CN115082447A - 砂浆匀质性的测量方法、装置、可读存储介质及电子设备 - Google Patents

砂浆匀质性的测量方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN115082447A
CN115082447A CN202210880238.2A CN202210880238A CN115082447A CN 115082447 A CN115082447 A CN 115082447A CN 202210880238 A CN202210880238 A CN 202210880238A CN 115082447 A CN115082447 A CN 115082447A
Authority
CN
China
Prior art keywords
image
particle
photosensitive
photosensitive particles
mortar
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
CN202210880238.2A
Other languages
English (en)
Inventor
陆艳
曲飞
曹立里
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.)
Sany Automobile Manufacturing Co Ltd
Original Assignee
Sany Automobile Manufacturing 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 Sany Automobile Manufacturing Co Ltd filed Critical Sany Automobile Manufacturing Co Ltd
Priority to CN202210880238.2A priority Critical patent/CN115082447A/zh
Publication of CN115082447A publication Critical patent/CN115082447A/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Photosensitive Polymer And Photoresist Processing (AREA)

Abstract

本发明提供了一种砂浆匀质性的测量方法、装置、可读存储介质及电子设备，砂浆匀质性的测量方法包括：对感光颗粒原始图像进行处理以得到第一图像，第一图像用于指示砂浆中感光颗粒的分布情况；对第一图像进行第一预设处理，生成第二图像；获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性，通过用光滑粒子流体动力学方式无网格分析原则，避免将图像以网格式划分带来的误差，可直观准确地判断砂浆的分散匀质性，方便了用户根据感光颗粒的数量进行砂浆匀质性的计算。

Description

砂浆匀质性的测量方法、装置、可读存储介质及电子设备
技术领域
本发明涉及匀质性检测领域，具体而言，涉及一种砂浆匀质性的测量方法、装置、可读存储介质及电子设备。
背景技术
相关技术中，对干混砂浆匀质性试的整个操作过程中不仅要定时，过滤溶液时要保持一定的速度，而且对定量的要求也较为严格；特别注意的是整个试验的过程要在专门的实验室进行，这就不可避免的出现人为误差，因此急需一种准确且直观的干混砂浆匀质性测试方法。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题。
为此，本发明的第一方面提供了一种砂浆匀质性的测量方法。
本发明的第二方面提供了一种砂浆匀质性的测量装置。
本发明的第三方面提供了一种可读存储介质。
本发明的第四方面提供了一种电子设备。
有鉴于此，本发明的第一方面提出了一种砂浆匀质性的测量方法，砂浆匀质性的测量方法包括：对感光颗粒原始图像进行处理以得到第一图像，第一图像用于指示砂浆中感光颗粒的分布情况；对第一图像进行第一预设处理，生成第二图像；获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。
在本发明的技术方案中，在砂浆中掺入感光颗粒，将掺有感光颗粒的砂浆置入透明容器中压实，获取感光图像原始图像并对其进行处理得到第一图像，在第一图像中可以观测出感光颗粒的分布情况，再对第一图像进行第一预设处理，生成第二图像，在第二图像中可以观测出感光颗粒的数量，将第二图像进行划分成单位区域，通过获取其单位区域的感光颗粒数量确定砂浆的匀质性。
在上述技术方案中，获取感光颗粒原始图像并将感光颗粒的原始图像进行处理生成第一图像，其中，获取感光颗粒原始图像的方式为使用数码设备获取感光颗粒原始图像的RGB(Red Green Blue)图像，便于根据特定的颜色提取单通道图，根据感光颗粒原始图像处理生成的第一图像即为根据特定颜色提取的单通道图，在第一图像中可以清楚的观测到感光颗粒的分布情况，为后续计算感光颗粒的数量做准备。
进一步地，对第一图像进行第一预设处理，通过对感光颗粒原始图像处理得到的第一图像中具有明显的噪声，噪声的表现方式为较强视觉效果的孤立像素点或像素块，通过对第一图像进行第一预设处理是为了去除第一图像中的噪声并使第一图像中的感光颗粒更为明显，方便了用户根据感光颗粒的数量进行砂浆匀质性的计算。
在上述技术方案中，去除第一图像中的噪声选用的使SPH-PM(Smoothed ParticleHydrodynamics-Perona Malik)算法，即通过用光滑粒子流体动力学方式无网格分析原则，避免将图像以网格式划分带来的误差，可直观准确地判断砂浆的分散匀质性。
在上述任一技术方案中，以物理性质介于混凝土胶凝材料与骨料之间的感光颗粒为标记物，可以有效准确的测试混凝土的分散匀质性，获取在第二图像中单位区域内感光颗粒的数量，通过计算各个单位区域内感光颗粒的数量的情况，确定砂浆的匀质性，即各个单位区域内的感光颗粒的数量越接近，砂浆的匀质性越高，根据单位区域内的感光颗粒数量表征砂浆的匀质性，提高了砂浆匀质性测量的准确性。
根据本发明提供的砂浆匀质性的测量方法，还可以具有以下附加技术特征：
在上述任一技术方案中，对感光颗粒原始图像进行处理以得到第一图像，具体包括：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；提取感光颗粒原始图像中的感光颗粒，并去除砂浆以得到第一图像。
在上述技术方案中，对感光颗粒原始图像进行处理得到第一图像的具体步骤包括，获取感光颗粒原始图像，在感光颗粒原始图像中显示有感光颗粒和砂浆，将感光颗粒原始图像中的感光颗粒进行提取，并去除砂浆得到第一图像。
具体的，通过数码设备获取感光颗粒原始图像的RGB图像，将RBG图像转变为HSV(Hue Saturation Value)图像，HSV图像利于对图片内不同颜色物品的提取和分割，故使用HSV图像将感光颗粒和砂浆进行分割，以去除砂浆并提取出感光颗粒。
在上述任一技术方案中，感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色，提取感光颗粒原始图像中的感光颗粒，并去除砂浆以得到第一图像，具体包括：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像。
在上述技术方案中，感光颗粒原始图像显示的图像为RGB图像，因此，在感光颗粒原始图像中，感光颗粒和砂浆显示为不同颜色，其中，感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色，通过RGB图像对颜色的显示，方便了后续根据特定的颜色提取感光颗粒并去除砂浆。
进一步地，将感光颗粒原始图像的RGB图像更新显示为HSV图像，其中，在进行图像转变时，RGB图像中物品的颜色更新为相对应的HSV颜色，即将感光颗粒原始图像中的感光颗粒的第一颜色更新显示为第三颜色，将感光颗粒原始图像中的砂浆的第二颜色更新显示为第四颜色，并将更新后的感光颗粒原始图像的HSV图像进行阈值处理。
具体地，提取更新后的感光颗粒原始图像中的第三颜色的感光颗粒，将更新后的HSV图像进行单通道的显示，只显示第三颜色的感光颗粒，将非第三颜色的砂浆等物质进行去除，在第一图像中只显示有感光颗粒，使得感光颗粒在砂浆中的分布更为明显。
在上述任一技术方案中，对第一图像进行第一预设处理，生成第二图像的步骤，具体包括：对第一图像进行去噪处理，生成第三图像；对第三图像进行膨胀处理，生成第二图像。
在上述技术方案中，由于经感光颗粒原始图像处理后得到的第一图像中具有噪声，即为较强视觉效果的孤立像素点或像素块，因此为了防止孤立的像素点或像素块对后续砂浆匀质性的运算造成影响，在对第一图像进行第一预设处理生成第二图像时，首先需要对第一图像进行去噪处理，即将第一图像中的噪声去除，提高了对感光颗粒的数量检测时的准确性。
进一步地，对第一图像进行去噪处理后得到第三图像，在第三图像中的感光颗粒经噪声的破坏使得边缘模糊，因此在进行去噪处理的基础上还需要对第三图像进行膨胀处理，修复经噪声破坏的感光颗粒，使得感光颗粒更为明显，方便了后续统计感光颗粒的数量。
在上述任一技术方案中，对第一图像进行去噪处理，生成第三图像，具体包括：根据感光颗粒的颗粒核半径、感光颗粒的颗粒密度、感光颗粒的颗粒质量建立去噪模型；将第一图像输入去噪模型中，生成第三图像。
在上述技术方案中，对第一图像进行去噪处理的具体步骤为，确定感光颗粒的颗粒核半径、感光颗粒的颗粒密度以及感光颗粒的颗粒质量建立去噪模型，将第一图像输入去噪模型中，以完成对第一图像的去噪，生成第三图像。其中，通过SPH-PM算法对第一图像进行去噪。
在上述任一技术方案中，根据感光颗粒的颗粒核半径、感光颗粒的颗粒密度、感光颗粒的颗粒质量建立去噪模型，具体包括：根据颗粒核半径确定感光颗粒的支持域；根据支持域选择第二颗粒；确定第二颗粒和感光颗粒的颗粒距离；根据颗粒距离、颗粒密度以及颗粒质量建立去噪模型。
在上述技术方案中，根据感光颗粒的颗粒核半径、颗粒密度、颗粒质量建立去噪模型，通过SPH-PM算法对第一图像进行去噪，首先需要建立SPH方法模型，具体的，在建立SPH方法模型时，需要先选择感光颗粒的颗粒核半径，将颗粒核半径设为h，并设定颗粒核半径的调节范围k，固定该感光颗粒i，设定以kh为半径的范围为颗粒i的支持域，在以kh为半径的范围内寻找其他颗粒，将寻找到的其中的一个颗粒设为j。
进一步地，通过感光颗粒i和颗粒i的支持域内的另一个颗粒j设置光滑核函数，光滑核函数的公式为：
Figure BDA0003763950580000051
其中，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，q是根据颗粒i的颗粒核半径和颗粒i和颗粒j的距离计算得到的，具体地，计算q的公式为：
Figure BDA0003763950580000052
其中，uij为颗粒i和颗粒j的距离，q用于指示两个颗粒之间的距离和感光颗粒核半径的比值。
进一步地，根据光滑核函数设置函数的近似积分，函数的近似积分的公式为：
<f(u)>＝∫Ωf(u′)W(u-u′，h)du′；
其中，Ω为积分范围，<f(u)>用于指示两个颗粒之间的近似值，W(u-u′，h)为光滑核函数，(u-u′)用于指示两个颗粒之间的距离，h为感光颗粒核半径，。
进一步地，将近似积分离散化，根据感光颗粒的颗粒密度和颗粒质量生成粒子近似函数，该粒子近似函数的公式为：
Figure BDA0003763950580000053
其中，N为感光颗粒总数，ρj为颗粒j的密度，mj光颗粒j的质量，W(u-uj，h)为颗粒j的光滑核函数，h为所选取的感光颗粒的核半径，(u-uj)用于指示颗粒j与上述感光颗粒i之间的距离，其中颗粒j的密度的公式为：
Figure BDA0003763950580000054
其中，ρj为颗粒j的密度，mj光颗粒j的质量，W(u-uj，h)为颗粒j的光滑核函数，h为所选取的感光颗粒的核半径。
进一步地，再将热转换方程代入粒子近似函数中，形成热转换方程的离散化公式，热转换方程的离散化公式为：
Figure BDA0003763950580000061
其中，Ti为颗粒i离散后的温度，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
热转换方程的离散化公式导数表达式为：
Figure BDA0003763950580000062
其中，
Figure BDA0003763950580000063
为颗粒i离散后的温度的导数，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
再将热转换方程的离散化公式转换为拉普拉斯公式，其公式为：
Figure BDA0003763950580000064
其中，ΔTi用于指示颗粒i离散后的温度，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
进一步地，将转化后的拉普拉斯公式中插入时间步长，完成SPH方法模型的建立，SPH方法模型公式为：
Figure BDA0003763950580000065
其中，α为热扩散系数，m为迭代次数，Δt为时间步长，
Figure BDA0003763950580000066
用于指示加权后的颗粒i离散温度，
Figure BDA0003763950580000067
用于指示在颗粒i的离散温度中带入权重，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
进一步地，时间步长Δt的条件为：
Figure BDA0003763950580000071
其中，Δt为时间步长，h为感光颗粒核半径，α为热扩散系数。
进一步地，将扩散方程代入SPH方法模型中，完成去噪模型的建立，其中，去噪模型的公式为：
Figure BDA0003763950580000072
其中，c为扩散方程，α为热扩散系数，m为迭代次数，Δt为时间步长，
Figure BDA0003763950580000073
用于指示加权后的颗粒i离散温度，
Figure BDA0003763950580000074
用于指示在颗粒i的离散温度中带入权重，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
现用离散后的温度来替换热转换方程本来的梯度化，则组成了该模型新的扩散方程。为了得到很好的去噪效果，对时间步长进行额外约束以优化去噪性能：
Figure BDA0003763950580000075
其中，cmax为扩散方程的最大值，当梯度值为0时，扩散方程可取最大值，Δt为时间步长，h为感光颗粒核半径。
进一步地，将第一图像中的感光颗粒的数据输入去噪模型中，生成第三图像，该去噪模型有很好的自适应性，其在解决实际问题方面不受粒子的随意分布影响，提高了对感光颗粒的数量检测时的准确性。
在上述任一技术方案中，获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性，具体包括：将第二图像进行单位区域划分；确认第二图像中单位划分区域内的感光颗粒的数量；确认单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量差值的第一平均值；根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性。
在上述技术方案中，首先对第二图像进行单位区域的划分，即为通过其中一个感光颗粒的支持域寻找其他感光颗粒，确认第二图像中单位划分区域内的感光颗粒数量，通过计算单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量得到第一平均值，具体地，得到第一平均值的公式为：
Figure BDA0003763950580000081
其中，
Figure BDA0003763950580000082
为第一平均值，θi为单位划分区域内的感光颗粒的数量，
Figure BDA0003763950580000083
为第二图像内的感光颗粒的数量，N为划分区域数量。其中，当划分区域数量大于16后结果趋于稳定。各区域感光颗粒数量越接近，分散系数越大，说明混凝土的分散匀质性越高，反之则越低。
在上述技术方案中，再根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性，其匀质性的计算公式为：
Figure BDA0003763950580000084
其中，Cλ表示砂浆的匀质性，
Figure BDA0003763950580000085
为第一平均值，
Figure BDA0003763950580000086
为第二图像内的感光颗粒的数量。
在上述任一技术方案中，确认第二图像中单位划分区域内的感光颗粒的数量，具体包括：检测感光颗粒的轮廓；根据感光颗粒的轮廓数确认感光颗粒的数量。
在上述技术方案中，确认第二图像中单位划分区域内的感光颗粒的数量的步骤为，检测感光颗粒的轮廓，根据检测后得到的轮廓数确定感光颗粒的数量。
本发明的第二方面提出了一种砂浆匀质性的测量装置，砂浆匀质性的测量装置包括：第一处理单元，用于对感光颗粒原始图像进行处理以得到第一图像，第一图像用于指示砂浆中感光颗粒的分布情况；第二处理单元，用于述第一图像进行第一预设处理，生成第二图像；第一计算单元，用于获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。
在本发明的技术方案中，在砂浆中掺入感光颗粒，将掺有感光颗粒的砂浆置入透明容器中压实，通过第一处理单元获取感光图像原始图像并对其进行处理得到第一图像，在第一图像中可以观测出感光颗粒的分布情况，再通过第二处理单元对第一图像进行第一预设处理，生成第二图像，在第二图像中可以观测出感光颗粒的数量，通过第一计算单元将第二图像进行划分成单位区域，通过获取其单位区域的感光颗粒数量确定砂浆的匀质性。
在上述技术方案中，获取感光颗粒原始图像并将感光颗粒的原始图像进行处理生成第一图像，其中，获取感光颗粒原始图像的方式为使用数码设备获取感光颗粒原始图像的RGB(Red Green Blue)图像，便于根据特定的颜色提取单通道图，根据感光颗粒原始图像处理生成的第一图像即为根据特定颜色提取的单通道图，在第一图像中可以清楚的观测到感光颗粒的分布情况，为后续计算感光颗粒的数量做准备。
进一步地，对第一图像进行第一预设处理，通过对感光颗粒原始图像处理得到的第一图像中具有明显的噪声，噪声的表现方式为较强视觉效果的孤立像素点或像素块，通过对第一图像进行第一预设处理是为了去除第一图像中的噪声并使第一图像中的感光颗粒更为明显，方便了用户根据感光颗粒的数量进行砂浆匀质性的计算。
在上述技术方案中，去除第一图像中的噪声选用的使SPH-PM(Smoothed ParticleHydrodynamics-Perona Malik)算法，即通过用光滑粒子流体动力学方式无网格分析原则，避免将图像以网格式划分带来的误差，可直观准确地判断砂浆的分散匀质性。
在上述任一技术方案中，以物理性质介于混凝土胶凝材料与骨料之间的感光颗粒为标记物，可以有效准确的测试混凝土的分散匀质性，获取在第二图像中单位区域内感光颗粒的数量，通过计算各个单位区域内感光颗粒的数量的情况，确定砂浆的匀质性，即各个单位区域内的感光颗粒的数量越接近，砂浆的匀质性越高，根据单位区域内的感光颗粒数量表征砂浆的匀质性，提高了砂浆匀质性测量的准确性。
根据本发明提供的砂浆匀质性的测量装置，还可以具有以下附加技术特征：
在上述任一技术方案中，对感光颗粒原始图像进行处理以得到第一图像，具体包括：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；提取感光颗粒原始图像中的感光颗粒，并去除砂浆以得到第一图像。
在上述技术方案中，对感光颗粒原始图像进行处理得到第一图像的具体步骤包括，获取感光颗粒原始图像，在感光颗粒原始图像中显示有感光颗粒和砂浆，将感光颗粒原始图像中的感光颗粒进行提取，并去除砂浆得到第一图像。
具体的，通过数码设备获取感光颗粒原始图像的RGB图像，将RBG图像转变为HSV(Hue Saturation Value)图像，HSV图像利于对图片内不同颜色物品的提取和分割，故使用HSV图像将感光颗粒和砂浆进行分割，以去除砂浆并提取出感光颗粒。
在上述任一技术方案中，感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色，提取感光颗粒原始图像中的感光颗粒，并去除砂浆以得到第一图像，具体包括：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像。
在上述技术方案中，感光颗粒原始图像显示的图像为RGB图像，因此，在感光颗粒原始图像中，感光颗粒和砂浆显示为不同颜色，其中，感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色，通过RGB图像对颜色的显示，方便了后续根据特定的颜色提取感光颗粒并去除砂浆。
进一步地，将感光颗粒原始图像的RGB图像更新显示为HSV图像，其中，在进行图像转变时，RGB图像中物品的颜色更新为相对应的HSV颜色，即将感光颗粒原始图像中的感光颗粒的第一颜色更新显示为第三颜色，将感光颗粒原始图像中的砂浆的第二颜色更新显示为第四颜色，并将更新后的感光颗粒原始图像的HSV图像进行阈值处理。
具体地，提取更新后的感光颗粒原始图像中的第三颜色的感光颗粒，将更新后的HSV图像进行单通道的显示，只显示第三颜色的感光颗粒，将非第三颜色的砂浆等物质进行去除，在第一图像中只显示有感光颗粒，使得感光颗粒在砂浆中的分布更为明显。
在上述任一技术方案中，对第一图像进行第一预设处理，生成第二图像的步骤，具体包括：对第一图像进行去噪处理，生成第三图像；对第三图像进行膨胀处理，生成第二图像。
在上述技术方案中，由于经感光颗粒原始图像处理后得到的第一图像中具有噪声，即为较强视觉效果的孤立像素点或像素块，因此为了防止孤立的像素点或像素块对后续砂浆匀质性的运算造成影响，在对第一图像进行第一预设处理生成第二图像时，首先需要对第一图像进行去噪处理，即将第一图像中的噪声去除，提高了对感光颗粒的数量检测时的准确性。
进一步地，对第一图像进行去噪处理后得到第三图像，在第三图像中的感光颗粒经噪声的破坏使得边缘模糊，因此在进行去噪处理的基础上还需要对第三图像进行膨胀处理，修复经噪声破坏的感光颗粒，使得感光颗粒更为明显，方便了后续统计感光颗粒的数量。
在上述任一技术方案中，对第一图像进行去噪处理，生成第三图像，具体包括：根据感光颗粒的颗粒核半径、感光颗粒的颗粒密度、感光颗粒的颗粒质量建立去噪模型；将第一图像输入去噪模型中，生成第三图像。
在上述技术方案中，对第一图像进行去噪处理的具体步骤为，确定感光颗粒的颗粒核半径、感光颗粒的颗粒密度以及感光颗粒的颗粒质量建立去噪模型，将第一图像输入去噪模型中，以完成对第一图像的去噪，生成第三图像。其中，通过SPH-PM算法对第一图像进行去噪。
在上述任一技术方案中，根据感光颗粒的颗粒核半径、感光颗粒的颗粒密度、感光颗粒的颗粒质量建立去噪模型，具体包括：根据颗粒核半径确定感光颗粒的支持域；根据支持域选择第二颗粒；确定第二颗粒和感光颗粒的颗粒距离；根据颗粒距离、颗粒密度以及颗粒质量建立去噪模型。
在上述技术方案中，第一计算单元具体用于，根据感光颗粒的颗粒核半径、颗粒密度、颗粒质量建立去噪模型，通过SPH-PM算法对第一图像进行去噪，首先需要建立SPH方法模型，具体的，在建立SPH方法模型时，需要先选择感光颗粒的颗粒核半径，将颗粒核半径设为h，并设定颗粒核半径的调节范围k，固定该感光颗粒i，设定以kh为半径的范围为颗粒i的支持域，在以kh为半径的范围内寻找其他颗粒，将寻找到的其中的一个颗粒设为j。
进一步地，通过感光颗粒i和颗粒i的支持域内的另一个颗粒j设置光滑核函数，光滑核函数的公式为：
Figure BDA0003763950580000121
其中，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，q是根据颗粒i的颗粒核半径和颗粒i和颗粒j的距离计算得到的，具体地，计算q的公式为：
Figure BDA0003763950580000122
其中，uij为颗粒i和颗粒j的距离，q用于指示两个颗粒之间的距离和感光颗粒核半径的比值。
进一步地，根据光滑核函数设置函数的近似积分，函数的近似积分的公式为：
<f(u)>＝∫Ωf(u′)W(u-u′，h)du′；
其中，Ω为积分范围，<f(u)>用于指示两个颗粒之间的近似值，W(u-u′，h)为光滑核函数，(u-u′)用于指示两个颗粒之间的距离，h为感光颗粒核半径。
进一步地，将近似积分离散化，根据感光颗粒的颗粒密度和颗粒质量生成粒子近似函数，该粒子近似函数的公式为：
Figure BDA0003763950580000131
其中，N为感光颗粒总数，ρj为颗粒j的密度，mj光颗粒j的质量，W(u-uj，h)为颗粒j的光滑核函数，h为所选取的感光颗粒的核半径，(u-uj)用于指示颗粒j与上述感光颗粒i之间的距离，其中颗粒j的密度的公式为：
Figure BDA0003763950580000132
其中，ρj为颗粒j的密度，mj光颗粒j的质量，W(u-uj，h)为颗粒j的光滑核函数，h为所选取的感光颗粒的核半径。
进一步地，再将热转换方程代入粒子近似函数中，形成热转换方程的离散化公式，热转换方程的离散化公式为：
Figure BDA0003763950580000133
其中，Ti为颗粒i离散后的温度，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
热转换方程的离散化公式导数表达式为：
Figure BDA0003763950580000134
其中，
Figure BDA0003763950580000135
为颗粒i离散后的温度的导数，W(ujj，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
再将热转换方程的离散化公式转换为拉普拉斯公式，其公式为：
Figure BDA0003763950580000136
其中，ΔTi用于指示颗粒i离散后的温度，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
进一步地，将转化后的拉普拉斯公式中插入时间步长，完成SPH方法模型的建立，SPH方法模型公式为：
Figure BDA0003763950580000141
其中，α为热扩散系数，m为迭代次数，Δt为时间步长，
Figure BDA0003763950580000142
用于指示加权后的颗粒i离散温度，
Figure BDA0003763950580000143
用于指示在颗粒i的离散温度中带入权重，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
进一步地，时间步长Δt的条件为：
Figure BDA0003763950580000144
其中，Δt为时间步长，h为感光颗粒核半径，α为热扩散系数。
进一步地，将扩散方程代入SPH方法模型中，完成去噪模型的建立，其中，去噪模型的公式为：
Figure BDA0003763950580000145
其中，c为扩散方程，α为热扩散系数，m为迭代次数，Δt为时间步长，
Figure BDA0003763950580000146
用于指示加权后的颗粒i离散温度，
Figure BDA0003763950580000147
用于指示在颗粒i的离散温度中带入权重，W(ujj，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
现用离散后的温度来替换热转换方程本来的梯度化，则组成了该模型新的扩散方程。为了得到很好的去噪效果，对时间步长进行额外约束以优化去噪性能：
Figure BDA0003763950580000148
其中，cmax为扩散方程的最大值，当梯度值为0时，扩散方程可取最大值，Δt为时间步长，h为感光颗粒核半径。
进一步地，将第一图像中的感光颗粒的数据输入去噪模型中，生成第三图像，该去噪模型有很好的自适应性，其在解决实际问题方面不受粒子的随意分布影响，提高了对感光颗粒的数量检测时的准确性。
在上述任一技术方案中，获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性，具体包括：将第二图像进行单位区域划分；确认第二图像中单位划分区域内的感光颗粒的数量；确认单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量差值的第一平均值；根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性。
在上述技术方案中，首先对第二图像进行单位区域的划分，即为通过其中一个感光颗粒的支持域寻找其他感光颗粒，确认第二图像中单位划分区域内的感光颗粒数量，通过计算单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量得到第一平均值，具体地，得到第一平均值的公式为：
Figure BDA0003763950580000151
其中，
Figure BDA0003763950580000152
为第一平均值，θi为单位划分区域内的感光颗粒的数量，
Figure BDA0003763950580000153
为第二图像内的感光颗粒的数量，N为划分区域数量。其中，当划分区域数量大于16后结果趋于稳定。各区域感光颗粒数量越接近，分散系数越大，说明混凝土的分散匀质性越高，反之则越低。
在上述技术方案中，再根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性，其匀质性的计算公式为：
Figure BDA0003763950580000154
其中，Cλ表示砂浆的匀质性，
Figure BDA0003763950580000161
为第一平均值，
Figure BDA0003763950580000162
为第二图像内的感光颗粒的数量。
在上述任一技术方案中，确认第二图像中单位划分区域内的感光颗粒的数量，具体包括：检测感光颗粒的轮廓；根据感光颗粒的轮廓数确认感光颗粒的数量。
在上述技术方案中，确认第二图像中单位划分区域内的感光颗粒的数量的步骤为，检测感光颗粒的轮廓，根据检测后得到的轮廓数确定感光颗粒的数量。
本发明的第三个方面提供了一种可读存储介质，可读存储介质上存储有程序或指令，程序或指令被处理器执行时实现如上述任一技术方案中的砂浆匀质性的测量方法的步骤。
本发明提供的可读存储介质，其上存储有程序或指令，程序或指令被处理器执行时可实现如上述任一技术方案中的砂浆匀质性的测量方法的步骤。因此，本发明所提出的可读存储介质具备上述任一技术方案中的砂浆匀质性的测量方法的全部有益效果，在此不再赘述。
本发明的第四个方面提供了一种电子设备，包括：上述任一技术方案中的砂浆匀质性的测量装置；和/或上述技术方案中的可读存储介质。
本发明提供的电子设备，包括上述任一技术方案中的砂浆匀质性的测量装置，因此，其具备上述任一技术方案中的砂浆匀质性的测量装置的全部有益效果，在此不再赘述。
进一步地，本发明提供的电子设备，还可包括上述技术方案中所限定的可读存储介质。因此，本发明所提出的电子设备具备上述技术方案中所限定的可读存储介质的全部有益效果，在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明实施例的砂浆匀质性的测量方法的流程示意图之一；
图2示出了本发明实施例的砂浆匀质性的测量方法的流程示意图之二；
图3示出了本发明实施例的砂浆匀质性的测量方法的流程示意图之三；
图4示出了本发明实施例的砂浆匀质性的测量方法的流程示意图之四；
图5示出了本发明实施例的砂浆匀质性的测量方法的流程示意图之五；
图6示出了本发明实施例的砂浆匀质性的测量方法的流程示意图之六；
图7示出了本发明实施例的砂浆匀质性的测量方法的流程示意图之七；
图8示出了本发明实施例的砂浆匀质性的测量方法的流程示意图之八；
图9示出了本发明实施例的砂浆匀质性的测量装置的示意框图；
图10示出了本发明实施例的感光颗粒支持域选择的示意图；
图11示出了本发明实施例的去噪方法的流程示意图；
图12示出了本发明实施例的砂浆匀质性检测示意图之一；
图13示出了本发明实施例的砂浆匀质性检测示意图之二；
图14示出了本发明实施例的砂浆匀质性检测示意图之三；
图15示出了本发明实施例的砂浆匀质性检测示意图之四；
图16示出了本发明实施例的砂浆匀质性检测示意图之五。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
如图1所示，本发明的第一方面的实施例提出了一种砂浆匀质性的测量方法，砂浆匀质性的测量方法包括：
步骤102：对感光颗粒原始图像进行处理以得到第一图像，第一图像用于指示砂浆中感光颗粒的分布情况；
步骤104：对第一图像进行第一预设处理，生成第二图像；
步骤106：获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。
在本发明的实施例中，在砂浆中掺入感光颗粒，将掺有感光颗粒的砂浆置入透明容器中压实，获取感光图像原始图像并对其进行处理得到第一图像，在第一图像中可以观测出感光颗粒的分布情况，再对第一图像进行第一预设处理，生成第二图像，在第二图像中可以观测出感光颗粒的数量，将第二图像进行划分成单位区域，通过获取其单位区域的感光颗粒数量确定砂浆的匀质性。
在上述实施例中，获取感光颗粒原始图像并将感光颗粒的原始图像进行处理生成第一图像，其中，获取感光颗粒原始图像的方式为使用数码设备获取感光颗粒原始图像的RGB(Red Green Blue)图像，便于根据特定的颜色提取单通道图，根据感光颗粒原始图像处理生成的第一图像即为根据特定颜色提取的单通道图，在第一图像中可以清楚的观测到感光颗粒的分布情况，为后续计算感光颗粒的数量做准备。
进一步地，对第一图像进行第一预设处理，通过对感光颗粒原始图像处理得到的第一图像中具有明显的噪声，噪声的表现方式为较强视觉效果的孤立像素点或像素块，通过对第一图像进行第一预设处理是为了去除第一图像中的噪声并使第一图像中的感光颗粒更为明显，方便了用户根据感光颗粒的数量进行砂浆匀质性的计算。
在上述实施例中，去除第一图像中的噪声选用的使SPH-PM(Smoothed ParticleHydrodynamics-Perona Malik)算法，即通过用光滑粒子流体动力学方式无网格分析原则，避免将图像以网格式划分带来的误差，可直观准确地判断砂浆的分散匀质性。
在上述任一实施例中，以物理性质介于混凝土胶凝材料与骨料之间的感光颗粒为标记物，可以有效准确的测试混凝土的分散匀质性，获取在第二图像中单位区域内感光颗粒的数量，通过计算各个单位区域内感光颗粒的数量的情况，确定砂浆的匀质性，即各个单位区域内的感光颗粒的数量越接近，砂浆的匀质性越高，根据单位区域内的感光颗粒数量表征砂浆的匀质性，提高了砂浆匀质性测量的准确性。
实施例二
如图2所示，在上述任一实施例中，对感光颗粒原始图像进行处理以得到第一图像，具体包括：
步骤202：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；
步骤204：提取感光颗粒原始图像中的感光颗粒，并去除砂浆以得到第一图像；
步骤206：对第一图像进行第一预设处理，生成第二图像；
步骤208：获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。
在上述实施例中，对感光颗粒原始图像进行处理得到第一图像的具体步骤包括，获取感光颗粒原始图像，在感光颗粒原始图像中显示有感光颗粒和砂浆，将感光颗粒原始图像中的感光颗粒进行提取，并去除砂浆得到第一图像。
具体的，通过数码设备获取感光颗粒原始图像的RGB图像，将RBG图像转变为HSV(Hue Saturation Value)图像，HSV图像利于对图片内不同颜色物品的提取和分割，故使用HSV图像将感光颗粒和砂浆进行分割，以去除砂浆并提取出感光颗粒。
实施例三
如图3所示，在上述任一实施例中，提取感光颗粒原始图像中的感光颗粒，并去除砂浆以得到第一图像，具体包括：
步骤302：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；
步骤304：感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色；
步骤306：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；
步骤308：对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像；
步骤310：对第一图像进行第一预设处理，生成第二图像；
步骤312：获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。
在上述实施例中，感光颗粒原始图像显示的图像为RGB图像，因此，在感光颗粒原始图像中，感光颗粒和砂浆显示为不同颜色，其中，感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色，通过RGB图像对颜色的显示，方便了后续根据特定的颜色提取感光颗粒并去除砂浆。
进一步地，将感光颗粒原始图像的RGB图像更新显示为HSV图像，其中，在进行图像转变时，RGB图像中物品的颜色更新为相对应的HSV颜色，即将感光颗粒原始图像中的感光颗粒的第一颜色更新显示为第三颜色，将感光颗粒原始图像中的砂浆的第二颜色更新显示为第四颜色，并将更新后的感光颗粒原始图像的HSV图像进行阈值处理。
具体地，提取更新后的感光颗粒原始图像中的第三颜色的感光颗粒，将更新后的HSV图像进行单通道的显示，只显示第三颜色的感光颗粒，将非第三颜色的砂浆等物质进行去除，在第一图像中只显示有感光颗粒，使得感光颗粒在砂浆中的分布更为明显。
实施例四
如图4所示，在上述任一实施例中，对第一图像进行第一预设处理，生成第二图像的步骤，具体包括：
步骤402：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；
步骤404：感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色；
步骤406：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；
步骤408：对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像；
步骤410：对第一图像进行去噪处理，生成第三图像；
步骤412：对第三图像进行膨胀处理，生成第二图像；
步骤414：获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。
在上述实施例中，由于经感光颗粒原始图像处理后得到的第一图像中具有噪声，即为较强视觉效果的孤立像素点或像素块，因此为了防止孤立的像素点或像素块对后续砂浆匀质性的运算造成影响，在对第一图像进行第一预设处理生成第二图像时，首先需要对第一图像进行去噪处理，即将第一图像中的噪声去除，提高了对感光颗粒的数量检测时的准确性。
进一步地，对第一图像进行去噪处理后得到第三图像，在第三图像中的感光颗粒经噪声的破坏使得边缘模糊，因此在进行去噪处理的基础上还需要对第三图像进行膨胀处理，修复经噪声破坏的感光颗粒，使得感光颗粒更为明显，方便了后续统计感光颗粒的数量。
实施例五
如图5所示，在上述任一实施例中，对第一图像进行去噪处理，生成第三图像，具体包括：
步骤502：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；
步骤504：感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色；
步骤506：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；
步骤508：对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像；
步骤510：根据感光颗粒的颗粒核半径、感光颗粒的颗粒密度、感光颗粒的颗粒质量建立去噪模型；
步骤512：将第一图像输入去噪模型中，生成第三图像；
步骤514：对第三图像进行膨胀处理，生成第二图像；
步骤516：获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。
在上述实施例中，对第一图像进行去噪处理的具体步骤为，确定感光颗粒的颗粒核半径、感光颗粒的颗粒密度以及感光颗粒的颗粒质量建立去噪模型，将第一图像输入去噪模型中，以完成对第一图像的去噪，生成第三图像。其中，通过SPH-PM算法对第一图像进行去噪。
实施例六
如图6所示，在上述任一实施例中，根据感光颗粒的颗粒核半径、感光颗粒的颗粒密度、感光颗粒的颗粒质量建立去噪模型，具体包括：
步骤602：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；
步骤604：感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色；
步骤606：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；
步骤608：对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像；
步骤610：根据颗粒核半径确定感光颗粒的支持域；
步骤612：根据支持域选择第二颗粒；
步骤614：确定第二颗粒和感光颗粒的颗粒距离；
步骤616：根据颗粒距离、颗粒密度以及颗粒质量建立去噪模型；
步骤618：将第一图像输入去噪模型中，生成第三图像；
步骤620：对第三图像进行膨胀处理，生成第二图像；
步骤622：获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。在上述实施例中，根据感光颗粒的颗粒核半径、颗粒密度、颗粒质量建立去噪模型，通过SPH-PM算法对第一图像进行去噪，首先需要建立SPH方法模型，具体的，如图10所示，在建立SPH方法模型时，需要先选择感光颗粒的颗粒核半径，将颗粒核半径设为h，并设定颗粒核半径的调节范围k，固定该感光颗粒i，设定以kh为半径的范围为颗粒i的支持域，在以kh为半径的范围内寻找其他颗粒，将寻找到的其中的一个颗粒设为j。
进一步地，通过感光颗粒i和颗粒i的支持域内的另一个颗粒j设置光滑核函数，光滑核函数的公式为：
Figure BDA0003763950580000231
其中，W(uij，h)为颗粒i和颗粒j的光滑核函数，ujj为颗粒i和颗粒j的距离，h为感光颗粒核半径，q是根据颗粒i的颗粒核半径和颗粒i和颗粒j的距离计算得到的，具体地，计算q的公式为：
Figure BDA0003763950580000232
其中，uij为颗粒i和颗粒j的距离，q用于指示两个颗粒之间的距离和感光颗粒核半径的比值。
进一步地，根据光滑核函数设置函数的近似积分，函数的近似积分的公式为：
<f(u)>＝∫Ωf(u′)W(u-u′，h)du′；
其中，Ω为积分范围，<f(u)>用于指示两个颗粒之间的近似值，W(u-u′，h)为光滑核函数，(u-u′)用于指示两个颗粒之间的距离，h为感光颗粒核半径。
进一步地，将近似积分离散化，根据感光颗粒的颗粒密度和颗粒质量生成粒子近似函数，该粒子近似函数的公式为：
Figure BDA0003763950580000233
其中，N为感光颗粒总数，ρj为颗粒j的密度，mj光颗粒j的质量，W(u-uj，h)为颗粒j的光滑核函数，h为所选取的感光颗粒的核半径，(u-uj)用于指示颗粒j与上述感光颗粒i之间的距离，其中颗粒j的密度的公式为：
Figure BDA0003763950580000234
其中，ρj为颗粒j的密度，mj光颗粒j的质量，W(u-uj，h)为颗粒j的光滑核函数，h为所选取的感光颗粒的核半径。
进一步地，再将热转换方程代入粒子近似函数中，形成热转换方程的离散化公式，热转换方程的离散化公式为：
Figure BDA0003763950580000241
其中，Ti为颗粒i离散后的温度，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
热转换方程的离散化公式导数表达式为：
Figure BDA0003763950580000242
其中，
Figure BDA0003763950580000243
为颗粒i离散后的温度的导数，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
再将热转换方程的离散化公式转换为拉普拉斯公式，其公式为：
Figure BDA0003763950580000244
其中，ΔTi用于指示颗粒i离散后的温度，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
进一步地，将转化后的拉普拉斯公式中插入时间步长，完成SPH方法模型的建立，SPH方法模型公式为：
Figure BDA0003763950580000245
其中，α为热扩散系数，m为迭代次数，Δt为时间步长，
Figure BDA0003763950580000246
用于指示加权后的颗粒i离散温度，
Figure BDA0003763950580000247
用于指示在颗粒i的离散温度中带入权重，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
进一步地，时间步长Δt的条件为：
Figure BDA0003763950580000251
其中，Δt为时间步长，h为感光颗粒核半径，α为热扩散系数。
进一步地，将扩散方程代入SPH方法模型中，完成去噪模型的建立，其中，去噪模型的公式为：
Figure BDA0003763950580000252
其中，c为扩散方程，α为热扩散系数，m为迭代次数，Δt为时间步长，
Figure BDA0003763950580000253
用于指示加权后的颗粒i离散温度，
Figure BDA0003763950580000254
用于指示在颗粒i的离散温度中带入权重，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
现用离散后的温度来替换热转换方程本来的梯度化，则组成了该模型新的扩散方程。为了得到很好的去噪效果，对时间步长进行额外约束以优化去噪性能：
Figure BDA0003763950580000255
其中，cmax为扩散方程的最大值，当梯度值为0时，扩散方程可取最大值，Δt为时间步长，h为感光颗粒核半径。
进一步地，将第一图像中的感光颗粒的数据输入去噪模型中，生成第三图像，该去噪模型有很好的自适应性，其在解决实际问题方面不受粒子的随意分布影响，提高了对感光颗粒的数量检测时的准确性。
具体地，如图11所示，将第一图像中的感光颗粒的数据输入去噪模型的具体步骤为：
步骤1102：读取第一图像中感光颗粒的数据；
步骤1104：计算梯度阈值；
步骤1106：计算光滑核函数；
步骤1108：去噪模型初始化；
步骤1110：计算感光颗粒密度，计算扩散方程，计算感光颗粒温度；
步骤1112：计算梯度；
步骤1114：计算感光颗粒的热扩散结果；
步骤1116：感光颗粒的热扩散结果是否计算完成；
步骤1118：基于感光颗粒的热扩散结果计算完成，输出去噪后的结果，基于感光颗粒的热扩散结果计算没有完成，重新返回去噪模型初始化。
实施例七
如图7所示，在上述任一实施例中，获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性，具体包括：
步骤702：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；
步骤704：感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色；
步骤706：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；
步骤708：对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像；
步骤710：根据颗粒核半径确定感光颗粒的支持域；
步骤712：根据支持域选择第二颗粒；
步骤714：确定第二颗粒和感光颗粒的颗粒距离；
步骤716根据颗粒距离、颗粒密度以及颗粒质量建立去噪模型；
步骤718：将第一图像输入去噪模型中，生成第三图像；
步骤720：对第三图像进行膨胀处理，生成第二图像；
步骤722：将第二图像进行单位区域划分；
步骤724：确认第二图像中单位划分区域内的感光颗粒的数量；
步骤726：确认单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量差值的第一平均值；
步骤728：根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性。
在上述实施例中，首先对第二图像进行单位区域的划分，即为通过其中一个感光颗粒的支持域寻找其他感光颗粒，确认第二图像中单位划分区域内的感光颗粒数量，通过计算单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量得到第一平均值，具体地，得到第一平均值的公式为：
Figure BDA0003763950580000271
其中，
Figure BDA0003763950580000272
为第一平均值，θi为单位划分区域内的感光颗粒的数量，
Figure BDA0003763950580000273
为第二图像内的感光颗粒的数量，N为划分区域数量。其中，当划分区域数量大于16后结果趋于稳定。各区域感光颗粒数量越接近，分散系数越大，说明混凝土的分散匀质性越高，反之则越低。
在上述实施例中，再根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性，其匀质性的计算公式为：
Figure BDA0003763950580000274
其中，Cλ表示砂浆的匀质性，
Figure BDA0003763950580000275
为第一平均值，
Figure BDA0003763950580000276
为第二图像内的感光颗粒的数量。
实施例八
如图8所示，在上述任一实施例中，确认第二图像中单位划分区域内的感光颗粒的数量，具体包括：
步骤802：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；
步骤804：感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色；
步骤806：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；
步骤808：对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像；
步骤810：根据颗粒核半径确定感光颗粒的支持域；
步骤812：根据支持域选择第二颗粒；
步骤814：确定第二颗粒和感光颗粒的颗粒距离；
步骤816根据颗粒距离、颗粒密度以及颗粒质量建立去噪模型；
步骤818：将第一图像输入去噪模型中，生成第三图像；
步骤820：对第三图像进行膨胀处理，生成第二图像；
步骤822：将第二图像进行单位区域划分；
步骤824：检测感光颗粒的轮廓；
步骤826：根据感光颗粒的轮廓数确认感光颗粒的数量；
步骤828：确认单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量差值的第一平均值；
步骤830：根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性。
在上述实施例中，确认第二图像中单位划分区域内的感光颗粒的数量的步骤为，检测感光颗粒的轮廓，根据检测后得到的轮廓数确定感光颗粒的数量。
如图12至图16所示，图12为使用数码设备获取的感光颗粒原始图像，其中深色表示感光颗粒，其余颜色表示砂浆等物质；图13为感光颗粒原始图像更新后的图片，其中，感光颗粒和砂浆都更新为所对应的颜色；图14为经阈值处理后生成的第一图像，其中，第一图片的背景为黑色，明显的白色表示感光颗粒，在第一图像中有白色的小颗粒为噪声；图15为经去噪处理后的第三图像，去除了第一图像中的白色小颗粒；图16为经膨胀处理后的第二图像，其感光颗粒边缘更为明显。
实施例九
如图9所示，本发明的第二方面实施例提出了一种砂浆匀质性的测量装置，砂浆匀质性的测量装置900包括：第一处理单元902，用于对感光颗粒原始图像进行处理以得到第一图像，第一图像用于指示砂浆中感光颗粒的分布情况；第二处理单元904，用于述第一图像进行第一预设处理，生成第二图像；第一计算单元906，用于获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性。
在本发明的实施例中，在砂浆中掺入感光颗粒，将掺有感光颗粒的砂浆置入透明容器中压实，通过第一处理单元获取感光图像原始图像并对其进行处理得到第一图像，在第一图像中可以观测出感光颗粒的分布情况，再通过第二处理单元对第一图像进行第一预设处理，生成第二图像，在第二图像中可以观测出感光颗粒的数量，通过第一计算单元将第二图像进行划分成单位区域，通过获取其单位区域的感光颗粒数量确定砂浆的匀质性。
在上述实施例中，获取感光颗粒原始图像并将感光颗粒的原始图像进行处理生成第一图像，其中，获取感光颗粒原始图像的方式为使用数码设备获取感光颗粒原始图像的RGB(Red Green Blue)图像，便于根据特定的颜色提取单通道图，根据感光颗粒原始图像处理生成的第一图像即为根据特定颜色提取的单通道图，在第一图像中可以清楚的观测到感光颗粒的分布情况，为后续计算感光颗粒的数量做准备。
进一步地，对第一图像进行第一预设处理，通过对感光颗粒原始图像处理得到的第一图像中具有明显的噪声，噪声的表现方式为较强视觉效果的孤立像素点或像素块，通过对第一图像进行第一预设处理是为了去除第一图像中的噪声并使第一图像中的感光颗粒更为明显，方便了用户根据感光颗粒的数量进行砂浆匀质性的计算。
在上述实施例中，去除第一图像中的噪声选用的使SPH-PM(Smoothed ParticleHydrodynamics-Perona Malik)算法，即通过用光滑粒子流体动力学方式无网格分析原则，避免将图像以网格式划分带来的误差，可直观准确地判断砂浆的分散匀质性。
在上述任一实施例中，以物理性质介于混凝土胶凝材料与骨料之间的感光颗粒为标记物，可以有效准确的测试混凝土的分散匀质性，获取在第二图像中单位区域内感光颗粒的数量，通过计算各个单位区域内感光颗粒的数量的情况，确定砂浆的匀质性，即各个单位区域内的感光颗粒的数量越接近，砂浆的匀质性越高，根据单位区域内的感光颗粒数量表征砂浆的匀质性，提高了砂浆匀质性测量的准确性。
实施例十
在上述任一实施例中，对感光颗粒原始图像进行处理以得到第一图像，具体包括：获取感光颗粒原始图像，感光颗粒原始图像中显示有感光颗粒和砂浆；提取感光颗粒原始图像中的感光颗粒，并去除砂浆以得到第一图像。
在上述实施例中，对感光颗粒原始图像进行处理得到第一图像的具体步骤包括，获取感光颗粒原始图像，在感光颗粒原始图像中显示有感光颗粒和砂浆，将感光颗粒原始图像中的感光颗粒进行提取，并去除砂浆得到第一图像。
具体的，通过数码设备获取感光颗粒原始图像的RGB图像，将RBG图像转变为HSV(Hue Saturation Value)图像，HSV图像利于对图片内不同颜色物品的提取和分割，故使用HSV图像将感光颗粒和砂浆进行分割，以去除砂浆并提取出感光颗粒。
在上述任一实施例中，感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色，提取感光颗粒原始图像中的感光颗粒，并去除砂浆以得到第一图像，具体包括：将感光颗粒原始图像中的感光颗粒更新显示为第三颜色，砂浆更新显示为第四颜色；对更新后的感光颗粒原始图像进行阈值处理，以提取第三颜色的感光颗粒并去除第四颜色的砂浆，生成第一图像。
在上述实施例中，感光颗粒原始图像显示的图像为RGB图像，因此，在感光颗粒原始图像中，感光颗粒和砂浆显示为不同颜色，其中，感光颗粒在感光颗粒原始图像中显示为第一颜色，砂浆在感光颗粒原始图像中显示为第二颜色，通过RGB图像对颜色的显示，方便了后续根据特定的颜色提取感光颗粒并去除砂浆。
进一步地，将感光颗粒原始图像的RGB图像更新显示为HSV图像，其中，在进行图像转变时，RGB图像中物品的颜色更新为相对应的HSV颜色，即将感光颗粒原始图像中的感光颗粒的第一颜色更新显示为第三颜色，将感光颗粒原始图像中的砂浆的第二颜色更新显示为第四颜色，并将更新后的感光颗粒原始图像的HSV图像进行阈值处理。
具体地，提取更新后的感光颗粒原始图像中的第三颜色的感光颗粒，将更新后的HSV图像进行单通道的显示，只显示第三颜色的感光颗粒，将非第三颜色的砂浆等物质进行去除，在第一图像中只显示有感光颗粒，使得感光颗粒在砂浆中的分布更为明显。
实施例十一
在上述任一实施例中，对第一图像进行第一预设处理，生成第二图像的步骤，具体包括：对第一图像进行去噪处理，生成第三图像；对第三图像进行膨胀处理，生成第二图像。
在上述实施例中，由于经感光颗粒原始图像处理后得到的第一图像中具有噪声，即为较强视觉效果的孤立像素点或像素块，因此为了防止孤立的像素点或像素块对后续砂浆匀质性的运算造成影响，在对第一图像进行第一预设处理生成第二图像时，首先需要对第一图像进行去噪处理，即将第一图像中的噪声去除，提高了对感光颗粒的数量检测时的准确性。
进一步地，对第一图像进行去噪处理后得到第三图像，在第三图像中的感光颗粒经噪声的破坏使得边缘模糊，因此在进行去噪处理的基础上还需要对第三图像进行膨胀处理，修复经噪声破坏的感光颗粒，使得感光颗粒更为明显，方便了后续统计感光颗粒的数量。
在上述任一实施例中，对第一图像进行去噪处理，生成第三图像，具体包括：根据感光颗粒的颗粒核半径、感光颗粒的颗粒密度、感光颗粒的颗粒质量建立去噪模型；将第一图像输入去噪模型中，生成第三图像。
在上述实施例中，对第一图像进行去噪处理的具体步骤为，确定感光颗粒的颗粒核半径、感光颗粒的颗粒密度以及感光颗粒的颗粒质量建立去噪模型，将第一图像输入去噪模型中，以完成对第一图像的去噪，生成第三图像。其中，通过SPH-PM算法对第一图像进行去噪。
在上述任一实施例中，根据感光颗粒的颗粒核半径、感光颗粒的颗粒密度、感光颗粒的颗粒质量建立去噪模型，具体包括：根据颗粒核半径确定感光颗粒的支持域；根据支持域选择第二颗粒；确定第二颗粒和感光颗粒的颗粒距离；根据颗粒距离、颗粒密度以及颗粒质量建立去噪模型。
在上述实施例中，第一计算单元具体用于，根据感光颗粒的颗粒核半径、颗粒密度、颗粒质量建立去噪模型，通过SPH-PM算法对第一图像进行去噪，首先需要建立SPH方法模型，具体的，在建立SPH方法模型时，需要先选择感光颗粒的颗粒核半径，将颗粒核半径设为h，并设定颗粒核半径的调节范围k，固定该感光颗粒i，设定以kh为半径的范围为颗粒i的支持域，在以kh为半径的范围内寻找其他颗粒，将寻找到的其中的一个颗粒设为j。
进一步地，通过感光颗粒i和颗粒i的支持域内的另一个颗粒j设置光滑核函数，光滑核函数的公式为：
Figure BDA0003763950580000321
其中，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，q是根据颗粒i的颗粒核半径和颗粒i和颗粒j的距离计算得到的，具体地，计算q的公式为：
Figure BDA0003763950580000322
其中，uij为颗粒i和颗粒j的距离，q用于指示两个颗粒之间的距离和感光颗粒核半径的比值。
进一步地，根据光滑核函数设置函数的近似积分，函数的近似积分的公式为：
<f(u)>＝∫Ωf(u′)W(u-u′，h)du′；
其中，Ω为积分范围，<f(u)>用于指示两个颗粒之间的近似值，W(u-u′，h)为光滑核函数，(u-u′)用于指示两个颗粒之间的距离，h为感光颗粒核半径。
进一步地，将近似积分离散化，根据感光颗粒的颗粒密度和颗粒质量生成粒子近似函数，该粒子近似函数的公式为：
Figure BDA0003763950580000331
其中，N为感光颗粒总数，ρj为颗粒j的密度，mj光颗粒j的质量，W(u-uj，h)为颗粒j的光滑核函数，h为所选取的感光颗粒的核半径，(u-uj)用于指示颗粒j与上述感光颗粒i之间的距离，其中颗粒j的密度的公式为：
Figure BDA0003763950580000332
其中，ρj为颗粒j的密度，mj光颗粒j的质量，W(u-uj，h)为颗粒j的光滑核函数，h为所选取的感光颗粒的核半径。
进一步地，再将热转换方程代入粒子近似函数中，形成热转换方程的离散化公式，热转换方程的离散化公式为：
Figure BDA0003763950580000333
其中，Ti为颗粒i离散后的温度，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
热转换方程的离散化公式导数表达式为：
Figure BDA0003763950580000334
其中，
Figure BDA0003763950580000335
为颗粒i离散后的温度的导数，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
再将热转换方程的离散化公式转换为拉普拉斯公式，其公式为：
Figure BDA0003763950580000341
其中，ΔTi用于指示颗粒i离散后的温度，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
进一步地，将转化后的拉普拉斯公式中插入时间步长，完成SPH方法模型的建立，SPH方法模型公式为：
Figure BDA0003763950580000342
其中，α为热扩散系数，m为迭代次数，Δt为时间步长，
Figure BDA0003763950580000343
用于指示加权后的颗粒i离散温度，
Figure BDA0003763950580000344
用于指示在颗粒i的离散温度中带入权重，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
进一步地，时间步长Δt的条件为：
Figure BDA0003763950580000345
其中，Δt为时间步长，h为感光颗粒核半径，α为热扩散系数。
进一步地，将扩散方程代入SPH方法模型中，完成去噪模型的建立，其中，去噪模型的公式为：
Figure BDA0003763950580000346
其中，c为扩散方程，α为热扩散系数，m为迭代次数，Δt为时间步长，
Figure BDA0003763950580000347
用于指示加权后的颗粒i离散温度，
Figure BDA0003763950580000348
用于指示在颗粒i的离散温度中带入权重，W(uij，h)为颗粒i和颗粒j的光滑核函数，uij为颗粒i和颗粒j的距离，h为感光颗粒核半径，ρj为颗粒j的密度，mj光颗粒j的质量。
现用离散后的温度来替换热转换方程本来的梯度化，则组成了该模型新的扩散方程。为了得到很好的去噪效果，对时间步长进行额外约束以优化去噪性能：
Figure BDA0003763950580000351
其中，cmax为扩散方程的最大值，当梯度值为0时，扩散方程可取最大值，Δt为时间步长，h为感光颗粒核半径。
进一步地，将第一图像中的感光颗粒的数据输入去噪模型中，生成第三图像，该去噪模型有很好的自适应性，其在解决实际问题方面不受粒子的随意分布影响，提高了对感光颗粒的数量检测时的准确性。
实施例十二
在上述任一实施例中，获取第二图像中单位区域的感光颗粒的数量，根据单位区域的感光颗粒的数量确定砂浆的匀质性，具体包括：将第二图像进行单位区域划分；确认第二图像中单位划分区域内的感光颗粒的数量；确认单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量差值的第一平均值；根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性。
在上述实施例中，首先对第二图像进行单位区域的划分，即为通过其中一个感光颗粒的支持域寻找其他感光颗粒，确认第二图像中单位划分区域内的感光颗粒数量，通过计算单位划分区域内的感光颗粒的数量与第二图像内的感光颗粒的数量得到第一平均值，具体地，得到第一平均值的公式为：
Figure BDA0003763950580000352
其中，
Figure BDA0003763950580000353
为第一平均值，θi为单位划分区域内的感光颗粒的数量，
Figure BDA0003763950580000354
为第二图像内的感光颗粒的数量，N为划分区域数量。其中，当划分区域数量大于16后结果趋于稳定。各区域感光颗粒数量越接近，分散系数越大，说明混凝土的分散匀质性越高，反之则越低。
在上述实施例中，再根据第一平均值和第二图像内的感光颗粒的数量确定砂浆的匀质性，其匀质性的计算公式为：
Figure BDA0003763950580000361
其中，Cλ表示砂浆的匀质性，
Figure BDA0003763950580000362
为第一平均值，
Figure BDA0003763950580000363
为第二图像内的感光颗粒的数量。
在上述任一实施例中，确认第二图像中单位划分区域内的感光颗粒的数量，具体包括：检测感光颗粒的轮廓；根据感光颗粒的轮廓数确认感光颗粒的数量。
在上述实施例中，确认第二图像中单位划分区域内的感光颗粒的数量的步骤为，检测感光颗粒的轮廓，根据检测后得到的轮廓数确定感光颗粒的数量。
实施例十三
本发明的第三个方面实施例提供了一种可读存储介质，可读存储介质上存储有程序或指令，程序或指令被处理器执行时实现如上述任一实施例中的砂浆匀质性的测量方法的步骤。
本实施例提供的可读存储介质，其上存储有程序或指令，程序或指令被处理器执行时可实现如上述任一实施例中的砂浆匀质性的测量方法的步骤。因此，本发明所提出的可读存储介质具备上述任一实施例中的砂浆匀质性的测量方法的全部有益效果，在此不再赘述。
实施例十四
本发明的第四个方面实施例提供了一种电子设备，包括：上述任一实施例中的砂浆匀质性的测量装置；和/或上述实施例中的可读存储介质。
本实施例提供的电子设备，包括上述任一实施例中的砂浆匀质性的测量装置，因此，其具备上述任一实施例中的砂浆匀质性的测量装置的全部有益效果，在此不再赘述。
进一步地，本实施例提供的电子设备，还可包括上述实施例中所限定的可读存储介质。因此，本发明所提出的电子设备具备上述实施例中所限定的可读存储介质的全部有益效果，在此不再赘述。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明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一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (11)

1.一种砂浆匀质性的测量方法，其特征在于，所述砂浆匀质性的测量方法包括：
对感光颗粒原始图像进行处理以得到第一图像，所述第一图像用于指示所述砂浆中所述感光颗粒的分布情况；
对所述第一图像进行第一预设处理，生成第二图像；
获取所述第二图像中单位区域的所述感光颗粒的数量，根据所述单位区域的所述感光颗粒的数量确定所述砂浆的匀质性。
2.根据权利要求1所述的砂浆匀质性的测量方法，其特征在于，所述对所述感光颗粒原始图像进行处理以得到所述第一图像，具体包括：
获取所述感光颗粒原始图像，所述感光颗粒原始图像中显示有所述感光颗粒和所述砂浆；
提取所述感光颗粒原始图像中的所述感光颗粒，并去除所述砂浆以得到所述第一图像。
3.根据权利要求2所述的砂浆匀质性的测量方法，其特征在于，所述感光颗粒在所述感光颗粒原始图像中显示为第一颜色，所述砂浆在所述感光颗粒原始图像中显示为第二颜色，所述提取所述感光颗粒原始图像中的所述感光颗粒，并去除所述砂浆以得到所述第一图像，具体包括：
将所述感光颗粒原始图像中的所述感光颗粒更新显示为第三颜色，所述砂浆更新显示为第四颜色；
对更新后的所述感光颗粒原始图像进行阈值处理，以提取所述第三颜色的所述感光颗粒并去除所述第四颜色的所述砂浆，生成所述第一图像。
4.根据权利要求1所述的砂浆匀质性的测量方法，其特征在于，所述对所述第一图像进行所述第一预设处理，生成第二图像的步骤，具体包括：
对所述第一图像进行去噪处理，生成第三图像；
对所述第三图像进行膨胀处理，生成所述第二图像。
5.根据权利要求4所述的砂浆匀质性的测量方法，其特征在于，对所述第一图像进行去噪处理，生成所述第三图像，具体包括：
根据所述感光颗粒的颗粒核半径、所述感光颗粒的颗粒密度、所述感光颗粒的颗粒质量建立去噪模型；
将所述第一图像输入所述去噪模型中，生成所述第三图像。
6.根据权利要求5所述的砂浆匀质性的测量方法，其特征在于，所述根据所述感光颗粒的颗粒核半径、所述感光颗粒的颗粒密度、所述感光颗粒的颗粒质量建立所述去噪模型，具体包括：
根据所述颗粒核半径确定所述感光颗粒的支持域；
根据所述支持域选择第二颗粒；
确定第二颗粒和所述感光颗粒的颗粒距离；
根据所述颗粒距离、所述颗粒密度以及所述颗粒质量建立所述去噪模型。
7.根据权利要求1至6中任一项所述的砂浆匀质性的测量方法，其特征在于，获取所述第二图像中单位区域的所述感光颗粒的数量，根据所述单位区域的所述感光颗粒的数量确定所述砂浆的匀质性，具体包括：
将所述第二图像进行单位区域划分；
确认所述第二图像中单位划分区域内的所述感光颗粒的数量；
确认所述单位划分区域内的所述感光颗粒的数量与所述第二图像内的所述感光颗粒的数量差值的第一平均值；
根据所述第一平均值和所述第二图像内的所述感光颗粒的数量确定所述砂浆的匀质性。
8.根据权利要求7所述的砂浆匀质性的测量方法，其特征在于，确认所述第二图像中所述单位划分区域内的所述感光颗粒的数量，具体包括：
检测所述感光颗粒的轮廓；
根据所述感光颗粒的轮廓数确认所述感光颗粒的数量。
9.一种砂浆匀质性的测量装置，其特征在于，所述砂浆匀质性的测量装置包括：
第一处理单元，用于对感光颗粒原始图像进行处理以得到第一图像，所述第一图像用于指示所述砂浆中所述感光颗粒的分布情况；
第二处理单元，用于对所述第一图像进行第一预设处理，生成第二图像；
第一计算单元，用于获取所述第二图像中单位区域的所述感光颗粒的数量，根据所述单位区域的所述感光颗粒的数量确定所述砂浆的匀质性。
10.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至8中任一项所述的砂浆匀质性的测量方法的步骤。
11.一种电子设备，其特征在于，包括：
如权利要求9所述的砂浆匀质性的测量装置；和/或
如权利要求10所述的可读存储介质。
CN202210880238.2A 2022-07-25 2022-07-25 砂浆匀质性的测量方法、装置、可读存储介质及电子设备 Pending CN115082447A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210880238.2A CN115082447A (zh) 2022-07-25 2022-07-25 砂浆匀质性的测量方法、装置、可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210880238.2A CN115082447A (zh) 2022-07-25 2022-07-25 砂浆匀质性的测量方法、装置、可读存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN115082447A true CN115082447A (zh) 2022-09-20

Family

ID=83243495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210880238.2A Pending CN115082447A (zh) 2022-07-25 2022-07-25 砂浆匀质性的测量方法、装置、可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115082447A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116330516A (zh) * 2023-05-29 2023-06-27 乳山市东方硅胶有限公司 一种硅胶颗粒生产设备颗粒大小控制系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150344376A1 (en) * 2014-05-30 2015-12-03 Elwha Llc Taggant for cement authentication
CN108956389A (zh) * 2018-05-28 2018-12-07 中国铁道科学研究院铁道建筑研究所 一种基于感光颗粒的混凝土匀质性测试方法
CN114549492A (zh) * 2022-02-27 2022-05-27 北京工业大学 一种基于多粒度图像信息内容的质量评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150344376A1 (en) * 2014-05-30 2015-12-03 Elwha Llc Taggant for cement authentication
CN108956389A (zh) * 2018-05-28 2018-12-07 中国铁道科学研究院铁道建筑研究所 一种基于感光颗粒的混凝土匀质性测试方法
CN114549492A (zh) * 2022-02-27 2022-05-27 北京工业大学 一种基于多粒度图像信息内容的质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
易业曦: "基于SPH的图像去噪与边缘检测算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 February 2021 (2021-02-15), pages 19 - 24 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116330516A (zh) * 2023-05-29 2023-06-27 乳山市东方硅胶有限公司 一种硅胶颗粒生产设备颗粒大小控制系统
CN116330516B (zh) * 2023-05-29 2023-08-29 乳山市东方硅胶有限公司 一种硅胶颗粒生产设备颗粒大小控制系统

Similar Documents

Publication Publication Date Title
Rabbani et al. Estimation of 3-D pore network coordination number of rocks from watershed segmentation of a single 2-D image
CN103957771B (zh) 图像处理装置和图像处理方法
CN110349153B (zh) 基于多特征融合的图像法烟草含梗率检测方法
CN105547602B (zh) 一种地铁隧道管片渗漏水的远距离测量方法
US8483480B2 (en) Method and system for factoring an illumination image
US8346022B2 (en) System and method for generating an intrinsic image using tone mapping and log chromaticity
US9396411B2 (en) Method and system for generating intrinsic images using a single reflectance technique
Xu et al. Improved bilateral texture filtering with edge-aware measurement
CN110136196B (zh) 一种桥梁裂缝宽度自动测量方法
CN115082447A (zh) 砂浆匀质性的测量方法、装置、可读存储介质及电子设备
CN106530271A (zh) 一种红外图像显著性检测方法
Murakami et al. Color correction for automatic fibrosis quantification in liver biopsy specimens
US20140294296A1 (en) Spatially varying log-chromaticity normals for use in an image process
Gong et al. User-assisted image shadow removal
CN107689039A (zh) 估计图像模糊度的方法和装置
CN117115161B (zh) 一种塑料缺陷检查方法
CN110910347B (zh) 一种基于图像分割的色调映射图像无参考质量评价方法
Colomer et al. Assessment of sparse-based inpainting for retinal vessel removal
US9754155B2 (en) Method and system for generating intrinsic images using a single reflectance technique
CN114913148A (zh) 基于无监督学习的丝印疵点检测方法、装置及存储介质
Tong et al. A general strategy for anisotropic diffusion in MR image denoising and enhancement
WO2013184518A2 (en) Automatic processing scale estimation for use in an image process
CN113838081A (zh) 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置
GB2426903A (en) Image segmentation and boundary establishment
Nagase et al. Automatic calculation and visualization of nuclear density in whole slide images of hepatic histological sections

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