CN105913443A - 模拟人眼识别技术检测沥青路面纹理的方法 - Google Patents
模拟人眼识别技术检测沥青路面纹理的方法 Download PDFInfo
- Publication number
- CN105913443A CN105913443A CN201610284479.5A CN201610284479A CN105913443A CN 105913443 A CN105913443 A CN 105913443A CN 201610284479 A CN201610284479 A CN 201610284479A CN 105913443 A CN105913443 A CN 105913443A
- Authority
- CN
- China
- Prior art keywords
- image
- asphalt
- texture
- asphalt content
- texture depth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
Abstract
本发明公开了一种模拟人眼识别技术检测沥青路面纹理的方法,该方法通过对沥青路面数字图像模拟识别的分析、处理,计算出所检测点的沥青路面纹理深度,通过计算沥青路面纹理深度与混合料级配和沥青用量建立相关关系,进而评价沥青路面的混合料的级配和沥青用量。与现时流行使用的测量方法相比较,应用模拟数字图像技术测量路表面纹理深度和现场混合料级配与沥青用量的方法具有如下优点:(1)效率高;(2)造价低;(3)操作简单;(4)对人身没有伤害,不使用化学试剂等测定;(5)属于无损检测,不需要破坏路面,保护了路面的整体性。
Description
技术领域
本发明涉及一种检测沥青路面材料组成和沥青用量的方法。
背景技术
目前常用的测定沥青用量和级配检验的方法有离心分离法、射线法、燃烧炉法。
离心分离法是测定沥青含量的标准方法,其测定沥青含量的原理是利用三氯乙烯液体浸泡试样,使沥青与集料在离心分离机的高速旋转中排出沥青溶液,在试样中反复加入新的三氯乙烯抽提,直至流出的抽提液清澈为止。离心分离法的缺点是:1、测定用的主要化学试剂三氯乙烯对人体健康是有危害的,三氯乙烯主要对中枢神经系统有麻醉作用,亦可引起肝、肾、心脏、三叉神经损害,短时内接触或吸入大量该品可引起急性中毒。2、测定时间较长,测试结果准确度低,而且在操作过程中对于漏入抽提液中的矿粉数量的标定工作很重要,否则每次都可能使测定的油石比偏大。
射线法的缺点是:1、对混合料的类型有所限制,适用于黏稠石油沥青的热拌混合料,不适用于其他沥青拌制的混合中沥青含量的测定。2、用射线法测定的沥青含量受环境条件的影响很大,要求测定时的环境条件与标定时的环境条件相同,环境条件不同时需要重新标定。
燃烧炉法的缺点是:1、对混合料中掺加纤维或可燃材料的时候不适用于燃烧炉法测定,由于掺加剂本身的燃烧特性,在燃烧过程中质量会损失一部分,最终影响沥青含量的试验结果。2、在高温燃烧过程中,一些集料会在高温燃烧后破碎或燃烧掉,这直接影响燃烧前和燃烧后混合料的级配,这就需要保证标定后每种混合料的石料性质的变化程度不能太大。
发明内容
为了解决上述方法存在的缺点,本发明提供了一种模拟人眼识别技术检测沥青路面纹理的方法,通过识别沥青路面表面纹理,判定沥青路面整体材料组成和沥青用量。
本发明的目的是通过以下技术方案实现的:
一种模拟人眼识别技术检测沥青路面纹理的方法,包括检测沥青路面混合料级配的方法和检测沥青路面沥青用量的方法两种技术方案,具体技术方案如下:
一、检测沥青路面混合料级配
①对拍摄对象的地点进行取芯,取芯后在室内进行抽提试验,实测该拍摄地点的沥青用量。
②将实测的沥青用量所对应的纹理深度参数输入到计算机中,保存数据,标定纹理深度和级配差异的关系,建立相关数据库。通过计算和调查分析,粗级配的路面纹理深度大,细级配的路面纹理深度小,从建立相关数据库中分析级配属于哪种混合料类型。
③在施工现场拍摄沥青路面的数码图像,保存到计算机中,计算出沥青路面的纹理深度,利用数据库中的相关关系评价出级配的大致情况。
如图1所示,具体步骤如下:
a、通过数码相机或扫描仪采集数字图像;
b、输入数字图像;
c、将RGB图像转换为灰度图像;
d、采用小波分析处理图像中的噪声;
e、选取阙值,单击阙值“输入阙值处理图片”菜单命令,用户可以在互交模式下,为图像定义阙值,阙值越大说明图像灰度越低,阙值越小图像灰度越高,一般选择调整170-255的阙值来修正图像发白部分的灰度。用户也可以采用电脑推荐的图像阙值,修正图像中的未裹腹沥青的石料;
f、载入比例尺(比例尺也叫做标定的图片,就是类似的路面以它为基准),可以计算三种情况下得到的纹理深度值:1、计算原图的纹理深度;2、计算小波去燥后的纹理深度;3、计算最终纹理深度。具体计算方法如下:
(1)计算原图纹理深度
若所拍沥青路面图像,无光线折射引起的噪声,所有石料均被沥青覆盖,画质清晰,则无需任何修正,直接计算原图的纹理深度(如图2),部分图像(图3)的灰度曲面图如图4所示。图2是一幅未经任何修正的图像计算结果,从灰度图象的曲面图可以看出噪声对计算结果的影响很大。
(2)计算小波滤噪后图像的纹理深度
小波滤澡后的计算结果和灰度图像曲面如图5和图6所示。从图5与图6同一位置图像的三维灰度曲面图对比中可以看出,图像的噪声被滤波后,图像的特征信息更加突出。
(3)计算最终图像的纹理深度
小波滤燥并通过阙值修正后的图像计算结果和灰度图像曲面如图7和图8所示。从图7与图8同一位置图像的三维灰度曲面图对比中可以看出,最终图像的拟和曲面中,部分灰度图像的峰被“削平”。即未被沥青覆盖的石料,被软件自动修正,不再为亮度最大的区域,而与周围石料的最高点亮度值一样。
计算图像的纹理深度,公式如下:
式中:F0——所测区域像素最大值;
D——积分区域;
V——体积值;
g、根据沥青用量、纹理深度和级配差异的相关关系评价出级配的大致情况。
二、检测沥青路面沥青用量:
(1)标定沥青用量
a、取不同沥青用量下的混合料,对每种沥青混合料的沥青用量分别进行拍摄,获取沥青路面的数码图像,然后将数码图像保存到电脑里,计算数码图像中不同沥青用量的纹理深度,公式如下:
式中:F0——所测区域像素最大值;
D——积分区域:
V——体积值;
b、对每种沥青混合料的沥青用量分别进行抽提;
c、抽提完成后,建立已知的沥青用量与标定的纹理深度值相关性关系:Y=-0.6321X+5.5263,其中Y是沥青用量,X是纹理深度,计算出纹理深度值下所对应的沥青用量。例如:纹理深度值是0.80,那么代入公式求得该图像的沥青用量为-0.6321*0.8+5.5263=5.02,那么该图像所代表区域的沥青用量为5.02%。
(2)检测沥青用量
在沥青路面施工现场拍摄混合料照片,计算出图像的纹理深度值,根据纹理深度值与该种类型混合料沥青用量的标定好的相关关系,计算出该种混合料的沥青用量。
本发明提供的模拟人眼识别技术检测沥青路面纹理的方法是一种全新的检测沥青路面材料组成和沥青用量的方法。该方法的功能是通过对沥青路面数字图像模拟识别的分析、处理,计算出所检测点的沥青路面纹理深度,通过计算沥青路面纹理深度与混合料级配和沥青用量建立相关关系,进而评价沥青路面的混合料的级配和沥青用量。图像的识别原理主要根据路表面的数字图像(灰度图像)来判别路表面纹理纹理深度的大小程度,从而进行处理得到路表面的纹理深度。路表面纹理深度应该是测量区域凸起部分与下凹部分的平均高程差,如果用像素值来表征,则应该是凸起部分像素值的平均值与下凹部分像素值平均值之差,再经过修正即可得到测量区域的平均纹理深度值。
与现时流行使用的测量方法相比较,应用模拟数字图像技术测量路表面纹理深度和现场混合料级配与沥青用量的方法具有如下优点:
(1)本方法效率高,在路面上检测所用时间短,接下来的分析工作可在室内完成。因此,用于在通车的路面上工作时间缩短。
(2)本方法造价低,只需用现有办公设备即可实现检测工作。而一台激光纹理深度仪则需二十几万元人民币。
(3)本方法操作简单,用现场拍摄合格的混合料照片,传输到电脑上,运用该方法计算出该路段内的纹理深度值从而计算出本该路段中的混合料级配。
(4)本方法对人身没有伤害,不使用化学试剂等测定。
(5)本方法属于无损检测,不需要破坏路面,保护了路面的整体性。
附图说明
图1为检测沥青路面混合料级配的流程图;
图2为计算原图的纹理深度;
图3为显示部分原图图像;
图4为显示部分原图图像的灰度曲面;
图5为小波滤澡后图像的计算结果;
图6为显示小波滤澡后部分图像的灰度曲面;
图7为最终图像的纹理深度;
图8为显示部分最终图像的灰度曲面;
图9为图像处理和分析系统结构示意图;
图10为检测路段AC-25构造深度度直方图;
图11为检测路段AC-16构造深度度直方图;
图12为下面层各取样的级配;
图13为上面层各取样的级配;
图14为综合评判灰度值与沥青用量的相关关系;
图15为图像的灰度图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种模拟人眼识别技术检测沥青路面纹理的方法,具体包括以下内容:
一、技术方案
利用数字图像处理技术通过分析沥青路面的数码图像得到沥青路面的纹理深度,通过计算沥青路面纹理深度与混合料级配和沥青用量建立相关关系,进而评价沥青路面的混合料的级配和沥青用量。
图像处理程序的工作原理是将连续的模拟图像经过离散化处理后便成计算机能够辨识的点阵图像,称为数字图像。与模拟图像相比,数字图像具有以下一些显著优点:①精度高:目前的计算机技术可以将一幅模拟图像数字化为任意的二维数组,即数字图像可以有无限个像素组成,每个像素的亮度可以量化为12位(即4096个灰度级),这样的精度使得数字图像与彩色照片的效果相差无几。②处理方便:由于数字图像本质上是一组数据,所以可以用计算机对它进行任意方式的修改,例如,放大、缩小、改变颜色、复制或删除某一部分等。③重复性好:模拟图像(例如,照片)即便是使用非常好的底片和相纸,也会随着时间的流逝而退色、发黄,而数字图像可以存储在光盘中,上百年后再用计算机重现也不会有丝毫的改变。
二、图像处理的工作原理
图像处理就是将图像转换为一个数字矩阵存放在计算机中,并采用一定的算法对其进行处理。图像处理的基础是数学,最主要的任务就是各种算法的设计和实现。一个基本的图像处理和分析系统可由图1所示。
从图9中可以看出,整个系统可以分为五个模块:图像采集模块、图像处理与分析模块、图像显示模块、图像存储模块以及图像通信模块。计算机只能对数字图像进行处理,而自然界能够提供的图像都是模拟类型的,所以首先要通过图像采集模块将图像转化为数字类型,然后再送入处理和分析模块进行处理,处理后的图像不但要经过显示模块形成可视信息,而且还要能够由存储模块保存下来供以后使用。图像的通信模块是随着网络技术的迅猛发展应运而生的。通过图像的传输可以使不同的系统共享图像数据资源,极大地推动了图像在各个领域中的广泛应用。一个典型的计算机图像处理与分析系统其硬件部分主要包括:图像输入设备、处理图像的计算机、图像输出设备。
①图像输入设备:图像输入设备也称为图像数字化器,比较常用的有数码照相机和扫描仪等。
②处理图像的计算机:图像的各种处理操作,例如,图像滤波、增强和压缩等工作都是由计算机来完成的,因而计算机的性能将直接影响到图像处理的速度和质量。
③图像输出设备:图像输出设备主要指显示器、打印机等。图像输出设备性能的高低则直接决定图像输出质量的好坏。如果需要“看图”,即图像还原,则主要依靠显示器和显卡的性能。
三、图像数字化的组成
图像数字化是电脑进行图像处理之前必经的基本步骤,目的是把真实的图像转变成电脑能接受的处理格式,即特定的一串连续数字。一幅图像只有在空间和灰度上被离散化后才能够被计算机处理。空间坐标的离散化叫做空间采样,灰度的离散化叫做灰度的量化。由此可见,数字化过程是由采样与量化两个步骤组成的。
①采样
采样是将时间和空间上连续的图像转换成离散的采样点(即像素)集的过程。事实上,采样就是要决定用多少个点来描述一张图像,采样的结果就是通常所说的分辨率。采样时要注意采样间隔的选取,采样间隔越小,图像分辨率就越高,图像越精细,图像的点越多,其采样数据越大,因而对计算机在计算、存储等使用性能的影响也越大。例如,一幅680×480的图像,就表示这幅图像是由326400个像素点所组成。
②量化
将像素点上的灰度值离散为整数,称之为量化,量化的结果是图像容纳的所有颜色数据。量化决定使用多大范围的数值来表示图像采样之后的每一个点,这个数值范围确定了图像能使用的颜色总数。例如:以5个比特(bit)存储一个点,就表示图像只能有32种颜色。数值越大,表示图像可以拥有更多的颜色,自然就可以产生更为细致的图像效果,但是相应地也必须占用更大的存储空间。通常所说的量化等级,是指每幅图像样本量化后一共可取多少个像素点(离散的数值)或用多少个二进制数位来表示,它反映了量化的质量。
四、沥青路面纹理识别和沥青混合料级配的相关性
级配的评价原理是利用软件的数据库对数码图像分析凸起面积的大小来判定级配上的差异。已知AC-25型沥青混合料20-30mm、10-20mm的粗集料比例用量大,路表面上的凸起面积自然大,凸起面积大纹理深度值也较AC-16型混合料纹理深度值大,软件会根据纹理深度和沥青用量上综合分析出级配上的差异。
①计算纹理深度值
根据数学模型求得的体积值V与所分析区域的面积D的商计算出该处的路表面平均纹理深度。
式中:F0——所测区域像素最大值;
D——积分区域,对于铺砂法D=πr2:
V——体积值,对于铺砂法V=25mL。
路表面纹理深度:
②标定混合料级配
通过分析两个不同混合料类型是否属于不同的总体,由此评价级配上的差异。
1)在这项试验中选择了上面层为AC-16黑龙江调整型级配和下面层为AC-25I型级配的两段路面作为比较路段,配合比如表1所示。为了在相同的路段长度下比较,每段路面长度取100m的测量数据。然后对测得的纹理深度数据进行分析,用χ2开方假设检验分布拟合检验判断数据样本的分布函数,并分析两段路面的数据样本是否属于不同的总体。
表1 检测试验段的级配
2)下面层纹理深度来自正态总体分布的检验
在下面层检测路段上检测纹理深度,我们共检测了96个点,即除标定点外共检测了95个点,每组19个点,每个点的纵向间距为5米。为了粗略了解这些数据的分布情况,我们先根据所测数据,算出纹理深度不同分组的频率(如表2所示),然后画出直方图(如图10所示)。
表2粗略估计数据的分布情况
纹理深度分组(mm) | 频数fi | 频率fi/n | 累计频率 |
0.45~0.55 | 4 | 0.041667 | 0.041667 |
0.55~0.65 | 10 | 0.104167 | 0.145833 |
0.65~0.75 | 16 | 0.166667 | 0.3125 |
0.75~0.85 | 19 | 0.197917 | 0.510417 |
0.85~0.95 | 14 | 0.145833 | 0.65625 |
0.95~1.05 | 11 | 0.114583 | 0.770833 |
1.05~1.15 | 9 | 0.09375 | 0.864583 |
1.15~1.25 | 7 | 0.072917 | 0.9375 |
1.25~1.35 | 4 | 0.041667 | 0.979167 |
1.35~1.45 | 2 | 0.020833 | 1 |
合计 | 96 |
从直方图(图10)看,它有一个峰,中间高,两头低,看起来很像来自正态总体。现在做χ2检验如下,H0:x的概率密度为:
式中:f(x)-x的概率密度;
μ-均值;
σ-方差;
π-圆周率,取3.141592;
exp-自然对数的底,属于无理数,取2.74882818……。
这个公式是关于x的概率密度公式,从直方图上发现,这种小矩形的面积就等于数据落在该小区间的频率fi/n,由于当n很大时,频率接近于概率,因而一般来说,每个小区间上的小矩形面积接近于概率密度曲线之下,该小区间之上的曲边梯形的面积。于是,一般来说,直方图的外廊曲线接近于总体x的概率密度曲线,利用分布拟合检验χ2的假设检验,因在H0中未给出μ,σ2的数值,需先估计μ,σ2。由极大似然估计法得μ,σ2的估计值分别为我们将x可能取值的区间分为10个小区间(如表3所示),若H0为真时,x的概率密度估计为:
表3 下面层假设检验
表中:fi----该组数据出现的频数;
-----该组数据出现的频率;
-----样本频率与总样本量的乘积。
当不能预知总体服从什么类型的分布,这时就需要根据样本来检验关于分布的假设,χ2检验法是检验分布是否为正态的偏度、峰度检验法。检验法是在总体分布为未知时,根据样本x1,x2,……xn,来检验关于总体分布的假设的一种方法。
H0:总体x的分布函数为F(x),H1:总体x的分布函数不是F(x)。若总体x为离散型,则假设上述相当于H0:总体x的分布律为P={x=ti}=Pi,i=1,2,……;若总体x为连续型,则假设上述相当于H0:总体x的概率密度为f(x)。
在用下述χ2检验法检验假设H0时,若在假设H0下F(x)的形式已知,但其参数未知,这时需要先用极大似然估计法估计参数,然后作检验。
χ2检验法的基本思想如下:将随机试验可能结果的全体Ω分为k个互不相容的事件A1,A2,……, 于是在假设H0下,我们可以计算Pi=P(Ai)(或k.在n次试验中,事件出现Ai出现的频率fi/n与pi(或)往往上有差异,但一般来说,若H0为真,且试验次数又甚多时,则这种差异不应该很大,基于这种想法,皮尔逊使用:作为检验假设H0的统计量,并证明了以下定理。
定理:若n充分大(n≥50),则当H0为真时(不论H0中的分布属于什么分布),统计量总是近似的服从自由度k-r-1的χ2分布,其中,r是被估计的参数的个数。于是,若在假设H0下算得有:
则在显著性水平a下拒绝H0,否则就接受H0。
χ2检验法是基于上述定理得到的,所以在使用时必须注意n要足够大,以及npi不太小,根据实践,要求样本容量n不小于50,以及每一个npi都不小于5,而且npi最好是在5以上,否则应适当地合并A,以满足要求。
根据上述计算统计原理,因为χ0.05(k-r-1)2=χ0.05(7-2-1)2=χ0.05(4)2=9.488>4.5781,故在显著水平a=0.05(0.05是根据t分布表取a=0.05)下接受H0,即认为下面层纹理深度来自正态分布总体。
3)上面层纹理深度来自正态总体分布的检验
在上面层检测路段上检测纹理深度,我们也同样检测了96个点,即除标定点外共检测了95个点,每组19个点,每个点的纵向间距为5米。为了粗略了解这些数据的分布情况,我们先根据所测数据,算出纹理深度不同分组的频率(如表4所示),然后画出直方图(如图11所示)。
表4 粗略估计数据的分布情况
纹理深度分组(mm) | 频数fi | 频率fi/n | 累计频率 |
0.35~0.45 | 17 | 0.177083 | 0.177083 |
0.45~0.55 | 29 | 0.302083 | 0.479167 |
0.55~0.65 | 34 | 0.354167 | 0.833333 |
0.65~0.75 | 11 | 0.114583 | 0.947917 |
0.75~0.85 | 3 | 0.03125 | 0.979167 |
0.85~0.95 | 2 | 0.020833 | 1 |
合计 | 96 |
从直方图(图11)看,它有一个峰,中间高,两头低,看起来很像来自正态总体。现在做χ2检验如下,H0:x的概率密度为:
因在H0中未给出μ,σ2的数值,需先估计μ,σ2。由极大似然估计法得μ,σ2的估计值分别为我们将x可能取值的区间分为6个小区间(如表5所示),若H0为真时,x的概率密度估计为:
表5 上面层假设检验
因为χ0.05(k-r-1)2=χ0.05(4-2-1)2=χ0.05(1)2=3.841>3.141,故在水平0.05下接受H0,即认为上面层纹理深度来自正态分布总体。
4)上面层与下面层样本纹理深度差异性检验
下面分析两个样本有无差异。如果两个样本来自同一总体,可以说明两段路面纹理深度的测量结果在统计意义上没有差异;否则说明两段数据存在差异,即纹理深度可以反映不同路面级配的差异。两段路的纹理深度数据作为2个独立样本,且都符合正态分布,正态总体均值以μ1,μ2表示,正态总体标准差以σ1,σ2表示,μ1,μ2,σ1,σ2均未知。为了检验2个样本提出下面假设:
H0:μ1=μ2。
H1:μ1≠μ2。
分别求出AC-25I型级配和AC-16黑龙江调整型级配样本均值和样本方差(如表6):
表6 检测样本的均值与方差
又,t0.05(190)=1.6529,故拒绝域为:所以拒绝H0,即接受2个样本不属于同一总体的判定,这就说明对路面的纹理深度测量数据分析可以用来判别路面级配的差异。
③通过纹理深度差异判别相同级配路段级配变异可行性
上面的试验是对2个面层所用完全不同级配的判别,而对沥青混合料离析的判断常是在相同级配的不同路面处进行,需要验证纹理深度方法是否仍然有效。为了证实这一点,设计了相同级配的标段上不同位置处的纹理深度测量试验,试验分别为AC-16黑龙江调整型级配的上面层和AC-25I型级配的下面层上进行。并且在纹理深度测量处提取混合料试样,做抽提试验以获得检测处的混合料配比。2个路段提取的混合料级配见图12和图13,相应级配处路面的纹理深度见表7。
表7 相应级配处路面的纹理深度
通过表7和图12、图13可以看出,路面各位置的纹理深度值不同,其混合料级配也有所不同。一般粗集料含量多的级配其纹理深度通常也较大,纹理深度指标可以用来判别路面混合料的级配。然而,沥青混合料的均匀性不仅与级配有关,还与实际路面摊铺压实效果有关。纹理深度的差异是在级配变化、摊铺碾压和温度控制等多种因素共同影响下表现出来的。因此,级配也不是完全决定了路面的纹理深度。如下面层的系列3和系列4的级配相接近,但是纹理深度存在较大差异。这一结果可以说明纹理深度指标既可以反映级配的变异,也可以反映路面在摊铺碾压后混合料颗粒分布的不同和空隙结构的变化状况。利用数字图像识别不同级配铺筑成路面后的纹理差别,通过计算和调查分析,粗级配的路面纹理深度大,细级配的路面纹理深度小,正是通过该原理进行了本项目的发明研究。
五、沥青路面纹理识别沥青混合料沥青用量的相关性
①标定沥青用量
取不同沥青用量下的混合料,每种沥青混合料的沥青用量分别拍成数码图像后存储,然后对不同沥青用量的混合料进行抽提,抽提完成后利用已知的沥青用量与软件根据图像自动计算出的纹理深度的相关线性关系(图14)。当混合料类型有变化时需要重新标定。
②检测沥青用量
在沥青路面施工现场拍摄混合料照片,利用图像处理软件分析出图像的纹理深度值(图15),利用软件计算出纹理深度值,在利用标定好的纹理深度值与该种类型混合料沥青用量的相关关系,计算出该种混合料的沥青用量。
Claims (5)
1.一种检测沥青路面混合料级配的方法,其特征在于所述方法步骤如下:
①对拍摄对象的地点进行取芯,取芯后在室内进行抽提试验,实测该拍摄地点的沥青用量;
②将实测的沥青用量所对应的纹理深度参数输入到计算机中,保存数据,标定沥青用量、纹理深度和级配差异的关系,建立相关数据库;
③在施工现场拍摄沥青路面的数码图像,保存到计算机中,计算出沥青路面的纹理深度,利用数据库中的相关关系评价出级配的大致情况。
2.根据权利要求1所述的检测沥青路面混合料级配的方法,其特征在于所述步骤③的具体步骤如下:
a、通过数码相机或扫描仪采集数字图像;
b、输入数字图像;
c、将RGB图像转换为灰度图像;
d、采用小波分析处理图像中的噪声;
e、选取阈值,修正图像中的未裹腹沥青的石料;
f、计算图像的纹理深度;
g、根据沥青用量、纹理深度和级配差异的相关关系评价出级配的大致情况。
3.根据权利要求1或2所述的检测沥青路面混合料级配的方法,
其特征在于所述图像纹理深度的计算公式如下:
式中:F0——所测区域像素最大值;
D——积分区域;
V——体积值。
4.一种检测沥青路面沥青用量的方法,其特征在于所述方法步骤如下:
(1)标定沥青用量
a、取不同沥青用量下的混合料,对每种沥青混合料的沥青用量分别进行拍摄,获取沥青路面的数码图像,然后将数码图像保存到电脑里,计算数码图像中不同沥青用量的纹理深度;
b、对每种沥青混合料的沥青用量分别进行抽提;
c、抽提完成后,建立已知的沥青用量与标定的纹理深度值相关性关系:Y=-0.6321X+5.5263,其中Y是沥青用量,X是纹理深度,计算出纹理深度值下所对应的沥青用量;
(2)检测沥青用量
在沥青路面施工现场拍摄混合料照片,计算出图像的纹理深度值,根据纹理深度值与该种类型混合料沥青用量的标定好的相关关系,计算出该种混合料的沥青用量。
5.根据权利要求4所述的检测沥青路面沥青用量的方法,其特征在于所述图像纹理深度的计算公式如下:
式中:F0——所测区域像素最大值;
D——积分区域;
V——体积值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610284479.5A CN105913443A (zh) | 2016-05-03 | 2016-05-03 | 模拟人眼识别技术检测沥青路面纹理的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610284479.5A CN105913443A (zh) | 2016-05-03 | 2016-05-03 | 模拟人眼识别技术检测沥青路面纹理的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105913443A true CN105913443A (zh) | 2016-08-31 |
Family
ID=56752346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610284479.5A Pending CN105913443A (zh) | 2016-05-03 | 2016-05-03 | 模拟人眼识别技术检测沥青路面纹理的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913443A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909584A (zh) * | 2017-11-09 | 2018-04-13 | 东南大学 | 一种通过冷料监控的沥青混合料级配预估方法 |
CN108960060A (zh) * | 2018-06-01 | 2018-12-07 | 东南大学 | 一种无人驾驶车辆路面纹理识别系统及方法 |
CN109003332A (zh) * | 2018-06-25 | 2018-12-14 | 重庆交通大学 | 沥青路面表面纹理仿真系统及其仿真方法 |
CN109447953A (zh) * | 2018-10-10 | 2019-03-08 | 深圳增强现实技术有限公司 | 基于纹理特征的沥青质量检测方法、系统及电子设备 |
CN111476088A (zh) * | 2020-03-03 | 2020-07-31 | 长安大学 | 沥青路面水损害识别模型构建方法、识别方法及系统 |
CN116958138A (zh) * | 2023-09-19 | 2023-10-27 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1290851A (zh) * | 2000-11-03 | 2001-04-11 | 华南理工大学 | 用数字图像技术测量评价路面表面构造深度的方法 |
CN101294950A (zh) * | 2008-06-11 | 2008-10-29 | 长安大学 | 一种检测沥青混合料中矿粉含量的方法及装置 |
CN105205822A (zh) * | 2015-09-21 | 2015-12-30 | 重庆交通大学 | 沥青压实路面离析程度的实时检测方法 |
-
2016
- 2016-05-03 CN CN201610284479.5A patent/CN105913443A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1290851A (zh) * | 2000-11-03 | 2001-04-11 | 华南理工大学 | 用数字图像技术测量评价路面表面构造深度的方法 |
CN101294950A (zh) * | 2008-06-11 | 2008-10-29 | 长安大学 | 一种检测沥青混合料中矿粉含量的方法及装置 |
CN105205822A (zh) * | 2015-09-21 | 2015-12-30 | 重庆交通大学 | 沥青压实路面离析程度的实时检测方法 |
Non-Patent Citations (4)
Title |
---|
于立泽 等: "构造深度计算软件在沥青路面检测中的应用", 《黑龙江交通科技》 * |
叶志成 等: "沥青路面均匀区域的构造深度的影响因素灰熵分析", 《道路工程》 * |
宋毅: "应用分形理论描述沥青混合料级配离析及其相关问题研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵秀文: "AC-13沥青面层构造深度衰变规律研究", 《山西交通科技》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909584A (zh) * | 2017-11-09 | 2018-04-13 | 东南大学 | 一种通过冷料监控的沥青混合料级配预估方法 |
CN108960060A (zh) * | 2018-06-01 | 2018-12-07 | 东南大学 | 一种无人驾驶车辆路面纹理识别系统及方法 |
CN109003332A (zh) * | 2018-06-25 | 2018-12-14 | 重庆交通大学 | 沥青路面表面纹理仿真系统及其仿真方法 |
CN109447953A (zh) * | 2018-10-10 | 2019-03-08 | 深圳增强现实技术有限公司 | 基于纹理特征的沥青质量检测方法、系统及电子设备 |
CN111476088A (zh) * | 2020-03-03 | 2020-07-31 | 长安大学 | 沥青路面水损害识别模型构建方法、识别方法及系统 |
CN111476088B (zh) * | 2020-03-03 | 2023-04-07 | 长安大学 | 沥青路面水损害识别模型构建方法、识别方法及系统 |
CN116958138A (zh) * | 2023-09-19 | 2023-10-27 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
CN116958138B (zh) * | 2023-09-19 | 2023-12-19 | 河南省建筑质量监督检验中心有限公司 | 一种用于桥梁检测的取样控制方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913443A (zh) | 模拟人眼识别技术检测沥青路面纹理的方法 | |
CN106124454B (zh) | 一种基于遥感影像的沥青路面老化状况监测方法 | |
US8577611B2 (en) | System and method for analyzing trees in LiDAR data using views | |
Tafesse et al. | Evaluation of image analysis methods used for quantification of particle angularity | |
CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
Du et al. | A novel approach for pavement texture characterisation using 2D-wavelet decomposition | |
Moreno et al. | Shadow analysis: A method for measuring soil surface roughness | |
Vermang et al. | Quantification of soil surface roughness evolution under simulated rainfall | |
CN102298705A (zh) | 一种分析景观特征对遥感分类图斑精度影响的方法 | |
Zhan et al. | Effect of aggregate properties on asphalt pavement friction based on random forest analysis | |
Li et al. | 3D characterization of aggregates for pavement skid resistance | |
CN115616674A (zh) | 探地雷达训练数据集模拟扩增与道路无损检测方法及系统 | |
CN106600607A (zh) | 一种基于水平集分割极化sar影像的水体精确提取方法 | |
US8538695B2 (en) | System and method for analyzing trees in LiDAR data using views | |
CN113327021A (zh) | 一种基于topsis熵权法的土地综合评价方法及装置 | |
Zhang et al. | Quantitatively identify the factors driving loess erodibility variations after ecological restoration | |
CN108510157A (zh) | 人工鱼礁投放质量评价方法 | |
Nasta et al. | How effective is information on soil-landscape units for determining spatio-temporal variability of near-surface soil moisture? | |
CN115936532A (zh) | 基于bp神经网络的盐碱地稳定性评估方法及系统 | |
Sobala | Detection of past landscape elements in marginal mountain areas—the example of the Western Carpathians | |
Vova et al. | Land degradation assessment in Gobi-Altai province | |
Lee et al. | Development of a manual crack quantification and automated crack measurement system | |
Puan et al. | Automated pavement imaging program (APIP) for pavement cracks classification and quantification | |
Giraldo et al. | Environmental predictors of stream flow in semi-arid watersheds for biological assessments | |
CN117436003B (zh) | 考虑火烧严重度的火烧迹地土壤侵蚀遥感动态监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160831 |