CN115049566A - 一种平板夯激振模式智能调节系统 - Google Patents
一种平板夯激振模式智能调节系统 Download PDFInfo
- Publication number
- CN115049566A CN115049566A CN202210971264.6A CN202210971264A CN115049566A CN 115049566 A CN115049566 A CN 115049566A CN 202210971264 A CN202210971264 A CN 202210971264A CN 115049566 A CN115049566 A CN 115049566A
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- frequency
- soil
- histogram
- 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
- 230000005284 excitation Effects 0.000 title claims abstract description 56
- 239000002689 soil Substances 0.000 claims abstract description 177
- 238000012937 correction Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 133
- 238000000034 method Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000004048 modification Effects 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000005056 compaction Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 description 8
- 206010057249 Phagocytosis Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011065 in-situ storage Methods 0.000 description 4
- 230000008782 phagocytosis Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/20081—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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及一种平板夯激振模式智能调节系统,包括:图像采集模块,直方图划分模块,新直方图获取模块,数据修正模块,图像增强模块及平板夯调节模块;本发明通过利用计算机视觉,通过对灰度特征进行分析,对土壤图像进行增强,根据增强后的土壤图像进行平板夯激振模式的智能调节,以确保所有土壤被夯实的同时保持较高的夯实作业效率。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种平板夯激振模式智能调节系统。
背景技术
平板夯是利用激振器产生振动进行压实作业的夯实机械,常用来夯实粒状土壤,如沥青混凝土的表面整平,砂、砂石、土表面的整平等,广泛应用于公路、市政、建筑、水利等领域。振动平板夯工作中,通过动力驱动偏心块高速旋转,其产生的激振力带动夯机整体向前平移。其运动过程中,通过转动偏心块来改变振动的方向,对地面进行振实。对于不同类型的土壤,在夯实难度较大的区域,应保持原地振动或保持较低的行走速度,以确保所有土壤都被夯实。
目前,本领域技术人员结合土壤图像,根据每个区域土壤夯实难度智能调整平板夯激振模式,以确保所有土壤被夯实的同时保持较高的夯实作业效率。但是,土壤夯实难度与土壤中存在硬质颗粒如小石子等,及土壤颗粒之间的缝隙相关,但由于土壤颗粒缝隙不清晰,土壤中的硬质颗粒与土壤颗粒特征相似,直接根据土壤图像可能无法得到准确的夯实度,从而使得平板夯激振模式调整不准确,导致部分区域土壤未夯实造成路面质量隐患,或部分区域土壤已夯实但平板夯仍在原地振动使得夯实作业效率低。因此,需对土壤图像进行增强,使得土壤颗粒缝隙及硬质颗粒特征变得明显,获得的土壤夯实度更加准确。
现有的图像增强方法,采用最多的是直方图均衡化方法,通过对原始图像的非均质化拉伸处理,使其像素值间距扩张,均匀化各灰度范围的像素量来达到图像增强的效果。但该方法对于数量较少的灰度值会进行合并吞噬,可能会造成图像细节丢失的问题。土壤颗粒缝隙、硬质颗粒对应的灰度值数量较少,通过现有直方图均衡化的方法无法对土壤颗粒缝隙、硬质颗粒等进行增强,甚至可能会造成土壤颗粒缝隙、硬质颗粒等细节信息丢失。
发明内容
为了解决上述技术问题,本发明提供了一种平板夯激振模式智能调节系统,包括:
图像采集模块,用于获取平板夯激振过程中的土壤灰度图;根据灰度图获取灰度直方图;
直方图划分模块,用于根据土壤灰度图中的灰度特征,基于混合高斯模型对灰度直方图进行拟合获取三个子高斯模型;其中,土壤灰度图中的灰度特征包括土壤颗粒灰度、土壤颗粒缝隙灰度、硬质颗粒灰度;根据每个子高斯模型的概率密度分布函数获取每个灰度值在每个子高斯模型下的概率密度;根据每个灰度值在所有子高斯模型下的概率密度获取每个灰度值的隶属度;根据每个灰度值的隶属度将灰度直方图划分为多段灰度区间;
新直方图获取模块,用于根据每个灰度区间对应的灰度特征,对每个灰度区间中每个像素点的灰度值进行标记;根据每个像素点所标记的灰度值对灰度直方图进行重构获取新的灰度直方图;
数据修正模块,用于获取新的灰度直方图中每个灰度值的频率;根据新的灰度直方图中每个灰度值所对应灰度图中的灰度特征,将新的灰度直方图依次划分为多个灰度段;根据每个灰度段中每个灰度值的频率,及每个灰度段对应灰度图中的灰度特征是否需要增强对每个灰度值对应的频率进行修正,获取灰度直方图中每个灰度值修正后的频率;
图像增强模块,用于根据新的直方图中每个灰度值修正后的频率对土壤灰度图进行直方图均衡化获取增强后的土壤灰度图;
平板夯调节模块,用于根据增强后的土壤灰度图利用DNN神经网络获取增强后的土壤灰度图对应的平板夯激振参数;再根据平板夯激振参数对平板夯激振模式进行调节。
在一实施例中,所述直方图划分模块中,根据每个灰度值的隶属度是按照以下步骤将灰度直方图划分为多个灰度区间:
预设隶属度阈值;
根据每个灰度值的隶属度≥预设隶属度阈值将灰度直方图中的灰度值划分为多个第一灰度区间;根据每个灰度值的隶属度<预设隶属度阈值将灰度直方图中的灰度值划分为多个第二灰度区间;依次将灰度直方图中的灰度值依次划分为包括多个第一灰度区间和多个第二灰度区间的多个灰度区间;每个所述第二灰度区间的相邻两侧分别为第一灰度区间。
在一实施例中,所述每个第一灰度区间均对应一个灰度特征,将每个第一灰度区间中的每个像素点的灰度值标记为对应该灰度特征的灰度值。
在一实施例中,所述每个第二灰度区间对应两个灰度特征,对每个第二灰度区间中每个像素点的灰度值按照以下步骤标记:
当每个第二灰度区间中每个像素点的邻域像素点中只包含相邻前段的第一灰度区间的像素点时,将该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中只包含相邻后段的第一灰度区间的像素点时,将该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中既包含相邻前段的第一灰度区间的像素点,又包含相邻后段的第一灰度区间的像素点时,若相邻前段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值,若相邻后段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中不包含相邻前段的第一灰度区间的像素点和相邻后段的第一灰度区间的像素点时,若相邻前段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值,若相邻后段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值。
在一实施例中,所述新的灰度直方图获取的过程中,根据每个第二灰度区间中所有像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值构成灰度范围;将该灰度范围置于该第二灰度区间与相邻后段的第一灰度区间之间。
在一实施例中,每个灰度值的隶属度的计算公式如下:
在一实施例中,所述数据修正模块中,新的灰度直方图中每个灰度值修正后的频率是按照以下方法获取:
根据新的灰度直方图中每个灰度值所对应灰度图中的灰度特征,将新的灰度直方图依次划分为第一灰度段、第二灰度段及第三灰度段;
设定所有灰度值修正后的频率均值;
根据第一灰度段中每个灰度值的频率,及上限灰度值的频率对第一灰度段内每个灰度值的频率进行修正获取第一灰度段中每个灰度值修正后的频率;
根据第二灰度段中每个灰度值的频率中的最小频率对第二灰度段内每个灰度值的频率进行修正,根据所有灰度值修正后的频率均值对第二灰度段的下限灰度值的频率进行修正,获取第二灰度段中每个灰度值修正后的频率;
根据第三灰度段中每个灰度值的频率,及下限灰度值的频率对第三灰度段中每个灰度值的频率进行修正,根据所有灰度值修正后的频率均值对第三灰度段的下限灰度值的频率进行修正,获取第三灰度段中每个灰度值修正后的频率。
在一实施例中,所述设定所有灰度值修正后的频率均值是根据第一灰度段中每个灰度值修正后的频率、第二灰度段中每个灰度值修正后的频率及第三灰度段中每个灰度值修正后的频率而获取的。
在一实施例中,所述平板夯调节模块中,
DNN神经网络是基于均方差损失函数,将增强后的土壤灰度图作为训练集,获取训练后的DNN神经网络;网络的输入为增强后的土壤灰度图,网络输出为平板夯激振参数;其中,DNN神经网络采用VGGNet-16形式;所述平板夯激振参数包括激振力、激振频率;
将待检测增强后的土壤灰度图输入至DNN神经网络获取平板夯激振参数。
本发明至少具有如下有益效果:
本发明提供了一种平板夯激振模式智能调节系统,该系统结合灰度直方图与图像中的灰度特征进行了直方图重构,再对重构后的直方图设置了分段均衡化规则,可使得土壤图像中不同特征增强效果不同,使土壤颗粒部分灰度值与图像颗粒缝隙或硬质颗粒部分灰度值相同,其增强后的效果也不同。避免了传统直方图均衡化方法导致的图像细节被吞噬丢失,对土壤颗粒缝隙以及硬质颗粒细节信息重点增强,使得后续根据增强后的土壤图像学习到的特征更加准确,对于平板夯激振模式调整也更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种平板夯激振模式智能调节系统的结构框图。
图2为灰度直方图。
图3为新的灰度直方图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明主要是对土壤中含有土壤颗粒、硬质颗粒的土质进行平板夯激振。
本发明针对的场景为:平板夯在夯实难度较大的土壤区域时,应保持原地振动或保持较低的行走速度,以确保所有土壤都被夯实。为使得所有土壤被夯实同时保持较高的夯实作业效率,需要结合土壤图像智能调节平板夯激振模式。但由于土壤图像上部分细节特征不清晰,需要进行增强。传统的直方图均衡化对图像进行增强时,通过对原始图像的非均质化拉伸处理,使其像素值间距扩张,均匀化各灰度范围的像素量来达到图像增强的效果。但该方法对于数量较少的灰度值会进行合并吞噬,可能会造成图像细节丢失的问题。土壤颗粒缝隙、硬质颗粒对应的灰度值数量较少,通过传统直方图均衡化的方法无法对土壤颗粒缝隙、硬质颗粒等进行增强,甚至可能会造成土壤颗粒缝隙、硬质颗粒等细节信息丢失。本发明基于分段的直方图均衡化方法,通过分析土壤图像直方图特征,对灰度直方图进行分段,为每个段设置不同的规则,使得土壤颗粒缝隙、硬质颗粒等细节重点增强。
本发明利用计算机视觉,通过对灰度特征进行分析,对土壤图像进行增强,根据增强后的土壤图像进行平板夯激振模式的智能调节,以确保所有土壤被夯实的同时保持较高的夯实作业效率。
下面结合附图具体的说明本发明所提供的一种平板夯激振模式智能调节系统的具体方案。
参见图1所示,其示出了本发明一个实施例提供的一种平板夯激振模式智能调节系统的结构框图,平板夯激振模式智能调节系统包括:图像采集模块,直方图划分模块,新直方图获取模块,数据修正模块,图像增强模块及平板夯调节模块;
图像采集模块,用于获取平板夯激振过程中的土壤灰度图;根据灰度图获取灰度直方图;在本实施例中,在平板夯设备的头部架设防抖相机,通过防抖相机拍摄平板夯前方的土壤图像。图像中仅包含土壤区域,不包含其他区域;为便于后续分析,将土壤图像转换为土壤灰度图。
需要说明的是,土壤中主要包含土壤颗粒以及硬质颗粒如小石子,土壤颗粒之间、土壤颗粒与硬质颗粒之间、硬质颗粒之间形成细小的缝隙,简称土壤颗粒缝隙,因此土壤图像中像素点灰度主要由土壤颗粒、硬质颗粒、土壤颗粒缝隙三种特征的灰度决定。不同特征之间的灰度存在差异,例如土壤颗粒缝隙灰度较低,硬质颗粒表面较为平滑,反射光的能力强,大部分硬质颗粒的灰度较高,土壤颗粒灰度处于中间。并且同一特征的灰度值是集中分布的,在噪声的干扰下呈现高斯分布的形式。因此本发明用混合高斯模型来拟合直方图,子高斯模型个数设置为3最合适,使得每个子模型对应一个特征:土壤颗粒灰度、土壤颗粒缝隙灰度、硬质颗粒灰度。具体如下:
直方图划分模块,用于根据土壤灰度图中的灰度特征,基于混合高斯模型对灰度直方图进行拟合获取三个子高斯模型;其中,土壤灰度图中的灰度特征包括土壤颗粒灰度、土壤颗粒缝隙灰度、硬质颗粒灰度;根据每个子高斯模型的概率密度分布函数获取每个灰度值在每个子高斯模型下的概率密度;根据每个灰度值在所有子高斯模型下的概率密度获取每个灰度值的隶属度;根据每个灰度值的隶属度将灰度直方图划分为多段灰度区间;
在本实施例中,根据每个子高斯模型的概率密度分布函数获取每个灰度值在不同子高斯模型下的概率密度。当灰度值在一个子高斯模型下的概率密度较大,表示该灰度值属于该子高斯模型对应的特征的概率越大,反之,当灰度值在一个子高斯模型下的概率密度值越小,表示该灰度值属于该子高斯模型对应的特征的概率越小;当灰度值在不同子高斯模型下的概率密度差异非常大时,该灰度值越可能属于其中一个子高斯模型对应的特征;当灰度值在不同子高斯模型下的概率密度差异较小时,该灰度值可能属于多个子高斯模型对应的特征;则该灰度值属于两个子高斯模型对应的土壤图像中的特征,如部分该灰度值的像素点可能为土壤颗粒灰度,部分该灰度值的像素点可能为土壤颗粒缝隙灰度。
为将灰度直方图进行区间划分,以便后续根据每个灰度区间中灰度值所表示的灰度特征对每个灰度区间的灰度值进行拆分使拆分后的灰度值仅表示土壤图像的一个特征,引入灰度值的隶属度指标。隶属度可以看作灰度值在两个子高斯模型下的概率密度差异程度。当该差异程度越大,即隶属度越大,该灰度值越可能属于概率密度大的子高斯模型对应的特征。当该差异程度越小,即隶属度越小,该灰度值在两个子高斯模型下概率密度基本一致,该灰度值越可能属于两个子高斯模型对应的特征。隶属度表示灰度值仅属于土壤图像一个特征的概率,具体计算方法如下:
式中,表示第个灰度值的隶属度;表示第个灰度值对应在所有子高斯模型下计算的最大概率密度;表示第个灰度值对应在所有子高斯模型下计算的次最大概率密度。当灰度值在一个子高斯模型下的概率密度较大,而在其他子高斯模型下的概率密度较小时,与相差较大,灰度值的隶属度也就越大;当灰度值在两个子高斯模型下的概率密度都较大时,与相差较小,灰度值的隶属度越小。
根据每个灰度值的隶属度≥预设隶属度阈值将灰度直方图中的灰度值划分为多个第一灰度区间;根据每个灰度值的隶属度<预设隶属度阈值将灰度直方图中的灰度值划分为多个第二灰度区间;依次将灰度直方图中的灰度值依次划分为包括多个第一灰度区间和多个第二灰度区间的多个灰度区间;需要说明的是,隶属度阈值,由人工经验设置,实施人员可根据实际情况进行调整。
在本实施例中,若隶属度,认为灰度值仅属于土壤图像中一个特征,若隶属度,认为灰度值属于土壤图像中两个特征;根据隶属度与阈值的大小关系,将灰度直方图中隶属度的连续灰度值划分为一个灰度区间,隶属度的连续灰度值划分为一个灰度区间。为此,实现了将灰度直方图分为了多个灰度区间,参见图2所示,每个第二灰度区间的相邻两侧分别为第一灰度区间。
新直方图获取模块,用于根据每个灰度区间对应的灰度特征,对每个灰度区间中每个像素点的灰度值进行标记;根据每个像素点所标记的灰度值对灰度直方图进行重构获取新的灰度直方图;
在本实施例中,对于灰度直方图中隶属度的第一灰度区间,灰度值属于土壤图像中一个灰度特征;统计灰度直方图中隶属度的每个第一灰度区间中所包含的所有灰度值在图像中对应的像素点个数,参见图2所示,将在直方图中最左侧的第一灰度区间对应的灰度特征为土壤颗粒缝隙灰度;将在直方图中间的第一灰度区间对应的灰度特征为土壤颗粒灰度;将在直方图中最右侧的第一灰度区间对应的灰度特征为硬质颗粒灰度;由于图像中土壤颗粒占图像中大部分位置,像素点个数最多,则包含灰度值在图像中对应的像素点个数最大的隶属度的第一灰度区间对应土壤颗粒灰度特征。
对于灰度直方图中灰度值隶属度的第二灰度区间,灰度值属于土壤图像中两个灰度特征,可能属于其相邻前段的第一灰度区间对应的灰度特征,也可能属于相邻后段的第一灰度区间对应的灰度特征。将第二灰度区间灰度值对应的像素点称为不确定像素点;为防止后续对于该灰度值采用相同的均衡化方法增强使得土壤图像不同的特征难以区分,根据不确定像素点周围像素点的特征,判断该像素点属于哪个灰度特征;具体如下:
将每个第一灰度区间均对应一个灰度特征,将每个第一灰度区间中的每个像素点的灰度值标记为对应该灰度特征的灰度值;也就是将每个第一灰度区间中的每个像素点的灰度值保持不变;
对应每个第二灰度区间对应两个灰度特征,也就是在每个第二灰度区间中的像素点,有一部分属于一个灰度特征,有一部分属于另外一个灰度特征,则对每个第二灰度区间中每个像素点的灰度值按照以下步骤标记:
当每个第二灰度区间中每个像素点的邻域像素点中只包含相邻前段的第一灰度区间的像素点时,将该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中只包含相邻后段的第一灰度区间的像素点时,将该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中既包含相邻前段的第一灰度区间的像素点,又包含相邻后段的第一灰度区间的像素点时,若相邻前段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值,若相邻后段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中不包含相邻前段的第一灰度区间的像素点和相邻后段的第一灰度区间的像素点时,若相邻前段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值,若相邻后段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值。
需要说明的是,判断每个第二灰度区间中每个像素点属于哪个灰度特征如下:
参见图2所示,将一个隶属度的第二灰度区间的灰度范围记为,若在该范围内的一个灰度值对应的不确定像素点周围八邻域内除其他不确定像素点仅包含相邻前段的第一灰度区间中的灰度值对应的像素点,根据图像局部不变性,即图像局部像素点表示图像同一个灰度特征,那么该像素点属于相邻前段的第一灰度区间对应的灰度特征,将该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值,也就是将该像素点的灰度值不变;
同理,若该像素点周围八邻域内除其他不确定像素点外仅包含相邻后段的第一灰度区间中的灰度值对应的像素点,那么该像素点属于相邻后段的第一灰度区间对应的灰度特征,将该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值;也就是将该像素点的灰度值标记为虚拟灰度值;
若该像素点周围八邻域内除不确定像素点外既包含相邻前段的第一灰度区间中的灰度值对应的像素点,又包含相邻后段的第一灰度区间中的灰度值对应的像素点,由于土壤颗粒灰度遍布整个图像,土壤颗粒缝隙灰度以及硬质颗粒灰度周围一定存在土壤颗粒灰度的像素点,土壤颗粒缝隙像素点或硬质颗粒连续出现,那么该像素点属于非土壤颗粒灰度。若相邻前段的第一灰度区间对应的灰度特征为土壤颗粒灰度,则该像素点属于相邻后段的第一灰度区间对应的灰度特征,将该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值,也就是将该像素点的灰度值标记为虚拟灰度值;
若相邻后段的第一灰度区间对应的灰度特征为土壤颗粒灰度,则该像素点属于相邻前段的第一灰度区间对应的灰度特征,将该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值;也就是将该像素点的灰度值不变;
若该像素点周围八邻域内仅包含不确定像素点,由于土壤颗粒灰度在噪声的干扰下呈现高斯分布的特征,对于土壤颗粒在该段的灰度值可看做噪声,相同噪声点连续出现的概率很小,而土壤颗粒缝隙或硬质颗粒的像素点共同出现;因此该像素点属于非土壤颗粒灰度。若相邻前段的第一灰度区间对应的灰度特征为土壤颗粒灰度,则该像素点属于相邻后段的第一灰度区间对应的灰度特征,将该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值,也就是将该像素点的灰度值标记为虚拟灰度值;
若相邻后段的第一灰度区间对应的灰度特征为土壤颗粒灰度,则该像素点属于相邻前段的第一灰度区间对应的灰度特征,将该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值;也就是将该像素点的灰度值不变;
需要说明的是,虚拟灰度值只是为了好区分第二灰度区间内的像素点,也就是将第二灰度区间内属于相邻前段的第一灰度区间对应的灰度特征的像素点所对应的灰度值保持不变,而将第二灰度区间内属于相邻后段的第一灰度区间对应灰度特征的像素点所对应的灰度值标记为虚拟灰度值,便于后续新的直方图的重构。
为此,将每个第一灰度区间的像素点灰度值保持不变;将每个第二灰度区间中的部分不确定像素点的灰度值保持不变,同时,将第二灰度区间范围内所有不确定像素点的灰度值进行标记,通过标记获取虚拟灰度值范围,即为;同理,参见图2所示,将第二灰度区间范围内所有不确定像素点的灰度值进行标记,通过标记获取虚拟灰度值范围,即为;
最后,参见图3所示,统计图像中出现的所有灰度值及灰度值对应的个数,绘制新的灰度直方图,不光统计灰度值保持不变的像素点,同时也要统计虚拟灰度值对应的像素点;至此,完成了灰度直方图的重构。图3中,和表示未重构时的灰度范围,而和表示重构后虚拟灰度值范围;均表示灰度值;均表示虚拟灰度值。
为了使虚拟灰度值在直方图中置于相应的位置,根据虚拟灰度值范围所属的对应灰度特征,将虚拟灰度值范围置于直方图中的相应的位置,便于直观地能够看出图像中灰度特征的划分,为此,在新的灰度直方图获取的过程中,根据每个第二灰度区间中所有像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值构成灰度范围;将该灰度范围置于该第二灰度区间与相邻后段的第一灰度区间之间。参见图3所示,规定将该虚拟灰度值范围插入直方图位于较灰度范围右边界大,较小之间的区域,比如,也就是将重构至直方图中灰度值之间;将虚拟灰度值范围插入直方图位于较灰度范围右边界大,较小之间的区域。
需要说明的是,若直接对重构后新的灰度直方图进行均衡化,会对个数较多的灰度值过度增强,会导致个数较少的灰度值被合并吞噬。针对以上问题,针对每个土壤图像特征,设置均衡化规则,设置的均衡化规则主要是新的灰度直方图中每个灰度值的频率修正的规则,具体如下:
数据修正模块,用于获取新的灰度直方图中每个灰度值的频率;根据新的灰度直方图中每个灰度值所对应灰度图中的灰度特征,将新的灰度直方图依次划分为多个灰度段;根据每个灰度段中每个灰度值的频率,及每个灰度段对应灰度图中的灰度特征是否需要增强对每个灰度值对应的频率进行修正,获取灰度直方图中每个灰度值修正后的频率;
新的灰度直方图中每个灰度值修正后的频率是按照以下方法获取:
根据新的灰度直方图中每个灰度值所对应灰度图中的灰度特征,将新的灰度直方图依次划分为第一灰度段、第二灰度段及第三灰度段;
设定所有灰度值修正后的频率均值;
根据第一灰度段中每个灰度值的频率,及上限灰度值的频率对第一灰度段内每个灰度值的频率进行修正获取第一灰度段中每个灰度值修正后的频率;
根据第二灰度段中每个灰度值的频率中的最小频率对第二灰度段内每个灰度值的频率进行修正,根据所有灰度值修正后的频率均值对第二灰度段的下限灰度值的频率进行修正,获取第二灰度段中每个灰度值修正后的频率;
根据第三灰度段中每个灰度值的频率,及下限灰度值的频率对第三灰度段中每个灰度值的频率进行修正,根据所有灰度值修正后的频率均值对第三灰度段的下限灰度值的频率进行修正,获取第三灰度段中每个灰度值修正后的频率。
设定所有灰度值修正后的频率均值是根据第一灰度段中每个灰度值修正后的频率、第二灰度段中每个灰度值修正后的频率及第三灰度段中每个灰度值修正后的频率而获取的;
其中,第二灰度段中每个灰度值修正后的频率和第三灰度段中每个灰度值修正后的频率就含有未知的设定所有灰度值修正后的频率均值,也就是通过第一灰度段中每个灰度值修正后的频率、第二灰度段中每个灰度值修正后的频率及第三灰度段中每个灰度值修正后的频率计算所有灰度值修正后的频率均值而构成一个一元一次方程,来获取灰度值修正后的频率均值,进而获取新的灰度直方图中每个灰度值修正后的频率;
在本实施例中,对新的灰度直方图中每个灰度值的频率修正的规则具体如下:
参见图3所示,根据新的灰度直方图中每个灰度值所属的灰度特征,将新的灰度直方图依次分为三个灰度段:,,。需要说明的是,相邻土壤颗粒之间、土壤颗粒与硬质颗粒之间、相邻硬质颗粒之间形成土壤颗粒缝隙,缝隙通常较土壤颗粒暗。而硬质颗粒表面较为平滑,反射光的能力强,导致图像中硬质颗粒通常较土壤颗粒亮。也可能存在部分特殊材质的硬质颗粒较土壤颗粒暗。因此土壤颗粒灰度位于新的灰度直方图第二段;土壤颗粒缝隙灰度位于新的灰度直方图第一段;硬质颗粒灰度位于新的灰度直方图第三段。
对每个灰度段设置不同的规则具体如下:
(1)对于新的灰度直方图最左侧的第一灰度段,该段为土壤颗粒缝隙灰度,同时可能存在部分特殊材质的硬质颗粒灰度位于该段,需要对该段进行重点增强,以便使得图像上土壤颗粒缝隙及硬质颗粒更加清晰;为对进行重点增强,则要求频率较小的灰度值尽可能少合并防止被吞噬,若被吞噬,可能会导致土壤颗粒缝隙和部分特殊材质的硬质颗粒难以区分,此时需要对频率较小的灰度值设置频率下限;同时需控制频率较大的灰度值展开范围,避免频率较大的灰度值展开过广导致频率较小的灰度值范围被压缩从而合并被吞噬,此时需要对频率较大的灰度值设置频率上限。对第一灰度段中每个灰度值修正公式如下:
式中,表示灰度值的频率;为之间的灰度值;为灰度值的频率;为第一灰度段中灰度值修正后的频率;表示第一灰度段的上限灰度值;灰度值也为第一灰度段的右边界,其频率大小适中,因此将灰度值的频率作为频率较大的灰度值的频率上限,将灰度值的频率的一半作为频率较小的灰度值的频率下限;当范围内灰度值频率大于,且小于时,将灰度值的频率修改为;当范围内灰度值频率大于等于时,将灰度值的频率修改为;当范围内灰度值频率为0或频率大于等于,且小于时,灰度值的频率不做修改,保持不变。
(2)对于新的灰度直方图第二灰度段,该段为土壤颗粒灰度段,土壤颗粒颜色较为统一,第二灰度段无需重点增强。由于第二灰度段灰度值频率非常大,为避免第二灰度段灰度值过度展开,为第二灰度段灰度值设置上限,,分别为第二灰度段灰度值的下限灰度值和上限灰度值,频率较小,因此将虚拟灰度值对应的频率和灰度值对应的频率之间较小的频率作为第二灰度段灰度值修改后的频率;同时为了使得第一灰度段土壤颗粒缝隙与第二灰度段对比明显,则要求第二灰度段下限灰度值在均衡后与第一灰度段上限灰度值均衡后相差较大;而直方图均衡化的本质是为了将直方图尽可能地均匀化分布,对于灰度值是否展开或合并取决于灰度值的频率是否大于所有灰度值频率的均值。要求第二灰度段下限灰度值在均衡后与第一灰度段上限灰度值均衡后相差较大,则需要将第二灰度段下限灰度值的频率设置较大,使其在均衡化后与第一灰度段上限灰度值之间展开较大。设所有灰度值修正后的频率均值为,将第二灰度段下限灰度值的频率修改为,使得均衡化后第二灰度段下限灰度值与第一灰度段上限灰度值之间距离较远,可增加土壤颗粒与第一灰度段土壤颗粒缝隙灰度及第三灰度段硬质颗粒灰度的对比度。对第二灰度段中每个灰度值及虚拟灰度值修正规则具体如下:
式中,表示所有灰度值修正后的频率均值;,分别为第二灰度段灰度值的下限灰度值和上限灰度值;表示第二灰度段下限灰度值的频率;表示灰度值在范围内的灰度值;为第二灰度段中灰度值修正后的频率;为了使得第一灰度段土壤颗粒缝隙与第二灰度段对比明显,则要求第二灰度段下限灰度值在均衡后与第一灰度段上限灰度值均衡后相差较大;将第二灰度段下限灰度值的频率修改为,使得均衡化后第二灰度段下限灰度值与第一灰度段上限灰度值之间距离较远,可增加土壤颗粒与第一灰度段土壤颗粒缝隙灰度的对比度;将虚拟灰度值对应的频率和灰度值对应的频率之间较小的频率作为第二灰度段灰度值修改后的频率。
(3)对于新的灰度直方图第三灰度段,第三灰度段为硬质颗粒灰度段,需对其重点增强,与第一段同理,以下限虚拟灰度值对应的频率作为频率较大的灰度值的频率上限,将下限虚拟灰度值的频率的一半作为频率较小的灰度值的频率下限。对第三灰度段修改规则具体如下:
式中,,分别表示第三灰度段的下限灰度值和上限灰度值;表示第三灰度段的下限灰度值的频率;为第三灰度段中灰度值修正后的频率;当范围内灰度值频率大于,且小于时,将灰度值的频率修改为;当范围内灰度值频率大于等于,且小于时,将灰度值的频率不作修改;当范围内灰度值频率大于等于,将灰度值的频率修改为。与第二灰度段同理,为使得该段硬质颗粒灰度与土壤颗粒灰度对比度大,将第三灰度段下限灰度值的频率修改为。
至此,根据灰度值所处的灰度段将每个灰度值的频率进行了修正。
图像增强模块,用于根据新的直方图中每个灰度值修正后的频率对土壤灰度图进行直方图均衡化获取增强后的土壤灰度图;
在本实施例中,根据新的直方图中每个灰度值修正后的频率对土壤灰度图进行直方图均衡化获取增强后的土壤灰度图;为此,在本实施例中首先结合灰度直方图与图像进行了直方图重构,再对重构后新的直方图设置了分段均衡化规则,可使得土壤图像中不同灰度特征增强效果不同,即使土壤颗粒部分灰度值与图像颗粒缝隙或硬质颗粒部分灰度值相同,其增强后的效果也不同;避免了传统直方图均衡化方法导致的图像细节被吞噬丢失,对土壤颗粒缝隙以及硬质颗粒细节信息重点增强,使得后续根据增强后的土壤图像学习到的特征更加准确,对于平板夯激振模式调整也更加准确。
平板夯调节模块,用于根据增强后的土壤灰度图利用DNN神经网络获取增强后的土壤灰度图对应的平板夯激振参数;再根据平板夯激振参数对平板夯激振模式进行调节。
平板夯调节模块中,DNN神经网络是基于均方差损失函数,将增强后的土壤灰度图作为训练集,获取训练后的DNN神经网络;网络的输入为增强后的土壤灰度图,网络输出为平板夯激振参数;其中,DNN神经网络采用VGGNet-16形式;平板夯激振参数包括激振力、激振频率;将待检测增强后的土壤灰度图输入至DNN神经网络获取平板夯激振参数。
需要说明的是,通过图像增强模块获得的增强后的土壤灰度图,结合增强后的土壤图像智能调节平板夯激振模式,本实施例采用DNN网络的方式获取土壤图像对应的平板夯最优激振参数;增强后的土壤图像中特征更加明显,可降低神经网络的复杂度,加快神经网络的学习速度,使得结果更加准确高效。
在本实施例中,DNN神经网络具体信息如下:(1)网络的结构为VGGNet-16;(2)网络的输入为增强后的土壤图像,网络的输出为平板夯激振参数:激振力、激振频率;(3)网络的数据集为增强后的土壤图像数据集,标签为土壤图像对应的最优平板夯激振参数;(4)标签的标注过程为:由人工根据历史实验及经验对土壤图像标注最优平板夯激振参数;网络使用的损失函数为均方差损失函数。
本实施例中,根据土壤的性质,难度较大的区域,保持原地振动或保持较低的行走速度,以保证每个区域都夯实。即增强图像中土壤缝隙较多且较大,不同类型的硬质颗粒占比较多时,激振力调小保持原地振动或较低的行走速度;激振频率调大提高夯实效率。
综上,本发明提供的一种平板夯激振模式智能调节系统,该系统结合灰度直方图与图像中的灰度特征进行了直方图重构,再对重构后的直方图设置了分段均衡化规则,可使得土壤图像中不同特征增强效果不同,使土壤颗粒部分灰度值与图像颗粒缝隙或硬质颗粒部分灰度值相同,其增强后的效果也不同。避免了传统直方图均衡化方法导致的图像细节被吞噬丢失,对土壤颗粒缝隙以及硬质颗粒细节信息重点增强,使得后续根据增强后的土壤图像学习到的特征更加准确,对于平板夯激振模式调整也更加准确。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种平板夯激振模式智能调节系统,其特征在于,包括:
图像采集模块,用于获取平板夯激振过程中的土壤灰度图;根据灰度图获取灰度直方图;
直方图划分模块,用于根据土壤灰度图中的灰度特征,基于混合高斯模型对灰度直方图进行拟合获取三个子高斯模型;其中,土壤灰度图中的灰度特征包括土壤颗粒灰度、土壤颗粒缝隙灰度、硬质颗粒灰度;根据每个子高斯模型的概率密度分布函数获取每个灰度值在每个子高斯模型下的概率密度;根据每个灰度值在所有子高斯模型下的概率密度获取每个灰度值的隶属度;根据每个灰度值的隶属度将灰度直方图划分为多段灰度区间;
新直方图获取模块,用于根据每个灰度区间对应的灰度特征,对每个灰度区间中每个像素点的灰度值进行标记;根据每个像素点所标记的灰度值对灰度直方图进行重构获取新的灰度直方图;
数据修正模块,用于获取新的灰度直方图中每个灰度值的频率;根据新的灰度直方图中每个灰度值所对应灰度图中的灰度特征,将新的灰度直方图依次划分为多个灰度段;根据每个灰度段中每个灰度值的频率,及每个灰度段对应灰度图中的灰度特征是否需要增强对每个灰度值对应的频率进行修正,获取灰度直方图中每个灰度值修正后的频率;
图像增强模块,用于根据新的直方图中每个灰度值修正后的频率对土壤灰度图进行直方图均衡化获取增强后的土壤灰度图;
平板夯调节模块,用于根据增强后的土壤灰度图利用DNN神经网络获取增强后的土壤灰度图对应的平板夯激振参数;再根据平板夯激振参数对平板夯激振模式进行调节。
2.根据权利要求1所述的平板夯激振模式智能调节系统,其特征在于,所述直方图划分模块中,根据每个灰度值的隶属度是按照以下步骤将灰度直方图划分为多个灰度区间:
预设隶属度阈值;
根据每个灰度值的隶属度≥预设隶属度阈值将灰度直方图中的灰度值划分为多个第一灰度区间;根据每个灰度值的隶属度<预设隶属度阈值将灰度直方图中的灰度值划分为多个第二灰度区间;依次将灰度直方图中的灰度值依次划分为包括多个第一灰度区间和多个第二灰度区间的多个灰度区间;每个所述第二灰度区间的相邻两侧分别为第一灰度区间。
3.根据权利要求2所述的平板夯激振模式智能调节系统,其特征在于,所述每个第一灰度区间均对应一个灰度特征,将每个第一灰度区间中的每个像素点的灰度值标记为对应该灰度特征的灰度值。
4.根据权利要求2所述的平板夯激振模式智能调节系统,其特征在于,所述每个第二灰度区间对应两个灰度特征,对每个第二灰度区间中每个像素点的灰度值按照以下步骤标记:
当每个第二灰度区间中每个像素点的邻域像素点中只包含相邻前段的第一灰度区间的像素点时,将该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中只包含相邻后段的第一灰度区间的像素点时,将该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中既包含相邻前段的第一灰度区间的像素点,又包含相邻后段的第一灰度区间的像素点时,若相邻前段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值,若相邻后段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值;
当每个第二灰度区间中每个像素点的邻域像素点中不包含相邻前段的第一灰度区间的像素点和相邻后段的第一灰度区间的像素点时,若相邻前段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值,若相邻后段的第一灰度区间对应的灰度特征为土壤颗粒灰度时,则该像素点的灰度值标记为相邻前段的第一灰度区间对应灰度特征的灰度值。
5.根据权利要求4所述的平板夯激振模式智能调节系统,其特征在于,所述新的灰度直方图获取的过程中,根据每个第二灰度区间中所有像素点的灰度值标记为相邻后段的第一灰度区间对应灰度特征的灰度值构成灰度范围;将该灰度范围置于该第二灰度区间与相邻后段的第一灰度区间之间。
7.根据权利要求1所述的平板夯激振模式智能调节系统,其特征在于,所述数据修正模块中,新的灰度直方图中每个灰度值修正后的频率是按照以下方法获取:
根据新的灰度直方图中每个灰度值所对应灰度图中的灰度特征,将新的灰度直方图依次划分为第一灰度段、第二灰度段及第三灰度段;
设定所有灰度值修正后的频率均值;
根据第一灰度段中每个灰度值的频率,及上限灰度值的频率对第一灰度段内每个灰度值的频率进行修正获取第一灰度段中每个灰度值修正后的频率;
根据第二灰度段中每个灰度值的频率中的最小频率对第二灰度段内每个灰度值的频率进行修正,根据所有灰度值修正后的频率均值对第二灰度段的下限灰度值的频率进行修正,获取第二灰度段中每个灰度值修正后的频率;
根据第三灰度段中每个灰度值的频率,及下限灰度值的频率对第三灰度段中每个灰度值的频率进行修正,根据所有灰度值修正后的频率均值对第三灰度段的下限灰度值的频率进行修正,获取第三灰度段中每个灰度值修正后的频率。
8.根据权利要求7所述的平板夯激振模式智能调节系统,其特征在于,所述设定所有灰度值修正后的频率均值是根据第一灰度段中每个灰度值修正后的频率、第二灰度段中每个灰度值修正后的频率及第三灰度段中每个灰度值修正后的频率而获取的。
9.根据权利要求1所述的平板夯激振模式智能调节系统,其特征在于,所述平板夯调节模块中,
DNN神经网络是基于均方差损失函数,将增强后的土壤灰度图作为训练集,获取训练后的DNN神经网络;网络的输入为增强后的土壤灰度图,网络输出为平板夯激振参数;其中,DNN神经网络采用VGGNet-16形式;所述平板夯激振参数包括激振力、激振频率;
将待检测增强后的土壤灰度图输入至DNN神经网络获取平板夯激振参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971264.6A CN115049566B (zh) | 2022-08-15 | 2022-08-15 | 一种平板夯激振模式智能调节系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971264.6A CN115049566B (zh) | 2022-08-15 | 2022-08-15 | 一种平板夯激振模式智能调节系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049566A true CN115049566A (zh) | 2022-09-13 |
CN115049566B CN115049566B (zh) | 2022-10-25 |
Family
ID=83167939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210971264.6A Active CN115049566B (zh) | 2022-08-15 | 2022-08-15 | 一种平板夯激振模式智能调节系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049566B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000025034A (ko) * | 1998-10-02 | 2000-05-06 | 정성훈 | 부직포의 균제도 측정방법 |
US6460045B1 (en) * | 1999-03-15 | 2002-10-01 | Microsoft Corporation | Self-tuning histogram and database modeling |
CN105260999A (zh) * | 2015-11-17 | 2016-01-20 | 江苏理工学院 | 一种直方图均衡插值的图像增强方法及系统 |
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
CN106546521A (zh) * | 2016-10-12 | 2017-03-29 | 北京师范大学 | 一种基于ct扫描技术量化土壤大孔隙空间网络结构的方法 |
CN208455603U (zh) * | 2018-06-23 | 2019-02-01 | 佛山市云雀振动器有限公司 | 一种带新型减振胶的平板夯 |
CN109658378A (zh) * | 2018-11-08 | 2019-04-19 | 北京林业大学 | 基于土壤ct图像的孔隙辨识方法及系统 |
CN111311525A (zh) * | 2019-11-20 | 2020-06-19 | 重庆邮电大学 | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 |
WO2020181594A1 (zh) * | 2019-03-14 | 2020-09-17 | 山东省农业科学院畜牧兽医研究所 | 一种定量测定土壤颗粒态有机质空间结构的方法 |
US20210201497A1 (en) * | 2019-03-05 | 2021-07-01 | China University Of Mining And Technology | Method for determining segmentation threshold of digital image of rock-soil material |
CN213732337U (zh) * | 2020-09-04 | 2021-07-20 | 聊城扬帆田一机械有限公司 | 一种减轻劳动力的混凝土振动设备 |
CN213805314U (zh) * | 2020-08-21 | 2021-07-27 | 聊城扬帆田一机械有限公司 | 一种减震效果好的液压夯实机 |
-
2022
- 2022-08-15 CN CN202210971264.6A patent/CN115049566B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000025034A (ko) * | 1998-10-02 | 2000-05-06 | 정성훈 | 부직포의 균제도 측정방법 |
US6460045B1 (en) * | 1999-03-15 | 2002-10-01 | Microsoft Corporation | Self-tuning histogram and database modeling |
CN105260999A (zh) * | 2015-11-17 | 2016-01-20 | 江苏理工学院 | 一种直方图均衡插值的图像增强方法及系统 |
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
CN106546521A (zh) * | 2016-10-12 | 2017-03-29 | 北京师范大学 | 一种基于ct扫描技术量化土壤大孔隙空间网络结构的方法 |
CN208455603U (zh) * | 2018-06-23 | 2019-02-01 | 佛山市云雀振动器有限公司 | 一种带新型减振胶的平板夯 |
CN109658378A (zh) * | 2018-11-08 | 2019-04-19 | 北京林业大学 | 基于土壤ct图像的孔隙辨识方法及系统 |
US20210201497A1 (en) * | 2019-03-05 | 2021-07-01 | China University Of Mining And Technology | Method for determining segmentation threshold of digital image of rock-soil material |
WO2020181594A1 (zh) * | 2019-03-14 | 2020-09-17 | 山东省农业科学院畜牧兽医研究所 | 一种定量测定土壤颗粒态有机质空间结构的方法 |
CN111311525A (zh) * | 2019-11-20 | 2020-06-19 | 重庆邮电大学 | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 |
CN213805314U (zh) * | 2020-08-21 | 2021-07-27 | 聊城扬帆田一机械有限公司 | 一种减震效果好的液压夯实机 |
CN213732337U (zh) * | 2020-09-04 | 2021-07-20 | 聊城扬帆田一机械有限公司 | 一种减轻劳动力的混凝土振动设备 |
Non-Patent Citations (9)
Title |
---|
ANGELES GALLEGOS 等: "Digital soil morphometrics of coarse fragments and horizon delineation in soil profiles from Central Mexico", 《GEODERMA REGIONAL》 * |
FATEMEH RAHIMI AJDADI 等: "Application of machine vision for classification of soil aggregate size", 《SOIL AND TILLAGE RESEARCH》 * |
卿力元: "北京市顺义区土壤营养元素地球化学特征及土壤质量评价", 《中国优秀硕士学位论文全文数据库 基础科技辑》 * |
吴学成等: "基于圆周灰度分布互相关的颗粒转速判别方法", 《中国电机工程学报》 * |
周峙: "降雨-蒸发作用下皖江裂隙性粘土裂隙演化机制及边坡破坏机理", 《中国博士学位论文全文数据库 工程科技II辑》 * |
李开端等: "基于直方图统计学的图像增强算法研究", 《科学技术与工程》 * |
李欣: "振动平板夯起振冲击机理及振动参数影响分析", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
赵爱玲: "工业X射线图像增强算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈亚军 等: "一种无须预指定分割区域数的自适应多阈值图像分割方法", 《模式识别与人工智能》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049566B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458119A (zh) | 一种非接触式测量的混凝土骨料级配快速识别方法 | |
CN102663726B (zh) | 对物料堆积图像进行物料分割的方法和装置 | |
CN102883179B (zh) | 一种视频质量客观评价方法 | |
CN113705590B (zh) | 基于人工智能的钢结构智能打磨控制方法 | |
CN105894484A (zh) | 一种基于直方图归一化与超像素分割的hdr重建算法 | |
CN110232650B (zh) | 一种彩色图像水印嵌入方法、检测方法及系统 | |
CN108287125A (zh) | 一种基于图像处理的砂砾石材料级配快速分析系统及方法 | |
CN110807738B (zh) | 一种基于边缘图块锐化的模糊图像非盲复原方法 | |
CN116542969B (zh) | 一种基于视觉技术的道路沥青粘连检测方法 | |
CN104992419A (zh) | 基于jnd因子的超像素高斯滤波预处理方法 | |
CN107545570A (zh) | 一种半参考图的重构图像质量评价方法 | |
CN115049566B (zh) | 一种平板夯激振模式智能调节系统 | |
CN107610147A (zh) | 一种废弃薄膜加筋风积沙地基处理方法 | |
CN104835142B (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
CN113256805A (zh) | 一种基于三维点云重构的路面线性裂缝信息快速计算方法 | |
Zhang et al. | Reversible data hiding based on multiple adaptive two-dimensional prediction-error histograms modification | |
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 | |
CN112862946B (zh) | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 | |
CN116309157A (zh) | 一种结合递归式推理与特征再优化的秦俑纹理修复方法 | |
CN113610863B (zh) | 多曝光图像融合质量评估方法 | |
CN115880181A (zh) | 一种增强图像对比度的方法、装置及终端 | |
CN114818854A (zh) | 一种路基病害类型的智能识别方法 | |
CN107524065B (zh) | 一种多空路面再生时骨架恢复方法 | |
Liu et al. | Study on Image Preprocessing Technology of Concrete Pavement Cracks | |
CN108521536A (zh) | 一种提高防伪信息隐蔽性的莫尔纹防伪方法 |
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 |