CN107784646A - 一种路用集料的自适应检测方法 - Google Patents
一种路用集料的自适应检测方法 Download PDFInfo
- Publication number
- CN107784646A CN107784646A CN201710905193.9A CN201710905193A CN107784646A CN 107784646 A CN107784646 A CN 107784646A CN 201710905193 A CN201710905193 A CN 201710905193A CN 107784646 A CN107784646 A CN 107784646A
- Authority
- CN
- China
- Prior art keywords
- aggregate
- aggregate particle
- road
- particles
- aggregate particles
- 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.)
- Granted
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种路用集料的自适应检测方法，包括：对待检测的路用集料颗粒图像依次进行滤波处理、二值化处理、形态学处理；确定二值化路用集料颗粒图像的质心坐标和方向角，随后旋转二值化路用集料颗粒图像使二值化路用集料颗粒图的方向角垂直于水平线；提取旋转后的路用集料颗粒图像中每个集料颗粒的特征参数，特征参数包括紧凑因子、投影轮廓、边缘点到质心距离分布，依据每个集料颗粒的特征参数将每个集料颗粒归至矩形、椭圆形、菱形、三角形中的任一类；分别计算矩形集料颗粒集合、椭圆形集料颗粒集合、菱形集料颗粒集合、三角形集料颗粒集合的校正系数，得到每个集料颗粒的最终粒径。本发明改善了图像法计算集料级配的精确度。
Description
技术领域
本发明属本发明属于道路工程领域，具体涉及一种路用集料的自适应检测方法。
背景技术
集料是构成沥青混凝土承重骨架的主要材料，对整个路面起到骨架填充的关键作用，集料颗粒形态特征、集料级配直接决定着沥青路面的使用寿命和使用性能。集料颗粒的形态特征包括集料颗粒的形状、尺寸、棱角性和纹理。集料颗粒的形状对沥青混凝土的强度与稳定性有很大影响；
传统对集料颗粒形状判定仅使用单一的一种模型，自然界物体形状千变万化，对于同一种岩石，使用不同的破碎方式或者对不同的岩石，使用相同的破碎方式，由于不同的破碎方法、不同材质、甚至相同材质产地的不同，一批集料的形状更加不可能完全一致，采用单一模型进行形状分类必将造成集料判定准确率低、精度低的缺点。
发明内容
针对现有技术所存在的上述不足，本发明的目的在于，提出一种路用集料的自适应检测方法，使用紧凑因子、投影轮廓、边缘点到质心距离分布三个参数将集料颗粒分为矩形、椭圆形、菱形、三角形四类，这样使得分类更加准确，方法更加可行，然后对集料颗粒按形状分类，在等效椭圆模型的基础上对集料颗粒粒径进行校正。
为了实现上述目的，本发明采用如下的技术解决方案：
一种路用集料的自适应检测方法，包括以下步骤：
步骤1，对待检测的路用集料颗粒图像依次进行滤波处理、二值化处理、形态学处理，得到二值化路用集料颗粒图像，所述待检测的路用集料颗粒图像包括多个集料颗粒；
步骤2，在图像坐标系下，确定二值化路用集料颗粒图像的质心坐标和方向角，随后旋转二值化路用集料颗粒图像使二值化路用集料颗粒图像的方向角垂直于水平线，得到旋转后的路用集料颗粒图像；
步骤3，提取旋转后的路用集料颗粒图像中每个集料颗粒的特征参数，每个集料颗粒的特征参数包括紧凑因子、投影轮廓、边缘点到质心距离分布，依据每个集料颗粒的特征参数将每个集料颗粒归至矩形、椭圆形、菱形、三角形中的任一类，得到矩形集料颗粒集合、椭圆形集料颗粒集合、菱形集料颗粒集合、三角形集料颗粒集合；
其中，依据旋转后的路用集料颗粒图像中每个集料颗粒的特征参数将每个集料颗粒归至矩形、椭圆形、菱形、三角形中的任一类，包括：
对旋转后的路用集料颗粒图像中的每个集料颗粒都进行以下操作：
步骤31，构建标准矩形、标准椭圆、标准菱形、标准三角形；
步骤32，若集料颗粒n的紧凑因子大于0.84，执行步骤33；否则，执行步骤36；n＝1，2，…，N，N为待检测的路用集料颗粒图像中集料颗粒的总数，N为大于等于1的自然数；
步骤33，若集料颗粒n的距离数据与标准矩形的距离数据的相关系数最大，则将集料颗粒n归为矩形一类；否则，执行步骤34；
步骤34，若集料颗粒n的距离数据与标准椭圆的距离数据的相关系数最大，则将集料颗粒n归为椭圆一类；否则，执行步骤35；
步骤35，若集料颗粒n的距离数据与标准菱形的距离数据的相关系数最大，则将集料颗粒n归为菱形一类；否则，将集料颗粒n归为三角形一类；
步骤36，若集料颗粒n的紧凑因子小于0.66且集料颗粒n的投影轮廓存在突变，则将集料颗粒n归为三角形一类；否则将集料颗粒n归为菱形一类；
步骤37，若集料颗粒n的紧凑因子大于等于0.66且小于等于0.84，则执行步骤33，直至集料颗粒n归至矩形、椭圆形、菱形、三角形中的任一类为止；
步骤4，分别计算矩形集料颗粒集合、椭圆形集料颗粒集合、菱形集料颗粒集合、三角形集料颗粒集合的校正系数，得到每个集料颗粒的最终粒径。
进一步地，通过式(1)得到步骤3所述集料颗粒n的距离数据与标准形状的距离数据的相关系数，所述标准形状为标准矩形、标准三角形、标准菱形、标准椭圆中的任一种；
式(1)中，xi代表集料颗粒边缘点到质心点的横坐标距离，yi代表集料颗粒边缘点到质心点的纵坐标距离，代表标准形状质心点到边缘点的横坐标距离，标准形状质心点到边缘点的纵坐标距离。
进一步地，通过式(2)得到集料颗粒n的紧凑因子Compactness：
式(2)中，A为集料颗粒n的面积，L为集料颗粒n的边界矩形的长，W为集料颗粒n的边界矩形的宽。
进一步地，所述集料颗粒n的边界矩形为集料颗粒n的最小外接矩形。
进一步地，通过式(4)得到步骤2中二值化路用集料颗粒图像的质心坐标和方向角：
式(4)中，x，y为二值化路用集料颗粒图像中任一集料颗粒的坐标，A为二值化路用集料颗粒图像中集料颗粒的面积。
进一步地，步骤1中所述的滤波处理包括中值滤波或高增滤波。
与现有技术相比，本发明具有以下技术效果：
本发明在集料颗粒二值图像的基础上，获得集料颗粒的紧凑因子、投影轮廓、边缘点到质心距离分布和等效椭圆短轴四个参数，并使用紧凑因子、投影轮廓、边缘点到质心距离分布三个参数对集料颗粒按形状进行分类，将其归为矩形、椭圆形、菱形和三角形中的一类；
本发明通过计算获得矩形、椭圆形、菱形和三角形四类形状各自的基于等效椭圆短轴的校正系数，最终得到集料颗粒校正后的粒径，更加精确地进行集料级配检测；
本发明在实现对集料颗粒级配的自动检测的基础上，提高了检测准确度，并能够同时对多个颗粒进行检测，解决了检测过程复杂、效率低等问题。
附图说明
图1为待检测的路用集料颗粒图像；
图2(a)为经过中值滤波后的路用集料颗粒图像；图2(b)为经过高增滤波后的路用集料颗粒图像；
图3为二值化路用集料颗粒图像；
图4(a)为去除噪声点后的二值化图像；图4(b)为填补内部坑洞后的二值化图像；图4(c)对集料颗粒进行凸包处理后的二值化图像；
图5为旋转前后的路用集料颗粒图像；
图6为集料颗粒形状判定的流程图；
图7(a)为集料颗粒的边界矩形；图7(b)为集料颗粒的最小外接矩形；
图8为四种标准形状颗粒的边界矩形示意图；
图9为矩形、椭圆、菱形、三角形四种标准形状颗粒投影轮廓图；
图10为不同形状颗粒投影轮廓图；
图11为用椭圆分别拟合矩形、菱形、三角形、椭圆形集料颗粒的示意图；
图12为用椭圆拟合矩形集料颗粒的示意图；
图13为用椭圆拟合菱形集料颗粒的示意图；
图14为用椭圆拟合三角形集料颗粒的示意图；
下面结合附图和具体实施方式对本发明进一步详细说明。
具体实施方式
集料颗粒的形状各式各样，有的像椭圆，有的像矩形，有的像菱形，还有的像三角形。使用单一的模型，如等效椭圆，现有技术在计算集料颗粒粒径时，相当于默认所有的集料颗粒形状都接近于椭圆，这显然是不合理的。本发明使用紧凑因子、投影轮廓和边缘点到质心距离分布三个参数将集料颗粒分为矩形、椭圆、菱形和三角形四个形状类，并给出了每个形状各自的校正系数，使得图像法计算集料颗粒粒径的准确率提升，改善了图像法计算集料级配的精确度。
实施例1
本发明提供了一种路用集料的自适应检测方法，包括以下步骤：
步骤1，对待检测的路用集料颗粒图像(图1)依次进行滤波处理、二值化处理、形态学处理，得到二值化路用集料颗粒图像，所述待检测的路用集料颗粒图像包括多个集料颗粒；
本实施例采用中值滤波或高增滤波进行滤波处理，图2(a)、(b)分别为待检测的路用集料颗粒图像(图1)经过中值滤波和高增滤波后的图像。
本实施例对滤波后的颗粒图像使用基于信息熵的阈值选择算法进行二值化处理，获得颗粒的二值化图像，如图3。
本实施例对二值图像进行形态学处理，以去除噪声点，填补集料颗粒的内部坑洞，对集料颗粒进行凸包，如图4(a)、图4(b)、图4(c)；
步骤2，在图像坐标系下，确定二值化路用集料颗粒图像的质心坐标和方向角，随后旋转二值化路用集料颗粒图像使二值化路用集料颗粒图的方向角垂直于水平线，得到旋转后的路用集料颗粒图像，如图5；
步骤3，提取旋转后的路用集料颗粒图像中每个集料颗粒的特征参数，每个集料颗粒的特征参数包括紧凑因子、投影轮廓、边缘点到质心距离分布，依据每个集料颗粒的特征参数将每个集料颗粒归至矩形、椭圆形、菱形、三角形中的任一类，得到矩形集料颗粒集合、椭圆形集料颗粒集合、菱形集料颗粒集合、三角形集料颗粒集合；
其中，依据旋转后的路用集料颗粒图像中每个集料颗粒的特征参数将每个集料颗粒归至矩形、椭圆形、菱形、三角形中的任一类，包括：
对旋转后的路用集料颗粒图像中的每个集料颗粒都进行以下操作，如图6为对每个集料颗粒分类的流程图：
步骤31，构建标准矩形、标准椭圆、标准菱形、标准三角形；
步骤32，若集料颗粒n的紧凑因子大于0.84，执行步骤33；否则，执行步骤36；n＝1，2，…，N，N为待检测的路用集料颗粒图像中集料颗粒的总数，N为大于等于1的自然数；
步骤33，若集料颗粒n的距离数据与标准矩形的距离数据的相关系数最大，则将集料颗粒n归为矩形一类；否则，执行步骤34；
步骤34，若集料颗粒n的距离数据与标准椭圆的距离数据的相关系数最大，则将集料颗粒n归为椭圆一类；否则，执行步骤35；
步骤35，若集料颗粒n的距离数据与标准菱形的距离数据的相关系数最大，则将集料颗粒n归为菱形一类；否则，将集料颗粒n归为三角形一类；
步骤36，若集料颗粒n的紧凑因子小于0.66且集料颗粒n的投影轮廓存在突变，则将集料颗粒n归为三角形一类；否则将集料颗粒n归为菱形一类；
本实施例中集料颗粒n的投影轮廓存在突变是指：对于一幅集料颗粒图像而言，从左到右统计每列中白色像素的个数，即可得到颗粒在水平方向投影的像素个数变化情况；从上到下统计每行中白色像素的个数，即可得到颗粒在垂直方向投影的像素变化情况，集料颗粒在水平和垂直方向投影的像素变化情况结合起来可以表征颗粒的轮廓变化情况，如图9为矩形、椭圆、菱形、三角形四种标准形状颗粒投影轮廓图。
图9中，第一行为四种标准形状的集料颗粒模型；第二行为该模型从左到右统计的每列的有用像素个数，即在水平方向上的投影轮廓；第三行为该模型从上到下统计的每行的有用像素个数，即在垂直方向上的投影轮廓。
从图9中可以看出：矩形颗粒不论是水平还是垂直方向上，投影轮廓都有两个突变点；三角形颗粒仅在其中一个方向上有一个突变点；菱形和椭圆形颗粒在两个方向上都没有突变点，但椭圆形颗粒像素个数的变化更加圆滑，类似于抛物线。对于突变点的量化，采用从零值增长到最大值所需的横坐标单位个数，从左到右所需的单位数和从右到左所需的单位数两者中取小者，如图10给出不同形状集料颗粒投影轮廓。
步骤37，若集料颗粒n的紧凑因子大于等于0.66且小于等于0.84，则执行步骤33，直至集料颗粒n归至矩形、椭圆形、菱形、三角形中的任一类为止；
本实施例通过式(2)得到集料颗粒n的紧凑因子Compactness：
式(2)中，A为集料颗粒n的面积，L为集料颗粒n的边界矩形的长，W为集料颗粒n的边界矩形的宽。
优选地，所述集料颗粒n的边界矩形为集料颗粒n的最小外接矩形。如图7(a)为集料颗粒n的任一边界矩形，图7(b)为集料颗粒n的最小外接矩形。
边界矩形为紧紧包含颗粒，且长宽平行于x轴和y轴的矩形。由于边界矩形的定义，当颗粒发生角度变化时，其边界矩形也会随之变化，不具有旋转不变性。当且仅当边界矩形为集料颗粒的最小外接矩形时，紧凑因子才有意义。
图8为四种标准形状颗粒的边界矩形示意图。
本实施例中，通过式(1)得到步骤3所述集料颗粒n的距离数据与标准矩形的距离数据的相关系数、集料颗粒n的距离数据与标准椭圆的距离数据的相关系数、集料颗粒n的距离数据与标准菱形的距离数据的相关系数、集料颗粒n的距离数据与标准三角形的距离数据的相关系数：
式(1)中，xi代表集料颗粒边缘点到质心点的横坐标距离，yi代表集料颗粒边缘点到质心点的纵坐标距离，代表标准形状质心点到边缘点的横坐标距离，标准形状质心点到边缘点的纵坐标距离。
步骤4，在对集料颗粒完成按形状分类后，最重要的任务就是计算每种形状的集料颗粒的校正系数，以纠正对粒径估计的偏大或是偏小。如图11，用椭圆拟合矩形集料颗粒会使得集料颗粒的粒径偏大，拟合菱形和三角形集料颗粒会使得集料颗粒的粒径偏小，而拟合椭圆形集料颗粒既不会使得集料颗粒的粒径偏小也不会使得集料颗粒的粒径偏大。
分别计算矩形集料颗粒集合、椭圆形集料颗粒集合、菱形集料颗粒集合、三角形集料颗粒集合的校正系数，得到每个集料颗粒的最终粒径。
给所诉集料颗粒的等效椭圆短轴乘以其相应类别的校正系数，获得对应颗粒的最终粒径，具体校正系数的计算如下：
如图12，用椭圆拟合矩形集料颗粒的校正系数计算如下：
椭圆面积公式见式：
其中，a为等效椭圆长轴长，b为等效椭圆短轴长，且a>＝b。矩形集料颗粒面积的计算公式为：
A[]＝LW
其中，L为矩形集料颗粒长边长，W为矩形集料颗粒短边长，且L>＝W。由等效椭圆的定义可知：
AO＝A[]
即
现假设等效椭圆的长短比与矩形集料颗粒本身的长短比相等，即
联立上式，消除W可得：
同样的，消除L可得：
这样，就得到了用椭圆拟合矩形集料颗粒的校正系数
如图13所示，用椭圆拟合菱形集料颗粒的校正系数计算。
菱形集料颗粒面积的计算公式为：
其中，L为菱形集料颗粒高，W为菱形集料颗粒宽，且L>＝W。由等效椭圆的定义可知椭圆面积与菱形面积相等，即：
现假设等效椭圆的长短比与矩形集料颗粒本身的长短比相等，即
联立上式，消除W可得：
同样的，消除L可得：
这样，就得到了用椭圆拟合菱形集料颗粒的校正系数
如图14所示，用椭圆拟合三角形集料颗粒的校正系数计算：
三角形集料颗粒面积的计算公式为：
其中，L为三角形集料颗粒高，W为三角形集料颗粒宽。由等效椭圆的定义可知：
由于三角形的不对称性，等效椭圆长短比不等于三角形集料颗粒本身长短比，需引入一个比例系数C即：
联立上式，消除W可得：
同样的，消除L可得:
通过求一些已知大小和长短比的标准三角形的等效椭圆长短轴，可以得到比例系数C的值为1.157475。这样便可得到长和宽的校正系数
Claims (6)
1.一种路用集料的自适应检测方法，其特征在于，包括以下步骤：
步骤1，对待检测的路用集料颗粒图像依次进行滤波处理、二值化处理、形态学处理，得到二值化路用集料颗粒图像，所述待检测的路用集料颗粒图像包括多个集料颗粒；
步骤2，在图像坐标系下，确定二值化路用集料颗粒图像的质心坐标和方向角，随后旋转二值化路用集料颗粒图像使二值化路用集料颗粒图像的方向角垂直于水平线，得到旋转后的路用集料颗粒图像；
步骤3，提取旋转后的路用集料颗粒图像中每个集料颗粒的特征参数，每个集料颗粒的特征参数包括紧凑因子、投影轮廓、边缘点到质心距离分布，依据每个集料颗粒的特征参数将每个集料颗粒归至矩形、椭圆形、菱形、三角形中的任一类，得到矩形集料颗粒集合、椭圆形集料颗粒集合、菱形集料颗粒集合、三角形集料颗粒集合；
其中，依据旋转后的路用集料颗粒图像中每个集料颗粒的特征参数将每个集料颗粒归至矩形、椭圆形、菱形、三角形中的任一类，包括：
对旋转后的路用集料颗粒图像中的每个集料颗粒都进行以下操作：
步骤31，构建标准矩形、标准椭圆、标准菱形、标准三角形；
步骤32，若集料颗粒n的紧凑因子大于0.84，执行步骤33；否则，执行步骤36；n＝1，2，…，N，N为待检测的路用集料颗粒图像中集料颗粒的总数，N为大于等于1的自然数；
步骤33，若集料颗粒n的距离数据与标准矩形的距离数据的相关系数最大，则将集料颗粒n归为矩形一类；否则，执行步骤34；
步骤34，若集料颗粒n的距离数据与标准椭圆的距离数据的相关系数最大，则将集料颗粒n归为椭圆一类；否则，执行步骤35；
步骤35，若集料颗粒n的距离数据与标准菱形的距离数据的相关系数最大，则将集料颗粒n归为菱形一类；否则，将集料颗粒n归为三角形一类；
步骤36，若集料颗粒n的紧凑因子小于0.66且集料颗粒n的投影轮廓存在突变，则将集料颗粒n归为三角形一类；否则将集料颗粒n归为菱形一类；
步骤37，若集料颗粒n的紧凑因子大于等于0.66且小于等于0.84，则执行步骤33，直至集料颗粒n归至矩形、椭圆形、菱形、三角形中的任一类为止；
步骤4，分别计算矩形集料颗粒集合、椭圆形集料颗粒集合、菱形集料颗粒集合、三角形集料颗粒集合的校正系数，得到每个集料颗粒的最终粒径。
2.如权利要求1所述的路用集料的自适应检测方法，其特征在于，通过式(1)得到步骤3所述集料颗粒n的距离数据与标准形状的距离数据的相关系数，所述标准形状为标准矩形、标准三角形、标准菱形、标准椭圆中的任一种；
<mrow>
<mi>&rho;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>180</mn>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>180</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>180</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中，xi代表集料颗粒边缘点到质心点的横坐标距离，yi代表集料颗粒边缘点到质心点的纵坐标距离，代表标准形状质心点到边缘点的横坐标距离，标准形状质心点到边缘点的纵坐标距离。
3.如权利要求1所述的路用集料的自适应检测方法，其特征在于，通过式(2)得到集料颗粒n的紧凑因子Compactness：
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>m</mi>
<mi>p</mi>
<mi>a</mi>
<mi>c</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mfrac>
<mi>A</mi>
<mrow>
<mi>L</mi>
<mi>W</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中，A为集料颗粒n的面积，L为集料颗粒n的边界矩形的长，W为集料颗粒n的边界矩形的宽。
4.如权利要求3所述的路用集料的自适应检测方法，其特征在于，所述集料颗粒n的边界矩形为集料颗粒n的最小外接矩形。
5.如权利要求1所述的路用集料的自适应检测方法，其特征在于，通过式(4)得到步骤2中二值化路用集料颗粒图像的质心坐标和方向角：
<mrow>
<mi>O</mi>
<mi>r</mi>
<mi>i</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>tan</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>l</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>l</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中，x，y为二值化路用集料颗粒图像中任一集料颗粒的坐标，A为二值化路用集料颗粒图像中集料颗粒的面积。
6.如权利要求1所述的路用集料的自适应检测方法，其特征在于，步骤1中所述的滤波处理包括中值滤波或高增滤波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710905193.9A CN107784646B (zh) | 2017-09-29 | 2017-09-29 | 一种路用集料的自适应检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710905193.9A CN107784646B (zh) | 2017-09-29 | 2017-09-29 | 一种路用集料的自适应检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107784646A true CN107784646A (zh) | 2018-03-09 |
| CN107784646B CN107784646B (zh) | 2020-05-19 |
Family
ID=61434069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710905193.9A Active CN107784646B (zh) | 2017-09-29 | 2017-09-29 | 一种路用集料的自适应检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107784646B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846825A (zh) * | 2018-04-24 | 2018-11-20 | 福州大学 | 一种基于图像处理技术的沥青混合料性能评价方法 |
| CN110487683A (zh) * | 2019-08-14 | 2019-11-22 | 四川大学 | 基于颗粒形状的岩石爆炸破碎效率评价方法 |
| CN110517220A (zh) * | 2019-06-10 | 2019-11-29 | 长安大学 | 一种基于激光三维数据的集料表面数量检测方法 |
| CN110580493A (zh) * | 2019-06-10 | 2019-12-17 | 长安大学 | 基于机器学习的集料形状分类方法 |
| CN113109219A (zh) * | 2021-04-29 | 2021-07-13 | 重庆交通大学 | 一种基于图像分析的沥青路面用粗集料级配监控方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050031188A1 (en) * | 2003-08-10 | 2005-02-10 | Luu Victor Van | Systems and methods for characterizing a sample |
| US20060110048A1 (en) * | 2004-10-18 | 2006-05-25 | Laurent Charlin | System and method for characterizing 2-dimensional shapes by compactness measurements |
| CN101093546A (zh) * | 2007-07-11 | 2007-12-26 | 苏州大学 | 一种数字图像轮廓形态的识别方法 |
| CN101153850A (zh) * | 2006-09-30 | 2008-04-02 | 长安大学 | 一种沥青混合料的检测方法及系统 |
| CN101620060A (zh) * | 2009-08-13 | 2010-01-06 | 上海交通大学 | 颗粒大小分布自动检测方法 |
| CN103063558A (zh) * | 2012-11-16 | 2013-04-24 | 重庆大学 | 一种机制砂颗粒形状评价方法 |
| CN103698497A (zh) * | 2013-11-04 | 2014-04-02 | 浙江大学 | 一种沥青混合料集料分布状态评价方法 |
| CN104182759A (zh) * | 2014-08-20 | 2014-12-03 | 徐州坤泰电子科技有限公司 | 基于扫描电镜的颗粒物形态识别方法 |
-
2017
- 2017-09-29 CN CN201710905193.9A patent/CN107784646B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050031188A1 (en) * | 2003-08-10 | 2005-02-10 | Luu Victor Van | Systems and methods for characterizing a sample |
| US20060110048A1 (en) * | 2004-10-18 | 2006-05-25 | Laurent Charlin | System and method for characterizing 2-dimensional shapes by compactness measurements |
| CN101153850A (zh) * | 2006-09-30 | 2008-04-02 | 长安大学 | 一种沥青混合料的检测方法及系统 |
| CN101093546A (zh) * | 2007-07-11 | 2007-12-26 | 苏州大学 | 一种数字图像轮廓形态的识别方法 |
| CN101620060A (zh) * | 2009-08-13 | 2010-01-06 | 上海交通大学 | 颗粒大小分布自动检测方法 |
| CN103063558A (zh) * | 2012-11-16 | 2013-04-24 | 重庆大学 | 一种机制砂颗粒形状评价方法 |
| CN103698497A (zh) * | 2013-11-04 | 2014-04-02 | 浙江大学 | 一种沥青混合料集料分布状态评价方法 |
| CN104182759A (zh) * | 2014-08-20 | 2014-12-03 | 徐州坤泰电子科技有限公司 | 基于扫描电镜的颗粒物形态识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| JAY FRIEDENBERG: "Aesthetic judgment of triangular shape: compactness and not the golden ratio determines perceived attractiveness", 《I-PERCEPTION》 * |
| 束鑫等: "基于距离比上下文的形状描述与识别方法", 《计算机科学》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846825A (zh) * | 2018-04-24 | 2018-11-20 | 福州大学 | 一种基于图像处理技术的沥青混合料性能评价方法 |
| CN110517220A (zh) * | 2019-06-10 | 2019-11-29 | 长安大学 | 一种基于激光三维数据的集料表面数量检测方法 |
| CN110580493A (zh) * | 2019-06-10 | 2019-12-17 | 长安大学 | 基于机器学习的集料形状分类方法 |
| CN110487683A (zh) * | 2019-08-14 | 2019-11-22 | 四川大学 | 基于颗粒形状的岩石爆炸破碎效率评价方法 |
| CN110487683B (zh) * | 2019-08-14 | 2020-04-21 | 四川大学 | 基于颗粒形状的岩石爆炸破碎效率评价方法 |
| CN113109219A (zh) * | 2021-04-29 | 2021-07-13 | 重庆交通大学 | 一种基于图像分析的沥青路面用粗集料级配监控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107784646B (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784646B (zh) | 一种路用集料的自适应检测方法 | |
| CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
| CN111047555A (zh) | 基于图像处理技术的矿石图像粒度检测算法 | |
| CN104463872B (zh) | 基于车载LiDAR点云数据的分类方法 | |
| CN105510195B (zh) | 一种堆叠骨料的粒度粒形在线检测方法 | |
| CN111508073B (zh) | 一种三维建筑模型屋顶轮廓线的提取方法 | |
| CN107314957B (zh) | 一种岩石块度尺寸分布的测量方法 | |
| CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
| CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
| CN108470173B (zh) | 一种矿石颗粒的分割方法 | |
| CN109215112B (zh) | 一种单侧点云模型的标注方法 | |
| CN110969608A (zh) | 一种基于图像法的机制砂级配修正系统 | |
| CN102608016A (zh) | 基于Canny边界检测的复杂颗粒平均尺寸测量方法 | |
| CN109801283A (zh) | 一种基于水滴偏移距离的复合绝缘子憎水性等级判定方法 | |
| CN105069395A (zh) | 基于地面三维激光扫描技术的道路标线自动识别方法 | |
| CN106296680A (zh) | 一种基于区域的多特征融合高分辨率遥感影像分割方法 | |
| CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
| CN107220946B (zh) | 一种岩石运输带上不良块度图像的实时剔除方法 | |
| CN109858484B (zh) | 一种基于偏斜评价的多类别变换车牌校正方法 | |
| CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
| CN112614139B (zh) | 基于深度图的运输带矿石团块筛选方法 | |
| CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
| CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
| CN113313727A (zh) | 结合形态学梯度的双门限阈值爆堆岩石块度图像分割方法 | |
| CN108805896B (zh) | 一种应用于城市环境的距离图像分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |