CN111242909A - 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 - Google Patents
一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 Download PDFInfo
- Publication number
- CN111242909A CN111242909A CN202010015577.5A CN202010015577A CN111242909A CN 111242909 A CN111242909 A CN 111242909A CN 202010015577 A CN202010015577 A CN 202010015577A CN 111242909 A CN111242909 A CN 111242909A
- Authority
- CN
- China
- Prior art keywords
- building
- convolution layer
- particle size
- spoil
- size 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 112
- 238000009826 distribution Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 44
- 239000002689 soil Substances 0.000 claims abstract description 132
- 239000002699 waste material Substances 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000002270 dispersing agent Substances 0.000 claims description 24
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 17
- 238000001035 drying Methods 0.000 claims description 15
- 238000009835 boiling Methods 0.000 claims description 8
- 238000000227 grinding Methods 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- GCLGEJMYGQKIIW-UHFFFAOYSA-H sodium hexametaphosphate Chemical compound [Na]OP1(=O)OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])O1 GCLGEJMYGQKIIW-UHFFFAOYSA-H 0.000 claims description 7
- 235000019982 sodium hexametaphosphate Nutrition 0.000 claims description 7
- ZNCPFRVNHGOPAG-UHFFFAOYSA-L sodium oxalate Chemical compound [Na+].[Na+].[O-]C(=O)C([O-])=O ZNCPFRVNHGOPAG-UHFFFAOYSA-L 0.000 claims description 7
- 229940039790 sodium oxalate Drugs 0.000 claims description 7
- 239000001577 tetrasodium phosphonato phosphate Substances 0.000 claims description 7
- 230000002378 acidificating effect Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 20
- 238000012360 testing method Methods 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 20
- 238000004064 recycling Methods 0.000 description 7
- 239000003085 diluting agent Substances 0.000 description 6
- 239000007790 solid phase Substances 0.000 description 6
- 239000002253 acid Substances 0.000 description 5
- 230000017105 transposition Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003921 particle size analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002910 solid waste Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000008234 soft water Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 239000002023 wood Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- 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
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0211—Investigating a scatter or diffraction pattern
-
- 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
-
- 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
- G06N3/045—Combinations of 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20088—Trinocular vision calculations; trifocal tensor
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Dispersion Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,该方法基于预训练的建筑弃土粒度分布识别卷积神经网络模型,对待测试的建筑弃土图像进行处理,获得待测试的建筑弃土的粒度分布;其中,建筑弃土图像为:将待测试的建筑弃土进行预处理并分散于溶液中得到稀溶液,之后将该稀溶液依次经拍摄及图像处理后,所得到的二值图像。与现有技术相比,本发明将人工智能与传统土工试验相结合,采用非直接接触类探测手段,实现对建筑弃土粒度分布的远距离快速检测和有效记录,具有操作方便、简单实用、结果重现性好、测试精度高等优点,为建筑弃土资源化利用提供了可靠有效的前处理方式,具有较高的推广价值和环境效益。
Description
技术领域
本发明属于图像处理与模式识别技术领域,涉及一种基于卷积神经网络的建筑弃土粒度分布快速识别方法。
背景技术
建筑弃土主要指各类建(构)筑物、管网、道桥等在建设(包括开挖、拆除、修缮或装修)过程中产生的以废弃土为主的各类固体废弃物。随着我国经济的快速发展,房屋及地铁建设均给我们的居住工作环境带来了极大的变化,但是在快速发展的同时,建筑弃土的产量也随之大幅增加。考虑到建筑弃土的粒度分布不仅能反映其沉积环境,还可以在较大程度上决定土样的力学和水理性质(湿陷性、渗透性和持水性等),对其再生利用处理有着较为重要的研究意义,所以在回收处理与综合利用前需要对弃土土样的粒度分布进行测试,以客观真实的反映出土体的颗粒组成特征,为建筑弃土的工程分类及再生利用提供依据。目前针对建筑弃土的研究主要集中在对弃土运输、收纳的流程管理上,对于弃土分布、特性的监测则较少。建筑弃土分布和特征的监测对弃土管理和资源再生利用有着重要的参考意义。以含水量为例,当弃土含水量较高时,其发生滑坡的概率也较高,容易产生安全风险,因此准确检测弃土粒度分布对于弃土的分类和回收利用非常重要。
绝大多数的建筑弃土未从减量化方面考虑,没有经任何处理就被运送至郊区或者山区,露天放置或者填埋,这些建筑弃土占用了土地,造成了资源的浪费,并且在建筑弃土运输、堆置过程中产生的粉尘污染空气,造成环境污染。现有技术中对土的粒度分析方法较多,主要有筛析法、密度计法等,这些传统的试验方法大多试验操作步骤繁琐,人为因素影响大,可重复性较差。建筑弃土无法作为再生资源进行有效的利用,建筑弃土量的源头问题并未得到解决,其主要原因是建筑弃土人工处理量大,自动化程度低,降低了建筑弃土处理效率。传统的土工粒度分布测试方法已不能满足建筑弃土资源快速分类,回收处理,二次利用等科学研究的需要,因此十分有必要提出一种准确高效的建筑弃土粒度分布的测试方法。
卷积神经网络采用原始图像作为输入,可以有效的从大量样本中学习到相应地特征,避免了复杂特征人工提取过程。由于卷积神经网络(CNN)可以直接对二维图像进行处理,通过简单的非线性模型从原始图像中提取出更加抽象的特征,并且在整个过程中只需少量的人工参与,因此在图像处理方面得到了广泛的应用。
基于卷积神经网络的深度学习测试方法具有测试速度快、操作方便、重复性好、测试范围宽,能保持土颗粒的完整性等优点,在车辆识别,人工智能等方面均有着广泛的应用,但在土工颗粒分析中的应用还没有体现,特别是针对建筑弃土方面的应用还缺乏较为先进高效的快速处理方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,可以实现对弃土分布的远距离快速检测和有效记录,该方法便于操作,可复现性强,覆盖面广,有助于快速可靠地对建筑弃土的粒度分布进行测试,有效提高测试处理效率,加快建筑弃土再生利用前处理进程,弥补传统操作方法操作繁琐、误差较大的不足之处。
本发明的目的可以通过以下技术方案来实现:
一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,该方法基于预训练的建筑弃土粒度分布识别卷积神经网络模型,对待测试的建筑弃土图像进行处理,获得待测试的建筑弃土的粒度分布;
所述的建筑弃土图像为:将待测试的建筑弃土进行预处理并分散于分散剂中得到稀溶液,之后将该稀溶液依次经拍摄及图像处理后,所得到的二值图像。
将待测试的建筑弃土的粒度分布数据导入计算机内置图表处理模块,即可直接输出待测样本弃土粒度分布柱状图。
本发明提供的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,从深度学习的角度来看,以构建特定的卷积神经网络,并不断训练,以达到快速识别图像中的颗粒粒径大小,并最终导出建筑弃土土样的粒度分布图。将人工智能与传统的土工试验结合起来,以达到颗粒粒度分布快速识别的目的。
进一步地,所述的建筑弃土的预处理过程为:将建筑弃土依次经过干燥、研磨、筛分过程后,即得到预处理后的建筑弃土。
进一步地,干燥过程的干燥温度为105-110℃,干燥时间为24-48h;
所述的建筑弃土的粒径不大于1mm,使得在后续配制稀溶液过程中,建筑弃土颗粒能够悬浮于溶剂中并便于识别。
建筑弃土干燥至恒重后,即可进行之后的研磨,干燥过程用于除去建筑弃土中的水分,利于后续筛分过程的进行,并保证土样的pH值测定结果可靠稳定;
所述的研磨、筛分过程具体为:将干燥后的建筑弃土置于橡皮板上,通过木碾碾散,之后再用孔径不大于1mm的细筛进行筛分,最后得到粒径不大于1mm的预处理后的建筑弃土。
作为优选的技术方案,研磨前将明显不同于弃土土样特征的建筑垃圾舍弃,利于后续的研磨筛分,减小试验误差。
进一步地,所述的分散剂根据建筑弃土的酸碱性,选用碱性分散剂、中性分散剂或酸性分散剂中的一种;
所述的碱性分散剂包括NaOH溶液;
所述的中性分散剂包括草酸钠溶液;
所述的酸性分散剂包括六偏磷酸钠溶液。
作为优选的技术方案,对于酸性土壤的建筑弃土,选用0.3-0.8N的NaOH溶液作为分散剂;该NaOH溶液的进一步优选浓度为0.5N。
作为优选的技术方案,对于中性土壤的建筑弃土,选用0.3-0.8N的草酸钠溶液作为分散剂;该草酸钠溶液的进一步优选浓度为0.5N。
作为优选的技术方案,对于石灰性土壤的建筑弃土,选用0.3-0.8N的六偏磷酸钠溶液作为分散剂;该六偏磷酸钠溶液的进一步优选浓度为0.5N。
作为优选的技术方案,所述的建筑弃土与分散剂混合前,先向建筑弃土中加入少量的软水润湿土粒。
根据建筑弃土的酸碱性选取合适的分散剂,可以降低建筑弃土中的固相颗粒在稀溶液中对pH值的灵敏度,使固相颗粒在溶液中静电稳定。
进一步地,所述的建筑弃土在稀溶液中的质量浓度为8-12wt%。
建筑弃土的质量浓度过高会造成图像阴影部分范围过多,质量浓度过低则在一定区域范围内拍摄不到足够的颗粒分布图像样本,使测试结果不具备一般性,均会影响到粒径分布的图像识别。
进一步地,所述的稀溶液在拍摄前,先采用煮沸法将建筑弃土进行物理分散处理;其中,稀溶液的煮沸时间为0.8-1.2h。
作为优选的技术方案,稀溶液在煮沸前应处于持续振荡状态,以避免因建筑弃土中的固相颗粒沉积于容器底部造成结块或烧焦,从而影响固相颗粒分散状态的问题,以及因容器底部温度分布不匀导致固相颗粒发生破裂的问题。
进一步地,将所述的稀溶液在显微镜下采用视频相机观察,保持建筑弃土中的微粒为分散状态,通过调节颗粒成像的轴向位置并拍摄,得到颗粒显微图像;
所述的图像处理为将颗粒显微图像进行灰度处理,得到灰度图,再选取合适的阈值,将灰度图的背景像素值设为255(即纯白色),将灰度图中的颗粒目标的像素值设为0(即纯黑色),使颗粒目标与背景分离,即得到二值图像。
作为优选的技术方案,拍摄过程中应避免空气中氨或挥发性的酸性气体对稀溶液pH值的影响,从而造成建筑弃土固相颗粒抱团现象。
进一步地,所述的建筑弃土粒度分布识别卷积神经网络模型包括12个卷积层、3个最大池化层以及3个转置卷积层;
所述的卷积层、最大池化层以及转置卷积层的连接顺序为:第一卷积层、第二卷积层、第三卷积层、第一最大池化层、第四卷积层、第二最大池化层、第五卷积层、第三最大池化层、第六卷积层、第七卷积层、第一转置卷积层、第八卷积层、第二转置卷积层、第九卷积层、第三转置卷积层、第十卷积层、第十一卷积层、第十二卷积层。
其中,最大池化层用于将feature map的大小缩放至之前的1/2;
转置卷积层用于将feature map的大小放大至之前的2倍;
进一步地,所述的第一卷积层的卷积核大小为3×3,通道数为3,步长为1;
所述的第二卷积层的卷积核大小为3×3,通道数为32,步长为1;
所述的第三卷积层的卷积核大小为3×3,通道数为64,步长为1;
所述的第四卷积层的卷积核大小为3×3,通道数为128,步长为1;
所述的第五卷积层的卷积核大小为3×3,通道数为256,步长为1;
所述的第六卷积层的卷积核大小为3×3,通道数为512,步长为1;
所述的第七卷积层的卷积核大小为3×3,通道数为512,步长为1;
所述的第八卷积层的卷积核大小为3×3,通道数为256,步长为1;
所述的第九卷积层的卷积核大小为3×3,通道数为128,步长为1;
所述的第十卷积层的卷积核大小为3×3,通道数为64,步长为1;
所述的第十一卷积层的卷积核大小为3×3,通道数为32,步长为1;
所述的第十二卷积层的卷积核大小为1×1,通道数为1,步长为1。
所述的第十二卷积层用于对feature map进行降维,使其输出为一维标量,即为弃土颗粒的半径大小,经分类器分类获得建筑弃土的粒度分布数据。
所述的建筑弃土粒度分布识别卷积神经网络模型对弃土颗粒粒径的识别精准度高,不会产生过拟合现象,相比于一般神经网络的分类器直接依赖于网络最后一层的特征,该模型可以综合利用浅层复杂度低的特征,更容易得到具有更好泛化性能的决策函数。
进一步地,所述的建筑弃土粒度分布识别卷积神经网络模型的预训练过程为:
取已知建筑弃土作为模型训练用的建筑弃土样本,并采用与待测试的建筑弃土相同的处理方法,得到建筑弃土样本的二值图像;
其中,相同的处理方法指的是:将待测试的建筑弃土进行预处理并分散于溶液中得到稀溶液,之后将该稀溶液依次经拍摄及图像处理后,得到建筑弃土样本的二值图像,并且预处理过程、分散于溶液中得到稀溶液的过程、拍摄及图像处理过程均与待测试的建筑弃土的相应过程相同;
将建筑弃土样本的二值图像中的多个颗粒目标所占的像素总数S与相应的颗粒半径R配对,得到(S,R)样本数据集;
将建筑弃土样本的二值图像及(S,R)样本数据集导入建筑弃土粒度分布识别卷积神经网络模型进行500个周期的弃土颗粒粒径识别训练,并在历史对象中记录训练和验证的准确性;
当验证集中的平均误差在+/-2MPG时停止训练。
综上所述,本发明提供的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,该方法将人工智能与传统土工试验结合起来,采用非直接接触类探测手段,实现对建筑弃土粒度分布的远距离快速检测和有效记录,为建筑弃土的分类识别和综合二次处理提供依据。
与现有技术相比,本发明具有以下特点:
1)基于深度学习的图像识别方法作为非直接接触类探测手段,可以实现对弃土分布的远距离快速检测和有效记录,有效提高建筑弃土的综合处理效率;
2)本方法具有操作方便、简单实用、结果重现性好、测试精度高等优点,有助于快速可靠地对建筑弃土的粒度分布进行测试,弥补了传统方法操作步骤复杂繁琐、试验误差较大等不足之处;
3)本发明采用卷积神经网络的模型训练方法,相比传统的神经网络模型,思路清晰,训练效率更高,且对于颗粒较小的土体具有更高的识别精度;可实现对不同地区建筑弃土合理的粒度分析方法和操作步骤进行规范化标定,有利于节省大量的建筑弃土在粒度分布识别上的人工处理步骤,并大幅提升行业固体废弃物综合利用程度;
4)针对土建工程中产生的大量建筑垃圾,帮助其从源头分类治理,从建筑弃土减量化考虑,为建筑弃土资源回收利用提供有效可靠的监测方法;
5)基于当地建筑弃土的特性,可基于本发明中的方法开发适用于本地建筑弃土分类识别系统,并通过非直接接触监测手段检测弃土的粒度分布,为建筑弃土资源化利用提供了可靠有效的前处理方式,具有较高的推广价值和环境效益。
附图说明
图1为本发明中的一种基于卷积神经网络的弃土粒度分布快速识别流程图;
图2为本发明中的建筑弃土粒度分布识别卷积神经网络模型图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1:
如图1所示的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,具体包括以下步骤:
1)从施工现场取建筑弃土土样,在110℃温度下恒温烘40小时,取土样放入研钵充分研磨碾散;
2)将研磨后的建筑弃土用孔径1mm的细筛对其进行筛分;
3)称取步骤2)中通过1mm筛孔的土样10.00g于待测玻璃皿中进行稀释,作为待测样本;
4)拍摄玻璃皿中显微成像后的弃土颗粒分布原始图像,并进行灰度处理,转化为灰度图;
5)选取合适的阈值,将得到的灰度图转化为二值图像,背景的像素值全部设为255(即纯白色),颗粒目标的像素值全部设为0(即纯黑色),使颗粒目标与背景分离;
6)统计步骤4)得到的二值图中零值的个数即得到颗粒目标所占的像素总数,记为S,并将颗粒目标所占的像素总数S与弃土颗粒半径R进行配对,得到一个(S,R)数据对,并重复此步骤得到大量的(S,R)样本数据对,构建数据集;
7)在计算机中用Python搭建如图2所示的建筑弃土粒度分布识别卷积神经网络模型;
8)将所有经灰度和二值化处理过的图像导入卷积神经网络模型,对模型进行500个周期的弃土颗粒粒径识别训练,并在历史对象中记录训练和验证的准确性,在经过一定数量的epochs后误差没有改进时,则自动停止训练集的训练,验证集中的平均误差在+/-2MPG左右;
9)将新的待测样本拍摄显微原始图像并进行灰度和二值化处理,在训练好的模型中通过数据集进行颗粒粒径预测,经模型高精度识别预测后采用计算机内置图表处理模块统计弃土颗粒的不同粒径范围,并直接输出待测样本弃土粒度分布柱状图。
实施例2:
一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,
1)将建筑弃土样本在105℃下干燥24h至恒重,剔除不同于弃土土样特征的建筑垃圾,再经过研磨及筛分过程后,得到粒径不大于1mm预处理后的建筑弃土样本;
2)将步骤1)中的预处理后的建筑弃土样本配制为8wt%稀溶液并煮沸1h,之后在显微镜下采用视频相机观察,保持预处理样本中的微粒为分散状态,通过调节颗粒成像的轴向位置并拍摄,得到多个颗粒显微图像;
3)将步骤2)中的颗粒显微图像进行灰度处理,得到灰度图,再选取合适的阈值,将背景的像素值设为255(即纯白色),将颗粒目标的像素值设为0(即纯黑色),使颗粒目标与背景分离,得到二值图像;
4)将步骤3)中的二值图像进行统计处理,分别统计多个颗粒目标所占的像素总数S,并与相应的颗粒半径R配对,得到(S,R)样本数据集;
5)搭建建筑弃土粒度分布识别卷积神经网络模型;
6)将步骤3)中的二值图像及步骤4)中的(S,R)样本数据集导入步骤5)中的卷积神经网络模型进行500个周期的弃土颗粒粒径识别训练,并在历史对象中记录训练和验证的准确性,当验证集中的平均误差在+/-2MPG时自动停止训练;
7)将待测建筑弃土作为建筑弃土样本依次执行步骤1)至步骤3),得到相应的二值图像,并输入至步骤6)训练好的建筑弃土粒度分布识别卷积神经网络模型中,进行粒径分布预测,即得到待测样本的粒度分布,之后将得到待测样本的粒度分布数据导入计算机内置图表处理模块,即可直接输出待测样本弃土粒度分布柱状图。
其中,建筑弃土样本及待测建筑弃土经步骤1)预处理后,进行酸碱性检测,检测结果表明建筑弃土样本及待测建筑弃土均为酸性土壤,因此步骤2)中的配制稀溶液的分散剂均选用0.5N的NaOH溶液。
步骤5)中,建筑弃土粒度分布识别卷积神经网络模型包括12个卷积层、3个最大池化层以及3个转置卷积层;最大池化层用于将feature map的大小缩放至之前的1/2;转置卷积层用于将feature map的大小放大至之前的2倍;
卷积层、最大池化层以及转置卷积层的连接顺序为:第一卷积层、第二卷积层、第三卷积层、第一最大池化层、第四卷积层、第二最大池化层、第五卷积层、第三最大池化层、第六卷积层、第七卷积层、第一转置卷积层、第八卷积层、第二转置卷积层、第九卷积层、第三转置卷积层、第十卷积层、第十一卷积层、第十二卷积层,其中,第一卷积层的卷积核大小为3×3,通道数为3,步长为1;
第二卷积层的卷积核大小为3×3,通道数为32,步长为1;
第三卷积层的卷积核大小为3×3,通道数为64,步长为1;
第四卷积层的卷积核大小为3×3,通道数为128,步长为1;
第五卷积层的卷积核大小为3×3,通道数为256,步长为1;
第六卷积层的卷积核大小为3×3,通道数为512,步长为1;
第七卷积层的卷积核大小为3×3,通道数为512,步长为1;
第八卷积层的卷积核大小为3×3,通道数为256,步长为1;
第九卷积层的卷积核大小为3×3,通道数为128,步长为1;
第十卷积层的卷积核大小为3×3,通道数为64,步长为1;
第十一卷积层的卷积核大小为3×3,通道数为32,步长为1;
第十二卷积层的卷积核大小为1×1,通道数为1,步长为1。
第十二卷积层用于对feature map进行降维,使其输出为一维标量,即为弃土颗粒的半径大小,经分类器分类后得到建筑弃土的粒度分布数据。
实施例3:
本实施例中,步骤1)中,干燥温度为110℃,干燥时间为48h;
本实施例中的建筑弃土样本及待测建筑弃土经步骤1)预处理后,进行酸碱性检测,检测结果表明建筑弃土样本及待测建筑弃土均为酸性土壤,因此步骤2)中的配制稀溶液的分散剂均选用0.3N的NaOH溶液。
此外,步骤2)中的煮沸时间为1.2h。
其余同实施例2。
实施例4:
本实施例中,步骤1)中,干燥温度为108℃,干燥时间为40h;
本实施例中的建筑弃土样本及待测建筑弃土经步骤1)预处理后,进行酸碱性检测,检测结果表明建筑弃土样本及待测建筑弃土均为酸性土壤,因此步骤2)中的配制稀溶液的分散剂均选用0.8N的NaOH溶液。
此外,步骤2)中的煮沸时间为0.8h。
其余同实施例2。
实施例5:
经检测,本实施例中的建筑弃土样本及待测建筑弃土均为石灰性土壤,步骤2)中,稀释剂为0.3N六偏磷酸钠溶液。
其余同实施例2。
实施例6:
经检测,本实施例中的建筑弃土样本及待测建筑弃土均为石灰性土壤,步骤2)中,稀释剂为0.8N六偏磷酸钠溶液。
其余同实施例2。
实施例7:
经检测,本实施例中的建筑弃土样本及待测建筑弃土均为石灰性土壤,步骤2)中,稀释剂为0.5N六偏磷酸钠溶液。
其余同实施例2。
实施例8:
经检测,本实施例中的建筑弃土样本及待测建筑弃土均为中性土壤,步骤2)中,稀释剂为0.3N草酸钠溶液。
其余同实施例2。
实施例9:
经检测,本实施例中的建筑弃土样本及待测建筑弃土均为中性土壤,步骤2)中,稀释剂为0.8N草酸钠溶液。
其余同实施例2。
实施例10:
经检测,本实施例中的建筑弃土样本及待测建筑弃土均为中性土壤,步骤2)中,稀释剂为0.5N草酸钠溶液。
其余同实施例2。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,该方法基于预训练的建筑弃土粒度分布识别卷积神经网络模型,对待测试的建筑弃土图像进行处理,获得待测试的建筑弃土的粒度分布;
所述的建筑弃土图像为:将待测试的建筑弃土进行预处理并分散于分散剂中得到稀溶液,之后将该稀溶液依次经拍摄及图像处理后,所得到的二值图像。
2.根据权利要求1所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,所述的建筑弃土的预处理过程为:将建筑弃土依次经过干燥、研磨、筛分过程后,即得到预处理后的建筑弃土。
3.根据权利要求2所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,干燥过程的干燥温度为105-110℃,干燥时间为24-48h;
所述的预处理后的建筑弃土的粒径不大于1mm。
4.根据权利要求1所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,所述的分散剂根据建筑弃土的酸碱性,选用碱性分散剂、中性分散剂或酸性分散剂中的一种;
所述的碱性分散剂包括NaOH溶液;
所述的中性分散剂包括草酸钠溶液;
所述的酸性分散剂包括六偏磷酸钠溶液。
5.根据权利要求1所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,所述的建筑弃土在稀溶液中的质量浓度为8-12wt%。
6.根据权利要求1所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,所述的稀溶液在拍摄前,先采用煮沸法将建筑弃土进行物理分散处理;其中,稀溶液的煮沸时间为0.8-1.2h。
7.根据权利要求1所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,所述的稀溶液经拍摄后,得到颗粒显微图像;
所述的图像处理为将颗粒显微图像进行灰度处理,得到灰度图,再将该灰度图的背景像素值设为255,将灰度图中的颗粒目标的像素值设为0,即得到二值图像。
8.根据权利要求1所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,所述的建筑弃土粒度分布识别卷积神经网络模型包括12个卷积层、3个最大池化层以及3个转置卷积层;
所述的卷积层、最大池化层以及转置卷积层的连接顺序为:第一卷积层、第二卷积层、第三卷积层、第一最大池化层、第四卷积层、第二最大池化层、第五卷积层、第三最大池化层、第六卷积层、第七卷积层、第一转置卷积层、第八卷积层、第二转置卷积层、第九卷积层、第三转置卷积层、第十卷积层、第十一卷积层、第十二卷积层。
9.根据权利要求8所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,
所述的第一卷积层的卷积核大小为3×3,通道数为3,步长为1;
所述的第二卷积层的卷积核大小为3×3,通道数为32,步长为1;
所述的第三卷积层的卷积核大小为3×3,通道数为64,步长为1;
所述的第四卷积层的卷积核大小为3×3,通道数为128,步长为1;
所述的第五卷积层的卷积核大小为3×3,通道数为256,步长为1;
所述的第六卷积层的卷积核大小为3×3,通道数为512,步长为1;
所述的第七卷积层的卷积核大小为3×3,通道数为512,步长为1;
所述的第八卷积层的卷积核大小为3×3,通道数为256,步长为1;
所述的第九卷积层的卷积核大小为3×3,通道数为128,步长为1;
所述的第十卷积层的卷积核大小为3×3,通道数为64,步长为1;
所述的第十一卷积层的卷积核大小为3×3,通道数为32,步长为1;
所述的第十二卷积层的卷积核大小为1×1,通道数为1,步长为1。
10.根据权利要求1所述的一种基于卷积神经网络的建筑弃土粒度分布快速识别方法,其特征在于,所述的建筑弃土粒度分布识别卷积神经网络模型的预训练过程为:
取已知建筑弃土作为模型训练用的建筑弃土样本,并采用与待测试的建筑弃土相同的处理方法,得到建筑弃土样本的二值图像;
将建筑弃土样本的二值图像中的多个颗粒目标所占的像素总数S与相应的颗粒半径R配对,得到(S,R)样本数据集;
将建筑弃土样本的二值图像及(S,R)样本数据集导入建筑弃土粒度分布识别卷积神经网络模型进行训练;
当验证集中的平均误差在+/-2MPG时停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015577.5A CN111242909B (zh) | 2020-01-07 | 2020-01-07 | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015577.5A CN111242909B (zh) | 2020-01-07 | 2020-01-07 | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242909A true CN111242909A (zh) | 2020-06-05 |
CN111242909B CN111242909B (zh) | 2022-10-25 |
Family
ID=70874250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010015577.5A Active CN111242909B (zh) | 2020-01-07 | 2020-01-07 | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242909B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN114858560A (zh) * | 2022-06-06 | 2022-08-05 | 邢台路桥建设总公司 | 一种适用于土方路基压实土最佳含水率快速测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160247079A1 (en) * | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil compaction and structural capacity for field trafficability by agricultural equipment from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
CN108416774A (zh) * | 2018-03-08 | 2018-08-17 | 中山大学 | 一种基于细粒度神经网络的织物种类识别方法 |
CN108596881A (zh) * | 2018-04-09 | 2018-09-28 | 中国科学院武汉岩土力学研究所 | 一种爆破后岩石粒度的智能图像统计方法 |
CN109344737A (zh) * | 2018-09-12 | 2019-02-15 | 中国农业大学 | 基于sar极化分解的一维dcnn土地利用分类方法 |
CN110245695A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 一种基于卷积神经网络的tbm岩渣大小等级识别方法 |
-
2020
- 2020-01-07 CN CN202010015577.5A patent/CN111242909B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160247079A1 (en) * | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil compaction and structural capacity for field trafficability by agricultural equipment from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
CN108416774A (zh) * | 2018-03-08 | 2018-08-17 | 中山大学 | 一种基于细粒度神经网络的织物种类识别方法 |
CN108596881A (zh) * | 2018-04-09 | 2018-09-28 | 中国科学院武汉岩土力学研究所 | 一种爆破后岩石粒度的智能图像统计方法 |
CN109344737A (zh) * | 2018-09-12 | 2019-02-15 | 中国农业大学 | 基于sar极化分解的一维dcnn土地利用分类方法 |
CN110245695A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 一种基于卷积神经网络的tbm岩渣大小等级识别方法 |
Non-Patent Citations (1)
Title |
---|
陈刚: "红土大坝病害的氯离子侵蚀机理研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN111751253B (zh) * | 2020-07-06 | 2022-10-14 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN114858560A (zh) * | 2022-06-06 | 2022-08-05 | 邢台路桥建设总公司 | 一种适用于土方路基压实土最佳含水率快速测量方法 |
CN114858560B (zh) * | 2022-06-06 | 2024-05-24 | 邢台路桥建设集团有限公司 | 一种适用于土方路基压实土最佳含水率快速测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111242909B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222701B (zh) | 一种桥梁病害自动识别方法 | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN111242909B (zh) | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 | |
CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN111289512B (zh) | 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 | |
CN113128335A (zh) | 微体古生物化石图像检测、分类及发现方法、系统及应用 | |
CN114973032A (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN114241332A (zh) | 一种基于深度学习的固废场识别方法、装置以及存储介质 | |
CN115330720A (zh) | 一种无人机影像地表固废检测模型及检测方法 | |
CN115953666A (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
CN114535133A (zh) | 基于双能射线透射成像的煤和矸石分选方法、装置及系统 | |
Bush et al. | Deep Neural Networks for visual bridge inspections and defect visualisation in Civil Engineering | |
CN112798539A (zh) | 一种基于迁移学习的黄曲霉毒素智能检测方法 | |
CN116735463A (zh) | 一种基于有向目标检测的硅藻尺寸自动测量方法 | |
CN117054754A (zh) | 一种基于目标检测模型的快速射电暴信号搜寻方法 | |
CN116740499A (zh) | 一种基于红外热成像技术的煤矸识别方法 | |
CN114882375A (zh) | 一种尾矿库智能识别方法和装置 | |
CN116342505A (zh) | 一种好氧颗粒污泥颗粒化程度的检测方法及检测系统 | |
CN116223502A (zh) | 一种粗骨料含泥量智能检测装置及检测方法 | |
CN110738257B (zh) | 基于特征提取的光学遥感图像水域分类方法 | |
Zhou et al. | An optional threshold with SVM cloud detection algorithm and DSP implementation | |
CN115830309A (zh) | 基于Deeplabv3+的SGAN道路裂缝图像分割方法 | |
CN116206169A (zh) | 一种智能煤矸石目标检测方法 | |
Machairas et al. | Application of dynamic image analysis to sand particle classification using deep learning |
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 |