Casting concrete at different ages for new construction and repairing or retrofitting concrete structures requires a sufficient bond between concrete casts. The bond strength between different casts is attributed to surface roughness. Surface roughness can be achieved in many ways, such as water‐jetting or sandblasting. To evaluate the degree of surface roughness, qualitative and quantitative methods are introduced by many researchers; however, several drawbacks are associated with most of these methods, including cost, availability, human errors, and inability to assess old structures from prior inspection records. Two novel industrial implementation methods are introduced in this paper to estimate, quantitatively, the concrete surface roughness from images with sufficient resolution. In the first application method, a digital image processing method is proposed to distinguish the coarse aggregate from cement paste, and a new index is presented as a function of aggregate proportional area to the surface area. In the second application method, data augmentation and transfer learning techniques in computer vision and machine learning are utilized to classify new images based on predefined images during the learning process. Both application methods were related to a well‐established method of 3D laser scanning from sandblasted concrete surfaces. Finally, a brand new set of images of sandblasted surfaces was used to test and validate both methods. The results show that both methods successfully estimate the concrete surface roughness with an accuracy of more than 93%.

中文翻译：

---

使用基本相机估计混凝土表面粗糙度的机器学习和图像处理方法

在不同年龄下进行混凝土浇筑以进行新的建筑以及对混凝土结构进行修理或翻新需要在混凝土浇铸之间充分粘结。不同铸件之间的结合强度归因于表面粗糙度。表面粗糙度可以通过多种方式实现，例如喷水或喷砂。为了评估表面粗糙度的程度，许多研究人员介绍了定性和定量方法。但是，这些方法中的大多数都有一些缺点，包括成本，可用性，人为错误以及无法根据先前的检查记录评估旧结构。本文介绍了两种新颖的工业实现方法，可以从具有足够分辨率的图像中定量估计混凝土表面的粗糙度。在第一种应用方法中，提出了一种数字图像处理方法来区分水泥浆中的粗骨料，并提出了一种新的指标，作为骨料与表面积的比例函数。在第二种应用方法中，计算机视觉和机器学习中的数据增强和传输学习技术被用来在学习过程中基于预定义的图像对新图像进行分类。两种应用方法都与一种行之有效的从喷砂混凝土表面进行3D激光扫描的方法有关。最后，使用一套全新的喷砂表面图像来测试和验证这两种方法。结果表明，两种方法均能成功估计混凝土表面粗糙度，准确度超过93％。提出了一个新的指数，该指数是总表面积与表面积的函数。在第二种应用方法中，计算机视觉和机器学习中的数据增强和传输学习技术被用来在学习过程中基于预定义的图像对新图像进行分类。两种应用方法都与一种行之有效的从喷砂混凝土表面进行3D激光扫描的方法有关。最后，使用一套全新的喷砂表面图像来测试和验证这两种方法。结果表明，两种方法均能成功估计混凝土表面粗糙度，准确度超过93％。提出了一个新的指数，该指数是总表面积与表面积的函数。在第二种应用方法中，计算机视觉和机器学习中的数据增强和传输学习技术被用来在学习过程中基于预定义的图像对新图像进行分类。两种应用方法都与一种行之有效的从喷砂混凝土表面进行3D激光扫描的方法有关。最后，使用一套全新的喷砂表面图像来测试和验证这两种方法。结果表明，两种方法均能成功估计混凝土表面粗糙度，准确度超过93％。计算机视觉和机器学习中的数据增强和转移学习技术被用来在学习过程中基于预定义的图像对新图像进行分类。两种应用方法都与一种行之有效的从喷砂混凝土表面进行3D激光扫描的方法有关。最后，使用一套全新的喷砂表面图像来测试和验证这两种方法。结果表明，两种方法均能成功估计混凝土表面粗糙度，准确度超过93％。计算机视觉和机器学习中的数据增强和转移学习技术被用来在学习过程中基于预定义的图像对新图像进行分类。两种应用方法都与一种行之有效的从喷砂混凝土表面进行3D激光扫描的方法有关。最后，使用一套全新的喷砂表面图像来测试和验证这两种方法。结果表明，两种方法均能成功估计混凝土表面粗糙度，准确度超过93％。