CN109447953A - 基于纹理特征的沥青质量检测方法、系统及电子设备 - Google Patents
基于纹理特征的沥青质量检测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN109447953A CN109447953A CN201811179821.0A CN201811179821A CN109447953A CN 109447953 A CN109447953 A CN 109447953A CN 201811179821 A CN201811179821 A CN 201811179821A CN 109447953 A CN109447953 A CN 109447953A
- Authority
- CN
- China
- Prior art keywords
- target image
- asphalt
- texture
- gray level
- quality
- 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
- 239000010426 asphalt Substances 0.000 title claims abstract description 119
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011295 pitch Substances 0.000 description 4
- QGJOPFRUJISHPQ-UHFFFAOYSA-N Carbon disulfide Chemical compound S=C=S QGJOPFRUJISHPQ-UHFFFAOYSA-N 0.000 description 3
- 206010073310 Occupational exposures Diseases 0.000 description 3
- 230000000711 cancerogenic effect Effects 0.000 description 3
- 231100000357 carcinogen Toxicity 0.000 description 3
- 239000003183 carcinogenic agent Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 231100000675 occupational exposure Toxicity 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000011280 coal tar Substances 0.000 description 1
- 239000011294 coal tar pitch Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000018984 mastication Effects 0.000 description 1
- 238000010077 mastication Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000011301 petroleum pitch Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种基于纹理特征的沥青质量检测方法、系统及电子设备，属于计算机应用技术领域。所述方法包括：获取对沥青采集的目标图像；采用纹理特征提取算法从所述目标图像中提取纹理特征；根据所述纹理特征判断所述目标图像中的沥青质量。上述基于纹理特征的沥青质量检测方法、系统及电子设备能够实现沥青质量检测的自动化，无需专门的操作人员进行沥青质量的检测，避免进行沥青质量检测时给人体健康带来严重危害。
Description
技术领域
本发明涉及计算机应用技术领域，特别涉及一种基于纹理特征的沥青质量检测方法、系统及电子设备。
背景技术
沥青通常存储在大型储罐中，当在使用输出时，需要对储罐中的沥青进行加热，以提高沥青的流动性，使沥青能够顺利、快速输出。在沥青输出时，需同时检测沥青的质量，确保输出沥青的质量合格。
目前，通常是采用人工抽样方式检测沥青的质量，但实际生产环境通常是高温、有毒烟、有气味的环境，导致在对沥青进行质量检测时给人体健康带来严重危害。
发明内容
为了解决相关技术中进行沥青质量检测时给人体健康带来严重危害的技术问题，本发明提供了一种基于纹理特征的沥青质量检测方法、系统及电子设备。
第一方面，提供了一种基于纹理特征的沥青质量检测方法，包括：
获取对沥青采集的目标图像；
采用纹理特征提取算法从所述目标图像中提取纹理特征；
根据所述纹理特征判断所述目标图像中的沥青质量。
可选的，所述采用纹理特征提取算法从所述目标图像中提取纹理特征的步骤包括：
采用灰度共生矩阵算法从所述目标图像中提取纹理特征。
可选的，所述采用灰度共生矩阵算法从所述目标图像中提取纹理特征的步骤包括：
对所述目标图像进行灰度降级；
根据设定的窗口大小，对经过灰度降级的所述目标图像逐窗口计算灰度共生矩阵；
根据所述灰度共生矩阵计算纹理特征。
可选的，所述纹理特征包括对比度、能量、熵、相关性等中的一种或多种。
可选的，所述根据所述纹理特征判断所述目标图像中的沥青质量的步骤包括：
当检测到所述纹理特征中的熵和对比度均达到相应的预设阈值时，则确定所述目标图像中的沥青质量为花料。
可选的，所述根据所述纹理特征判断所述目标图像中的沥青质量的步骤之后，所述方法还包括：
根据所述沥青质量，通过语音或图像对操作人员进行沥青质量的提醒。
第二方面，提供了一种基于纹理特征的沥青质量检测系统，包括：
目标图像获取模块，用于获取对沥青采集的目标图像；
纹理特征提取模块，用于采用纹理特征提取算法从所述目标图像中提取纹理特征；
沥青质量判断模块，用于根据所述纹理特征判断所述目标图像中的沥青质量。
可选的，所述纹理特征提取模块包括：
样本图像采集单元，用于对所述目标图像进行灰度降级；
灰度共生矩阵计算单元，用于根据设定的窗口大小，对经过灰度降级的所述目标图像逐窗口计算灰度共生矩阵；
纹理特征计算单元，用于根据所述灰度共生矩阵计算纹理特征。
第三方面，提供了一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
第四方面，提供了一种计算机可读性存储介质，用于存储程序，其特征在于，所述程序在被执行时使得电子设备执行如第一方面的方法。
通过本发明的实施例提供的技术方案能够得到以下有益效果：
在进行沥青质量检测时，在获取对沥青采集的目标图像后，采用纹理特征提取算法从所述目标图像中提取纹理特征，进而根据纹理特征即可自动识别目标图像中的沥青质量，从而实现沥青质量检测的自动化，无需专门的操作人员进行沥青质量的检测，避免进行沥青质量检测时给人体健康带来严重危害。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，本发明并不受限制。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于纹理特征的沥青质量检测方法流程图。
图2是根据图1对应实施例示出的基于纹理特征的沥青质量检测方法中步骤S120的一种具体实现流程图。
图3是根据一示例性实施例示出的一种基于纹理特征的沥青质量检测系统的框图。
图4是根据图3对应实施例示出的基于纹理特征的沥青质量检测系统中纹理特征提取模块120的一种框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所记载的、本发明的一些方面相一致的系统和方法的例子。
图1是根据一示例性实施例示出的一种基于纹理特征的沥青质量检测方法流程图，该基于纹理特征的沥青质量检测方法可用于智能手机、电脑等电子设备中。如图1所示，该基于纹理特征的沥青质量检测方法可以包括以下步骤。
步骤S110，获取对沥青采集的目标图像。
目标图像是针对将进行质量检测的沥青采集的图像。
目标图像可以是实时采集的一个图像；也可以是从预先采集的图像库中提取的一个图像；也可以是在视频采集存储后，从存储的视频中提取的一个图像帧；还可以是其它形式采集的图像。
沥青是由不同分子量的碳氢化合物及其非金属衍生物组成的黑褐色复杂混合物，是高黏度有机液体的一种，呈液态，表面呈黑色，可溶于二硫化碳。沥青是一种防水防潮和防腐的有机胶凝材料。沥青主要可以分为煤焦沥青、石油沥青和天然沥青三种：其中，煤焦沥青是炼焦的副产品。石油沥青是原油蒸馏后的残渣。天然沥青则是储藏在地下，有的形成矿层或在地壳表面堆积。沥青主要用于涂料、塑料、橡胶等工业以及铺筑路面等。
2017年10月27日，世界卫生组织国际癌症研究机构公布的致癌物清单初步整理参考，沥青、职业暴露于氧化沥青及其在盖屋顶过程中的排放在2A类致癌物清单中，铺路时职业暴露于直馏沥青及其排放物、做沥青砂胶工作时职业暴露于硬沥青及其排放物在2B类致癌物清单中。
因此，当采用人工抽样方式检测沥青质量时，将对检测人员的身体健康带来严重危害。
步骤S120，采用纹理特征提取算法从目标图像中提取纹理特征。
纹理特征刻画了图像中重复出现的局部模式与他们的排列规则。
通常地，纹理特征提取算法包括基于统计的算法、基于模型的算法、基于结构的算法、基于信号处理的算法。
基于统计的算法包括灰度共生矩阵、灰度行程统计、灰度差分统计、局部灰度统计、半方差图、自相关函数等；基于模型的算法包括同步自回归模型、马尔可夫模型、吉布斯模型、滑动平均模型、复杂网络模型等；基于结构的算法包括句法纹理分析、数学形态学法、Laws纹理测量、特征滤波器等；基于信号处理的算法包括Radon变换、离散余弦变换、局部傅里叶变化、Gabor变换、二进制小波变换、树形小波分解等。
灰度共生矩阵(Gray-Level Co-occurrence Matrix，GLCM)统计了灰度图中像素间的灰度值分布规律以区分不同的纹理。
灰度共生矩阵可以定义为一个灰度值为i的像素点与另一个与之对应位置上的像素点的灰度值为j的概率。那么所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵。如：根据图像中任意一点(x,y)(x,y)(x,y)的灰度值和它所对应的点(x+dx,y+dy)(x+dx,y+dy)(x+d_x,y+d_y)的灰度值可以得到一个灰度值组合(g1,g2)(g1,g2)(g_1,g_2)。统计整福图像每一种灰度值组合出现的概率矩阵P即为灰度共生矩阵。
由于灰度共生矩阵的维度较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理特征。例如Haralick曾提出了14种基于灰度共生矩阵算法提取的纹理特征：能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。
在本示例性实施例中，通过对比度、能量、熵、相关性等作为纹理特征。
对比度，度量矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅，纹理的沟纹越深，反差越大，效果清晰；反之，对比值小，则沟纹浅，效果模糊。
能量：是灰度共生矩阵各元素值的平方和，是对图像纹理的灰度变化稳定程度的度量，反应了图像灰度分布均匀程度和纹理粗细度。能量值大表明当前纹理是一种规则变化较为稳定的纹理。
熵：是图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。
相关性：用来度量图像的灰度级在行或列方向上的相似程度，因此值的大小反应了局部灰度相关性，值越大，相关性也越大。
可选的，如图2所示，采用灰度共生矩阵算法从目标图像中提取纹理特征时，步骤S120可包括步骤S121、步骤S122、步骤S123。
步骤S121，对目标图像进行灰度降级。
步骤S122，根据设定的窗口大小，对经过灰度降级的目标图像逐窗口计算灰度共生矩阵。
步骤S123，根据灰度共生矩阵计算纹理特征。
步骤S130，根据纹理特征判断目标图像中的沥青质量。
可以理解的是，针对不同质量的沥青采集的目标图像中，其纹理特征是各不相同的。
因此，通过纹理特征即可判断出目标图像中的沥青质量。
在一示例性实施例中，沥青质量包括油料和花料。油料通常为在生产过程完全合格的情况下生产出的优质品，而花料则是生产过程出现问题后的劣质品。花料是由于沥青没拌均匀、因沥青用量过少造成露出石子的白色、或沥青混合料出现了白的、黑色的现象。
当检测到纹理特征中的熵和对比度均达到相应的预设阈值时，则确定目标图像中的沥青质量为花料。
利用如上所述的方法，在获取对沥青采集的目标图像后，采用纹理特征提取算法从目标图像中提取纹理特征，进而根据纹理特征即可自动识别目标图像中的沥青质量，从而实现沥青质量检测的自动化，无需专门的操作人员进行沥青质量的检测，避免进行沥青质量检测时给人体健康带来严重危害。
可选的，在图1对应实施例示出的基于纹理特征的沥青质量检测方法中，在步骤S130之后，该基于纹理特征的沥青质量检测方法还可以包括以下步骤：
根据沥青质量，通过语音或图像对操作人员进行沥青质量的提醒。
可以理解的是，在检测出沥青质量后，根据沥青质量，通过语音或图像告知在操作室的操作人员，对操作人员进行沥青质量的提醒，大大提高了沥青质量检测的便利性，使操作人员能够根据检测的沥青质量及时进行处理。
当检测到沥青质量为油料时，通过语音或图像进行报警提醒，从而迅速告知操作人员快速处理。
下述为本发明系统实施例，可以用于执行上述基于纹理特征的沥青质量检测方法实施例。对于本发明系统实施例中未披露的细节，请参照本发明基于纹理特征的沥青质量检测方法实施例。
图3是根据一示例性实施例示出的一种基于纹理特征的沥青质量检测系统的框图，该系统包括但不限于：目标图像获取模块110、纹理特征提取模块120及沥青质量判断模块130。
目标图像获取模块110，用于获取对沥青采集的目标图像；
纹理特征提取模块120，用于采用纹理特征提取算法从目标图像中提取纹理特征；
沥青质量判断模块130，用于根据纹理特征判断目标图像中的沥青质量。
上述系统中各个模块的功能和作用的实现过程具体详见上述基于纹理特征的沥青质量检测方法中对应步骤的实现过程，在此不再赘述。
可选的，如图4所示，纹理特征提取模块120包括但不限于：样本图像采集单元121、灰度共生矩阵计算单元122和纹理特征计算单元123。
样本图像采集单元121，用于对目标图像进行灰度降级；
灰度共生矩阵计算单元122，用于根据设定的窗口大小，对经过灰度降级的目标图像逐窗口计算灰度共生矩阵；
纹理特征计算单元123，用于根据灰度共生矩阵计算纹理特征。
可选的，图3对应实施例示出的沥青质量判断模块130具体应用于当检测到纹理特征中的熵和对比度均达到相应的预设阈值时，确定目标图像中的沥青质量为花料。
可选的，该基于纹理特征的沥青质量检测系统还包括但不限于：提醒模块。
提醒模块，用于根据沥青质量，通过语音或图像对操作人员进行沥青质量的提醒。
图5是根据一示例性实施例示出的一种电子设备100的框图。参考图5，电子设备100可以包括以下一个或者多个组件：处理组件101，存储器102，电源组件103，多媒体组件104，音频组件105，传感器组件107以及通信组件108。其中，上述组件并不全是必须的，电子设备100可以根据自身功能需求增加其他组件或减少某些组件，本实施例不作限定。
处理组件101通常控制电子设备100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件101可以包括一个或多个处理器109来执行指令，以完成上述操作的全部或部分步骤。此外，处理组件101可以包括一个或多个模块，便于处理组件101和其他组件之间的交互。例如，处理组件101可以包括多媒体模块，以方便多媒体组件104和处理组件101之间的交互。
存储器102被配置为存储各种类型的数据以支持在电子设备100的操作。这些数据的示例包括用于在电子设备100上操作的任何应用程序或方法的指令。存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如SRAM(Static RandomAccess Memory，静态随机存取存储器)，EEPROM(Electrically Erasable ProgrammableRead-Only Memory，电可擦除可编程只读存储器)，EPROM(Erasable Programmable ReadOnly Memory，可擦除可编程只读存储器)，PROM(Programmable Read-Only Memory，可编程只读存储器)，ROM(Read-Only Memory，只读存储器)，磁存储器，快闪存储器，磁盘或光盘。存储器102中还存储有一个或多个模块，该一个或多个模块被配置成由该一个或多个处理器109执行，以完成上述任一所示方法中的全部或者部分步骤。
电源组件103为电子设备100的各种组件提供电力。电源组件103可以包括电源管理系统，一个或多个电源，及其他与为电子设备100生成、管理和分配电力相关联的组件。
多媒体组件104包括在所述电子设备100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括LCD(Liquid Crystal Display，液晶显示器)和TP(TouchPanel，触摸面板)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
图像采集组件105被配置为采集图像或视频。例如，图像采集组件105包括一个摄像头，当电子设备100处于操作模式，摄像头被配置为拍摄外部图像。所采集的图像可以被进一步存储在存储器102或经由通信组件108发送。在一些实施例中，图像采集组件105还包括一个扫描仪等。
传感器组件107包括一个或多个传感器，用于为电子设备100提供各个方面的状态评估。例如，传感器组件107可以检测到电子设备100的打开/关闭状态，组件的相对定位，传感器组件107还可以检测电子设备100或电子设备100一个组件的坐标改变以及电子设备100的温度变化。在一些实施例中，该传感器组件107还可以包括磁传感器，压力传感器或温度传感器。
通信组件108被配置为便于电子设备100和其他设备之间有线或无线方式的通信。电子设备100可以接入基于通信标准的无线网络，如WiFi(Wireless-Fidelity，无线网络)，2G或3G，或它们的组合。在一个示例性实施例中，通信组件108经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件108还包括NFC(Near Field Communication，近场通信)模块，以促进短程通信。例如，在NFC模块可基于RFID(Radio Frequency Identification，射频识别)技术，IrDA(Infrared DataAssociation，红外数据协会)技术，UWB(Ultra-Wideband，超宽带)技术，BT(Bluetooth，蓝牙)技术和其他技术来实现。
在示例性实施例中，电子设备100可以被一个或多个ASIC(Application SpecificIntegrated Circuit，应用专用集成电路)、DSP(Digital Signal Processing，数字信号处理器)、PLD(Programmable Logic Device，可编程逻辑器件)、FPGA(Field－ProgrammableGate Array，现场可编程门阵列)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
该实施例中的电子设备中处理器执行操作的具体方式已经在有关该基于纹理特征的沥青质量检测方法的实施例中执行了详细描述，此处将不再做详细阐述说明。
可选的，本发明还提供一种电子设备，执行上述任一所示的基于纹理特征的沥青质量检测方法的全部或者部分步骤。该电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一示例性实施例所述的方法。
例如，通过摄像头采集到正在传送带上传送的沥青图像后，将采集到的沥青图像通过无线传输或有线传输的方式，传输到电子设备，再由电子设备通过本发明的基于纹理特征的沥青质量检测方法进行检测，实现对沥青质量的检测，是否符合标准等信息，再由语音和图像提示的方法告知在操作室的操作人员，实现了操作人员不在生产现场，但又能知晓生产中沥青质量的具体情况，实现沥青质量检测的智能化，方便操作人员在操作室集中控制现场生产流程，节省了人力成本，并且避免在对沥青进行质量检测时给人体健康带来严重危害。
该实施例中的电子设备中处理器执行操作的具体方式已经在有关该基于纹理特征的沥青质量检测方法的实施例中执行了详细描述，此处将不做详细阐述说明。
在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器102，上述指令可由电子设备100的处理器109执行以完成上述基于纹理特征的沥青质量检测方法。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，本领域技术人员可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于纹理特征的沥青质量检测方法，其特征在于，所述方法包括：
获取对沥青采集的目标图像；
采用纹理特征提取算法从所述目标图像中提取纹理特征；
根据所述纹理特征判断所述目标图像中的沥青质量。
2.根据权利要求1所述的方法，其特征在于，所述采用纹理特征提取算法从所述目标图像中提取纹理特征的步骤包括：
采用灰度共生矩阵算法从所述目标图像中提取纹理特征。
3.根据权利要求2所述的方法，其特征在于，所述采用灰度共生矩阵算法从所述目标图像中提取纹理特征的步骤包括：
对所述目标图像进行灰度降级；
根据设定的窗口大小，对经过灰度降级的所述目标图像逐窗口计算灰度共生矩阵；
根据所述灰度共生矩阵计算纹理特征。
4.根据权利要求1所述的方法，其特征在于，所述纹理特征包括对比度、能量、熵、相关性等中的一种或多种。
5.根据权利要求4所述的方法，其特征在于，所述根据所述纹理特征判断所述目标图像中的沥青质量的步骤包括：
当检测到所述纹理特征中的熵和对比度均达到相应的预设阈值时，则确定所述目标图像中的沥青质量为花料。
6.根据权利要求1所述的方法，其特征在于，所述根据所述纹理特征判断所述目标图像中的沥青质量的步骤之后，所述方法还包括：
根据所述沥青质量，通过语音或图像对操作人员进行沥青质量的提醒。
7.一种基于纹理特征的沥青质量检测系统，其特征在于，所述系统包括：
目标图像获取模块，用于获取对沥青采集的目标图像；
纹理特征提取模块，用于采用纹理特征提取算法从所述目标图像中提取纹理特征；
沥青质量判断模块，用于根据所述纹理特征判断所述目标图像中的沥青质量。
8.根据权利要求7所述的系统，其特征在于，所述纹理特征提取模块包括：
样本图像采集单元，用于对所述目标图像进行灰度降级；
灰度共生矩阵计算单元，用于根据设定的窗口大小，对经过灰度降级的所述目标图像逐窗口计算灰度共生矩阵；
纹理特征计算单元，用于根据所述灰度共生矩阵计算纹理特征。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序在被执行时使得服务器执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811179821.0A CN109447953A (zh) | 2018-10-10 | 2018-10-10 | 基于纹理特征的沥青质量检测方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811179821.0A CN109447953A (zh) | 2018-10-10 | 2018-10-10 | 基于纹理特征的沥青质量检测方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447953A true CN109447953A (zh) | 2019-03-08 |
Family
ID=65544843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811179821.0A Pending CN109447953A (zh) | 2018-10-10 | 2018-10-10 | 基于纹理特征的沥青质量检测方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447953A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103553438A (zh) * | 2013-10-09 | 2014-02-05 | 哈尔滨工业大学 | 一种沥青混合料质量的控制方法 |
| CN105913443A (zh) * | 2016-05-03 | 2016-08-31 | 黑龙江省交通科学研究所 | 模拟人眼识别技术检测沥青路面纹理的方法 |
| CN113052470A (zh) * | 2021-03-30 | 2021-06-29 | 阜阳师范大学 | 沥青路面施工均匀性评价方法及系统 |
-
2018
- 2018-10-10 CN CN201811179821.0A patent/CN109447953A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103553438A (zh) * | 2013-10-09 | 2014-02-05 | 哈尔滨工业大学 | 一种沥青混合料质量的控制方法 |
| CN105913443A (zh) * | 2016-05-03 | 2016-08-31 | 黑龙江省交通科学研究所 | 模拟人眼识别技术检测沥青路面纹理的方法 |
| CN113052470A (zh) * | 2021-03-30 | 2021-06-29 | 阜阳师范大学 | 沥青路面施工均匀性评价方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 徐金明等: "粉质黏土图像的纹理特征分析", 《岩土力学》 * |
| 李立新等: "沥青路面纹理特征细观结构数值分析", 《道路工程》 * |
| 蓝忠志: "基于数字图像技术的沥青路表纹理构造与抗滑性能研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 郝剑南等: "纹理特征与面向对象结合的高分影像耕地提取应用", 《安徽农业科学》 * |
| 鲁恒润等: "基于机器视觉的煤矸特征提取与分类研究", 《煤炭工程》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | FSDAF 2.0: Improving the performance of retrieving land cover changes and preserving spatial details | |
| Iakovidou et al. | Content-aware detection of JPEG grid inconsistencies for intuitive image forensics | |
| Maier et al. | Accuracy of a smartphone application using fractal image analysis of pigmented moles compared to clinical diagnosis and histological result | |
| Al-Rousan et al. | Evaluation of image analysis techniques for quantifying aggregate shape characteristics | |
| Pegalajar et al. | A Munsell colour-based approach for soil classification using Fuzzy Logic and Artificial Neural Networks | |
| CN112307989B (zh) | 路面物体识别方法、装置、计算机设备和存储介质 | |
| Baqersad et al. | Asphalt mixture segregation detection: digital image processing approach | |
| CN106777177A (zh) | 检索方法和装置 | |
| US20140169639A1 (en) | Image Detection Method and Device | |
| CN104966089B (zh) | 一种二维码图像边缘检测的方法及装置 | |
| Kracht et al. | A stochastic approach for measuring bubble size distribution via image analysis | |
| Fu et al. | Discrimination analysis of coal and gangue using multifractal properties of optical texture | |
| CN115063618B (zh) | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 | |
| Sorncharean et al. | Crack detection on asphalt surface image using enhanced grid cell analysis | |
| KR20230042706A (ko) | Lfa 테스트 스트립의 신경망 분석 | |
| CN109584262A (zh) | 基于遥感影像的云检测方法、装置及电子设备 | |
| CN109447953A (zh) | 基于纹理特征的沥青质量检测方法、系统及电子设备 | |
| Dalgliesh et al. | A protocol for the development of APSoil parameter values for use in APSIM., A | |
| Ashraf et al. | Machine learning-based pavement crack detection, classification, and characterization: a review | |
| Millán et al. | Multifractal and Levy-stable statistics of soil surface moisture distribution derived from 2D image analysis | |
| Chen et al. | An effective image segmentation method for noisy low-contrast unbalanced background in Mura defects using balanced discrete-cosine-transfer (BDCT) | |
| CN113034531A (zh) | 设备摆放检测方法及装置 | |
| CN109447243A (zh) | 基于深度学习的沥青质量检测方法、系统及电子设备 | |
| CN111583225A (zh) | 缺陷检测方法、装置及存储介质 | |
| Yildirim et al. | Evaluating salient object detection in natural images with multiple objects having multi‐level saliency |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |