CN113129283A - 一种基于数字图像的填料级配智能检测压实控制方法 - Google Patents

一种基于数字图像的填料级配智能检测压实控制方法 Download PDF

Info

Publication number
CN113129283A
CN113129283A CN202110418450.2A CN202110418450A CN113129283A CN 113129283 A CN113129283 A CN 113129283A CN 202110418450 A CN202110418450 A CN 202110418450A CN 113129283 A CN113129283 A CN 113129283A
Authority
CN
China
Prior art keywords
filler
compaction
grading
soil
construction
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
Application number
CN202110418450.2A
Other languages
English (en)
Other versions
CN113129283B (zh
Inventor
李家乐
刘涛
王雪菲
马国伟
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202110418450.2A priority Critical patent/CN113129283B/zh
Publication of CN113129283A publication Critical patent/CN113129283A/zh
Application granted granted Critical
Publication of CN113129283B publication Critical patent/CN113129283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G06T2207/10004—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
    • G06T2207/20—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]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种基于数字图像的填料级配智能检测压实控制方法，该控制方法包括以下内容：获取包括施工各时段、施工各个过程、各种填料、各种施工场景、各种施工场地的填料图像；对于获得的每种填料图像在现场做对应的填料级配分析，将所有填料图像进行分类，每类填料图像上均加入分类标签，形成数据库；构建卷积神经网络，并利用数据库中的数据对卷积神经网络进行训练，获得训练好的卷积神经模型；将待分类的填料图像，输入到卷积神经网络模型中，输出对应填料图像的采集时间、施工场景、填料材料类别、级配属性；根据卷积神经网络模型的输出分类结果，指导压实过程。有效解决填料粒径太小无法识别的问题，显著提高了后期施工的精度及工作效率。

Description

一种基于数字图像的填料级配智能检测压实控制方法
技术领域
本发明涉及一种基于数字图像的填料级配智能检测压实控制方法。
背景技术
公路、铁路以及土石坝在施工过程中要严格遵照规范使用级配合格的填料，填料级配是否合格直接影响材料的性能，材料性能的好坏也会对公路、铁路以及土石坝的压实效果造成直接影响。目前常用的填料级配确定方式是筛分法，即将填料通过一组标准筛进行筛分，得到不同孔径筛子上填料的重量从而得到填料级配。另外一种方法是填料分析法，主要使用密度计法和吸管法确定。以上两种方法主要是用在实验室测量级配的传统方法。另外比较新型的填料级配确定方式是数字图像法，主要是使用相机获取填料图像，使用图像处理的手段包括图像降噪、边缘提取、粒径测量和统计等手段得到填料级配。传统方法只适用于少量的分抽样，不能覆盖施工全过程并且完全需要人工处理，耗费时间长、投入成本高，效率较低，不具有很好的实效性，主要应用于施工前后的填料级配检查。上述数字图像法只能针对单一材料组合的填料(砂石、土、沥青)，并且图像处理不能对粒径较小的土颗粒进行边缘提取，因此不适用于含有小粒径材料的填料级配检测。目前没有在施工过程中没有在压路机上安装类似的图像采集装置，不能进行实时的填料级配监控和压实质量检测，不能覆盖施工全过程。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于数字图像的填料级配智能检测压实控制方法。该控制方法使用GPS定位模块和相机实现全时段全过程全材料的信息采集，构建大数据库，对全路段全过程全材料的图像类别进行详细标注分类，使用机器学习算法中的卷积神经网络对公路、铁路以及土石坝施工过程中采集填料级配图像，判断填料级配是否达标，进行实时检测，覆盖施工全过程、全材料，填料级配判断结果可以用于压实控制决策中，以确保施工全时段的质量监控。本申请在实际使用中，直接利用相机采集施工路段的数字图像，无需进行图像处理等操作，神经网络可直接识别出填料级配，有效解决填料粒径太小无法识别的问题，显著提高了后期施工的精度及工作效率。
本发明解决所述技术问题采用的技术方案是：基于数字图像的填料级配智能检测压实控制方法，其特征在于，该控制方法包括以下内容：
获取包括施工各时段、施工各个过程、各种填料、各种施工场景、各种施工场地的填料图像；
对于获得的每种填料图像在现场做对应的填料级配分析，将所有填料图像进行分类，每类填料图像上均加入分类标签，形成数据库；
构建卷积神经网络，并利用数据库中的数据对卷积神经网络进行训练，获得训练好的卷积神经模型；
将待分类的填料图像，输入到卷积神经网络模型中，输出对应填料图像的采集时间、施工场景、填料材料类别、级配属性；
根据卷积神经网络模型的输出分类结果，指导压实过程。
填料图像进行分类的标准是，每个填料图像均需要标注采集时间、施工场景、填料材料类别、级配属性，所述采集时间分为白天或夜晚，施工场景分为公路、铁路、土石坝，填料材料类别分为土、碎石、沥青、土石坝填料，级配属性：沥青填料级配属性为密级配、断级配、开级配、半开级配；铁路碎石填料级配属性为A、B、C、D、E五级；土石坝填料级配属性为级配良好、级配不良两种；土填料级配属性为有大颗粒、级配良好、级配不良；
A级-优质填料，级配良好且细粒含量小于15％的碎石土和砾石土；
B级-良好集料，细粒含量小于15％的级配不良的角砾土、碎石土、圆粒土、卵石土；细粒含量小于15％的级配良好的砾砂、粗砂、中砂；级配均匀且细粒含量小于15％的角砾土、碎石土、圆粒土、卵石土、砾砂、粗砂、中砂；细粒含量在15％-30％的角砾土、碎石土、圆粒土、卵石土、砾砂、粗砂、中砂；
C级-一般填料，包括易风化的软块石；细粒土含量在30％以上的漂石土、卵石土、碎石土、圆砾土、角砾土和粉砂、粉土、黏粉土；
D级-不易使用的差质填料，包括强风化及全风化的软块石、黏粉土和黏土；
E级-严禁使用的劣质填料，包括有机土。
使用GPS定位模块和相机实现全时段全过程全材料的信息采集，对全路段全过程全材料的图像类别进行详细标注分类，使用卷积神经网络模型对公路、铁路以及土石坝施工过程中采集的填料图像判断填料级配是否达标，进行实时检测，卷积神经网络模型与智能压实系统配合，在智能压实系统中设置有显示屏，用于显示卷积神经网络模型的输出结果；
对于判断存在大颗粒物的填料，控制智能压实系统停止压实并按照GPS定位信息及时清除填料中的大颗粒物，避免压实过程中产生跳振现象，影响压实质量；
对于级配不良的土、级配不良的土石坝填料和铁路C级填料，控制智能压实系统停止压实，对填料进行级配调整操作使其满足级配要求后重新压实；
针对铁路D、E填料，控制智能压实系统停止压实，更换填料；
对于级配良好的土、沥青填料、铁路填料A级、铁路填料B级和级配良好的土石坝填料通过智能压实系统按照级配信息相应的选择压路机的种类、压实方式，调整压实参数；所述压实参数包括压实速度、振动频率和振幅，所述压实方式包括静力碾压、夯实式压实、振动式压实。
该控制方法中在压路机的前杠安装高清相机、相机稳定器和GPS定位模块，根据压路机碾压速度调整相机自动拍照间隔，相机与卷积神经网络模型的输入连接，卷积神经网络模型的输出与智能压实系统通信，同时GPS定位模块和相机与云平台通信，能将带有位置信息的填料图像上传到云平台，并作为原始图像进行保存；
云平台与智能压实系统的显示屏通信，显示屏中能够显示原始图像信息，从原始图像中材料状态确定同一GPS位置路段不同施工阶段的填料级配情况，公路的施工阶段包括土路基、水稳层还是沥青面层，用于后期精准养护。
该控制方法，在进行施工时，先设压路机的碾压速度，再设定相机的拍摄范围，初始施工时，相机先拍照采集，确定所拍照的路面范围的填料级配，压路机确定当前填料级配后开始前进，重复此过程相机采集填料图像并经卷积神经网络模型处理后，输出结果指导压路机进行压实作业。
与现有技术相比，本发明的有益效果是：
本发明首次在压路机前杠安装由高清相机相机和相机稳定器组成的图像采集模块和GPS定位模块，使用机器学习的手段对采集到的图像进行识别分类，该方法不需要对采集的图像进行预处理，可直接使用。
本发明利用大数据采样，对各种情况填料级配进行分类，应用场景多样，可以对公路、铁路以及土石坝施工过程进行全工作时段、全压实阶段、全材料类别进行填料级配分析，且对全粒径填料适用。
本发明可以与智能压实系统配合，使用级配分析结果指导压实决策，结合GPS定位模块对存在大颗粒物和级配不良的填料实时处理，避免跳振现象发生，提升材料属性和压实质量，减少因施工质量而可能发生的工程病害和安全隐患。同时原始数据和分析结果会保存至云平台，可根据原始图像数据保存的施工场景信息判断施工进程不同所属阶段的填料级配信息，为后期工程养护决策提供施工期数据，以便有针对性制定养护方案，使养护更加科学和精准，也可以为探寻工程各种病害的产生原因提供材料属性的信息支持。
附图说明
图1为本发明控制方法的流程图。
图2为本发明级配分类示意图。
图3为本发明中卷积神经网络的结构示意图。
图4为本发明中相关采集设备的安装位置示意图。
图中，相机1、相机稳定器2、GPS定位模块3、压路机前杠4、压路机钢轮5。
具体实施方式
下面结合实施例及附图，详细叙述本发明。具体实施例仅是对发明的进一步详细地说明及解释，并不以此限定本发明的保护范围。
本发明一种基于数字图像的填料级配智能检测压实控制方法，包括以下内容：
一、硬件：在压路机前杠安装高清相机1、相机稳定器2和GPS定位模块3。将高清相机以一定的角度安装在压路机前杠4，压路机前杠4安装在压力机钢轮5上，根据压路机碾压速度调整相机自动拍照间隔，保证采集图片数量足够用于训练而不至于冗余，高清相机要求白天和夜间皆可拍摄高清图像。
二、构建数据库：
(1)使用高清相机采集公路、铁路以及土石坝的填料图像，包括施工各时段、各个过程和各种填料，数据尽量多样、丰富。
(2)采集图像时现场用传统方法做填料级配分析，将所采集的填料图像进行分类。分类标准如下：首先判断时间，将时间分为白天和夜晚两类。其次判断应用场景，将其分为公路、铁路和土石坝三类。
针对公路：填料为土时，人为先判断有无明显大颗粒，若有大颗粒，该填料图像标记为公路、土、有大颗粒；
若无明显大颗粒则Cc＝1-3且Cu≥5时，该填料图像标记为公路、土、级配良好；
若无明显大颗粒且Cc不等于1-3和/或者且Cu<5时的其他情况，该填料图像标记为公路、土、级配不良。
Figure BDA0003026851740000041
Figure BDA0003026851740000042
其中Cu为不均匀系数、Cc为曲率系数，d60、d30、d10代表小于某粒径的土粒重量累计百分数为60％、30％、10％时相应的粒径，该值由填料级配分析确定。
填料为沥青混合料时按照沥青混合料的级配分为密级配、断级配、开级配、半开级配四种，填料图像分别标记为公路、沥青、密级配，公路、沥青、断级配，公路、沥青、开级配，公路、沥青、半开级配。
针对铁路：级配可分为A、B、C、D、E五级。
A级-优质填料，级配良好且细粒含量小于15％的碎石土和砾石土。
B级-良好集料，细粒含量小于15％的级配不良的角砾土、碎石土、圆粒土、卵石土；细粒含量小于15％的级配良好的砾砂、粗砂、中砂；级配均匀且细粒含量小于15％的角砾土、碎石土、圆粒土、卵石土、砾砂、粗砂、中砂；细粒含量在15％-30％的角砾土、碎石土、圆粒土、卵石土、砾砂、粗砂、中砂。
C级-一般填料，包括易风化的软块石(胶结物为泥质)；细粒土含量在30％以上的漂石土、卵石土、碎石土、圆砾土、角砾土和粉砂、粉土、黏粉土。
D级-不易使用的差质填料，包括强风化及全风化的软块石、黏粉土和黏土。
E级-严禁使用的劣质填料，包括有机土。
因此铁路填料的填料图像分别标记为铁路、碎石、A级；铁路、碎石、B级；铁路、碎石、C级；铁路、碎石、D级；铁路、碎石、E级；铁路、碎石、F级。
针对土石坝：粒径大于5mm的颗粒含量小于或等于50％且最大粒径不大于150mm且0.75mm以下的颗粒含量不小于15％的填料为级配良好。其他范围为级配不良。
土石坝填料图像分别标记为土石坝、级配良好；土石坝、级配不良。
将以上类别图像加标签并分类保存，每类图像存入文件夹。
三、搭建卷积神经网络
利用卷积神经网络直接使用采集的填料图像，不需要对填料图像进行前期的预处理。卷积神经网络由一个输入层、一个输出层、四个卷积层、四个池化层和三个全连接层组成。输入层输入的图像为RGB图像，卷积层是用于通过卷积运算执行特征图的特征提取，其中第一卷积层和第二卷积层的卷积核的大小为5*5，第三卷积层和第四卷积层的卷积核大小为3*3，所有卷积层的步长为1，所有池化层的步长为2。激活函数为Relu函数。池化层采用最大池化法，用来对图片进行压缩降维，减少参数，防止过拟合。全连接层是对特征图处理，方便输出层输出，使用dropout函数防止或减轻过拟合问题。其中dropout函数的舍弃比例为0.5。输出层使用Softmax函数进行输出。
四、神经网络训练
将每一类图像分为按照二八原则分为训练集和验证集，训练时所有类别的图像均需输入到网络中进行训练，计算得到的损失为模型总损失，按照0.01的学习率进行学习。利用交叉熵损失函数定义损失来评价模型好坏，数学表达为：
Figure BDA0003026851740000051
其中，L为损失，N为样本数量，i表示某一个样本，M类别的数量，c为某一类别，yic是指示变量(0或1)，如果该类别和样本i的类别相同就是1，否则是0。Pic是对于样本i属于类别c的预测概率。Li为某一个样本的损失。
当网络训练次数达到设定次数或模型损失达到预定数值，模型训练完成。
五、模型应用
通过安装在压路机前侧的相机采集施工过程中的公路、铁路以及土石坝的填料图像数据，同时使用GPS定位模块对每一张采集到的图像进行定位，将带有位置信息的图像上传到云平台作为工程施工期原始数据进行保存，可以通过原始图像记录的施工现场场景图像直接从图像中材料种类和GPS的高程信息判断，确定同一GPS位置路段不同施工阶段的填料级配情况，公路的施工阶段包括土路基、水稳层还是沥青面层，可由云平台为每个GPS位置路段对应上相应的多个施工阶段，结合GPS定位模块的定位，云平台存储的图像和位置信息是为工程后期科学精准养护提供信息支持，便于采取有针对性的养护决策。
将采集到的图像输入到训练好的卷积神经网络模型中，输出每一张图像的采集时间(黑或白)、工作场景(工作场景是指区分公路、铁路还是土石坝)、填料材料类别(土、碎石、沥青、土石坝填料)、级配属性(沥青混合料级配属性为密级配、断级配、开级配、半开级配；碎石级配属性为A、B、C、D、E五级；土石坝填料(土石坝填料为土、砂、碎石混合物)级配属性为级配良好、级配不良两种；填料为土时级配属性为有大颗粒、级配良好、级配不良)等信息。将输出结果一并上传到云平台，与原始图像合并保存。
六、压实决策
训练好的卷积神经网络模型与智能压实系统配合，在进行压实时由高清相机实时采集填料图像，经过卷积神经网络模型输出实时采集填料图像的分类结果，确定当前施工场景(也称工作场景)下的填料材料类别及级配属性，制定不同的压实决策。
对于判断存在大颗粒物的填料，控制智能压实系统停止压实并按照GPS定位信息及时清除填料中的大颗粒物，避免压实过程中产生跳振现象，影响压实质量。
对于级配不良的土、级配不良的土石坝填料和铁路C级填料，控制智能压实系统停止压实，对填料进行掺入其他填料的操作使其满足级配要求后重新压实。
针对铁路D、E填料，控制智能压实系统停止压实，更换填料。
对于级配良好的土、沥青混合料、铁路填料A、B级和级配良好的土石坝填料通过智能压实系统按照级配信息相应的选择压路机的种类、压实方式(静力碾压、夯实式压实、振动式压实)、调整压实速度、振动频率和振幅等压实参数。
将施工过程中实时采集的填料图像上传至云平台，并按照位置信息进行存储，方便对后期养护维修的施工支持，当时施工时的质量有什么问题时，可以及时查阅在什么里程、路段的级配信息；同时实时采集的填料图像能给到智能压实系统，对于满足级配要求的填料能实时调整压实参数，实现实时反馈。
智能压实系统具有显示屏，能够实时显示当前施工时高清相机所拍摄到的路段中填料级配结果，供操作者参考。
本申请数据库建立中对图像类别进行了详细的分类，并给出分类标准，而非给出级配曲线，解决了现有技术中以给出级配曲线的方法确定填料级配而带来只适用于大颗粒情况的应用场景的局限性。最后是根据判断得到的级配信息指导压实，并给出如何指导决策，级配信息是影响压实质量的重要材料参数。
本申请在建立数据库时要对采集并测定公路、铁路以及土石坝各个施工阶段的包括不同的材料的填料级配，通过指标进行级配判断，因此需要测定较多的填料级配以便覆盖全部情况。需要大量数据校正，建立数据库。本申请中采集的填料图像要经过对应的现场实验确定相应的级配，再利用卷积神经网络进行填料级配分类指导压实，本申请带有定位模块，可配合图像进行后期质量追溯。
本申请中的小粒径是指难以通过一般图像处理手段进行颗粒几何参数特征提取、像素点的几何尺寸标定的小颗粒物质。
本发明未述及之处适用于现有技术。

Claims (5)

1.一种基于数字图像的填料级配智能检测压实控制方法，其特征在于，该控制方法包括以下内容：
获取包括施工各时段、施工各个过程、各种填料、各种施工场景、各种施工场地的填料图像；
对于获得的每种填料图像在现场做对应的填料级配分析，将所有填料图像进行分类，每类填料图像上均加入分类标签，形成数据库；
构建卷积神经网络，并利用数据库中的数据对卷积神经网络进行训练，获得训练好的卷积神经模型；
将待分类的填料图像，输入到卷积神经网络模型中，输出对应填料图像的采集时间、施工场景、填料材料类别、级配属性；
根据卷积神经网络模型的输出分类结果，指导压实过程。
2.根据权利要求1所述的控制方法，其特征在于，填料图像进行分类的标准是，每个填料图像均需要标注采集时间、施工场景、填料材料类别、级配属性，所述采集时间分为白天或夜晚，施工场景分为公路、铁路、土石坝，填料材料类别分为土、碎石、沥青、土石坝填料，级配属性：沥青填料级配属性为密级配、断级配、开级配、半开级配；铁路碎石填料级配属性为A、B、C、D、E五级；土石坝填料级配属性为级配良好、级配不良两种；土填料级配属性为有大颗粒、级配良好、级配不良；
A级-优质填料，级配良好且细粒含量小于15％的碎石土和砾石土；
B级-良好集料，细粒含量小于15％的级配不良的角砾土、碎石土、圆粒土、卵石土；细粒含量小于15％的级配良好的砾砂、粗砂、中砂；级配均匀且细粒含量小于15％的角砾土、碎石土、圆粒土、卵石土、砾砂、粗砂、中砂；细粒含量在15％-30％的角砾土、碎石土、圆粒土、卵石土、砾砂、粗砂、中砂；
C级-一般填料，包括易风化的软块石；细粒土含量在30％以上的漂石土、卵石土、碎石土、圆砾土、角砾土和粉砂、粉土、黏粉土；
D级-不易使用的差质填料，包括强风化及全风化的软块石、黏粉土和黏土；
E级-严禁使用的劣质填料，包括有机土。
3.根据权利要求2所述的控制方法，其特征在于，使用GPS定位模块和相机实现全时段全过程全材料的信息采集，对全路段全过程全材料的图像类别进行详细标注分类，使用卷积神经网络模型对公路、铁路以及土石坝施工过程中采集的填料图像判断填料级配是否达标，进行实时检测，卷积神经网络模型与智能压实系统配合，在智能压实系统中设置有显示屏，用于显示卷积神经网络模型的输出结果；
对于判断存在大颗粒物的填料，控制智能压实系统停止压实并按照GPS定位信息及时清除填料中的大颗粒物，避免压实过程中产生跳振现象，影响压实质量；
对于级配不良的土、级配不良的土石坝填料和铁路C级填料，控制智能压实系统停止压实，对填料进行级配调整操作使其满足级配要求后重新压实；
针对铁路D、E填料，控制智能压实系统停止压实，更换填料；
对于级配良好的土、沥青填料、铁路填料A级、铁路填料B级和级配良好的土石坝填料通过智能压实系统按照级配信息相应的选择压路机的种类、压实方式，调整压实参数；所述压实参数包括压实速度、振动频率和振幅，所述压实方式包括静力碾压、夯实式压实、振动式压实。
4.根据权利要求1所述的控制方法，其特征在于，该控制方法中在压路机的前杠安装高清相机、相机稳定器和GPS定位模块，根据压路机碾压速度调整相机自动拍照间隔，相机与卷积神经网络模型的输入连接，卷积神经网络模型的输出与智能压实系统通信，同时GPS定位模块和相机与云平台通信，能将带有位置信息的填料图像上传到云平台，并作为原始图像进行保存；
云平台与智能压实系统的显示屏通信，显示屏中能够显示原始图像信息，从原始图像中材料状态确定同一GPS位置路段不同施工阶段的填料级配情况，公路的施工阶段包括土路基、水稳层还是沥青面层，用于后期精准养护。
5.根据权利要求4所述的控制方法，其特征在于，该控制方法，在进行施工时，先设压路机的碾压速度，再设定相机的拍摄范围，初始施工时，相机先拍照采集，确定所拍照的路面范围的填料级配，压路机确定当前填料级配后开始前进，重复此过程相机采集填料图像并经卷积神经网络模型处理后，输出结果指导压路机进行压实作业。
CN202110418450.2A 2021-04-19 2021-04-19 一种基于数字图像的填料级配智能检测压实控制方法 Active CN113129283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110418450.2A CN113129283B (zh) 2021-04-19 2021-04-19 一种基于数字图像的填料级配智能检测压实控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110418450.2A CN113129283B (zh) 2021-04-19 2021-04-19 一种基于数字图像的填料级配智能检测压实控制方法

Publications (2)

Publication Number Publication Date
CN113129283A true CN113129283A (zh) 2021-07-16
CN113129283B CN113129283B (zh) 2022-11-29

Family

ID=76777666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110418450.2A Active CN113129283B (zh) 2021-04-19 2021-04-19 一种基于数字图像的填料级配智能检测压实控制方法

Country Status (1)

Country Link
CN (1) CN113129283B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114908726A (zh) * 2022-05-16 2022-08-16 广西邕洲高速公路有限公司 高速公路宽幅路基施工质量实时全域智能检测方法及系统
CN117368199A (zh) * 2023-12-04 2024-01-09 清华大学 一种实时检测填筑工程压实状态的装置及检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109302487A (zh) * 2018-10-30 2019-02-01 广西交投科技有限公司 基于云平台的公路工程质量管理信息化系统
CN109881566A (zh) * 2019-03-19 2019-06-14 中国铁道科学研究院集团有限公司铁道建筑研究所 振动压路机智能调频调幅碾压方法
CN110387784A (zh) * 2019-07-25 2019-10-29 中交一公局第六工程有限公司 一种智能化沥青路面施工方法
CN111024922A (zh) * 2019-09-25 2020-04-17 中国铁道科学研究院集团有限公司铁道建筑研究所 高速铁路路基压实质量连续检测系统和方法
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
CN111593625A (zh) * 2020-05-07 2020-08-28 中国铁道科学研究院集团有限公司铁道建筑研究所 一种基于路基填筑智能指挥系统的作业方法及其系统
CN111652270A (zh) * 2020-04-23 2020-09-11 中南大学 基于图像匹配的粗粒土填料级配自动识别方法及应用系统
CN112252292A (zh) * 2020-10-15 2021-01-22 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109302487A (zh) * 2018-10-30 2019-02-01 广西交投科技有限公司 基于云平台的公路工程质量管理信息化系统
CN109881566A (zh) * 2019-03-19 2019-06-14 中国铁道科学研究院集团有限公司铁道建筑研究所 振动压路机智能调频调幅碾压方法
CN110387784A (zh) * 2019-07-25 2019-10-29 中交一公局第六工程有限公司 一种智能化沥青路面施工方法
CN111024922A (zh) * 2019-09-25 2020-04-17 中国铁道科学研究院集团有限公司铁道建筑研究所 高速铁路路基压实质量连续检测系统和方法
CN111652270A (zh) * 2020-04-23 2020-09-11 中南大学 基于图像匹配的粗粒土填料级配自动识别方法及应用系统
CN111593625A (zh) * 2020-05-07 2020-08-28 中国铁道科学研究院集团有限公司铁道建筑研究所 一种基于路基填筑智能指挥系统的作业方法及其系统
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
CN112252292A (zh) * 2020-10-15 2021-01-22 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
冯永乾等: "填筑工程连续压实控制技术研究进展", 《铁道标准设计》 *
刘东海等: "公路水稳层振动压实质量实时监控与评估研究", 《重庆交通大学学报(自然科学版)》 *
安再展等: "利用CMV评估堆石料压实质量的神经网络模型", 《水力发电学报》 *
王永: "铁路路基智能压实控制技术研究", 《中国优秀博硕士学位论文全文数据库》 *
田奇龙等: "典型填料压实工艺参数优化研究", 《湖南交通科技》 *
金坤学: "高速铁路路基施工质量检测与控制", 《科技风》 *
陈宝璠等: "《土木工程材料 第2版》", 31 July 2012 *
马学宁等: "《路基工程》", 31 January 2012 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114908726A (zh) * 2022-05-16 2022-08-16 广西邕洲高速公路有限公司 高速公路宽幅路基施工质量实时全域智能检测方法及系统
CN117368199A (zh) * 2023-12-04 2024-01-09 清华大学 一种实时检测填筑工程压实状态的装置及检测方法
CN117368199B (zh) * 2023-12-04 2024-03-19 清华大学 一种实时检测填筑工程压实状态的装置及检测方法

Also Published As

Publication number Publication date
CN113129283B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN113129283B (zh) 一种基于数字图像的填料级配智能检测压实控制方法
CN110458119B (zh) 一种非接触式测量的混凝土骨料级配快速识别方法
CN110118775B (zh) 厂拌水泥稳定碎石骨料组成快速检测方法
CN111523616B (zh) 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
CN108287125A (zh) 一种基于图像处理的砂砾石材料级配快速分析系统及方法
CN105714637B (zh) 一种基于矿料间隙率的矿料级配优化方法
CN107368624A (zh) 集料颗粒模型生成算法及非均质混合料试件模型生成方法
CN108375529A (zh) 土石料级配自动检测方法及检测系统
CN206300775U (zh) 一种模拟渗流‑振动作用下的动水携砂实验装置
CN103091141A (zh) 圆砾地层离心机试验土层模型制作方法
CN204855311U (zh) 土石方料的颗粒级配检测系统
CN117574493A (zh) 一种多年冻土地区高速公路冻土范围形变识别方法及系统
Sevi Physical modeling of railroad ballast using the parallel gradation scaling technique within the cyclical triaxial framework
Qiu et al. Characterization of particle size segregation and heterogeneity along the slopes of a waste rock pile using image analysis
Alnedawi et al. Investigation of non-standard unbound granular materials under cyclic loads: experimental and regression analyses
Suresh et al. Evaluation of engineering properties of flexible Pavements using plaxis software
CN111218861A (zh) 控制高速铁路路基压实质量的施工方法
Paige-Green Improved material specifications for unsealed roads
CN113487643B (zh) 一种胶结砂砾石料场采样确定方法
Hryciw et al. Three-Point Imaging Test for AASHTO Soil Classification
CN109977357B (zh) 一种土石混合体填料路基压实质量和强度的控制方法
Garzon-Sabogal et al. Grain portraits: Quantifying heterogeneity of aggregate layers through image analysis
Mampearachchi et al. Aggregate interlocking of open-graded friction courses with compaction effort
Bagherian et al. Pavement performance prediction model development for Tehran
CN117576563A (zh) 基于图像处理的填石路基压实度智能检测方法及系统

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