CN110838128A - 一种图像法集料堆叠空隙率预测方法和系统 - Google Patents
一种图像法集料堆叠空隙率预测方法和系统 Download PDFInfo
- Publication number
- CN110838128A CN110838128A CN201911080921.2A CN201911080921A CN110838128A CN 110838128 A CN110838128 A CN 110838128A CN 201911080921 A CN201911080921 A CN 201911080921A CN 110838128 A CN110838128 A CN 110838128A
- Authority
- CN
- China
- Prior art keywords
- aggregate
- image
- particles
- particle
- outer contour
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011800 void material Substances 0.000 title claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 112
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 241000755266 Kathetostoma giganteum Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像法集料堆叠空隙率方法和系统,包括1)拍摄集料颗粒图像,进行图像处理获得集料颗粒的外轮廓;2)扫描集料颗粒获得集料颗粒的高度轮廓;3)将4.75mm‑31.5mm集料粒径区间的集料颗粒等分成若干份,根据外轮廓中的粒径、面积结合高度轮廓中的集料高度统计出不同粒径区间的级配体积占比;4)对轮廓数据进行运算,得出颗粒的棱角性、针片状、扁平度和凸度;5)将级配体积占比和步骤4)的粒形参数作为输入值,运用深度学习算法预测集料的空隙率。本发明是将图像处理技术、扫描仪技术与人工智能相结合,在堆叠空隙率预测方面有效的运用。可以快速的测量多颗粒的粒度分布参数及粒形表征参数平均值,并且可以精确的预测多颗粒之间的空隙率。
Description
技术领域
本发明涉及工程机械领域,特别是指一种图像法集料堆叠空隙率预测方法和系统。
背景技术
目前,颗粒棱角性的二维测量是采用图像法,经过图像滤波、图像二值化及图像填充等图像形态学处理得到颗粒的外边界轮廓,再通过相关的二维棱角性表征方法来表征颗粒的棱角性。常见的二维棱角性测量方法包括如下:图像侵蚀-膨胀法得出表面参数值越大,则棱角性越大;轮廓半径的傅里叶级数法得出轮廓半径R(θ)可以用傅里叶级数展开,颗粒棱角性与其棱角显著指标ar成正比;采用数字图像处理技术提出了粗集料半径法棱角性指数和梯度法棱角性指数的计算公式;采用颗粒周长法和分形几何法的集料棱角性的评价方法。以上方法虽可以表征颗粒的二维棱角性,但是只考虑了颗粒外轮廓的棱角性,因此与颗粒整体的棱角性有很大的差异。
目前,对粗集料的空隙率测量方法主要为容量筒法:先称量容量筒的质量m1;取试样1份,置于平整干净的水泥地(或铁板)上,用平头铁锹铲起试样,使石子自由落入容量筒内。此时,从铁锹的齐口至容量筒上口的距离应保持为50㎜左右,装满容量筒并除去凸出筒口表面的颗粒,并以合适的颗粒填入凹陷空隙,使表面稍凸起部分和凹陷部分的体积大致相等,称取试样和容量筒总质量m2;然后得到试样的质量,查阅所选试样的密度值,求出试样的体积;最后根据容量筒容积与试样体积得到空隙体积,从而求出粗集料堆叠的空隙率。
该方法虽可以测出集料的空隙率,但是过程较为复杂,并且操作过程中可能出现的误差较大,导致集料空隙率的结果不准确。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种图像法集料堆叠空隙率预测方法和系统,本发明可以快速的测量多颗粒的粒度分布参数及粒形表征参数平均值,并且可以精确的预测多颗粒之间的空隙率。
本发明采用如下技术方案:
一种图像法集料堆叠空隙率预测方法,其特征在于,包括如下步骤:
1)拍摄集料颗粒图像,进行图像处理获得集料颗粒的外轮廓;
2)扫描集料颗粒获得集料颗粒的高度轮廓;
3)将4.75mm-31.5mm集料粒径区间的集料颗粒等分成若干份,根据外轮廓中的粒径、面积结合高度轮廓中的集料高度统计出不同粒径区间的级配体积占比;
4)对轮廓数据进行运算,得出颗粒的棱角性、针片状、扁平度和凸度;
5)将级配体积占比和步骤4)的粒形参数作为输入值,运用深度学习算法预测集料的空隙率。
优选的,所述图像处理包括图像滤波、图像二值化、图像填充以及图像轮廓提取。
优选的,步骤4)中,采用拟合椭圆法计算对轮廓数据进行运算,得出颗粒的棱角性;该拟合椭圆法是采用最小二乘法原理,将集料颗粒的外轮廓的坐标点拟合成椭圆,再将集料的外轮廓与拟合得到的椭圆进行对比,从而得到集料的棱角性;公式如下:
其中,n为外轮廓像素点总数,点P(xi,yi)为外轮廓上任意一点坐标,点H(xhi,yhi)为对应的拟合椭圆上切点坐标,b为短半轴长。
优选的,所述针片状,计算公式如下:
其中,L为集料颗粒的等效椭圆的长轴;H为等效椭圆的短轴。
优选的,所述扁平度,计算公式如下:
其中,d为集料颗粒的高度轮廓,H为外轮廓的宽度。
优选的,所述的凸度,计算公式如下:
其中,pe为颗粒图像最小外切多边形的周长,p为颗粒外轮廓的周长。
优选的,所述深度学习算法包括Elman神经网络或BP神经网络。
一种图像法集料堆叠空隙率预测系统,其特征在于,包括传送装置、CCD相机、线性轮廓扫描仪、振动给料器和计算机;该振动给料器用于给料并分散集料颗粒;该传送装置用于传送集料颗粒;该CCD相机用于拍摄集料颗粒图像;该线性轮廓扫描仪用于扫描集料颗粒获得集料颗粒的高度轮廓;该计算机与传送装置、CCD相机、线性轮廓扫描仪、振动给料器相连并采用上述的一种图像法集料堆叠空隙率预测方法预测集料的空隙率。
优选的,所述计算机设有图像采集模块,用于采集集料颗粒图像进行图像处理获得集料颗粒的外轮廓;高度轮廓数据采集模块,用于采集所述高度轮廓;电机驱动模块,用于控制所述传送装置的速度及运行方向;级配体积占比测量模块,用于计算级配体积占比;粒形测量模块,用于计算粒形参数;空隙率预测模块,用于预测集料的空隙率。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明是将图像处理技术、扫描仪技术与人工智能相结合,在堆叠空隙率预测方面有效的运用。可以快速的测量多颗粒的粒度分布参数及粒形表征参数平均值,并且可以精确的预测多颗粒之间的空隙率。
本发明采用线性轮廓扫描仪可以得到颗粒的高度轮廓,通过步进电机带动透明传送带使颗粒运动,从而得到颗粒的整个上表面的高度轮廓。然后通过CCD相机运用拟合椭圆法可以得出颗粒的外轮廓棱角性,并且计算出颗粒的长轴,短轴,凸度与面积。因此,该系统还可以同时测量颗粒的针片状、扁平度和凸度,形成颗粒粒形检测系统。
附图说明
图1为本发明方法流程图;
图2为本发明系统组成图;
图3为BP神经网络;
图4为Elman神经网络。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参见图2,本发明的一种图像法集料堆叠空隙率预测系统,包括传送装置、CCD相机204、线性轮廓扫描仪203、振动给料器213和计算机206等。该传送装置包括透明传送带201和步进电机214,步进电机214控制传送带201动作实现传送集料颗粒,传送带底部设置LED背光源202,使集料颗粒依次通过背光源区域。
振动给料器213安装于传送带201一端,用于给料并分散集料颗粒。该线性轮廓扫描仪203和CCD相机204安装于传送带201上方。该CCD相机204用于拍摄集料颗粒图像。该线性轮廓扫描仪203用于扫描集料颗粒获得集料颗粒的高度轮廓。线性轮廓扫描仪203由控制器205控制,该控制器205还可设置线性轮廓扫描仪203的参数。
该计算机206与传送装置、CCD相机204、线性轮廓扫描仪203、振动给料器213相连用于采用图像法集料堆叠空隙率预测方法预测集料的空隙率。具体的,该计算机206设有图像采集模块207,用于采集所述集料颗粒图像进行图像处理获得集料颗粒的外轮廓;高度轮廓数据采集模块208,用于采集所述高度轮廓;电机驱动模块211,用于控制所述传送装置的速度及运行方向;级配体积占比测量模块209,用于计算级配体积占比;粒形测量模块210,用于计算粒形参数;空隙率预测模块212,用于预测集料的空隙率。
本发明的一种图像法集料堆叠空隙率预测方法,利用CCD相机204和线性轮廓扫描仪203来获取颗粒的轮廓,经过粒形表征参数算法得出颗粒的棱角性指数、针片状、扁平度和凸度;利用级配体积占比模块统计不同粒径区间的级配体积占比,再将级配体积占比和获得的4种粒形参数作为输入值,运用深度学习算法精确的预测集料的空隙率。参见图1,具体包括如下步骤:
1)启动振动给料器213,分散集料颗粒;同时电机驱动模块211驱动步进电机214工作;调节LED背光源202,CCD相机204正上方拍摄集料颗粒图像;
将图片送到图像采集模块207,进行的图像处理包括图像滤波、图像二值化、图像填充以及图像轮廓提取等,获得集料的外轮廓,该外轮廓为二维外轮廓坐标点。
2)线性轮廓扫描仪203扫描集料颗粒的上表面,获得集料颗粒的高度轮廓。
3)将4.75mm~31.5mm集料粒径区间等分成若干份,级配体积占比模块209根据集料高度、粒径和面积统计出不同粒径区间的级配体积占比。集料的粒径与面积通过对外轮廓特征提取得到,集料高度通过对高度轮廓特征提取得到。
其中,通过图像法将4.75~31.5mm的集料粒径区间等分为n等,针对图像法来说,n可以无限划分,在本发明中n取20,依次为x1、x2、x3...x20,统计各组体积占比。
4)计算机206中的粒形测量模块210利用拟合椭圆法对轮廓数据进行运算,得出颗粒的棱角性;计算机206中的粒形测量模块210利用颗粒轮廓数据得出颗粒的针片状、扁平度和凸度等。粒形参数包括宏观层面:针片状、扁平度,介观层面:棱角性指数和微观层面:凸度(表征纹理)
5)空隙率预测模块212将级配体积占比和4种粒形参数作为输入值,运用深度学习算法预测处集料的空隙率。
本实施例中,粒形测量模块210是通过线性轮廓扫描仪203线性扫描颗粒的上表面所得到的高度轮廓和CCD相机204得到的二维外轮廓经过粒形表征参数算法得出颗粒的棱角性指数、针片状、扁平度和凸度。
本实施例中,棱角性指数是采用拟合椭圆法计算。拟合椭圆法是采用最小二乘法原理,将集料的外轮廓坐标点拟合成椭圆,再将集料的外轮廓与拟合得到的椭圆进行对比,从而得到集料的棱角性,计算公式如下:
其中,72表示将外轮廓坐标点平均分为72等份,使光源噪声对棱角性计算的影响最小,n为外轮廓像素点总数,点P(xi,yi)为外轮廓上任意一点坐标,点H(xhi,yhi)为对应的拟合椭圆上切点坐标,b为短半轴长(除以b可以消除粒径对棱角性指数的影响)。
本实施例中,所述的针片状所述的针片状,计算公式如下:
其中,L为集料颗粒的等效椭圆的长轴;H为等效椭圆的短轴。
本实施例中,所述的扁平度,计算公式如下:
其中,d为集料颗粒的表面高度轮廓,H为外轮廓的宽度。
本实施例中,所述的凸度,计算公式如下:
其中,pe为颗粒图像最小外切多边形的周长,p为颗粒外轮廓的周长。
本实施例中,所述的深度学习算法包括Elman和BP两种神经网络。
BP神经网络:BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。
输入向量X=(x1,x2,…,xi,…,xn)T,隐层输出向量Y=(y1,y2,…,yj,…,ym)T
输入层到隐层之间的权值为Wij,阈值为bj;隐层到输出层之间的权值为Wjk,阈值为bk;网络输出值用o表示,期望输出值用d表示。
对于输出层,对于隐层,
输出层选用线性传递函数f2(x)=x,参见图3。
Elman网络为简单型回馈式类神经网络,参见图4,包括4个层:分别是输入层、中间层(隐藏层)、承接层和输出层。承接层又称为上下文层或状态层,记忆隐含层前一时刻的输出。输入向量X=(x1,x2,…,xi,…,xn)T,隐层输出向量Y=(y1,y2,…,yj,…,ym)T;输入层到隐层之间的权值矩阵为W2,阈值矩阵为b1,承接层权值矩阵为W1;隐层到输出层之间的权值矩阵为W3,阈值矩阵为b2;网络输出值用o表示,期望输出值用d表示。
o(u)=f2(W3y(u)+b2)
y(u)=f1(W1yc(u)+W2(x(u-1))+b1)
yc(u)=y(u-1)
输出层选用线性传递函数f2(x)=x。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (9)
1.一种图像法集料堆叠空隙率预测方法,其特征在于,包括如下步骤:
1)拍摄集料颗粒图像,进行图像处理获得集料颗粒的外轮廓;
2)扫描集料颗粒获得集料颗粒的高度轮廓;
3)将4.75mm-31.5mm集料粒径区间的集料颗粒等分成若干份,根据外轮廓中的粒径、面积结合高度轮廓中的集料高度统计出不同粒径区间的级配体积占比;
4)对轮廓数据进行运算,得出颗粒的棱角性、针片状、扁平度和凸度;
5)将级配体积占比和步骤4)的粒形参数作为输入值,运用深度学习算法预测集料的空隙率。
2.如权利要求1所述的一种图像法集料堆叠空隙率预测方法,其特征在于,所述图像处理包括图像滤波、图像二值化、图像填充以及图像轮廓提取。
4.如权利要求3所述的一种图像法集料堆叠空隙率预测方法,其特征在于,所述针片状,计算公式如下:
其中,L为集料颗粒的等效椭圆的长轴;H为等效椭圆的短轴。
7.如权利要求1所述的一种图像法集料堆叠空隙率预测方法,其特征在于,所述的深度学习算法包括Elman神经网络或BP神经网络。
8.一种图像法集料堆叠空隙率预测系统,其特征在于,包括传送装置、CCD相机、线性轮廓扫描仪、振动给料器和计算机;该振动给料器用于给料并分散集料颗粒;该传送装置用于传送集料颗粒;该CCD相机用于拍摄集料颗粒图像;该线性轮廓扫描仪用于扫描集料颗粒获得集料颗粒的高度轮廓;该计算机与传送装置、CCD相机、线性轮廓扫描仪、振动给料器相连并采用权利要求1至7中任一项所述的一种图像法集料堆叠空隙率预测方法预测集料的空隙率。
9.如权利要求8所述的一种图像法集料堆叠空隙率预测系统,其特征在于,所述计算机设有图像采集模块,用于采集集料颗粒图像进行图像处理获得集料颗粒的外轮廓;高度轮廓数据采集模块,用于采集所述高度轮廓;电机驱动模块,用于控制所述传送装置的速度及运行方向;级配体积占比测量模块,用于计算级配体积占比;粒形测量模块,用于计算粒形参数;空隙率预测模块,用于预测集料的空隙率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080921.2A CN110838128B (zh) | 2019-11-07 | 2019-11-07 | 一种图像法集料堆叠空隙率预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080921.2A CN110838128B (zh) | 2019-11-07 | 2019-11-07 | 一种图像法集料堆叠空隙率预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838128A true CN110838128A (zh) | 2020-02-25 |
CN110838128B CN110838128B (zh) | 2023-04-07 |
Family
ID=69576412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911080921.2A Active CN110838128B (zh) | 2019-11-07 | 2019-11-07 | 一种图像法集料堆叠空隙率预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838128B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444629A (zh) * | 2020-04-15 | 2020-07-24 | 中国二冶集团有限公司 | 一种基于支持向量机的钢筋锈蚀参数预测方法 |
CN111523616A (zh) * | 2020-05-14 | 2020-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
CN111968173A (zh) * | 2020-08-14 | 2020-11-20 | 湖南长天自控工程有限公司 | 一种混合料粒度分析方法及系统 |
CN112611690A (zh) * | 2020-12-04 | 2021-04-06 | 华侨大学 | 一种基于三维图像的粗骨料等效粒度级配方法 |
CN113409270A (zh) * | 2021-06-18 | 2021-09-17 | 深圳市宏申工业智能有限公司 | 一种粗骨料粒形级配分析方法、装置及系统 |
WO2021226648A1 (de) * | 2020-05-13 | 2021-11-18 | Rubble Master Hmh Gmbh | Verfahren zum abschnittsweisen bestimmen der korngrössenverteilung eines auf ein förderband aufgegebenen schüttgutes |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101275824A (zh) * | 2008-05-16 | 2008-10-01 | 中国农业大学 | 一种大米粒型检测的方法 |
JP2014095644A (ja) * | 2012-11-11 | 2014-05-22 | Kajima Corp | 堆積粒状材の粒径計測方法及びシステム並びにプログラム |
CN109406348A (zh) * | 2018-12-05 | 2019-03-01 | 华侨大学 | 一种三维棱角性检测系统和检测方法 |
CN109507218A (zh) * | 2017-09-15 | 2019-03-22 | 依科视朗国际有限公司 | 表征带有夹杂物的材料的方法 |
-
2019
- 2019-11-07 CN CN201911080921.2A patent/CN110838128B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101275824A (zh) * | 2008-05-16 | 2008-10-01 | 中国农业大学 | 一种大米粒型检测的方法 |
JP2014095644A (ja) * | 2012-11-11 | 2014-05-22 | Kajima Corp | 堆積粒状材の粒径計測方法及びシステム並びにプログラム |
CN109507218A (zh) * | 2017-09-15 | 2019-03-22 | 依科视朗国际有限公司 | 表征带有夹杂物的材料的方法 |
CN109406348A (zh) * | 2018-12-05 | 2019-03-01 | 华侨大学 | 一种三维棱角性检测系统和检测方法 |
Non-Patent Citations (1)
Title |
---|
赵攀等: "基于主元分析与BP网络的颗粒体积模型", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444629A (zh) * | 2020-04-15 | 2020-07-24 | 中国二冶集团有限公司 | 一种基于支持向量机的钢筋锈蚀参数预测方法 |
CN111444629B (zh) * | 2020-04-15 | 2023-07-18 | 中国二冶集团有限公司 | 一种基于支持向量机的钢筋锈蚀参数预测方法 |
WO2021226648A1 (de) * | 2020-05-13 | 2021-11-18 | Rubble Master Hmh Gmbh | Verfahren zum abschnittsweisen bestimmen der korngrössenverteilung eines auf ein förderband aufgegebenen schüttgutes |
CN111523616A (zh) * | 2020-05-14 | 2020-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于卷积神经网络的粗粒土填料级配识别方法及应用系统 |
CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
CN111968173A (zh) * | 2020-08-14 | 2020-11-20 | 湖南长天自控工程有限公司 | 一种混合料粒度分析方法及系统 |
CN112611690A (zh) * | 2020-12-04 | 2021-04-06 | 华侨大学 | 一种基于三维图像的粗骨料等效粒度级配方法 |
CN112611690B (zh) * | 2020-12-04 | 2022-07-08 | 华侨大学 | 一种基于三维图像的粗骨料等效粒度级配方法 |
CN113409270A (zh) * | 2021-06-18 | 2021-09-17 | 深圳市宏申工业智能有限公司 | 一种粗骨料粒形级配分析方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110838128B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838128B (zh) | 一种图像法集料堆叠空隙率预测方法和系统 | |
Moaveni et al. | Evaluation of aggregate size and shape by means of segmentation techniques and aggregate image processing algorithms | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
CN108444413B (zh) | 陶瓷墙地砖平整度检测装置及方法 | |
WO2023050589A1 (zh) | 一种基于rgbd相机的货物箱智能装载方法及系统 | |
CN1501325A (zh) | 伪三维图像生成设备 | |
CN102891966A (zh) | 数码成像设备的对焦方法及装置 | |
CN112873533B (zh) | 混凝土自适应智能拌合方法及装置 | |
CN207742057U (zh) | 一种骨料在线监测装置 | |
CN1278539C (zh) | 图像读取装置及其数据插值方法 | |
CN107796325A (zh) | 一种路面纹理构造深度的测量方法与测量系统 | |
CN113533145A (zh) | 基于摄像机组三维重建的堆石粒径识别与监控装置及方法 | |
CN110969636B (zh) | 基于三维图像法测量的级配表征预测空隙率的方法和系统 | |
CN110427845B (zh) | 物品像素中心确定方法、装置、设备及可读存储介质 | |
CN1595058A (zh) | 图像处理提高激光测量精度的方法 | |
CN208419911U (zh) | 一种陶瓷砖平整度激光测量装置 | |
CN112435217B (zh) | 图像识别预制钢筋混凝土粗糙面的方法 | |
CN110841935B (zh) | 一种基于机器视觉的活体鳗鱼重量分级分选方法及装置 | |
CN116468703A (zh) | 基于机器视觉的楼板钢筋验收方法及系统 | |
CN106780457A (zh) | 道路集料表观特性测试方法 | |
CN110322467A (zh) | 一种提升3d轮廓传感器计算板材表面点云密度的算法 | |
CN108989608A (zh) | 基于线阵相机的路面图像灰度校正方法 | |
CN216870297U (zh) | 基于摄像机组三维重建的堆石粒径识别与监控装置 | |
CN1687700A (zh) | 立体视觉盘煤方法 | |
CN113379844B (zh) | 一种飞机大范围表面质量检测方法 |
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 |