CN110441268B - 一种泡沫沥青冷再生混合料内水分分布的测试方法 - Google Patents

一种泡沫沥青冷再生混合料内水分分布的测试方法 Download PDF

Info

Publication number
CN110441268B
CN110441268B CN201910727883.9A CN201910727883A CN110441268B CN 110441268 B CN110441268 B CN 110441268B CN 201910727883 A CN201910727883 A CN 201910727883A CN 110441268 B CN110441268 B CN 110441268B
Authority
CN
China
Prior art keywords
image
foamed asphalt
asphalt cold
test piece
distribution
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.)
Active
Application number
CN201910727883.9A
Other languages
English (en)
Other versions
CN110441268A (zh
Inventor
李强
许傲
罗桑
马翔
高磊
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201910727883.9A priority Critical patent/CN110441268B/zh
Publication of CN110441268A publication Critical patent/CN110441268A/zh
Application granted granted Critical
Publication of CN110441268B publication Critical patent/CN110441268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/178—Methods for obtaining spatial resolution of the property being measured
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种泡沫沥青冷再生混合料内水分分布的测试方法，属于公路沥青混合料试验技术领域。所述测试方法是利用高光谱图像采集系统获取泡沫沥青冷再生混合料试件的高光谱图像；通过对高光谱图像数据进行处理，获取试件内各像素点的水分含量；利用正态分布模型对试件内水分分布状况进行拟合，通过位置参数和形状参数组成的二维特征向量来描述试件内水分分布特征。本发明可以实现对泡沫沥青冷再生混合料内水分分布的精确和高效测试，可以更加全面直观地描述泡沫沥青冷再生混合料内水分的分布特征及其变化规律，为后续的配合比优化设计及计算机仿真分析提供了坚实的基础。

Description

一种泡沫沥青冷再生混合料内水分分布的测试方法
技术领域
本发明属于公路沥青混合料试验技术领域，涉及一种泡沫沥青冷再生混合料内水分分布的测试方法。
背景技术
泡沫沥青冷再生混合料在沥青发泡和再生混合料拌合及成型过程中必须加入一定量的水，这是泡沫沥青冷再生混合料与普通沥青混合料最显著的区别之一，沥青发泡用水量和混合料拌和用水量也是泡沫沥青冷再生混合料的关键设计指标。水是泡沫沥青在混合料中均匀分散的载体，然而并不是水分含量越多，泡沫沥青的分散效果就越好，混合料性能也越好。过多的水分会过于湿润混合料表面，造成混合料嵌挤力降低，在压实成型过程中自由水分会被挤出，造成压实度降低。同时，混合料中多余的水分会在试件压实成型及养生中不断散失，造成混合料空隙率过大，抗压强度降低。而且，泡沫沥青冷再生混合料中的残余水分在行车荷载作用下会进入路面空隙中，不断产生动水压力，形成真空负压抽吸的反复循环作用。水分逐渐渗入沥青与集料的界面，使沥青黏附性降低，导致沥青膜从集料表面脱落，从而形成沥青路面的坑槽、拥包、车辙等病害现象。相对普通沥青混合料，泡沫沥青冷再生混合料的水稳定性较差。因此，很有必要对泡沫沥青冷再生混合料中的水分分布情况进行研究，以便系统了解水分在泡沫沥青冷再生混合料中的分布和变化规律。
目前在进行泡沫沥青冷再生混合料内水分分布测试时多采用重量法、中子小角度衍射法、CT扫描成像方法等，但是每个方法都有其自身缺陷。重量法虽然操作简单，但误差太大；开展中子小角度衍射试验需要的中子源一般为中子反应堆或蜕变中子源，需要核燃料，这就造成测试困难，试验风险巨大；CT扫描成像方法在信号转化的过程中微小信号在数模/模数转换过程中易丢失，而且其成像精度有限制，对于小于10微米的微水滴无法反映。因此，目前亟需一种全新的、更加精确的研究手段来弥补现有技术手段的不足。
高光谱成像是一个新兴的、非破坏性的、先进的光学技术，融合了传统的成像和光谱技术的优点。这种双重功能使得高光谱成像能够同时提供试验对象的化学和物理特征，可以同时获取被检测物体的空间信息和光谱信息，并具有良好的空间分辨率。高光谱样本图像中每个像素点的光谱信息都对应着不同的理化指标，光谱信息对样本的理化指标具有敏感性，高光谱成像技术用于水分分布测试时，高光谱图像中每个像素点都可以反映出水分含量信息，进而为定量描述水分含量在样本中分布的均匀性提供了可能。因此，高光谱成像技术可以为研究泡沫沥青冷再生混合料水分分布情况提供一种可靠的技术手段。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足，提供一种泡沫沥青冷再生混合料内水分分布的测试方法，该方法利用高光谱图像处理技术，凭借图像中每个像素点的光谱信息来反映出水分在泡沫沥青冷再生混合料内分布状况；利用正态分布模型位置参数和形状参数组成的二维特征向量来全面简单地表征泡沫沥青冷再生混合料内的水分分布特征。
本发明采用以下技术方案实现上述目的：
步骤1、制备泡沫沥青冷再生混合料的标准马歇尔试件，然后将马歇尔试件切割成若干边长为1.5cm的立方体试件；
步骤2、通过调试确定高光谱图像采集系统的最佳成像参数，获取不同波段下泡沫沥青冷再生混合料立方体试件的高光谱图像；
步骤3、对所述高光谱图像进行校正处理，将校正后的高光谱图像转换为反射率图像；
步骤4、提取反射率图像中的光谱数据，确定整个图像样本中的感兴趣区域；
步骤5、对感兴趣区域内的光谱数据进行预处理，确定光谱的q个特征波长；
步骤6、根据q个不同特征波长下的光谱反射率和试件实测含水量，利用多元线性回归法建立试件内某像素点水分含量的预测模型：
Y＝β0+β1X1+β2X2+β3X3+…+βqXq
式中：X1，X2，…Xq为q个特征波长下反射率图像中某一像素点的反射率；
β0为常数项；
β1，β2，…βq为Y对应于X1，X2，…Xq的偏回归系数；
Y为泡沫沥青冷再生混合料图像中相应像素点处的水分含量。
步骤7、利用正态分布模型对试件图像内各像素点水分分布状况进行拟合，得到正态分布模型的位置参数μ和形状参数σ，以该位置参数和形状参数组成的二维特征向量来描述所述泡沫沥青冷再生混合料内的水分分布特征，正态分布函数如下所示：
Figure BSA0000187481040000021
式中：x为各像素点的水分含量；
f(x)为各像素点水分含量的分布概率；
μ为期望(均数)，即正态分布模型的位置参数；
σ为标准差，即正态分布模型的形状参数。
优选地，在步骤2中所述高光谱图像采集系统包括高光谱成像单元、Schott DCRIII冷光源、电控移动平台和装有控制系统的计算机。其中高光谱成像单元包括电荷耦合器件(CCD)摄像机和图像光谱仪两部分。
进一步地，在步骤2中所述最佳成像参数为：系统曝光时间为50ms、移动平台速度为3mm/s、高光谱图像采集波段为600～1500nm。
进一步地，在步骤3中所述对高光谱图像进行校正处理包括使用校正工具完成图像的辐射校正或几何校正。
进一步地，在步骤3中所述将校正后的高光谱图像转换为反射率图像包括使用数学软件MATLAB中的imread函数读入校正后的高光谱图像并提取其灰度值；还包括利用遥感图像处理平台软件ENVI将提取的灰度值转换为反射率，获取宽为j像素、高为p像素的二维反射率图像。
进一步地，在步骤4中所述确定整个图像样本中的感兴趣区域包括利用ENVI软件中的region of interest工具对波段在600～1500nm范围内的图像进行光谱数据提取；还包括将高反射率的样本图像与低反射率的背景图像相除，利用阈值分割得到二值掩模图像。
进一步地，在步骤5中所述对感兴趣区域内的光谱数据进行预处理包括采用多元散射校正(MSC)算法处理感兴趣区域内的原始光谱数据。
进一步地，在步骤5中所述确定光谱的特征波长包括利用MATLAB软件中的遗传算法工具箱对处理后的光谱数据进行变量筛选；还包括采用主成分分析法确定特征波长。
进一步地，在步骤7中所述利用正态分布模型对试件图像内各像素点水分分布状况进行拟合包括将图像(j×p个像素点)导入视图软件Arcmap并赋予图像二维坐标轴，得到每个像素点的坐标。
相比现有技术，本发明具有以下有益效果：
本发明提出了一种利用高光谱图像技术来获得泡沫沥青冷再生混合料内水分分布规律的技术手段，并对图像分割提取、处理及分析等多方面进行了改进，实现了对泡沫沥青冷再生混合料内水分分布的精确和高效测试。
本发明利用正态分布模型对试件内水分分布状况进行拟合，并提出使用位置参数和形状参数组成的二维特征向量来全面简单地表征泡沫沥青冷再生混合料内的水分分布特征，从而可以更加全面直观地描述泡沫沥青冷再生混合料内水分的分布及其变化规律，为后续优化其配合比设计及计算机仿真分析提供了坚实的基础。
附图说明
图1为经过MSC多元散射校正后得到的泡沫沥青冷再生混合料试件光谱数据图；
图2为泡沫沥青冷再生混合料试件内各像素点水分含量分布规律。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
本实施例中采用的技术方案包括制备泡沫沥青冷再生混合料试件、采集泡沫沥青混合料试件的高光谱图像、建立图像各像素点对应的水分含量预测模型、利用正态分布模型拟合水分含量数据、利用位置参数μ和形状参数σ组成的二维特征向量表征泡沫沥青冷再生混合料内水分分布特征。
步骤1、制备泡沫沥青冷再生混合料的标准马歇尔试件，然后将马歇尔试件切割成若干边长为1.5cm的立方体试件。
本实施例按照《泡沫沥青冷再生路面施工技术规范》(DB32/T 2676-2014)和《公路工程沥青及沥青混合料试验规程》(JTG E20-2011)制备泡沫沥青冷再生混合料的标准马歇尔试件，再生混合料级配为旧料∶新粗集料∶石屑∶矿粉＝70％∶10％∶15％∶5.0％，泡沫沥青用量为2.5％，水泥剂量为1.5％，拌合用水量为5％，制备步骤具体为：
a)将称取的集料投入沥青发泡试验设备配套的维特根WLM 30型混合料拌和机中，加入拌和用水量。
b)在向拌和锅内喷射泡沫沥青之前至少拌和10s，并在喷射泡沫沥青后持续拌和30s。
c)将拌制好的泡沫沥青冷再生混合料转移至容器内，并立即将容器密封，以防水分损失，立即成型马歇尔试件。
d)在水泥初凝前按《公路工程沥青及沥青混合料试验规程》(JTG E20-2011)中的要求成型标准马歇尔试件，双面击实(每面75次)，试模、套筒、底座和击实锤底面不需加热，但应在室温下保存，试件高度控制在63.5mm±1.5mm。
e)将成型好的马歇尔试件连同试模室温条件下放置24h，然后进行脱模。
将泡沫沥青冷再生混合料试件取出，用全自动沥青混合料试件切割机将马歇尔试件切割成若干个尺寸为1.5cm×1.5cm×1.5cm的立方体试件。
步骤2、通过调试确定高光谱图像采集系统的最佳成像参数，获取不同波段下泡沫沥青冷再生混合料立方体试件的高光谱图像。
本发明优选采用的高光谱图像采集系统包括高光谱成像单元、Schott DCR III冷光源、电控移动平台和装有控制系统的计算机。其中高光谱成像单元包括电荷耦合器件(CCD)摄像机和图像光谱仪两部分。CCD相机采用的是来日本Hamamatsu公司的高精度CCD相机，相机分辨率为672×512。成像仪使用的是芬兰Specimen公司的ImSpectorV10E高光谱成像仪，配备OLE-23镜头，可调节焦距和光圈大小。Schott DCR III冷光源是由Schott-Fostec公司制造的，该光源拥有13级光栅，能够维持色温不变，可以手动调节光强，输出功率为50W，是氘灯的两倍，工作时长3500小时，可提供380-2000nm可见和近红外波段的连续光谱信息。本发明为了得到最佳的高光谱图像，经反复调试之后优选的成像参数如下：系统曝光时间50ms、移动平台速度3mm/s。考虑到不同波段的噪音因素影响，本发明优选确定的高光谱图像采集波长范围为600～1500nm。将混合料试件放在电控载物台上进行高光谱图像采集。
步骤3、对所述高光谱图像进行校正处理，将校正后的高光谱图像转换为反射率图像。
在高光谱成像系统中，光源强度分布不均匀，存在一些噪声，如暗电流，严重影响采集的高光谱图像质量，因此需要对图像进行校正。本发明优选利用高光谱成像仪自带的校正工具完成图像的辐射校正或几何校正，所得高光谱校正图像更符合样品的高光谱成像特征。
本发明优选利用数学软件MATLAB中的imread函数读入校正后的高光谱图像并提取其灰度值，利用遥感图像处理平台软件ENVI将提取的灰度值转换为反射率，得到一个二维反射率图像，宽为209像素，高为310像素。反射率图像中每一个像素点对应着一个反射率值，由于试样内部成分不同，每个像素点所对应的反射率值也各不相同。
步骤4、提取反射率图像中的光谱数据，确定整个图像样本中的感兴趣区域。
首先要排除样本背景的影响。本发明优选利用ENVI软件中的region of interest工具对样本图像对波段在600～1500nm范围内的图像进行光谱数据提取，对样本进行图像分割，此步骤是将高反射率的样本图像与低反射率的背景图像相除，再利用阈值分割得到二值掩模图像，从而确定感兴趣区域。
步骤5、对感兴趣区域内的光谱数据进行预处理，确定光谱的特征波长。
光谱预处理是光谱数据分析过程中非常重要的环节。在数据采集过程中，仪器的性能、样本背景、环境光等因素都会对数据采集造成一定程度的影响，致使所得光谱数据存在噪音、谱线平移等问题。
本发明优选利用多元散射校正(MSC)算法对选中的波段区间数据进行线性化处理以消除原始光谱中散射和偏移的影响，对处理后的光谱数据，本发明优选利用MATLAB中的遗传算法工具箱进行变量筛选，并采用主成分分析法确定特征波长，从而得出8个特征波长，分别为641、725、760、832、882、980、1279、1450nm。经过多元散射校正(MSC)后得到的泡沫沥青冷再生混合料光谱数据如附图1所示。
步骤6、根据8个特征波长下的光谱反射率和试件实测含水量，利用多元线性回归法建立试件内某像素点水分含量的预测模型。
本实施例中采用烘干称重的方法得到试件的含水量为1.2％，约为13.8g。结合实测含水量和在特征波长下的反射率图像中每个像素点的光谱反射率，本发明优选利用SPSS统计软件，处理原始数据，通过MATLAB拟合得到试样各像素点对应的水分含量预测模型关系式，如下所示：
Y＝62.291+72.813X1+93.671X2+38.454X3-29.355X4+35.894X5-66.377X6-67.243X7+45.575X8
式中：X1，X2，…X8为8个特征波长下反射率图像中某一像素点的反射率；
Y代表泡沫沥青冷再生混合料试件相应像素点处的水分含量。
步骤7、利用正态分布模型对试件图像内各像素点水分分布状况进行拟合，得到正态分布模型的位置参数μ和形状参数σ，以该位置参数和形状参数组成的二维特征向量来描述所述泡沫沥青冷再生混合料内的水分分布特征。
本发明优选将反射率图像(209×310个像素点)导入Arcmap视图软件并赋予图像二维坐标轴，得到每个像素点的坐标。将反射率图像中的每个像素点所对应的反射率代入步骤6得到的预测模型中进行水分含量的计算，获取泡沫沥青冷再生混合料图像中的每个像素点处的水分含量。然后，本发明优选利用正态分布模型对试件内各像素点水分分布状况进行拟合，得到正态分布模型的位置参数μ和形状参数σ，以该位置参数μ和形状参数σ组成的二维特征向量来描述所述泡沫沥青冷再生混合料内的水分分布特征。正态分布函数如下所示：
Figure BSA0000187481040000061
式中：x为各像素点的水分含量；
f(x)为各像素点水分含量的分布概率；
μ为期望(均数)，即正态分布模型的位置参数；
σ为标准差，即正态分布模型的形状参数。
位置参数μ描述了水分分布的趋势位置，μ越大说明含有大水分含量的区域越多越广泛，混合料内整体水分含量偏多；形状参数σ描述了水分分布的离散程度，σ越大说明水分分布越分散，σ越小说明水分分布越集中。考虑到像素点个数繁多，而且每一个像素点的水分含量甚微，所以采用以100个像素点为一组，用每一组的水分含量来描述泡沫沥青冷再生混合料内部水分的分布规律。泡沫沥青冷再生混合料试件内各像素点水分含量分布规律如附图2所示。
可以观察到该泡沫沥青冷再生混合料试件内水分的分布符合正态分布，呈现出中间高两头低的分布形态，水分含量在0.05g至0.06g的区域最多，分布最广泛，其水分分布二维特征向量为[0.049407，0.021375]。
综上可知，本发明所提出的一种利用高光谱成像技术的泡沫沥青冷再生混合料内水分分布测试方法，利用正态分布模型拟合试件内水分分布特征，并用位置参数μ和形状参数σ组成的二维特征向量全面直观地表征泡沫沥青冷再生混合料内水分分布特征，为后续优化其配合比设计及计算机仿真分析提供了坚实的基础。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (9)

1.一种泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，包括以下步骤：
步骤1、制备泡沫沥青冷再生混合料的标准马歇尔试件，然后将马歇尔试件切割成若干边长为1.5cm的立方体试件；
步骤2、通过调试确定高光谱图像采集系统的最佳成像参数，获取不同波段下泡沫沥青冷再生混合料立方体试件的高光谱图像；
步骤3、对所述高光谱图像进行校正处理，将校正后的高光谱图像转换为反射率图像；
步骤4、提取反射率图像中的光谱数据，确定整个图像样本中的感兴趣区域；
步骤5、对感兴趣区域内的光谱数据进行预处理，确定光谱的q个特征波长；
步骤6、根据q个不同特征波长下的光谱反射率和试件实测含水量，利用多元线性回归法建立试件内某像素点水分含量的预测模型：
Y＝β0+β1X1+β2X2+β3X3+…+βqXq
式中：X1，X2，…Xq为q个特征波长下反射率图像中某一像素点的反射率；
β0为常数项；
β1，β2，…βq为Y对应于X1，X2，…Xq的偏回归系数；
Y为泡沫沥青冷再生混合料图像中相应像素点处的水分含量；
步骤7、利用正态分布模型对试件图像内各像素点水分分布状况进行拟合，得到正态分布模型的位置参数μ和形状参数σ，以该位置参数和形状参数组成的二维特征向量来描述所述泡沫沥青冷再生混合料内的水分分布特征，正态分布函数如下所示：
Figure FSB0000194750140000011
式中：x为各像素点的水分含量；
f(x)为各像素点水分含量的分布概率；
μ为期望(均数)，即正态分布模型的位置参数；
σ为标准差，即正态分布模型的形状参数。
2.如权利要求1所述的泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，在步骤2中所述高光谱图像采集系统包括高光谱成像单元、Schott DCR III冷光源、电控移动平台和装有控制系统的计算机；其中高光谱成像单元包括电荷耦合器件(CCD)摄像机和图像光谱仪两部分。
3.如权利要求2所述的泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，在步骤2中所述最佳成像参数为：系统曝光时间为50ms、移动平台速度为3mm/s、高光谱图像采集波段为600～1500nm。
4.如权利要求1所述的泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，在步骤3中对所述高光谱图像进行校正处理包括使用校正工具完成图像的辐射校正或几何校正。
5.如权利要求1所述的泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，在步骤3中所述将校正后的高光谱图像转换为反射率图像包括使用数学软件MATLAB中的imread函数读入校正后的高光谱图像并提取其灰度值；还包括利用遥感图像处理平台软件ENVI将提取的灰度值转换为反射率，获取宽为j像素、高为p像素的二维反射率图像。
6.如权利要求1所述的泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，在步骤4中所述确定整个图像样本中的感兴趣区域包括利用ENVI软件中的region ofinterest工具对波段在600～1500nm范围内的图像进行光谱数据提取；还包括将高反射率的样本图像与低反射率的背景图像相除，利用阈值分割得到二值掩模图像。
7.如权利要求1所述的泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，在步骤5中所述对感兴趣区域内的光谱数据进行预处理包括采用多元散射校正(MSC)算法处理感兴趣区域内的原始光谱数据。
8.如权利要求1所述的泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，在步骤5中所述确定光谱的特征波长包括利用MATLAB软件中的遗传算法工具箱对处理后的光谱数据进行变量筛选；还包括采用主成分分析法确定特征波长。
9.如权利要求1所述的泡沫沥青冷再生混合料内水分分布的测试方法，其特征在于，在步骤7中所述利用正态分布模型对试件图像内各像素点水分分布状况进行拟合包括将图像(j×p个像素点)导入视图软件Arcmap并赋予图像二维坐标轴，得到每个像素点的坐标。
CN201910727883.9A 2019-08-07 2019-08-07 一种泡沫沥青冷再生混合料内水分分布的测试方法 Active CN110441268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910727883.9A CN110441268B (zh) 2019-08-07 2019-08-07 一种泡沫沥青冷再生混合料内水分分布的测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910727883.9A CN110441268B (zh) 2019-08-07 2019-08-07 一种泡沫沥青冷再生混合料内水分分布的测试方法

Publications (2)

Publication Number Publication Date
CN110441268A CN110441268A (zh) 2019-11-12
CN110441268B true CN110441268B (zh) 2021-09-21

Family

ID=68433903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910727883.9A Active CN110441268B (zh) 2019-08-07 2019-08-07 一种泡沫沥青冷再生混合料内水分分布的测试方法

Country Status (1)

Country Link
CN (1) CN110441268B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111896464B (zh) * 2020-07-29 2023-01-31 河海大学 一种泡沫温拌沥青水分迁移规律的评估装置及方法
CN114463240B (zh) * 2022-02-10 2022-11-18 哈尔滨工业大学 一种沥青混合料中子图像与X-ray图像的融合处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102564964A (zh) * 2011-12-29 2012-07-11 南京林业大学 基于光谱图像的肉品品质可视化非接触检测方法
CN102721651A (zh) * 2012-06-18 2012-10-10 浙江大学 基于多光谱图像的植物叶片水分含量的检测方法及系统
CN103558236A (zh) * 2013-10-30 2014-02-05 哈尔滨工业大学 基于工业ct的沥青混合料水分分布测试方法
CN103674864A (zh) * 2013-11-12 2014-03-26 浙江大学 一种基于高光谱成像技术的鱼水分含量分布检测方法
CN104880427A (zh) * 2015-05-29 2015-09-02 华南理工大学 一种猪肉产品快速水分检测方法
CN106124552A (zh) * 2016-09-12 2016-11-16 沧州市市政工程股份有限公司 一种泡沫沥青水分含量测试方法
CN109765192A (zh) * 2019-01-25 2019-05-17 西南交通大学 基于高光谱技术的绝缘子表面含水量的检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102564964A (zh) * 2011-12-29 2012-07-11 南京林业大学 基于光谱图像的肉品品质可视化非接触检测方法
CN102721651A (zh) * 2012-06-18 2012-10-10 浙江大学 基于多光谱图像的植物叶片水分含量的检测方法及系统
CN103558236A (zh) * 2013-10-30 2014-02-05 哈尔滨工业大学 基于工业ct的沥青混合料水分分布测试方法
CN103674864A (zh) * 2013-11-12 2014-03-26 浙江大学 一种基于高光谱成像技术的鱼水分含量分布检测方法
CN104880427A (zh) * 2015-05-29 2015-09-02 华南理工大学 一种猪肉产品快速水分检测方法
CN106124552A (zh) * 2016-09-12 2016-11-16 沧州市市政工程股份有限公司 一种泡沫沥青水分含量测试方法
CN109765192A (zh) * 2019-01-25 2019-05-17 西南交通大学 基于高光谱技术的绝缘子表面含水量的检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于高光谱与协同克里金的土壤耕作层含水率反演";徐驰等;《农业工程学报》;20140731;第30卷(第13期);第94-103页 *

Also Published As

Publication number Publication date
CN110441268A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
Fu et al. Predicting soil organic matter from cellular phone images under varying soil moisture
Rossel et al. Using a digital camera to measure soil organic carbon and iron contents
DE60316113T2 (de) Verfahren für quantitative video-mikroskopie und vorrichtung und computerprogramm zur durchführung des verfahrens
CN110441268B (zh) 一种泡沫沥青冷再生混合料内水分分布的测试方法
KR20080016847A (ko) 크로모겐 분리에 기초한 영상 분석 방법
CN110687053B (zh) 一种基于高光谱影像的区域有机质含量估算方法和装置
CN101210876A (zh) 基于可见/近红外多光谱成像的水稻养分信息测量方法
CN103389255A (zh) 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法
CN112991288A (zh) 基于丰度图像锐化重构的高光谱遥感图像融合方法
CN110672546A (zh) 一种基于便携式近红外光谱仪的酒糟模型建模方法
CN113436153B (zh) 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法
CN114676636A (zh) 一种综合植被和生境特征的草原区土壤水分快速反演方法
Heil et al. Digital photography as a tool for microscale mapping of soil organic carbon and iron oxides
Kirillova et al. Calibration methods for measuring the color of moist soils with digital cameras
Chen et al. Linear regression between CIE-lab color parameters and organic matter in soils of tea plantations
CN115235997A (zh) 一种基于卫星高光谱影像的土壤质地反演方法
Wu et al. A simple digital imaging method for estimating black-soil organic matter under visible spectrum
CN113959961A (zh) 一种基于高光谱图像的单宁添加剂防伪检测方法及系统
Wu et al. Rapid determination of soil organic matter content based on soil colour obtained by a digital camera
CN106846295A (zh) 土壤有机质的测定方法和装置
CN110823829A (zh) 一种基于sg校准片的光谱数据补偿方法
CN100365435C (zh) 一种遥感影像光谱细分方法
KR102082102B1 (ko) 토양 이미지를 이용한 토양 분류 방법 및 함수비 추정 방법
CN115508292B (zh) 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法
Romaniello et al. Measurement of food colour in L* a* b* units from RGB digital image using least squares support vector machine regression

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