CN113487643A - 一种胶结砂砾石料场采样确定方法 - Google Patents
一种胶结砂砾石料场采样确定方法 Download PDFInfo
- Publication number
- CN113487643A CN113487643A CN202110814260.2A CN202110814260A CN113487643A CN 113487643 A CN113487643 A CN 113487643A CN 202110814260 A CN202110814260 A CN 202110814260A CN 113487643 A CN113487643 A CN 113487643A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- images
- aggregate
- sampling
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种胶结砂砾石料场采样确定方法,其包括获取胶结砂砾石料场的骨料图像;将预处理后的骨料图像划分为若干子图像,并分割出每张子图像中的每块骨料的轮廓图像;采用BP神经网络模型对轮廓图像骨料级配识别;根据识别结果,确定在每个子图像中设置一个采样点还是两个采样点。采用本方案的方法确定采样点,相对现有技术随机采样点而言,所反映出来的信息相对比较完整,实际工程可以根据需要具体选取对应子图像的骨料进行筑坝,无需大范围费时耗力地确定采样点。
Description
技术领域
本发明涉及胶结坝骨料检测技术,具体涉及胶结砂砾石料场采样点确定方法。
背景技术
胶结坝是利用天然河床砂砾料、基岩和边坡开挖料、人工破碎料等工程现场的不筛分、不水洗的当地材料,加入少量水泥、粉煤灰、外加剂胶结成具有一定强度、抗剪和抗冲蚀能力的材料筑坝的新坝型。胶结砂石料场的规划选择是胶结坝施工组织设计中的重要环节,在施工过程中对骨料的需求量很大,胶结坝筑坝原材料占比最大的原料为砂砾石料,骨料采样点选择不同,骨料级配范围变化也不同、筑坝工程质量也有所不同。骨料采样确定决定了骨料级配范围和配合比设计。特别是一些胶结坝料场沿线较长,分布范围较广,如何有效选择具有代表性的砂砾石料筑坝,满足工程设计要求,在多个骨料级配的砂砾石料中找到关键级配作为控制胶结坝筑坝砂砾石强度离散程度的试验对象,显得尤为关键。
现有的技术中,随机选择一些实验点,进行采样分析砂砾石料的级配范围来代表整个料场,筑坝材料的级配范围。对于长距离沿线的胶结坝,该方法具有随机性,料场分布范围广、所反映出来的信息就不完整,不能满足实际工程的需求,而大范围的采样又耗时耗力,增加施工成本;采样点分布过于稀疏导致不能获取区域的关键信息,或在某一块区域站点分布过于密集导致信息冗余,从而使得采样点的空间布局缺乏科学性。
发明内容
针对现有技术中的上述不足,本发明提供的胶结砂砾石料场采样确定方法解决了现有技术中随机确定采样点致使胶结砂砾石料场骨料级配确定代表性不足、准确度不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种胶结砂砾石料场采样确定方法,其包括步骤:
S1、获取胶结砂砾石料场的骨料图像,并对骨料图像进行预处理;
S2、根据预设采样区域大小,将预处理后的骨料图像划分为若干子图像,并统计每张子图像的特征值,之后计算相邻两张子图像之间的特征相似度;
S3、当相邻两张子图像的特征相似度小于相似度阈值时,则合并相邻两张子图像,之后采用阈值分割方法分割出每张子图像中的每块骨料的轮廓图像;
S4、将每张子图像中的每块骨料的轮廓图像输入已训练的BP神经网络模型进行骨料级配识别,并输出每张子图像中所有骨料的识别结果;
S5、将每张子图像中同一识别结果划分为一组,并判断每张子图像中是否存在一个组所占的比例大于预设阈值;若是,进入步骤S10,否则进入步骤S6;
S6、判断子图像对应的所有组的级配是否连续,若是,进入步骤S10,否则进入步骤S7;
S7、将预设采样区域按预设比例缩小,之后采用调整后的预设采样区域遍历子图像,生成多张遍历图像;
S8、采用阈值分割方法分割出遍历图像中每块骨料的轮廓图像,并输入已训练的BP神经网络进行骨料级配识别;
S9、判断同一子图像的遍历图像中是否存在至少一张遍历图像的一个组所占比例大于预设阈值;若是,进入步骤S10,否则在子图像中选取两个采样点;
S10、在子图像对应的胶结砂砾石料场区域设置一个采样点。
本发明的有益效果为:本方案通过提取每块骨料的轮廓图像,再结合训练的神经网络对骨料的级配进行确定,之后再通过每张子图像中所有骨料级配的分布情况,最终确定在每张子图像中确定几个采样点,以此保证每个采样点采集的骨料级配能够比较准确地代表整个子图像。
由于本方案主要根据砂砾级配进行最终采样点的确定,相对现有技术随机采样点而言,所反映出来的信息相对比较完整,实际工程可以根据需要具体选取对应子图像的骨料进行筑坝,无需大范围费时耗力的进行采样点的确定;再者本方案的确定方法可以全自动执行,无需人工前期的采样或依靠经验确定。
附图说明
图1为胶结砂砾石料场采样确定方法的流程图。
图2为四张遍历图像位于子图像中的示意图,其中采用虚线、点划线和粗实线表示的4个框为遍历图像,两条粗实线为子图像的对角线。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
参考图1,图1示出了胶结砂砾石料场采样确定方法的流程图;如图1所示,该方法包括步骤S1至步骤S10。
在步骤S1中,获取胶结砂砾石料场的骨料图像,并对骨料图像进行预处理;本方案预处理主要目的是将高清彩色图像转换为灰度图像,方便后续骨料轮廓的分割。
本方案进行骨料图像采集时,首先在采石场上设置若干标志物,接着采用无人机搭载高清摄像机,以距离地面预设高度进行图像采集;之后根据胶结砂砾石料场中出现的标志物,对采集的图像进行拼接,形成砂砾石料场的完整的骨料图像。
在步骤S2中,根据预设采样区域大小,将预处理后的骨料图像划分为若干子图像,并统计每张子图像的特征值,之后计算相邻两张子图像之间的特征相似度。
实施时,本方案优选将预处理后的骨料图像划分为若干子图像进一步包括:
S21、采用预设采样区域在子图像长度和宽度方向依次移动,形成若干初始子图像;
S22、判断骨料图像是否被均匀分割;若是,则将初始子图像作为最终的子图像输出,否则进入步骤S23;
S23、获取骨料图像分别在宽度方向和长度方向的剩余宽度a和剩余长度b,及骨料图像在长度方向的初始子图像个数c和宽度方向的初始子图像个数d;
S24、更新预设采样区域的宽度A=A+a/c,预设采样区域的长度B=B+b/d;
S25、采用更新后的预设采样区域将预处理后的骨料图像划分为若干子图像。
本方案采用上述方式进行子图像划分时,可以避免部分区域采样点分布稀疏,致使采样不准确的问题,同时还可以避免采样点分布过于紧密的问题,从而保证了采样点设置适中,以保证最终获得的骨料级配能够相对准确地代表相应的子图像区域。
在步骤S3中,当相邻两张子图像的特征相似度小于相似度阈值时,则合并相邻两张子图像,之后采用阈值分割方法分割出每张子图像中的每块骨料的轮廓图像。
在进行两张子图像合并时,若是同一张子图像与多张相邻的子图像的特征相似度均小于相似度阈值,此时可以将特征相似度最小的两张子图像进行合并,两张子图像合并后的构成新的子图像。
在步骤S4中,将每张子图像中的每块骨料的轮廓图像输入已训练的BP神经网络模型进行骨料级配识别,并输出每张子图像中所有骨料的识别结果;
在本发明的一个实施例中,BP神经网络的训练方法包括:
A1、将胶结砂砾石料场的骨料筛分为300~150mm、150~80mm、80~40mm、40~20mm和20~5mm五个级配;
A2、获取每个骨料不同角度的照片,并将位于同一级配的骨料的所有照片划分为一个样本训练集;
A3、采用每个样本训练集分别训练一个独立的BP神经网络,得到子网络模型,所有的BP神经网络的网络结构相同;
A4、采用所有级配对应的子网络模型构成已训练的BP神经网络模型。
本方案根据骨料体积进行骨料级配的确定,可以保证骨料级配更具有代表性,之后再通过骨料不同角度的数据采集进行训练,可以保证自然状态下随机分布的骨料级配识别的准确性。
采用已训练的BP神经网络模型对骨料级配识别时,每个轮廓图像均需要输入五个子网络模型进行识别,选取可靠度最高的识别结果作为轮廓图像对应骨料最终的识别结果。
在步骤S5中,将每张子图像中同一识别结果划分为一组,并判断每张子图像中是否存在一个组所占的比例大于预设阈值;若是,进入步骤S10,否则进入步骤S6;
其中的预设阈值可以根据经验进行确定,此处通过一个组所占的比例的比较,可以确定每张子图像中大部分骨料的级配是否相似,以确保最终确定的采样点更具有代表性。
在步骤S6中,判断子图像对应的所有组的级配是否连续,若是,进入步骤S10,否则进入步骤S7。
若是级配相对比较连续,在进行胶结坝施工时,骨料能够相互进行填充,这种情况下即使级配不完全相同,也能保证胶结坝施工质量,这种情况可以不用设置多个采样点。
在步骤S7中,将预设采样区域按预设比例缩小,之后采用调整后的预设采样区域遍历子图像,生成多张遍历图像;
实施时,本方案优选采用调整后的预设采样区域遍历子图像,生成多张遍历图像的方法包括:
B1、以预设采样区域为基准框,子图像的四个顶点为起点,按照预设距离沿着子图像的两条边滑动,采用每次滑动框定的区域作为遍历图像;
B2、以预设采样区域为基准框,子图像的中心点和基准框的中心点重合区域作为初始位置,向着四个方向(上下左右)按照预设距离滑动,采用每次滑动框定的区域作为遍历图像;
B3、合并两种方式获得的遍历图像,并计算相邻两张遍历图像的中心距离及统计每张遍历图像的特征值;
B4、计算相邻两张遍历图像之间的特征相似度,并判断相邻两张遍历图像的特征相似度是否小于相似度阈值,且中心距离是否小于距离阈值;
B5、若均为是,则将相邻两张遍历图像合并为一张遍历图像,否则不进行合并,之后进入步骤B6;
B6、当所有相邻两张遍历图像均已进行了相似度阈值和距离阈值判断时,输出最终的遍历图像。
在步骤S8中,采用阈值分割方法分割出遍历图像中每块骨料的轮廓图像,并输入已训练的BP神经网络进行骨料级配识别;
在步骤S9中,判断同一子图像的遍历图像中是否存在至少一张遍历图像的一个组所占比例大于预设阈值;若是,进入步骤S10,否则在子图像中选取两个采样点;
在本发明的一个实施例中,在子图像中选取两个采样点的方法进一步包括:
获取子图像中邻近其四个顶点的四张遍历图像(如图2所示,图中两个虚线框、一个点划线框和一个粗实线框),将每张遍历图像中同一识别结果划分为一组,并选取四张遍历图像中所占比例最大的组;
选取四张遍历图像中具有最大占比的遍历图像,并采用子图像中过选取的遍历图像顶点的对角线(如图2所示)为分界线;
采用分界线将子图像划分成两张对角图像,并采用每张对角图像的中心点作为最终的采样点。
在步骤S10中,在子图像对应的胶结砂砾石料场区域设置一个采样点:
将子图像均匀分割成四张分割图像,并采用阈值分割方法分割出每张分割图像中的每块骨料的轮廓图像;
统计每张分割图像的轮廓图像总数量,并判断所有分割图像的轮廓图像总数量是否大于预设数量;
若是,则将采样点的位置设置在子图像的中心位置;否则,选取具有最大的轮廓图像总数量的分割图像,并将采样点的位置设置在分割图像的中心位置。
本方案采用上述方式确定最终采样点的位置,可以确保采样点位于级配分布更不均匀区域,以保证最终确定的采样点采集的骨料级配更具备代表性。
本方案的采样点的尺寸设置为1m*1m*1m。
综上所述,采用本方案的采样点确定方法能够智能化实现采样点的选取,且无需大范围费时耗力地选取;通过采样点的精准确定,进而保证采集的骨料级配更加准确,最终以实现胶结坝质量的控制。
Claims (9)
1.一种胶结砂砾石料场采样确定方法,其特征在于,包括步骤:
S1、获取胶结砂砾石料场的骨料图像,并对骨料图像进行预处理;
S2、根据预设采样区域大小,将预处理后的骨料图像划分为若干子图像,并统计每张子图像的特征值,之后计算相邻两张子图像之间的特征相似度;
S3、当相邻两张子图像的特征相似度小于相似度阈值时,则合并相邻两张子图像,之后采用阈值分割方法分割出每张子图像中的每块骨料的轮廓图像;
S4、将每张子图像中的每块骨料的轮廓图像输入已训练的BP神经网络模型进行骨料级配识别,并输出每张子图像中所有骨料的识别结果;
S5、将每张子图像中同一识别结果划分为一组,并判断每张子图像中是否存在一个组所占的比例大于预设阈值;若是,进入步骤S10,否则进入步骤S6;
S6、判断子图像对应的所有组的级配是否连续,若是,进入步骤S10,否则进入步骤S7;
S7、将预设采样区域按预设比例缩小,之后采用调整后的预设采样区域遍历子图像,生成多张遍历图像;
S8、采用阈值分割方法分割出遍历图像中每块骨料的轮廓图像,并输入已训练的BP神经网络进行骨料级配识别;
S9、判断同一子图像的遍历图像中是否存在至少一张遍历图像的一个组所占比例大于预设阈值;若是,进入步骤S10,否则在子图像中选取两个采样点;
S10、在子图像对应的胶结砂砾石料场区域设置一个采样点。
2.根据权利要求1所述的胶结砂砾石料场采样确定方法,其特征在于,所述BP神经网络的训练方法包括:
A1、将胶结砂砾石料场的骨料筛分为300~150mm、150~80mm、80~40mm、40~20mm和20~5mm五个级配;
A2、获取每个骨料不同角度的照片,并将位于同一级配的骨料的所有照片划分为一个样本训练集;
A3、采用每个样本训练集分别训练一个独立的BP神经网络,得到子网络模型,所有的BP神经网络的网络结构相同;
A4、采用所有级配对应的子网络模型构成已训练的BP神经网络模型。
3.根据权利要求2所述的胶结砂砾石料场采样确定方法,其特征在于,BP神经网络模型对骨料级配识别时,每个轮廓图像均需要输入五个子网络模型进行识别,选取可靠度最高的识别结果作为轮廓图像对应骨料最终的识别结果。
4.根据权利要求1所述的胶结砂砾石料场采样确定方法,其特征在于,所述采用调整后的预设采样区域遍历子图像,生成多张遍历图像的方法包括:
B1、以预设采样区域为基准框,子图像的四个顶点为起点,按照预设距离沿着子图像的两条边滑动,采用每次滑动框定的区域作为遍历图像;
B2、以预设采样区域为基准框,子图像的中心点和基准框的中心点重合区域作为初始位置,向着四个方向按照预设距离滑动,采用每次滑动框定的区域作为遍历图像;
B3、合并两种方式获得的遍历图像,并计算相邻两张遍历图像的中心距离及统计每张遍历图像的特征值;
B4、计算相邻两张遍历图像之间的特征相似度,并判断相邻两张遍历图像的特征相似度是否小于相似度阈值,且中心距离是否小于距离阈值;
B5、若均为是,则将相邻两张遍历图像合并为一张遍历图像,否则不进行合并,之后进入步骤B6;
B6、当所有相邻两张遍历图像均已进行了相似度阈值和距离阈值判断时,输出最终的遍历图像。
5.根据权利要求4所述的胶结砂砾石料场采样确定方法,其特征在于,所述在子图像中选取两个采样点的方法进一步包括:
获取子图像中邻近其四个顶点的四张遍历图像,将每张遍历图像中同一识别结果划分为一组,并选取四张遍历图像中所占比例最大的组;
选取四张遍历图像中具有最大占比的遍历图像,并采用子图像中过选取的遍历图像顶点的对角线为分界线;
采用分界线将子图像划分成两张对角图像,并采用每张对角图像的中心点作为最终的采样点。
6.根据权利要求1-5任一所述的胶结砂砾石料场采样确定方法,其特征在于,所述在子图像对应的胶结砂砾石料场区域设置一个采样点进一步包括:
将子图像均匀分割成四张分割图像,并采用阈值分割方法分割出每张分割图像中的每块骨料的轮廓图像;
统计每张分割图像的轮廓图像总数量,并判断所有分割图像的轮廓图像总数量是否大于预设数量;
若是,则将采样点的位置设置在子图像的中心位置;否则,选取具有最大的轮廓图像总数量的分割图像,并将采样点的位置设置在分割图像的中心位置。
7.根据权利要求1-5任一所述的胶结砂砾石料场采样确定方法,其特征在于,所述将预处理后的骨料图像划分为若干子图像进一步包括:
S21、采用预设采样区域在子图像长度和宽度方向依次移动,形成若干初始子图像;
S22、判断骨料图像是否被均匀分割;若是,则将初始子图像作为最终的子图像输出,否则进入步骤S23;
S23、获取骨料图像分别在宽度方向和长度方向的剩余宽度a和剩余长度b,及骨料图像在长度方向的初始子图像个数c和宽度方向的初始子图像个数d;
S24、更新预设采样区域的宽度A=A+a/c,预设采样区域的长度B=B+b/d;
S25、采用更新后的预设采样区域将预处理后的骨料图像划分为若干子图像。
8.根据权利要求1-5任一所述的胶结砂砾石料场采样确定方法,其特征在于,所述获取胶结砂砾石料场的骨料图像的方法进一步包括:
在采石场上设置若干标志物;
采用无人机搭载高清摄像机,以距离地面预设高度进行图像采集;
根据胶结砂砾石料场中出现的标志物,对采集的图像进行拼接,形成砂砾石料场的完整的骨料图像。
9.根据权利要求1-5任一所述的胶结砂砾石料场采样确定方法,其特征在于,所述采样点的尺寸为1m*1m*1m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814260.2A CN113487643B (zh) | 2021-07-19 | 2021-07-19 | 一种胶结砂砾石料场采样确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814260.2A CN113487643B (zh) | 2021-07-19 | 2021-07-19 | 一种胶结砂砾石料场采样确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487643A true CN113487643A (zh) | 2021-10-08 |
CN113487643B CN113487643B (zh) | 2022-06-28 |
Family
ID=77941349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110814260.2A Active CN113487643B (zh) | 2021-07-19 | 2021-07-19 | 一种胶结砂砾石料场采样确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487643B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020150294A1 (en) * | 2001-02-02 | 2002-10-17 | Honeywell Federal Manufacturing & Technologies, Llc | Automated imaging system and method for concrete quality analysis |
US20080192987A1 (en) * | 2004-09-07 | 2008-08-14 | Petro-Model Ehf | Apparatus and Method For Analysis of Size, Form and Angularity and For Compositional Analysis of Mineral and Rock Particles |
JP2008268051A (ja) * | 2007-04-23 | 2008-11-06 | Zenkoku Nama Concrete Kogyo Kumiai Rengokai | 生コンクリート骨材粒度測定方法および生コンクリート骨材粒度測定システム |
CN101354241A (zh) * | 2008-07-11 | 2009-01-28 | 长安大学 | 集料数字图像评价系统及评价方法 |
US20110004333A1 (en) * | 2009-07-01 | 2011-01-06 | Icrete International, Inc. | Superior concrete mix design with workability optimized gradation and fixed paste volume |
US20120227475A1 (en) * | 2003-06-17 | 2012-09-13 | Troxler Electronic Laboratories, Inc. | Method and apparatus for determining a characteristic of a construction material |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
CN105510195A (zh) * | 2015-12-07 | 2016-04-20 | 华侨大学 | 一种堆叠骨料的粒度粒形在线检测方法 |
US20160202390A1 (en) * | 2013-10-01 | 2016-07-14 | Landmark Graphics Corporation | In-Situ Wellbore, Core and Cuttings Information System |
CN106228536A (zh) * | 2016-07-12 | 2016-12-14 | 四川大学 | 基于数字图像处理的土石坝筑坝材料颗粒级配检验方法 |
CN107621435A (zh) * | 2017-10-16 | 2018-01-23 | 华侨大学 | 一种骨料在线监测装置 |
CN108287254A (zh) * | 2018-01-31 | 2018-07-17 | 西安科技大学 | 一种基于图像处理的胶结充填体微观参数敏感性分析方法 |
CN109738340A (zh) * | 2019-01-25 | 2019-05-10 | 上海爱被思智能科技有限公司 | 骨料粒度实时分析系统以及骨料生产线 |
CN109900604A (zh) * | 2019-02-18 | 2019-06-18 | 中国建筑材料科学研究总院有限公司 | 一种通过图像分析评价混凝土稳定性的方法 |
CN110118775A (zh) * | 2019-05-10 | 2019-08-13 | 重庆交通大学 | 厂拌水泥稳定碎石骨料组成快速检测方法 |
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 |
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 |
CN111797826A (zh) * | 2020-05-14 | 2020-10-20 | 中国三峡建设管理有限公司 | 大骨料集中区域检测方法和装置及其网络模型训练方法 |
CN112017164A (zh) * | 2020-08-18 | 2020-12-01 | 中国水利水电科学研究院 | 基于深度阈值卷积模型的土石料级配检测方法 |
WO2021123503A1 (en) * | 2019-12-19 | 2021-06-24 | Teknologian Tutkimuskeskus Vtt Oy | Method and apparatus for determining the quality of fresh concrete or the like |
-
2021
- 2021-07-19 CN CN202110814260.2A patent/CN113487643B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020150294A1 (en) * | 2001-02-02 | 2002-10-17 | Honeywell Federal Manufacturing & Technologies, Llc | Automated imaging system and method for concrete quality analysis |
US20120227475A1 (en) * | 2003-06-17 | 2012-09-13 | Troxler Electronic Laboratories, Inc. | Method and apparatus for determining a characteristic of a construction material |
US20080192987A1 (en) * | 2004-09-07 | 2008-08-14 | Petro-Model Ehf | Apparatus and Method For Analysis of Size, Form and Angularity and For Compositional Analysis of Mineral and Rock Particles |
JP2008268051A (ja) * | 2007-04-23 | 2008-11-06 | Zenkoku Nama Concrete Kogyo Kumiai Rengokai | 生コンクリート骨材粒度測定方法および生コンクリート骨材粒度測定システム |
CN101354241A (zh) * | 2008-07-11 | 2009-01-28 | 长安大学 | 集料数字图像评价系统及评价方法 |
US20110004333A1 (en) * | 2009-07-01 | 2011-01-06 | Icrete International, Inc. | Superior concrete mix design with workability optimized gradation and fixed paste volume |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
US20160202390A1 (en) * | 2013-10-01 | 2016-07-14 | Landmark Graphics Corporation | In-Situ Wellbore, Core and Cuttings Information System |
CN105510195A (zh) * | 2015-12-07 | 2016-04-20 | 华侨大学 | 一种堆叠骨料的粒度粒形在线检测方法 |
CN106228536A (zh) * | 2016-07-12 | 2016-12-14 | 四川大学 | 基于数字图像处理的土石坝筑坝材料颗粒级配检验方法 |
CN107621435A (zh) * | 2017-10-16 | 2018-01-23 | 华侨大学 | 一种骨料在线监测装置 |
CN108287254A (zh) * | 2018-01-31 | 2018-07-17 | 西安科技大学 | 一种基于图像处理的胶结充填体微观参数敏感性分析方法 |
CN109738340A (zh) * | 2019-01-25 | 2019-05-10 | 上海爱被思智能科技有限公司 | 骨料粒度实时分析系统以及骨料生产线 |
CN109900604A (zh) * | 2019-02-18 | 2019-06-18 | 中国建筑材料科学研究总院有限公司 | 一种通过图像分析评价混凝土稳定性的方法 |
CN110118775A (zh) * | 2019-05-10 | 2019-08-13 | 重庆交通大学 | 厂拌水泥稳定碎石骨料组成快速检测方法 |
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 |
WO2021123503A1 (en) * | 2019-12-19 | 2021-06-24 | Teknologian Tutkimuskeskus Vtt Oy | Method and apparatus for determining the quality of fresh concrete or the like |
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 |
CN111797826A (zh) * | 2020-05-14 | 2020-10-20 | 中国三峡建设管理有限公司 | 大骨料集中区域检测方法和装置及其网络模型训练方法 |
CN112017164A (zh) * | 2020-08-18 | 2020-12-01 | 中国水利水电科学研究院 | 基于深度阈值卷积模型的土石料级配检测方法 |
Non-Patent Citations (4)
Title |
---|
何锐: "基于数字图像技术的混凝土粗集料空间分布特征", 《长安大学学报》 * |
孙朝云: "沥青混合料图像阈值分割算法的实现", 《长安大学学报》 * |
谢雅君: "混配矿石图像的分割优化及级配检测算法", 《有色金属》 * |
雷雨萌: "基于深度阈值卷积模型的土石料级配智能检测方法研究", 《水利学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113487643B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190481B (zh) | 一种遥感影像道路材质提取方法和系统 | |
CN110458119B (zh) | 一种非接触式测量的混凝土骨料级配快速识别方法 | |
CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
CN109447160B (zh) | 一种影像和矢量道路交叉点自动匹配的方法 | |
CN104463882B (zh) | 基于形状补全区域图和特征编码的sar图像分割方法 | |
CN105608455B (zh) | 一种车牌倾斜校正方法及装置 | |
CN110008854A (zh) | 基于预训练dcnn的无人机影像公路地质灾害识别方法 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN111241994A (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
CN106296678B (zh) | 基于钻孔光学成像技术的rqd分析方法 | |
CN111060521A (zh) | 一种预制混凝土t梁表面气泡数量与面积的检测方法 | |
CN114723709A (zh) | 隧道病害检测方法、装置和电子设备 | |
CN115147421A (zh) | 一种用于建筑垃圾回收的再生骨料分级评价方法 | |
CN116258689A (zh) | 基于深度学习的集料颗粒识别和级配自动分析方法 | |
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 | |
CN113487643B (zh) | 一种胶结砂砾石料场采样确定方法 | |
CN109738752A (zh) | 一种用于接地网维护的快速成像方法 | |
CN109116002B (zh) | 一种路用粗集料棱角性量化方法 | |
CN116434054A (zh) | 一种基于线面结合的密集遥感地物提取方法 | |
CN109544545A (zh) | 一种基于卷积神经网络的盐矿智能检测方法及系统 | |
CN113538385A (zh) | 基于深度学习的隧道表观病害类型及等级判别方法 | |
CN107524065B (zh) | 一种多空路面再生时骨架恢复方法 | |
CN113740216B (zh) | 一种宽级配混合骨料空地一体检测方法 |
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 |