CN110473225A - 一种非均匀照度沥青混合料颗粒识别方法 - Google Patents
一种非均匀照度沥青混合料颗粒识别方法 Download PDFInfo
- Publication number
- CN110473225A CN110473225A CN201910780193.XA CN201910780193A CN110473225A CN 110473225 A CN110473225 A CN 110473225A CN 201910780193 A CN201910780193 A CN 201910780193A CN 110473225 A CN110473225 A CN 110473225A
- Authority
- CN
- China
- Prior art keywords
- radius
- image
- asphalt
- value
- circle
- 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.)
- Granted
Links
- 239000010426 asphalt Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000002245 particle Substances 0.000 title claims abstract description 43
- 238000005286 illumination Methods 0.000 title claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 12
- 239000004570 mortar (masonry) Substances 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种非均匀照度沥青混合料颗粒识别方法,本发明涉及沥青混合料颗粒识别方法。本发明的目的是为了解决现有沥青混合料CT图像颗粒识别方法精度低、缺乏评价指标及识别方法粗糙的问题。过程为:步骤一、确定沥青混合料CT图像中试件半径及圆心位置;步骤二、对已确定试件半径及圆心的CT图像进行圆形切割,共分为3环一圆;步骤三、对切割后图像进行降噪增强、阈值分割,对阈值分割后图像进行拼合;步骤四、对拼合后图像进行形态学处理;步骤五、确定沥青混合料CT图像的最优切割半径。本发明属于沥青混合料细观结构识别方法技术领域。
Description
技术领域
本发明涉及沥青混合料颗粒识别方法。属于沥青混合料细观结构识别方法技术领域。
背景技术
沥青混合料是一种多相复合材料,传统的宏观经验性评价方法很难揭示组分复杂材料的破坏机理,而沥青混合料力学行为的主要影响因素是内部材料的分布,即细观结构,所以针对混合料细观结构的研究显得尤为重要。
随着无损检测技术和数字图像处理技术的飞速发展,近年来越来越多先进的检测设备进入大家的视野,其中工业CT技术的快速发展及应用,促进了对于沥青混合料细观结构的研究。基于工业CT图像的材料细观结构研究,能有效的表征沥青混合料内部结构的非均质性和随机性。但现阶段采用工业CT技术表征沥青混合料细观典型结构存在几方面问题,首先,由于工业CT采用的锥束扫描方式使得康普顿散射效应加剧,导致工业CT获取图像模糊或出现灰度不均匀现象,使得细观颗粒信息提取的精度较低;其次,现阶段的颗粒识别方法还没有成熟可靠的评价指标,图像二值化效果只能通过人眼判断,缺乏科学性;最后,由于每张CT图像的独特性,对于不同图像,应有其特定的图像处理参数以使颗粒识别效果最佳,但现阶段的方法采用统一的图像处理参数,不能保证每张图像的识别都达到最佳效果,图像识别粗糙且不够精细。
发明内容
本发明的目的是为了解决现有沥青混合料CT图像颗粒识别方法精度低、缺乏评价指标及识别方法粗糙的问题,而提出一种非均匀照度沥青混合料颗粒识别方法。
一种非均匀照度沥青混合料颗粒识别方法具体过程为:
步骤一、确定沥青混合料CT图像中试件半径及圆心位置;
步骤二、对已确定试件半径及圆心的CT图像进行圆形切割,共分为3环一圆;
步骤三、对切割后图像进行降噪增强、阈值分割,对阈值分割后图像进行拼合;
步骤四、对拼合后图像进行形态学处理;
步骤五、确定沥青混合料CT图像的最优切割半径。
本发明的有益效果为:
基于上述问题,本发明首先对沥青混合料CT图像中试件的半径大小、圆心位置进行精确识别,利用已识别的圆心及半径对图像进行圆形切割,共分为3环一圆,对每部分图像进行图像降噪增强及阈值分割并拼合,最后对图像进行形态学处理,并以有效像素点数表征颗粒识别效果,通过持续调整切割分环半径取值,确定对某张沥青混合料CT图像的最优切割半径以达到最优颗粒识别效果。该方法可用于沥青混合料细观结构研究及沥青混合料三维建模等方面。
本发明的目的是为了解决目前沥青混合料CT图像颗粒识别方法精确低、缺乏评价指标及识别方法粗糙的问题。故基于图像处理领域常用的多阈值分割算法、图像开闭运算、最小均方误差滤波算法及分水岭分割算法等,结合本发明提出的图像圆形分割、试件圆心及半径识别算法、最优切割半径判定算法,开发了沥青混合料细观结构批量提取程序,该程序可以针对不同质量的图像自动选取最优的分割参数,具有更高的识别精度和适应能力,对科研实践具有十分重要的意义。
1)识别圆心及半径的优势
首先,沥青混合料CT图像的画面构成为大致居于画面中心的沥青混合料试件横切面和其周围的环状伪影,在对图像进行二值化处理时,环状伪影并不会被当作背景去除,而环状伪影并非目标提取物,所以须将环状伪影去除,以往的提取方法无法对混合料的圆心、半径进行识别,故不能利用圆形切割精确的将环状伪影彻底切除,此时会发生三种情况:一为误切除了部分试件横切面、二为误切除了部分试件横切面并且保留了部分环状伪影、三为保留了部分环状伪影,以上每种情况都对于混合料得颗粒识别有负面影响,故传统方法对环状伪影的处理效果不佳。本发明基于圆心及半径的识别,以试件半径为切割半径,切割中心为试件圆心,对图像进行圆形切割,以完全切除环状伪影,提高颗粒识别精度。
其次,沥青混合料试件横切面中,还存在着黑芯的情况,即横切面中心部分较边缘部分灰度值大,对这样的图像进行阈值分割时最好的情况是使各处颗粒的灰度值相同以提高识别精度,所以在进行二值化处理时本发明采用将横切面部分分为三环一圆共四个部分,分别进行二值化处理的方法,而黑芯分布是以试件圆心为圆心的小圆范围内沿半径呈非线性分布。若不清楚试件圆心的位置,会使圆形切割位置出现偏差,不能达到使每部分图像颗粒的灰度值尽量相近的目的。所以相较于以往的颗粒识别方法,确定圆心及半径对于黑芯的处理更佳。
综上所述,确定圆心及半径对于消除环状伪影及黑芯对颗粒识别精度的影响具有重要作用,相较于以往的方法,确定了试件圆心及半径可以大大提高颗粒识别精度。
2)图像圆形切割的优势
以往的沥青混合料颗粒识别方法采用基于全局的最大类间方差法对图像进行二值化,其对带有黑芯的混合料CT图像的处理效果很不理想,会将位于中心区域灰度值较小的颗粒当作背景去除,导致识别精度大大降低,如图6a、6b所示。
这是由于黑芯的存在使得靠近中心区域的集料的灰度值小于最大类间方差法计算得来的阈值,若将图像圆形切割为三环一圆,分别计算阈值,即采用基于局部的最大类间方差法计算阈值,则不会发生集料灰度小于阈值的情况,保证了颗粒识别的精度,基于局部的阈值分割与基于全局的阈值分割对比如图7a、7b所示。
3)确定最优切割半径的优势
相较于以往方法所采用的固定图像处理参数的方法,本发明采用依据每张图像特点由程序自行确定其图像处理参数的方法,不仅提高了图像处理的精细化程度,还将颗粒的识别精度大大提高,具有显著的实际意义,对比如图8a、8b、8c所示。
可以发现经最优切割半径处理后的图像,对于中心区域颗粒的识别更为准确,颗粒识别也更为完整,精度较非最优切割半径处理后的图像有较大提升。
附图说明
图1为本发明定义有效像素点流程图;
图2a为最大有效像素点数随圆心位置变化关系图;
图2b为最大有效像素点数随半径变化关系图;
图3a为原始CT图像;
图3b为CT图像圆形第一次切割后图像;
图3c为CT图像圆形第二次切割后图像;
图3d为CT图像圆形第三次切割后图像;
图3e为CT图像圆形第四次切割后图像;
图4a为本发明对CT图像圆形第一次切割后图像二值化示意图;
图4b为本发明对CT图像圆形第二次切割后图像二值化示意图;
图4c为本发明对CT图像圆形第三次切割后图像二值化示意图;
图4d为本发明对CT图像圆形第四次切割后图像二值化示意图;
图4e为本发明对4a、4b、4c、4d各部分拼合示意图;
图5为本发明程序流程图;
图6a为原始图像;
图6b为对图6a原始图像进行全局阈值分割效果示意图;
图7a为局部阈值分割拼合图;
图7b为全局阈值分割图;
图8a为原始CT图像;
图8b为对图8a原始CT图像以最优半径切割得到的二值化图像;
图8c为对图8a原始CT图像以非最优半径切割得到的二值化图像。
具体实施方式
具体实施方式一:结合图5说明本实施方式,本实施方式一种非均匀照度沥青混合料颗粒识别方法具体过程为:
步骤一、确定沥青混合料CT图像中试件半径及圆心位置;
步骤二、对已确定试件半径及圆心的CT图像进行圆形切割,共分为3环一圆;
步骤三、对切割后图像进行降噪增强、阈值分割,对阈值分割后图像进行拼合;具体过程为:
利用维纳滤波及灰度直方图均衡化处理对切割后图像进行降噪增强,得到降噪增强后的切割图像,并利用双阈值的最大类间方差法计算阈值,利用阈值将降噪增强后的切割图像进行二值化处理(二值化指基于阈值,将灰度大于等于阈值的像素点变为白色,灰度小于阈值的像素点变为黑色,故称二值化),得到二值化处理后的切割图像,最后将二值化处理后的切割图像进行拼合,如图4a、4b、4c、4d、4e所示。
步骤四、对拼合后图像进行形态学处理;具体过程为:
利用闭运算闭合二值化图像中颗粒内部的空缺,并通过分水岭运算将粘连的颗粒进行分离;
步骤五、确定沥青混合料CT图像的最优切割半径。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一中确定沥青混合料CT图像中试件半径及圆心位置;具体过程为:
由于物质的密度不同会以像素灰度不同的方式反映在CT图像中,而物质的密度并非均匀,所以某种物质在CT图像中的灰度值应处在一个区间,在沥青混合料CT图像中:空隙灰度值<沥青砂浆灰度值<集料颗粒灰度值;
步骤一一、基于双阈值的最大类间方差法,计算获得沥青混合料CT图像阈值;具体过程为:
程序自动不断调整区分沥青混合料CT图像中空隙灰度值与沥青砂浆灰度值的阈值1和区分沥青砂浆灰度值与集料颗粒灰度值的阈值2,直至沥青混合料CT图像中三类物质空隙灰度值、沥青砂浆灰度值、集料颗粒灰度值间的区域方差达到最大,由于需要将空隙与沥青砂浆去除,所以将阈值2作为最终沥青混合料CT图像阈值;
步骤一二、定义灰度值大于等于图像阈值的像素点为有效像素点,定义灰度值小于图像阈值的像素点为无效像素点;如图1。
步骤一三、为确定试件在图像中的半径、圆心,令半径以500像素为初值的圆在沥青混合料CT图像上任意移动,并保证圆心始终不超出沥青混合料CT图像范围;圆心每移动一次,记录圆内包含的有效像素点数量,当圆心走遍图像中每一个像素点后,找出使圆覆盖有效像素点数量达到最大的圆心位置及有效像素点数量并保存;
步骤一四、将半径增大1个像素重复步骤一三,直到相邻半径大小的圆包含的最大有效像素点数量相同时(这两个圆能覆盖的最大有效像素点数量就是这个图上所有的有效像素点数量),相邻半径中的较小值即为试件半径,以试件半径画圆,在沥青混合料CT图上不断调整位置,记录覆盖最多的有效像素点的圆心位置,即为试件圆心位置。如图2a、2b。
步骤一三只是步骤确定的是圆的圆心,而步骤一四是通过改变圆的半径大小并重复步骤一三来确定不同半径大小时圆的圆心,然后通过覆盖最大有效像素点数量来确定哪个半径的圆是与试件的横切面重合的,此时这个圆的半径即为试件的半径,这个圆覆盖有效像素点数量最大的位置应该是和试件横切面完全重合的位置,所以二者圆心位置重合。由于不知道试件半径的确切大小,所以需要从一个较小的半径值开始去寻找,不断增大,直到确定试件的半径大小,所以500像素肯定比试件的半径小。
有效像素点实际上就是表示颗粒的像素点,这些像素点近乎于均匀的分布在一个圆形范围内,这个圆形范围的圆心半径就是试件横切面的圆心半径,用一个圆去寻找试件的圆心半径时,若圆的半径变大一个像素,而其所能覆盖的最大有效像素点数不变,说明这时的半径已经大于了试件横切面的半径,而当用一个半径不断变大1像素的圆去搜寻圆心半径时,当其第一次遇到半径变大而最大有效像素点数不变的情况时,此时圆的半径减去1个像素才为试件的真实半径。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述所述步骤二中对已确定试件半径及圆心的CT图像进行圆形切割,共分为3环一圆;具体过程为:
对每张CT图像都进行四次圆形切割,将圆形的试件横截面分为三环一圆共四部分;如图3a、3b、3c、3d、3e所示。具体为:
第一次切割将试件的横切面从整幅图像中提取出来,切割的半径就为试件的半径,切割的圆心为试件的圆心;
根据试件半径大小确定参数Range_2min、Range_3min、Range_4min、Range_2max、Range_3max、Range_4max、变化步距Step的取值,三次切割的半径初值都为最小取值;
所述Range_2min为第二次切割半径最小取值;Range_3min为第三次切割半径最小取值,Range_4min为第四次切割半径最小取值,Range_2max为第二次切割半径最大取值,Range_3max为第三次切割半径最大取值,Range_4max为第四次切割半径最大取值;
第二次切割半径的初值为第二次切割半径最小值;
第三次切割半径的初值为第三次切割半径最小值;
第四次切割半径的初值为第四次切割半径最小值。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤五中确定沥青混合料CT图像的最优切割半径;具体过程为:
由于阈值分割算法对照度不均匀及存在噪点的CT图像存在过度分割现象,即会导致颗粒识别不完整,而在三次圆形切割时,不同的切割半径取值会直接影响到阈值的取值,并间接影响颗粒识别的完整性,可以联想,应有一组最佳的切割半径取值,可以最大程度上弱化过度分割现象,以达到最佳的颗粒识别效果。而过度分割会导致有效像素点数降低,弱化过度分割现象会使有效像素点数量增加,所以可以利用有效像素点数量来判断颗粒识别效果。
基于以上判断,在确定某张CT图像的最优切割半径时,每次切割半径的初值为切割半径最小值,设第二次切割、第三次切割、第四次切割每次切割半径变化的步距为Step像素,基于第二次切割、第三次切割、第四次切割所有切割半径取值的组合,对每一种组合重复执行步骤一至步骤四,直至第二次切割、第三次切割、第四次切割半径取值变化至半径取值的最大值,选取所有组合中使有效像素点数量达到最大的一组半径取值称为这张CT图像最优切割半径,每张CT图像的最优切割半径都不尽相同,找出每张CT图像的最优切割半径,对每张CT图像的最优切割半径进行二值化处理并编号保存。
实际上对于一张CT图像我需要对其进行4次切割,第一次切割是为了将试件的横切面从整幅图像中抠出来,这次切割的半径就为试件的半径,切割时的圆心就为试件的圆心,但剩下三次切割的半径的取值是三个区间,且三个区间没有重合部分,也就是无论取值怎么变,第一次切割的半径肯定比第二次的半径大,大二次的也比第三次的大,比如第一次切割半径从380像素变化至420像素,第二次切割的半径从280像素变化至340像素,第三次切割的半径从180像素变化至240像素,三个半径每次变化的步距为10像素,则第一次切割的半径取值有5种情况,第二次切割的半径取值有7种情况,第三次切割的半径取值有7种情况,那么程序就算要从这5*7*7=245种情况中找出能使有效像素点数达到最大的情况,这时三个半径的取值就是最优切割半径。
其它步骤及参数与具体实施方式一至三之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例具体是按照以下步骤制备的:
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种非均匀照度沥青混合料颗粒识别方法,其特征在于:所述方法具体过程为:
步骤一、确定沥青混合料CT图像中试件半径及圆心位置;
步骤二、对已确定试件半径及圆心的CT图像进行圆形切割,共分为3环一圆;
步骤三、对切割后图像进行降噪增强、阈值分割,对阈值分割后图像进行拼合;
步骤四、对拼合后图像进行形态学处理;
步骤五、确定沥青混合料CT图像的最优切割半径。
2.根据权利要求1所述一种非均匀照度沥青混合料颗粒识别方法,其特征在于:所述步骤一中确定沥青混合料CT图像中试件半径及圆心位置;具体过程为:
在沥青混合料CT图像中:空隙灰度值<沥青砂浆灰度值<集料颗粒灰度值;
步骤一一、基于双阈值的最大类间方差法,计算获得沥青混合料CT图像阈值;
步骤一二、定义灰度值大于等于图像阈值的像素点为有效像素点,定义灰度值小于图像阈值的像素点为无效像素点;
步骤一三、令半径以500像素为初值的圆在沥青混合料CT图像上任意移动,并保证圆心始终不超出沥青混合料CT图像范围;圆心每移动一次,记录圆内包含的有效像素点数量,当圆心走遍图像中每一个像素点后,找出使圆覆盖有效像素点数量达到最大的圆心位置及有效像素点数量并保存;
步骤一四、将半径增大1个像素重复步骤一三,直到相邻半径大小的圆包含的最大有效像素点数量相同时,相邻半径中的较小值即为试件半径,以试件半径画圆,在沥青混合料CT图上不断调整位置,记录覆盖最多的有效像素点的圆心位置,即为试件圆心位置。
3.根据权利要求2所述一种非均匀照度沥青混合料颗粒识别方法,其特征在于:所述步骤二中对已确定试件半径及圆心的CT图像进行圆形切割,共分为3环一圆;具体过程为:
对每张CT图像都进行四次圆形切割,将圆形的试件横截面分为三环一圆共四部分;具体为:
第一次切割将试件的横切面从整幅图像中提取出来,切割的半径就为试件的半径,切割的圆心为试件的圆心;
根据试件半径大小确定参数Range_2min、Range_3min、Range_4min、Range_2max、Range_3max、Range_4max、变化步距Step的取值,三次切割的半径初值都为最小取值;
所述Range_2min为第二次切割半径最小取值;Range_3min为第三次切割半径最小取值,Range_4min为第四次切割半径最小取值,Range_2max为第二次切割半径最大取值,Range_3max为第三次切割半径最大取值,Range_4max为第四次切割半径最大取值;
第二次切割半径的初值为第二次切割半径最小值;
第三次切割半径的初值为第三次切割半径最小值;
第四次切割半径的初值为第四次切割半径最小值。
4.根据权利要求3所述一种非均匀照度沥青混合料颗粒识别方法,其特征在于:所述步骤五中确定沥青混合料CT图像的最优切割半径;具体过程为:
设第二次切割、第三次切割、第四次切割每次切割半径变化的步距为Step像素,基于第二次切割、第三次切割、第四次切割所有切割半径取值的组合,对每一种组合重复执行步骤一至步骤四,直至第二次切割、第三次切割、第四次切割半径取值变化至半径取值的最大值,选取所有组合中使有效像素点数量达到最大的一组半径取值称为这张CT图像最优切割半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910780193.XA CN110473225B (zh) | 2019-08-22 | 2019-08-22 | 一种非均匀照度沥青混合料颗粒识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910780193.XA CN110473225B (zh) | 2019-08-22 | 2019-08-22 | 一种非均匀照度沥青混合料颗粒识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473225A true CN110473225A (zh) | 2019-11-19 |
CN110473225B CN110473225B (zh) | 2023-06-06 |
Family
ID=68513421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910780193.XA Active CN110473225B (zh) | 2019-08-22 | 2019-08-22 | 一种非均匀照度沥青混合料颗粒识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473225B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553886A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 一种沥青混合料ct图像中颗粒的自适应识别方法 |
CN113658117A (zh) * | 2021-08-02 | 2021-11-16 | 浙江大学 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
CN114687266A (zh) * | 2022-05-30 | 2022-07-01 | 江苏南通冠仟新材料科技有限公司 | 基于程序控制的再生沥青混凝土智能翻拌方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1982003591A1 (en) * | 1981-04-13 | 1982-10-28 | Int Co Harvester | Abrasive liquid jet cutting |
EP0306767A1 (en) * | 1987-09-08 | 1989-03-15 | Blount, Inc. | System for cutting complex structures |
JPH10253522A (ja) * | 1997-03-10 | 1998-09-25 | Mitsubishi Chem Corp | 画像処理方法 |
US20050057638A1 (en) * | 2003-08-25 | 2005-03-17 | Konica Minolta Medical & Graphic, Inc. | Medical image recording system and medical image recording apparatus |
JP2007000348A (ja) * | 2005-06-23 | 2007-01-11 | Ge Medical Systems Global Technology Co Llc | X線ct装置 |
JP2009259036A (ja) * | 2008-04-17 | 2009-11-05 | Sharp Corp | 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム |
US20120163688A1 (en) * | 2010-12-22 | 2012-06-28 | Chevron U.S.A. Inc. | System and method for multi-phase segmentation of density images representing porous media |
CN103076271A (zh) * | 2013-01-31 | 2013-05-01 | 哈尔滨工业大学 | 沥青混合料空隙体积提取精度测试方法 |
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN106355587A (zh) * | 2016-09-06 | 2017-01-25 | 东南大学 | 基于接触距离分布的沥青混合料砂浆厚度计算方法 |
CN106447690A (zh) * | 2016-09-30 | 2017-02-22 | 南京航空航天大学 | 乳化沥青冷再生混合料的粗集料特征分析方法 |
CN106651896A (zh) * | 2016-09-30 | 2017-05-10 | 南京航空航天大学 | 沥青混合料的ct图像的材质分类方法 |
CN107024411A (zh) * | 2017-04-20 | 2017-08-08 | 阜阳师范学院 | 一种沥青路面施工质量均匀性检测与评价方法 |
CN107560991A (zh) * | 2017-07-10 | 2018-01-09 | 武汉科技大学 | 一种沥青混合料空隙分布特性的多特征参数评价方法 |
CN107680102A (zh) * | 2017-08-28 | 2018-02-09 | 国网甘肃省电力公司电力科学研究院 | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 |
CN108613993A (zh) * | 2018-05-11 | 2018-10-02 | 交通运输部公路科学研究所 | 一种沥青混合料的自愈合能力评价方法及系统 |
CN108734699A (zh) * | 2018-04-23 | 2018-11-02 | 东南大学 | 一种评价再生沥青混合料组分分布均匀性的方法 |
CN109001248A (zh) * | 2018-06-26 | 2018-12-14 | 哈尔滨工业大学 | 一种基于图像信息熵的沥青混合料冻融损伤评价方法 |
CN109211904A (zh) * | 2018-09-12 | 2019-01-15 | 长安大学 | 一种沥青混合料二维内部结构检测系统及检测方法 |
-
2019
- 2019-08-22 CN CN201910780193.XA patent/CN110473225B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1982003591A1 (en) * | 1981-04-13 | 1982-10-28 | Int Co Harvester | Abrasive liquid jet cutting |
EP0306767A1 (en) * | 1987-09-08 | 1989-03-15 | Blount, Inc. | System for cutting complex structures |
JPH10253522A (ja) * | 1997-03-10 | 1998-09-25 | Mitsubishi Chem Corp | 画像処理方法 |
US20050057638A1 (en) * | 2003-08-25 | 2005-03-17 | Konica Minolta Medical & Graphic, Inc. | Medical image recording system and medical image recording apparatus |
JP2007000348A (ja) * | 2005-06-23 | 2007-01-11 | Ge Medical Systems Global Technology Co Llc | X線ct装置 |
JP2009259036A (ja) * | 2008-04-17 | 2009-11-05 | Sharp Corp | 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム |
US20120163688A1 (en) * | 2010-12-22 | 2012-06-28 | Chevron U.S.A. Inc. | System and method for multi-phase segmentation of density images representing porous media |
WO2012087392A1 (en) * | 2010-12-22 | 2012-06-28 | Chevron U.S.A. Inc. | System and method for multi-phase segmentation of density images representing porous media |
CN103210416A (zh) * | 2010-12-22 | 2013-07-17 | 雪佛龙美国公司 | 用于表示多孔介质的密度图像的多相态分割的系统和方法 |
CN103076271A (zh) * | 2013-01-31 | 2013-05-01 | 哈尔滨工业大学 | 沥青混合料空隙体积提取精度测试方法 |
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN106355587A (zh) * | 2016-09-06 | 2017-01-25 | 东南大学 | 基于接触距离分布的沥青混合料砂浆厚度计算方法 |
CN106447690A (zh) * | 2016-09-30 | 2017-02-22 | 南京航空航天大学 | 乳化沥青冷再生混合料的粗集料特征分析方法 |
CN106651896A (zh) * | 2016-09-30 | 2017-05-10 | 南京航空航天大学 | 沥青混合料的ct图像的材质分类方法 |
CN107024411A (zh) * | 2017-04-20 | 2017-08-08 | 阜阳师范学院 | 一种沥青路面施工质量均匀性检测与评价方法 |
CN107560991A (zh) * | 2017-07-10 | 2018-01-09 | 武汉科技大学 | 一种沥青混合料空隙分布特性的多特征参数评价方法 |
CN107680102A (zh) * | 2017-08-28 | 2018-02-09 | 国网甘肃省电力公司电力科学研究院 | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 |
CN108734699A (zh) * | 2018-04-23 | 2018-11-02 | 东南大学 | 一种评价再生沥青混合料组分分布均匀性的方法 |
CN108613993A (zh) * | 2018-05-11 | 2018-10-02 | 交通运输部公路科学研究所 | 一种沥青混合料的自愈合能力评价方法及系统 |
CN109001248A (zh) * | 2018-06-26 | 2018-12-14 | 哈尔滨工业大学 | 一种基于图像信息熵的沥青混合料冻融损伤评价方法 |
CN109211904A (zh) * | 2018-09-12 | 2019-01-15 | 长安大学 | 一种沥青混合料二维内部结构检测系统及检测方法 |
Non-Patent Citations (5)
Title |
---|
MOLENAAR A等: ""CHARACTERISATION AND MODELLING OF AIRFIELD PAVEMENT STRUCTURES FOR TOMORROW"S EXTRA LARGE AIRCRAFT"", 《PRESENTED FOR THE 2002 FEDERAL AVIATION ADMINISTRATION AIRPORT TECHNOLOGY TRANSFER CONFERENCE》 * |
SUCH C 等: ""Characterization of the breaking of bitumen emulsions by the tuning-fork test"", 《REVUE GENERALE DES ROUTES ET DES AERODROMES》 * |
白璐: ""基于图像处理的沥青混合料配合比识别研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
郭乃胜等: ""基于CT技术的沥青混合料均匀性评价方法"", 《中国公路学报》 * |
颜廷野: ""基于数字图像处理技术沥青混合料空隙及级配检测的研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553886A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 一种沥青混合料ct图像中颗粒的自适应识别方法 |
CN111553886B (zh) * | 2020-04-09 | 2024-02-13 | 哈尔滨工业大学 | 一种沥青混合料ct图像中颗粒的自适应识别方法 |
CN113658117A (zh) * | 2021-08-02 | 2021-11-16 | 浙江大学 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
CN113658117B (zh) * | 2021-08-02 | 2023-09-15 | 安徽省交通控股集团有限公司 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
CN114687266A (zh) * | 2022-05-30 | 2022-07-01 | 江苏南通冠仟新材料科技有限公司 | 基于程序控制的再生沥青混凝土智能翻拌方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110473225B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN110473225A (zh) | 一种非均匀照度沥青混合料颗粒识别方法 | |
US10445557B2 (en) | Learning pixel visual context from object characteristics to generate rich semantic images | |
Wu et al. | Imaged wear debris separation for on-line monitoring using gray level and integrated morphological features | |
US9779499B2 (en) | Grading of glandular tissue cancer by detailed image analysis of stained tissue slices | |
CN104899926A (zh) | 医学图像分割方法和装置 | |
Percannella et al. | A classification-based approach to segment HEp-2 cells | |
CN108846397A (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
Mubashshira et al. | An unsupervised approach for road surface crack detection | |
Rahman et al. | A review of vision based defect detection using image processing techniques for beverage manufacturing industry | |
Deepa et al. | Improved watershed segmentation for apple fruit grading | |
CN105678795B (zh) | 一种现场鞋印图像检验方法 | |
Jiang | A crack detection and diagnosis methodology for automated pavement condition evaluation | |
Kiratiratanapruk et al. | Worm egg segmentation based centroid detection in low contrast image | |
CN109615630A (zh) | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 | |
Chaudhury et al. | Diagnosis of invasive ductal carcinoma using image processing techniques | |
Ponraj et al. | Segmentation of thyroid nodules using watershed segmentation | |
Zheng et al. | FossilMorph: A new tool for fossil automatic measurement and statistical analysis | |
Safa'a et al. | Histopathological prostate tissue glands segmentation for automated diagnosis | |
CN104751137A (zh) | 钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 | |
Wang | Hub defect monitoring and enhancement system based on image recognition | |
RU2785607C1 (ru) | Способ распознавания структуры ядер бластов крови и костного мозга | |
Krastev et al. | Identification of leather surface defects using fuzzy logic | |
CN117557548A (zh) | 一种基于机器视觉的砂级配检测方法 | |
Aslam et al. | Defect Detection of Coatings on Metal Surfaces Based on K-Means Clustering Algorithm |
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 |