CN113409297A - 骨料体积计算方法、粒形级配数据生成方法、系统和设备 - Google Patents

骨料体积计算方法、粒形级配数据生成方法、系统和设备 Download PDF

Info

Publication number
CN113409297A
CN113409297A CN202110771859.2A CN202110771859A CN113409297A CN 113409297 A CN113409297 A CN 113409297A CN 202110771859 A CN202110771859 A CN 202110771859A CN 113409297 A CN113409297 A CN 113409297A
Authority
CN
China
Prior art keywords
aggregate
data
pixel
grading
contour
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
Application number
CN202110771859.2A
Other languages
English (en)
Inventor
甘化新
刘洪�
陈胜平
胡吉锋
张振华
马宁
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.)
Shenzhen Hismart Industry Robot Co ltd
Original Assignee
Shenzhen Hismart Industry Robot 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 Shenzhen Hismart Industry Robot Co ltd filed Critical Shenzhen Hismart Industry Robot Co ltd
Priority to CN202110771859.2A priority Critical patent/CN113409297A/zh
Publication of CN113409297A publication Critical patent/CN113409297A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种骨料体积计算方法、粒形级配数据生成方法、系统和设备；所述的骨料体积计算方法包括：获取来自3D相机的扫描照片，对扫描照片进行处理，得到骨料的3D数据；对骨料的3D数据进行处理，得到骨料的二值图；基于所述二值图，进行轮廓识别，得到骨料的轮廓图；根据所述轮廓图，得到每个骨料的所有像素点；对各个骨料的所有像素点以高度进行积分，得到骨料的体积信息。本申请具有提高分析精度的效果。

Description

骨料体积计算方法、粒形级配数据生成方法、系统和设备
技术领域
本发明涉及骨料粒形级配分析的领域，尤其是涉及骨料体积计算方法、粒形级配数据生成方法、系统和设备。
背景技术
混凝土生产商对于骨料的粒形和级配采用人工生产线取样检测方法，存在取样频次低，取样不及时，分析速度慢等问题，严重影响了骨料生产品质管控的效率。传统的人工取样以及检测，已经无法满足矿山企业高质量发展的速度，需要采用智能化设备以及视觉监测系统来提升检测效率和质量。尽管砂石行业破碎机需求巨大，但影响其使用寿命和制约破碎机发展的关键还是骨料级配和粒形监测技术。
相关技术中，基于机器视觉2D数据进行轮廓识别和面积计算，从而模拟人工筛余方法来进行粒形级配。
针对上述相关技术，发明人认为上述基于2D数据，只能得到骨料轮廓的面积，缺少体积信息，造成了骨料分析精度较差的缺陷。
发明内容
为了提高骨料的分析精度，本申请提供了骨料体积计算方法、粒形级配数据生成方法、系统和设备。
第一方面，本申请提供骨料体积计算方法，采用如下的技术方案：
骨料体积计算方法，包括：
获取来自3D相机的扫描照片，对扫描照片进行处理，得到骨料的3D数据；
对骨料的3D数据进行处理，得到骨料的二值图；
基于所述二值图，进行轮廓识别，得到骨料的轮廓图；
根据所述轮廓图，得到每个骨料的所有像素点；
对各个骨料的所有像素点以高度进行积分，得到骨料的体积信息。
通过采用上述技术方案，处理3D数据有利于得到准确地二值图，进而得到准确地轮廓图，基于轮廓图得到每个骨料的所有像素点的方法，再通过高度积分的方式得到骨料的体积信息，从而提高了体积信息的准确性，从而提高了分析精度。
可选的，所述对骨料的3D数据进行处理，得到骨料的二值图，包括：
将骨料的3D数据和预设的基准数据进行像素坐标映射，再进行比对，识别出像素坐标中骨料所占据的点；所述骨料的3D数据和基准数据均用相机坐标系进行存储；所述基准数据是指没有骨料时的3D点阵数据；
基于像素坐标系生成二维矩阵，所述二维矩阵的列数是3D相机分辨率的长，行数是3D相机分辨率的宽；
对所述二维矩阵的像素值进行调整：
判断像素坐标每个点的高差是否大于第一预设值；
若是，则将二维矩阵对应的点的值设为255；
若否，则将二维矩阵对应的点的值设为0；
根据处理后的二维矩阵，得到骨料的二值图。
通过采用上述技术方案，将3D数据和基准数据进行像素坐标映射，有利于相互比对，通过高差即可识别出3D数据中存在骨料的点，而二维矩阵的设置有利于准确地得到二值图，有利于适配骨料体积小、数量众多的场景，而且对拍照环境和拍照相机没有依赖，有利于提高计算体积的精度和计算效率，从而有利于提高分析精度。
可选的，所述所述对骨料的3D数据进行处理，得到骨料的二值图，包括：
将骨料的3D数据进行像素坐标映射，建立像素坐标与骨料的3D数据的索引映射关系；
基于像素坐标系生成二维矩阵，缺省值为255；
把骨料的3D数据转换为点云库PCL的点云数据，所述3D数据的索引与点云库PCL的点云数据的索引、像素坐标的索引相同；
对点云库PCL的点云数据用RANSAC算法进行平面拟合；拟合时，判断3D点到平面的距离是否大于第二预设值；若是，则将对应的3D点归类为局外点；若否，则将对应的3D点归类为局内点；
获取每个局内点的索引值；
根据每个局内点的索引值，将每个局内点对应的二维矩阵内坐标点的像素值设为0；
根据处理后的二维矩阵，得到骨料的二值图。
通过采用上述技术方案，像素坐标与骨料的3D数据的索引映射关系，以及骨料的3D数据与点云库PCL的点云数据的索引相同，有利于根据局内点找到3D数据内对应的点，进而有利于准确地将二维矩阵的像素值调为0，从而有利于得到准确地二值图，有利于适配骨料体积小、数量众多的场景，而且对拍照环境和拍照相机没有依赖，有利于提高计算体积的精度和计算效率，从而提高分析精度。
可选的，在所述基于所述二值图，进行轮廓识别，得到骨料的轮廓图和所述根据所述轮廓图，得到每个骨料的所有像素点之间，还包括：
对轮廓图进行多边形拟合，得到轮廓修正图；
所述的根据所述轮廓图，得到每个骨料的所有像素点，包括：
根据轮廓修正图，得到每个骨料的所有像素点。
通过采用上述技术方案，轮廓修正图的设置有利于提高获得所有像素点的精度，有利于提高计算体积的精度和计算效率。
第二方面，本申请提供骨料体积计算系统，采用如下的技术方案：
骨料体积计算系统，包括：
3D数据获取模块，用于获取来自3D相机的扫描照片，对扫描照片进行处理，得到骨料的3D数据；
二值图获取模块，用于对骨料的3D数据进行处理，得到骨料的二值图；
轮廓识别模块，用于基于所述二值图，进行轮廓识别，得到骨料的轮廓图；
骨料像素点获取模块，用于根据所述轮廓图，得到每个骨料的所有像素点；
骨料体积获取模块，用于对各个骨料的所有像素点以高度进行积分，得到骨料的体积信息
通过采用上述技术方案，由3D数据获取模块获取的骨料3D数据有利于二值图获取模块快速且准确地得到二值图，进而有利于轮廓识别模块进行轮廓识别，以便于供骨料像素点获取模块得到骨料的所有像素点，最后骨料体积获取模块便能根据骨料的所有像素点进行高度积分，得到骨料的体积信息，从而提高了体积信息的准确性，提高了分析精度。
第三方面，本申请提供粒形级配数据生成方法，采用如下的技术方案：
粒形级配数据生成方法，包括：
对轮廓图拟合外接最小矩形，得到每个骨料的长和宽；
根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全部的骨
料进行数据分类处理；每个所述骨料的高为每个骨料的轮廓图内所有像素点的高度的最大值；
根据各个骨料的体积信息，计算每个粒径区间的分计筛余值和累计筛余值，生成级配数据表；所述的骨料的体积信息，通过权利要求1-4任意一项所述的方法获得；
根据级配数据表中的累计筛余值，绘制粒形级配曲线，以便于判断成堆的骨料的级配是否合格。
通过采用上述技术方案，拟合的外接最小矩形有利于更好地获得每个骨料的长和宽，从而有利于更准确地进行数据分类处理，提高级配数据表的准确性，从而提高粒形级配曲线的准确性，以便于更精确地判断成堆的骨料的级配是否合格，从而提高了分析精度。
可选的，所述对轮廓图拟合外接最小矩形，得到每个骨料的长和宽，包括：
对轮廓图中每个骨料拟合外接最小矩形，得到外接最小矩形的像素长L、像素宽W和旋转角A；
根据X轴的像素物理大小dx和Y轴的像素物理大小dy，计算每个骨料的实际长Li和实际宽Wi；Li的计算公式为：Li=
Figure 100002_DEST_PATH_IMAGE002
；所述X=L*cosA*dx，所述Y= L*sinA*dy；Wi的计算公式为：Wi=
Figure 100002_DEST_PATH_IMAGE004
；所述x=W*cos(A+90°)*dx，所述y=W *sin(A+90°)*dy。
通过采用上述技术方案，根据外接最小矩形的像素长L、像素宽W和旋转角A，有利于准确地计算骨料的实际长Li和实际宽Wi，从而提高数据分类处理的精度，提高了分析精度。
可选的，所述根据每个骨料的长、宽和高，按照预设的粒径大小区间，
对全部的骨料进行数据分类处理，包括：
取每个骨料的轮廓图内所有像素点的高度的最大值作为每个骨料的高Himax；
利用每个骨料的Li、Wi和Himax进行计算，得到每个骨料的粒径R；
根据每个骨料的粒径R，将对应的骨料划分至对应的粒径大小区间中。
通过采用上述技术方案，提高了确定粒径的精度，有利于更准确地将骨料数据划分到不同的粒径大小区间中，从而提高了分析精度。
第四方面，本申请提供粒形级配数据生成系统，采用如下的技术方案：
粒形级配数据生成系统，包括：
骨料长宽获取模块，用于对轮廓图拟合外接最小矩形，得到每个骨料的长和宽；
骨料分类模块，用于根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全部的骨料进行数据分类处理；
级配数据表生成模块，用于根据各个骨料的体积信息，计算每个粒径区间的分计筛余值和累计筛余值，生成级配数据表；
级配曲线生成模块，用于根据级配数据表中的累计筛余值，绘制粒形级配曲线，以便于判断成堆的骨料的级配是否合格。
通过采用上述技术方案，骨料长宽获取模块对轮廓图进行处理后，有利于骨料分类模块根据每个骨料的长、宽和高，进行数据分类，进而便于级配数据表生成模块生成级配数据表，最后级配曲线生成模块基于级配数据表中累计筛余值进行绘制，得到粒形级配曲线，从而提高了粒形级配曲线的准确性，从而提高了分析精度。
第五方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，包括包括存储器和处理器，存储器上存储有能够被处
理器加载并执行如上述的任一项粒形级配数据生成方法的计算机程序。
附图说明
图1是本申请实施例中骨料体积计算方法的方法流程图。
图2是本申请实施例中骨料体积计算系统的模块连接示意图。
图3是本申请实施例中粒形级配数据生成方法的方法流程图。
图4是本申请实施例中粒形级配数据生成系统的模块连接示意图。
具体实施方式
以下结合附图1-4对本申请作进一步详细说明。
国内矿山生产企业以及混凝土生产商，对于骨料的粒形和级配，采用人工生产线取样检测方法。该方法存在取样频次低，取样不及时，分析速度慢等问题，严重影响了骨料生产品质管控的效率。所以需要采用智能化设备以及视觉监测系统以提升检测效率和质量。
而企业对设备的检测精度和检测效率有较高的要求。因为若检测精度较低，则影响检测结果，增大了骨料质量降低的风险，而如果检测效率较低，则导致时间成本增加，不利于产品产出。所以需要使用能执行骨料体积计算方法和粒形级配数据生成方法的设备进行高检测精度、高检测效率的品质管控。
本申请实施例公开一种骨料体积计算方法、粒形级配数据生成方法、系统和设备。
参照图1，本申请实施例公开了一种骨料体积计算方法。
骨料体积计算方法，包括：
S100，获取来自3D相机的扫描照片，对扫描照片进行处理，得到骨料的3D数据。
3D数据是指3D的点阵数据。
具体的，3D相机需要与传送带、骨料体积计算系统配合，3D相机设置于传送带的上方，且3D相机与骨料体积计算系统电连接。传送带用于对骨料进行定向等距输送。3D相机拍摄传送带上的多个骨料，将照片传输至骨料体积计算系统，以便于骨料体积计算系统获得骨料的3D数据。
S110，对骨料的3D数据进行处理，得到骨料的二值图。
具体的，本申请提供两种二值图的生成方法，分别是基于高差的二值图生成算法和基于RANSAC平面生成二值图的算法，两种生成方法均可通过3D数据，获得二值图，对3D相机性能、光照调节的依赖性不高，只要有正确的3D数据，便能生成二值图。
基于高差的二值图生成算法，具体包括：
将骨料的3D数据和预设的基准数据进行像素坐标映射，再进行比对，识别出像素坐标中骨料所占据的点；所述骨料的3D数据和基准数据均用相机坐标系进行存储；所述基准数据是指没有骨料时的3D点阵数据；
基于像素坐标系生成二维矩阵，所述二维矩阵的列数是3D相机分辨率的长，行数是3D相机分辨率的宽；
对所述二维矩阵的像素值进行调整：
判断像素坐标每个点的高差是否大于第一预设值；
若是，则将二维矩阵对应的点的值设为255；
若否，则将二维矩阵对应的点的值设为0；
根据处理后的二维矩阵，得到骨料的二值图。
其中，预设的基准数据是指通过传送带空载时的照片获得的3D点阵数据；传送带空载时的照片是指在传送带上没有骨料的情况下，3D相机对传送带拍摄的照片；第一预设值大于等于0.5mm小于2mm，第一预设值可以是但不限于0.5mm、0.7mm、0.9mm和1.1mm。
例如，相机的分辨率是2044*1536，则二维矩阵的行数为1536，列数为2044。当3D数据和基础数据均进行像素坐标映射后，进行比对，即：将重合的映射点以映射点的高度进行作差，该差值为高差，若高差大于第一预设值则将二维矩阵对应的点的灰度值设为255，若高差小于第一预设值则将二维矩阵对应的点的灰度值设为0。
基于RANSAC平面生成二值图的算法，包括：
将骨料的3D数据进行像素坐标映射，建立像素坐标与骨料的3D数
据的索引映射关系；
基于像素坐标系生成二维矩阵，缺省值为255；
把骨料的3D数据转换为点云库PCL的点云数据，所述3D数据的索引与点云库PCL的点云数据的索引、像素坐标的索引相同；
对点云库PCL的点云数据用RANSAC算法进行平面拟合；拟合时，判断3D点到平面的距离是否大于第二预设值；若是，则将对应的3D点归类为局外点；若否，则将对应的3D点归类为局内点；
获取每个局内点的索引值；
根据每个局内点的索引值，将每个局内点对应的二维矩阵内坐标点的像素值设为0；
根据处理后的二维矩阵，得到骨料的二值图。
其中，基于像素坐标与骨料的3D数据的索引映射关系，也基于骨料的
3D数据与点云库PCL的点云数据的索引相同，即：通过局内点的索引值则能找到该局内点在3D数据进行像素坐标映射后的对应点，该对应点在二维矩阵内也存在对应的点。利用RANSAC算法进行平面拟合时，以用于承载骨料的传送带的表面作为参考平面。第二预设值大于等于0.5mm小于1mm，且第二预设值可以是但不限于0.5mm、0.6mm、0.7mm、0.8mm和0.9mm。
S120，基于二值图，进行轮廓识别，得到骨料的轮廓图。
具体的，将二值图进行轮廓提取，得到骨料的轮廓图。
在S120之后还包括：
对轮廓图进行多边形拟合，得到轮廓修正图。
S130，根据轮廓图，得到每个骨料的所有像素点。
具体的，根据轮廓修正图，得到每个骨料的所有像素点。
其中，骨料的所有像素点记录为像素点总数Pixels。像素点总数Pixels还可以用于计算骨料的实际面积real Area，real Area= Pixels*dx*dy，dx为X轴的像素物理大小，dy为Y轴的像素物理大小。
S140，对各个骨料的所有像素点以高度进行积分，得到骨料的体积信息。
具体的，骨料的体积信息记录为vol，vol=
Figure DEST_PATH_IMAGE006
，dH为像素点的高度，像素点的高度来自骨料的3D数据，由于骨料的3D数据存储于相机坐标系中，且进行了像素坐标的映射，所以每个像素点中保存有对应的高度值。
综上所述，执行上述方法这个方法有利于适配骨料体积小、数量众多的场景，而且对拍照环境和拍照相机没有依赖，有利于提高计算体积的精度和计算效率。
参照图2，本申请实施例还公开了骨料体积计算系统，包括：
3D数据获取模块200，用于获取来自3D相机的扫描照片，对扫描照片进行处理，得到骨料的3D数据；
二值图获取模块210，用于对骨料的3D数据进行处理，得到骨料的二值图；
轮廓识别模块220，用于基于所述二值图，进行轮廓识别，得到骨料的轮廓图；
骨料像素点获取模块230，用于根据所述轮廓图，得到每个骨料的所有像素点；
骨料体积获取模块240，用于对各个骨料的所有像素点以高度进行积分，得到骨料的体积信息。
具体的，骨料体积计算系统包括3D相机、传送带和电脑主机，3D相机和传送带均与电脑主机电连接，电脑主机用于控制3D相机拍照，也用于控制传送带传输骨料。3D相机安装于传送带的上方，且3D相机的镜头朝向传送带，用于对传送带上的骨料进行拍照。电脑主机内存储有可执行骨料体积计算方法的计算机程序，3D相机完成拍照后，电脑主机中的计算机程序利用照片获取3D数据；对骨料的3D数据进行处理，得到骨料的二值图；基于二值图，进行轮廓识别，得到骨料的轮廓图；根据轮廓图，得到每个骨料的所有像素点；对骨料的所有像素点进行高度积分，得到骨料的体积信息。
本申请实施例还公开了一种电子设备。
一种电子设备包括存储器和处理器，存储器上存储有能够被处理器
加载并执行如上述任一项骨料体积计算方法的计算机程序，当该计算机程序被处理器执行时，执行以下步骤：
获取来自3D相机的扫描照片，对扫描照片进行处理，得到骨料的3D数据；
对骨料的3D数据进行处理，得到骨料的二值图；
基于所述二值图，进行轮廓识别，得到骨料的轮廓图；
根据所述轮廓图，得到每个骨料的所有像素点；
对各个骨料的所有像素点以高度进行积分，得到骨料的体积信息。
可选的，本申请的实施例中，当计算机程序被处理器运行时，执行以下步骤：将骨料的3D数据和预设的基准数据进行像素坐标映射，再进行比对，识别出像素坐标中骨料所占据的点；所述骨料的3D数据和基准数据均用相机坐标系进行存储；所述基准数据是指没有骨料时的3D点阵数据；
基于像素坐标系生成二维矩阵，所述二维矩阵的列数是3D相机分辨率的长，行数是3D相机分辨率的宽；
对所述二维矩阵的像素值进行调整：
判断像素坐标每个点的高差是否大于第一预设值；
若是，则将二维矩阵对应的点的值设为255；
若否，则将二维矩阵对应的点的值设为0；
根据处理后的二维矩阵，得到骨料的二值图。
可选的，本申请的实施例中，当计算机程序被处理器运行时，执行以下步骤：将骨料的3D数据进行像素坐标映射，建立像素坐标与骨料的3D数
据的索引映射关系；
基于像素坐标系生成二维矩阵，缺省值为255；
把骨料的3D数据转换为点云库PCL的点云数据，所述3D数据的索引与点云库PCL的点云数据的索引、像素坐标的索引相同；
对点云库PCL的点云数据用RANSAC算法进行平面拟合；拟合时，判断3D点到平面的距离是否大于第二预设值；若是，则将对应的3D点归类为局外点；若否，则将对应的3D点归类为局内点；
获取每个局内点的索引值；
根据每个局内点的索引值，将每个局内点对应的二维矩阵内坐标点的像素值设为0；
根据处理后的二维矩阵，得到骨料的二值图。
可选的，本申请的实施例中，当计算机程序被处理器运行时，执
行以下步骤：对轮廓图进行多边形拟合，得到轮廓修正图；
根据轮廓修正图，得到每个骨料的所有像素点。
本申请实施例还公开一种计算机可读存储介质，存储有能够被处理器加载并执行的计算机程序，该计算机程序被处理器执行时实现上述任一种骨料体积计算方法的步骤，且能达到相同的效果。
参照图3，本申请实施例还公开了粒形级配数据生成方法。
粒形级配数据生成方法，包括：
S300，对轮廓图拟合外接最小矩形，得到每个骨料的长和宽。
具体的，对轮廓图中每个骨料拟合外接最小矩形，得到外接最小矩形的像素长L、像素宽W和旋转角A；
根据X轴的像素物理大小dx和Y轴的像素物理大小dy，计算每个骨
料的实际长Li和实际宽Wi；Li的计算公式为：Li=
Figure 503338DEST_PATH_IMAGE002
；所述X=L*cosA*dx，所述Y= L*sinA*dy；Wi的计算公式为：Wi=
Figure 623741DEST_PATH_IMAGE004
；所述x=W*cos(A+90°)*dx，所述y=W *sin(A+90°)*dy。
其中，粒形级配数据生成方法中的轮廓图由电脑主机处理骨料体积计算方法中的二值图得到。
S310，根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全
部的骨料进行数据分类处理。
具体的，取每个骨料的轮廓图内所有像素点的高度的最大值作为每个骨料的高Himax；利用每个骨料的Li、Wi和Himax进行计算，得到每个骨料的粒径R；根据每个骨料的粒径R，将对应的骨料划分至对应的粒径大小区间中。
其中，像素点的高度来自骨料的3D数据，由于骨料的3D数据存储于相机坐标系中，且进行了像素坐标的映射，所以每个像素点中保存有对应的高度值。预设的粒径大小区间具体为：“<2.36mm、2.36-4.75mm、4.75-9.50mm、9.50mm-16.0mm、16.0-19.0mm、19.0-26.5mm、26.5-31.5mm、>31.5mm”。
粒径R的计算公式为：
Figure DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE014
。根据Li、Wi和Himax，选用上述四个计算公式中的其中一个进行粒径R计算，再根据对应的粒径R进行分类，最后进行后续步骤得到级配曲线。若得到的级配曲线偏离标准曲线，则工人可重新选择上述公式中的一个公式进行重新计算，以便于进行修正，得到较为准确的级配曲线。
得到粒径R时，果一个骨料的粒径R=17.5mm，则该骨料属于16.0-19.0mm的区间。
S320，根据各个骨料的体积信息，计算每个粒径区间的分计筛余值和累计筛余值，生成级配数据表。
骨料的体积信息，通过上述任意一种骨料体积计算方法获得。
具体的，级配数据表可以包括但不限于三列和九行，表格首行中三个单元格的内容分别是：“粒径大小、分计筛余%、累计筛余%”，表格第一列的第二行至第九行的内容分别是：“<2.36mm、2.36-4.75mm、4.75-9.50mm、9.50mm-16.0mm、16.0-19.0mm、19.0-26.5mm、26.5-31.5mm、>31.5mm”。
其中，分计筛余值由对应的的粒径大小区间内的骨料体积除以总骨料体积再乘以100%得到；累计筛余值由分计筛余依次叠加得到，例如：粒度“>31.5mm”内的分计筛余为42.63%，粒度“26.5-31.5mm”内的分计筛余值为21.35%，粒度“19.0-26.5mm”内的分计筛余值为30.71%，粒度“16.0-19.0mm”内的分计筛余值为5.32%，其余粒度的分计筛余值均为0%，则粒度“>31.5mm”的累计筛余值为42.63%，粒度“26.5-31.5mm”的累计筛余值为42.63%+21.35%=63.92%，粒度“19.0-26.5mm”的累计筛余值则为94.68%，粒度“16.0-19.0mm”的累计筛余值则为100.0%，且其余粒度的累计筛余值均为100.0%。
S330，根据级配数据表中的累计筛余值，绘制粒形级配曲线，以便于判断成堆的骨料的级配是否合格。
具体的，根据级配数据表内的粒径大小和累计筛余值绘制曲线。将级配曲线添加至标准比对曲线图中，以便于工人对级配曲线与标准曲线进行对比，从而更准确更直观地展示分析结果，提高了分析精度。
其中，以粒径大小为X轴，累计筛余为Y轴，绘制折线图，从而得到粒形级配曲线。标准比对曲线图中包括：级配上限曲线、级配下限曲线和级配中值曲线。若得到的粒形级配曲线在标准比对曲线图中，位于级配上限曲线和级配下限曲线之间，且靠近于级配中值曲线，则判断为合格；若得到的粒形级配曲线在标准比对曲线图中，不处于级配上限曲线和级配下限曲线之间，则判断为不合格。
综上所述，执行上述方法在准确的轮廓图中计算出每个骨料的粒径，并进行准确的粒度划分，配合已知的骨料体积，得到准确地级配数据表，再根据级配数据表，得到更为直观且准确的粒形级配曲线，从而提高了分析精度。
参照图4，本申请实施例还公开了粒形级配数据生成系统。
粒形级配数据生成系统，包括：
骨料长宽获取模块400，用于对轮廓图拟合外接最小矩形，得到每个骨料的长和宽；
骨料分类模块410，用于根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全部的骨料进行数据分类处理；
级配数据表生成模块420，用于根据各个骨料的体积信息，计算每个粒径区间的分计筛余值和累计筛余值，生成级配数据表；
级配曲线生成模块430，用于根据级配数据表中的累计筛余值，绘制粒形级配曲线，以便于判断成堆的骨料的级配是否合格。
具体的，粒形级配数据生成系统包括电脑主机，电脑主机内存储有可
执行粒形级配数据生成方法的计算机程序，用于对轮廓图拟合外接最小矩形，得到每个骨料的长和宽，根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全部的骨料进行数据分类处理，将每个骨料的体积信息，汇总至对应的粒径大小区间，并生成级配数据表，根据级配数据表，绘制粒形级配曲线。
本申请实施例还公开了另一种电子设备，包括存储器和处理器，存储器上存储有能够被处理器加载并执行如上述任一项粒形级配数据生成方法的计算机程序，当该计算机程序被处理器执行时，执行以下步骤：
对轮廓图拟合外接最小矩形，得到每个骨料的长和宽；
根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全部的骨
料进行数据分类处理；每个所述骨料的高为每个骨料的轮廓图内所有像素点的高度的最大值；
根据各个骨料的体积信息，计算每个粒径区间的分计筛余值和累计筛余值，生成级配数据表；骨料的体积信息通过上述任意一种骨料体积计算方法获得；
根据级配数据表中的累计筛余值，绘制粒形级配曲线，以便于判断成堆的骨料的级配是否合格。
可选的，本申请的实施例中，当计算机程序被处理器运行时，执行以下步骤：对轮廓图中每个骨料拟合外接最小矩形，得到外接最小矩形的像素长L、像素宽W和旋转角A；
根据X轴的像素物理大小dx和Y轴的像素物理大小dy，计算每个骨料的实际长Li和实际宽Wi；Li的计算公式为：Li=
Figure 387166DEST_PATH_IMAGE002
；所述X=L*cosA*dx，所述Y= L*sinA*dy；Wi的计算公式为：Wi=
Figure 985638DEST_PATH_IMAGE004
；所述x=W*cos(A+90°)*dx，所述y=W *sin(A+90°)*dy。
可选的，本申请的实施例中，当计算机程序被处理器运行时，执行以下步骤：取每个骨料的轮廓图内所有像素点的高度的最大值作为每个骨料的高Himax；
利用每个骨料的Li、Wi和Himax进行计算，得到每个骨料的粒径R；
根据每个骨料的粒径R，将对应的骨料划分至对应的粒径大小区间中。
本申请实施例还公开一种计算机可读存储介质，存储有能够被处理器加载并执行的计算机程序，该计算机程序被处理器执行时实现上述任一种粒形级配数据生成方法的步骤，且能达到相同的效果。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的方法、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.骨料体积计算方法,其特征在于，包括：
获取来自3D相机的扫描照片，对扫描照片进行处理，得到骨料的3D数据；
对骨料的3D数据进行处理，得到骨料的二值图；
基于所述二值图，进行轮廓识别，得到骨料的轮廓图；
根据所述轮廓图，得到每个骨料的所有像素点；
对各个骨料的所有像素点以高度进行积分，得到骨料的体积信息。
2.根据权利要求1所述的骨料体积计算方法，其特征在于：所述对骨料的3D数据进行处理，得到骨料的二值图，包括：
将骨料的3D数据和预设的基准数据进行像素坐标映射，再进行比对，识别出像素坐标中骨料所占据的点；所述骨料的3D数据和基准数据均用相机坐标系进行存储；所述基准数据是指没有骨料时的3D点阵数据；
基于像素坐标系生成二维矩阵，所述二维矩阵的列数是3D相机分辨率的长，行数是3D相机分辨率的宽；
对所述二维矩阵的像素值进行调整：
判断像素坐标每个点的高差是否大于第一预设值；
若是，则将二维矩阵对应的点的值设为255；
若否，则将二维矩阵对应的点的值设为0；
根据处理后的二维矩阵，得到骨料的二值图。
3. 根据权利要求1所述的骨料体积计算方法，其特征在于：所述对骨料的3D数据进行处理，得到骨料的二值图，包括：
将骨料的3D数据进行像素坐标映射，建立像素坐标与骨料的3D数
据的索引映射关系；
基于像素坐标系生成二维矩阵，缺省值为255；
把骨料的3D数据转换为点云库PCL的点云数据，所述3D数据的索引与点云库PCL的点云数据的索引、像素坐标的索引相同；
对点云库PCL的点云数据用RANSAC算法进行平面拟合；拟合时，判断3D点到平面的距离是否大于第二预设值；若是，则将对应的3D点归类为局外点；若否，则将对应的3D点归类为局内点；
获取每个局内点的索引值；
根据每个局内点的索引值，将每个局内点对应的二维矩阵内坐标点的像素值设为0；
根据处理后的二维矩阵，得到骨料的二值图。
4.根据权利要求1所述的骨料体积计算方法，其特征在于：在所述基于所述二值图，进行轮廓识别，得到骨料的轮廓图和所述根据所述轮廓图，得到每个骨料的所有像素点之间，还包括：
对轮廓图进行多边形拟合，得到轮廓修正图；
所述的根据所述轮廓图，得到每个骨料的所有像素点，包括：
根据轮廓修正图，得到每个骨料的所有像素点。
5.骨料体积计算系统，其特征在于，包括：
3D数据获取模块，用于获取来自3D相机的扫描照片，对扫描照片进行处理，得到骨料的3D数据；
二值图获取模块，用于对骨料的3D数据进行处理，得到骨料的二值图；
轮廓识别模块，用于基于所述二值图，进行轮廓识别，得到骨料的轮廓图；
骨料像素点获取模块，用于根据所述轮廓图，得到每个骨料的所有像素点；
骨料体积获取模块，用于对各个骨料的所有像素点以高度进行积分，得到骨料的体积信息。
6.粒形级配数据生成方法，其特征在于，包括：
对轮廓图拟合外接最小矩形，得到每个骨料的长和宽；
根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全部的骨
料进行数据分类处理；每个所述骨料的高为每个骨料的轮廓图内所有像素点的高度的最大值；
根据各个骨料的体积信息，计算每个粒径区间的分计筛余值和累计筛余值，生成级配数据表；所述的骨料的体积信息，通过权利要求1-4任意一项所述的方法获得；
根据级配数据表中的累计筛余值，绘制粒形级配曲线，以便于判断成堆的骨料的级配是否合格。
7.根据权利要求6所述的粒形级配数据生成方法，其特征在于，所述对轮廓图拟合外接最小矩形，得到每个骨料的长和宽，包括：
对轮廓图中每个骨料拟合外接最小矩形，得到外接最小矩形的像素长L、像素宽W和旋转角A；
根据X轴的像素物理大小dx和Y轴的像素物理大小dy，计算每个骨料的实际长Li和实际宽Wi；Li的计算公式为：Li=
Figure DEST_PATH_IMAGE002
；X=L*cosA*dx，Y= L*sinA*dy；Wi的计算公式为：Wi=
Figure DEST_PATH_IMAGE004
；x=W*cos(A+90°)*dx，y=W *sin(A+90°)*dy。
8.根据权利要求7所述的粒形级配数据生成方法，其特征在于，所述根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全部的骨料进行数据分类处理，包括：
取每个骨料的轮廓图内所有像素点的高度的最大值作为每个骨料的高Himax；
利用每个骨料的Li、Wi和Himax进行计算，得到每个骨料的粒径R；
根据每个骨料的粒径R，将对应的骨料划分至对应的粒径大小区间中。
9.粒形级配数据生成系统，其特征在于，包括：
骨料长宽获取模块，用于对轮廓图拟合外接最小矩形，得到每个骨料的长和宽；
骨料分类模块，用于根据每个骨料的长、宽和高，按照预设的粒径大小区间，对全部的骨料进行数据分类处理；
级配数据表生成模块，用于根据各个骨料的体积信息，计算每个粒径区间的分计筛余值和累计筛余值，生成级配数据表；
级配曲线生成模块，用于根据级配数据表中的累计筛余值，绘制粒形级配曲线，以便于判断成堆的骨料的级配是否合格。
10.一种电子设备，其特征在于，包括存储器和处理器，存储器上存储有能够被处理器加载并执行如权利要求6-8所述的任一项粒形级配数据生成方法的计算机程序。
CN202110771859.2A 2021-07-08 2021-07-08 骨料体积计算方法、粒形级配数据生成方法、系统和设备 Pending CN113409297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110771859.2A CN113409297A (zh) 2021-07-08 2021-07-08 骨料体积计算方法、粒形级配数据生成方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110771859.2A CN113409297A (zh) 2021-07-08 2021-07-08 骨料体积计算方法、粒形级配数据生成方法、系统和设备

Publications (1)

Publication Number Publication Date
CN113409297A true CN113409297A (zh) 2021-09-17

Family

ID=77685559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110771859.2A Pending CN113409297A (zh) 2021-07-08 2021-07-08 骨料体积计算方法、粒形级配数据生成方法、系统和设备

Country Status (1)

Country Link
CN (1) CN113409297A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503804A (zh) * 2023-04-28 2023-07-28 东莞理工学院 基于图像处理的粗集料形态特征获取方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104154861A (zh) * 2014-03-10 2014-11-19 上海大学 大型堆积物料体积绕行测量装置和方法
US9495764B1 (en) * 2016-03-21 2016-11-15 URC Ventures, Inc. Verifying object measurements determined from mobile device images
CN110907457A (zh) * 2019-12-19 2020-03-24 长安大学 基于3d点云数据的集料形态特征检测系统及检测方法
CN110969608A (zh) * 2019-11-29 2020-04-07 华侨大学 一种基于图像法的机制砂级配修正系统
CN112611690A (zh) * 2020-12-04 2021-04-06 华侨大学 一种基于三维图像的粗骨料等效粒度级配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104154861A (zh) * 2014-03-10 2014-11-19 上海大学 大型堆积物料体积绕行测量装置和方法
US9495764B1 (en) * 2016-03-21 2016-11-15 URC Ventures, Inc. Verifying object measurements determined from mobile device images
CN110969608A (zh) * 2019-11-29 2020-04-07 华侨大学 一种基于图像法的机制砂级配修正系统
CN110907457A (zh) * 2019-12-19 2020-03-24 长安大学 基于3d点云数据的集料形态特征检测系统及检测方法
CN112611690A (zh) * 2020-12-04 2021-04-06 华侨大学 一种基于三维图像的粗骨料等效粒度级配方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503804A (zh) * 2023-04-28 2023-07-28 东莞理工学院 基于图像处理的粗集料形态特征获取方法和系统
CN116503804B (zh) * 2023-04-28 2023-11-10 东莞理工学院 基于图像处理的粗集料形态特征获取方法和系统

Similar Documents

Publication Publication Date Title
US11227405B2 (en) Determining positions and orientations of objects
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
US8755602B2 (en) Electronic apparatus and method for binarizing image
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
CN116559183B (zh) 一种提高缺陷判定效率的方法及系统
CN110517265B (zh) 一种产品表面缺陷的检测方法、装置及存储介质
CN113608378B (zh) 一种基于lcd制程的全自动缺陷检测方法和系统
CN114324078A (zh) 一种颗粒粒径识别方法、装置、设备和介质
CN111105386A (zh) 一种基于移动设备的粗骨料质量图像处理及分析方法
CN113658092A (zh) 一种基于图像处理的铝电解电容缺陷检测方法
CN114897881B (zh) 一种基于边缘特征的晶粒缺陷检测方法
CN113252103A (zh) 一种基于matlab图像识别技术计算物料堆体积及质量的方法
CN113538603A (zh) 一种基于阵列产品的光学检测方法、系统和可读存储介质
CN113409297A (zh) 骨料体积计算方法、粒形级配数据生成方法、系统和设备
CN111968115B (zh) 基于栅格化图像处理方法的骨科耗材检测方法及系统
CN116129365B (zh) 输送设备上颗粒物料的检测方法和系统
CN114187269B (zh) 小零器件表面缺陷边缘快速检测方法
CN113379681A (zh) Led芯片倾斜角度的获取方法、系统、电子装置及存储介质
CN109472279B (zh) 基于图像处理的物品识别方法和装置
CN112837285A (zh) 一种板面图像的边缘检测方法及装置
CN117115275B (zh) 畸变参数的确定方法、装置和计算机设备
CN113840135B (zh) 色偏检测方法、装置、设备及存储介质
CN114494060B (zh) 一种基于Opencv的菲涅尔透镜中心定位方法
JP7003786B2 (ja) 粒子径測定装置及び粒子径測定方法
CN115345818A (zh) 一种对象检测和分类网络结合的模型训练方法

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