随着基础设施和城镇建设量飞速增长,施工进度越来越快,对混凝土浇筑质量的要求日益严格。振捣是混凝土浇筑过程中的关键工艺,振捣质量的监测与控制是施工质量控制中的重要环节。因而对振捣质量的智能监测与评估有重要意义。目前,施工人员主要依据个人经验进行振捣质量控制,随意性强且振捣效果难以量化评价。一旦欠振、过振或漏振将造成质量缺陷而无法及时得知,留下重大安全隐患。现有的振捣质量监测系统往往需对振捣棒进行大幅改进,且需在建筑工地建立GPS基站,工序繁琐,操作复杂,成本较高,未能普遍应用。根据施工场景及振捣工艺要求进行振捣质量监测系统的硬件参数计算、选型及搭建,采用张正友标定法及立体标定算法进行双目标定,得到图像坐标与三维物理坐标的转换关系;基于交并比和中心坐标像素偏差距离对比分析多尺度自适应型均值漂移算法(ASMS),引入核函数的相关滤波类算法(kcf),高效的卷积滤波算子(ECO),以及Siamese全卷积神经网络(Siam FC)四种运动跟踪算法,选择鲁棒性最好、精度最高且效率最高的ECO算法进行振捣棒的运动跟踪。结合最大响应值和平均峰值相关能量(APEC)设计一种新的跟踪置信度指标评估算法跟踪效果。研究深度学习目标检测算法YOLO v2算法用于初始帧以及跟踪失败后的第一帧中振捣棒位置的检测。基于视差误差与算法效率对比特征点匹配,块匹配,以及模板匹配三种匹配算法,选择最优的模板匹配算法进行左右图像视差计算,结合立体测量原理,进行振捣棒的位置测量及振捣深度的计算。分析振捣棒的运动状态和工作状态设计振捣时间测量算法。基于Qt搭建用户图形交互界面。基于机器视觉和模式识别技术完成混凝土振捣质量监测系统的搭建,实验过程中振捣棒跟踪算法的交并比维持在0.9左右,中心坐标像素偏差距离低于0.02mm;振捣点三维物理位置x和z方向的误差低于2cm;振捣深度误差低于1cm;振捣时间误差小于1秒。