CN111797730B - 一种水泥熟料岩相自动分析方法 - Google Patents

一种水泥熟料岩相自动分析方法 Download PDF

Info

Publication number
CN111797730B
CN111797730B CN202010567932.XA CN202010567932A CN111797730B CN 111797730 B CN111797730 B CN 111797730B CN 202010567932 A CN202010567932 A CN 202010567932A CN 111797730 B CN111797730 B CN 111797730B
Authority
CN
China
Prior art keywords
phase
clinker
image
segmentation
lithofacies
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.)
Active
Application number
CN202010567932.XA
Other languages
English (en)
Other versions
CN111797730A (zh
Inventor
劳里林
曾荣
陶从喜
韦怀珺
班龙
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.)
China Resources Cement Technology R&D Co Ltd
Original Assignee
China Resources Cement Technology R&D Co Ltd
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 China Resources Cement Technology R&D Co Ltd filed Critical China Resources Cement Technology R&D Co Ltd
Priority to CN202010567932.XA priority Critical patent/CN111797730B/zh
Publication of CN111797730A publication Critical patent/CN111797730A/zh
Application granted granted Critical
Publication of CN111797730B publication Critical patent/CN111797730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种水泥熟料岩相自动分析方法，属于水泥技术领域，所述方法包括如下步骤：步骤1：获取熟料岩相镶嵌样的显微光学图像；步骤2：对显微光学图像进行预处理；步骤3：对显微光学图像进行熟料物相分割；步骤4：对显微光学图像熟料物相识别；步骤5：对熟料物相特征统计，统计来源为步骤4所识别的物相。通过提高精度、降低分析时间，完全可以将水泥熟料分析这一重要分析手段用于水泥熟料生产的实时控制，从而提高水泥熟料的质量和企业的效益。

Description

一种水泥熟料岩相自动分析方法
技术领域
本发明涉及水泥技术领域，尤其涉及一种水泥熟料岩相自动分析方法。
背景技术
水泥熟料是影响水泥乃至混凝土强度、工作性、耐久性发挥的重要材料，水泥熟料的性能取决于化学组成、矿物组成、物相组成及其分布，通过化学组成(化学滴定或荧光元素分析)和矿物组成(X射线衍射分析)分析并不能完全反应水泥熟料的性能。水泥熟料的岩相分析是一种十分强大的分析手段，通过基于光学影像可以分析水泥熟料的物相结构，经过分析得到该材料的物相组成以及分布特征，从而分析水泥熟料的组成、性能、煅烧条件等，最终得到的分析结果为水泥生产控制提供依据。
目前通行的水泥熟料岩相分析步骤如下。
1、制备岩相镶嵌样。取有代表性的熟料料块，将其破碎或切割成熟料颗粒，并采用树脂、硫磺或快硬粘土将熟料颗粒镶嵌其中，耗时约半小时；
2、镶嵌样研磨。将镶嵌样切割，并把切割面粗磨、细磨、抛光，最终得到可用于岩相分析的镶嵌样，耗时约1小时；
3、岩相分析。主要分为两个部分：(1)熟料孔隙相分析，用光学显微镜对镶嵌样进行观测或照相，对熟料孔隙的大小、形态、分布进行测算；(2)熟料矿物相分析，用NH4Cl或硝酸-酒精溶液对镶嵌样进行侵蚀，使熟料不同矿物相显色，再用光学显微镜对镶嵌样进行观测或照相，对各个矿物相的大小、形态、分布进行测算，耗时约1～3天。
岩相分析(步骤3)详述如下。
1、岩相分析所用的光学显微镜一般配备摄像头，拍摄图像后再使用图像处理软件(如Photoshop等)分析，所拍摄图像至少为256*256像素，典型的图像像素为1024*768，图像格式为彩色图像。若不配备摄像头，则需要使用在方格子中手绘的方式进行辅助分析；
2、显微镜放大倍数，熟料孔隙相分析一般采用50～100倍进行拍摄分析；而矿物相则使用100～1000倍进行拍摄分析；
3、传统岩相分析所获得的特征数据有定性也有定量，以下对其分析手段和过程进行简要介绍(以下不对孔隙相和矿物相进行区分)：
通过岩相分析可以得到各个物相的种类、含量、形态、纹理、分布特征等数据，利用这些特征可以表征熟料煅烧过程中的状态、生料混合的均匀性等，指导熟料生产。(1)岩相分析中物相的种类有：孔隙相、中间相、阿利特(A矿)、贝利特(B矿)、铝酸三钙、铁铝酸四钙、游离氧化钙、游离氧化镁等；(2)物相的含量指图像中该物相所在像素点的个数和与图像总像素点之比；(3)物相的形态指单个物相的大小、形状完整性、形状规则性(正常物相、手指状物相)等；(4)物相纹理指物相内部点状、条状、片状的形态特征；(5)物相的分布指某种物相在熟料中分布的均匀性，如矿巢、各物相及其不同形态在图像中的分布。
为了得到以上数据，需要分析人员根据经验在图像处理软件中对岩相图像进行手工处理，(1)图像锐化、图像模糊、图像颜色、图像亮度等参数进行调整预处理；(2)人工识别各个物相，并对每个物相进行描边，从而描出岩相中各个物相；(3)手动测量及记录每个物相的各项参数；(4)形成统计报告。
上述现有技术的缺点是对分析人员的专业性、耐心、细心程度要求较高，如。
1、熟料矿相种类繁多，许多矿相需要非常熟悉熟料矿相形态才能分辨，如非典型的阿利特(A矿)和贝利特(B矿)经常出现颜色相同，形状相近的情况，需要从物相周边的环境进行判断；
2、各个矿相的特征数据概念较多，需要专业培训才能上手掌握；
3、典型的岩相图像为1024*768的彩色图像，在500倍的放大倍数下，通常每张图片约有100～200个矿相需要描边，而每个熟料镶嵌样需要分析的图片在10～20张左右，从而导致整个分析过程非常耗时，完整的图像分析步骤约需要1～3天。
上述现有技术的缺陷导致分析人员不可能对每个矿相都进行描边及统计分析，从而使得理论上可以精确描述的特征被迫以定性及半定量给出。
分析过程的繁琐和高要求限制了岩相分析技术在水泥生产企业的广泛应用，目前，岩相分析只有高校或研究机构才有该检测项目，水泥生产企业应用频次很低。
发明内容
本发明的目的在于提供一种水泥熟料岩相自动分析方法，解决的技术问题。
一种水泥熟料岩相自动分析方法，所述方法包括如下步骤：
步骤1：获取熟料岩相镶嵌样的显微光学图像。
作为优选，所述的显微光学图像为彩色图像；
作为优选，分析孔隙相时，所述的显微光学图像的显微镜放大倍数为50倍；
作为优选，分析中间相、阿利特(A矿)、贝利特(B矿)、铝酸三钙、铁铝酸四钙、游离氧化钙、游离氧化镁时，所述的显微光学图像的显微镜放大倍数为100～1000倍；
步骤2：图像预处理。
所述的计算机图像预处理方法包括但不限于图像灰度化、图像降噪、图像切割为小块、图像二值化、图像翻转、图像锐化、图像模糊、图像色相平衡。
步骤3：熟料物相分割。
作为优选，所述的熟料物相分割包括但不限于Watershed变换、阈值分割、Otsu阈值分割、超分辨率分割、深度学习分割等方法及其变种。
进一步地，作为优选，分析孔隙相时，所述的物相分割方法为Otsu阈值分割。
进一步地，作为优选，分析中间相、阿利特(A矿)、贝利特(B矿)、铝酸三钙、铁铝酸四钙、游离氧化钙、游离氧化镁时，所述的分割方法属于深度学习分割及其变种。
进一步地，作为优选，分析中间相、阿利特(A矿)、贝利特(B矿)、铝酸三钙、铁铝酸四钙、游离氧化钙、游离氧化镁时，所述的分割方法为U-net分割及其变种。
步骤4：熟料物相识别。
所述的熟料物相识别，采用的方法包括但不限于支持向量机分类、决策树、随机森林分类、深度学习等方法及其变种；
进一步地，所识别的物相为孔隙、中间相、阿利特(A矿)、贝利特(B矿)、铝酸三钙、铁铝酸四钙、游离氧化钙、游离氧化镁。
作为优选，所述的物相识别方法为随机森林分类、深度学习方法及其变种。
步骤5：熟料物相特征统计。
所述的熟料物相特征统计，统计来源为步骤4所述方法所识别的物相。
进一步的，为了定量化、精确化统计熟料物相特征，本发明对熟料物相的四大特征，如含量、形态、纹理、分布特征分别进行定量化统计。
作为优选，步骤5中熟料物相的含量为图像中该物相的像素面积与图像总像素数之比。
作为优选，步骤5中熟料物相的形态包括但不限于物相的圆形度、长短轴长度、分形维度等。
进一步地，物相的圆形度＝(物相面积*4*Π)/周长/周长。
进一步地，物相的长短轴长度为物相最长轴及最短轴的像素长度，及其换算成的实际长度。
进一步地，物相的分形维度指物相的Hausdorff维，用于判断物相的不规则性，表征矿相的典型形态与非典型形态，如阿利特(典型为六方板状，非典型为侵蚀状)、贝利特(典型为圆、椭圆状，非典型为侵蚀状、手指状)。
进一步地，物相的纹理指阿利特、贝利特等较大物相中包含的点状、条状形态的数量。
进一步地，物相的分布特征包括但不限于物相圆形度、长短轴长度、分形维度、点状纹理、条状纹理的统计直方图，以及贝利特、游离氧化钙、游离氧化镁在图像中的聚集(矿巢)占图像的比例。
进一步地，物相的纹理采用点状、条状图形形状匹配的方法在单个物相中进行统计。
进一步地，作为优选，物相的矿巢采用包括但不限于DBSCAN(自适应密度聚类)算法、K-Means算法进行分类识别。
进一步地，物相的分布均匀性采用该种物相所在像素位置或使用超像素分割后每个块的中心坐标计算均匀性系数。
进一步地，作为优选，物相的分布均匀性系数使用Hopkins统计量计算。
本发明采用了上述技术方案，本发明具有以下技术效果：
(1)本发明将熟料物相的特征定量化统计，采用自动分析方法，对熟料物相的四大特征，如含量、形态、纹理、分布特征完全进行定量化分析，本发明采用添加数学化特征描述的方法达到此目的，如现有技术中，对物相在图像中的聚集(矿巢)无法定量描述，只能以“多、少”进行描述，本发明采用聚类算法，描述各个物相的聚集程度。现有技术对手指状贝利特、侵蚀态阿利特无法定量描述，也只能以“多、少”进行描述，本发明采用分形维度表征物相的不规则性，达到定量描述非典型物相的目的；同样地，本发明使用均匀性系数表示各物相在图像中的分布，达到定量的目的；
(2)将熟料物相的特征精确化统计，采用图像分割的方法，将各个物相精确分割，可以对整个岩相图像中的每个物相进行统计，而现有技术由于人工限制无法进行全部分析并提高精度；
(3)分析时间减少、对分析人员要求降低，采用自动图像分析的方法，将现有技术分析所需时间1～3天，降低到2小时以内，其中图像从显微镜拍照到分析结果汇出仅需30分钟。分析人员在过程中只需操作软件即可，降低了对分析人员的专业性要求。
(4)通过提高精度、降低分析时间，完全可以将水泥熟料分析这一重要分析手段用于水泥熟料生产的实时控制，从而提高水泥熟料的质量和企业的效益。
附图说明
图1为本发明侵蚀后样张图像。
图2为本发明侵蚀前样张图像。
图3为本发明孔隙相分析分析前样张图像。
图4为本发明孔隙相分析分析后样张图像。
图5为本发明矿物相分析分析前样张图像。
图6为本发明样张矿相分割图像。
图7为本发明样张矿相分类图像。
图8为本发明A矿分析结果柱形图。
图9为本发明B矿分析结果柱形图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
一种水泥熟料岩相自动分析方法，以某厂硅酸盐水泥熟料岩相分析为例。
1、制样
熟料经破碎(1～2mm)、缩分后，使用镶嵌机将熟料颗粒镶嵌在圆柱状树脂中，树脂样切割后使用自动研磨机对镶嵌样进行粗磨、细磨及抛光，制备成镶嵌样。
2、摄取图像
(1)侵蚀前：使用显微镜在镶嵌样，50x放大情况下分别摄取镶嵌样上不同熟料颗粒的图像15张；
(2)侵蚀后：将镶嵌样表面浸泡1％硝酸-酒精溶液1s后立即吹干表面，并使用显微镜在500x下摄取镶嵌样上不同熟料颗粒的图像25张；
(3)上述摄取的图像为彩色jpg格式的图像，分辨率为1024*768。
如图1所示，图1为侵蚀后样张图像。
3、图像分析
(1)孔隙相分析
由于孔隙相是侵蚀前的图像，故单独进行分析。选择本发明系统的孔隙相模块，导入所有侵蚀前图像。得到分析结果。分析步骤如下，a.图像预处理，转换为灰度图；b.图像采用Otsu分割，得到二值图，计算前景像素与图像像素之比，得到孔隙率；c.计算Hopkins统计量，得到均匀性系数。具体分析结构如图3和图4对比结构。分析结果：图像数量：15，平均孔隙率：48.7％，平均均匀性系数：0.776。
矿物相分析
如图5-7所示，将侵蚀后的图像导入模型，开启自动分析。得到结果。模型的分析步骤如下：a.将图像分割成256x256的小块；b.将图像使用U-net模型分割得到每个的区域；c.将各个矿相区域逐一使用随机森林模型进行分类得到各个矿相的所属分类，得到阿利特(A矿)、贝利特(B矿)、游离氧化钙的矿相区域；d.对各个矿相的含量、形态、纹理、分布特征进行统计分析，得到分析结果。
分析结果
图像数量：20
A矿(如图8所示)：
平均尺寸：25.8μm(见分布图，图8)
均匀系数：0.65
非典型矿物占比：5.3％
B矿(如图9所示)：
平均尺寸：19.2μm(见分布图，图9)；
均匀系数：0.71；
非典型矿物占比：10.2％；
矿巢占比：3.5％；
游离氧化钙：
占比：1.3％；
矿巢占比：0.8％。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种水泥熟料岩相自动分析方法，其特征在于：所述方法包括如下步骤：
步骤1：获取熟料岩相镶嵌样的显微光学图像；
步骤2：对显微光学图像进行预处理；
步骤3：对显微光学图像进行熟料物相分割；
步骤4：对显微光学图像熟料物相识别；
步骤5：对熟料物相特征统计，统计来源为步骤4所识别的物相；
所述步骤3中，分析孔隙相时，熟料物相分割方法为Otsu阈值分割，分析中间相、阿利特(A矿)、贝利特(B矿)、铝酸三钙、铁铝酸四钙、游离氧化钙、游离氧化镁时，料物相分割方法为深度学习分割；
所述步骤4中，熟料物相识别采用的方法包括支持向量机分类、决策树、随机森林分类的机器学习方法和深度学习；
所述步骤5中，对含量、形态、纹理、分布特征分别进行定量化统计；
所述步骤5中，熟料物相的含量为图像中该物相的像素面积与图像总像素数之比，熟料物相的形态包括物相的圆形度、长短轴长度和分形维度，物相的圆形度＝(物相面积*4*Π)/周长/周长；
所述步骤5中，物相的长短轴长度为物相最长轴及最短轴的像素长度，物相的分形维度用于判断物相的不规则性，表征矿相的典型形态与非典型形态，物相的纹理为阿利特、贝利特时，物相中包含的点状、条状形态的数量，物相的分布特征包括物相圆形度、长短轴长度、分形维度、点状纹理、条状纹理的统计直方图，以及贝利特、游离氧化钙、游离氧化镁在图像中的聚集占图像的比例，聚集即为矿巢。
2.根据权利要求1所述的一种水泥熟料岩相自动分析方法，其特征在于：所述步骤1中，所述显微光学图像为彩色图像，当分析目标为孔隙相时，所述显微光学图像的显微镜放大倍数为50～500倍，当分析目标为中间相、阿利特(A矿)、贝利特(B矿)、铝酸三钙、铁铝酸四钙、游离氧化钙、游离氧化镁的一种或多种时，所述的显微光学图像的显微镜放大倍数为100-1000倍。
3.根据权利要求2所述的一种水泥熟料岩相自动分析方法，其特征在于：所述步骤2中显微光学图像预处理方法包括图像灰度化、图像降噪、图像切割为小块、图像二值化、图像翻转、图像锐化、图像模糊和图像色相平衡。
4.根据权利要求2所述的一种水泥熟料岩相自动分析方法，其特征在于：所述步骤3中熟料物相分割方法包括Watershed变换、阈值分割、Otsu阈值分割、超分辨率分割和深度学习分割。
5.根据权利要求1所述的一种水泥熟料岩相自动分析方法，其特征在于：所述步骤5中，物相的纹理采用点状、条状图形形状匹配的方法在单个物相中进行统计，物相的矿巢采用包括自适应密度聚类算法和K-Means算法进行分类识别，物相的分布均匀性采用该种物相所在像素位置或使用超像素分割后每个块的中心坐标计算均匀性系数，物相的分布均匀性系数使用Hopkins统计量计算。
CN202010567932.XA 2020-06-19 2020-06-19 一种水泥熟料岩相自动分析方法 Active CN111797730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010567932.XA CN111797730B (zh) 2020-06-19 2020-06-19 一种水泥熟料岩相自动分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010567932.XA CN111797730B (zh) 2020-06-19 2020-06-19 一种水泥熟料岩相自动分析方法

Publications (2)

Publication Number Publication Date
CN111797730A CN111797730A (zh) 2020-10-20
CN111797730B true CN111797730B (zh) 2024-03-26

Family

ID=72803559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010567932.XA Active CN111797730B (zh) 2020-06-19 2020-06-19 一种水泥熟料岩相自动分析方法

Country Status (1)

Country Link
CN (1) CN111797730B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114295651B (zh) * 2021-12-15 2024-03-15 东南大学 一种基于随机森林模型的油石比检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131365A (zh) * 2006-08-23 2008-02-27 宝山钢铁股份有限公司 烧结矿主要矿物相自动识别方法
CN104458741A (zh) * 2014-08-28 2015-03-25 青岛永通电梯工程有限公司 一种水泥熟料的岩相分析方法
CN107703560A (zh) * 2017-09-29 2018-02-16 西南石油大学 一种基于三重信息的泥页岩岩相精细识别方法
KR20200024439A (ko) * 2018-08-28 2020-03-09 주식회사 포스코건설 광물성 혼합시멘트의 클린커 수화물 정량화 예측방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020150294A1 (en) * 2001-02-02 2002-10-17 Honeywell Federal Manufacturing & Technologies, Llc Automated imaging system and method for concrete quality analysis
US9939548B2 (en) * 2014-02-24 2018-04-10 Saudi Arabian Oil Company Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131365A (zh) * 2006-08-23 2008-02-27 宝山钢铁股份有限公司 烧结矿主要矿物相自动识别方法
CN104458741A (zh) * 2014-08-28 2015-03-25 青岛永通电梯工程有限公司 一种水泥熟料的岩相分析方法
CN107703560A (zh) * 2017-09-29 2018-02-16 西南石油大学 一种基于三重信息的泥页岩岩相精细识别方法
KR20200024439A (ko) * 2018-08-28 2020-03-09 주식회사 포스코건설 광물성 혼합시멘트의 클린커 수화물 정량화 예측방법

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Sulfation of Calcined Raw Meal in the Kiln Inlet Housing for the Cement Industry;Li, Xiao Yan等;Advanced Materials Research;20110630;第266卷;全文 *
利用光学显微镜进行烧结矿矿相的分析;王航民;理化检验(物理分册);20150508(第05期);全文 *
工业废渣配料煅烧熟料的岩相分析与判断;封培然等;水泥工程(第03期);全文 *
水泥水化四维微观结构图像校正及物相分析;张亮亮;中国硕士学位论文全文库 信息科技辑;20190215;全文 *
砂岩显微图像分析方法及其工具实现;郝慧珍等;计算机科学;第44卷(第11期);第51页第1栏第10-15行、第51页第2栏第25行至第52页第2栏第1-5行 *
郝慧珍等.砂岩显微图像分析方法及其工具实现.计算机科学.2017,第44卷(第11期),第51页第1栏第10-15行、第51页第2栏第25行至第52页第2栏第1-5行. *

Also Published As

Publication number Publication date
CN111797730A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
Tucker et al. Fully‐automatic measurement of mycelial morphology by image analysis
Reedy et al. Image analysis in quantitative particle studies of archaeological ceramic thin sections
CN109598681B (zh) 一种对称唐卡修复后图像的无参考质量评价方法
CN112150430A (zh) 一种利用岩石细观结构数字图像的数值分析方法
CN110443793A (zh) 一种沥青混合料空隙分布均匀性评价方法
CN114910480A (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
CN112964712A (zh) 一种快速检测沥青路面状态的方法
CN111797730B (zh) 一种水泥熟料岩相自动分析方法
CN114694144B (zh) 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法
CN117274240B (zh) 一种承台基础混凝土表面裂缝识别方法
CN110555373A (zh) 一种基于图像识别的混凝土振捣质量实时检测方法
CN115890915A (zh) 一种混凝土搅拌过程图像识别方法
Aprile et al. Classification of mineral inclusions in ancient ceramics: comparing different modal analysis strategies
Reedy Review of digital image analysis of petrographic thin sections in conservation research
CN115456979A (zh) 采用数字图像处理技术监控机制砂生产质量的方法
Li et al. Hydration and microstructure of cement paste mixed with seawater–An advanced investigation by SEM-EDS method
CN111307070B (zh) 基于数字图像处理对混凝土粗集料的棱角度测量方法
CN109191479A (zh) 一种烧结矿中复合铁酸钙矿相含量的自动测量方法
CN116612132A (zh) 基于集料特征的3d点云目标分割方法
CN110517220A (zh) 一种基于激光三维数据的集料表面数量检测方法
CN102494987A (zh) 球墨铸铁中显微粒子的自动分类评级方法
Ahamad et al. Digital analysis of geo-referenced concrete Scanning Electron Microscope (SEM) images
CN110197476B (zh) 一种基于特征融合的复杂烧结矿三维显微矿相的分析方法
Zaniewski Plasmic fabric analysis of glacial sediments using quantitative image analysis methods and GIS techniques
CN112949463B (zh) 一种集料级配快速检测模型的建立、检测方法及系统

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
GR01 Patent grant
GR01 Patent grant