CN113592792A - 堆石图像粒径识别方法、装置、电子设备及存储介质 - Google Patents

堆石图像粒径识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113592792A
CN113592792A CN202110808310.6A CN202110808310A CN113592792A CN 113592792 A CN113592792 A CN 113592792A CN 202110808310 A CN202110808310 A CN 202110808310A CN 113592792 A CN113592792 A CN 113592792A
Authority
CN
China
Prior art keywords
rockfill
image
particle size
fitting
identifying
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
CN202110808310.6A
Other languages
English (en)
Inventor
金峰
付立群
徐小蓉
周虎
张晨笛
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110808310.6A priority Critical patent/CN113592792A/zh
Publication of CN113592792A publication Critical patent/CN113592792A/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10004—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
    • G06T2207/20021—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

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)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开提出了一种堆石图像粒径识别方法、装置、电子设备及存储介质，以解决工程堆石粒径大小难以直接检测的问题。本公开包括：获取堆石标注图像、识别堆石区域、分割堆石区域、提取堆石边缘轮廓、拟合堆石区域和计算堆石粒径。本公开利用不同的神经网络算法分别实现目标识别堆石区域和提取堆石边缘的功能。通过几何拟合参数化规范堆石粒径，并结合抽样调查的方法，提高堆石粒径信息的科学性和准确性，为大规模工程堆石的粒径检测提供了一种快速有效的方法，对提高工程检测效率、保证工程质量有重要意义。

Description

堆石图像粒径识别方法、装置、电子设备及存储介质
技术领域
本公开属于堆石粒径识别技术领域，特别涉及一种堆石图像粒径识别方法、装置、电子设备及存储介质。
背景技术
堆石粒径分布是影响堆石混凝土密实程度的影响因素。堆石太小难以保证混凝土的填充率，直接影响工程质量，带来安全隐患；而堆石过大增加了筛选堆石的成本，同时使得混凝土的体积百分比升高，造成了原材料浪费，使得工程成本大大增加。
在施工过程中为了能够让施工顺利进行，一般要求堆石的最小粒径不小于300mm，使得堆石空隙有足够的横截面积，保证自密实混凝土能够顺利通过堆石空隙。常见的堆石粒径控制方法是使用钢筛筛除粒径小于300mm的堆石。但是对于大规模的工程堆石，筛分法成本太高，工程中普遍采用检测人员人工目测的办法。目前还没有快速获取大量堆石粒径信息的方法。
深度学习算法已经应用到一些特定领域的粒径识别中，但由于堆石结构的复杂性，对堆石粒径识别的准确度及精度都较低。
下面对本申请所涉及的术语进行介绍：
堆石：堆石混凝土中使用的满足一定要求的石料。
堆石体：堆石混凝土施工过程中，在仓面利用机械方式堆积成一定厚度，具有一定孔隙率的堆石集合。
本申请中提及的单个堆石是指用于堆石混凝土中的石块。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一。因此，本公开提出了一种堆石图像粒径识别方法、装置、电子设备及存储介质，通过引入多个神经网络算法实现堆石图像的机器学习自动识别。
发明人经过研究发现，由于堆石图像中堆石的粒径变化范围较大，伴随着光影、堆石棱角等不利因素，另一方面，同一堆石图像中堆石的颜色差异不大，且堆石间的相互重叠更降低了堆石颜色与背景的差异，因此，给利用神经网络对堆石图像进行粒径识别带来巨大挑战。
为此，本公开第一方面的实施例提出了一种堆石图像粒径识别方法，包括：
对获得的原始堆石体图像进行堆石边缘矩形框标记，得到堆石标注图像，其中，所述原始堆石体图像中包含比例尺信息；
利用深度学习目标检测模型训练所述堆石标注图像，得到所述堆石标注图像中的各堆石区块识别图像；
按照所述各堆石区域识别图像所在的矩形框对相应的堆石标注图像进行分割，得到多个相应的图像块；
利用深度学习的图像轮廓识别模型对所述原始堆石体图像进行堆石边缘轮廓识别，得到包含堆石边缘信息的二值图像；
基于所述图像块和与该图像块中堆石区域对应的所述二值图像进行几何拟合，得到堆石的粒径特征；
根据所述比例尺信息，将拟合得到的堆石的粒径特征转化为堆石的粒径。
本公开与现有技术相比，其显著优点为：
1、检测速度快：本公开对堆石体图像目标进行轮廓识别与拟合，使用拟合结果图绘制堆石目标的粒径曲线，可有效提升堆石粒径级配计算的速度和精确度，提升了施工过程中对混合堆石粒径大小的监测精度，间接的提高了堆石混凝土工程的建设质量。
2、堆石目标分割效果好：本公开将堆石粒径识别问题拆分成两部分，分别使用了不同深度学习网络模型，来实现不同的功能。一次深度学习网络模型用于目标检测算法，即确定图片中堆石的大致区域，将堆石与其他类型物体及无效背景分离；另一次深度学习网络模型用于轮廓识别算法，目的在于为后续堆石外径的拟合设定优化目标。将两次深度学习网络模型的训练结果用于堆石外径的拟合，有效提高识别的准确度。本公开利用深度学习网络解决了对于大尺度不均匀块石堆粒径特征无法检测的问题，能够大范围快速地将提取图像中堆石的粒径特征，对提高工程检测效率、保证工程质量有重要意义。
在一些实施例中，本公开的堆石图像粒径识别方法，还包括：
获取多张堆石照片，分别依次进行上述所有步骤，统计获取所有堆石粒径长度，绘制堆石粒径级配曲线。
在一些实施例中，所述原始堆石体图像通过拍照获得，所述原始堆石体图像中包括已知实际长度的参照物作为堆石体图像的比例尺，所述参照物选取具有固定规格的物品，或是带有刻度的标尺。
在一些实施例中，所述深度学习目标检测模型为用于获取堆石边缘信息的模型，包括SSD神经网络，所述深度学习的图像轮廓识别模型为双向级联神经网络。
在一些实施例中，所述几何拟合包括椭圆、外接圆、内接圆或多边形拟合。
在一些实施例中，所述根据所述比例尺信息，将拟合得到的堆石的粒径特征转化为堆石的粒径包括：：
利用已知实际长度的比例尺信息在图像中的像素信息，将拟合得到的堆石的粒径特征转化为堆石的粒径。
在一些实施例中，所述绘制堆石级配曲线是利用样本估计的原理，对获取的多张堆石照片中的堆石来估计堆石总体的粒径信息。
本公开第二方面提出的一种堆石图像粒径识别装置，包括：
堆石标注图像获取模块：用于对获得的原始堆石体图像进行堆石边缘矩形框标记，得到堆石标注图像；其中，所述原始堆石体图像中包含比例尺信息；
堆石区域识别模块：用于利用深度学习目标检测模型训练所述堆石标注图像，得到所述堆石标注图像中的各堆石区块识别图像；
堆石图块分割模块：用于按照所述各堆石区域识别图像所在的矩形框对相应的堆石标注图像进行分割，得到多个相应的图像块；
堆石边缘轮廓提取模块：用于利用深度学习的图像轮廓识别模型对所述原始堆石体图像进行堆石边缘轮廓识别，得到包含堆石边缘信息的二值图像；
堆石区域拟合模块：用于基于所述图像块和与该图像块中堆石区域对应的二值图像进行几何拟合，得到堆石的粒径特征；和
堆石粒径计算模块：用于根据所述比例尺信息，将所述堆石的粒径特征转化为堆石的粒径长度。
本公开第三方面提出的一种电子设备，包括：
至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述堆石图像粒径识别方法。
本公开第四方面实施例提出的一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述堆石图像粒径识别方法。
附图说明
图1为本公开第一方面实施例提出的一种堆石图像粒径识别方法的整体流程图。
图2为本公开第一方面实施例中部分训练样本的标注效果图。
图3为本公开第一方面实施例中堆石区识别测试图。
图4的(a)～(d)分别为与图2对应的部分堆石及其边缘轮廓识别二值图像。
图5的(a)、(b)分别为与图2对应的部分堆石区域拟合的结果图。
图6为本公开第二方面实施例提出的一种堆石图像粒径识别装置的结构框图。
图7为本公开第三方面实施例提出的电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本申请，并不用于限定本申请。
相反，本申请涵盖任何由权利要定义的在本申请精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本申请有更好的了解，在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。
参见图1，本公开第一方面实施例提供的一种堆石粒径识别方法，包括以下步骤：
获取堆石标注图像：对获得的原始堆石体图像通过人工目测的方法进行堆石边缘手工标记，得到堆石矩形框标注图像；原始堆石体图像中含有比例尺；
识别堆石区域：利用深度学习目标检测算法SSD(Single Shot MultiBoxDetector)模型，学习训练堆石标注图像，并且测试模型，得到堆石标注图像中的堆石区域识别图像；
分割堆石图块：按照堆石所在矩形框的位置信息对得到的堆石区域识别图像进行分割，即将一张原始堆石体图像对应的各堆石区域识别图像分割成多个相应的图像块；
提取堆石边缘轮廓：利用深度学习网络如双向级联神经网络结构(Bi-Directional Cascade Network,BDCN)，对原始堆石体图像进行堆石边缘轮廓的识别，得到一系列相应的只标定图像边缘的二值图像；本步骤最大程度地删除无效信息并将图像转化为二值化轮廓图，为堆石外径拟合提供优化条件；
拟合堆石区域：基于得到的图像块和与该图像块中堆石区域对应的二值图像，利用一定的算法(如主动轮廓检测)进行几何拟合，得到堆石的粒径特征，即堆石所在区域的几何信息。本步骤通过几何拟合将堆石粒径问题转化为堆石图片区域的几何特征，包括但不限于外接或者内接圆、椭圆和多边形；
计算堆石粒径：根据拟合得到的堆石粒径特征，通过比例尺换算堆石粒径；具体地，根据摄像原理，利用已知实际长度的比例尺在原始堆石体图像中的像素信息，换算块石实际大小。
在一些实施例中，本公开的堆石图像粒径识别方法还包括：绘制堆石级配曲线：在堆石混凝土工程施工过程中，选定某一仓面，在该仓面的不同位置获取多张堆石体照片，重复上述所有步骤，统计所有样本图片中的堆石粒径，估算该工程堆石粒径并绘制相应的堆石粒径级配曲线。
在一些实施例中，堆石标注图像获取的具体步骤如下：
首先通过拍照获得原始堆石体图像，图像中应包括已知实际长度的参照物作为堆石体图像的比例尺，比例尺的选取包括但不限于具有固定规格的物品如安全帽等，或是带有刻度的标尺等。然后使用图像标注软件labelimg对获得的各种格式的原始堆石体图像进行标注，标注图像中每一块堆石所在的矩形区域，参见图2，图像标注软件labelimg将会自动为这些矩形区域的位置数据生成深度学习网络可以读取处理的数据并保存为同名的xml文件。将获取的所有堆石标注图像按照9:1或者相近的比例划分为训练集与测试集，用于之后深度学习网络的训练与进一步优化。
在一个实施例中，利用深度学习目标检测算法SSD模型对堆石标注图像进行学习得到的识别结果如图3所示，图中的矩形框为对堆石标注图像的识别结果，矩形框上的数字表示识别结果的置信度。
在一个实施例中，参见图4中(a)～(d)，为得到的二值化轮廓图，其中各图分别代表对原始堆石体图像中不同堆石进行边缘轮廓识别得到的相应二值图像。
在一个实施例中，参见图5中(a)和(b)，为进行椭圆拟合得到的结果，其中各图分别代表将相对应的堆石二值图像(即图中的不规则曲线)与图像块(即图中的矩形框)通过主动轮廓检测进行椭圆拟合得到的结果。
本公开第一方面实施例具有如下优点：
1、检测速度快：本公开对堆石图像目标进行轮廓识别与拟合，使用拟合结果图绘制堆石目标的粒径曲线，可有效提升堆石粒径级配计算的速度和精确度，提升了施工过程中对混合堆石粒径大小的监测精度，间接的提高了堆石混凝土工程的建设质量。
2、堆石目标分割效果好：本公开将堆石粒径识别问题拆分成两部分，分别使用了两中不同深度学习网络模型，来实现不同的功能。一次深度学习网络模型用于目标检测算法，即确定图片中堆石的大致区域，将堆石与其他类型物体及无效背景分离；另一次深度学习网络模型用于轮廓识别算法，目的在于为后续堆石外径的拟合设定优化目标。将两次深度学习网络模型的训练结果用于堆石外径的拟合，有效提高识别的准确度。本公开利用深度学习网络解决了对于大尺度不均匀块石堆粒径特征无法检测的问题，能够大范围快速地将提取图像中堆石的粒径特征，对提高工程检测效率、保证工程质量有重要意义。
本公开第二方面提出了一种堆石粒径识别装置，其结构参见图6，包括：
堆石标注图像获取模块：用于对获得的原始堆石体图像进行堆石边缘矩形框标记，得到堆石标注图像；其中，原始堆石体图像中包含比例尺信息；
堆石区域识别模块：用于利用深度学习目标检测模型训练堆石标注图像，得到所述堆石标注图像中的各堆石区块识别图像；
堆石图块分割模块：用于按照得到的各堆石区域识别图像所在的矩形框对相应的堆石标注图像进行分割，得到多个相应的图像块；
堆石边缘轮廓提取模块：用于利用深度学习的图像轮廓识别模型对原始堆石体图像进行堆石边缘轮廓识别，得到包含堆石边缘信息的二值图像；
堆石区域拟合模块：用于基于图像块和与该图像块中堆石区域对应的二值图像进行几何拟合，得到堆石的粒径特征；和
堆石粒径计算模块：用于根据比例尺信息，将拟合得到的堆石的粒径特征转化为堆石的粒径。
在一些实施例中，本公开的堆石粒径识别装置还包括：
堆石级配曲线绘制模块：用于在某区域堆石施工过程中，获取多张堆石照片，分别依次利用上述各模块，统计获取所有堆石粒径长度，绘制堆石粒径级配曲线。
为了实现上述实施例，本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，用于执行上述实施例的堆石图像粒径识别方法。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备100的结构示意图。其中，需要说明的是，该电子设备100中包括堆石图像粒径识别系统，其中，本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机、服务器等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备100可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(ROM)102中的程序或者从存储装置108加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM 103中，还存储有电子设备100操作所需的各种程序和数据。处理装置101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
通常，以下装置可以连接至I/O接口105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图中所示方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从ROM 102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对获得的原始堆石体图像进行堆石边缘矩形框标记，得到堆石标注图像；所述原始堆石体图像中包含比例尺信息；利用深度学习目标检测模型训练所述堆石标注图像，得到所述堆石标注图像中的各堆石区块识别图像；按照所述各堆石区域识别图像所在的矩形框对相应的堆石标注图像进行分割，得到多个相应的图像块；利用深度学习的图像轮廓识别模型对原始堆石体图像进行堆石边缘轮廓识别，得到包含堆石边缘信息的二值图像；基于所述图像块和与该图像块中堆石区域对应的所述二值图像进行几何拟合，得到堆石的粒径特征；根据比例尺信息，将拟合得到的堆石的粒径特征转化为堆石的粒径。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本公开提出的堆石图像粒径识别方法、装置、电子设备及存储介质，是自密实堆石混凝土信息化施工的一个重要部分，特别是利用堆石体图片对堆石信息进行降维处理来提取堆石数据，利用涉及利用深度学习模型提取堆石体图像中的堆石数据，以此作为堆石混凝土坝工程监测的重要手段。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤，可以通过程序来指令相关的硬件完成，所开发的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种堆石图像粒径识别方法，其特征在于，包括如下步骤：
对获得的原始堆石体图像进行堆石边缘矩形框标记，得到堆石标注图像，其中，所述原始堆石体图像中包含比例尺信息；
利用深度学习目标检测模型训练所述堆石标注图像，得到所述堆石标注图像中的各堆石区块识别图像；
按照所述各堆石区域识别图像所在的矩形框对相应的堆石标注图像进行分割，得到多个相应的图像块；
利用深度学习的图像轮廓识别模型对所述原始堆石体图像进行堆石边缘轮廓识别，得到包含堆石边缘信息的二值图像；
基于所述图像块和与该图像块中堆石区域对应的所述二值图像进行几何拟合，得到堆石的粒径特征；
根据所述比例尺信息，将拟合得到的堆石的粒径特征转化为堆石的粒径。
2.根据权利要求1所述的堆石图像粒径识别方法，其特征在于，还包括：
获取多张堆石照片，分别依次进行上述所有步骤，统计获取所有堆石粒径长度，绘制堆石粒径级配曲线。
3.根据权利要求1所述的堆石图像粒径识别方法，其特征在于，所述原始堆石体图像通过拍照获得，所述原始堆石体图像中包括已知实际长度的参照物作为堆石体图像的比例尺，所述参照物选取具有固定规格的物品，或是带有刻度的标尺。
4.根据权利要求1所述的堆石图像粒径识别方法，其特征在于，所述深度学习目标检测模型为用于获取堆石边缘信息的模型，包括SSD神经网络，所述深度学习的图像轮廓识别模型为双向级联神经网络。
5.根据权利要求1所述的粒径检测方法，其特征在于，所述几何拟合包括椭圆、外接圆、内接圆或多边形拟合。
6.根据权利要求1所述的粒径检测方法，其特征在于，所述根据所述比例尺信息，将拟合得到的堆石的粒径特征转化为堆石的粒径包括：
利用已知实际长度的比例尺信息在图像中的像素信息，将拟合得到的堆石的粒径特征转化为堆石的粒径。
7.根据权利要求2所述的粒径检测方法，其特征在于，所述绘制堆石级配曲线是利用样本估计的原理，对获取的多张堆石照片中的堆石来估计堆石总体的粒径信息。
8.一种堆石图像粒径识别装置，其特征在于，包括：
堆石标注图像获取模块：用于对获得的原始堆石体图像进行堆石边缘矩形框标记，得到堆石标注图像；其中，所述原始堆石体图像中包含比例尺信息；
堆石区域识别模块：用于利用深度学习目标检测模型训练所述堆石标注图像，得到所述堆石标注图像中的各堆石区块识别图像；
堆石图块分割模块：用于按照所述各堆石区域识别图像所在的矩形框对相应的堆石标注图像进行分割，得到多个相应的图像块；
堆石边缘轮廓提取模块：用于利用深度学习的图像轮廓识别模型对所述原始堆石体图像进行堆石边缘轮廓识别，得到包含堆石边缘信息的二值图像；
堆石区域拟合模块：用于基于所述图像块和与该图像块中堆石区域对应的二值图像进行几何拟合，得到堆石的粒径特征；和
堆石粒径计算模块：用于根据所述比例尺信息，将所述堆石的粒径特征转化为堆石的粒径长度。
9.一种电子设备，其特征在于，包括：
至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述权利要求1～7中任一项所述的堆石图像粒径识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的堆石图像粒径识别方法。
CN202110808310.6A 2021-07-16 2021-07-16 堆石图像粒径识别方法、装置、电子设备及存储介质 Pending CN113592792A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110808310.6A CN113592792A (zh) 2021-07-16 2021-07-16 堆石图像粒径识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110808310.6A CN113592792A (zh) 2021-07-16 2021-07-16 堆石图像粒径识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113592792A true CN113592792A (zh) 2021-11-02

Family

ID=78247775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110808310.6A Pending CN113592792A (zh) 2021-07-16 2021-07-16 堆石图像粒径识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113592792A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018903A (zh) * 2022-08-10 2022-09-06 安维尔信息科技(天津)有限公司 一种堆场料堆体积计算方法及系统
CN115660262A (zh) * 2022-12-29 2023-01-31 网思科技股份有限公司 一种基于数据库应用的工程智慧质检方法、系统及介质
CN117237303A (zh) * 2023-09-19 2023-12-15 中南大学 基于机器视觉的非接触式堆石颗粒级配检测方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018903A (zh) * 2022-08-10 2022-09-06 安维尔信息科技(天津)有限公司 一种堆场料堆体积计算方法及系统
CN115660262A (zh) * 2022-12-29 2023-01-31 网思科技股份有限公司 一种基于数据库应用的工程智慧质检方法、系统及介质
CN115660262B (zh) * 2022-12-29 2023-05-12 网思科技股份有限公司 一种基于数据库应用的工程智慧质检方法、系统及介质
CN117237303A (zh) * 2023-09-19 2023-12-15 中南大学 基于机器视觉的非接触式堆石颗粒级配检测方法及装置
CN117237303B (zh) * 2023-09-19 2024-05-03 中南大学 基于机器视觉的非接触式堆石颗粒级配检测方法及装置

Similar Documents

Publication Publication Date Title
CN113592792A (zh) 堆石图像粒径识别方法、装置、电子设备及存储介质
US11010883B2 (en) Automated analysis of petrographic thin section images using advanced machine learning techniques
CN110598784B (zh) 基于机器学习的建筑垃圾分类方法及装置
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN110211195B (zh) 生成图像集合的方法、装置、电子设备和计算机可读存储介质
US9652844B2 (en) Method and apparatus for automatic cancer diagnosis scoring of tissue samples
CN111199567B (zh) 车道线绘制方法、装置及终端设备
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN111209856B (zh) 发票信息的识别方法、装置、电子设备及存储介质
CN114757948A (zh) 一种基于深度学习的再生骨料砂浆含量检测方法及装置
CN114155378A (zh) 采煤沉陷地裂缝自动提取方法、装置及存储介质
CN113052922B (zh) 裸土识别方法、系统、设备及介质
CN114037693A (zh) 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法
US20130223690A1 (en) Computing high dynamic range photographs
CN110853088B (zh) 一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法
US11430130B2 (en) Image processing method and computer-readable recording medium having recorded thereon image processing program
CN111461152B (zh) 货物检测方法及装置、电子设备和计算机可读介质
CN115345895B (zh) 用于视觉检测的图像分割方法、装置、计算机设备及介质
CN113838078B (zh) 采煤塌陷地裂缝的识别与提取方法、装置及存储介质
CN111583417A (zh) 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质
CN114937200A (zh) 基于深度学习的池塘死鱼检测方法、装置、设备及介质
CN115294148A (zh) 基于分水岭算法的颗粒物粒径分析方法、装置和存储介质
CN113537026B (zh) 建筑平面图中的图元检测方法、装置、设备及介质
CN111950356B (zh) 印章文本定位方法、装置及电子设备
CN114663681A (zh) 用于对指针式仪表进行读数的方法及其相关产品

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