) * | 2009-06-25 | 2009-12-23 | 福州大学 | Concrete mixing proportion design method based on artificial intelligence |
| JP2016068530A (en) * | 2014-10-01 | 2016-05-09 | Ｋｙｂ株式会社 | Ready-mixed concrete amount estimation device and truck mixer |
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102021716B1 (en) * | 2019-01-16 | 2019-09-16 | 정흥원 | An intelligent earth and sand information automatic processing system |
| KR20200094234A (en) | 2019-01-29 | 2020-08-07 | 충남대학교산학협력단 | Automatic climate customized concrete managing system |
| CN109933034A (en) * | 2019-04-24 | 2019-06-25 | 日昌升集团有限公司 | A kind of Information Management System and method for sandstone aggregate production |
| WO2020245503A1 (en) * | 2019-06-03 | 2020-12-10 | Caidio Oy | Concrete quality assurance |
| CN111017482A (en) * | 2019-09-30 | 2020-04-17 | 上海翊兆市政工程材料有限公司 | Roadbed material production device |
| CN111017482B (en) * | 2019-09-30 | 2021-09-14 | 上海翊兆市政工程材料有限公司 | Roadbed material production device |
| CN110948702A (en) * | 2019-10-29 | 2020-04-03 | 巢湖市荣达塑业有限公司 | Balancing weight mixing station system and using method |
| CN111331735A (en) * | 2020-05-06 | 2020-06-26 | 许昌德通振动搅拌技术有限公司 | Mixing station control method and device and mixing station |
| CN111751253A (en) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | Forming method and quality detection method of concrete aggregate detection model |
| CN112195912A (en) * | 2020-08-20 | 2021-01-08 | 山东大学 | Intelligent filling device and method for micro-foam material |
| CN112125641A (en) * | 2020-09-23 | 2020-12-25 | 湖南省合创渣土运输有限公司 | Preparation and production process of concrete |
| KR102235712B1 (en) | 2020-09-25 | 2021-04-05 | 주식회사 삼표산업 | Concrete slump prediction system |
| CN112241949A (en) * | 2020-10-13 | 2021-01-19 | 湖南大学 | Concrete placement mould intelligent monitoring device that fuses computer vision technique |
| KR102519893B1 (en) * | 2020-10-27 | 2023-04-10 | 가부시키가이샤 리바티 | Ready mixed concrete manufacturing method |
| KR20220056100A (en) * | 2020-10-27 | 2022-05-04 | 가부시키가이샤 리바티 | Ready mixed concrete manufacturing method |
| KR20220089500A (en) * | 2020-12-21 | 2022-06-28 | 주식회사 채움아이티 | Apparatus of measuring aggregate quality for concrete using artificial intelligence and method thereof |
| KR102466538B1 (en) | 2020-12-21 | 2022-11-11 | 주식회사 채움아이티 | Apparatus of measuring aggregate quality for concrete using artificial intelligence and method thereof |
| CN112683907A (en) * | 2021-01-12 | 2021-04-20 | 山西浩博森新材料有限公司 | Concrete transportation state detection method based on image analysis processing |
| WO2022164654A1 (en) * | 2021-01-27 | 2022-08-04 | X Development Llc | Concrete preparation and recipe optimization |
| US12049024B2 (en) | 2021-01-27 | 2024-07-30 | X Development Llc | Concrete preparation and recipe optimization |
| KR102287891B1 (en) | 2021-04-02 | 2021-08-09 | 주식회사 도로시 | Method, device and system for analyzing quality of aggregate based on artificial intelligence using fusion technology between lidar and camera |
| KR102261303B1 (en) | 2021-04-28 | 2021-06-07 | 주식회사 도로시 | Method, device and system for analyzing particle size of dynamic aggregate using fusion technology between lidar and camera |
| WO2022249162A1 (en) * | 2021-05-25 | 2022-12-01 | Chemability Ltd. | A system and method for continuous visual monitoring and quality control of fresh concrete, concrete mixes and aggregates used in a manufacture of the concrete |
| KR102668336B1 (en) * | 2021-05-31 | 2024-05-23 | 주식회사 채움아이티 | Apparatus and method for remicon slump auto quality control using artificial intelligence |
| KR20220161869A (en) * | 2021-05-31 | 2022-12-07 | 주식회사 채움아이티 | Apparatus and method for remicon slump auto quality control using artificial intelligence |
| KR20230030814A (en) | 2021-08-26 | 2023-03-07 | 주식회사 도로시 | Method, device and system for image processing-based analyzing quality of aggregate |
| KR20230049410A (en) * | 2021-10-06 | 2023-04-13 | 주식회사 에스에이치엘에이비 | Method, measuring device and system for measuring slump |
| KR102575693B1 (en) * | 2021-10-06 | 2023-09-06 | 주식회사 에스에이치엘에이비 | Method, measuring device and system for measuring slump |
| KR20230052683A (en) * | 2021-10-13 | 2023-04-20 | 고려대학교 산학협력단 | Evaluation Method of Concrete Compressive Strength Using Hyperspectral Camera and Machine Learning |
| KR102579188B1 (en) | 2021-10-13 | 2023-09-18 | 고려대학교 산학협력단 | Evaluation Method of Concrete Compressive Strength Using Hyperspectral Camera and Machine Learning |
| CN114266989A (en) * | 2021-11-15 | 2022-04-01 | 北京建筑材料科学研究总院有限公司 | Concrete mixture workability determination method and device |
| GB2619510A (en) * | 2022-06-06 | 2023-12-13 | Total Vehicle Solutions Group Ltd | Slump estimation for concrete mixers |
| GB2619510B (en) * | 2022-06-06 | 2024-06-26 | Total Vehicle Solutions Group Ltd | Slump estimation for concrete mixers |
| WO2024030198A1 (en) * | 2022-08-05 | 2024-02-08 | X Development Llc | Empirical optimization of concrete recipes via trained mixture prediction model |
| KR102597039B1 (en) * | 2023-04-27 | 2023-11-01 | 주식회사 비즈에이앤씨 | Concrete manufacturing control system and method for target quality based on artificial intelligence learning |
| CN117452886A (en) * | 2023-09-26 | 2024-01-26 | 中交第二航务工程局有限公司 | Unmanned concrete management system based on machine perception and execution |
| CN117452886B (en) * | 2023-09-26 | 2024-04-09 | 中交第二航务工程局有限公司 | Unmanned concrete management system based on machine perception and execution |
| CN118386411A (en) * | 2024-06-25 | 2024-07-26 | 浙江申跃信息科技有限公司 | Premixed concrete digital supervision system |
| CN118501081A (en) * | 2024-07-20 | 2024-08-16 | 烟台新思创土木工程技术有限公司 | Method for rapidly detecting water content of concrete fine aggregate and portable device thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101936218B1 (en) | Artificial intelligence learning-based ready-mixed concrete production system | |
| US11312039B1 (en) | System and method for monitoring fresh concrete being handled in a concrete mixer using trained data processing engines | |
| KR102235712B1 (en) | Concrete slump prediction system | |
| KR102492168B1 (en) | Integration management system for pavement quality management based on iot | |
| CN112903722B (en) | Detection method and detection system for water content of sandstone aggregate and concrete production equipment | |
| CN111730758A (en) | Monitoring device and monitoring method for premixed concrete | |
| CN116238176B (en) | Artificial quartz stone plate raw material configuration control system | |
| CN110458975A (en) | A kind of asphalt mixes and stirs process monitoring system and method | |
| Haist et al. | Digitization of the concrete production chain using computer vision and artificial intelligence | |
| US11305459B2 (en) | Device and method for semi-automatic concrete mixing and for training operators for use thereof | |
| KR100646282B1 (en) | Method and apparatus for rheometry, and its application to control of polymer manufacture | |
| CN110202697B (en) | Concrete mixing device and control method thereof | |
| WO2022235774A1 (en) | System and method for monitoring fresh concrete being handled in a concrete mixer using trained data processing engines | |
| JP5271776B2 (en) | Automatic analyzer | |
| JP3924458B2 (en) | High fluidity concrete quality control system | |
| KR102184943B1 (en) | System for integrated managing of production history for concrete products | |
| EP3709111B1 (en) | Integrated management system for production history of concrete product | |
| Vogel et al. | Image‐based analysis of fresh concrete flow‐determining the correlation between flow behavior and rheological properties | |
| CN104089941B (en) | A kind of Raman spectrum on-line measurement apparatus and method of polymer melt property | |
| JP2021169757A (en) | Quality prediction method of compacting material for strengthening ground | |
| JP6706514B2 (en) | Surface water control method for construction materials | |
| JPS5839413A (en) | Manufacture of concrete not hardened | |
| Wilenius et al. | Digital concrete quality assurance: Possibilities for data-driven quality assurance of concrete in production | |
| West | Development of rapid QC procedures for evaluation of HMA properties during production | |
| CN115685950B (en) | Metering and batching mixed pouring control method and system based on industrial Ethernet |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |