CN115147401B - 一种基于数字图像处理的土石坝坝料合格性智能检测方法 - Google Patents
一种基于数字图像处理的土石坝坝料合格性智能检测方法 Download PDFInfo
- Publication number
- CN115147401B CN115147401B CN202210923472.9A CN202210923472A CN115147401B CN 115147401 B CN115147401 B CN 115147401B CN 202210923472 A CN202210923472 A CN 202210923472A CN 115147401 B CN115147401 B CN 115147401B
- Authority
- CN
- China
- Prior art keywords
- dam
- grading
- image
- digital image
- curve
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000012547 material qualification Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 56
- 239000000463 material Substances 0.000 claims abstract description 37
- 238000010276 construction Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 29
- 239000011435 rock Substances 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000012797 qualification Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 120
- 230000006870 function Effects 0.000 claims description 47
- 230000000877 morphologic effect Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000007873 sieving Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 abstract description 8
- 238000005056 compaction Methods 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 description 16
- 230000011218 segmentation Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000010426 asphalt Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数字图像处理的土石坝坝料合格性智能检测方法，包括S1、获取坝料数字图像，并对该坝料数字图像进行处理，以提取坝料数字图像的二维图像形态；S2、采用等效椭球体积的方法进行土石坝料的三维体积重构；S3、构建BP神经网络的级配修正模型以对图像识别得到的坝料级配曲线进行修正，而后与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，将级配曲线中丢失的部分进行补全，得到真实条件下的坝料全级配特征曲线，进一步获得评价坝料合格性的多个评价指标。本发明的坝料级配特征智能识别修正模型具有较高的识别精度，为大坝碾压施工前坝料合格性快速判别与施工过程中坝料压实特性的实时评价提供了重要支撑。
Description
技术领域
本发明属于土石坝坝料检测的技术领域，具体涉及一种基于数字图像处理的土石坝坝料合格性智能检测方法。
背景技术
按照常规的土石坝工程建设施工管理模式，土石坝坝料合格性检测通常是在大坝单元工程填筑碾压结束后通过挖坑获得碾压之后的坝料，然后进行筛分试验得到级配曲线，通过比较级配曲线是否在设计单位提供的上下包络线范围之内，进而判断坝料是否满足设计要求。这样的检测和合格性评价方法存在采样率低，操作过程繁琐，检测过程受人为因素影响大等缺点以致检测结果代表性差，更为严重的是这样的检验属于典型的事后检验，一旦坝料级配不合格，需要将碾压完成的坝料挖除，然后换合格坝料重新进行填筑施工，浪费大量的人力物力。因此，在实际土石坝施工中如何快速获取坝料的级配特性，并与设计级配上下包络线相关级配特性指标进行比对，进而判断坝料是否合格，对于大坝填筑施工来说具有重要的意义，也是目前土石坝填筑施工精细化智能控制的重要研究方面。
随着计算机和人工智能技术的发展，利用数字图像处理技术实现颗粒级配的智能检测已经在选矿、道路填料生产以及混凝土骨料检验等工程领域中得到了广泛的应用。发展至今，逐渐形成了基于颗粒三维形态捕捉的级配检测方法和基于二维图像形态提取转换的级配检测方法。其中基于颗粒三维形态捕捉的级配检测方法常采用三维激光扫描技术量化颗粒的真实形态，算法具有较高的鲁棒性，已有研究表明该方法比二维形态量化方法更加的准确有效，但是该方法需要精密的设备，成本较高，操作复杂，检测效率低，多适用于试验室环境检测，不适用于环境复杂的现场施工检测。
相比而言基于二维图像形态提取转换的级配检测方法检测效率高，操作简单，该方法由颗粒二维图像轮廓提取和基于二维形态特征的级配转换两部分组成，适合于施工现场级配检测，受到了众多学者的研究。
一些学者提出采用基于经典图像分割技术的二维图像形态级配检测方法，通过采用图像分割技术实现了颗粒的二维轮廓提取，而后采用椭球拟合获取颗粒的三维体积模型，建立了颗粒的粒度检测与分析系统；有的学者采用基于分水岭分割算法对在线采集到的矿石颗粒进行形态提取，然后采用击中与击不中算法统计不同粒径的矿石颗粒数量，实现了矿石粒度的在线实时检测；有的学者采用基于阈值化分割的方法实现了对沥青混合料的平面形态提取，然后提出了将沥青混合料的平面级配作为输入，设计级配作为模型的输出，建立了BP神经网络来对沥青混合料的设计级配进行检测，为级配检测提供了新的思路。以上基于经典图像分割技术的级配检测方法虽然识别速度快，但是识别结果高度依赖于关键参数的手动选择，对参数的选取较为敏感，若参数选取不当会导致欠分割或过分割的现象，此外针对复杂成像条件以及粘连颗粒图像的分割精度仍需进一步的提高。近年来，随着深度学习的异军突起，基于深度卷积神经网络(Deep Convolution Neural Network,DCNN)的图像分割方法在计算机视觉和医学图像分析领域占据主导地位，也为土石坝料二维图像轮廓提取带来了新的机遇。该方法通过建立深度学习神经网络模型可以自动提取隐含的抽象特征，获取泛化能力强的形态特征，从而自主解决经典图像处理方法的限制，与经典的图像分割算法相比，分割精度有了极大的提升。不少学者也逐渐提出了很多复杂的以及不同方法组合的算法来提高分割的精度，虽然分割精度高，但是该些方法的效率较低，对计算机的硬件性能要求较高，分割的准确率高度依赖于模型结构设计和样本标记，而土石料图像中存在的颗粒数量较多，人工标记颗粒轮廓的过程费时费力，模型训练耗时时间长。相比深度学习的方法而言，目前实际工程中常采用基于经典图像分割技术的二维图像形态级配检测方法。
综上所述虽然图像识别技术在诸多工程领域得到了广泛的应用，但是该技术在土石坝坝料级配智能检测方面却鲜有相关研究，主要原因如下：
(1)坝料颗粒粒径大小差异大，形状也各不相同；
(2)所拍摄的图像含有杂质，会有重叠、噪声和伪影，且图像往往受到光照不一致的影响，导致图像的亮度不均衡；
(3)图像在拍摄过程中需要固定焦距或者一定的比例尺，没有明显的边界，将使颗粒尺寸的分析变得异常困难。
这些外界的干扰降低了目标与背景的对比度，严重影响了土石坝坝料图像的有效分析。因此，坝料级配智能检测是一项富有挑战性的任务，又是目前亟待解决的工程问题。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种基于数字图像处理的土石坝坝料合格性智能检测方法，以解决或改善上述的问题。
为达到上述目的，本发明采取的技术方案是：
一种基于数字图像处理的土石坝坝料合格性智能检测方法，其包括以下步骤：
S1、获取施工现场摊铺结束后的坝料数字图像，并对该坝料数字图像进行处理，以提取坝料数字图像的二维图像形态；
S2、根据提取的二维图像形态，采用等效椭球体积的方法进行土石坝料的三维体积重构；
S3、构建BP神经网络的级配修正模型以对图像识别得到的坝料级配曲线进行修正，而后与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，补全级配曲线中丢失的部分，得到真实条件下的坝料全级配特征曲线，进一步获得评价坝料合格性的多个评价指标。
进一步地，步骤S1具体包括以下步骤：
S1.1、获取施工现场摊铺结束后的坝料数字图像；
S1.2、对坝料数字图像进行空间滤波和频率域滤波，并在频率域滤波时，采用融合两种同态滤波器HF1和HF2的方法修正图像降质；
S1.3、采用融合空间信息的直觉模糊C均值聚类算法对坝料数字图像进行二值化处理；
S1.4、采用形态学滤波器和基于面积阈值的提取融合方法对二值化图进行去噪和粘连颗粒的处理；
S1.5、采用Canny边缘检测对经过HF1滤波器和HF2滤波器处理后的土石坝料图像分别进行Canny边缘检测。
进一步地，步骤S1.1中在获取坝料数字图像时，在施工现场摊铺结束后的坝料上放置1m×1m的铁框作为比例标尺框，拍摄图像的位置处于比例标尺框正上方，比例标尺框内无阴影。
进一步地，步骤S1.3具体包括以下步骤：
S1.3.1、采用FCM均值聚类算法进行图像的二值化处理：
设X＝{x1,x2,…,xN}为待聚类坝料数字图像所有像素点灰度值的数据集，FCM算法将每个对象xj分配给C个类别，使用C×N的隶属矩阵U＝{uij}表示对象与类别之间的隶属关系，其中uij表示第j个对象属于第i个类的隶属程度，则针对X的模糊划分空间定义为：
FCM算法的目标是计算给定数据集X的隶属度矩阵和聚类中心V＝{v1,v2,…,vC}，目标函数将欧氏距离作为需要最小化的代价函数Jm，表示为：
其中，m为控制模糊程度的加权指数，当m趋于1时，分区接近硬聚类；|xj-vi|是第j个像素点灰度值xj与第i个聚类中心vi之间的欧几里得距离；
模糊划分是通过对目标函数的迭代优化来实现的，当目标函数对uij和vi的一阶导数为零时，Jm达到最小化，根据组间相似度最低的聚类原则，此时隶属矩阵uij和聚类中心的更新方程为：
算法迭代优化的终止条件为：
其中，α为表示误差阈值的常数，k为迭代次数，迭代优化过程最终收敛于Jm的局部极小值点或鞍点；
S1.3.2、根据相邻像素之间的特征值，定义空间函数：
其中，NB(xj)表示空间域中以像素xj为中心的正方形窗口，空间函数hij表示像素xj属于簇i的概率；
将空间函数纳入隶属度函数u′ij：
其中，p和q是控制两个函数相对重要性的参数；
S1.3.3、设论域X上的直觉模糊集D为：
D＝{(x,uD(x),vD(x),πD(x))|x∈X}
其中，uD(x)∈[0,1]表示x属于D的隶属度；vD(x)∈[0,1]表示x属于D的非隶属度；πD(x)∈[0,1]表示直觉指数，即表征由于缺乏知识和信息引起的犹豫程度；对于x∈X，均满足uD(x)+vD(x)+πD(x)＝1；
采用Sugeno生成函数生成非隶属度函数：
其中，λ为模糊补算子，则对应的直觉指数为：
代入到模糊隶属度矩阵中，得到：
其中，u″ij为考虑直觉模糊集理论后得到的隶属度矩阵。
进一步地，步骤S1.4具体包括：
进行孔洞填充以及一次开闭运算初步消除图像中前景和背景区域中的噪声；
选用不同结构元素进行多轮形态学操作并做合并处理；
根据两种同态滤波器HF1和HF2的工作特性，分别设置不同的面积阈值以提取图像中坝料颗粒轮廓并将其进行融合。
进一步地，步骤S2中采用椭球体积重构土石坝料的三维形态特征，包括：
计算土石坝料颗粒的颗粒等效粒径d为：
其中，a和b分别表示颗粒轮廓最佳拟合外接椭圆的长轴和短轴；C和A分别表示最佳拟合外接椭圆的周长和面积；
计算土石坝料颗粒的三维等效椭球体积V：
计算各粒径范围内土石坝料颗粒的级配质量百分比为：
其中，ρ为坝料颗粒的密度，Vi为第i个坝料对应的体积，Vj为第j个坝料对应的体积，Ai为第i个坝料对应的面积，Aj为第j个坝料对应的面积。
进一步地，步骤3具体包括以下步骤：
构建基于BP神经网络的级配修正模型以对图像识别得到的坝料级配曲线进行修正，而后与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，将级配曲线中丢失的部分进行补全，得到真实条件下的坝料全级配特征曲线；
其中，级配修正模型采用四层BP神经网络，输入层包括2个节点，分别代表着过筛粒径d’和GQP’输入参数，两个隐藏层的节点数均为10，输出层有1个节点，学习率η取为0.001，期望误差goal取0.02，最大训练次数epoch取为200次；
对数据进行归一化处理，将多组数据中的90％作为训练集，剩余10％数据作为测试集，利用训练集对级配修正模型进行训练，从而得到最优超参数；再将测试集中d’和GQP’当作自变量输入到训练好的模型，输出的因变量即为预测GQP；
将图像识别得到的曲线与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，以两条曲线各粒径绝对误差的累计和作为目标函数f(x)：
其中，d1＝5mm，d2＝10mm，…，dn＝200mm；GQPi'为粒径i对应的图像识别获得的级配质量百分比；GQPi为粒径i对应的现场试验获得的级配质量百分比。
进一步地，步骤S3中通过对级配曲线进行特征分析，得到用于坝料合格性检测的三个评价指标：最大粒径、P5含量和曲率系数Cc。
本发明提供的基于数字图像处理的土石坝坝料合格性智能检测方法，具有以下有益效果：
1、本发明采用融合空间信息的直觉模糊C均值聚类(SIFCM)算法进行土石坝料数字图像的分割，并利用等效椭球体积的方法实现了土石坝料的三维体积重构，进一步通过基于BP神经网络的级配修正模型修正后，得到真实条件下的坝料全级配特征曲线，进而获得评价坝料合格性的最大粒径、P5含量和曲率系数Cc三个指标。
2、本发明采用了空间滤波和同态滤波相融合的技术为土石坝坝料的快速准确分割提供了技术支撑；经设计的HF1同态滤波器处理后的图像对于大颗粒坝料以及粘连颗粒的识别效果较好；HF2同态滤波器处理后的图像不仅修正补全了伪阴影面积而且对图像中小颗粒坝料前景区域的识别有了整体提高，综合使用两种同态滤波器可以提高图像识别的整体精度。
3、本发明针对标准的模糊C均值(FCM)算法进行图像分割时结果易受到噪声以及伪阴影影响的缺陷，在标准FCM算法的基础上考虑了空间信息对聚类结果的影响，将空间信息以空间函数的形式纳入隶属度矩阵中，然后引入直觉模糊集中的直觉指数和非隶属度函数，更好的反映聚类的模糊问题，较大幅度的提高了算法对噪声的鲁棒性，与标准的FCM算法相比，图像的分割精度有了明显的提升。
4、本发明在获得土石坝料图像的二维形态特征后，通过建立等效椭球体积的方法实现了土石坝料的三维体积重构，获得了基于图像识别技术的坝料级配曲线，然后建立了基于BP神经网络的级配修正模型，提高了坝料级配智能检测结果的准确性。且通过对SIFCM_BP模型获得的级配曲线进行特征分析，最终获得评价坝料合格性三个指标：最大粒径、P5含量和曲率系数Cc，为坝料合格性快速判别和后续建立坝料压实质量多层次综合评价模型提供了基础信息，有利于施工前的坝料质量控制与施工过程的质量评价。
附图说明
图1为本发明流程框图。
图2为本发明提取标志物框内图像。
图3为本发明同态滤波器滤波对比图。
图4为本发明二值化图对比。
图5为本发明形态学滤波器。
图6为本发明形态学处理后的二值化图。
图7为本发明边缘轮廓提取图。
图8为本发明最终图像分割结果。
图9为本发明现场挖坑检测试验级配曲线。
图10为本发明预测值和实测值的对比。
图11为本发明测试集中某原始图像和分割结果。
图12为本发明图像识别获取的级配曲线。
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。
实施例1，参考图1，本方案的基于数字图像处理的土石坝坝料合格性智能检测方法，本实施例方法为大坝碾压施工前坝料合格性快速判别与施工过程中坝料压实特性的实时评价提供了重要支撑，其具体包括以下步骤：
步骤S1、获取施工现场摊铺结束后的坝料数字图像，并对该坝料数字图像进行处理，以提取坝料数字图像的二维图像形态；
步骤S2、根据提取的二维图像形态，采用等效椭球体积的方法进行土石坝料的三维体积重构；
步骤S3、构建BP神经网络的级配修正模型以对图像识别得到的坝料级配曲线进行修正，而后与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，将级配曲线中丢失的部分进行补全，得到真实条件下的坝料全级配特征曲线，进一步获得评价坝料合格性的多个评价指标。
实施例2，参考图1，本实施例以辽宁清原抽水蓄能电站下水库主、次堆区作为具体的案例，并获取坝料图像和挖坑检测级配数据，本实施例以实施例1中的方法进行具体案例的说明，本实施例采用基于二维图像形态提取转换的级配检测方法来实现土石坝坝料的级配智能检测，首先提出了采用融合空间信息的直觉模糊C均值(SIFCM)算法实现了土石坝坝料的图像分割，有效改善了标准模糊C均值算法对噪声敏感的缺陷，然后采用了椭球体积来重构土石坝料的三维体积形态，最后建立了BP神经网络模型修正图像识别获取的级配曲线以获得真实条件下坝料的级配特征参数，从而获得三个坝料合格性评价指标：最大粒径、P5含量和曲率系数Cc，为坝料合格性快速判别和建立坝料碾压施工过程实时压实质量多层次综合评价模型提供了重要的输入信息，其具体包括以下步骤：
步骤S1、二维图像形态提取，其具体包括以下步骤：
步骤S1.1、在获取数字图像时，需要在施工现场摊铺结束后的坝料上放置1m×1m的铁框作为比例标尺框，拍摄图像时要有较为充足的光照条件，保证拍摄图像的位置处于比例标尺框正上方，尽量避免比例标尺框内存在阴影，尽可能的提高数字图像的整体质量，最大程度上为图像识别减少外界干扰的影响。如图2所示，现场拍摄的图像经过拍摄后可实现比例标尺框内图像的快速提取。通过将比例标尺框真实尺寸和图片像素对比，可建立真实尺寸与图像像素间的转换关系，实现图像中坝料颗粒像素与实际尺寸之间的换算。此外碾压结束之后进行碾压质量坑检时，选择在坝料数字图像获取的位置处进行，有利于进行图像识别得到的级配曲线与现场挖坑试验获得的级配曲线(以下简称为试验级配曲线)间的对比研究，并且可以将对比结果应用于其他级配检测结果修正，提高级配检测的准确度。
步骤S1.2、图像处理；
在实际施工现场通常是通过相机来获取颗粒图像，成像过程会受到外界复杂环境的影响，如光照不均匀、拍摄器件不稳定以及其他颗粒的影响等，导致图像中存在噪声信息，严重影响识别的精度。为了提高土石坝坝料数字图像分析的精度和稳定性，需要对采集到的坝料原始图像进行一定的图像预处理来消除噪声、增强目标信息，主要包括空间滤波和频率域滤波。
本步骤在空间滤波方法中选用中值滤波消除椒盐噪声，双边滤波消除高斯噪声。在频率域滤波方法中选用同态滤波(Homomorphic Filtering，HF)方法修正图像中存在的亮度不均匀、目标物体阴影以及边缘细节信息雾化等问题。
如图3-a是经过空间滤波处理后的土石坝坝料数字图像，从图中可以看出图片由于光照不均匀等外界干扰影响而存在部分区域有伪阴影和细节特征模糊的现象，直接对其进行二值化处理后，图3-d中区域A和C内的信息丢失，严重影响图像识别的精度。如果想要修正图像中偏暗的区域，必须设计合适的同态滤波器使得暗区的亮度饱和，提高整体的对比度。本步骤通过调整滤波器参数，最终设计了融合两种同态滤波器HF1和HF2的方法来修正图像降质的问题，两种滤波器的参数见表1。
表1同态滤波器参数
经过HF1滤波后虽然区域A和C丢失的信息未补全，但是图像的整体亮度有所提高，中大型颗粒轮廓分明，类似B部分的前景区域边缘细节特征得到加强，更有利于图像轮廓的提取，减少粘连颗粒现象的发生；经过HF2滤波后，图像整体的对比度有了很大幅度的提高，区域A和C丢失的前景信息得到修正补全，且小颗粒坝料轮廓分明，但是由于亮度提高过大，会存在临近的大颗粒坝料出现粘连的现象，使其边缘信息模糊化。因此本步骤设计了两种滤波器，采用HF1滤波器识别中大型颗粒和边缘细节特征信息，HF2滤波器修正补全图像中存在的伪阴影区域信息并用于识别零散的小颗粒物体。综合使用两种滤波器处理后的图像亮度和对比度均得到了有效的提升，图像质量得到改善，且目标的边缘没有受到损失，效果较佳。
步骤S1.3、融合空间信息的直觉模糊C均值聚类算法的坝料图像二值化；
在土石坝坝料图像处理过程中，只对图像中坝料颗粒所处的区域和形态感兴趣，这部分希望获取的目标区域常称为前景区域，而其他无关的区域称为背景区域。为了将前景和背景区域分开，需要将图像预处理后的灰度图像进行二值化处理从而生成二值图。在坝料图像中，通常所关注的坝料颗粒的亮度要高于颗粒间孔隙的亮度，且孔隙在灰度图像中偏暗色，因此采用基于灰度准则的图像分割方法可以较好的实现颗粒形态的提取。
标准模糊C均值(FCM)算法由于本身只考虑了图像灰度的相似性，而没有考虑图像像素邻域信息，导致图像分割的结果容易受到噪声以及伪阴影的影响，不能得到很好的分割效果。为了改善FCM算法分割存在的缺陷，本步骤提出一种融合空间信息的直觉模糊C均值聚类(SIFCM)算法进行土石坝料的图像分割。该算法首先按照标准FCM算法的逻辑迭代更新隶属度矩阵和聚类中心，然后考虑空间信息对聚类结果的影响，将空间信息以空间函数的形式纳入隶属度矩阵中，其中空间函数为所考虑的像素邻域内所有隶属函数的总和，最后引入直觉模糊集中的直觉指数和非隶属度函数，更好的反映聚类的模糊问题，其具体包括以下步骤：
步骤S1.3.1、基于FCM算法的图像二值化；
模糊C均值聚类算法(FCM)最早由Dunn提出，并由Bezdek将之推广，被广泛地应用于模式识别、数据挖掘、图像分割以及计算机视觉等众多领域。该方法是一种基于划分的聚类算法，允许一个数据属于两个或多个类别，其基本思想是使被划分到同一簇对象之间相似度最大，而不同簇之间的相似度最小。算法定义如下：
假设X＝{x1,x2,…,xN}为待聚类坝料数字图像所有像素点灰度值的数据集，FCM算法将每个对象xj(1≤j≤N)分配给C个类别，使用C×N的隶属矩阵U＝{uij}表示对象与类别之间的隶属关系，其中uij表示第j个对象属于第i个类的隶属程度，针对X的模糊划分空间定义为：
FCM算法的目标是计算给定数据集X的隶属度矩阵和聚类中心V＝{v1,v2,…,vC}，目标函数将欧氏距离作为需要最小化的代价函数，表示为：
其中，m为控制模糊程度的加权指数，当m趋于1时，分区接近硬聚类；m趋于无穷大时，分区将产生分离得很差的集群，建议值在1.5和2.5之间，本步骤使用默认值2。
|xj-vi|是第j个像素点灰度值与第i个聚类中心之间的欧几里得距离。模糊划分是通过对目标函数的迭代优化来实现的，当目标函数对uij和vi的一阶导数为零时，Jm达到最小化，保证了组内相似度最高，组间相似度最低的聚类原则，此时隶属矩阵和聚类中心的更新方程为：
算法迭代优化的终止条件为：
其中，α为一个很小的常数表示误差阈值，本步骤取0.05，k为迭代次数，迭代优化过程最终收敛于Jm的局部极小值点或鞍点。
步骤S1.3.2、空间函数；
图像的重要特征之一是相邻像素具有高度相关性，即这些相邻像素具有相似的特征值，属于同一个簇的概率很大。这种空间关系在聚类中很重要，但在标准FCM算法中没有充分利用这种空间信息。为了充分考虑空间信息的影响，将其定义为空间函数：
其中，NB(xj)表示空间域中以像素xj为中心的正方形窗口，本步骤采用5×5的像素领域。与隶属度函数一样，空间函数hij表示像素xj属于簇i的概率。如果一个像素周围的大部分邻域属于同一个类别，那么它的空间函数就很大。然后将空间函数纳入隶属度函数，如下所示：
其中，p和q是控制两个函数相对重要性的参数。在同质区域，由于没有噪声的影响，空间函数对原始的隶属度仅起到强化的作用，不会对聚类结果造成改变。但是若有噪声像素的存在，公式(7)综合考虑了噪声点邻域内的像素来降低噪声对聚类的影响权重。考虑空间信息后，改进算法可以实现对噪声区域或伪阴影中容易错误分类的像素纠错处理。参数p和q的空间FCM表示为SFCMp,q，当参数p＝1，q＝0时SFCM1,0与传统的FCM算法相同。
步骤S1.3.3、直觉模糊集理论；
Atanassov提出的直觉模糊集(Intuitionistic Fuzzy Set,IFS)理论考虑了数字图像所有像素点灰度值集合的隶属度u和非隶属度v，设论域X上的直觉模糊集D可以用数学方法表示为：
D＝{(x,uD(x),vD(x),πD(x))|x∈X} (8)
其中：uD(x)∈[0,1]表示x属于D的隶属度；vA(x)∈[0,1]表示x属于D的非隶属度；πD(x)∈[0,1]表示直觉指数，表征由于缺乏知识和信息引起的犹豫程度；对于x∈X，均满足uD(x)+vD(x)+πD(x)＝1。在直觉模糊集构造时，通常采用Sugeno生成函数来生成非隶属度函数，表达式如下：
其中，λ为模糊补算子，则对应的直觉指数为：
将公式(10)加入到模糊隶属度矩阵中，得到
基于FCM算法的土石坝料图像分割在无监督的情况下，可以自适应迭代获得最终图像的二值化图，结果如图4-a所示，采用本步骤提出的基于SIFCM算法的土石坝料图像二值化结果如图4-b所示。与标准FCM算法处理得到的坝料图像二值化结果相比，由于本步骤算法综合考虑了图像的空间信息以及直觉模糊集理论，算法对噪声的敏感程度显著降低，提高了聚类的效果和精度，且尽可能的保留了图像的细节信息，性能要优于标准FCM算法，通过对石块的识别结果对比验证了本步骤算法的准确性和优越性。
步骤1.4、形态学操作；
由于土石坝料形状随机、纹理多变、成像过程中存在复杂的施工环境以及设备不稳定等诸多外界因素的干扰，不可避免的会在图像前景和背景区域产生噪声，还会存在颗粒粘连的现象。为了对含噪声以及粘连颗粒的二值化图进行优化，本实施例设计了如图5所示的形态学滤波器。首先进行孔洞填充以及一次开闭运算初步消除前景和背景区域中的噪声，然后选用不同结构元素进行多轮形态学操作并做合并处理，最后综合考虑两种同态滤波器的工作特性，分别设置不同的面积阈值提取坝料颗粒轮廓。由于HF1滤波器处理后的图像对于大颗粒坝料识别效果较好，对于小粒径坝料以及伪阴影部分颗粒会存在部分信息丢失的现象，因此在提取经HF1同态滤波器处理后的坝料二值化图时设置最小面积阈值Amin作为下限，此处Amin取所有粒径最佳椭圆拟合面积的均值减去一个标准差，提取大于Amin的所有颗粒(图6-a)，可以看出上述方法可以有效分割图像中粘连颗粒(类似区域B)的部分；HF2滤波器提高了图像整体的对比度和亮度，不仅修正补全了伪阴影面积而且对图像中小颗粒坝料前景区域的识别有了整体提高，不过也会造成较大颗粒的粘连，因此在提取二值化图时设置最大面积阈值Amax作为上限，此处Amax取所有粒径最佳椭圆拟合面积的均值加上一个标准差，提取小于Amax的所有颗粒(图6-b)，可以看出该方法可以有效识别小颗粒和伪阴影区域的颗粒。最后对基于HF1和HF2处理后的图像中提取到的颗粒进行融合得到整体坝料二值图(图6-c)，可以看出经过本实施例设计的形态学滤波器处理后坝料图像中颗粒轮廓识别效果较好，有效解决了伪阴影和粘连颗粒识别的难题。
步骤1.5、边缘检测；
边缘检测的方法是利用前景与背景区域内灰度高度相似，而边缘处灰度不连续的理论将图像边界提取出来。Canny边缘检测是目前非常流行的算法之一，主要由图像降噪、梯度求解、非极大值抑制和阈值筛选四阶段构成。采用Canny边缘检测对经过HF1滤波器和HF2滤波器处理后的土石坝料图像分别进行Canny边缘检测，最后将识别出的轮廓取并集得到检测结果见图7所示。
本步骤采用基于SIFCM算法的图像分割方法实现了土石坝料的图像分割，最终的分割结果如图8所示，可以看出分割精度较高，也为准确进行坝料形态特征级配转换从而获得坝料级配曲线提供了较高的技术支撑。
步骤S2、根据提取的二维图像形态，采用等效椭球体积的方法进行土石坝料的三维体积重构，其具体包括：
三维体积重构的级配转换；
从采集到的图像中可以看出土石坝料颗粒二维形态整体呈现出类椭圆状，在以往的土石坝料、沥青集料以及采矿工程中颗粒块体的研究中，也常用椭圆形态拟合颗粒的真实形态。由于数字图像所反映的只是土石坝料摊铺后表面所出露的情况，而坝料的级配曲线是依据各粒径范围内的土石坝料颗粒含量的质量占比计算得到的，涉及到颗粒的三维形态特征，因此本步骤采用椭球体积来重构土石坝料的三维形态特征，其具体包括：
计算土石坝料颗粒的颗粒等效粒径d为：
其中，a和b分别表示颗粒轮廓最佳拟合外接椭圆的长轴和短轴；C和A分别表示最佳拟合外接椭圆的周长和面积。
计算土石坝料颗粒的三维等效椭球体积V：
假设本实施例获取到的坝料颗粒的密度均相同，则各粒径范围内土石坝料颗粒的级配质量百分比(Grading qualitypercentage，GQP)为：
其中，ρ为坝料颗粒的密度，V为坝料颗粒的体积，A为最佳拟合外接椭圆面积。
步骤S3、构建BP神经网络的级配修正模型以对图像识别得到的坝料级配曲线进行修正，而后与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，将级配曲线中丢失的部分进行补全，得到真实条件下的坝料全级配特征曲线，进一步获得评价坝料合格性的多个评价指标：
本实施例所采用的基于二维图像形态提取转换的级配检测方法中，二维图像的分割结果不可避免的会与原始图像间存在一定的差异，此外土石坝料的三维体积重构也是基于一定的假设基础上建立的，因此通过数字图像识别出的级配曲线与施工现场挖坑检测得到的试验级配曲线之间存在一定的误差。为了修正两者之间的误差，提高坝料级配智能检测结果的准确性，本步骤通过对碾压结束后挖坑检测位置处拍摄的坝料图像识别得到的级配曲线与实际挖坑筛分得到的级配曲线进行对比分析，建立了基于BP神经网络的级配修正模型。
本实施例所获取的坝料图像和挖坑检测级配数据来源于辽宁清原抽水蓄能电站下水库主、次堆区，共获取到多组挖坑检测的试验级配曲线(图9)和对应位置处的坝料图像。由于本文选取的挖坑检测资料和图像均来自主次堆石区，图像中最大粒径可识别到200mm，图像中以较大的石块居多，因此在土石料级配曲线求解时，选取的最小过筛尺寸为5mm，取d’＝5、10、20、40、60、80、100和200mm作为过筛粒径，然后采用本实施例提出的基于二维图像形态提取转换的级配检测方法可求得挖坑检测位置处过筛粒径对应的级配质量百分比GQP’，将过筛粒径d’和图像识别求解的GQP’作为模型的输入，现场挖坑检测获得的GQP作为模型的输出，采用BP神经网络建立图像识别级配曲线与试验级配曲线之间的修正模型；
级配修正模型采用四层BP神经网络，输入层包括2个节点，分别代表着d’和GQP’输入参数，两个隐藏层的节点数均为10，输出层有1个节点，学习率η取为0.001，期望误差goal取0.02，最大训练次数epoch取为200次。
为消除输入参数中不同数据量纲之间的差异对预测模型的影响，对数据进行归一化处理。
将多组数据中的90％作为训练集，剩余10％数据作为测试集，利用训练集对级配修正模型进行训练，从而得到最优超参数；
再将测试集中d’和GQP’当作自变量输入到训练好的模型，输出的因变量即为预测GQP。
图10为级配修正模型测试组预测值和真实值的比较，两者的决定系数R2为0.956，表明采用人工神经网络方法建立的级配修正模型具有的精度满足实际工程需要；
为了进一步验证模型的修正效果，将现场挖坑检测得到的试验级配曲线作为标准，取测试集中一张图片进行级配智能检测，坝料图像的分割结果如图11所示，获得坝料二维形态特征后进行颗粒三维体积重构求得图像的级配曲线，然后将其代入训练好的BP级配修正模型，修正后的级配曲线与试验级配曲线对比如图12-a所示。本实施例图像识别修正级配与试验级配间误差如表2所示，相对误差小于5％，说明本实施例建立的级配修正模型具有较好的可行性。
表2本文图像识别修正级配与试验级配间误差
上述通过本实施例提出的SIFCM_BP算法的级配智能识别修正模型可以在大坝坝料进场之前快速识别坝料5～200mm的级配曲线，为了进一步补全级配曲线中丢失的部分，本实施例将图像识别得到的曲线与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，以两条曲线各粒径绝对误差的累计和作为目标函数f(x)，可以表示为：
其中，d1＝5mm，d2＝10mm，…，dn＝200mm；GQPi'为粒径i对应的图像识别获得的级配质量百分比；GQPi为粒径i对应的现场试验获得的级配质量百分比。
选取目标函数f(x)达到最小值时对应的试验级配曲线来补全本文图像识别获得的级配曲线中丢失的粒径小于5mm以及大于200mm的部分级配数据，补全后的级配曲线如图12-b所示。通过对级配曲线进行特征分析，可以得到用于坝料合格性检测的三个指标：最大粒径、P5含量和曲率系数Cc。
本实施例采用P5含量、曲率系数Cc和最大粒径作为坝料合格性的评价指标，计算得到的图像识别级配特征参数和该单元工程设计要求的上下包络线级配特征参数如表2所示，可以看出挖坑检测位置处的坝料特征参数位于设计上下包络线级配特征参数之间，说明坝料合格。
表2 坝料合格性检测表
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (5)
1.一种基于数字图像处理的土石坝坝料合格性智能检测方法，其特征在于，包括以下步骤：
S1、获取施工现场摊铺结束后的坝料数字图像，并对该坝料数字图像进行处理，以提取坝料数字图像的二维图像形态；
S2、根据提取的二维图像形态，采用等效椭球体积的方法进行土石坝料的三维体积重构；
S3、构建BP神经网络的级配修正模型以对图像识别得到的坝料级配曲线进行修正，而后与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，补全级配曲线中丢失的部分，得到真实条件下的坝料全级配特征曲线，进一步获得评价坝料合格性的多个评价指标；
所述步骤S1具体包括以下步骤：
S1.1、获取施工现场摊铺结束后的坝料数字图像；
S1.2、对坝料数字图像进行空间滤波和频率域滤波，并在频率域滤波时，采用融合两种同态滤波器HF1和HF2的方法修正图像降质；
S1.3、采用融合空间信息的直觉模糊C均值聚类算法对坝料数字图像进行二值化处理；
S1.4、采用形态学滤波器和基于面积阈值的提取融合方法对二值化图进行去噪和粘连颗粒的处理；
S1.5、采用Canny边缘检测对经过HF1滤波器和HF2滤波器处理后的土石坝料图像分别进行Canny边缘检测；
所述步骤S1.1中在获取坝料数字图像时，在施工现场摊铺结束后的坝料上放置1m×1m的铁框作为比例标尺框，拍摄图像的位置处于比例标尺框正上方，比例标尺框内无阴影；
步骤S1.4具体包括：
进行孔洞填充以及一次开闭运算初步消除图像中前景和背景区域中的噪声；
选用不同结构元素进行多轮形态学操作并做合并处理；
根据两种同态滤波器HF1和HF2的工作特性，分别设置不同的面积阈值以提取图像中坝料颗粒轮廓并将其进行融合；
在提取经HF1同态滤波器处理后的坝料二值化图时设置最小面积阈值Amin作为下限，此处Amin取所有粒径最佳椭圆拟合面积的均值减去一个标准差，提取大于Amin的所有颗粒，可以有效分割图像中粘连颗粒的部分；HF2滤波器提高了图像整体的对比度和亮度，不仅修正补全了伪阴影面积而且对图像中小颗粒坝料前景区域的识别有了整体提高，不过也会造成较大颗粒的粘连，因此在提取二值化图时设置最大面积阈值Amax作为上限，此处Amax取所有粒径最佳椭圆拟合面积的均值加上一个标准差，提取小于Amax的所有颗粒，可以有效识别小颗粒和伪阴影区域的颗粒。
2.根据权利要求1所述的基于数字图像处理的土石坝坝料合格性智能检测方法，其特征在于，所述步骤S1.3具体包括以下步骤：
S1.3.1、采用FCM均值聚类算法进行图像的二值化处理：
设X＝{x1,x2,…,xN}为待聚类坝料数字图像所有像素点灰度值的数据集，FCM算法将每个对象xj分配给C个类别，使用C×N的隶属矩阵U＝{uij}表示对象与类别之间的隶属关系，其中uij表示第j个对象属于第i个类的隶属程度，则针对X的模糊划分空间定义为：
FCM算法的目标是计算给定数据集X的隶属度矩阵和聚类中心V＝{v1,v2,…,vC}，目标函数将欧氏距离作为需要最小化的代价函数Jm，表示为：
其中，m为控制模糊程度的加权指数，当m趋于1时，分区接近硬聚类；|xj-vi|是第j个像素点灰度值xj与第i个聚类中心vi之间的欧几里得距离；
模糊划分是通过对目标函数的迭代优化来实现的，当目标函数对uij和vi的一阶导数为零时，Jm达到最小化，根据组间相似度最低的聚类原则，此时隶属矩阵uij和聚类中心的更新方程为：
算法迭代优化的终止条件为：
其中，α为表示误差阈值的常数，k为迭代次数，迭代优化过程最终收敛于Jm的局部极小值点或鞍点；
S1.3.2、根据相邻像素之间的特征值，定义空间函数：
其中，NB(xj)表示空间域中以像素xj为中心的正方形窗口，空间函数hij表示像素xj属于簇i的概率；
将空间函数纳入隶属度函数u′ij：
其中，p和q是控制两个函数相对重要性的参数；
S1.3.3、设论域X上的直觉模糊集D为：
D＝{(x,uD(x),vD(x),πD(x))|x∈X}
其中，uD(x)∈[0,1]表示x属于D的隶属度；vD(x)∈[0,1]表示x属于D的非隶属度；πD(x)∈[0,1]表示直觉指数，即表征由于缺乏知识和信息引起的犹豫程度；对于x∈X，均满足uD(x)+vD(x)+πD(x)＝1；
采用Sugeno生成函数生成非隶属度函数：
其中，λ为模糊补算子，则对应的直觉指数为：
代入到模糊隶属度矩阵中，得到：
其中，u″ij为考虑直觉模糊集理论后得到的隶属度矩阵。
3.根据权利要求1所述的基于数字图像处理的土石坝坝料合格性智能检测方法，其特征在于，所述步骤S2中采用椭球体积重构土石坝料的三维形态特征，包括：
计算土石坝料颗粒的颗粒等效粒径d为：
其中，a和b分别表示颗粒轮廓最佳拟合外接椭圆的长轴和短轴；c和A分别表示最佳拟合外接椭圆的周长和面积；
计算土石坝料颗粒的三维等效椭球体积V：
计算各粒径范围内土石坝料颗粒的级配质量百分比为：
其中，ρ为坝料颗粒的密度，Vi为第i个坝料对应的体积，Vj为第j个坝料对应的体积，Ai为第i个坝料对应的面积，Aj为第j个坝料对应的面积。
4.根据权利要求1所述的基于数字图像处理的土石坝坝料合格性智能检测方法，其特征在于，所述步骤3具体包括以下步骤：
构建基于BP神经网络的级配修正模型以对图像识别得到的坝料级配曲线进行修正，而后与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，将级配曲线中丢失的部分进行补全，得到真实条件下的坝料全级配特征曲线；
其中，级配修正模型采用四层BP神经网络，输入层包括2个节点，分别代表着过筛粒径d’和GQP’输入参数，两个隐藏层的节点数均为10，输出层有1个节点，学习率η取为0.001，期望误差goal取0.02，最大训练次数epoch取为200次；
对数据进行归一化处理，将多组数据中的90％作为训练集，剩余10％数据作为测试集，利用训练集对级配修正模型进行训练，从而得到最优超参数；再将测试集中d’和GQP’当作自变量输入到训练好的模型，输出的因变量即为预测GQP；
将图像识别得到的曲线与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，以两条曲线各粒径绝对误差的累计和作为目标函数f(x)：
其中，d1＝5mm，d2＝10mm，…，dn＝200mm；GQPi'为粒径i对应的图像识别获得的级配质量百分比；GQPi为粒径i对应的现场试验获得的级配质量百分比。
5.根据权利要求4所述的基于数字图像处理的土石坝坝料合格性智能检测方法，其特征在于，所述步骤S3中通过对级配曲线进行特征分析，得到用于坝料合格性检测的三个评价指标：最大粒径、P5含量和曲率系数Cc。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210923472.9A CN115147401B (zh) | 2022-08-02 | 2022-08-02 | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210923472.9A CN115147401B (zh) | 2022-08-02 | 2022-08-02 | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115147401A CN115147401A (zh) | 2022-10-04 |
| CN115147401B true CN115147401B (zh) | 2023-05-05 |
Family
ID=83414452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210923472.9A Active CN115147401B (zh) | 2022-08-02 | 2022-08-02 | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115147401B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326656B (zh) * | 2022-10-14 | 2022-12-23 | 西南交通大学 | 交通土建用颗粒材料松铺层颗粒粒径及级配无损测量方法 |
| CN115841560B (zh) * | 2023-01-03 | 2023-04-21 | 河北工业大学 | 土颗粒二维特征数据集的构建方法、土颗粒降维识别方法 |
| CN117745713B (zh) * | 2024-01-24 | 2024-07-23 | 广东省建筑工程监理有限公司 | 基于图像处理的护坡结构变形检测方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110417990A (zh) * | 2019-03-25 | 2019-11-05 | 李萍 | 基于目标分析的app启动系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9942032B1 (en) * | 2015-09-30 | 2018-04-10 | Symantec Corporation | Systems and methods for securely detecting data similarities |
| CN108287125A (zh) * | 2017-12-28 | 2018-07-17 | 新疆新华叶尔羌河流域水利水电开发有限公司 | 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 |
| CN111931816B (zh) * | 2020-07-09 | 2024-08-20 | 河南工业大学 | 一种视网膜图像平行处理方法及装置 |
-
2022
- 2022-08-02 CN CN202210923472.9A patent/CN115147401B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110417990A (zh) * | 2019-03-25 | 2019-11-05 | 李萍 | 基于目标分析的app启动系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115147401A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115147401B (zh) | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 | |
| Amhaz et al. | Automatic crack detection on two-dimensional pavement images: An algorithm based on minimal path selection | |
| Raju et al. | Image segmentation by using histogram thresholding | |
| CN110009638B (zh) | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 | |
| CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
| Zhou et al. | Building detection in Digital surface model | |
| Thanammal et al. | Effective histogram thresholding techniques for natural images using segmentation | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
| AU2020103470A4 (en) | Shadow Detection for High-resolution Orthorectificed Imagery through Multi-level Integral Relaxation Matching Driven by Artificial Shadows | |
| Deshmukh et al. | Segmentation of microscopic images: A survey | |
| CN110782487A (zh) | 一种基于改进的粒子滤波算法的目标跟踪方法 | |
| Khordehchi et al. | Automatic lung nodule detection based on statistical region merging and support vector machines | |
| CN108765409A (zh) | 一种基于ct图像的候选结节的筛选方法 | |
| CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
| CN101853510A (zh) | 基于时空域的运动感知模型提取方法 | |
| CN116721121A (zh) | 一种植物表型彩色图像特征提取方法 | |
| CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| CN118379621A (zh) | 一种基于无人机的大坝表面病害识别方法及系统 | |
| CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| CN107977968A (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
| Oyebode et al. | Adaptive parameter selection for graph cut-based segmentation on cell images |
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 |