CN110580493A - 基于机器学习的集料形状分类方法 - Google Patents

基于机器学习的集料形状分类方法 Download PDF

Info

Publication number
CN110580493A
CN110580493A CN201910498487.3A CN201910498487A CN110580493A CN 110580493 A CN110580493 A CN 110580493A CN 201910498487 A CN201910498487 A CN 201910498487A CN 110580493 A CN110580493 A CN 110580493A
Authority
CN
China
Prior art keywords
aggregate
shape
perimeter
characteristic parameters
minimum circumscribed
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
Application number
CN201910498487.3A
Other languages
English (en)
Inventor
李伟
孙朝云
沙爱民
郝雪丽
杨春梅
裴莉莉
户媛姣
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN201910498487.3A priority Critical patent/CN110580493A/zh
Publication of CN110580493A publication Critical patent/CN110580493A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器学习的集料形状分类方法：步骤1：将集料样本分为六种集料形状；采集每个集料的集料图像；步骤2：预处理；步骤3：获得每个集料对应的集料形态特征参数的取值；步骤4：将集料样本中集料的类别、集料形态特征参数作为训练集，利用XGBoost算法进行训练；步骤5：采集待测集料的集料图像并预处理；步骤6：获得待测集料对应的集料形态特征参数取值；步骤7：将待测集料的集料形态特征参数代入集料形状分类模型得到形状分类结果。本发明解决了集料特征提取困难，克服了现有技术分类结果不够准确的缺陷，并利用机器学习进行集料形状分类，学习现有的集料形态特征以及集料形状类别，分类结果效率高且精确度高。

Description

基于机器学习的集料形状分类方法
技术领域
本发明属于道路工程领域，涉及一种基于机器学习的集料形状分类方 法。
背景技术
集料的形态特征主要包括四个方面：形状、尺寸、棱角性以及表面纹理。 其中，集料形状的不同会导致混凝土的保水性、粘聚性等工作性能的差异， 会影响沥青路面的变形情况，多棱角等形状良好的集料能够有效减小路面的 变形，并且如果采用最佳沥青用量，还可以有效降低混合料在高温情况下的 变形；集料形状的不同还会影响沥青路面的抗疲劳性能，多棱角等形状良好 的集料能够提高沥青混合料的硬度，从而提高沥青路面的抗疲劳性能。因此， 集料形状的检测是保证沥青路面性能的重要工作环节。
传统的集料形状检测与评价方法主要依靠人工目视，或者手工测量单个 集料，耗时长、主观性大且准确率低，对集料的形状分析具有很大的局限性。 近年来，针对集料形态特征的数字图像处理方法是当下较为成熟的技术手 段，这种方式可对集料形态特征进行快速且直观的描述，从而利用所描述的 集料形态特征对集料形状进行检测，但该方式下的研究工作主要集中在集料 的形态特征评价指标上，无法形成系统的集料形状分类体系。在集料图像形 状分类中主要面临三种问题：
(1)同类集料图像中存在光照、尺度以及视角等的变化；
(2)目标集料对象的相互遮挡以及背景干扰；
(3)同类集料图像之间差异大，而不同类集料图像之间差异小；
其中，前两个问题在集料图像的采集中常常遇到，会造成集料特征提取 困难，一般通过构建具有明显视觉分辨能力的集料图像形态特征来解决，具 体是选择能够明显区分集料类别的形态特征参数(如集料的基本特征参数、 形状特征参数)对集料进行描述，但这种方式对集料颗粒的摆放有较高的要 求，通常会影响集料分类结果的准确度；而第三个问题目前还有未出现有效 的解决手段办法。
发明内容
针对上述现有技术中存在的缺陷或不足，本发明的目的在于，提供一种 基于机器学习的集料形状分类方法，该方法能够实现对沥青混合料中集料形 状的高效、准确的分类。
为了实现上述目的，本发明采用如下的技术方案予以解决：
一种基于机器学习的集料形状分类方法，包括如下步骤：
步骤1：将集料样本分为角形、立方体形、细长形、片状、细长片状和 不规则状这六种集料形状，并对每个集料进行类别标记；分别采集每个集料 的集料图像；
步骤2：分别对每个集料对应的集料图像进行预处理，得到集料二值图 像；
步骤3：根据步骤2得到的集料二值图像，获得每个集料对应的集料形态 特征参数的取值，所述集料形态特征参数包括基本特征参数、形状特征参数 和不变矩特征参数；
步骤4：将集料样本中集料的类别、集料形态特征参数作为训练集，利 用XGBoost算法进行训练，得到集料形状分类模型；
步骤5：采集待测集料的集料图像，并对待测集料进行预处理，得到其 集料二值图像；
步骤6：根据待测集料的集料二值图像，获得待测集料对应的集料形态 特征参数的取值；
步骤7：将待测集料的所述集料形态特征参数的取值代入步骤4得到的集 料形状分类模型中处理，得到待测集料的形状分类结果。
进一步的，所述步骤1中的集料样本的个数＞1000个。
进一步的，所述六种集料形状分别为：
角形：面的个数在4～8之间，边的个数在6～14之间，角的个数在6～12；
立方体形：面的个数为5～6，边的个数为11～12，角的个数为7～8；
细长形：面的个数为3～6之间，边的个数为4～9之间，角的个数为4～8；
细长片状：面的个数为2～5之间，边的个数为3～9之间，角的个数为3～8；
片状：面的个数为2～6之间，边的个数为3～9之间，角的个数为3～8；
不规则状：面的个数为3～5之间，边的个数为4～10之间，角的个数为4～9。
进一步的，所述对每个集料对应的集料图像进行预处理是指依次进行平 滑、锐化、阈值分割以及形态学处理。
进一步的，所述集料形态特征参数包括如下28个参数：
基本特征参数：集料周长P、集料面积A、凸包周长CP、凸包面积CA、 外接矩形宽Ra、外接矩形高Rb、外接矩形周长RP、外接矩形面积RA、最小 外接矩形宽MRa、最小外接矩形高MRb、最小外接矩形周长MRP、最小外接矩 形面积MRA、拟合椭圆的长轴Ea、拟合椭圆的短轴Eb、最小外接圆直径MCd、 最小外接圆面积MCA。
形状特征参数：偏心率Eccentricity、伸长率Elongation、圆度Roundness、 粗糙度Roughness、圆状因子Circular Factor、外接矩形宽高比Rab、凸包与最 小外接圆的周长比PCMC、最小外接矩形和最小外接圆的周长比PMRMC、凸包与 最小外接矩形的周长比PCMR；
其中：Rab＝Ra/Rb
PCMC＝CP/MCP
PMRMC＝MRP/MCP
PCMR＝CP/MRP；
不变矩特征参数：Hu矩M2、Hu矩M1、Hu矩M6。
进一步的，所述对待测集料进行预处理是指依次进行平滑、锐化、阈值 分割以及形态学处理。
进一步的，所述待测集料对应的集料形态特征参数包括以下28个参数：
基本特征参数：集料周长P、集料面积A、凸包周长CP、凸包面积CA、 外接矩形宽Ra、外接矩形高Rb、外接矩形周长RP、外接矩形面积RA、最小 外接矩形宽MRa、最小外接矩形高MRb、最小外接矩形周长MRP、最小外接矩 形面积MRA、拟合椭圆的长轴Ea、拟合椭圆的短轴Eb、最小外接圆直径MCd、 最小外接圆面积MCA。
形状特征参数：偏心率Eccentricity、伸长率Elongation、圆度Roundness、 粗糙度Roughness、圆状因子Circular Factor、外接矩形宽高比Rab、凸包与最 小外接圆的周长比PCMC、最小外接矩形和最小外接圆的周长比PMRMC、凸包与 最小外接矩形的周长比PCMR；
其中：Rab＝Ra/Rb
PCMC＝CP/MCP
PMRMC＝MRP/MCP
PCMR＝CP/MRP；
不变矩特征参数：Hu矩M2、Hu矩M1、Hu矩M6。
相较于现有技术，本发明的有益效果是：
1、本发明将不变矩特征参数引入到对集料形状的描述中，除此之外，还 构建了相对性形状特征参数，使集料形状的特征表达更加全面，解决了现有 技术由于集料采集环节出现的同类集料图像中存在光照、尺度以及视角变 化，以及目标集料对象相互遮挡、背景干扰引起的集料特征提取困难，从而 克服了现有技术分类结果不够准确的缺陷。
2、在用机器学习技术训练分类模型的过程中，集料形态特征的数量过 多反而会使分类的性能下降，发明人利用卡方检验、互信息法和随机森林三 种方法融合对集料形态特征参数进行特征排序得到了28种最优的形态特征 参数，具有更强的通用性。
3、本发明利用机器学习进行集料形状分类，利用计算机学习现有的集料 形态特征以及对应的集料形状类别，模拟人对集料形状进行分类的行为，从 这些学习行为中获取到新的分类技能，并基于现有的知识结构对分类集料的 性能不断进行改善，分类结果效率高，且精确度高。
附图说明
图1是人工分类集料标准图；
图2是集料特征分数归一化相加结果图；
图3是基于方法融合的集料特征参数排序结果图；
图4是不同分类模型的分类准确度；
图5是XGBoost模型集料分类结果混淆矩阵图；
图6是XGBoost集料形状分类模型性能结果图。
以下结合附图和具体实施方式对本发明进行详细说明。
具体实施方式
本发明给出的一种基于机器学习的集料形状分类方法，包括如下步骤:
步骤1：采用人工分类集料形状的方式，将集料样本(＞1000个)分为 如图1所示的角形、立方体形、细长形、片状、细长片状和不规则状这六种 形状类别，并对每个集料进行类别标记；分别采集每个集料的集料图像；
角形：面的个数在4～8之间，边的个数在6～14之间，角的个数在6～12；
立方体形：面的个数为5～6，边的个数为11～12，角的个数为7～8；
细长形：面的个数为3～6之间，边的个数为4～9之间，角的个数为4～8；
细长片状：面的个数为2～5之间，边的个数为3～9之间，角的个数为3～8；
片状：面的个数为2～6之间，边的个数为3～9之间，角的个数为3～8；
不规则状：面的个数为3～5之间，边的个数为4～10之间，角的个数为4～9；
步骤2：分别对每个集料对应的集料图像进行预处理，具体是：依次进 行平滑、锐化、阈值分割以及形态学处理，得到集料二值图像。
通过该步骤将集料图像处理为集料二值图像是为了便于计算集料形态 特征参数。
步骤3：根据步骤2得到的集料二值图像，获得每个集料对应的集料形态 特征参数的取值，所述集料形态特征参数包括基本特征参数、形状特征参数 和不变矩特征参数，具体包括如下28个参数：
基本特征参数包括：集料周长P、集料面积A、凸包周长CP、凸包面积 CA、外接矩形宽Ra、外接矩形高Rb、外接矩形周长RP、外接矩形面积RA、 最小外接矩形宽MRa、最小外接矩形高MRb、最小外接矩形周长MRP、最小外 接矩形面积MRA、拟合椭圆的长轴Ea、拟合椭圆的短轴Eb、最小外接圆直径 MCd、最小外接圆面积MCA。
形状特征参数包括：偏心率Eccentricity、伸长率Elongation、圆度Roundness、粗糙度Roughness、圆状因子Circular Factor、外接矩形宽高比Rab、凸包与最 小外接圆的周长比PCMC、最小外接矩形和最小外接圆的周长比PMRMC、凸包与 最小外接矩形的周长比PCMR。
其中：Rab＝Ra/Rb
PCMC＝CP/MCP
PMRMC＝MRP/MCP
PCMR＝CP/MRP；
不变矩特征参数包括：Hu矩M2、Hu矩M1、Hu矩M6。
现有技术中，通常采用集料的基本特征参数、形状特征参数对集料进行 描述，但这种方式对集料颗粒的摆放有较高的要求，通常会影响集料分类结 果的准确度。为了得到有效的集料形态特征参数，本发明进行了如下试验：
首先，本发明初步全面选取了集料的集料形态特征参数，包括基本特征 参数、形状特征参数和不变矩特征参数。
集料的基本特征参数包括集料周长P、集料面积A、集料凸包(包括周长 CP、面积CA)、集料外接矩形(包括宽Ra、高Rb、周长RP、面积RA)、集料 最小外接矩形(包括宽MRa、高MRb、周长MRP、面积MRA)、集料最小外接 圆(包括直径MCd、周长MCP、面积MCA)、集料拟合椭圆(包括长轴Ea、短 轴Eb)。
集料的形状特征参数包括矩形度Rectangularity、凸度Convexity、粗糙度Roughness、伸长率Elongation、偏心率Eccentricity、圆度Roundness、圆状因子 CircularFactor。
除了经典形状特征参数之外，还构造了其它的相对性参数作为集料的形 状特征描述，如：外接矩形宽高比Rab＝Ra/Rb、集料与外接矩形的周长比 PPR＝P/RP、集料与最小外接矩形的周长比PPMR＝P/MRP和面积比 AAMR＝A/MRA、集料与最小外接圆的面积比AAMC＝A/MCA、凸包与外接矩形的 周长比PCR＝CP/RP和面积比ACR＝CA/RA、凸包与最小外接矩形的周长比 PCMR＝CP/MRP和面积比ACMR＝CA/MRA、凸包与最小外接圆的周长比 PCMC＝CP/MCP和面积比ACMC＝CA/MCA、外接矩形与最小外接矩形的周长比 PRMR＝RP/MRP和面积比ARMR＝RA/MRA、外接矩形与最小外接圆的周长比 PRMC＝RP/MCP和面积比ARMC＝RA/MCA、最小外接矩形和最小外接圆的周长比 PMRMC＝MRP/MCP和面积比AMRMC＝MRA/MCA。
集料的不变矩特征参数包括Hu矩M1、Hu矩M2、Hu矩M3、Hu矩M4、 Hu矩M5、Hu矩M6、Hu矩M7。
第二，对于获得的所有集料形态特征参数，分别利用卡方检验、互信息 法和随机森林三种方法对集料形态特征参数与集料类别之间的相关度进行 计算，得到集料形态特征参数与集料类别之间卡方值、互信息值以及贡献度 值，并分别对三种方法得到的相关度进行归一化处理。
第三，将每个形态特征参数归一化之后的三个值相加，作为每个形态特 征参数的特征分数，如图2所示，依据特征分数对所有特征参数进行排序， 如图3所示。
第四，为提高分类模型的分类效果以及训练时间，本发明选取对模型影 响较大的特征作为分类模型的输入，即重要性表现较好的集料形态特征参数 进行选取(选取特征分数高于0.5的参数)，将其作为下一步中分类模型的 输入，最终选择了28个集料形态特征参数，他们的排名如表1所示。
表1集料特征参数排序
步骤4：将集料样本中集料的类别、集料的28个形态特征参数作为训练 集，利用XGBoost算法进行训练，得到集料形状分类模型。
为了找到适用于本发明的处理对象集料形状分类的训练算法，本发明进 行了如下的试验：
将集料样本中70％集料的集料类别以及28个形态特征参数作为训练集， 30％的集料的集料类别以及28个形态特征参数作为测试集；对分类算法采用 测试集的分类准确度来评判分类效果，选择出最优分类算法。试验对训练集 分别采用AdaBoost算法、GradientBoosting算法、RandomForest算法、 KNeighbors算法、GaussianNB算法、MLP算法、DecisionTree算法、SVC算法 以及XGBoost算法训练分类模型，并用分类模型对测试集进行预测，与真实 类别进行对比，计算每个分类模型的分类准确度，结果如图4所示。从图4可以看出，采用XGBoost算法的分类准确度最高，分类效果最好，因此本发明 采用XGBoost算法作为训练集料形状的训练算法。
步骤5：采集待测集料的集料图像，并对待测集料进行预处理，得到其 集料二值图像，具体是：依次进行平滑、锐化、阈值分割以及形态学处理， 得到集料二值图像。
步骤6：根据待测集料的集料二值图像，获得待测集料对应的所述28个 集料形态特征参数的取值。具体是：
基本特征参数：集料周长P、集料面积A、凸包周长CP、凸包面积CA、 外接矩形宽Ra、外接矩形高Rb、外接矩形周长RP、外接矩形面积RA、最小 外接矩形宽MRa、最小外接矩形高MRb、最小外接矩形周长MRP、最小外接矩 形面积MRA、拟合椭圆的长轴Ea、拟合椭圆的短轴Eb、最小外接圆直径MCd、 最小外接圆面积MCA。
形状特征参数：偏心率Eccentricity、伸长率Elongation、圆度Roundness、 粗糙度Roughness、圆状因子Circular Factor、外接矩形宽高比Rab、凸包与最 小外接圆的周长比PCMC、最小外接矩形和最小外接圆的周长比PMRMC、凸包与 最小外接矩形的周长比PCMR；
其中：Rab＝Ra/Rb
PCMC＝CP/MCP
PMRMC＝MRP/MCP
PCMR＝CP/MRP；
不变矩特征参数：Hu矩M2、Hu矩M1、Hu矩M6。
步骤7：将待测集料的所述28个集料形态特征参数的取值代入步骤4得到 的集料形状分类模型中处理，得到待测集料的形状分类结果。
为了验证本发明的集料分类方法的有效性，进行了如下试验：
采集集料样本，将集料样本中的70％作为训练集利用XGBoost算法进 行训练，得到集料形状分类模型；将集料样本中的30％作为测试集，利用该 分类模型对测试集进行预测，最后将分类结果与测试集标注的真实类别进行 对比，以此来检验模型的分类性能。得到如图5所示的集料形状分类结果混 淆矩阵。根据图5所示的混淆矩阵，计算得到XGBoost集料形状分类模型的 平均精准率、平均召回率、平均F1值、准确度以及Kappa系数，以此来综 合判定模型的分类结果，如图6所示。
从图6可以得到，XGBoost集料形状分类模型的平均精准率为75％，平 均召回率为75％，平均F1值为74％，准确度为74.59％，Kappa系数为0.6912， 代表XGBoost模型对集料形状的预测类别与真实类别高度一致。结果表明， 所训练的XGBoost集料形状分类模型能够实现对集料形状的有效分类。

Claims (7)

1.一种基于机器学习的集料形状分类方法，其特征在于，包括如下步骤：
步骤1：将集料样本分为角形、立方体形、细长形、片状、细长片状和不规则状这六种集料形状，并对每个集料进行类别标记；分别采集每个集料的集料图像；
步骤2：分别对每个集料对应的集料图像进行预处理，得到集料二值图像；
步骤3：根据步骤2得到的集料二值图像，获得每个集料对应的集料形态特征参数的取值，所述集料形态特征参数包括基本特征参数、形状特征参数和不变矩特征参数；
步骤4：将集料样本中集料的类别、集料形态特征参数作为训练集，利用XGBoost算法进行训练，得到集料形状分类模型；
步骤5：采集待测集料的集料图像，并对待测集料进行预处理，得到其集料二值图像；
步骤6：根据待测集料的集料二值图像，获得待测集料对应的集料形态特征参数的取值；
步骤7：将待测集料的所述集料形态特征参数的取值代入步骤4得到的集料形状分类模型中处理，得到待测集料的形状分类结果。
2.如权利要求1所述的基于机器学习的集料形状分类方法，其特征在于，所述步骤1中的集料样本的个数＞1000个。
3.如权利要求1所述的基于机器学习的集料形状分类方法，其特征在于，所述步骤1中，所述六种集料形状分别为：
角形：面的个数在4～8之间，边的个数在6～14之间，角的个数在6～12；
立方体形：面的个数为5～6，边的个数为11～12，角的个数为7～8；
细长形：面的个数为3～6之间，边的个数为4～9之间，角的个数为4～8；
细长片状：面的个数为2～5之间，边的个数为3～9之间，角的个数为3～8；
片状：面的个数为2～6之间，边的个数为3～9之间，角的个数为3～8；
不规则状：面的个数为3～5之间，边的个数为4～10之间，角的个数为4～9。
4.如权利要求1所述的基于机器学习的集料形状分类方法，其特征在于，所述步骤2中，所述对每个集料对应的集料图像进行预处理是指依次进行平滑、锐化、阈值分割以及形态学处理。
5.如权利要求1所述的基于机器学习的集料形状分类方法，其特征在于，所述步骤3中，所述集料形态特征参数包括如下28个参数：
基本特征参数：集料周长P、集料面积A、凸包周长CP、凸包面积CA、外接矩形宽Ra、外接矩形高Rb、外接矩形周长RP、外接矩形面积RA、最小外接矩形宽MRa、最小外接矩形高MRb、最小外接矩形周长MRP、最小外接矩形面积MRA、拟合椭圆的长轴Ea、拟合椭圆的短轴Eb、最小外接圆直径MCd、最小外接圆面积MCA。
形状特征参数：偏心率Eccentricity、伸长率Elongation、圆度Roundness、粗糙度Roughness、圆状因子Circular Factor、外接矩形宽高比Rab、凸包与最小外接圆的周长比PCMC、最小外接矩形和最小外接圆的周长比PMRMC、凸包与最小外接矩形的周长比PCMR；
其中：Rab＝Ra/Rb
PCMC＝CP/MCP
PMRMC＝MRP/MCP
PCMR＝CP/MRP；
不变矩特征参数：Hu矩M2、Hu矩M1、Hu矩M6。
6.如权利要求1所述的基于机器学习的集料形状分类方法，其特征在于，所述步骤5中，所述对待测集料进行预处理是指依次进行平滑、锐化、阈值分割以及形态学处理。
7.如权利要求1所述的基于机器学习的集料形状分类方法，其特征在于，所述步骤6中，所述待测集料对应的集料形态特征参数包括以下28个参数：
基本特征参数：集料周长P、集料面积A、凸包周长CP、凸包面积CA、外接矩形宽Ra、外接矩形高Rb、外接矩形周长RP、外接矩形面积RA、最小外接矩形宽MRa、最小外接矩形高MRb、最小外接矩形周长MRP、最小外接矩形面积MRA、拟合椭圆的长轴Ea、拟合椭圆的短轴Eb、最小外接圆直径MCd、最小外接圆面积MCA。
形状特征参数：偏心率Eccentricity、伸长率Elongation、圆度Roundness、粗糙度Roughness、圆状因子Circular Factor、外接矩形宽高比Rab、凸包与最小外接圆的周长比PCMC、最小外接矩形和最小外接圆的周长比PMRMC、凸包与最小外接矩形的周长比PCMR；
其中：Rab＝Ra/Rb
PCMC＝CP/MCP
PMRMC＝MRP/MCP
PCMR＝CP/MRP；
不变矩特征参数：Hu矩M2、Hu矩M1、Hu矩M6。
CN201910498487.3A 2019-06-10 2019-06-10 基于机器学习的集料形状分类方法 Pending CN110580493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910498487.3A CN110580493A (zh) 2019-06-10 2019-06-10 基于机器学习的集料形状分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910498487.3A CN110580493A (zh) 2019-06-10 2019-06-10 基于机器学习的集料形状分类方法

Publications (1)

Publication Number Publication Date
CN110580493A true CN110580493A (zh) 2019-12-17

Family

ID=68810816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910498487.3A Pending CN110580493A (zh) 2019-06-10 2019-06-10 基于机器学习的集料形状分类方法

Country Status (1)

Country Link
CN (1) CN110580493A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639665A (zh) * 2020-04-08 2020-09-08 浙江科技学院 一种汽车换挡面板图像自动分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101153850A (zh) * 2006-09-30 2008-04-02 长安大学 一种沥青混合料的检测方法及系统
CN101354241A (zh) * 2008-07-11 2009-01-28 长安大学 集料数字图像评价系统及评价方法
CN101510262A (zh) * 2009-03-17 2009-08-19 江苏大学 一种钢中析出粒子的自动测量及其形态分类方法
CN105354600A (zh) * 2015-09-28 2016-02-24 南京大学 一种砂岩显微薄片的自动分类方法
CN107208478A (zh) * 2015-02-20 2017-09-26 哈里伯顿能源服务公司 钻井流体中颗粒粒度和形状分布的分类
CN107392241A (zh) * 2017-07-17 2017-11-24 北京邮电大学 一种基于加权列抽样XGBoost的图像目标分类方法
CN107784646A (zh) * 2017-09-29 2018-03-09 长安大学 一种路用集料的自适应检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101153850A (zh) * 2006-09-30 2008-04-02 长安大学 一种沥青混合料的检测方法及系统
CN101354241A (zh) * 2008-07-11 2009-01-28 长安大学 集料数字图像评价系统及评价方法
CN101510262A (zh) * 2009-03-17 2009-08-19 江苏大学 一种钢中析出粒子的自动测量及其形态分类方法
CN107208478A (zh) * 2015-02-20 2017-09-26 哈里伯顿能源服务公司 钻井流体中颗粒粒度和形状分布的分类
CN105354600A (zh) * 2015-09-28 2016-02-24 南京大学 一种砂岩显微薄片的自动分类方法
CN107392241A (zh) * 2017-07-17 2017-11-24 北京邮电大学 一种基于加权列抽样XGBoost的图像目标分类方法
CN107784646A (zh) * 2017-09-29 2018-03-09 长安大学 一种路用集料的自适应检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MOHAMMAD SUBHI AL-BATAH等: "A novel aggregate classifi cation technique using moment invariants and cascaded multilayered perceptron network", 《INTERNATIONAL JOURNAL OF MINERAL PROCESSING》 *
NOR ASHIDI MAT ISA等: "Suitable feature s selection for the HMLP and MLP networks to identify the shape of aggregate", 《CONSTRUCTION AND BUILDING MATERIALS》 *
NUR DIYANAH MUSTAFFA KAMAL等: "Fastener Recognition using Combination of Colour Features with Shape-Based Features and Zernike Moments", 《2016 IEEE STUDENT CONFERENCE ON RESEARCH AND DEVELOPMENT (SCORED)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639665A (zh) * 2020-04-08 2020-09-08 浙江科技学院 一种汽车换挡面板图像自动分类方法
CN111639665B (zh) * 2020-04-08 2024-05-14 浙江科技学院 一种汽车换挡面板图像自动分类方法

Similar Documents

Publication Publication Date Title
CN109977808B (zh) 一种晶圆表面缺陷模式检测与分析方法
Zapotoczny et al. Application of image analysis for the varietal classification of barley:: Morphological features
CN114723704A (zh) 一种基于图像处理的纺织品质量评估方法
US20060029257A1 (en) Apparatus for determining a surface condition of an object
Mittal et al. Non-destructive image processing based system for assessment of rice quality and defects for classification according to inferred commercial value
Rad et al. Classification of rice varieties using optimal color and texture features and BP neural networks
CN103940708B (zh) 一种钢材全形态晶粒的快速测量、精细分类方法
Li et al. Wood defect classification based on two-dimensional histogram constituted by LBP and local binary differential excitation pattern
CN112734734A (zh) 一种基于改进残差网络的铁路隧道裂缝检测方法
CN108416774A (zh) 一种基于细粒度神经网络的织物种类识别方法
CN109444169A (zh) 一种轴承缺陷检测方法及系统
CN104751475B (zh) 一种面向静态图像对象识别的特征点优选匹配方法
Zhong et al. A novel segmentation algorithm for clustered slender-particles
Li et al. TireNet: A high recall rate method for practical application of tire defect type classification
CN112488211A (zh) 一种织物图像瑕疵分类方法
CN109115775B (zh) 一种基于机器视觉的槟榔等级检测方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN111445471A (zh) 基于深度学习和机器视觉的产品表面缺陷检测方法及装置
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
CN115375690A (zh) 一种舌象腐腻苔分类识别方法
Sharma et al. Image processing techniques to estimate weight and morphological parameters for selected wheat refractions
CN115035081B (zh) 一种基于工业ct的金属内部缺陷危险源定位方法及系统
CN116883394A (zh) 一种基于图像数据处理的金刚石质量检测方法
CN110580493A (zh) 基于机器学习的集料形状分类方法
CN114897825A (zh) 基于计算机视觉的实木地板分选方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191217

RJ01 Rejection of invention patent application after publication