CN110033516B - 基于双目相机图像采集识别的针片状颗粒含量检测方法 - Google Patents
基于双目相机图像采集识别的针片状颗粒含量检测方法 Download PDFInfo
- Publication number
- CN110033516B CN110033516B CN201910303099.5A CN201910303099A CN110033516B CN 110033516 B CN110033516 B CN 110033516B CN 201910303099 A CN201910303099 A CN 201910303099A CN 110033516 B CN110033516 B CN 110033516B
- Authority
- CN
- China
- Prior art keywords
- point
- aggregate
- points
- pixel
- image
- 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.)
- Expired - Fee Related
Links
- 239000002245 particle Substances 0.000 title claims abstract description 231
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 3
- 235000018185 Betula X alpestris Nutrition 0.000 description 2
- 235000018212 Betula X uliginosa Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 235000003283 Pachira macrocarpa Nutrition 0.000 description 1
- 240000001085 Trapa natans Species 0.000 description 1
- 235000014364 Trapa natans Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000009165 saligot Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种基于双目相机图像采集识别的针片状颗粒含量检测方法，包括步骤：S1：采用双目相机实时采集下落中的集料颗粒图像；S2：对相同时刻采集到下落中的集料颗粒图像进行图像处理，重建集料颗粒轮廓；S3：对步骤S2重建集料颗粒轮廓图进行校正；S4：重建集料颗粒三维立体尺寸；S5：根据集料颗粒三维立体尺寸，筛选出针片状颗粒；S6：计算针片状颗粒含量；本发明采用双目相机采集下落集料颗粒的图像，对其进行图像处理和三维轮廓重建，实现了自适应精确检测识别针片状颗粒，能够配合施工进度，连续快速的对集料的质量作出评价。
Description
技术领域
本发明涉及集料颗粒识别技术领域，具体涉及一种基于双目相机图像采集识别的针片状颗粒含量检测方法。
背景技术
在工程建设中，碎石是普通混凝土的主要组成部分。碎石在普通混凝土种堆积成紧密的架构，主要起骨架作用，碎石的用量约占混凝土总重量的45％，其中针片状碎石含量的多少直接影响着混凝土的性能指标，碎石中针、片状颗粒过多，会影响混凝土混合料的和易性，并倾向于一个方向排列，造成骨架结构不合理。这些颗粒易于折断，不易振捣密实，从而影响混凝土的质量；因此，准确、快速测定针片状碎石的含量，对混凝土质量控制起着至关重要的作用。
传统的针片状颗粒含量的计算方法是取出一部分样本平放在工作台上，利用规准仪法或者游标卡尺测量其稳态状态下的长度、宽度和厚度方向上的最大尺寸，在将识别为针片状颗粒的集料选出，称量样本中所有针片状颗粒质量，再与样本所有集料颗粒质量求百分比值即为针片状颗粒含量。
根据规程T 0311-2005可知，规准仪法和游标卡尺法需先进行筛分，然后对不同孔径的筛子分别进行针状与片状颗粒的鉴定；根据规程T 0312-2005可知，两种方法需要对大部分颗粒进行最大长度与最小宽度的测量。上述两种方法主要缺点是操作繁琐、效率低，且检测的精度也往往取决与试验人员的经验。
因此，为了配合不断加快的施工进度，提高测试精度，需提出一种新的针片状颗粒含量检测方法。
发明内容
有鉴于此，本发明的目的是提供一种基于双目相机图像采集识别的针片状颗粒含量检测方法，采用双目相机采集下落集料颗粒的图像，对其进行图像处理和三维轮廓重建，实现了自适应精确检测识别针片状颗粒，能够配合施工进度，连续快速的对集料的质量作出评价。
本发明提供一种基于双目相机图像采集识别的针片状颗粒含量检测方法，包括步骤：
S1：采用双目相机实时采集下落中的集料颗粒图像；其中，所述双目相机布置的高度相同且与集料颗粒下落通道的距离相等，所述双目相机在水平方向上的拍摄方向相差90°；
S2：对相同时刻采集到下落中的集料颗粒图像进行图像处理，重建集料颗粒轮廓；
S3：对步骤S2重建集料颗粒轮廓图进行校正；
S4：利用最小外接矩形法，在各个校正后的重建集料颗粒轮廓图中提取集料颗粒轮廓的尺寸，并根据提取的集料颗粒轮廓的尺寸重建集料颗粒三维立体尺寸；其中，所述集料颗粒三维立体尺寸包括最大长度尺寸、最大宽度尺寸和最大厚度尺寸；
S5：根据集料颗粒三维立体尺寸，筛选出针片状颗粒；
S6：计算针片状颗粒含量，具体包括：计算针片状颗粒质量与所有集料颗粒质量的百分比值，即可得到针片状颗粒含量。
进一步，所述步骤S2具体包括：
S21：采用矩形掩膜对相同时刻采集到的集料下落图像左右两侧背景噪声进行筛除，得到感兴趣区；
S22：利用边缘查找函数bwperim，提取出感兴趣区中集料颗粒轮廓，得到集料颗粒的初始轮廓图像；
S23：利用高斯滤波函数对集料颗粒的初始轮廓图像进行平滑处理，得到集料颗粒的主轮廓图像；
S24：对主轮廓图像进行粘连区域识别和分割，得到分割粘连区域的图像，具体包括：
S241：对集料颗粒的主轮廓图像中的集料颗粒轮廓进行轮廓链码标记与追踪，得到标记了粘连区域的集料颗粒轮廓图像；
S242：对粘连区域内的所有点进行凹点搜寻，得到分割粘连区域的图像；
S25：利用最小凸壳算法重建集料颗粒轮廓。
进一步，所述步骤S241包括步骤：
S2411：在未遍历的主轮廓图像中集料颗粒轮廓线上的点中，选取纵坐标最小的点作为新的遍历起始点；其中，若存在至少2个纵坐标最小的点，则选取其中横坐标最小的点作为新的遍历起始点；
S2412：按照预设的遍历顺序，判断当前遍历点的未遍历的邻点中是否存在集料颗粒轮廓线上的点，若发现存在未遍历的邻点为集料颗粒轮廓线上的点，停止对当前遍历点的剩余邻点的遍历，进入步骤S2413；若当前遍历点的未遍历的邻点均不是集料颗粒轮廓线上的点，进入步骤S2414；其中，所述邻点为四连通邻域点或者八连通邻域点；所述预设的遍历顺序为：以当前遍历点的左邻点为起始点，顺时针方向遍历当前遍历点的邻点；
S2413：将该邻点进行标记，并将该邻点作为新的遍历点，返回步骤S2412；
S2414：判断是否存在未遍历的主轮廓图像中集料颗粒轮廓线上的点，若存在，则返回步骤S2411，若不存在，则得到标记了粘连区域的集料颗粒轮廓图像。
进一步，所述步骤S242包括步骤：
S2421：初始化像素夹角余弦值的阈值为T；
S2422：筛选粘连区域中满足余弦值大于阈值T的像素点作为初始凹点；
S2423：采用DBSCAN噪声密度聚类算法对初始凹点进行聚类处理，得到聚类处理后的凹点；
S2424：采用最短路径的贪心算法，对聚类处理后的凹点进行匹配，得到分割粘连区域的图像。
进一步，步骤S2422中像素点的余弦值的计算公式为：
其中，cosθ0表示当前像素点的余弦值；θ0表示当前像素点与前后像素点夹角；da0表示当前像素点与前像素点像素距离，db0表示当前像素点与后像素点像素距离；dab表示当前像素点的前像素点与后像素点像素距离；
所述da0的计算公式为：
所述db0的计算公式为：
所述dab的计算公式为：
其中，(x0,yo)表示当前像素点坐标，(xa,ya)表示当前像素点的前像素点坐标，(xb,yb)表示当前像素点的后像素点坐标。
进一步，所述步骤S2423包括步骤：
S2423-1：初始化核心样本对象集合，其中，所述初始化的核心样本对象集合中的元素为初始凹点；初始化数量阈值S；初始化距离阈值L；
S2423-2：创建新的核心子集；
S2423-3：随机选取核心样本对象集合中未被归集到核心子集的一个元素作为基准元素，并将基准元素放入当前创建的核心子集中；
S2423-4：随机选取核心样本对象集合中未被归集到核心子集且在当前轮次的迭代中未被遍历的一个元素，计算该元素与基准元素的欧式距离，判断该欧式距离是否小于距离阈值L，若是，则进入步骤S2423-5，若否，则进入步骤S2423-7；
S2423-5：判断当前创建的核心子集中的元素数量是否大于或等于数量阈值S，若否，则进入步骤S2423-6；若是，则将当前创建的核心子集作为准核心子集，返回步骤S2423-2；
S2423-6：将该元素放入当前创建的核心子集中，并将该元素从核心样本对象集合中删除，返回步骤S2423-4；
S2423-7：判断核心样本对象集合中是否存在未被归集到核心子集且在当前轮次的迭代中未被遍历的一个元素，若存在，则返回步骤S2423-4，若不存在，则返回步骤S2423-2；
S2423-8：重复步骤S2423-2至S2423-7，直到核心样本对象集合为空集，保留准核心子集中的元素，删除其他核心子集中的元素，得到聚类处理后的凹点。
进一步，所述步骤S2424包括：
采用最短路径的贪心算法，建立凹点匹配的优化数学模型，将聚类处理后的凹点带入优化数学模型进行求解，即可对聚类处理后的凹点进行匹配，得到分割粘连区域的图像；
所述优化数学模型包括以匹配成功的凹点像素距离总和最小的目标函数和相应的约束条件；所述目标函数的表达式为：
其中，Z表示匹配成功的凹点像素距离总和；Si表示第i个凹点到其余凹点中心的最小像素距离；n表示聚类处理后的凹点总数量；
所述约束条件为：
其中，(xi,yi)和(xj,yj)分别表示第i个和第j个凹点像素坐标，Sij表示第i个凹点到j个凹点的像素距离；Si表示第i个凹点到其余凹点的最小像素距离。
进一步，所述步骤S25包括步骤：
S251：随机选取分割粘连区域的图像中未被遍历的集料颗粒原始轮廓线，将该轮廓线中纵坐标最小的点作为基准点，将基准点分别同该集料颗粒轮廓线中的其他点用线段连接，计算各个线段与水平线的夹角；其中，若该轮廓线中存在至少两个纵坐标最小的点，将其中横坐标最小的点作为基准点；
S252：将该集料颗粒轮廓线中的其他点按照夹角从小到大的顺序排列，其中，若存在夹角相同的点，则夹角相同的点按照与基准点距离由近到远的顺序排列，并将基准点排列在该集料颗粒轮廓线中的其他点之前，得到排序后的点集；将基准点作为起始遍历点；
S253：判断排序后的点集中，是否存在未遍历的点，若存在，则将当前遍历点与在排序后的点集中排列在当前遍历点之后的下一点相连，组成一条线段；若不存在，则进入步骤S257；
S254：判断排序后的点集中其余的点是否在该线段的同一侧，若是，则进入步骤S255；若否，则进入步骤S256；
S255：将排列在当前遍历点之后的下一点，作为新的当前遍历点，返回步骤S253；
S256：将该线段的末端点从排序后的点集中删去，更新排序后的点集，
判断更新后的排序后的点集中，是否存在未遍历的点，若存在，将当前遍历点与更新排序后的点集中位于排列在当前遍历点之后的下一点相连，组成一条线段，返回步骤S254；若不存在，则进入步骤S257；
S257：结束遍历，得到最后的凸壳边界顶点集，将凸壳边界顶点集中的点按顺序依次连接，重建得到该集料颗粒轮廓；
S258：重复步骤S251至S257，直到分割粘连区域的图像中所有的集料颗粒原始轮廓线全部被遍历。
进一步，所述步骤S3中对步骤S2得到的重建集料颗粒轮廓图进行校正的公式为：
其中，x表示集料的图测横向实际长度，y表示集料的图测纵向实际长度，f表示相机焦距，px表示集料颗粒轮廓的横向像素长度，py表示集料颗粒轮廓的纵向像素长度，dr表示第一径向变形参数，do表示第二径向变形参数，dx表示集料的图像横向像素精度，dy表示集料的图像纵向像素精度，zc表示双目相机与实际物体摄影距离，Δl表示像素补偿量。
进一步，所述步骤S5包括：将集料颗粒的最大长度尺寸、最大宽度尺寸和最大厚度尺寸进行大小比较，然后判断三个尺寸中选取其中值最大和值最小的尺寸的比值是否大于3，若大于3，则该集料颗粒为针片状颗粒。
本发明的有益效果：本发明采用双目相机采集下落集料颗粒的图像，对其进行图像处理和三维轮廓重建，实现了自适应精确检测识别针片状颗粒，大幅缩短了识别集料颗粒中粗集料颗粒的时间，能够配合施工进度，连续快速的对集料的质量作出评价。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的流程示意图。
具体实施方式
如图1所示，本发明提供的一种基于双目相机图像采集识别的针片状颗粒含量检测方法，包括步骤：
S1：采用双目相机实时采集下落中的集料颗粒图像；其中，所述双目相机布置的高度相同且与集料颗粒下落通道的距离相等，所述双目相机在水平方向上的拍摄方向相差90°；这样的设置保证了能够同时采集到集料颗粒的长度尺寸、宽度尺寸和高度尺寸。所述集料颗粒的长度尺寸、宽度尺寸和高度尺寸的方向相互垂直。因为集料颗粒大部分并不是规则的矩形，往往选取采集到长度尺寸、宽度尺寸和高度尺寸中的最大长度尺寸、最大宽度尺寸和最大高度尺寸进行针片状颗粒的判别。所述集料颗粒下落是指在地心引力的作用下沿垂直于地平面方向下落。由于集料颗粒往往是堆积重叠进行储藏的，单纯的对堆积重叠的集料颗粒进行图像识别，由于重叠的影响遮挡了部分集料颗粒的图像特征，并不能精确识别集料颗粒。集料颗粒从高处连续下落，可以将集料颗粒分散，这时候采集集料颗粒的图像，可以很好的将集料颗粒完整的图像特征进行识别。设置拍摄方向相差90°的双目相机采集下落集料颗粒的图像可以避免设置单一相机采集图像采集到下落集料的图像特征较少，不能很好的重建集料颗粒的轮廓的问题。
S2：对相同时刻采集到下落中的集料颗粒图像进行图像处理，重建集料颗粒轮廓；即对双目相机中的两个相机同时采集到的集料颗粒图像进行图像处理。
S3：对步骤S2重建集料颗粒轮廓图进行校正；
S4：利用最小外接矩形法，在各个校正后的重建集料颗粒轮廓图中提取集料颗粒轮廓的尺寸，此时双目相机在同一时刻采集的下落的集料颗粒图像有两张，在各个校正后的重建集料颗粒轮廓图(单张图像)中提取集料颗粒轮廓的尺寸包括集料颗粒的长度尺寸、宽度尺寸和厚度尺寸中的任意两种尺寸，由于双目相机是在呈90°夹角的方向上同时拍摄的两张集料颗粒照片，因此，双目相机采集的两张照片能够很好的拟合重现集料颗粒的三维立体尺寸，具体地，并根据提取的集料颗粒轮廓的尺寸重建集料颗粒三维立体尺寸；其中，所述集料颗粒三维立体尺寸包括最大长度尺寸、最大宽度尺寸和最大厚度尺寸；应用最小外接矩形模型对机制集料颗粒轮廓尺寸进行提取，具有较高的可行性，最小外接矩形求解算法简单，计算速度快，精度较高，能够较好的获得集料颗粒凸多边形状在投影平面上的最大长度值和宽度值，有利于集料形状评价的快速连续计算。所述根据校正后的双目重建集料颗粒轮廓图重建集料颗粒三维立体尺寸，是指选取双目相机从相差90°角的方向同时采集的两张图像中的集料轮廓图像的质心坐标作为中心坐标进行纵向及横向位置比对进行三维轮廓重建，此操作通过现有的仿真软件即可实现。使用三维立体尺寸来判别针片状颗粒，相对于仅仅使用普通相机拍摄集料颗粒某一侧的二维图进行尺寸比较，能克服集料颗粒重合、遮挡等导致的集料信息缺失，重建的集料颗粒三维轮廓包含的图像特征信息更多更完整。
S5：根据集料颗粒三维立体尺寸，筛选出针片状颗粒；
S6：计算针片状颗粒含量，具体包括：计算针片状颗粒质量与所有集料颗粒质量的百分比值，即可得到针片状颗粒含量。所述针片状颗粒含量的计算公式为：
其中，QP表示累计针片状颗粒含量，mpj表示第j个针片状集料颗粒的质量，n’表示针片状集料颗粒总数量；mpi表示集料颗粒的质量，m表示集料颗粒总数量。通过上述方法，采用双目相机采集下落集料颗粒的图像，对其进行图像处理和三维轮廓重建，实现了自适应精确检测识别针片状颗粒，大幅缩短了识别集料颗粒中粗集料颗粒的时间，能够配合施工进度，连续快速的对集料的质量作出评价。
进一步，所述步骤S2具体包括：
S21：采用矩形掩膜对相同时刻采集到的集料下落图像左右两侧背景噪声进行筛除，得到感兴趣区(ROI，region of interest)；由于设备制作精度和图像采集环境影响，双目相机原始采集图像还存在一些外界环境噪声和自身缺陷等问题，不能直接用于集料颗粒识别和形状评价，同时为了确保后续集料颗粒尺寸提取的精度，需要对原始图片进行系统性的图像处理。首先需要对初始采集的图片进行ROI处理。在图像处理或机器视觉中，一般以矩形、圆形、椭圆形或不规则的多边形等形状对被处理的原始图像进行感兴趣区域筛选，将需要的部分图像信息保留下来，而去除不感兴趣区域的图像信息。采用矩形掩膜对图像左右两侧背景噪声进行筛除，最大限度去掉背景噪声，保留主要的集料颗粒图像。ROI处理后的集料图像存在少量颗粒粘连、颗粒轮廓破损等问题，这对集料颗粒的自动识别有着较大的误差影响，因此还需要进行图像形态学处理操作，对集料颗粒图像进行分割和重建复原。
S22：利用边缘查找函数bwperim，提取出感兴趣区中集料颗粒轮廓，得到集料颗粒的初始轮廓图像；现有的对集料颗粒轮廓提取的算法包括sobel算子、prewitt算子、roberts算子、log算子和canny算子等，这些算法原理是梯度差值求解，需要选取合理的阈值才能得到效果较好的图像轮廓提取，通用性和鲁棒性较差。采用边缘查找函数bwperim，提取感兴趣区中集料颗粒轮廓相对上述现有算法比较分明，图像噪声处理效果比较好，集料的轮廓信息还原性较高。但是由于机制集料自身轮廓粗糙，图像轮廓边缘存在很多坑槽，在数字图像中则是许多间断的锯齿状，因此在在进行下一步操作之前有必要对集料轮廓进行平滑处理。
S23：利用高斯滤波函数对集料颗粒的初始轮廓图像进行平滑处理，得到集料颗粒的主轮廓图像；高斯函数是像素点领域的加权平均算法，并且函数本身是平滑的，它的抗干扰能力较强，故选择高斯滤波函数对轮廓图像进行平滑处理的效果稳定且不易受噪声干扰。
S24：对主轮廓图像进行粘连区域识别和分割，得到分割粘连区域的图像，具体包括：
S241：对集料颗粒的主轮廓图像中的集料颗粒轮廓进行轮廓链码标记与追踪，得到标记了粘连区域的集料颗粒轮廓图像；
S242：对粘连区域内的所有点进行凹点搜寻，得到分割粘连区域的图像；
S25：利用最小凸壳算法重建集料颗粒轮廓。通过上述方法，最大限度的去掉背景噪声保留集料集料颗粒图像，精确还原集料颗粒轮廓，方便了后续的图像处理操作。
所述步骤S241包括步骤：
S2411：在未遍历的主轮廓图像中集料颗粒轮廓线上的点中，选取纵坐标最小的点作为新的遍历起始点；其中，若存在至少2个纵坐标最小的点，则选取其中横坐标最小的点作为新的遍历起始点；
S2412：按照预设的遍历顺序，判断当前遍历点的未遍历的邻点中是否存在集料颗粒轮廓线上的点，若发现存在未遍历的邻点为集料颗粒轮廓线上的点，停止对当前遍历点的剩余邻点的遍历，进入步骤S2413；若当前遍历点的未遍历的邻点均不是集料颗粒轮廓线上的点，进入步骤S2414；其中，所述邻点为四连通邻域点或者八连通邻域点；所述预设的遍历顺序为：以当前遍历点的左邻点为起始点，顺时针方向遍历当前遍历点的邻点；四连通是指以该元素为中心的上下左右四个方向的领域连接，八连通则是包括了以元素中心的四周内的所有相邻方向的连接。当处理图像轮廓比较粗糙时应该选择四连通，减少区域连通的像素点，减少图形对粘连区域的分类识别错误。当图形轮廓比较光滑时应该选择八连通方式，增加区域连通的像素点，降低粘连区域的像素信息缺失。
S2413：将该邻点进行标记，并将该邻点作为新的遍历点，返回步骤S2412；
S2414：判断是否存在未遍历的主轮廓图像中集料颗粒轮廓线上的点，若存在，则返回步骤S2411，若不存在，则得到标记了粘连区域的集料颗粒轮廓图像。上述方法，标记了粘连集料颗粒的轮廓线，方便了后续对粘连轮廓线的分割。
所述步骤S242包括步骤：
S2421：初始化像素夹角余弦值的阈值为T；通过设定像素夹角余弦值作为阈值来筛选满足条件的像素点，阈值可以通过样本图像进行训练得到一个经验值，本文经过大量试验取余弦阈值T＝0.4较为合理，余弦值大于该值的像素点即为理论凹点，即初始凹点。
S2422：筛选粘连区域中满足余弦值大于阈值T的像素点作为初始凹点；设置固定阈值可能会因为噪声的影响导致凹点附件满足条件的像素点(初始凹点)较多，并不利于后续对集料颗粒轮廓尺寸的重建，在实际操作中只需要找到能表征集料颗粒轮廓最大长度、最大宽度和最大厚度的凹点即可。
S2423：采用DBSCAN噪声密度聚类算法对初始凹点进行聚类处理，得到聚类处理后的凹点；一般的聚类算法有K-Means聚类法、BIRCH层次划分聚类法和DBSCAN噪声密度聚类法。其中K-Means算法是按照样本间距离大小，将样本划分成K个集合，使得集合内的点距离尽可能小，而集合之间的距离尽可能大；BIRCH层次聚类法是利用层次划分的平衡迭代和聚类方法，分类原理类似聚类特征树的生成过程，该算法不用设定划分种群类别数，能适用于样本量较大数据分类；DBSCAN噪声密度聚类算法同样不需要知道样本需要划分成多少个集合，它是利用邻域来刻画样本集的紧密程度，因此既适用于凸集样本也适合非凸集样本。由于粘连集料凹点集随机分布，存在分布不均匀的情况，因此采用噪声密度算法更加合理。
S2424：采用最短路径的贪心算法，对聚类处理后的凹点进行匹配，得到分割粘连区域的图像。通过上述方法，将下落的集料颗粒中的粘连集料颗粒图像进行分割，方便后续对每个集料颗粒的三维立体尺寸进行重建，避免了采集的图像中粘连集料颗粒对每个集料颗粒三维立体尺寸的识别干扰，减少了识别误差，提高了检测精度。
步骤S2422中像素点的余弦值的计算公式为：
其中，cosθ0表示当前像素点的余弦值；θ0表示当前像素点与前后像素点夹角；da0表示当前像素点与前像素点像素距离，db0表示当前像素点与后像素点像素距离；dab表示当前像素点的前像素点与后像素点像素距离；
所述da0的计算公式为：
所述db0的计算公式为：
所述dab的计算公式为：
其中，(x0,yo)表示当前像素点坐标，(xa,ya)表示当前像素点的前像素点坐标，(xb,yb)表示当前像素点的后像素点坐标。由于集料轮廓形状多为不规则菱形状，且四周带有菱角，上述公式利用这个特点，通过计算集料颗粒凸包轮廓各顶点的余弦值，可以删选出初始凹点。
进一步，所述步骤S2423包括步骤：
S2423-1：初始化核心样本对象集合，其中，所述初始化的核心样本对象集合中的元素为初始凹点；初始化数量阈值S；初始化距离阈值L；
S2423-2：创建新的核心子集；
S2423-3：随机选取核心样本对象集合中未被归集到核心子集的一个元素作为基准元素，并将基准元素放入当前创建的核心子集中；
S2423-4：随机选取核心样本对象集合中未被归集到核心子集且在当前轮次的迭代中未被遍历的一个元素，计算该元素与基准元素的欧式距离，判断该欧式距离是否小于距离阈值L，若是，则进入步骤S2423-5，若否，则进入步骤S2423-7；
S2423-5：判断当前创建的核心子集中的元素数量是否大于或等于数量阈值S，若否，则进入步骤S2423-6；若是，则将当前创建的核心子集作为准核心子集，返回步骤S2423-2；
S2423-6：将该元素放入当前创建的核心子集中，并将该元素从核心样本对象集合中删除，返回步骤S2423-4；
S2423-7：判断核心样本对象集合中是否存在未被归集到核心子集且在当前轮次的迭代中未被遍历的一个元素，若存在，则返回步骤S2423-4，若不存在，则返回步骤S2423-2；
S2423-8：重复步骤S2423-2至S2423-7，直到核心样本对象集合为空集，保留准核心子集中的元素，删除其他核心子集中的元素，得到聚类处理后的凹点。通过上述方法，可以对初始凹点进行聚类简化，减小凹点数量规模。
所述步骤S2424包括：
采用最短路径的贪心算法，建立凹点匹配的优化数学模型，将聚类处理后的凹点带入优化数学模型进行求解，即可对聚类处理后的凹点进行匹配，得到分割粘连区域的图像；
所述优化数学模型包括以匹配成功的凹点像素距离总和最小的目标函数和相应的约束条件；所述目标函数的表达式为：
其中，Z表示匹配成功的凹点像素距离总和；Si表示第i个凹点到其余凹点中心的最小像素距离；n表示聚类处理后的凹点总数量；
所述约束条件为：
其中，(xi,yi)和(xj,yj)分别表示第i个和第j个凹点像素坐标，Sij表示第i个凹点到j个凹点的像素距离；Si表示第i个凹点到其余凹点的最小像素距离。本文步骤S2424的思想是从第i个凹点到其余凹点中选取像素距离最小的点作为第j个凹点，当确定了第i个凹点与第j个凹点距离为最小时，则将第i点和第j点进行组合配对，然后再从剩下的其他点中继续寻找像素距离最小的两个凹点进行组合，直到所有的凹点都匹配成功。
所述步骤S25包括步骤：
S251：随机选取分割粘连区域的图像中未被遍历的集料颗粒原始轮廓线，将该轮廓线中纵坐标最小的点作为基准点，将基准点分别同该集料颗粒轮廓线中的其他点用线段连接，计算各个线段与水平线的夹角；其中，若该轮廓线中存在至少两个纵坐标最小的点，将其中横坐标最小的点作为基准点；
S252：将该集料颗粒轮廓线中的其他点按照夹角从小到大的顺序排列，其中，若存在夹角相同的点，则夹角相同的点按照与基准点距离由近到远的顺序排列，并将基准点排列在该集料颗粒轮廓线中的其他点之前，得到排序后的点集；将基准点作为起始遍历点；
S253：判断排序后的点集中，是否存在未遍历的点，若存在，则将当前遍历点与在排序后的点集中排列在当前遍历点之后的下一点相连，组成一条线段；若不存在，则进入步骤S257；
S254：判断排序后的点集中其余的点是否在该线段的同一侧，若是，则进入步骤S255；若否，则进入步骤S256；
S255：将排列在当前遍历点之后的下一点，作为新的当前遍历点，返回步骤S253；
S256：将该线段的末端点从排序后的点集中删去，更新排序后的点集，
判断更新后的排序后的点集中，是否存在未遍历的点，若存在，将当前遍历点与更新排序后的点集中位于排列在当前遍历点之后的下一点相连，组成一条线段，返回步骤S254；若不存在，则进入步骤S257；
S257：结束遍历，得到最后的凸壳边界顶点集，将凸壳边界顶点集中的点按顺序依次连接，重建得到该集料颗粒轮廓；
S258：重复步骤S251至S257，直到分割粘连区域的图像中所有的集料颗粒原始轮廓线全部被遍历。通过上述方法，解决了本文ROI处理后的集料图像存在少量颗粒粘连、颗粒轮廓破损等问题，保证了自动识别集料颗粒轮廓尺寸的顺利进行，重建集料颗粒的轮廓的还原度高，且识别针片状颗粒的开销小。
进一步，与传统手工集料尺寸测量相比，应用计算机技术的图像处理求解的有着较高的效率和经济性，能够减轻人工劳动的负担，降低人工成本。但是集料颗粒图像处理中也存在一些误差，如图像质量、环境噪声等因素的干扰导致集料颗粒在图像处理之后计算的尺寸与集料颗粒的人工测量的尺寸存在差异，而为了准确的评估图像处理的运算结果，因此需要对其误差来源进行分析及对结果进行修正。
集料颗粒图像尺寸计算主要系统误差来源于双目相机采集系统的像素精度、分辨率及帧频等；算法误差主要来自图像处理中图像分割和重建、最小矩形对集料图像轮廓尺寸求解等；随机误差来源于集料图像粘连、重合甚至遮挡而导致的集料信息缺失，以及外界环境噪声误差。因此，需要对步骤S2重建集料颗粒轮廓图进行校正。所述步骤S3中对步骤S2得到的重建集料颗粒轮廓图进行校正的公式为：
其中，x表示集料的图测横向实际长度，y表示集料的图测纵向实际长度，f表示相机焦距，px表示集料颗粒轮廓的横向像素长度，py表示集料颗粒轮廓的纵向像素长度，dr表示第一径向变形参数，do表示第二径向变形参数，dx表示集料的图像横向像素精度，dy表示集料的图像纵向像素精度，zc表示双目相机与实际物体摄影距离，Δl表示像素补偿量。本实施例中，dr表示第一径向变形参数，do表示第二径向变形参数为常数，由双目相机自身的参数设定决定。
所述步骤S5包括：将集料颗粒的最大长度尺寸、最大宽度尺寸和最大厚度尺寸进行大小比较，然后判断三个尺寸中选取其中值最大和值最小的尺寸的比值是否大于3，若大于3，则该集料颗粒为针片状颗粒。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的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宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于双目相机图像采集识别的针片状颗粒含量检测方法，其特征在于：包括步骤：
S1：采用双目相机实时采集下落中的集料颗粒图像；其中，所述双目相机布置的高度相同且与集料颗粒下落通道的距离相等，所述双目相机在水平方向上的拍摄方向相差90°；
S2：对相同时刻采集到下落中的集料颗粒图像进行图像处理，重建集料颗粒轮廓；所述步骤S2具体包括：
S21：采用矩形掩膜对相同时刻采集到的集料下落图像左右两侧背景噪声进行筛除，得到感兴趣区；
S22：利用边缘查找函数bwperim，提取出感兴趣区中集料颗粒轮廓，得到集料颗粒的初始轮廓图像；
S23：利用高斯滤波函数对集料颗粒的初始轮廓图像进行平滑处理，得到集料颗粒的主轮廓图像；
S24：对主轮廓图像进行粘连区域识别和分割，得到分割粘连区域的图像，具体包括：
S241：对集料颗粒的主轮廓图像中的集料颗粒轮廓进行轮廓链码标记与追踪，得到标记了粘连区域的集料颗粒轮廓图像；所述步骤S241包括步骤：
S2411：在未遍历的主轮廓图像中集料颗粒轮廓线上的点中，选取纵坐标最小的点作为新的遍历起始点；其中，若存在至少2个纵坐标最小的点，则选取其中横坐标最小的点作为新的遍历起始点；
S2412：按照预设的遍历顺序，判断当前遍历点的未遍历的邻点中是否存在集料颗粒轮廓线上的点，若发现存在未遍历的邻点为集料颗粒轮廓线上的点，停止对当前遍历点的剩余邻点的遍历，进入步骤S2413；若当前遍历点的未遍历的邻点均不是集料颗粒轮廓线上的点，进入步骤S2414；其中，所述邻点为四连通邻域点或者八连通邻域点；所述预设的遍历顺序为：以当前遍历点的左邻点为起始点，顺时针方向遍历当前遍历点的邻点；
S2413：将该邻点进行标记，并将该邻点作为新的遍历点，返回步骤S2412；
S2414：判断是否存在未遍历的主轮廓图像中集料颗粒轮廓线上的点，若存在，则返回步骤S2411，若不存在，则得到标记了粘连区域的集料颗粒轮廓图像；
S242：对粘连区域内的所有点进行凹点搜寻，得到分割粘连区域的图像；
S25：利用最小凸壳算法重建集料颗粒轮廓；
S3：对步骤S2重建集料颗粒轮廓图进行校正；
S4：利用最小外接矩形法，在各个校正后的重建集料颗粒轮廓图中提取集料颗粒轮廓的尺寸，并根据提取的集料颗粒轮廓的尺寸重建集料颗粒三维立体尺寸；其中，所述集料颗粒三维立体尺寸包括最大长度尺寸、最大宽度尺寸和最大厚度尺寸；
S5：根据集料颗粒三维立体尺寸，筛选出针片状颗粒；
S6：计算针片状颗粒含量，具体包括：计算针片状颗粒质量与所有集料颗粒质量的百分比值，即可得到针片状颗粒含量。
2.根据权利要求1所述基于双目相机图像采集识别的针片状颗粒含量检测方法，其特征在于：所述步骤S242包括步骤：
S2421：初始化像素夹角余弦值的阈值为T；
S2422：筛选粘连区域中满足余弦值大于阈值T的像素点作为初始凹点；
S2423：采用DBSCAN噪声密度聚类算法对初始凹点进行聚类处理，得到聚类处理后的凹点；
S2424：采用最短路径的贪心算法，对聚类处理后的凹点进行匹配，得到分割粘连区域的图像。
3.根据权利要求2所述基于双目相机图像采集识别的针片状颗粒含量检测方法，其特征在于：步骤S2422中像素点的余弦值的计算公式为：
其中，cosθ0表示当前像素点的余弦值；θ0表示当前像素点与前后像素点夹角；da0表示当前像素点与前像素点像素距离，db0表示当前像素点与后像素点像素距离；dab表示当前像素点的前像素点与后像素点像素距离；
所述da0的计算公式为：
所述db0的计算公式为：
所述dab的计算公式为：
其中，(x0,yo)表示当前像素点坐标，(xa,ya)表示当前像素点的前像素点坐标，(xb,yb)表示当前像素点的后像素点坐标。
4.根据权利要求2所述基于双目相机图像采集识别的针片状颗粒含量检测方法，其特征在于：所述步骤S2423包括步骤：
S2423-1：初始化核心样本对象集合，其中，所述初始化的核心样本对象集合中的元素为初始凹点；初始化数量阈值S；初始化距离阈值L；
S2423-2：创建新的核心子集；
S2423-3：随机选取核心样本对象集合中未被归集到核心子集的一个元素作为基准元素，并将基准元素放入当前创建的核心子集中；
S2423-4：随机选取核心样本对象集合中未被归集到核心子集且在当前轮次的迭代中未被遍历的一个元素，计算该元素与基准元素的欧式距离，判断该欧式距离是否小于距离阈值L，若是，则进入步骤S2423-5，若否，则进入步骤S2423-7；
S2423-5：判断当前创建的核心子集中的元素数量是否大于或等于数量阈值S，若否，则进入步骤S2423-6；若是，则将当前创建的核心子集作为准核心子集，返回步骤S2423-2；
S2423-6：将该元素放入当前创建的核心子集中，并将该元素从核心样本对象集合中删除，返回步骤S2423-4；
S2423-7：判断核心样本对象集合中是否存在未被归集到核心子集且在当前轮次的迭代中未被遍历的一个元素，若存在，则返回步骤S2423-4，若不存在，则返回步骤S2423-2；
S2423-8：重复步骤S2423-2至S2423-7，直到核心样本对象集合为空集，保留准核心子集中的元素，删除其他核心子集中的元素，得到聚类处理后的凹点。
5.根据权利要求2所述基于双目相机图像采集识别的针片状颗粒含量检测方法，其特征在于：所述步骤S2424包括：
采用最短路径的贪心算法，建立凹点匹配的优化数学模型，将聚类处理后的凹点带入优化数学模型进行求解，即可对聚类处理后的凹点进行匹配，得到分割粘连区域的图像；
所述优化数学模型包括以匹配成功的凹点像素距离总和最小的目标函数和相应的约束条件；所述目标函数的表达式为：
其中，Z表示匹配成功的凹点像素距离总和；Si表示第i个凹点到其余凹点中心的最小像素距离；n表示聚类处理后的凹点总数量；
所述约束条件为：
其中，(xi,yi)和(xj,yj)分别表示第i个和第j个凹点像素坐标，Sij表示第i个凹点到j个凹点的像素距离；Si表示第i个凹点到其余凹点的最小像素距离。
6.根据权利要求1所述基于双目相机图像采集识别的针片状颗粒含量检测方法，其特征在于：所述步骤S25包括步骤：
S251：随机选取分割粘连区域的图像中未被遍历的集料颗粒原始轮廓线，将该轮廓线中纵坐标最小的点作为基准点，将基准点分别同该集料颗粒轮廓线中的其他点用线段连接，计算各个线段与水平线的夹角；其中，若该轮廓线中存在至少两个纵坐标最小的点，将其中横坐标最小的点作为基准点；
S252：将该集料颗粒轮廓线中的其他点按照夹角从小到大的顺序排列，其中，若存在夹角相同的点，则夹角相同的点按照与基准点距离由近到远的顺序排列，并将基准点排列在该集料颗粒轮廓线中的其他点之前，得到排序后的点集；将基准点作为起始遍历点；
S253：判断排序后的点集中，是否存在未遍历的点，若存在，则将当前遍历点与在排序后的点集中排列在当前遍历点之后的下一点相连，组成一条线段；若不存在，则进入步骤S257；
S254：判断排序后的点集中其余的点是否在该线段的同一侧，若是，则进入步骤S255；若否，则进入步骤S256；
S255：将排列在当前遍历点之后的下一点，作为新的当前遍历点，返回步骤S253；
S256：将该线段的末端点从排序后的点集中删去，更新排序后的点集，
判断更新后的排序后的点集中，是否存在未遍历的点，若存在，将当前遍历点与更新排序后的点集中位于排列在当前遍历点之后的下一点相连，组成一条线段，返回步骤S254；若不存在，则进入步骤S257；
S257：结束遍历，得到最后的凸壳边界顶点集，将凸壳边界顶点集中的点按顺序依次连接，重建得到该集料颗粒轮廓；
S258：重复步骤S251至S257，直到分割粘连区域的图像中所有的集料颗粒原始轮廓线全部被遍历。
7.根据权利要求1所述基于双目相机图像采集识别的针片状颗粒含量检测方法，其特征在于：所述步骤S3中对步骤S2得到的重建集料颗粒轮廓图进行校正的公式为：
其中，x表示集料的图测横向实际长度，y表示集料的图测纵向实际长度，f表示相机焦距，px表示集料颗粒轮廓的横向像素长度，py表示集料颗粒轮廓的纵向像素长度，dr表示第一径向变形参数，do表示第二径向变形参数，dx表示集料的图像横向像素精度，dy表示集料的图像纵向像素精度，zc表示双目相机与实际物体摄影距离，Δl表示像素补偿量。
8.根据权利要求1所述基于双目相机图像采集识别的针片状颗粒含量检测方法，其特征在于：所述步骤S5包括：将集料颗粒的最大长度尺寸、最大宽度尺寸和最大厚度尺寸进行大小比较，然后判断三个尺寸中选取其中值最大和值最小的尺寸的比值是否大于3，若大于3，则该集料颗粒为针片状颗粒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910303099.5A CN110033516B (zh) | 2019-04-16 | 2019-04-16 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910303099.5A CN110033516B (zh) | 2019-04-16 | 2019-04-16 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110033516A CN110033516A (zh) | 2019-07-19 |
| CN110033516B true CN110033516B (zh) | 2022-06-24 |
Family
ID=67238475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910303099.5A Expired - Fee Related CN110033516B (zh) | 2019-04-16 | 2019-04-16 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033516B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110487207B (zh) * | 2019-08-20 | 2021-05-25 | 大连海事大学 | 基于三维轮廓链码与亮斑周长比值的微塑料检测装置及方法 |
| CN110672478A (zh) * | 2019-10-10 | 2020-01-10 | 东南大学 | 基于图像处理技术分析机制砂颗粒形状的测试方法及装置 |
| CN112651269B (zh) * | 2019-10-12 | 2024-05-24 | 常州通宝光电股份有限公司 | 一种快速检测夜间前方同向车辆方法 |
| CN112819745B (zh) * | 2019-10-31 | 2023-02-28 | 合肥美亚光电技术股份有限公司 | 坚果籽仁中心虫蚀缺陷检测方法及装置 |
| CN111007064A (zh) * | 2019-12-13 | 2020-04-14 | 常州大学 | 一种基于图像识别的录井岩性智能识别方法 |
| CN110907457A (zh) * | 2019-12-19 | 2020-03-24 | 长安大学 | 基于3d点云数据的集料形态特征检测系统及检测方法 |
| CN113177949B (zh) * | 2021-04-16 | 2023-09-01 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
| CN113642437B (zh) * | 2021-08-03 | 2022-05-31 | 中国地质大学（北京） | 一种对煤中不同组分含量及半径的定量计算方法 |
| CN113658212B (zh) * | 2021-08-13 | 2024-09-17 | 青岛科技大学 | 图像预测的方法 |
| CN114723694A (zh) * | 2022-03-28 | 2022-07-08 | 中国计量大学 | 一种基于单相机下多视角图像分析的针片状集料识别方法 |
| CN115032708A (zh) * | 2022-05-26 | 2022-09-09 | 小元感知(北京)科技有限公司 | 通过提升三维尺度探测灵敏度提高物体可探测性的方法 |
| CN115165473A (zh) * | 2022-06-30 | 2022-10-11 | 日照公路建设有限公司 | 集料检测方法及装置 |
| CN116330516B (zh) * | 2023-05-29 | 2023-08-29 | 乳山市东方硅胶有限公司 | 一种硅胶颗粒生产设备颗粒大小控制系统 |
| CN117854623B (zh) * | 2024-01-04 | 2024-09-27 | 山东瑞谱检测技术有限公司 | 一种自适应网格的医药辅料浓度分布快速检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002216155A (ja) * | 2001-01-12 | 2002-08-02 | Namco Ltd | 画像生成システム、プログラム及び情報記憶媒体 |
| CN102252944A (zh) * | 2011-05-06 | 2011-11-23 | 清华大学 | 一种颗粒尺寸的测量方法 |
| CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
| CN109506569A (zh) * | 2019-01-08 | 2019-03-22 | 大连理工大学 | 一种基于双目视觉监测结晶过程方块状和柱状晶体三维尺寸的方法 |
| CN109540745A (zh) * | 2018-12-21 | 2019-03-29 | 华侨大学 | 一种精密形态检测系统及检测方法 |
-
2019
- 2019-04-16 CN CN201910303099.5A patent/CN110033516B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002216155A (ja) * | 2001-01-12 | 2002-08-02 | Namco Ltd | 画像生成システム、プログラム及び情報記憶媒体 |
| CN102252944A (zh) * | 2011-05-06 | 2011-11-23 | 清华大学 | 一种颗粒尺寸的测量方法 |
| CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
| CN109540745A (zh) * | 2018-12-21 | 2019-03-29 | 华侨大学 | 一种精密形态检测系统及检测方法 |
| CN109506569A (zh) * | 2019-01-08 | 2019-03-22 | 大连理工大学 | 一种基于双目视觉监测结晶过程方块状和柱状晶体三维尺寸的方法 |
Non-Patent Citations (4)
| Title |
|---|
| Image Analysis Technique for Aggregate Morphology Analysis with Two-Dimensional Fourier Transform Method;Sun Wenjuan等;《TRANSPORTATION RESEARCH RECORD》;20121231(第2267期);3-13 * |
| 利用数字图像处理技术量测针片状颗粒含量;徐科等;《交通与计算机》;20051030;第23卷(第05期);46-48 * |
| 基于结构光的粗集料颗粒粒径计算方法研究;丁旭东等;《现代交通技术》;20180626;第15卷(第03期);9-13 * |
| 沥青混凝土粗集料针片状测量方法;陈杰等;《中国公路》;20130601(第11期);114-115 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110033516A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033516B (zh) | 基于双目相机图像采集识别的针片状颗粒含量检测方法 | |
| CN110390669B (zh) | 一种桥梁图像中裂缝的检测方法 | |
| CN107633516B (zh) | 一种识别路面变形类病害的方法和装置 | |
| WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN110287898A (zh) | 一种光学卫星遥感影像云检测方法 | |
| CN113850749B (zh) | 训练缺陷侦测器的方法 | |
| CN113240623B (zh) | 一种路面病害检测方法及装置 | |
| CN104880389A (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
| CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
| CN115457044B (zh) | 基于类激活映射的路面裂缝分割方法 | |
| US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
| WO2023134251A1 (zh) | 一种基于聚类的光条提取方法及装置 | |
| CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
| CN115620279A (zh) | 基于计算机视觉的豆荚表型分析方法、系统及装置 | |
| 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 | |
| CN114067147A (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
| CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
| CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
| CN117670834A (zh) | 一种无人机喷涂缺陷图像检测方法 | |
| CN115578343A (zh) | 一种基于图像连通与骨架分析的裂缝尺寸测量方法 | |
| CN115657049A (zh) | 一种隧道车载激光雷达定位纠偏方法及系统 | |
| Anusree et al. | Characterization of sand particle morphology: state-of-the-art | |
| CN117422699A (zh) | 公路检测方法、装置、计算机设备及存储介质 | |
| CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220624 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |