CN108986078A - 一种基于凸包几何特征的粗集料棱角性量化方法 - Google Patents
一种基于凸包几何特征的粗集料棱角性量化方法 Download PDFInfo
- Publication number
- CN108986078A CN108986078A CN201810668385.7A CN201810668385A CN108986078A CN 108986078 A CN108986078 A CN 108986078A CN 201810668385 A CN201810668385 A CN 201810668385A CN 108986078 A CN108986078 A CN 108986078A
- Authority
- CN
- China
- Prior art keywords
- convex closure
- materials
- point
- image
- angle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013139 quantization Methods 0.000 title claims abstract description 12
- 239000000463 material Substances 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims abstract description 7
- 230000001154 acute effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 3
- 239000004567 concrete Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000004568 cement Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于凸包几何特征的粗集料棱角性量化方法,包括集料棱角性检测系统得到的集料图像,对集料图像进行灰度化等一系列处理,读取集料图像,进行凸包几何特征获取,然后读取集料颗粒凸包图像,得到每个集料三个不同面凸包前集料面积和凸包后集料图像面积,以凸包前后集料平均面积差表征单个集料的棱角性,用平均棱角指标代表整批集料的棱角性;从而实现对集料棱角性高效,精确的检测和定量分析,具有检测效率高,客观性强,检测成本低的优点。
Description
技术领域
本发明属于道路工程领域,涉及集料特性量化,具体涉及一种基于凸包几何特征的粗集料棱角性量化方法。
背景技术
近年来,我国公路建设成绩尤为显著,截止2017年末,全国公路网总里程从423.75万公里增加到500多万公里,高速公路里程从9.6万公里增加到13.6万公里,新建改建农村公路127万公里。沥青混凝土路面和水泥混凝土路面是我国公路路面的主要结构形式,其路用性能受到沥青混凝土和水泥混凝土质量的影响,而集料质量占混凝土总质量90%~95%,占水泥混凝土总质量70%~85%。因此,集料在路面结构中起着非常重要的作用,集料形态特征的量化是集料生产和路面施工质量控制的关键,直接影响着路面寿命和使用性能。集料棱角性影响路面结构的嵌挤作用、抗滑、抗车辙特性,粗集料的棱角性体现了集料表面的突出特性,棱角性较好的集料可以提高颗粒与颗粒之间的嵌挤结构进而提高混凝土路面的路用性能。我国现行规范中,对于粗集料的棱角性还没有统一的评价方法和定量指标,并且其相关研究较少,目前粗集料棱角性量化分析技术还处于研究阶段,现有方法主要存在以下几方面问题:
1)检测技术落后
由于大部分现有集料棱角性检测方法采用全人工或半人工手动经验式检测,检测设备庞大且机动性较差,检测过程繁杂、耗时、费力。
2)检测精度差
现有棱角性检测方法大多数是定性分析而非定量分析,检测结果受人员水平和操作习惯影响较大,采集的数据精度不高并且记录过程繁琐,工程应用局限性高。
3)规范性不一
美国和欧洲对粗集料的棱角性有各自的评价方法但大部分是定性指标,目前,我国尚无明确的集料棱角性规范和定量指标,因人而异,按照不同的标准评价出的集料棱角性指标千差万别,直接导致沥青混合料选料标准混乱、质量不高,沥青路面出现早期路用性能下降或破坏现象。
发明内容
针对上述现有技术存在的缺陷或不足,本发明的目的在于,提供种基于凸包几何特征的粗集料棱角性量化方法,从而实现对集料棱角性高效,精确的检测和定量分析。
为了实现上述任务,本发明采取如下的技术解决方案予以实现:
一种基于凸包几何特征的粗集料棱角性量化方法,按以下步骤实施:
步骤一、集料棱角性检测系统得到的集料图像;
步骤二、集料图像进行灰度化、中值滤波去噪、高亮细节增强、图像熵分割、闭运算目标提取、坑洞填充等一系列处理;
步骤三、读取步骤二中的集料图像,进行凸包几何特征获取,具体包括:
(1)参考点的选取:
极角排序前,需要选取一个参考点,任意平面点集,取最左边横坐标最小的点,若存在多个这样的点选取纵坐标最小的点,平面中的点都位于图的半平面中,且点集中任意两点和参考点所成的夹角为锐角;
(2)极角坐标排序:
先利用向量的叉积比较极角大小,所有向量之间的夹角都在180度以内,不会产生误差。若极角相同,决定点排序的时候需加上距离第二关键字。以参考点为极角坐标系原点,各个点的极角为关键字,按极角大小进行坐标排序;
(3)凸包点的确定:
按照极角坐标排好的序,利用栈依次加入凸包点,若加入的新点和上一条边形成逆时针左转方向则继续压栈,否则形成顺时针右转方向则弹栈;
(4)逐点逆时针扫描,扫描完所有的点,由于时刻栈内都是一个凸壳,会得到相应的集料凸包;
步骤四,读取集料颗粒凸包图像,得到每个集料三个不同面凸包前集料面积和凸包后集料图像面积,以凸包前后集料平均面积差表征单个集料的棱角性,用平均棱角指标代表整批集料的棱角性,将凸包面积差法棱角性量化指标定义如下:
由于每个集料同样是在3中不同状态下得到的二维图形,式中,i代表单个集料的不同三种状态;S2i代表集料凸包后的面积,S1i代表凸包前的集料原始面积,M为单个集料的棱角量化指标;I为整批集料棱角性量化指标,N为总集料个数。
本发明的基于凸包几何特征的粗集料棱角性量化方法,与现有技术相比,具有以下技术效果:
(1)采用的集料凸包面积差量化方法可以准确、快捷、高效地量化集料的棱角性,从传统的定性分析转为定量分析。
(2)将每个集料的3个特征面求得的颗粒凸包前后进行面积差百分比表示,得到的集料棱角指标更精确。
(3)降低了检测算法的复杂度、运行时间短,适合在实时的检测系统中采用,有利于集料质量好坏的控制。
(4)克服了传统检测方法受人员水平和操作习惯影响的缺陷,同时基于骨架棱角性量化方法开发的集料棱角性检测系统,具有检测效率高,客观性强,检测成本低的优点。
附图说明
图1是集料原始图,其中,(a)图为样例1的集料图,(b)图为样例2的集料图;
图2为集料凸包后效果图。其中,(a)图为样例1的效果图,(b)图为样例2的效果图;
下面结合附图和具体实施例对本发明作进一步地详细说明。
具体实施方式
参见图1和图2,本实施例给出一种基于骨架特征的粗集料棱角性量化方法,具体包括如下步骤:
步骤一,输入集料棱角性检测系统得到的集料图像。
步骤二,集料图像灰度化、中值滤波去噪、高亮细节增强、图像熵分割、闭运算目标提取、坑洞填充等一系列处理。
步骤三,读取步骤二中的集料图像,进行凸包几何特征获取,具体包括:
(1)参考点的选取:
极角排序前,需要选取一个参考点,任意平面点集,取最左边横坐标最小的点,若存在多个这样的点选取纵坐标最小的点,平面中的点都位于图的半平面中,且点集中任意两点和参考点所成的夹角为锐角。
(2)极角坐标排序:
先利用向量的叉积比较极角大小,所有向量之间的夹角都在180度以内,不会产生误差。若极角相同,决定点排序的时候需加上距离第二关键字。以参考点为极角坐标系原点,各个点的极角为关键字,按极角大小进行坐标排序。
(3)凸包点的确定:
按照极角坐标排好的序,利用栈依次加入凸包点,若加入的新点和上一条边形成逆时针左转方向则继续压栈,否则形成顺时针右转方向则弹栈。
(4)逐点逆时针扫描,扫描完所有的点,由于时刻栈内都是一个凸壳,会得到相应的集料凸包。
步骤四,读取集料颗粒凸包图像,得到每个集料三个不同面凸包前集料原始面积S1i和凸包后集料图像面积S2i,得到凸包前后集料平均面积差百分比表征单个集料的棱角性,例如对于单个集料凸包前集料原始面积S2i=1918,S1i=1965,面积都用像素值表示,则单个集料的棱角性为用5颗集料代表整批集料,则整批集料棱角指标代表整批集料的棱角性,值为
Claims (1)
1.一种基于凸包几何特征的粗集料棱角性量化方法,其特征在于,按以下步骤实施:
步骤一,集料棱角性检测系统得到的集料图像;
步骤二,集料图像进行灰度化、中值滤波去噪、高亮细节增强、图像熵分割、闭运算目标提取、坑洞填充等一系列处理;
步骤三,读取步骤二中的集料图像,进行凸包几何特征获取,具体包括:
(1)参考点的选取:
极角排序前,需要选取一个参考点,任意平面点集,取最左边横坐标最小的点,若存在多个这样的点选取纵坐标最小的点,平面中的点都位于图的半平面中,且点集中任意两点和参考点所成的夹角为锐角;
(2)极角坐标排序:
先利用向量的叉积比较极角大小,所有向量之间的夹角都在180度以内,不会产生误差;若极角相同,决定点排序的时候需加上距离第二关键字,以参考点为极角坐标系原点,各个点的极角为关键字,按极角大小进行坐标排序;
(3)凸包点的确定:
按照极角坐标排好的序,利用栈依次加入凸包点,若加入的新点和上一条边形成逆时针左转方向则继续压栈,否则形成顺时针右转方向则弹栈;
(4)逐点逆时针扫描,扫描完所有的点,由于时刻栈内都是一个凸壳,会得到相应的集料凸包;
步骤四,读取集料颗粒凸包图像,得到每个集料三个不同面凸包前集料面积和凸包后集料图像面积,以凸包前后集料平均面积差表征单个集料的棱角性,用平均棱角指标代表整批集料的棱角性,将凸包面积差法棱角性量化指标定义如下:
由于每个集料同样是在3中不同状态下得到的二维图形,式中,i代表单个集料的不同三种状态;S2i代表集料凸包后的面积,S1i代表凸包前的集料原始面积,M为单个集料的棱角量化指标;I为整批集料棱角性量化指标,N为总集料个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810668385.7A CN108986078A (zh) | 2018-06-26 | 2018-06-26 | 一种基于凸包几何特征的粗集料棱角性量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810668385.7A CN108986078A (zh) | 2018-06-26 | 2018-06-26 | 一种基于凸包几何特征的粗集料棱角性量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108986078A true CN108986078A (zh) | 2018-12-11 |
Family
ID=64538259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810668385.7A Pending CN108986078A (zh) | 2018-06-26 | 2018-06-26 | 一种基于凸包几何特征的粗集料棱角性量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986078A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658117A (zh) * | 2019-09-30 | 2020-01-07 | 中冶南方工程技术有限公司 | 一种粗集料棱角性评价装置及方法 |
CN111307070A (zh) * | 2019-11-05 | 2020-06-19 | 长安大学 | 基于数字图像处理对混凝土粗集料的棱角度测量方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874623A (zh) * | 2017-03-14 | 2017-06-20 | 浙江大学 | 一种混凝土骨料单元的二维随机生成方法 |
-
2018
- 2018-06-26 CN CN201810668385.7A patent/CN108986078A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874623A (zh) * | 2017-03-14 | 2017-06-20 | 浙江大学 | 一种混凝土骨料单元的二维随机生成方法 |
Non-Patent Citations (5)
Title |
---|
周波: "基于骨料形貌参数修正的可压缩堆积模型及其在混凝土材料中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张家发,等.: "碎石颗粒形状测量与评定的初步研究", 《岩土力学》 * |
杨永浩,等.: "基于图像处理技术的尾矿颗粒形态研究", 《岩石力学与工程学报》 * |
王瑶: "基于二阶矩算法的集料粒径及形状特性研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
谋仁,主编: "《计算机数据结构和实用算法大全》", 31 December 1991, 北京希望电脑公司 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658117A (zh) * | 2019-09-30 | 2020-01-07 | 中冶南方工程技术有限公司 | 一种粗集料棱角性评价装置及方法 |
CN111307070A (zh) * | 2019-11-05 | 2020-06-19 | 长安大学 | 基于数字图像处理对混凝土粗集料的棱角度测量方法 |
CN111307070B (zh) * | 2019-11-05 | 2021-06-15 | 长安大学 | 基于数字图像处理对混凝土粗集料的棱角度测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3006240C (en) | A stepwise refinement detection method for pavement cracks | |
CN107527067B (zh) | 一种基于探地雷达的铁路路基病害智能识别方法 | |
CN105445160B (zh) | 一种沥青混合料的空隙特征及其提取方法 | |
CN106124454B (zh) | 一种基于遥感影像的沥青路面老化状况监测方法 | |
CN104496284A (zh) | 基于灰色系统理论的废弃沥青混凝土级配优化方法 | |
CN108986078A (zh) | 一种基于凸包几何特征的粗集料棱角性量化方法 | |
CN104463882A (zh) | 基于形状补全区域图和特征编码的sar图像分割方法 | |
CN111025285B (zh) | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 | |
CN108646007A (zh) | 一种沥青路面回收旧料结团特性的试验评价方法 | |
CN106529593A (zh) | 路面病害检测方法和系统 | |
CN105354600A (zh) | 一种砂岩显微薄片的自动分类方法 | |
CN105203593B (zh) | 一种基于混合料细观结构特性的沥青和集料导热系数反演方法 | |
CN106442949A (zh) | 基于接触特征的评价及预测沥青混合料车辙性能的方法 | |
WO2022166232A1 (zh) | 岩石鉴定方法、系统、装置、终端及可读存储介质 | |
CN104361579A (zh) | 一种沥青混合料的各向异性程度评估方法 | |
CN109116002B (zh) | 一种路用粗集料棱角性量化方法 | |
CN110517220A (zh) | 一种基于激光三维数据的集料表面数量检测方法 | |
CN112489026A (zh) | 基于多分支并行卷积神经网络的沥青路面病害检测方法 | |
Jiang | A crack detection and diagnosis methodology for automated pavement condition evaluation | |
CN111307070A (zh) | 基于数字图像处理对混凝土粗集料的棱角度测量方法 | |
CN110716199A (zh) | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 | |
CN116434054A (zh) | 一种基于线面结合的密集遥感地物提取方法 | |
CN104911982A (zh) | 一种基于磁性分析技术的路面病害检测方法 | |
CN107524065B (zh) | 一种多空路面再生时骨架恢复方法 | |
CN113850303A (zh) | 一种旧沥青路面材料分类方法及系统 |
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 |
Application publication date: 20181211 |
|
WD01 | Invention patent application deemed withdrawn after publication |