CN111307070B - 基于数字图像处理对混凝土粗集料的棱角度测量方法 - Google Patents

Abstract

本发明公开了一种基于图像处理的粗集料棱角定量分析方法，首先对集料进行筛选，得到不同粒径不同棱角度的集料，对需要的集料粒径档，对其不同程度的集料进行磨耗，得到不同棱角特性的试样集料颗粒；然后对集料颗粒进行图像采集，对采集的集料颗粒图像进行预处理，所述集料颗粒图像预处理包括集料颗粒图像灰度化、去噪、集料颗粒图像增强、分割、膨胀腐蚀形态学处理；接着对预处理的集料图像进行框架提取，根据框架对集料棱角度进行分析评价。能够快速准确的量化集料的棱角特性，并将结果及时反馈到生产和级配早期选料过程中，以保证沥青混合料质量和提高路用性能与寿命。

Description

基于数字图像处理对混凝土粗集料的棱角度测量方法

技术领域

本发明属于道路工程技术领域的混凝土粗集料的测量方法，特别是一种基于数字图像处理的混凝土粗集料棱度量化分析的方法。

背景技术

集料形态特征的量化是集料生产和路面施工质量控制的关键，直接影响着路面寿命和使用性能。在新增高速道路网建设中，沥青混凝土路面占到了90％以上，为了延长路面的寿命、提高使用性能，需要改善混合料的质量，人们经常只从混合料的级配组成和沥青作为切入点，对集料特性量化研究相对较少。集料形态特性是影响混合料性能的重要因素之一，主要包括尺寸、形状、棱角度和表面纹理等。集料尺寸的分布影响沥青混合料耐久度与强度特性；集料的形状影响混合料的稳定性与工作性；集料棱角度影响路面结构的嵌挤作用、抗滑、抗车辙特性；集料表面纹理影响沥青路面结构的抗剪特性。粗集料的棱角度体现了集料表面的突出特性，棱角度较好的集料可以提高颗粒与颗粒之间的嵌挤结构进而提高混凝土路面的路用性能。我国现行规范中，对于粗集料的棱角度还没有统一的评价方法和定量指标，并且其相关研究较少，目前粗集料棱角度量化分析技术还处于研究阶段，现有方法主要存在以下几方面问题：

(1)检测技术落后：由于大部分现有集料棱角度检测方法采用全人工或半人工手动经验式检测，检测设备庞大且机动性较差，检测过程繁杂、耗时、费力。

(2)检测精度差：现有棱角度检测方法大多数是定性分析而非定量分析，检测结果受人员水平和操作习惯影响较大，采集的数据精度不高并且记录过程繁琐，工程应用局限性高。

(3)规范性不一：美国和欧洲对粗集料的棱角度有各自的评价方法，但大部分是定性指标，目前，我国尚无明确的集料棱角度规范和定量指标。

因此，探究一种新的粗集料的棱角度的测量方法，是申请人研究的课题之一。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于图像处理的粗集料棱角定量分析方法。

为了实现上述任务，本发明采取如下的技术解决方案：

一种基于图像处理的粗集料棱角定量分析方法，其特征在于，该方法首先对集料进行筛选，得到不同粒径不同棱角度的集料，对需要的集料粒径档，对其不同程度的集料进行磨耗，得到不同棱角特性的试样集料颗粒；然后对集料颗粒进行图像采集，对采集的集料颗粒图像进行预处理，所述集料颗粒图像预处理包括集料颗粒图像灰度化、去噪、集料颗粒图像增强、分割、膨胀腐蚀形态学处理；接着对预处理的集料图像进行框架提取，根据框架对集料棱角度进行分析评价。

根据本发明，所述的磨耗的粒径档为4.75mm、9.5mm和13.2mm。

进一步地，所述的集料颗粒进行图像采集系统包括工业计算机、图像采集卡、控制机构、封装的CCD/CMOS相机、镜头和LED辅助光源。

本发明的基于图像处理的粗集料棱角定量分析方法，利用数字图像处理技术提出的框架棱角点集料棱角度表征算法，将集料棱角度传统的定性分析转变为定量分析，提高棱角度检测精度。能够快速准确的量化集料的棱角特性，并将结果及时反馈到生产和级配早期选料过程中，以保证沥青混合料质量和提高路用性能与寿命。为方便地定量分析集料棱角特性提供了一种经济有效的手段。

附图说明

图1是本发明的基于图像处理的粗集料棱角定量分析方法流程框图；

图2是筛分原理、样品和磨损机图；

图3是实际集料颗粒图像采集系统图片；

图4是集料颗粒图像采集系统结构示意图。

图5是图像增强所使用的卷积核图。

图6是拓扑结构元素图。

图7是图像框架特征提取图。

图8是框架连通结构图。

图9是框架断裂结构图。

图10是集料框架提取算法改进效果图，其中，(a)图为改进前，(b)图为改进后。

图11是框架棱角点法实验结果曲线图。

图12是框架棱角点法实验结果柱形图。

图13是框架棱角点法与AIMS梯度法检测结果拟合图。

图14是框架棱角点法与未压实空隙率法检测结果拟合图。

以下结合附图和具体实施例对本发明作进一步的详细说明。

具体实施方式

参见图1，本实施例给出一种基于图像处理的粗集料棱角定量分析方法，具体的步骤包括：

第一步，集料颗粒试样选取和磨耗：

选用的集料为人工破碎的石灰岩，为研究集料棱角度和沥青混合料路用性能，本实施例提供磨耗的关键粒径档为4.75mm、9.5mm和13.2mm三档不同粒径不同棱角度的集料，然后对其不同程度的集料进行磨耗，得到不同棱角特性的试样集料颗粒。

步骤1，取一个集料样本，放入烤箱，将烤箱温度设置为105℃±5℃，并将样品干燥到一个恒定的重量，然后，称量原始干集料样品的质量；

步骤2，根据筛子的大小，将筛子由大尺寸排列到小尺寸如图2所示。然后将集料试样放在上筛表面(上筛尺寸最大)，开始筛分；

步骤3，当集料在1分钟内通过筛网的质量小于筛网剩余量的0.1％时，可以停止筛分过程；

步骤4，对每个筛子上的残余集料进行称重，并记录结果。同时，确保集料的剩余量不超过样品初始干燥质量的0.5％，对4.75～9.5mm、9.5～13.2mm、13.2～16mm三个档位的集料样品进行了筛分实验，每个档位用4kg的质量进行角度分析。

步骤5，对集料进行磨损，用水冲洗三种档次集料料样品，烘干；

步骤6，称取合适数量的第一级集料，重量为m₁。然后将称重的集料试样分成四个等分的子试样，分别放入磨耗缸中；

步骤7，将计数器复位为零，四个子样本分别设置旋转次数为0，400，800，1200。然后，可以以30r/min-33r/min左右的速度启动磨耗机进行试验。

步骤8，磨粒过程停止后，用1.7mm方筛对磨粒进行筛分。这种操作的目的是去除磨损过程中产生的细颗粒。

步骤9，冲洗掉筛子上的碎石，然后，用烤箱烘干剩余的集料(105℃±5℃的温度保持在4-5小时)。之后，称量剩余集料的重量m₂；

步骤10，利用下式(1)计算磨损损失率：

其中，LR为损失率。

为了保证实验结果的可靠性，申请人进行了两次实验，然后计算平均损失率作为最终的测试结果。

步骤11，对三种集料都执行步骤2至步骤10的过程，得到三挡集料四种(0、400、800、1200次)磨耗次数完成下，表面特征不同程度改变的石灰岩集料，每档各4kg，约1000颗，共3000颗集料颗粒。

第二步，集料颗粒图像采集：

图3为本实施例设计的集料颗粒图像采集系统图片，图4为集料颗粒图像采集系统的结构示意图。包括工业计算机、图像采集卡、控制机构、封装的CCD/CMOS相机、镜头和LED光源(图中的照明系统)；其中LED辅助光源安装在可调支架上。CCD/CMOS相机在LED光源强度和均匀度最高的区域内捕捉图像，从而获得高质量的图像。背光平面与LED光源投影平面平行，使LED光源发出的光可以垂直投影到背光面板上，操作人员通过工业计算机程序控制整个图像采集系统。

第三步，集料颗粒图像预处理：

步骤12，对集料颗粒图像灰度化，本实施例采用平均值法，即下式(2)得到集料颗粒和背景亮度比较柔和的灰度图。

Average＝R＝G＝B＝(R+G+B)/3 (2)

步骤13，对集料颗粒去噪，图像中的背景和灰度变缓的区域都代表低频信号，而噪声和图像的边缘信息又十分相似，都表现出高频跃变，所以首选低通滤波进行去噪，本实施例中经过比对采用内核为5×5的非线性中值滤波。

步骤14，对集料颗粒图像增强，为使集料在边架提取中得到更高的图片质量，需要使用图像增强技术清晰地突出集料边缘，增强棱角特征，分析实验效果如图5的卷积核进行图像增强。

步骤15，对集料颗粒图像进行分割，采用了全局灰度阈值OSTU分割算法。

步骤16，对分割后的图像进行膨胀腐蚀形态学处理，消除图像中的噪声和孔洞。形态学运算的数学定义由下式(3)表示:

其中，SK表示对象的框架，SK_i表示第i个框架，ise表示正在使用的结构元素，Θ为侵蚀操作，⊕为膨胀操作，式(4)和式(5)为侵蚀和膨胀作用。

TXΘise＝{z|(ise)_z∩TX≠φ} (4)

其中，φ为空集。

第四步，对预处理的集料图像框架提取：

本实施例中，框架的获取采用改进的数字形态学M结构元素法，可以保持目标图像的拓扑结构的同时增强图像的连续性。

步骤17，读取上步中处理完的集料图像，选择细化结构元素。利用选择的结构元素进行细化操作，若原图发生细化变化，同时提取的框架是单像素，表明选择的结构元素合理，继续细化操作可行。若未发生细化变化，重新选择结构元素。本实施例使用的拓扑结构元素图6所示.

步骤18，按照式(7)对目标体进行形态学运算，判断当前Corr_TXi是否为空，若为空，停止循环，并获取框架，保存图像，进行特征提取。结果如图7所示。

利用数字形态学M结构元素算法进行集料图像框架提取时，虽然提取出的框架稳定、单像素以及位置精度高，但M结构元素在迭代提取框架过程中，不能够保证所有框架图像的连通性，两个相邻像素的值不全为1，会出现框架图像断裂的情况。常见的框架连通结构图和框架断裂结构图如图8和图9所示。

对M结构元素进行改进如下：

步骤19，读取集料颗粒框架二值化图像。形态学闭运算进行集料框架图像像素连接操作，并用size函数求框架图像的大小x，y，即为行数和列数。

步骤20，从第二行逐个扫描集料框架点的像素值大小，判断八邻域像素是否符合图8的情形，若符合，则不需要断点修补，同时去除闭运算操作后的一些干扰点。如满足图9的情况，则进行断点修补，填补不连续点。扫描完集料图像像素的所有点，循环终止。改进前后的实验效果图如图10(a)和图10(b)所示。

步骤21，通过dir函数读取上步中修补完的集料框架图像，利用形态学操作skel字符串，移除目标边界像素，但不允许目标分隔开，保留下来的像素组成图像的框架。

步骤22，集料框架图像二值化，在四邻域提取边界点。调用函数bwnorph(A,'endpoints')提取框架棱角点，并利用字符串dean去除图像中的孤立点，填充集料框架二值化图像中的空洞区域，调用sum函数对每幅集料框架图像棱角点数求和得s_i。

第五步，根据框架对集料棱角度进行分析评价：

集料棱角度的量化指标可以从框架端点和集料面积两方面引入。由于研究集料的目的是研究颗粒宏观性质对混合料性能的影响，随着粒径越大宏观性质影响也越大。因此，以平均棱角点表征单个集料的棱角度，用平均棱角点和面积权值共同量化整批集料的棱角度，将框架棱角点法棱角度量化指标定义为：

式中，因每个集料是在3种不同状态下得到的二维图形，其中，i代表单个集料的不同三种状态，s_i为集料在其中某一个状态下的棱角点，P为单个集料的平均棱角点数；a_i为集料在其中某一个状态下的集料面积，A为单个集料的平均面积；I_a为整批集料棱角度量化指标，N为总集料个数。

将框架棱角点法实验得到的每档集料棱角度指标值与AIMS、未压实空隙率试验得到的指标值进行对比分析。图11，图12给出了框架棱角点法实验得到的每档不同磨耗次数下的集料棱角指标值。图13和图14给出了9.5mm档集料框架棱角点法与AIMS梯度棱角法、未压实空隙率法检测结果拟合图，其它档分析方法同理。从分析结果可以看出，每档集料的框架棱角指标与AIMS梯度指标、未压实空隙率指标的拟合结果R2绝大多数都大于0.85，只有4.75mm档和13.2mm档某些值偏小，可能存在其中某个方法在特定档表征不准确的现象，这三种集料棱角度评价方法得到的棱角指标值在不同档不同磨耗情况下，整体都呈现出了良好的下降趋势。

综合以上分析，本实施例给出的基于图像处理的粗集料棱角定量分析方法合理可行。

Claims (2)

1.一种基于图像处理的粗集料棱角定量分析方法，其特征在于，该方法首先对集料进行筛选，得到4.75mm、9.5mm和13.2mm的不同粒径、不同棱角度的集料，对需要的集料粒径档，对其不同程度的集料进行磨耗，得到不同棱角特性的试样集料颗粒；然后对集料颗粒进行图像采集，对采集的集料颗粒图像进行预处理，所述集料颗粒图像预处理包括集料颗粒图像灰度化、去噪、集料颗粒图像增强、分割、膨胀腐蚀形态学处理；接着对预处理的集料图像进行框架提取，根据框架对集料棱角度进行分析评价；

所述磨耗的关键粒径档为4.75mm、9.5mm和13.2mm不同粒径不同棱角度的集料，然后对其不同程度的集料进行磨耗，得到不同棱角特性的试样集料颗粒，具体操作如下：

步骤1，取一个集料样本，放入烤箱，将烤箱温度设置为105℃±5℃，并将样品干燥到一个恒定的重量，然后，称量原始干集料样品的质量；

步骤2，根据筛子的大小，将筛子由大尺寸到小尺寸排列；然后将集料试样放在尺寸最大的上筛表面，开始筛分；

步骤3，当集料在1分钟内通过筛网的质量小于筛网剩余量的0.1％时，可以停止筛分过程；

步骤4，对每个筛子上的残余集料进行称重，并记录结果，同时，确保集料的剩余量不超过样品初始干燥质量的0.5％，对4.75～9.5mm、9.5～13.2mm、13.2～16mm三个档位的集料样品进行了筛分实验，每个档位用4kg的质量进行角度分析；

步骤5，对集料进行磨损，用水冲洗三种档次集料料样品，烘干；

步骤6，称取合适数量的第一级集料，重量为m₁； 然后将称重的集料试样分成四个等分的子试样，分别放入磨耗缸中；

步骤7，将计数器复位为零，四个子样本分别设置旋转次数为0，400，800，1200，然后，以30r/min-33r/min的速度启动磨耗机进行试验；

步骤8，磨粒过程停止后，用1.7mm方筛对磨粒进行筛分，去除磨损过程中产生的细颗粒；

步骤9，冲洗掉筛子上的碎石，然后，用烤箱烘干剩余的集料，烘干温度105℃±5℃，保持在4-5小时；之后，称量剩余集料的重量m₂；

步骤10，利用下式计算磨损损失率：

其中，LR为损失率；

为了保证实验结果的可靠性，进行两次实验，然后计算平均损失率作为最终的测试结果；

步骤11，对三种集料都执行步骤2至步骤10的过程，得到三挡集料四种，即0、400、800、1200次的磨耗次数完成下，表面特征不同程度改变的石灰岩集料，每档各4kg，1000颗，共3000颗集料颗粒；

所述集料颗粒去噪选择低通滤波中的内核为5×5的非线性中值滤波进行去噪；

所述集料颗粒图像增强选择卷积核进行图像增强；

所述集料颗粒图像分割采用全局灰度阈值OSTU分割算法；

所述分割后的图像进行膨胀腐蚀形态学处理，以消除图像中的噪声和孔洞；

形态学运算的数学定义由下式(3)表示：

其中，SK表示对象的框架，SK_i表示第i个框架，ise表示正在使用的结构元素，Θ为侵蚀操作，⊕为膨胀操作，式(4)和式(5)为侵蚀和膨胀作用；

TXΘise＝{z|(ise)_z∩TX≠φ} (4)

其中，φ为空集；

所述框架提取采用改进的数字形态学M结构元素法，以保持目标图像的拓扑结构的同时增强图像的连续性；具体操作如下：

读取处理完的集料图像，选择细化结构元素，利用选择的结构元素进行细化操作，若原图发生细化变化，同时提取的框架是单像素，表明选择的结构元素合理，继续细化操作可行；若未发生细化变化，重新选择结构元素；

对目标体进行形态学运算，判断当前Corr_TXi是否为空，若为空，停止循环，并获取框架，保存图像，进行特征提取；

对M结构元素进行改进如下：

1)读取集料颗粒框架二值化图像

形态学闭运算进行集料框架图像像素连接操作，并用size函数求框架图像的大小x，y，即为行数和列数；

从第二行逐个扫描集料框架点的像素值大小，判断八邻域像素是否符合框架连通结构的情形，若符合，则不需要断点修补，同时去除闭运算操作后的一些干扰点；如满足框架断裂结构的情况，则进行断点修补，填补不连续点，扫描完集料图像像素的所有点，循环终止；

通过dir函数读取上步中修补完的集料框架图像，利用形态学操作skel字符串，移除目标边界像素，但不允许目标分隔开，保留下来的像素组成图像的框架；

2)集料框架图像二值化，在四邻域提取边界点

调用函数bwnorph提取框架棱角点，并利用字符串dean去除图像中的孤立点，填充集料框架二值化图像中的空洞区域，调用sum函数对每幅集料框架图像棱角点数求和；

所述根据框架对集料棱角度进行分析评价是：

集料棱角度的量化指标从框架端点和集料面积两方面引入，以平均棱角点表征单个集料的棱角度，用平均棱角点和面积权值共同量化整批集料的棱角度，将框架棱角点法棱角度量化指标定义为：

式中，因每个集料是在3种不同状态下得到的二维图形，其中，i代表单个集料的不同三种状态，s_i为集料在其中某一个状态下的棱角点，P为单个集料的平均棱角点数；a_i为集料在其中某一个状态下的集料面积，A为单个集料的平均面积；I_a为整批集料棱角度量化指标，N为总集料个数；

将框架棱角点法实验得到的每档集料棱角度指标值与AIMS梯度棱角法、未压实空隙率试验得到的指标值进行对比分析。

2.如权利要求1所述的方法，其特征在于，所述的集料颗粒进行图像采集系统包括工业计算机、图像采集卡、控制机构、封装的CCD/CMOS相机、镜头和LED辅助光源。

Images