CN108596881A - 一种爆破后岩石粒度的智能图像统计方法 - Google Patents

一种爆破后岩石粒度的智能图像统计方法 Download PDF

Info

Publication number
CN108596881A
CN108596881A CN201810312707.4A CN201810312707A CN108596881A CN 108596881 A CN108596881 A CN 108596881A CN 201810312707 A CN201810312707 A CN 201810312707A CN 108596881 A CN108596881 A CN 108596881A
Authority
CN
China
Prior art keywords
image
quick
rock
grain size
fried
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
Application number
CN201810312707.4A
Other languages
English (en)
Inventor
武仁杰
李海波
于崇
夏祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Institute of Rock and Soil Mechanics of CAS
Original Assignee
Wuhan Institute of Rock and Soil Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Institute of Rock and Soil Mechanics of CAS filed Critical Wuhan Institute of Rock and Soil Mechanics of CAS
Priority to CN201810312707.4A priority Critical patent/CN108596881A/zh
Publication of CN108596881A publication Critical patent/CN108596881A/zh
Pending legal-status Critical Current

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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种爆破后岩石粒度的智能图像统计方法，步骤是：A、在爆破现场使用照相机取得爆后的岩石爆堆二维图片；B、将初始粒度图片导入电脑，使用图像处理软件对照片做校正优化处理；C、将处理的图像代入基于matlab语言编写的第三代神经网络模型‑‑反馈式脉冲耦合神经网络模型进行处理；D、对预处理完成图像另进行梯度化处理获得梯度图像；E、将获得的岩石粒度标记图像与梯度图像代入标记分水岭分割方法，获得粒度分割图；F、统计二维图片中的块体大小及数量，绘制爆破块度分布曲线，完成岩石块度统计。操作简便，有效的利用智能图像处理实现了爆后岩石粒度统计，获得的块度统计数据相较于已有的处理技术具有更高的准确性。

Description

一种爆破后岩石粒度的智能图像统计方法
技术领域
本发明属于岩土工程技术领域，更具体涉及一种爆破后岩石粒度的智能图像统计方法。
背景技术
爆破后爆堆的岩石粒度分布，是评价爆破效果的一种重要指标。爆堆岩石粒度的分布反映了爆破后的岩石的破碎程度，是设计和优化爆破参数的基础。现有的块度测量方法主要分为直接筛分法、二次爆破岩块计数法和图像技术处理法。随着图像处理技术的发展，已出现多种应用在爆破后岩石粒度测量的图像处理方法。可归纳为：WipFrag处理系统(WipFrag system)、FragScan处理系统(FragScan system)、Split处理系统(Splitsystem)以及某些高校与研究院研发的软硬件系统或统计方法，如马鞍山矿山研究院通过发大图片后人工加粗岩块边缘，以此获得现场岩块粒度分割图。
上述测量方法主要存在以下缺点：
(1)软件处理系统的工作原理为基于边缘的图像分割方法，这些边缘检测器对边缘的灰度值过渡较尖锐且噪声较小等情况简单的图像可以实现较好的分割，但对于边缘复杂、噪声干扰严重的图像处理效果不佳，会造成过分割、边缘丢失等情况。
(2)马鞍山矿山研究院等为代表的国内部分图像分割技术通过人工加粗岩块边缘，工作量大，难以应用于工程实际需要。
(3)分水岭区域分割法直接应用于现场统计时，始终无法克服现场灰度分布不均造成的“过分割”或者“欠分割”现象。
(4)已有的方法仅通过图像表现的灰度等部分信息对图像进行分割，与人类的视觉机理脱节,难以进行更精确的分割。寻找到具有较强鲁棒性、实时性的分割方法必须充分考虑人类的视觉特性机理。
发明内容
本发明的目的是在于提供了一种爆破后岩石粒度的智能图像统计方法，主要是解决了现有的爆破粒度图像测量时无法智能、高效、准确统计爆堆岩块粒度的技术难题，采用matlab编制相关程序后，仅需将现场爆堆图片代入程序即可，方法易行，操作简便，有效的利用反馈式脉冲耦合神经网络模型与标记分水岭分割方法实现爆后岩石粒度统计，获得的统计数据相较于之前的处理技术具有更高的准确度与便利性。该方法不仅充分考虑了人类的视觉特性机理，而且具有较强鲁棒性、实时性。
为了实现上述的目的，本发明采用以下技术措施：
一种爆破后岩石块度的图像统计方法，其步骤是：
步骤一、在爆破现场使用照相机取得爆后的岩石爆堆二维图片；
步骤二、将初始粒度图片导入电脑，使用adobe公司开发的photoshop图像处理软件对照片做预处理，如梯形校正、增加对比度；
步骤三、将预处理完成的图像代入基于matlab语言编写的第三代神经网络模型--反馈式脉冲耦合神经网络模型进行处理，从反馈式脉冲耦合神经网络模型输出的n组(n 为循环迭代次数)代表不同灰度信息的二值化图像中选择第二高点火集群生成的二进制图片作为岩石粒度标记图像；
步骤四、对预处理完成图像另进行梯度化处理获得梯度图像；
步骤五、将步骤三与步骤四中获得的岩石粒度标记图像、梯度图像代入Vincent发明的标记分水岭分割方法，获得最终的粒度分割图；
步骤六、将粒度分割图代入matlab编写的计算程序(是操作matlab语言编写的程序来执行)，统计二维粒度分割图中的块体大小及数量，经体视法公式、等体积球公式(请见公式7、8、9、10等)转化为三维体积与数量后，绘制爆破块度分布曲线，完成岩石块度统计。
上述六个步骤中最关键的步骤为第三步、第四步与第五步。现有技术的技术基础为基于边缘的图像分割方法、分水岭区域分割法。现有方法仅通过图像表现的灰度等部分信息对图像进行分割，与人类的视觉机理脱节。特别是对于边缘复杂、噪声干扰严重的现场爆堆岩块图像来说，由于其灰度分布重叠，现有方法会造成过分割、欠分割与边缘丢失等情况。而以马鞍山矿山研究院为代表的直接人工描绘岩块边界的方法，准确度虽然提高，但速度慢，无法实现爆破现场粒度统计。
为解决上述问题，使用标记分水岭分割方法来实现对爆堆岩块图片的分割，但常规的膨胀腐蚀操作应用于复杂爆堆岩块图片并不能实现标记的准确定位。为此，在第三步中引入反馈式脉冲耦合神经网络模型。脉冲耦合神经网络基于哺乳动物大脑视觉皮层机理建立，由于其特殊的生物学背景，该模型参考了人类的视觉特性机理，使其非常适用于图像处理、图像分析与目标识别。但脉冲耦合神经网络所需参数众多，需要大量的图片来确定相关参数才能获得满意的分割结果。反馈式脉冲耦合神经网络模型是以脉冲耦合神经网络为基础，将脉冲耦合神经网络的输出脉冲信号反馈到输入端，从而获得多组代表不同灰度信息的二值化图像。选择第二高点火集群生成的二进制图片作为岩石粒度标记图像。获得的岩石粒度标记图像不仅避免了直接应用脉冲耦合神经网络对图像分割遇到参数不定问题，也实现了标记的准确定位。
在步骤四中，获得的梯度图像是标记分水岭分割方法所需的输入信息之一。
步骤五中，将步骤三与步骤四中获得的岩石粒度标记图像、梯度图像代入标记分水岭分割方法，获得最终的粒度分割图，实现了现场爆堆岩块的准确分割。
进一步地，在爆破现场拍照时需在爆堆表面平行的放置两个长度相同的标尺，以用于后期图片的校正梯形。
进一步地，拍照过程将整个爆堆分为5层拍照，第一层为爆破刚刚完成爆堆岩块未搬运前；第二层为爆堆搬运20％后，第三层定义为爆堆搬运40％后，第四层为爆堆搬运60％后，第五层为搬运80％后的爆堆。在每一层拍得的照片所覆盖爆堆表面的面积需达到该层爆堆总面积的15％以上(以上没有限制)。
进一步地，为最大程度的减少对工程现场的干扰，可在现场装运岩石块体时拍照，且保持在同一高度、同一位置、同一角度对搬用后剩余岩石块体拍照。
进一步地，对照片的预处理包括梯形失真校正、调整对比度与降低噪点干扰。
进一步地，反馈式脉冲耦合神经网络模型所需确定最重要的参数为迭代次数n，故使用熵值法运算确定该参数。
进一步地，反馈式脉冲耦合神经网络模型输出多张图片，最终选择用来合成的三张图片之一必须是代表灰度信息最多的一张，另外两张为信息较少的两张。
进一步地，将第三步获得的岩石粒度标记图像代入标记分水岭分割方法前，需对标记图像进行腐蚀处理，使标记不至于扩展到边缘。
进一步地，所述的步骤三、四、五、六是通过操作matlab语言编写的程序来执行，具体编制的内容如下：
A、运用matlab编写反馈式脉冲耦合神经网络模型，构成反馈式脉冲耦合神经网络模型的每一个神经元由三部分组成：接收部分、调制部分和脉冲产生部分。其离散数学方程为：
Un(i,j)＝Sn(i,j)(1+βLn(i,j)) (4)
上式中，n为反馈式脉冲耦合神经网络的迭代运行次数；i，j为处理图片的像素值；S(i,j)为以图像强度作为输入的神经元；A(i,j)为通过修正S(i,j)得到的反馈信号；αA是延迟系数；L(i,j)是接收来自八个相邻神经元的局部刺激；
w(k,l)是3*3连接权重的高斯分布；Y(i,j)输出脉冲(＝1,输出对象)或不(＝0,输出背景)；β为连接系数；θ(i,j)为与u(i,j)比较判断来决定脉冲信号的动态阈值；αθ、Vθ分别为延迟系数与延迟常数。
运算中一个重要的参数是迭代次数n的确定，为更好的确定该参数，使用熵值法确定；通过运行该步程序获得岩石粒度标记图像；
B、编制图像梯度处理程序，对预处理完成图像进行梯度化处理获得欧式距离表示的梯度图像；
C、岩石粒度标记图像中少部分目标物体的标记已经扩展到边缘，因此应该对标记图像做腐蚀操作，以达到收缩标记边缘的目的。编制标记分水岭分割方法程序，将腐蚀后的岩石粒度标记图像与梯度图像代入标记分水岭分割方法，获得最终的粒度分割图。
D、编程读取粒度分割图，得到图片中每个岩块的表面积大小Ai，i表示块体的编号；将二维转三维换算公式编程，代入岩块面积Ai，可求得各个岩块体三维体积Vi。二维转三维换算公式为体视法公式、等体积球公式，具体为：
Ai的当量直径为：
每单位体积内的块体数目为Nv时，爆堆岩粒图像单位面积内块体数目为NA，两者换算公式为：
其中M是岩石块体的平均曲率。运用等体积球法，将岩石块体视为球体。对于球体，M＝2πd，故上式变为：
可得整个爆堆内半径为d的块体体积为：
V＝4/3πd3Nv (10)
本发明与现有技术相比，具有以下优点和效果：
标记分水岭分割方法可以很好的克服分水岭方法存在的过分割、欠分割问题，但常规的膨胀腐蚀操作应用于复杂爆堆岩块图片并不能实现标记的准确定位。为此，引入反馈式脉冲耦合神经网络模型。反馈式脉冲耦合神经网络模型是以脉冲耦合神经网络为基础，将脉冲耦合神经网络的输出脉冲信号反馈到输入端，从而获得多组代表不同灰度信息的二值化图像。从输出的图像中选择第二高点火集群生成的二进制图片作为岩石粒度标记图像。获得的岩石粒度标记图像不仅避免了脉冲耦合神经网络的参数不定问题，也实现了标记的准确定位。
将反馈式脉冲耦合神经网络模型处理得到的岩石粒度标记图像与梯度化后的梯度图像代入标记分水岭分割方法，可以实现对爆后岩块图像的快速有效分割。
附图说明
图1为一种爆破后岩石块度的图像统计方法现场拍照的示意图；
图2为现场取得的岩石爆堆二维图片；
图3为反馈式脉冲耦合神经网络模型获得的爆堆岩石粒度标记图像；
图4为本发明实现的爆后岩块图像分割图；
图5为常规方法(分水岭)实现的爆后岩块图像分割图；
图中：1－照相装置(佳能EOS 750D)；2－米尺；3－爆堆；4－标记；5－边缘线。
具体实施方式
实施例1：
下面结合附图和具体实施例对本发明作进一步的详细说明。
一种爆破后岩石块度的图像统计方法，它具体包括以下步骤：
1)、参考图1，首先进行现场拍照，拍照过程将整个爆堆分为五层拍照，第一层为爆破刚刚完成爆堆岩块未搬运前；第二层为爆堆搬运20％后，第三层定义为爆堆搬运40％后，第四层为爆堆搬运60％后，第五层为搬运80％后的爆堆。在每一层拍得的照片所覆盖爆堆表面的面积需达到该层爆堆总面积的15％以上。为最大程度的减少对工程现场的干扰，在装运岩块时选择同一高度、同一位置、同一角度用照相装置1拍照，在上一层的岩石装运完成后，对当前处于表面的岩块爆堆3进行拍照；
2)、参考图1，在拍照时现场爆堆倾斜，无法实现垂直爆堆表面拍照，造成照片发生梯形失真；
3)、为修正倾斜拍照带来的形状畸变，需在拍照的范围内平行放置两个相同长度的米尺2，且米尺2与拍照范围的上下边缘也保持平行，同时需要测得两个米尺之间的距离。后期处理照片梯形失真的方法为在图像内事两个米尺保持平行、长度相等，两米尺间距离与实际相符，即可完成校正；
4)、将现场爆后的岩石爆堆二维图片(图2)导入电脑，使用图像处理软件调整对比度、校正梯形失真，大多数图像软件如Photoshop，FastStone Image Viewer等都可实现上述的处理，本例选用软件photoshop；
5)、将校正后的爆后岩石爆堆图片导入编制完成的matlab程序，代入反馈式脉冲耦合神经网络模型进行处理，循环次数n＝5，从输出的图像中选择第二高点火集群生成的二进制图片作为岩石粒度标记图像；(图3)；
6)、将校正后的爆后岩石爆堆图片进行梯度化处理获得梯度图像；
7)、将步骤三获得的岩石粒度标记图像做数学形态处理如开闭运算、腐蚀后，与步骤四获得的梯度图像一同代入标记分水岭分割方法，获得最终的粒度分割图(图4)。与现有方法实现的爆后岩块图像分割图(图5)对比，可知本方法分割效果好。
8)、将粒度分割图代入计算程序，统计二维粒度分割图中的块体大小及数量，经相应公式转化为三维体积与数量后，绘制爆破块度分布曲线，完成岩石块度统计。
所述的步骤三、四、五、六、七、八是通过操作matlab语言编写的程序来执行，其步骤是：
A、运用matlab编写反馈式脉冲耦合神经网络模型，构成反馈式脉冲耦合神经网络模型的每一个神经元由三部分组成：接收部分、调制部分和脉冲产生部分。其离散数学方程为：
Un(i,j)＝Sn(i,j)(1+βLn(i,j)) (4)
上式中，n为反馈式脉冲耦合神经网络的迭代运行次数；i，j为处理图片的像素值；S(i,j) 为以图像强度作为输入的神经元；A(i,j)为通过修正S(i,j)得到的反馈信号；αA是延迟系数；L(i,j)是接收来自八个相邻神经元的局部刺激；
w(k,l)是3*3连接权重的高斯分布；Y(i,j)输出脉冲(＝1,输出对象)或不(＝0,输出背景)；β为连接系数；θ(i,j)为与u(i,j)比较判断来决定脉冲信号的动态阈值；αθ、 Vθ分别为延迟系数与延迟常数。
运算中一个重要的参数是迭代次数n的确定，为更好的确定该参数，使用熵值法确定；通过运行该步程序获得岩石粒度标记图像；
B、编制图像梯度处理程序，对预处理完成图像进行梯度化处理获得欧式距离表示的梯度图像；
C、岩石粒度标记图像中少部分目标物体的标记已经扩展到边缘，因此应该对标记图像做腐蚀操作，以达到收缩标记边缘的目的。编制标记分水岭分割方法程序，将腐蚀后的岩石粒度标记图像与梯度图像代入标记分水岭分割方法，获得最终的粒度分割图。
D、编程读取粒度分割图，得到图片中每个岩块的表面积大小Ai，i表示块体的编号；将二维转三维换算公式编程，代入岩块面积Ai，可求得各个岩块体三维体积Vi。二维转三维换算公式为体视法公式、等体积球公式，具体为：
Ai的当量直径为：
每单位体积内的块体数目为Nv时，爆堆岩粒图像单位面积内块体数目为NA，两者换算公式为：
其中M是岩石块体的平均曲率。运用等体积球法，将岩石块体视为球体。对于球体，M＝2πd，故上式变为：
可得整个爆堆内半径为d的块体体积为：
V＝4/3πd3Nv (10)
实施例2：
一种爆破后岩石粒度的图像统计方法，其步骤是：
(一)现场拍照：
现场爆堆拍照需高像素相机与2个标尺，标尺的长度相同，相机需能够获得清晰现场爆堆照片。本例选取两个1.5米长的标尺、2000万像素数码相机拍照取样，每层爆堆岩块拍得三张照片，保证在每一层拍得的照片所覆盖爆堆表面的面积达到该层爆堆总面积的15％以上。
(二)照片的预处理：
将现场爆后的岩石爆堆二维照片导入电脑，选择拍照效果较好图像进行预处理。本例爆堆在单独照片中无法获得大面积拍摄，需对照片进行拼接；在梯形失真校正后实施拼接；增大对比度，增加亮度。
(三)岩石粒度标记图像的获得：
将校正后的爆后岩石爆堆图片导入编制完成的matlab程序，代入反馈式脉冲耦合神经网络模型进行处理，循环次数n＝10，得到10张图片，选取代表灰度信息最多的一张，另选择两张信息较少的图像，通过图像融合技术获得岩石粒度标记图像。
(四)获得梯度图像：
将校正后的爆后岩石爆堆图片进行梯度化处理获得梯度图像。
(五)获得粒度分割图:
将步骤三获得的岩石粒度标记图像做闭腐蚀后，与步骤四获得的梯度图像一同代入标记分水岭分割方法，获得最终的粒度分割图
(六)求得块体数据并记录：
将粒度分割图导入编写的程序中，输出获得二维下每个块体的大小与数量、三维块体体积与数量，根据块体的等效球直径，将粒度尺寸共分为10个区间，求得每个区间的体积百分比后绘制分布曲线。
其它实施步骤与实施例1相同。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种爆破后岩石块度的图像统计方法，其步骤是：
A、在爆破现场使用照相机取得爆后的岩石爆堆二维图片；
B、将初始粒度图片导入电脑，使用photoshop图像处理软件对照片做预处理；
C、将预处理完成的图像代入基于matlab语言编写的第三代神经网络模型--反馈式脉冲耦合神经网络模型进行处理，从反馈式脉冲耦合神经网络模型输出的n组图像中选择第二高点火集群生成的二进制图片作为岩石粒度标记图像；
D、对预处理完成图像另进行梯度化处理获得梯度图像；
E、将步骤(C、D)中获得的岩石粒度标记图像、梯度图像代入标记分水岭分割方法，获得粒度分割图；
F、将粒度分割图代入计算程序，统计二维粒度分割图中的块体大小及数量，经体视法公式、等体积球公式转化为三维体积与数量后，绘制爆破块度分布曲线，完成岩石块度统计；
所述的在爆破现场照相时在爆堆表面平行放置两个长度相同的米尺，用于后期校正图片的梯形失真；
所述的拍照过程将整个爆堆分为五层拍照，第一层为爆破刚刚完成爆堆岩块未搬运前；第二层为爆堆搬运20％后，第三层定义为爆堆搬运40％后，第四层为爆堆搬运60％后，第五层为搬运80％后的爆堆，在每一层拍得的照片所覆盖爆堆表面的面积达到爆堆总面积的15％以上；
所述的在对爆堆进行拍照时，拍摄条件为保持在同一高度、同一位置、同一角度对搬用后剩余爆堆的岩石块体拍照；
所述的对初始粒度图片的预处理包括梯形失真校正、调整对比度；
所述的步骤C中反馈式脉冲耦合神经网络模型会输出n组:n为循环迭代次数,代表不同灰度信息的二值化图像，从输出的图像中选择第二高点火集群生成的二进制图片作为岩石粒度标记图像；
所述的步骤(C、D)中获得的岩石粒度标记图像代入标记分水岭分割方法前，对标记图像进行腐蚀处理，使标记不扩展到边缘。
2.根据权利要求1所述的一种爆破后岩石粒度的智能图像统计方法，其特征在于：所述的步骤(C、D、E与F)通过操作matlab语言编写的程序来执行，其步骤是：
A、运用matlab编写反馈式脉冲耦合神经网络模型，构成反馈式脉冲耦合神经网络模型的每一个神经元由三部分组成：接收部分、调制部分和脉冲产生部分，其离散数学方程为：
Un(i,j)＝Sn(i,j)(1+βLn(i,j)) (4)
上式中，n为反馈式脉冲耦合神经网络的迭代运行次数；i，j为处理图片的像素值；S(i,j)为以图像强度作为输入的神经元；A(i,j)为通过修正S(i,j)得到的反馈信号；αA是延迟系数；L(i,j)是接收来自八个相邻神经元的局部刺激；
w(k,l)是3*3连接权重的高斯分布；Y(i,j)输出脉冲(＝1,输出对象)或不(＝0,输出背景)；β为连接系数；θ(i,j)为与u(i,j)比较判断来决定脉冲信号的动态阈值；αθ、Vθ分别为延迟系数与延迟常数；
运算中一个的参数是迭代次数n的确定，使用熵值法确定；通过运行该步骤程序获得岩石粒度标记图像；
B、编制图像梯度处理程序，对处理完成图像进行梯度化处理获得欧式距离表示的梯度图像；
C、岩石粒度标记图像中目标物体的标记扩展到边缘，对标记图像做腐蚀操作，编制标记分水岭分割方法程序，将腐蚀后的岩石粒度标记图像与梯度图像代入标记分水岭分割方法，获得最终的粒度分割图；
D、编程读取粒度分割图，得到图片中每个岩块的表面积大小Ai，i表示块体的编号；将二维转三维换算公式编程，代入岩块面积Ai，求得各个岩块体三维体积Vi。
CN201810312707.4A 2018-04-09 2018-04-09 一种爆破后岩石粒度的智能图像统计方法 Pending CN108596881A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810312707.4A CN108596881A (zh) 2018-04-09 2018-04-09 一种爆破后岩石粒度的智能图像统计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810312707.4A CN108596881A (zh) 2018-04-09 2018-04-09 一种爆破后岩石粒度的智能图像统计方法

Publications (1)

Publication Number Publication Date
CN108596881A true CN108596881A (zh) 2018-09-28

Family

ID=63621292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810312707.4A Pending CN108596881A (zh) 2018-04-09 2018-04-09 一种爆破后岩石粒度的智能图像统计方法

Country Status (1)

Country Link
CN (1) CN108596881A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242909A (zh) * 2020-01-07 2020-06-05 同济大学 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法
CN112184599A (zh) * 2020-12-01 2021-01-05 矿冶科技集团有限公司 爆堆块度的识别方法、装置及电子设备
CN112285107A (zh) * 2020-10-19 2021-01-29 中国科学院武汉岩土力学研究所 一种通过平面拍照实现三维爆破块度分布测量的方法
CN113313727A (zh) * 2020-02-27 2021-08-27 广东锡源爆破科技股份有限公司 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
CN113343441A (zh) * 2021-05-21 2021-09-03 武汉理工大学 基于筛分法仿真的岩石爆破块度测量方法
CN113674406A (zh) * 2021-03-11 2021-11-19 广东锡源爆破科技股份有限公司 一种露天深孔台阶爆破爆堆表面岩块的三维模拟方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463199A (zh) * 2014-11-28 2015-03-25 福州大学 基于多特征及分割再校正的矿岩块度分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463199A (zh) * 2014-11-28 2015-03-25 福州大学 基于多特征及分割再校正的矿岩块度分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FI-JOHN CHANG,CHANG-HAN CHUNG: "Estimation of riverbed grain-size distribution using image-processing techniques", 《JOURNAL OF HYDROLOGY》 *
李凯: "基于数字图像处理技术的爆堆粒度分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
郭瑞和: "王官营石灰石矿爆破至粗碎成本优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242909A (zh) * 2020-01-07 2020-06-05 同济大学 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法
CN111242909B (zh) * 2020-01-07 2022-10-25 同济大学 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法
CN113313727A (zh) * 2020-02-27 2021-08-27 广东锡源爆破科技股份有限公司 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
CN112285107A (zh) * 2020-10-19 2021-01-29 中国科学院武汉岩土力学研究所 一种通过平面拍照实现三维爆破块度分布测量的方法
CN112184599A (zh) * 2020-12-01 2021-01-05 矿冶科技集团有限公司 爆堆块度的识别方法、装置及电子设备
CN113674406A (zh) * 2021-03-11 2021-11-19 广东锡源爆破科技股份有限公司 一种露天深孔台阶爆破爆堆表面岩块的三维模拟方法
CN113343441A (zh) * 2021-05-21 2021-09-03 武汉理工大学 基于筛分法仿真的岩石爆破块度测量方法
CN113343441B (zh) * 2021-05-21 2022-10-04 武汉理工大学 基于筛分法仿真的岩石爆破块度测量方法

Similar Documents

Publication Publication Date Title
CN108596881A (zh) 一种爆破后岩石粒度的智能图像统计方法
Su et al. A deeper look at 3d shape classifiers
Han et al. Remote sensing image building detection method based on Mask R-CNN
US9942535B2 (en) Method for 3D scene structure modeling and camera registration from single image
CN103871039B (zh) 一种sar图像变化检测差异图生成方法
CN114758081A (zh) 基于神经辐射场的行人重识别三维数据集构建方法和装置
CN106780546B (zh) 基于卷积神经网络的运动模糊编码点的身份识别方法
Zhang et al. Efficient inductive vision transformer for oriented object detection in remote sensing imagery
CN105261059A (zh) 一种基于在屏幕空间计算间接反射高光的渲染方法
CN104217459B (zh) 一种球面特征提取方法
CN105574545B (zh) 街道环境图像多视角语义切割方法及装置
CN110992366A (zh) 一种图像语义分割方法、装置及存储介质
CN103824294A (zh) 一种电子断层图像序列对位方法
CN113160392B (zh) 基于深度神经网络的光学建筑目标三维重建方法
Battiato et al. A Survey of Digital Mosaic Techniques.
CN104809478A (zh) 一种面向大规模三维重建的图像分块方法及装置
CN109886984A (zh) 利用前后景灰度差和深度学习网络的图像精确分割方法
CN109087344A (zh) 三维重建中的图像选择方法及装置
CN106683160A (zh) 一种基于二维直方图的传递函数设计方法及装置
Su et al. Which CAM is better for extracting geographic objects? A perspective from principles and experiments
dos Passos et al. Sample-based synthesis of illustrative patterns
CN110363792A (zh) 一种基于光照不变性特征提取的遥感图像变化检测方法
CN105389573A (zh) 一种基于局部三值模式分层重构的人脸识别方法
Lu et al. Research on 3D reconstruction method of human-computer interaction scene based on support vector machine in cloud manufacturing environment
CN112002019B (zh) 一种基于mr混合现实的模拟人物阴影的方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180928