CN113160125A - 一种基于三维纹理特征的沥青路面混合料级配预估方法 - Google Patents
一种基于三维纹理特征的沥青路面混合料级配预估方法 Download PDFInfo
- Publication number
- CN113160125A CN113160125A CN202110211816.9A CN202110211816A CN113160125A CN 113160125 A CN113160125 A CN 113160125A CN 202110211816 A CN202110211816 A CN 202110211816A CN 113160125 A CN113160125 A CN 113160125A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- estimated
- gradation
- road surface
- level
- 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
- 239000000203 mixture Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000010426 asphalt Substances 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 238000013519 translation Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 101100351804 Schizosaccharomyces pombe (strain 972 / ATCC 24843) pfl8 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer 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
-
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种基于三维纹理特征的沥青路面混合料级配预估方法，包括以下步骤：测量、获取并处理待预估路面的三维纹理数据，获取待预估路面的相对能量和二维熵；建立训练集，所述的训练集内包括设计级配混合料的级配曲线、相对能量和二维熵，根据训练集构建并训练级配曲线预估模型；将待预估路面的相对能量和二维熵输入级配曲线预估模型，获取待预估路面的预估级配曲线。与现有技术相比，本发明可以快速无损地获取沥青路面表面的级配构成，结果波动性小，不易受环境、人为操作等其他因素干扰。
Description
技术领域
本发明涉及沥青路面混合料级配预估领域，尤其是涉及一种基于三维纹理特 征的沥青路面混合料级配预估方法。
背景技术
沥青混合料的级配控制是影响路用性能的主要因素，不良的级配控制会导致路面面层早期损坏(路表水损坏、剥落、松散等)。目前，集料级配的设计较为成熟， 然而在实际施工过程中，由于存在诸多不确定因素，成型路面的级配组成往往和设 计级配有所区别。因此，对新建路面的沥青混合料级配快速预估在道路施工质量监 测环节中意义重大，通过保证实际施工和设计级配之间的尽量接近，来提高沥青路 面的使用寿命。
传统的级配检测方法主要有三种，沥青抽取法、CT扫描法和图像法。其中沥 青抽取法和CT扫描法都是有损检测，耗时费力且破坏原有的路面结构，而图像法 丢失过多三维特征信息，从而使得预测结果准确度不高。因此上述方法均不能应用 于现场施工质量监测中。根据中国专利CN201010558537.1公开了一种沥青混凝土 路面集料级配的快速检测方法，基于图像法获取并对沥青混合料的图像进行处理， 对沥青混合料的级配进行预测，该发明能够无需大型专业设备即可对沥青路面的集 料级配进行检测，且检测过程方便、简洁，但是丢失过多三维特征信息，从而使得 预测结果准确度不高。
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三维纹 理特征的沥青路面混合料级配预估方法。
本发明的目的可以通过以下技术方案来实现：
一种基于三维纹理特征的沥青路面混合料级配预估方法，包括以下步骤：
测量、获取并处理待预估路面的三维纹理数据，获取待预估路面的相对能量和 二维熵；
建立训练集，所述的训练集内包括设计级配混合料的级配曲线、相对能量和二 维熵，根据训练集构建并训练级配曲线预估模型；
将待预估路面的相对能量和二维熵输入级配曲线预估模型，获取待预估路面的预估级配曲线。
优选地，所述的方法具体包括以下步骤；
S1：测量并获取待预估路面的三维纹理数据，并获取待预估路面的带有x、y、 z坐标信息的点云数据，并对点云数据进行预处理；
S2：对点云数据进行二维小波分解，提取每个二维层级的特征参数，获取点 云数据的相对能量和二维熵；
S3：建立训练集，所述的训练集内包括设计级配混合料的级配曲线、相对能 量和二维熵，以训练集中设计级配混合料的级配曲线为输出、设计级配混合料的相 对能量和二维熵为输入，构建并训练级配曲线预估模型；
S4：将待预估路面的相对能量和二维熵输入级配曲线预估模型，获取待预估 路面的预估级配曲线。
优选地，所述的步骤S2的具体步骤包括：
S21：对点云数据x方向的轮廓线逐条进行小波分解，分解层数为i，在x方 向分解的基础上对y方向的轮廓线逐条进行小波分解，分解层数为i，获得共i×i 的分解信号；
S22：对分解信号进行重组以得到二维小波的二维层级，每个二维层级都是不 超过其层级尺度的所有包含该层级信号之和；
S23：对每个二维层级提取特征参数，获取每个二维层级的相对能量和二维熵。
优选地，所述的相对能量RE的提取公式为：
其中，E为二维小波分解等级的能量，x、y分别为点云数据中每个点的x轴和 y轴坐标，Zxy为点(x,y)对应的高度坐标，i为分解等级。
优选地，所述的二维熵2D-Entropy的提取公式为：
其中，a表示像素灰度值，b表示邻域的平均像素灰度值，f(a,b)表示二进制数 (a,b)出现的频率，Pab为出现(a,b)的概率，可以反映像素位置的灰度值和周围像素 的灰度分布的综合特征。
优选地，所述的S1对点云数据进行预处理的步骤包括：将点云数据网格化， 并填充缺失的数据，去除点云数据中突变的异常值。
优选地，所述的步骤S21中对点云数据的x方向和y方向分别进行小波分解公 式为：
其中，Y(x)、Y(y)分别为x方向和y方向的轮廓线，
为经过展 缩和平移构成的尺度函数族，ψj0,k(x)、ψj0,k(y)为经过展缩和平移构成的小波函数 族，cj0,k为尺度函数展开系数，dj0,k为小波函数展开系数，j、k是对小波函数和尺 度函数的展缩和平移变换，j0为变换前的初始状态。
优选地，所述的步骤S22中的二维层级Li的计算公式为：
其中，ix为x方向的分解等级，iy为y方向的分解等级，Six,i和Si,iy为分解后(ix,i)和(i,iy)等级的纹理。
优选地，所述的级配曲线预估模型为多元回归预测模型。
优选地，所述的待预估路面的三维纹理数据利用三维激光扫描设备对待预估路面进行扫描获取。
与现有技术相比，本发明具有如下优点：
(1)本发明基于激光三维扫描装备实现快速的路面纹理扫描，可以快速无损 地获取沥青路面表面的级配构成，结果波动性小，不易受环境、人为操作等其他因 素干扰；
(2)本发明克服了抽检式检测方法低效、对路面造成损坏等缺点，通过面域 的三维扫描和快速的数据处理方法，可以应用于沥青路面施工现场的大面积质量监 测；
(3)本发明采用二维小波分解对路面纹理特征进行多尺度分离，有效地模拟 了不同孔径的筛孔过滤集料的过程，提升了沥青路面级配的预估准确率。
附图说明
图1为本发明的流程图；
图2为本发明的装置结构图；
图3为本发明的级配曲线预测结果图。
其中，1、滑轨支架，2、激光器，3、三维相机，4、计算机，5、滑轨小车， 6、编码器。
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。注意，以下的实施方式的 说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明 并不限定于以下的实施方式。
实施例
一种基于三维纹理特征的沥青路面混合料级配预估方法，包括以下步骤：
测量、获取并处理待预估路面的三维纹理数据，获取待预估路面的相对能量和 二维熵；
建立训练集，所述的训练集内包括设计级配混合料的级配曲线、相对能量和二 维熵，根据训练集构建并训练级配曲线预估模型；
将待预估路面的相对能量和二维熵输入级配曲线预估模型，获取待预估路面的预估级配曲线。
本实施例中，如图1所示，本发明的方法具体包括以下步骤：
S1：测量并获取待预估路面的三维纹理数据，并获取待预估路面的带有x、y、 z坐标信息的点云数据，并对点云数据进行预处理。
本实施例中，利用三维激光扫描设备对待预估路面进行扫描，获取路面三维纹 理数据，对路面三维纹理数据进行统一尺寸的切割，长和宽均不小于50mm，导出 带有x、y、z坐标信息的点云数据。所述的三维激光扫描设备可以是基于激光三角 测距原理的移动式或固定式设备。以移动式为例，设备架设有两种方式：如图2 所示，将三维相机3与激光器2共同放置于带有滑轨支架1的滑轨小车5上，小车 车轮带动编码器6，以一定的扫描间隔对沥青路面进行扫描，滑轨小车5上还设有 计算机4；另一种方式是如将相机与激光固定，用传送带或可移动小车带动沥青板 移动。
对点云数据进行预处理时，将点云数据网格化，并填充缺失的数据，去除点云 数据中突变的异常值。本时实施例中，将点云数据网格化，间隔的区间选取范围为 0.05mm～2mm，并填充缺失的数据；对点云数据中的异常突变点，即该点在各方向 上的变化率之和大于预设阈值的点，进行二维滤波处理去除突变的异常值，滤波可 以选取中值滤波、均值滤波等，预设阈值选取可为三倍到五倍方差。
S2：对点云数据进行二维小波分解，提取每个二维层级的特征参数，获取点 云数据的相对能量和二维熵。
步骤S2的具体步骤包括：
S21：对点云数据x方向的轮廓线逐条进行小波分解，分解层数为i，在x方 向分解的基础上对y方向的轮廓线逐条进行小波分解，分解层数为i，获得共i×i 的分解信号；
S22：对分解信号进行重组以得到二维小波的二维层级，每个二维层级都是不 超过其层级尺度的所有包含该层级信号之和；
S23：对每个二维层级提取特征参数，获取每个二维层级的相对能量和二维熵。
进一步地，步骤S2中对点云数据进行二维小波分析时将三维纹理中的低频部 分与高频部分进行尺度分解。
S21中对点云数据的x方向和y方向分别进行小波分解公式为：
其中，Y(x)、Y(y)分别为x方向和y方向的轮廓线，
为经过展 缩和平移构成的尺度函数族，ψj0,k(x)、ψj0,k(y)为经过展缩和平移构成的小波函数 族，cj0,k为尺度函数展开系数，dj0,k为小波函数展开系数，j、k是对小波函数和尺 度函数的展缩和平移变换，j0为变换前的初始状态。
步骤S22中的二维层级Li的计算公式为：
其中，ix为x方向的分解等级，iy为y方向的分解等级，
和
为分解后(ix,i) 和(i,iy)等级的纹理。
步骤S23中，相对能量RE的提取公式为：
其中，E为二维小波分解等级的能量，x、y分别为点云数据中每个点的x轴和 y轴坐标，Zxy为点(x,y)对应的高度坐标，i为x方向的分解等级，
二维熵2D-Entropy的提取公式为：
其中，a表示像素灰度值，b表示邻域的平均像素灰度值，f(a,b)表示二进制数 (a,b)出现的频率，Pab为出现(a,b)的概率，可以反映像素位置的灰度值和周围像素 的灰度分布的综合特征。
S3：建立训练集，所述的训练集内包括设计级配混合料的级配曲线、相对能 量和二维熵，以训练集中设计级配混合料的级配曲线为输出、设计级配混合料的相 对能量和二维熵为输入，构建并训练级配曲线预估模型。
训练集的获取方式为：在实验室按标准流程制备多种设计级配混合料的路面样本作为标准样例构建训练集，与步骤S1～S2对待评估路面的相对能量和二维熵的 获取方式相同，获取路面样本的相对能量和二维熵。
步骤S3的训练集中的混合料设计级配为待预估路面的混合料设计级配。
S4：将待预估路面的相对能量和二维熵输入级配曲线预估模型，获取待预估 路面的预估级配曲线。
本发明具体实施时，采用SICK ranger3相机基于如图2所示的摄像头架设方 案，将三维相机3与激光器2固定。本实施例在实验室条件下制备了了八种标准设 计级配的沥青路面试件(AC5、AC13、AC16、SMA5、SMA13、SMA16、OGFC13、 OGFC20)，在每种设计级配的试件获取的三维纹理数据中选用100个样本，构成 作为训练集，样本的尺寸为51.2mm×51.2mm，采用0.1mm的扫描间隔，按x，y 方向以0.1mm为间隔生成网格并插值，并用二维中值滤波去除异常点，再用二维 小波分析，选取“sym4”小波基，分解层数为9层，对每个样本的多尺度分解结果 提取三维特征参数，相对能量RE和二维熵2D-Entropy，共2×9＝18个参数。以18 个参数为输入，对共800组训练样本，其中训练集720组，测试集80组，采用BP 神经网络(层数10，神经元个数1000)构建多元回归模型，输入和输出都为每种 混合料的级配拟合程度R2达到0.946。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其 它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变 更。
Claims (10)
1.一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，包括以下步骤：
测量、获取并处理待预估路面的三维纹理数据，获取待预估路面的相对能量和二维熵；
建立训练集，所述的训练集内包括设计级配混合料的级配曲线、相对能量和二维熵，根据训练集构建并训练级配曲线预估模型；
将待预估路面的相对能量和二维熵输入级配曲线预估模型，获取待预估路面的预估级配曲线。
2.根据权利要求1所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的方法具体包括以下步骤；
S1：测量并获取待预估路面的三维纹理数据，并获取待预估路面的带有x、y、z坐标信息的点云数据，并对点云数据进行预处理；
S2：对点云数据进行二维小波分解，提取每个二维层级的特征参数，获取点云数据的相对能量和二维熵；
S3：建立训练集，所述的训练集内包括设计级配混合料的级配曲线、相对能量和二维熵，以训练集中设计级配混合料的级配曲线为输出、设计级配混合料的相对能量和二维熵为输入，构建并训练级配曲线预估模型；
S4：将待预估路面的相对能量和二维熵输入级配曲线预估模型，获取待预估路面的预估级配曲线。
3.根据权利要求2所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的步骤S2的具体步骤包括：
S21：对点云数据x方向的轮廓线逐条进行小波分解，分解层数为i，在x方向分解的基础上对y方向的轮廓线逐条进行小波分解，分解层数为i，获得共i×i的分解信号；
S22：对分解信号进行重组以得到二维小波的二维层级，每个二维层级都是不超过其层级尺度的所有包含该层级信号之和；
S23：对每个二维层级提取特征参数，获取每个二维层级的相对能量和二维熵。
4.根据权利要求2所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的相对能量RE的提取公式为：
其中，E为二维小波分解等级的能量，x、y分别为点云数据中每个点的x轴和y轴坐标，Zxy为点(x,y)对应的高度坐标，i为分解等级。
5.根据权利要求2所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的二维熵2D-Entropy的提取公式为：
其中，a表示像素灰度值，b表示邻域的平均像素灰度值，f(a,b)表示二进制数(a,b)出现的频率，Pab为出现(a,b)的概率，可以反映像素位置的灰度值和周围像素的灰度分布的综合特征。
6.根据权利要求2所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的S1对点云数据进行预处理的步骤包括：将点云数据网格化，并填充缺失的数据，去除点云数据中突变的异常值。
7.根据权利要求3所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的步骤S21中对点云数据的x方向和y方向分别进行小波分解公式为：
其中，Y(x)、Y(y)分别为x方向和y方向的轮廓线，
为经过展缩和平移构成的尺度函数族，
为经过展缩和平移构成的小波函数族，
为尺度函数展开系数，
为小波函数展开系数，j、k是对小波函数和尺度函数的展缩和平移变换，j0为变换前的初始状态。
8.根据权利要求3所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的步骤S22中的二维层级Li的计算公式为：
其中，ix为x方向的分解等级，iy为y方向的分解等级，
和
为分解后(ix,i)和(i,iy)等级的纹理。
9.根据权利要求1所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的级配曲线预估模型为多元回归预测模型。
10.根据权利要求1所述的一种基于三维纹理特征的沥青路面混合料级配预估方法，其特征在于，所述的待预估路面的三维纹理数据利用三维激光扫描设备对待预估路面进行扫描获取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110211816.9A CN113160125B (zh) | 2021-02-25 | 2021-02-25 | 一种基于三维纹理特征的沥青路面混合料级配预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110211816.9A CN113160125B (zh) | 2021-02-25 | 2021-02-25 | 一种基于三维纹理特征的沥青路面混合料级配预估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160125A true CN113160125A (zh) | 2021-07-23 |
| CN113160125B CN113160125B (zh) | 2023-11-03 |
Family
ID=76883431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110211816.9A Active CN113160125B (zh) | 2021-02-25 | 2021-02-25 | 一种基于三维纹理特征的沥青路面混合料级配预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160125B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101318794A (zh) * | 2008-07-16 | 2008-12-10 | 兰州交通大学 | 一种基于矿料分形分布特征的沥青混合料配合比设计方法 |
| CN102012356A (zh) * | 2010-11-25 | 2011-04-13 | 东南大学 | 一种沥青混凝土路面集料级配的快速检测方法 |
| CN105040543A (zh) * | 2015-06-12 | 2015-11-11 | 山东大学 | 一种沥青混合料矿料间隙率大小排序预估方法 |
| CN108280310A (zh) * | 2018-02-06 | 2018-07-13 | 嘉兴市嘉海建设有限公司 | 基于级配嵌挤及矿料间隙率的沥青混合料级配设计方法 |
| CN109584286A (zh) * | 2019-01-22 | 2019-04-05 | 东南大学 | 一种基于广义回归神经网络的沥青路面构造深度计算方法 |
| CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
-
2021
- 2021-02-25 CN CN202110211816.9A patent/CN113160125B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101318794A (zh) * | 2008-07-16 | 2008-12-10 | 兰州交通大学 | 一种基于矿料分形分布特征的沥青混合料配合比设计方法 |
| CN102012356A (zh) * | 2010-11-25 | 2011-04-13 | 东南大学 | 一种沥青混凝土路面集料级配的快速检测方法 |
| CN105040543A (zh) * | 2015-06-12 | 2015-11-11 | 山东大学 | 一种沥青混合料矿料间隙率大小排序预估方法 |
| CN108280310A (zh) * | 2018-02-06 | 2018-07-13 | 嘉兴市嘉海建设有限公司 | 基于级配嵌挤及矿料间隙率的沥青混合料级配设计方法 |
| CN109584286A (zh) * | 2019-01-22 | 2019-04-05 | 东南大学 | 一种基于广义回归神经网络的沥青路面构造深度计算方法 |
| CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| YUCHUAN DU 等: "《A novel approach for pavement texture characterisation using 2D-wavelet decomposition》", 《INTERNATIONAL JOURNAL OF PAVEMENT ENGINEERING》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160125B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415167B (zh) | 一种基于数字图像技术的粗糙面裂隙生成方法及试验系统 | |
| Moaveni et al. | Evaluation of aggregate size and shape by means of segmentation techniques and aggregate image processing algorithms | |
| CN109087396B (zh) | 一种基于混凝土ct图像像素特征的细观结构重构方法 | |
| CN108289222B (zh) | 一种基于结构相似度映射字典学习的无参考图像质量评价方法 | |
| JP4174536B2 (ja) | 画像補正装置、画像検査装置、及び画像補正方法 | |
| CN102186069B (zh) | 一种保持量测性能的遥感影像数据压缩方法 | |
| Du et al. | A novel approach for pavement texture characterisation using 2D-wavelet decomposition | |
| CN105931246A (zh) | 一种基于小波变换和遗传算法的织物瑕疵检测方法 | |
| CN109886937B (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
| CN105300844A (zh) | 一种硅橡胶绝缘子憎水性等级判定方法 | |
| CN102148987A (zh) | 基于先验模型和l0范数的压缩感知图像重构方法 | |
| CN115825410B (zh) | 基于路面构造预估轮胎路面作用噪声水平的方法 | |
| CN109389553B (zh) | 基于t样条的气象传真图等值线插值方法 | |
| Yang et al. | Feature extraction of sewer pipe defects using wavelet transform and co-occurrence matrix | |
| CN116700016A (zh) | 一种六价铬污染场地修复设备的管理方法及系统 | |
| CN115937595A (zh) | 一种基于智能数据处理的桥梁表观异常识别方法及系统 | |
| CN115753809A (zh) | 一种绝缘子污损检测方法、装置、设备及存储介质 | |
| CN105891217A (zh) | 基于智能小车的钢轨表面缺陷检测系统及方法 | |
| CN116309483A (zh) | 基于ddpm的半监督变电设备表征缺陷检测方法及系统 | |
| Elbehiery et al. | Visual inspection for fired ceramic tile’s surface defects using wavelet analysis | |
| CN113160125A (zh) | 一种基于三维纹理特征的沥青路面混合料级配预估方法 | |
| Wang et al. | Image analysis of atmospheric corrosion exposure of zinc | |
| CN106375756B (zh) | 一种针对监控视频单一对象移除篡改的检测方法 | |
| Kazaryan et al. | Waste disposal facilities monitoring based on high-resolution information features of space images | |
| CN116563608A (zh) | 一种隧道衬砌典型病害图像的识别方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |