CN115661186A - 一种光弹试验力链信息自动提取方法 - Google Patents
一种光弹试验力链信息自动提取方法 Download PDFInfo
- Publication number
- CN115661186A CN115661186A CN202211393489.4A CN202211393489A CN115661186A CN 115661186 A CN115661186 A CN 115661186A CN 202211393489 A CN202211393489 A CN 202211393489A CN 115661186 A CN115661186 A CN 115661186A
- Authority
- CN
- China
- Prior art keywords
- force
- force chain
- particles
- information
- contact
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光弹试验力链信息自动提取方法,通过有偏振镜及无偏振镜分别获取同一次试验状态下的颗粒图像,并进行图像预处理;对于无偏振镜的颗粒图像,基于霍夫变换与欧式距离,提取了颗粒圆心坐标、颗粒半径、颗粒间接触点位置及颗粒间接触角度;对于有偏振镜的颗粒图像,基于彩色梯度均方值,通过掩膜运算和标定曲线,提取了颗粒的接触力信息;最后基于力链的构成判据与其准直性特征,将角度阈值转换为距离阈值,提取了光弹试验颗粒图像的力链信息。本发明建立的力链信息自动提取方法,解决了力链分支点精确识别的难题,判别了强弱力链类型,识别了力链宏观分布状态、力链长度、力链数量和力链方位等力链网络结构信息。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种光弹试验力链信息自动提取方法。
背景技术
颗粒物质是由大量离散固体颗粒相互作用而形成的复杂体系。岩体工程中,因岩石颗粒介质流动而造成的山体滑坡、尾矿坝溃坝、泥石流、隧道塌方、溜井堵塞等工程地质灾害,严重威胁施工人员与设备安全。揭示岩石颗粒介质体系间的宏观力学行为和微观力学机理是开展上述灾害预测与防护的依据。颗粒介质的宏、微观力学性质及接触力传递路径常通过光弹试验的力链参量进行表征,光弹力链信息的量化与提取是其研究的关键环节,具有重要的科学与工程意义。
光弹试验是一种基于光学的应力测量方法。早在1957年,研究人员第一次利用光弹试验技术,清晰的观测到了力在颗粒介质中的传递光带。该力传递光带于1995年被定义为力链。此后20多年来,众多学者利用光弹试验对力链展开了大量的研究。如有文献表明,有学者借助光弹试验量化了顶煤开采过程中颗粒间接触力的大小,阐述了工作面矿压的形成机理;还有学者研究了颗粒物质的土拱效应,探讨了力链在内拱和外拱中的传递;此外,有人分析了颗粒物质在封堵地层裂缝中的作用,讨论了强弱力链的演化规律。而申请号为CN202210609208.8,名称为“基于力链特性量化的沥青混合料传递荷载行为评价方法”的中国发明专利申请,通过数值模拟的数据,得到了沥青混合料间接触信息,完成了从力链角度对沥青混合料中力传递行为的评价,但该发明方法却不适用于实际物理光弹试验中的力链信息提取。
上述研究成果对于促进颗粒物质力学的发展有着重要意义。但通过分析发现,关于光弹试验中力链信息的提取与分析,现有研究多针对力链宏观分布特征、接触力的量化以及强弱力链的区分开展研究。而且对于每条力链分支点的精确识别、单条力链信息的定量提取方法及力链动态的演化规律研究仍较少。
发明内容
本发明的目的是提供一种光弹试验力链信息自动提取方法,以克服光弹试验中力链分支点的精确判别问题,实现力链信息的逐条量化,促进颗粒物质力学的发展。
为解决上述问题,本发明采用的技术方案是:
一种光弹试验力链信息自动提取方法,包括以下步骤:
(1)通过有偏振镜及无偏振镜分别获取同一次试验状态下的颗粒图像,并对图像进行预处理;
(2)提取颗粒几何信息:对预处理后的无偏振镜的光弹图像,进行霍夫变换与欧式距离计算,提取出颗粒圆心坐标、颗粒半径、颗粒间接触点位置和颗粒间接触角度;
(3)提取颗粒接触力信息:基于识别出的颗粒几何信息,通过在有偏振镜的图像上进行掩膜运算,得到颗粒的彩色梯度均方值;再结合接触力与彩色梯度均方值的标定曲线,提取出颗粒的接触力信息;
(4)提取力链网络结构信息:结合颗粒的几何信息、接触力信息及力链的构成判据,将角度阈值转换为距离阈值,进而判别出强、弱力链类型,提取出力链宏观分布状态,识别出力链长度、力链数量和力链方位信息。
所述无偏振镜的颗粒图像预处理按以下方法进行:将无偏振镜的颗粒图像进行二值化、腐蚀、膨胀、边缘检测并进行孔洞填充。
所述有偏振镜的颗粒图像预处理是将有偏振镜的颗粒图像进行滤波。
所述力链的构成判据包括强弱力链判据、力链长度判据以及距离阈值判据,所述强弱力链判据为:当颗粒接触力F大于或等于颗粒体系内的平均接触力时,判定该颗粒位于强力链上;反之,判定该颗粒位于弱力链上或处于不受外力作用的状态。
所述力链长度判据为:一条力链上的颗粒个数即为力链长度,其值须大于等于3,即接触点个数须大于等于2。
所述距离阈值判据为:两相邻接触点之间的距离d,需大于等于距离阈值Dc,距离阈值的计算公式如下:
Dc=(2-0.0002358*θc 2.04)*r
其中,Dc为距离阈值;θc为角度阈值,取值越小,力链越直;r为颗粒半径。
所述步骤(4)的具体过程如下:
4-1:输入已识别出的颗粒几何信息和颗粒接触力信息,并计算出颗粒体系的平均接触力
4-2:生成空矩阵Call,C1,C2,C3,C4,Cfc,用于后续数据的存储;
4-4:判别Call中的接触点数量是否大于等于2:如果是,则选取一个起始接触点a,并对a周边的接触点ai进行搜索,将接触点a和搜索结果ai存储于C1中;如果否,则结束步骤(4);
4-5:判别C1中的接触点数量是否大于等于2:如果是,则将C1拷贝一份为C2;如果否,则从Call中删除与C1的交集,清空C1,跳转至步骤4-4;
4-6:从C1中删除与起始接触点a构成4个颗粒的接触点ai;
4-7:从C1中删除与C4的交集;
4-8:从C1中选取距起始接触点a最远的接触点ai,并计算两接触点间的距离,赋值为d;
4-9:判别距离d是否大于等于距离阈值Dc:如果是,则将接触点a和ai存储于C3,另新的起始接触点为ai,C2拷贝为C4,清空C1和C2,并跳转至步骤4-4;如果否,则执行如下步骤:
4-9-1:判别C3中接触点数量是否大于等于2:如果是,则将C3拷贝为Cfc,并转至步骤4-9-2;如果否,则直接转至步骤4-9-2;
4-9-2:从Call中删除接触点a,从Call中删除与C3的交集;
4-9-3:清空C1,C2,C3,C4,并跳转至步骤4-4,开始新一条力链信息的检索。
采用上述技术方案所产生的有益效果是:本发明提供的一种光弹试验力链信息自动提取方法,能够准确地从物理光弹试验图像中提取出力链网络,动态刻画出颗粒物质的力链特征,在颗粒几何信息提取、力链分支点判别、力链检索、力链分布及其方位角表征等方面存在显著优势。研究成果为颗粒物质宏观力学行为和微观力学机理的研究提供了科学依据。
附图说明
图1为本发明的整体流程图。
图2为本发明的基于成链判据的力链网络结构信息自动提取流程图。
图3为本发明实施例提供的光弹试验物理模型图。
图4为本发明实施例提供的光弹试验物理图像局部放大图,其中,a为有偏振镜下的光弹试验图像,b为无偏振镜下的光弹试验图像。
图5为本发明实施例提供的光弹试验物理图像预处理结果图。
图6为本发明实施例提供的光弹试验物理图像几何信息提取结果图,其中,a为颗粒识别结果,b为接触网络识别结果。
图7为本发明实施例提供的接触力F与彩色梯度均方值的标定曲线图。
图8为本发明实施例提供的接触点筛选与力链生成示意图。
图9为本发明实施例提供的强力链信息提取结果局部图。
图10为本发明实施例提供的接触力信息演化规律图。
图11为本发明实施例提供的第10次放矿下光弹试验物理图像与力链信息提取结果图,其中,a为光弹试验物理图像整体图,b为力链网络信息提取结果图,c为强力链方位角提取结果,d为弱力链方位角提取结果。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以大量放矿同步充填无顶柱留矿采矿方法下的物理光弹试验为例,采用本发明方法进行了光弹试验的力链信息自动提取,整体流程如图1所示,具体步骤如下:
步骤1:通过有偏振镜及无偏振镜分别获取同一次试验状态下的颗粒图像,并对图像进行预处理。输入的同一次试验状态下有偏振镜和无偏振镜的两张光弹试验颗粒图像如图4所示,其中图4a为有偏振镜下的光弹试验图像,图4b为无偏振镜下的光弹试验图像。在对图4b的形态学预处理过程中,二值化阈值为0.125,删除小面积斑点面积为1300像素,边缘检测所用算子为Canny算子,预处理结果如图5所示。
步骤2:提取颗粒几何信息:对预处理后的无偏振镜的光弹图像,进行霍夫变换与欧式距离计算,提取出颗粒圆心坐标、颗粒半径、颗粒间接触点位置和颗粒间接触角度,其中距离判别时的修正系数为1.05,颗粒间接触角度范围为-90°~90°,提取结果如图6所示。
步骤3:提取颗粒接触力信息:基于识别出的颗粒几何信息,通过在有偏振镜的图像上进行掩膜运算,得到颗粒的彩色梯度均方值;再结合接触力与彩色梯度均方值的标定曲线,提取出颗粒的接触力信息。接触力与彩色梯度均方值的标定曲线如图7所示。
步骤4:提取力链网络结构信息:结合颗粒的几何信息、接触力信息及力链的构成判据,将角度阈值转换为距离阈值,进而判别出强、弱力链类型,提取出力链宏观分布状态,识别出力链长度、力链数量和力链方位信息。
力链的构成判据包括:
(1)强弱力链判据:当颗粒接触力F大于或等于颗粒体系内的平均接触力F时,判定该颗粒位于强力链上;反之,判定该颗粒位于弱力链上或处于不受外力作用的状态。
(2)力链长度判据:一条力链上的颗粒个数即为力链长度,其值须大于等于3,即接触点个数须大于等于2。
(3)距离阈值判据:两相邻接触点之间的距离d,需大于等于距离阈值Dc。距离阈值的计算公式如下:
Dc=(2-0.0002358*θc 2.04)*r
其中,Dc为距离阈值;θc为角度阈值,取值越小,力链越直;r为颗粒半径。此实施例中,距离阈值为1.66r。
步骤4中,基于成链判据的力链网络结构信息自动提取流程,如图2所示,具体步骤如下(以图8为例):
步骤4-1:输入已识别出的颗粒几何信息和颗粒接触力信息,并计算出颗粒体系的平均接触力F。
步骤4-2:生成空矩阵Call,C1,C2,C3,C4,Cfc,用于后续数据的存储。
步骤4-3:选取出的强接触颗粒信息存储于Call中,并按接触点坐标y值由大到小排序。如需选取出弱接触颗粒信息,只需将判别条件改为即可。此时Call中的接触点序号有1号、2号、3号、4号、5号、6号、7号、8号、9号、10号、11号、12号、13号。
步骤4-4:判别Call中的接触点数量是否大于等于2。如果是,则选取一个起始接触点a,并对a周边的接触点ai进行搜索,将接触点a和搜索结果ai存储于C1中。如果否,则结束步骤4。此实施例中,接触点搜索距离为1.1r。
因图8a的计算结果较为简单,现默认已完成一次检索,现以起始接触点a为3号进行说明,相关结果如图8b所示。此时起始检索点a为3号,搜索到的周边接触点ai为1号、2号、4号、5号、6号、7号、8号、9号、10号。C1中的接触点序号有1号、2号、3号、4号、5号、6号、7号、8号、9号、10号。C4中的接触点序号有1号、2号、3号、4号。
步骤4-5:判别C1中的接触点数量是否大于等于2。如果是,则将C1拷贝一份为C2。如果否,则从Call中删除与C1的交集,清空C1,跳转至步骤4-4。此时C2中的接触点序号有1号、2号、3号、4号、5号、6号、7号、8号、9号、10号。
步骤4-6:从C1中删除与起始接触点a构成4个颗粒的接触点ai,即删除5号和10号。此时C1中的接触点序号有1号、2号、3号、4号、6号、7号、8号、9号。
步骤4-7:从C1中删除与C4的交集,即删除1号、2号、3号、4号。此时C1中的接触点序号有6号、7号、8号、9号。
步骤4-8:从C1中选取距起始接触点a最远的接触点ai,并计算两接触点间的距离,赋值为d。此时起始接触点a为3号,最远的接触点ai为7号,距离d为2r。
步骤4-9:判别距离d是否大于等于距离阈值Dc。如果是,则将接触点a和ai存储于C3,另新的起始接触点为ai,C2拷贝为C4,清空C1和C2,并跳转至步骤4-4。此实施例中d=2r>Dc=1.66r。此时C3中接触点序号有1号、3号、7号。新的起始接触点为7号。C4中的接触点序号有1号、2号、3号、4号、5号、6号、7号、8号、9号、10号。
因每次循环过程判断一致,在此不过多赘述,相关循环检索结果如图8c和图8d所示。最终识别结果如图9至图11所示。
通过本实施例说明,本发明提供的一种光弹试验力链信息自动提取方法,能够准确地从物理光弹试验图像中提取出力链网络,动态刻画出颗粒物质的力链特征,在颗粒几何信息提取、力链分支点判别、力链检索、力链分布及其方位角表征等方面存在显著优势。研究成果为颗粒物质宏观力学行为和微观力学机理的研究提供了科学依据。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (7)
1.一种光弹试验力链信息自动提取方法,其特征在于,包括以下步骤:
(1)通过有偏振镜及无偏振镜分别获取同一次试验状态下的颗粒图像,并对图像进行预处理;
(2)提取颗粒几何信息:对预处理后的无偏振镜的光弹图像,进行霍夫变换与欧式距离计算,提取出颗粒圆心坐标、颗粒半径、颗粒间接触点位置和颗粒间接触角度;
(3)提取颗粒接触力信息:基于识别出的颗粒几何信息,通过在有偏振镜的图像上进行掩膜运算,得到颗粒的彩色梯度均方值;再结合接触力与彩色梯度均方值的标定曲线,提取出颗粒的接触力信息;
(4)提取力链网络结构信息:结合颗粒的几何信息、接触力信息及力链的构成判据,将角度阈值转换为距离阈值,进而判别出强、弱力链类型,提取出力链宏观分布状态,识别出力链长度、力链数量和力链方位信息。
2.根据权利要求1所述的一种光弹试验力链信息自动提取方法,其特征在于,所述无偏振镜的颗粒图像预处理按以下方法进行:将无偏振镜的颗粒图像进行二值化、腐蚀、膨胀、边缘检测并进行孔洞填充。
3.根据权利要求1所述的一种光弹试验力链信息自动提取方法,其特征在于,所述有偏振镜的颗粒图像预处理是将有偏振镜的颗粒图像进行滤波。
5.根据权利要求4所述的一种光弹试验力链信息自动提取方法,其特征在于,所述力链长度判据为:一条力链上的颗粒个数即为力链长度,其值须大于等于3,即接触点个数须大于等于2。
6.根据权利要求4所述的一种光弹试验力链信息自动提取方法,其特征在于,所述距离阈值判据为:两相邻接触点之间的距离d,需大于等于距离阈值Dc,距离阈值的计算公式如下:
Dc=(2-0.0002358*θc 2.04)*r
其中,Dc为距离阈值;θc为角度阈值,取值越小,力链越直;r为颗粒半径。
7.根据权利要求1所述的一种光弹试验力链信息自动提取方法,其特征在于,所述步骤(4)的具体过程如下:
4-2:生成空矩阵Call,C1,C2,C3,C4,Cfc,用于后续数据的存储;
4-4:判别Call中的接触点数量是否大于等于2:如果是,则选取一个起始接触点a,并对a周边的接触点ai进行搜索,将接触点a和搜索结果ai存储于C1中;如果否,则结束步骤(4);
4-5:判别C1中的接触点数量是否大于等于2:如果是,则将C1拷贝一份为C2;如果否,则从Call中删除与C1的交集,清空C1,跳转至步骤4-4;
4-6:从C1中删除与起始接触点a构成4个颗粒的接触点ai;
4-7:从C1中删除与C4的交集;
4-8:从C1中选取距起始接触点a最远的接触点ai,并计算两接触点间的距离,赋值为d;
4-9:判别距离d是否大于等于距离阈值Dc:如果是,则将接触点a和ai存储于C3,另新的起始接触点为ai,C2拷贝为C4,清空C1和C2,并跳转至步骤4-4;如果否,则执行如下步骤:
4-9-1:判别C3中接触点数量是否大于等于2:如果是,则将C3拷贝为Cfc,并转至步骤4-9-2;如果否,则直接转至步骤4-9-2;
4-9-2:从Call中删除接触点a,从Call中删除与C3的交集;
4-9-3:清空C1,C2,C3,C4,并跳转至步骤4-4,开始新一条力链信息的检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211393489.4A CN115661186A (zh) | 2022-11-08 | 2022-11-08 | 一种光弹试验力链信息自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211393489.4A CN115661186A (zh) | 2022-11-08 | 2022-11-08 | 一种光弹试验力链信息自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661186A true CN115661186A (zh) | 2023-01-31 |
Family
ID=85015497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211393489.4A Pending CN115661186A (zh) | 2022-11-08 | 2022-11-08 | 一种光弹试验力链信息自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661186A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113792A (zh) * | 2023-10-23 | 2023-11-24 | 太原理工大学 | 一种基于edem提取滚磨光整加工三维力链网络的方法 |
-
2022
- 2022-11-08 CN CN202211393489.4A patent/CN115661186A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113792A (zh) * | 2023-10-23 | 2023-11-24 | 太原理工大学 | 一种基于edem提取滚磨光整加工三维力链网络的方法 |
CN117113792B (zh) * | 2023-10-23 | 2024-01-30 | 太原理工大学 | 一种基于edem提取滚磨光整加工三维力链网络的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190481B (zh) | 一种遥感影像道路材质提取方法和系统 | |
Ji et al. | Vision-based measurements of deformations and cracks for RC structure tests | |
CN115661186A (zh) | 一种光弹试验力链信息自动提取方法 | |
CN114066808A (zh) | 一种基于深度学习的路面缺陷检测方法及系统 | |
CN113326854A (zh) | 一种基于移动平台的公路隧道围岩分级方法 | |
Zhang et al. | Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground | |
CN104751475A (zh) | 一种面向静态图像对象识别的特征点优选匹配方法 | |
Qiao et al. | A crack identification method for concrete structures using improved U-Net convolutional neural networks | |
Jing et al. | Segmentation of large-scale masonry arch bridge point clouds with a synthetic simulator and the BridgeNet neural network | |
CN116229354A (zh) | 基于特征参数自动提取的掌子面图像围岩等级辨识方法 | |
Wu et al. | Crack detecting by recursive attention U-Net | |
Bianchi et al. | Development of extendable open-source structural inspection datasets | |
Wang et al. | Geometry‐guided semantic segmentation for post‐earthquake buildings using optical remote sensing images | |
Zeeshan et al. | Structural crack detection and classification using deep convolutional neural network | |
Qin et al. | Deep learning-based software and hardware framework for a noncontact inspection platform for aggregate grading | |
CN104778461A (zh) | 基于相似测度学习的煤岩识别方法 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN112308040A (zh) | 一种基于高清图像的河流排污口检测方法及系统 | |
Zheng et al. | Laboratory-on-a-smartphone for estimating angularity of granular soils | |
CN116524017A (zh) | 一种用于矿山井下检测识别定位系统 | |
Vilgertshofer et al. | Recognising railway infrastructure elements in videos and drawings using neural networks | |
Shahbazi et al. | Autonomous road pavement inspection and defect analysis for smart city maintenance | |
CN106250681A (zh) | 一种用于直接顶板稳定性的预测方法 | |
CN113688446A (zh) | 一种围岩判别分级方法 | |
Andaru et al. | Intelligent Detection of SEM Mineralogy Using Dynamic Segmentation Algorithm in Geothermal Sedimentary Reservoir: Case Study with Quantification of Quartz Overgrowth |
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 |