CN111833327A - 一种基于图像识别的砂石检测方法 - Google Patents
一种基于图像识别的砂石检测方法 Download PDFInfo
- Publication number
- CN111833327A CN111833327A CN202010672064.1A CN202010672064A CN111833327A CN 111833327 A CN111833327 A CN 111833327A CN 202010672064 A CN202010672064 A CN 202010672064A CN 111833327 A CN111833327 A CN 111833327A
- Authority
- CN
- China
- Prior art keywords
- sand
- particle size
- calculating
- pixel points
- score
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 239000004576 sand Substances 0.000 claims abstract description 140
- 239000002245 particle Substances 0.000 claims abstract description 56
- 239000004575 stone Substances 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000002994 raw material Substances 0.000 abstract description 4
- 238000002360 preparation method Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012163 sequencing technique Methods 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, e.g. by light scattering, diffraction, holography or imaging
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
一种基于图像识别的砂石检测方法，属于混凝土生产领域。本发明包括将待检砂石进行图像二值化，细砂、中砂、粗砂分别呈现出不同密度的像素点，计算各类砂石的像素点与总像素点的实际占比值，再将各类砂石的实际占比值比上该类砂石预设的理想占比值，计算占比得分A；将待检砂石进行图像二值化、轮廓化，统计每个砂石的粒径，计算各类砂石的平均粒径值，再将各类砂石的平均粒径值比上该类砂石预设的理想粒径值，计算粒径得分B；最后得分A和得分B算出总分C，综合判断砂石的类型以及质量。本发明的优点在于采用图像识别技术代替人工精细筛选出砂石原料，可以精准的判断出各类砂石的质量，提高配制的准确率，保证了混凝土的生产质量。
Description
技术领域
本发明属于混凝土生产领域，尤其涉及一种基于图像识别的砂石检测方法。
背景技术
随着建筑行业的蓬勃发展，建筑生产活动也逐渐向标准化、工业化、科学化发展,更多的创新实践和技术应用其中。传统的混凝土搅拌站，完全依赖于人工操作进行进料，在配制高低标号混凝土时因为细砂、中砂、粗砂传送选择错误，造成浪费和损失，这给混凝土生产质量带来很大风险，若是配制高标准的混凝土，人工又很难判断砂石的质量。
发明内容
本发明提供了一种基于图像识别的砂石检测方法，优点在于采用图像识别技术代替人工精细筛选出砂石原料，可以精准的判断出各类砂石的质量，提高配制的准确率，保证了混凝土的生产质量。
为达到上述技术目的，本发明采用以下技术方案：
一种基于图像识别的砂石检测方法，包括：将待检砂石进行图像二值化，细砂、中砂、粗砂分别呈现出不同密度的像素点，计算各类砂石的像素点与总像素点的实际占比值，对比各类砂石的预设占比区间，判断砂石的类型；将待检砂石图像二值化后进行轮廓检测，统计每个砂石的粒径，计算各类砂石的平均粒径值，对比各类砂石的粒径范围，判断砂石的类型；最后，综合判断待检砂石的类型。
优选的，将上述得到的各类砂石的实际占比值，比上该类砂石预设的理想占比值，计算占比得分A；将上述得到的各类砂石的平均粒径值，比上该类砂石预设的理想粒径值，计算粒径得分B；最后结合占比得分A和粒径得分B算出总分C，综合判断砂石的质量。
进一步优选的，所述总分
；计算结果越接近1 ，砂石的质量越好。
优选的，上述计算各类砂石的像素点与总像素点的实际占比值方法如下：将二值化后的图像进行分块，统计每块图像中砂石的像素点与总像素点的比例，数据去噪后得出各类砂石的占比结果。
优选的，上述计算各类砂石平均粒径的方法如下：将待检砂石进行轮廓检测，数据去噪后统计各类砂石的平均粒径值。
一种基于图像识别的砂石检测装置，包括：占比计算模块：将待检砂石进行图像二值化，细砂、中砂、粗砂分别呈现出不同密度的像素点，计算各类砂石的像素点与总像素点的实际占比值，对比各类砂石的预设占比区间，判断砂石的类型；粒径计算模块：将待检砂石图像二值化后进行轮廓检测，统计每个砂石的粒径，计算各类砂石的平均粒径值，对比各类砂石的粒径范围，判断砂石的类型；最后，综合判断待检砂石的类型。
优选的，在占比计算模块中，将各类砂石的实际占比值比上该类砂石预设的理想占比值，计算占比得分A；在粒径计算模块中，将各类砂石的平均粒径值比上该类砂石预设的理想粒径值，计算粒径得分B；最后结合占比得分A和粒径得分B算出总分C，综合判断砂石的质量。
进一步优选的，所述总分
；计算结果越接近1 ，砂石的质量越好。
优选的，上述计算各类砂石的像素点与总像素点的实际占比值方法如下：将二值化后的图像进行分块，统计每块图像中砂石的像素点与总像素点的比例，数据去噪后得出各类砂石的占比结果。
优选的，上述计算各类砂石平均粒径的方法如下：将待检砂石进行轮廓检测，数据去噪后统计各类砂石的平均粒径值。
有益效果
1.本发明取代人工判别进料，避免在配制高低标号混凝土时反复切换原料容易出错，造成浪费和损失的问题，采用图像识别技术代替人眼进行智能判断，可以精准的判别砂石的质量，保证了混凝土的生产质量，也节省了大量的人力。
2.采用本技术，同时适用于砂石料仓的进料监测，保证了原料仓储的正确性。
3.新型的监测技术同时记录了作业的全过程，达到了生产责任可追溯的目标。
附图说明
图1为细砂、中砂、粗砂经过二值化、轮廓化的示意图。
图2为现场可视化设备布置图。
具体实施方式
下面结合附图，作进一步的说明。
一种基于图像识别技术检测砂石类别的方法，包括：将待检砂石进行图像二值化，细砂、中砂、粗砂分别呈现出不同密度的像素点，如图1所示，计算各类砂石的像素点与总像素点的实际占比值，再将各类砂石的实际占比值比上该类砂石预设的理想占比值，计算占比得分A：
其中，i代表砂石类型；
将待检砂石进行图像二值化并进行轮廓检测，统计每个砂石的粒径，计算各类砂石的平均粒径值，再将各类砂石的平均粒径值比上该类砂石预设的理想粒径值，计算粒径得分B：
最后结合占比得分A和粒径得分B算出总分C，
；综合判断砂石的类型以及质量，计算结果越接近1 ，砂石的质量越好。
具体实施例：先建立出如图2所示的可视化设备布置场景。
若在软件系统中选择自动进料目标为粗砂，自动化设备自动切换至粗砂仓筒，皮带轮开始运行。图像识别系统即时启动实施监测，在混凝土泵站的砂石上料传送带口部布置摄像机，将实时拍摄的视频反馈至软件系统；软件系统每隔数秒读取一帧图像开始图像识别两种算法：
算法1，将待检砂石图像二值化，在本实施例中使用全局阈值二值化的方法，细砂、中砂、粗砂分别呈现出不同密度的像素点，在此实施例中，将砂石像素点的灰度值设为0，黑色；砂石间空隙的灰度值设为255，白色。将图像进行分块，计算每块图像中砂石白像素点与总像素点的比例。去噪方法如下：计算数据按大小排序，去除前30%的小数据和后30%大数据后取平均值，得到的比例与标准相比得出结论。比如中砂的比例结果为20%-35%，而本次识别结果为30%，则判断结论为中砂，若中砂的预设理想占比值是32%，算法1的结果就是0.94。此标准需要根据反复、多次的实验进行统计各类砂石的占比区间。
算法2，将图像二值化、进行轮廓检测，在本实例中通过边缘检测方法统计每个砂石的轮廓直径，即粒径。去噪方法如下：删除超过100mm的粒径，统计结果从大到小排序，去除前30%的小数据和后30%的大数据后取平均值，得到的比例与标准相比得出结论。比如中砂的平均粒径为0.4mm，中砂的预设理想粒径为0.35mm，算法2的结果就是1.14。标准需要根据反复、多次的实验进行统计各类砂石的粒径范围。
算法1结果权重80%，算法2结果权重20%，结合得出砂石的类型以及质量。按照上述数据计算的结果为0.98，根据砂石的总体情况，判断砂石的质量。
当检测结果与预设目标不一致时通过软件系统触发停机报警；比如当检测发现上料为细砂，机器发出错误警报，输送装置自动停机，现场发出警报声。直到切换自动进料目标为细砂，再次启动，正常进料。
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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种基于图像识别的砂石检测方法，其特征在于，包括：将待检砂石进行图像二值化，细砂、中砂、粗砂分别呈现出不同密度的像素点，计算各类砂石的像素点与总像素点的实际占比值，对比各类砂石的预设占比区间，判断砂石的类型；将待检砂石图像二值化后进行轮廓检测，统计每个砂石的粒径，计算各类砂石的平均粒径值，对比各类砂石的粒径范围，判断砂石的类型；最后，综合判断待检砂石的类型。
2.根据权利要求1所述基于图像识别的砂石检测方法，其特征在于， 将上述得到的各类砂石的实际占比值，比上该类砂石预设的理想占比值，计算占比得分A；将上述得到的各类砂石的平均粒径值，比上该类砂石预设的理想粒径值，计算粒径得分B；最后结合占比得分A和粒径得分B算出总分C，综合判断砂石的质量。
3.根据权利要求2所述基于图像识别的砂石检测方法，其特征在于，所述总分
；计算结果越接近1 ，砂石的质量越好。
4.根据权利要求1所述基于图像识别的砂石检测方法，其特征在于，上述计算各类砂石的像素点与总像素点的实际占比值方法如下：将二值化后的图像进行分块，统计每块图像中砂石的像素点与总像素点的比例，数据去噪后得出各类砂石的占比结果。
5.根据权利要求1所述基于图像识别的砂石检测方法，其特征在于，上述计算各类砂石平均粒径的方法如下：将待检砂石进行轮廓检测，数据去噪后统计各类砂石的平均粒径值。
6.一种基于图像识别的砂石检测装置，其特征在于，包括：
占比计算模块：将待检砂石进行图像二值化，细砂、中砂、粗砂分别呈现出不同密度的像素点，计算各类砂石的像素点与总像素点的实际占比值，对比各类砂石的预设占比区间，判断砂石的类型；
粒径计算模块：将待检砂石图像二值化后进行轮廓检测，统计每个砂石的粒径，计算各类砂石的平均粒径值，对比各类砂石的粒径范围，判断砂石的类型；
最后，综合判断待检砂石的类型。
7.根据权利要求6所述基于图像识别的砂石检测装置，其特征在于， 在占比计算模块中，将各类砂石的实际占比值比上该类砂石预设的理想占比值，计算占比得分A；在粒径计算模块中，将各类砂石的平均粒径值比上该类砂石预设的理想粒径值，计算粒径得分B；最后结合占比得分A和粒径得分B算出总分C，综合判断砂石的质量。
8.根据权利要求7所述基于图像识别的砂石检测装置，其特征在于，所述总分
；计算结果越接近1 ，砂石的质量越好。
9.根据权利要求6所述基于图像识别的砂石检测方法，其特征在于，上述计算各类砂石的像素点与总像素点的实际占比值方法如下：将二值化后的图像进行分块，统计每块图像中砂石的像素点与总像素点的比例，数据去噪后得出各类砂石的占比结果。
10.根据权利要求6所述基于图像识别的砂石检测装置，其特征在于，上述计算各类砂石平均粒径的方法如下：将待检砂石进行轮廓检测，数据去噪后统计各类砂石的平均粒径值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010672064.1A CN111833327A (zh) | 2020-07-14 | 2020-07-14 | 一种基于图像识别的砂石检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010672064.1A CN111833327A (zh) | 2020-07-14 | 2020-07-14 | 一种基于图像识别的砂石检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111833327A true CN111833327A (zh) | 2020-10-27 |
Family
ID=72922809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010672064.1A Pending CN111833327A (zh) | 2020-07-14 | 2020-07-14 | 一种基于图像识别的砂石检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833327A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112748238A (zh) * | 2020-12-24 | 2021-05-04 | 中山艾尚智同信息科技有限公司 | 一种便携式集料含水率实时探测仪 |
| CN115375685A (zh) * | 2022-10-25 | 2022-11-22 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005354287A (ja) * | 2004-06-09 | 2005-12-22 | National Institute Of Advanced Industrial & Technology | 画像の二値化或いは多値化方法及び装置並びにプログラム |
| CN206122134U (zh) * | 2016-08-31 | 2017-04-26 | 重庆市忠州曼子建材集团有限公司 | 三级砂混凝土的砂石分离装置 |
| CN106651896A (zh) * | 2016-09-30 | 2017-05-10 | 南京航空航天大学 | 沥青混合料的ct图像的材质分类方法 |
| CN108764206A (zh) * | 2018-06-07 | 2018-11-06 | 广州杰赛科技股份有限公司 | 目标图像识别方法和系统、计算机设备 |
| CN109993766A (zh) * | 2019-03-18 | 2019-07-09 | 南京理工大学 | 基于深度学习的砂石图像粒径检测方法 |
| CN110788013A (zh) * | 2019-10-30 | 2020-02-14 | 杜艳阳 | 一种建筑施工用砂石精细筛选方法 |
| CN110827267A (zh) * | 2019-11-08 | 2020-02-21 | 武汉海晨工控技术有限公司 | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及系统 |
| CN110838128A (zh) * | 2019-11-07 | 2020-02-25 | 华侨大学 | 一种图像法集料堆叠空隙率预测方法和系统 |
| CN111047555A (zh) * | 2019-11-13 | 2020-04-21 | 鞍钢集团矿业有限公司 | 基于图像处理技术的矿石图像粒度检测算法 |
| CN111160361A (zh) * | 2019-11-18 | 2020-05-15 | 中国科学院自动化研究所 | 一种图像分类方法、装置以及计算机可读介质 |
-
2020
- 2020-07-14 CN CN202010672064.1A patent/CN111833327A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005354287A (ja) * | 2004-06-09 | 2005-12-22 | National Institute Of Advanced Industrial & Technology | 画像の二値化或いは多値化方法及び装置並びにプログラム |
| CN206122134U (zh) * | 2016-08-31 | 2017-04-26 | 重庆市忠州曼子建材集团有限公司 | 三级砂混凝土的砂石分离装置 |
| CN106651896A (zh) * | 2016-09-30 | 2017-05-10 | 南京航空航天大学 | 沥青混合料的ct图像的材质分类方法 |
| CN108764206A (zh) * | 2018-06-07 | 2018-11-06 | 广州杰赛科技股份有限公司 | 目标图像识别方法和系统、计算机设备 |
| CN109993766A (zh) * | 2019-03-18 | 2019-07-09 | 南京理工大学 | 基于深度学习的砂石图像粒径检测方法 |
| CN110788013A (zh) * | 2019-10-30 | 2020-02-14 | 杜艳阳 | 一种建筑施工用砂石精细筛选方法 |
| CN110838128A (zh) * | 2019-11-07 | 2020-02-25 | 华侨大学 | 一种图像法集料堆叠空隙率预测方法和系统 |
| CN110827267A (zh) * | 2019-11-08 | 2020-02-21 | 武汉海晨工控技术有限公司 | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及系统 |
| CN111047555A (zh) * | 2019-11-13 | 2020-04-21 | 鞍钢集团矿业有限公司 | 基于图像处理技术的矿石图像粒度检测算法 |
| CN111160361A (zh) * | 2019-11-18 | 2020-05-15 | 中国科学院自动化研究所 | 一种图像分类方法、装置以及计算机可读介质 |
Non-Patent Citations (1)
| Title |
|---|
| 林銮等: "基于计算机图像处理技术的松散砂性土微观结构定量分析方法", 《南京大学学报(自然科学)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112748238A (zh) * | 2020-12-24 | 2021-05-04 | 中山艾尚智同信息科技有限公司 | 一种便携式集料含水率实时探测仪 |
| CN115375685A (zh) * | 2022-10-25 | 2022-11-22 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110118775B (zh) | 厂拌水泥稳定碎石骨料组成快速检测方法 | |
| CN111833327A (zh) | 一种基于图像识别的砂石检测方法 | |
| CN112892823B (zh) | 基于人工智能算法的制砂控制方法及系统 | |
| Girdner et al. | The split system for analyzing the size distribution of fragmented rock | |
| Schleifer et al. | FRAGSCAN: A tool to measure fragmentation of blasted rock | |
| CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
| CN106423913A (zh) | 一种建筑垃圾的分选方法和系统 | |
| Salinas et al. | Automated estimation of rock fragment distributions using computer vision and its application in mining | |
| CN110648364A (zh) | 一种多维度空间固废视觉检测定位及识别方法与系统 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
| CN113674201A (zh) | 一种骨料粒径抽样监测方法 | |
| CN110135275A (zh) | 一种集料颗粒识别方法 | |
| CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
| CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
| CN107220946B (zh) | 一种岩石运输带上不良块度图像的实时剔除方法 | |
| CN108273759B (zh) | 一种图像识别筛选红砖与混凝土的方法及其系统 | |
| CN110555373A (zh) | 一种基于图像识别的混凝土振捣质量实时检测方法 | |
| CN210136151U (zh) | 一种机制砂质量检测设备 | |
| CN115456979A (zh) | 采用数字图像处理技术监控机制砂生产质量的方法 | |
| CN103245666A (zh) | 一种蓄电池极板外观缺陷自动检测方法 | |
| CN112892794B (zh) | 隧洞内智能化制砂实时调整系统及方法 | |
| Koh et al. | Improving particle size measurement using multi-flash imaging | |
| CN117420802A (zh) | 一种原煤除杂筛分机集控智能化系统 | |
| JPH0739824A (ja) | 骨材生産装置における骨材製品の選別装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |