CN113283495A - 一种集料颗粒分档方法及其装置 - Google Patents
一种集料颗粒分档方法及其装置 Download PDFInfo
- Publication number
- CN113283495A CN113283495A CN202110559947.6A CN202110559947A CN113283495A CN 113283495 A CN113283495 A CN 113283495A CN 202110559947 A CN202110559947 A CN 202110559947A CN 113283495 A CN113283495 A CN 113283495A
- Authority
- CN
- China
- Prior art keywords
- aggregate
- grading
- aggregate particle
- data set
- particle
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 251
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000012790 confirmation Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims description 17
- 238000013499 data model Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 241000202863 Pareas Species 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 19
- 238000012512 characterization method Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 8
- 238000013145 classification model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种集料颗粒分档方法及其装置，方法包括：获取集料颗粒2D/3D特征数据集；根据所述集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集；构建基于高斯过程的集料分档模型；将所述若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型；将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果。本发明综合考虑集料颗粒2D/3D特征数据，并采用基于高斯过程的机器学习集料分档算法进行分档预测，从而大幅提高了集料颗粒分档的精度。
Description
技术领域
本发明属于道路工程技术领域，具体涉及一种集料颗粒分档方法及其装置。
背景技术
集料是构成沥青混凝土承重骨架的主要材料，对整个路面起到骨架填充的关键作用，集料颗粒形态特征、集料级配直接决定着沥青路面的使用寿命和使用性能。与集料的形态特征类似，集料粒径分档在计算级配和对路面性能影响中有非常重要的作用。
在目前的集料生产过程中，筛分法是控制集料级配质量的最常见的方法。有效的颗粒粒径分档方法是实现颗粒数字化智能化筛分的前提条件，根据颗粒成像方式的不同，目前颗粒粒径表征方法主要分为两大类：基于二维投影轮廓粒径表征和三维图像粒径表征。目前这些基于二维投影轮廓表征方法的主要原理是通过选定集料颗粒某一几何特征参数作为集料颗粒粒径的方式来实现集料颗粒分档；基于三维图像粒径表征方法的主要原理是通过选定集料颗粒的一些三维特征进而进行建模来实现集料颗粒分档。
但是，由于集料颗粒的粒径范围和几何形状多变，二维投影轮廓表征方法虽然速度快但精度很低，尤其是对于不同形状的集料，难以统一进行分档；三维图像粒径表征方法由于考虑了过多特征，使得模型缺乏统一性，三维模型在分类精度上还低于二维分类模型。因此，在集料实现颗粒数字化智能化筛分过程中还存在很多困难。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种集料颗粒分档方法及其装置。
本发明的一个实施例提供了一种集料颗粒分档方法，包括以下步骤：
获取集料颗粒2D/3D特征数据集；
根据所述集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集；
构建基于高斯过程的集料分档模型；
将所述若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型；
将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果。
在本发明的一个实施例中，获取的集料颗粒2D/3D特征数据集包括集料颗粒2D特征和集料颗粒3D特征，其中，
所述集料颗粒2D特征包括：最佳外接矩形的宽Preclength1和长Preclength2、等效椭圆的长轴Pra和短轴Prb和方向Pphi、最大内接圆直径Pinner_radius、最小外接圆直径Pouter_radius、最大内接矩形的宽Pinner_width和长Pinner_height、投影图像区域最长直径Pmax_diameter和轮廓长度Pconlength和面积Parea和平均距离Pdist_mean和圆形度Pcircularity和紧密度Pcompactness和凹凸度Pconvexity和矩形度Prectangularitys，以及投影图像区域的第一二阶矩Pmoments_m02和第二二阶矩Pmoments_m20和第三二阶矩Pmoments_m11和第一三阶矩Pmoments_m03和第二三阶矩Pmoments_m30和第三三阶矩Pmoments_m12和第四三阶矩Pmoments_m21；
所述集料颗粒3D特征包括：集料颗粒体积Pvolume、三维集料表面积Psurfacearea和外接立方体最短边Pcuboid。
在本发明的一个实施例中，根据所述集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集之前还包括：
对所述集料颗粒2D/3D特征数据集进行归一化处理得到归一化的集料颗粒2D/3D特征数据集；
根据所述归一化的集料颗粒2D/3D特征数据集构建若干特征下的数据集。
在本发明的一个实施例中，根据所述集料颗粒2D/3D特征的数据集构建若干2D/3D特征的子数据集包括：
基于极端随机树模型的特征选择算法对所述集料颗粒2D/3D特征的数据集进行构建得到所述若干2D/3D特征的子数据集。
在本发明的一个实施例中，基于极端随机树模型的特征选择算法对所述集料颗粒2D/3D特征的数据集进行构建得到所述若干2D/3D特征的子数据集包括：
基于极端随机树模型的特征选择算法计算集料颗粒2D/3D特征的数据集的特征重要性分数；
将所述集料颗粒2D/3D特征的数据集按照对应的特征重要性分数进行排序；
将排序后的集料颗粒2D/3D特征的数据集按照预设构建规则进行构建得到所述若干2D/3D特征的子数据集。
在本发明的一个实施例中，排序后的集料颗粒2D/3D特征的数据集包括Y1、……、Yn；
所述预设构建规则为将Y1构建为一子数据集，Y1、Y2构建为一子数据集，依次类推，直至Y1、……、Yn构建为一子数据集。
在本发明的一个实施例中，将所述若干2D/3D特征的子数据集输入至所述基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型包括：
构建评估集料颗粒分档的指标函数；
根据所述评估集料颗粒分档的指标函数计算基于高斯过程的集料分档模型下每个2D/3D特征的子数据集的分类精度得到若干分类精度值；
根据所述若干分类精度值确认基于高斯过程的集料分档模型得到所述最终的基于高斯过程的集料分档模型。
在本发明的一个实施例中，将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果之前包括：
获取待分档集料颗粒2D/3D特征数据集；
根据所述待分档集料颗粒2D/3D特征数据集构建若干待分档集料颗粒2D/3D特征的子数据集；
将所述若干待分档集料颗粒2D/3D特征的子数据集输入至所述最终的基于高斯过程的集料分档模型得到所述分档结果。
在本发明的一个实施例中，根据所述待分档集料颗粒2D/3D特征数据集构建若干待分档集料颗粒2D/3D特征的子数据集之前包括：
对所述待分档集料颗粒2D/3D特征数据集进行归一化处理得到归一化的待分档集料颗粒2D/3D特征数据集；
将所述待分档集料颗粒2D/3D特征数据集输入至所述最终的基于高斯过程的集料分档模型得到所述分档结果。
本发明的另一个实施例提供了一种集料颗粒分档装置，包括：
数据获取模块，用于获取集料颗粒2D/3D特征数据集；
数据构建模块，用于根据所述集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集；
数据模型构建模块，用于构建基于高斯过程的集料分档模型；
数据模型确认模块，用于将所述若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型；
数据测试模块，用于将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果。
与现有技术相比，本发明的有益效果：
本发明提供的集料颗粒分档方法，综合考虑集料颗粒2D/3D特征数据，并采用基于高斯过程的机器学习集料分档算法进行分档预测，从而大幅提高了集料颗粒分档的精度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种集料颗粒分档方法的流程示意图；
图2是本发明实施例提供的一种集料颗粒分档方法中集料颗粒的三维特征提取示意图；
图3是本发明实施例提供的一种集料颗粒分档方法中集料颗粒的二维轮廓特征示意图；
图4是本发明实施例提供的一种集料颗粒分档方法中集料颗粒2D/3D特征选择算法的流程示意图；
图5是本发明实施例提供的一种集料颗粒分档方法中所有集料颗粒2D/3D特征重要性分数比较示意图；
图6是本发明实施例提供的一种集料颗粒分档装置的结构示意图。
附图标记说明：
101-数据获取模块；102-数据构建模块；103-数据模型构建模块；104-数据模型确认模块；105-数据测试模块。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1，图1是本发明实施例提供的一种集料颗粒分档方法的流程示意图。本实施例提出了一种集料颗粒分档方法，该集料颗粒分档方法包括以下步骤：
步骤1、获取集料颗粒2D/3D特征数据集。
具体而言，本实施例安装配置三维设备，并对其标定，进行2D/3D特征提取得到集料颗粒2D/3D特征数据集，具体地：获取的集料颗粒2D/3D特征数据集包括集料颗粒2D特征和集料颗粒3D特征，其中，
集料颗粒3D特征包括：集料颗粒体积Pvolume、三维集料表面积Psurfacearea和外接立方体最短边Pcuboid。请参见图2，图2是本发明实施例提供的一种集料颗粒分档方法中集料颗粒的三维特征提取示意图，具体地：本实施例集料颗粒体积Pvolume用来表示被采集颗粒上表层图像所代表的体积，如图2(a)所示，针对三维颗粒上表层颗粒中的每一个点，体积为其XY平面投影点面积与其高度的乘积的累加和；三维集料表面积Psurfacearea用来表示三角化后的颗粒三维图像的表面积，如图2(b)所示；外接立方体最短边Pcuboid用来表示集料三维图像最佳外接立方体的最短边，先获取三维图像所投影的二维图像的最佳外接矩形获取长和宽，高度值为上表层三维信息中的最大值，外接立方体最短边Pcuboid为所获取的长、宽和高中的最小值，如图2(c)所示。
集料颗粒2D特征包括：最佳外接矩形的宽Preclength1和长Preclength2、等效椭圆的长轴Pra和短轴Prb和方向Pphi、最大内接圆直径Pinner_radius、最小外接圆直径Pouter_radius、最大内接矩形的宽Pinner_width和长Pinner_height、投影图像区域最长直径Pmax_diameter和轮廓长度Pconlength和面积Parea和平均距离Pdist_mean和圆形度Pcircularity和紧密度Pcompactness和凹凸度Pconvexity和矩形度Prectangularitys，以及投影图像区域第一二阶矩Pmoments_m02和第二二阶矩Pmoments_m20和第三二阶矩Pmoments_m11和第一三阶矩Pmoments_m03和第二三阶矩Pmoments_m30和第三三阶矩Pmoments_m12和第四三阶矩Pmoments_m21。请参见图3，图3是本发明实施例提供的一种集料颗粒分档方法中集料颗粒的二维轮廓特征示意图，具体地：集料颗粒二维图像是由其三维图像投影在二维平面实现的，基于颗粒不同类型的形态学特征，本实施例总共提取了17个二维轮廓特征。其中，10个特征来源于六种常见的粒径表征测定方法，分别为最佳外接矩形的宽Preclength1和长Preclength2、等效椭圆的长轴Pra和短轴Prb和方向Pphi、最大内接圆直径Pinner_radius、最小外接圆直径Pouter_radius、最大内接矩形宽Pinner_width和长Pinner_height，以及投影图像区域最长直径Pmax_diameter，对于投影图像还包括用来表示集料颗粒投影图像轮廓长度Pconlength，其值通过累加边缘点中相邻点之间的距离实现，以及用来表示集料颗粒投影图像面积Parea，以及用来表示集料颗粒投影图像边缘点到中心点平均距离Pdist_mean，以及用来表示集料颗粒投影图像圆形度Pcircularity，以及用来表示集料颗粒投影图像紧密度Pcompactness，以及用来表示集料颗粒投影图像凹凸度Pconvexity和用来表示集料颗粒投影图像矩形度Prectangularitys。
集料二维图像几何矩曾被证明在颗粒形状分类上非常有效，而集料颗粒筛分结果高度依赖颗粒形态。因此，7个有关二维投影图像的几何矩特征被提取。这7个特征第一二阶矩Pmoments_m02，第二二阶矩Pmoments_m20，第三二阶矩Pmoments_m11，第一三阶矩Pmoments_m03，第二三阶矩Pmoments_m30，第三三阶矩Pmoments_m12和第四三阶矩Pmoments_m21，分别由集料颗粒投影区域图像对应的二阶惯性矩m02、二阶惯性矩m20、二阶惯性矩m11、三阶惯性矩m03、三阶惯性矩m30、三阶惯性矩m12和三阶惯性矩m21表示，各惯性矩的定义为：
mij＝∑∑(x-xc)i(y-yc)j；
其中，i、j均为整数(i＝0且j＝0、i＝1且j＝0和i＝0且j＝1除外)，x和y分别表示被分割集料颗粒图像区域的行和列坐标值，xc和yc分别表示分割后的集料颗粒图像区域的质心坐标，其定义为：
其中，m00为集料颗粒投影区域图像的所有像素点之和，即图像零阶矩，m00＝∑∑V(a,b)，其中，V(a,b)表示像素点(a,b)的像素值，a表示该像素点的横坐标，b表示该像素点的坐标；m01和m10为集料颗粒投影区域图像的质心，m01具体表示像素点(a,b)处像素点的横坐标a与对应像素值V(a,b)的乘积，m10具体表示像素点(a,b)处像素点的纵坐标b与对应像素值V(a,b)的乘积，即图像一阶矩，m10＝∑∑a·V(a,b)；m01＝∑∑b·V(a,b)。
本实施例集料颗粒投影图像圆形度Pcircularity定义为：
其中，F表示集料颗粒投影区域面积，即Parea，max是集料颗粒投影轮廓边缘点到中心点的最大值，π表示圆周率。
本实施例集料颗粒投影图像紧密度Pcompactness定义为：
其中，L是集料颗粒投影轮廓长度，即Pconlength。
本实施例集料颗粒投影图像凹凸度Pconvexity定义为：
其中，Fc表示集料颗粒投影区域凸包面积。
本实施例集料颗粒投影图像矩形度Prectangularitys定义为：
其中，Fr表示与集料颗粒投影区域有相同一阶矩和二阶矩的矩形面积。
步骤2、根据集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集。
具体而言，请参见图4，图4是本发明实施例提供的一种集料颗粒分档方法中集料颗粒2D/3D特征选择算法的流程示意图，根据集料颗粒2D/3D特征的数据集构建若干2D/3D特征的子数据集具体为基于极端随机树模型的特征选择算法对集料颗粒2D/3D特征的数据集进行构建得到若干2D/3D特征的子数据集，步骤2具体包括步骤2.1、步骤2.2、步骤2.3：
步骤2.1、基于极端随机树模型的特征选择算法计算集料颗粒2D/3D特征的数据集的特征重要性分数。
具体而言，本实施例采用极端随机树模型(Extremely randomized Forest)来计算特征重要性分数，即将集料颗粒2D/3D特征的数据集作为训练样本输入至极端随机树模型中计算每个特征重要性分数，本实施例极端随机树模型可以表示为：
其中，
表示训练样本xi的训练误差，Ω(fk)表示第k颗树的正则项，K表示树的总个数，fk表示第k颗树，
表示训练样本的xi预测结果，Obj(θ)表示损失函数，n表示训练样本的总个数，xi表示第i个样本，yi表示训练样本xi的真实值。
本实施例极端随机树模型在构造每一颗决策树的时候，使用的是全部训练集，并没有进行采样处理，这样有助于降低模型的偏差，且每颗决策树的节点向下分裂时是随机地进行分裂，也就是从全部特征中随机地选择其中几个特征进行分裂，无需通过阈值计算选择最优分裂，明显提高决策效率，虽然极端随机树的最佳分裂属性和阈值是随机进行选择和设定的，但多颗决策树组合在一起，对每颗决策树的预测结果取平均就可以达到更好的预测效果。请参见图5，图5是本发明实施例提供的一种集料颗粒分档方法中所有集料颗粒2D/3D特征重要性分数比较示意图，图5为本实施例集料颗粒2D/3D特征的数据集，经过极端随机树模型计算得到的每一集料颗粒2D/3D特征对应的特征重要性分数。
步骤2.2、将集料颗粒2D/3D特征的数据集按照对应的特征重要性分数进行排序。
具体而言，本实施例对图5所示的集料颗粒2D/3D特征的数据集中的特征根据其重要性分数进行降序排序，比如集料颗粒2D/3D特征的数据集中的原特征序列为X1到Xn，降序排序后的特征序列变为Y1到Yn。
步骤2.3、将排序后的集料颗粒2D/3D特征的数据集按照预设构建规则进行构建得到若干2D/3D特征的子数据集。
具体而言，本实施例将排序后的集料颗粒2D/3D特征的数据集Y1到Yn按预设构建规则生成若干2D/3D特征的子数据集，具体预设构建规则为：将Y1构建为一子数据集，Y1、Y2构建为一子数据集，依次类推，直至Y1、……、Yn构建为一子数据集，从而生生n组2D/3D特征的子数据集。
进一步地，本实施例根据集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集之前还包括：对集料颗粒2D/3D特征数据集进行归一化处理得到归一化的集料颗粒2D/3D特征数据集；根据归一化的集料颗粒2D/3D特征数据集构建若干2D/3D特征的数据集。为了使数据集中数据处于同一量级，本实施例基于min-max标准化方法对数据进行了归一化处理，min-max标准化方法表示为：
其中，min和max表示第n个特征的最小值和最大值。然后，集依次进行上述计算特征重要性分数、排序、构建数据集步骤，根据归一化的集料颗粒2D/3D特征数据构建得到若干2D/3D特征的数据集。
步骤3、构建基于高斯过程的集料分档模型。
具体而言，高斯过程是一种随机变量的集合，集合中任意数量随机变量的组合服从联合高斯分布。高斯分布是由均值函数和协方差函数唯一确定的，一个高斯过程对应着一个协方差函数，也就是核函数。高斯分布的基本原理是假定数据集由以下公式给出：
yn＝f(xn)；
其中，f(xn)表示映射函数，且yn服从联合分布的概率密度函数表示为：
其中，A表示归一化常数，y表示输出变量，xn为第n个输入变量，即步骤2构建得到的若干2D/3D特征的数据集，
表示y的期望，C表示输出y的协方差矩阵。那么高斯分布的预测值可由联合条件分布的均值和协方差计算。
本实施例高斯过程构建具体包括：映射函数f(xn)上放置一个高斯过程先验，然后通过逻辑函数将其“压缩”以获得
的先验，
表示定义为，即本实施例将Φ(x)定义为P(y＝+1|x)，其中，P(y＝+1|x)表示概率密度函数P(y|x)在y＝+1条件下的概率，σ为一映射系数，具体数值根据实际需要来设置。这里，Φ是f(x)的确定性函数，因为f(x)是随机的，所以Φ也是。通过高斯先验对权重进行高斯先验，不同的样本服从多维联合高斯分布，无穷维的高斯分布就能够构成高斯过程。本实施例中，给定训练样本，即集料分档中的2D/3D特征的子数据集，其服从高斯分布，由此建立起基于高斯过程的集料分档模型。
步骤4、将若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型。
具体而言，本实施例将若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型，具体步骤4包括步骤4.1、步骤4.2、步骤4.3：
步骤4.1、构建评估集料颗粒分档的指标函数。
具体而言，为了评估高斯过程模型的集料颗粒分档技术在3D集料颗粒图像分档分类上的性能，现有常见的评估指标有：准确率Accuracy、查准率Precision、查全率Recall、F1-score分数，分别表示为：
其中，l表示样本实例总类数，对于第i类样本实例，tpi表示其真正例个数，fpi表示其假正例个数，tni表示其真反例个数，fni表示其假反例个数。
本实施例为了评估集料颗粒分档分类问题的性能和精度，在查准率Precision、查全率Recall上构建了评估集料颗粒分档的指标函数：微平均精度(Average precision，简称AP)，该评估指标先将各个混淆矩阵的对应元素进行平均，然后再计算各指标值，表示为：
其中，Recalln和Precisionn分别表示查全率Recall和查准率Precision的第n次阈值，Recalln-1表示查全率Recall的第n-1次阈值。
步骤4.2、根据评估集料颗粒分档的指标函数计算基于高斯过程的集料分档模型下每个2D/3D特征的子数据集的分类精度得到若干分类精度值。
具体而言，本实施例根据上述步骤4.1的评估集料颗粒分档的指标函数，计算每个2D/3D特征的子数据集的分类精度得到若干分类精度值，分类精度值AP最越高，意味着该2D/3D特征在集料颗粒数据中分类性能越好。
步骤4.3、根据若干分类精度值确认基于高斯过程的集料分档模型得到最终的基于高斯过程的集料分档模型。
具体而言，由上可知分类精度值AP最越高，对应的分类性能越好，则本实施例从若干分类精度值选择出分类精度值AP最高的2D/3D特征的子数据集，并通过该2D/3D特征的子数据集确定此时其对应的高斯过程的集料分档模型，将其作为最终的基于高斯过程的集料分档模型。
步骤5、将待分档集料颗粒输入至最终的基于高斯过程的集料分档模型得到分档结果。
具体而言，本实施例将待分档集料颗粒输入至最终的基于高斯过程的集料分档模型得到分档结果之前包括：获取待分档集料颗粒2D/3D特征数据集；根据待分档集料颗粒2D/3D特征数据集构建若干待分档集料颗粒2D/3D特征的子数据集；将若干待分档集料颗粒2D/3D特征的子数据集输入至最终的基于高斯过程的集料分档模型得到分档结果。本实施例在对待分档集料颗粒进行分档前，同上述步骤1、2，对输入至基于高斯过程的集料分档模型的数据进行2D/3D特征的数据集获取、构建，操作类似，在此不再赘述。
进一步地，本实施例根据待分档集料颗粒2D/3D特征数据集构建若干待分档集料颗粒2D/3D特征的子数据集之前包括：对待分档集料颗粒2D/3D特征数据集进行归一化处理得到归一化的待分档集料颗粒2D/3D特征数据集；将待分档集料颗粒2D/3D特征数据集输入至最终的基于高斯过程的集料分档模型得到分档结果。同上述步骤2归一化处理一样，为了使待分档集料颗粒2D/3D特征数据集中数据处于同一量级。
为了评估本实施例提出的集料颗粒分档有效性，给出了一基于集料颗粒点云图像2D/3D特征的数据集，该数据集总共包含三个分档集料数据：9.5，13.2和16，共有27个集料颗粒2D/3D特征数据，539条记录。为了验证不同子数据集下不同有监督机器学习分类器模型的准确率，基于步骤2所示的重要性优先的特征选择方法创建了27个子数据集，数据集中特征的个数从1到27，每一个子数据集上计算微平均精度(重复运行50次取平均值)。原2D/3D特征的数据集经特征重要性分数排序后，从排序后的2D/3D特征的数据集中依次取特征组成的子数据集，比如图5所示，第一个子数据集只包含一个特征Pvolume，第二个子数据集包含两个特征Pvolume和Prb，后面的子数据集以此类推。本实施例以图5所示的特征重要性分数构建的前5个子数据集为例，高斯过程的集料分档模型的参数为kernel＝1.0*RBF([0.8])，分别通过F1-score分数、微平均精度AP进行性能评估，其中，表1为不同子数据集下F1-score分数比较结果。
表1不同子数据集下F1-score分数比较结果
| 不同子数据集 | F1-score分数 |
| Pvolume | 93.6％ |
| Pvolume、Prb | 96.2％ |
| Pvolume、Prb、Pcuboid | 95.2％ |
| Pvolume、Prb、Pcuboid、Preclength2 | 95.9％ |
| Pvolume、Prb、Pcuboid、Preclength2、Pinner_radius | 98.1％ |
由表1可以看出，本实施例提出方法在子数据集的F1-score分数最低达到93.5％，且在子数据集的微平均精度AP最低达到95.6％，本实施例可以在各个子数据集保持分档性能的稳定，不仅能保证较高的分档精度，而且可以在各子数据分档间实现高的鲁棒性。
综上所述，本实施例提出的集料颗粒分档方法，解决了基于单个粒径表征参数不能有效实现集料颗粒不同档颗粒分类的问题，利用集料颗粒2D/3D特征计算特征重要性分数，并采用基于高斯过程的机器学习集料分档算法进行分档预测，能有效地提升集料颗粒不同档颗粒分类性能。
实施例二
在上述实施例一的基础上，请参见图6，图6是本发明实施例提供的一种集料颗粒分档装置的结构示意图，本实施例提出了一种集料颗粒分档装置，该集料颗粒分档装置包括：
数据获取模块101，用于获取集料颗粒2D/3D特征数据集。
具体而言，本实施例数据获取模块101中获取的集料颗粒2D/3D特征数据集包括集料颗粒2D特征和集料颗粒3D特征，其中，
集料颗粒2D特征包括：最佳外接矩形的宽Preclength1和长Preclength2、等效椭圆的长轴Pra和短轴Prb和方向Pphi、最大内接圆直径Pinner_radius、最小外接圆直径Pouter_radius、最大内接矩形的宽Pinner_width和长Pinner_height、投影图像区域最长直径Pmax_diameter和轮廓长度Pconlength和面积Parea和平均距离Pdist_mean和圆形度Pcircularity和紧密度Pcompactness和凹凸度Pconvexity和矩形度Prectangularitys，以及投影图像区域第一二阶矩Pmoments_m02和第二二阶矩Pmoments_m20和第三二阶矩Pmoments_m11和第一三阶矩Pmoments_m03和第二三阶矩Pmoments_m30和第三三阶矩Pmoments_m12和第四三阶矩Pmoments_m21；
集料颗粒3D特征包括：集料颗粒体积Pvolume、三维集料表面积Psurfacearea和外接立方体最短边Pcuboid。
数据构建模块102，用于根据集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集。
具体而言，本实施例数据构建模块102中根据集料颗粒2D/3D特征的数据集构建若干2D/3D特征的子数据集包括：
基于极端随机树模型的特征选择算法对集料颗粒2D/3D特征的数据集进行构建得到若干2D/3D特征的子数据集。
进一步地，本实施例基于极端随机树模型的特征选择算法对集料颗粒2D/3D特征的数据集进行构建得到若干2D/3D特征的子数据集包括：
基于极端随机树模型的特征选择算法计算集料颗粒2D/3D特征的数据集的特征重要性分数；
将集料颗粒2D/3D特征的数据集按照对应的特征重要性分数进行排序；
将排序后的集料颗粒2D/3D特征的数据集按照预设构建规则进行构建得到若干2D/3D特征的子数据集，其中，排序后的集料颗粒2D/3D特征的数据集包括Y1、……、Yn，预设构建规则为将Y1构建为一子数据集，Y1、Y2构建为一子数据集，依次类推，直至Y1、……、Yn构建为一子数据集。
进一步地，本实施例数据构建模块102中根据集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集之前还包括：
对集料颗粒2D/3D特征数据集进行归一化处理得到归一化的集料颗粒2D/3D特征数据集；
根据归一化的集料颗粒2D/3D特征数据集构建若干特征下的数据集。
数据模型构建模块103，用于构建基于高斯过程的集料分档模型。
数据模型确认模块104，用于将若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型。
具体而言，本实施例数据模型确认模块104中将若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型包括：
构建评估集料颗粒分档的指标函数；
根据评估集料颗粒分档的指标函数计算基于高斯过程的集料分档模型下每个2D/3D特征的子数据集的分类精度得到若干分类精度值；
根据若干分类精度值确认基于高斯过程的集料分档模型得到最终的基于高斯过程的集料分档模型。
数据测试模块105，用于将待分档集料颗粒输入至最终的基于高斯过程的集料分档模型得到分档结果。
具体而言，本实施例数据测试模块105中将待分档集料颗粒输入至最终的基于高斯过程的集料分档模型得到分档结果之前包括：
获取待分档集料颗粒2D/3D特征数据集；
根据待分档集料颗粒2D/3D特征数据集构建若干待分档集料颗粒2D/3D特征的子数据集；
将若干待分档集料颗粒2D/3D特征的子数据集输入至最终的基于高斯过程的集料分档模型得到分档结果。
进一步地，本实施例根据待分档集料颗粒2D/3D特征数据集构建若干待分档集料颗粒2D/3D特征的子数据集之前包括：
对待分档集料颗粒2D/3D特征数据集进行归一化处理得到归一化的待分档集料颗粒2D/3D特征数据集；
将待分档集料颗粒2D/3D特征数据集输入至最终的基于高斯过程的集料分档模型得到分档结果。
本实施例提出的集料颗粒分档装置，可以执行上述实施例一所述的集料颗粒分档方法实施例，其实现原理和技术效果类似，在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种集料颗粒分档方法，其特征在于，包括以下步骤：
获取集料颗粒2D/3D特征数据集；
根据所述集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集；
构建基于高斯过程的集料分档模型；
将所述若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型；
将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果。
2.根据权利要求1所述的集料颗粒分档方法，其特征在于，获取的集料颗粒2D/3D特征数据集包括集料颗粒2D特征和集料颗粒3D特征，其中，
所述集料颗粒2D特征包括：最佳外接矩形的宽Preclength1和长Preclength2、等效椭圆的长轴Pra和短轴Prb和方向Pphi、最大内接圆直径Pinner_radius、最小外接圆直径Pouter_radius、最大内接矩形的宽Pinner_width和长Pinner_height、投影图像区域最长直径Pmax_diameter和轮廓长度Pconlength和面积Parea和平均距离Pdist_mean和圆形度Pcircularity和紧密度Pcompactness和凹凸度Pconvexity和矩形度Prectangularitys，以及投影图像区域的第一二阶矩Pmoments_m02和第二二阶矩Pmoments_m20和第三二阶矩Pmoments_m11和第一三阶矩Pmoments_m03和第二三阶矩Pmoments_m30和第三三阶矩Pmoments_m12和第四三阶矩Pmoments_m21；
所述集料颗粒3D特征包括：集料颗粒体积Pvolume、三维集料表面积Psurfacearea和外接立方体最短边Pcuboid。
3.根据权利要求1所述的集料颗粒分档方法，其特征在于，根据所述集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集之前还包括：
对所述集料颗粒2D/3D特征数据集进行归一化处理得到归一化的集料颗粒2D/3D特征数据集；
根据所述归一化的集料颗粒2D/3D特征数据集构建若干特征下的数据集。
4.根据权利要求1所述的集料颗粒分档方法，其特征在于，根据所述集料颗粒2D/3D特征的数据集构建若干2D/3D特征的子数据集包括：
基于极端随机树模型的特征选择算法对所述集料颗粒2D/3D特征的数据集进行构建得到所述若干2D/3D特征的子数据集。
5.根据权利要求4所述的集料颗粒分档方法，其特征在于，基于极端随机树模型的特征选择算法对所述集料颗粒2D/3D特征的数据集进行构建得到所述若干2D/3D特征的子数据集包括：
基于极端随机树模型的特征选择算法计算集料颗粒2D/3D特征的数据集的特征重要性分数；
将所述集料颗粒2D/3D特征的数据集按照对应的特征重要性分数进行排序；
将排序后的集料颗粒2D/3D特征的数据集按照预设构建规则进行构建得到所述若干2D/3D特征的子数据集。
6.根据权利要求5所述的集料颗粒分档方法，其特征在于，排序后的集料颗粒2D/3D特征的数据集包括Y1、……、Yn；
所述预设构建规则为将Y1构建为一子数据集，Y1、Y2构建为一子数据集，依次类推，直至Y1、……、Yn构建为一子数据集。
7.根据权利要求1所述的集料颗粒分档方法，其特征在于，将所述若干2D/3D特征的子数据集输入至所述基于高斯过程的集料分档模型进行模型确认，得到最终的优化和调整过得基于高斯过程的集料分档模型包括：
构建评估集料颗粒分档的指标函数；
根据所述评估集料颗粒分档的指标函数计算基于高斯过程的集料分档模型下每个2D/3D特征的子数据集的分类精度得到若干分类精度值；
根据所述若干分类精度值确认基于高斯过程的集料分档模型得到所述最终的基于高斯过程的集料分档模型。
8.根据权利要求1所述的集料颗粒分档方法，其特征在于，将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果之前包括：
获取待分档集料颗粒2D/3D特征数据集；
根据所述待分档集料颗粒2D/3D特征数据集构建若干待分档集料颗粒2D/3D特征的子数据集；
将所述若干待分档集料颗粒2D/3D特征的子数据集输入至所述最终的基于高斯过程的集料分档模型得到所述分档结果。
9.根据权利要求8所述的集料颗粒分档方法，其特征在于，根据所述待分档集料颗粒2D/3D特征数据集构建若干待分档集料颗粒2D/3D特征的子数据集之前包括：
对所述待分档集料颗粒2D/3D特征数据集进行归一化处理得到归一化的待分档集料颗粒2D/3D特征数据集；
将所述待分档集料颗粒2D/3D特征数据集输入至所述最终的基于高斯过程的集料分档模型得到所述分档结果。
10.一种集料颗粒分档装置，其特征在于，包括：
数据获取模块，用于获取集料颗粒2D/3D特征数据集；
数据构建模块，用于根据所述集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集；
数据模型构建模块，用于构建基于高斯过程的集料分档模型；
数据模型确认模块，用于将所述若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认，得到最终的基于高斯过程的集料分档模型；
数据测试模块，用于将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110559947.6A CN113283495B (zh) | 2021-05-21 | 2021-05-21 | 一种集料颗粒分档方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110559947.6A CN113283495B (zh) | 2021-05-21 | 2021-05-21 | 一种集料颗粒分档方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283495A true CN113283495A (zh) | 2021-08-20 |
| CN113283495B CN113283495B (zh) | 2024-02-13 |
Family
ID=77280693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110559947.6A Active CN113283495B (zh) | 2021-05-21 | 2021-05-21 | 一种集料颗粒分档方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283495B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116698688A (zh) * | 2023-04-20 | 2023-09-05 | 兰州大学 | 一种基于风云4号双星协同估算大气颗粒物浓度的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
| CN110147321A (zh) * | 2019-04-19 | 2019-08-20 | 北京航空航天大学 | 一种基于软件网络的缺陷高风险模块的识别方法 |
| WO2019236894A1 (en) * | 2018-06-06 | 2019-12-12 | Parallel Machines, Inc. | Detecting suitability of machine learning models for datasets |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| WO2020247949A1 (en) * | 2019-06-07 | 2020-12-10 | The Regents Of The University Of California | General form of the tree alternating optimization (tao) for learning decision trees |
-
2021
- 2021-05-21 CN CN202110559947.6A patent/CN113283495B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
| WO2019236894A1 (en) * | 2018-06-06 | 2019-12-12 | Parallel Machines, Inc. | Detecting suitability of machine learning models for datasets |
| CN110147321A (zh) * | 2019-04-19 | 2019-08-20 | 北京航空航天大学 | 一种基于软件网络的缺陷高风险模块的识别方法 |
| WO2020247949A1 (en) * | 2019-06-07 | 2020-12-10 | The Regents Of The University Of California | General form of the tree alternating optimization (tao) for learning decision trees |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
Non-Patent Citations (3)
| Title |
|---|
| 杨春梅;: "基于分类算法的集料粒径检测方法研究", 信息通信, no. 11 * |
| 裴莉莉;孙朝云;户媛姣;李伟;高尧;郝雪丽;: "基于多特征因子的路用集料粒径计算神经网络模型", 华南理工大学学报(自然科学版), no. 06 * |
| 高峰;代美玲;祁瑾;: "基于Bootstrap-异质SVM集成学习的肺结节分类方法", 天津大学学报(自然科学与工程技术版), no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116698688A (zh) * | 2023-04-20 | 2023-09-05 | 兰州大学 | 一种基于风云4号双星协同估算大气颗粒物浓度的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283495B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020233152A1 (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
| CN111299815B (zh) | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 | |
| JP5167442B2 (ja) | 画像識別装置およびプログラム | |
| CN115082467A (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
| CN104268600B (zh) | 一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法 | |
| CN105243276B (zh) | 一种建筑物震害分析方法 | |
| CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
| CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 | |
| CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
| CN109492796A (zh) | 一种城市空间形态自动分区方法与系统 | |
| CN106815447B (zh) | 基于历史数据的复杂结构件加工特征智能定义与分类方法 | |
| CN113283495A (zh) | 一种集料颗粒分档方法及其装置 | |
| CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
| CN112232383A (zh) | 一种基于超簇加权的集成聚类方法 | |
| CN107247954A (zh) | 一种基于深度神经网络的图像离群点检测方法 | |
| CN115713605A (zh) | 一种基于图像学习的商业类建筑群自动建模方法 | |
| CN112767429B (zh) | 一种地面-雪面点云快速分割方法 | |
| CN117593204A (zh) | 一种基于超体素邻近聚类的点云实例分割方法 | |
| CN110458111B (zh) | 基于LightGBM的车载激光点云电力线的快速提取方法 | |
| CN112270746A (zh) | 基于邻域协方差特征参数阈值的铝合金3d打印点云精简算法 | |
| CN107705299A (zh) | 基于多属性特征的图像质量分类方法 | |
| CN116578893A (zh) | 一种自适应密度峰值的聚类集成系统及方法 | |
| CN113723533B (zh) | 对流天气影响终端区的模式识别方法及高斯混合聚类模型 | |
| CN114419294A (zh) | 一种曲面变分阈值的自适应确定方法 | |
| CN111428823B (zh) | 一种可以识别新类的磨粒分类模型与方法 |
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 |