CN115841560B - 土颗粒二维特征数据集的构建方法、土颗粒降维识别方法 - Google Patents
土颗粒二维特征数据集的构建方法、土颗粒降维识别方法 Download PDFInfo
- Publication number
- CN115841560B CN115841560B CN202310001133.XA CN202310001133A CN115841560B CN 115841560 B CN115841560 B CN 115841560B CN 202310001133 A CN202310001133 A CN 202310001133A CN 115841560 B CN115841560 B CN 115841560B
- Authority
- CN
- China
- Prior art keywords
- soil
- particle
- soil particles
- soil particle
- dimensional
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明为土颗粒二维特征数据集的构建方法、土颗粒降维识别方法,利用不同角度边界拟合,来获得简易的土颗粒素描三维模型,并根据不同埋深的俯视图建立二维特征数据集,使二维特征数据集与土颗粒素描三维模型相匹配。所述降维识别方法,利用二维特征数据集建立土颗粒埋深数据集,结合人工智能算法,建立可预测半覆盖土颗粒素描三维模型的埋深和粒径的神经网络预测模型,即可预测土颗粒三维尺度的降维识别。通过现场采集半遮盖不规则土颗粒拍摄其不同埋深的俯视图特征,与数据集匹配,来实现降维预测土颗粒的埋深及粒径,避免了直接利用三维重构来建立三维模型而带来的复杂性,更加简便有效。
Description
技术领域
本发明涉及人工智能和大粒径土颗粒降维素描重构技术领域,具体是一种土颗粒二维特征数据集的构建方法、土颗粒降维识别方法,即实现土颗粒素描三维模型与二维特征的匹配、填土颗粒的降维识别。
背景技术
随着国家日益发展,我国公路总里程数逐年上升。在公路修建过程中,路基的压实质量尤为重要,直接影响公路的服务质量和使用寿命,在路基智能建造与质量管控的发展趋势之下,智能压实技术得到发展,目的在于在碾压施工进程中实时记录施工参数及压实质量,而其中填土颗粒性质对压实质量有显著影响,大颗粒填土会造成跳振、压实不匀等问题,影响压实质量。而且,填土性质无法在现场实时调控,需要及时检测出大粒径土颗粒,记录位置,指导施工。
填土路基在压实之前需要对大粒径土颗粒进行识别,松散的填土中的土颗粒形状大小都不确定,且现场中土颗粒会出现被土壤覆盖的现象,土颗粒深度信息也影响着填土的压实质量。若使用常规方法进行三维重建,大量点云来构建土颗粒表面,计算量大,耗时长且精度不高,无法得出土颗粒的深度信息。若使用二维图像识别方法识别土颗粒,只能通过采集土颗粒俯视图尺寸来估计粒径,同样无法得到土颗粒的深度信息,与实际尺寸差距较大。
因此,寻找一种可以通过提取土颗粒二维特征来匹配土颗粒简易三维模型的方法十分有必要。本发明填土颗粒降维识别方法,可应用于不规则土颗粒的简易三维重构,可以有效地解决土颗粒被土壤覆盖丢失深度信息的现象,预测填土颗粒的三维尺寸,满足实际工程需要。
发明内容
针对现有技术的不足,本发明拟解决的技术问题是:提出一种土颗粒二维特征数据集的构建方法、土颗粒降维识别方法。利用不同角度边界拟合,来获得简易的土颗粒素描三维模型,并根据不同埋深的俯视图建立二维特征数据集,使二维特征数据集与土颗粒素描三维模型相匹配。所述降维识别方法,利用二维特征数据集建立土颗粒埋深数据集,结合人工智能算法,建立可预测半覆盖土颗粒素描三维模型的埋深和粒径的神经网络预测模型,即可预测土颗粒三维尺度的降维识别。
本发明解决所述技术问题采用的技术方案是:
第一方面,本发明提供一种土颗粒二维特征数据集的构建方法,其特征在于,该构建方法包括以下内容:
将采集到的粒径大于60mm的土颗粒放置在一点,通过运动相机对同一土颗粒进行不同角度的拍摄,对拍摄到的不同角度的照片进行图像预处理,包括:灰度处理、模糊处理、二值化、形态学处理,并使用边缘提取算法进行边界提取,获得不同角度的边界曲线;
对提取到不同角度的边界曲线分别进行近似拟合,获得近似边界曲线,将所有角度的近似边界曲线通过CAD立体匹配生成当前土颗粒素描三维模型,并计算其粒径;
将生成的所有土颗粒素描三维模型进行编号,编号为,每个编号对应一个土颗粒的粒径和土颗粒素描三维模型,其中,n为土颗粒的总数;
将上述粒径大于60mm的土颗粒再分别放置于土壤粒径为5mm以下的不同埋深的土中,使用运动相机拍摄俯视图并记录埋深和露出高度,使得一个土颗粒粒径对应不同的埋深、露出高度和俯视图,对俯视图进行图像预处理后使用边缘算法进行边界提取并近似拟合,求得不同埋深下土颗粒俯视图中的周长、面积、最小外接矩形的长和宽;
将不同埋深下的周长、面积、埋深、露出高度和最小外接矩形的长和宽转换成数据格式,与对应的土颗粒素描三维模型编号相对应,实现土颗粒素描三维模型与土颗粒二维特征的匹配,建立土颗粒素描三维模型的二维特征数据集。
第二方面,本发明提供一种土颗粒降维识别方法,其特征在于,该识别方法包括以下内容:
获得所述的土颗粒素描三维模型的二维特征数据集;
以所有粒径的土颗粒素描三维模型的二维特征数据集构建为土颗粒埋深数据集,将土颗粒埋深数据集中的土颗粒俯视图面积最小值作为面积阈值;
将土颗粒的露出高度及对应俯视图的最小外接矩形的长和宽、面积及周长作为输入特征,神经网络的输入层节点数量为5;输出结果为与对应土颗粒素描三维模型的粒径及埋深,输出层节点数为2,以土颗粒埋深数据集训练神经网络,获得埋深预测神经网络模型;
获取现场土颗粒的俯视图,进行图像预处理后使用边缘算法提取边界曲线,近似拟合或获得近似边界曲线,根据近似边界曲线获得现场土颗粒俯视图中的周长、面积,
将现场土颗粒俯视图中的面积与面积阈值作比较,小于面积阈值的归为背景,大于面积阈值的求出近似边界曲线最小外接矩形的长和宽;再获得现场土颗粒的露出高度后,将现场采集土颗粒的二维特征转化为数据格式,利用埋深预测神经网络模型获得现场土颗粒的粒径及埋深。
获得现场土颗粒的粒径、埋深后,利用现场土颗粒的二维特征数据集确定现场土颗粒对应的土颗粒素描三维模型,此时埋深预测神经网络模型的输出结果即为土颗粒素描三维模型编号所对应的粒径及埋深。
所述神经网络的网络初始权重取全局平均权重,激活函数使用sigmoid,使用traingda梯度下降自适应学习率的BP算法训练函数,采用学习率自适应下降,初始学习率为0.01;将土颗粒埋深数据集放入神经网络训练,通过反向传播不断优化权重,直到权重收敛为止。
所述现场土颗粒的露出高度的获取过程是:
将单目相机放置在振动压路机前端,固定一高度,碾压过程中进行实时拍摄;通过MATLAB软件对单目相机进行标定,得到相机内参矩阵;记录单目相机到达不同土颗粒正上方的时间;确认单目相机所拍摄的一张照片中待测土颗粒位置,以待测土颗粒位置为中心向前找到同一照片中的某个土颗粒定义为前土颗粒,确认前土颗粒与待测土颗粒之间的位置关系;
当前土颗粒与待测土颗粒两者中心连线所在直线与相机运动轨迹一致时,通过压路机行驶速度
v求出两者之间的垂直距离s,,当相机到达前土颗粒正上方时,通过相机焦距公式计算得出待测土颗粒顶部到斜视线的距离b,;
则待测土颗粒露出高度h为:;
其中P为单目相机拍摄待测土颗粒露出高度的像素值,为由内参矩阵得到的相机焦距;d为相机到地面的距离;
当前土颗粒与待测土颗粒两者中心连线所在直线与相机运动轨迹不一致时,根据求出两者之间的垂直距离s,计算同一照片中前土颗粒与待测土颗粒的像素距离,由照片实际尺寸计算得出相机的拍摄比例,得到土颗粒之间的水平距离x;通过相机焦距公式计算得出待测土颗粒顶部到斜视线的距离,;则获得待测土颗粒的露出高度,。
与现有技术相比,本发明有益效果在于:
1.本发明通过采集土颗粒各角度的拍摄的二维照片,利用边缘提取算法获得各拍摄角度的边界曲线,通过近似拟合来获得简易的土颗粒素描三维模型,同时再次利用边界提取算法针对半遮盖不规则土颗粒拍摄其不同埋深的俯视图,提取俯视图特征,进而实现土颗粒素描三维模型与对应的二维特征数据集的匹配。通过现场采集半遮盖不规则土颗粒拍摄其不同埋深的俯视图特征,与数据集匹配,来实现降维预测土颗粒的埋深及粒径,避免了直接利用三维重构来建立三维模型而带来的复杂性,更加简便有效。
2.本发明结合人工智能算法实现对半覆盖土颗粒的三维尺度的预测。土颗粒形状具有随机性,且常规的三维重构方法对设备性能要求很高且耗时长,且在实际工程中,不需要知道精确的土颗粒表面形状,仅需要知道土颗粒大致形状、粒径和埋深即可满足碾压施工要求,因此本发明创造性地抛弃传统点云方法,通过简易图像预处理及边界提取拟合来提取土颗粒二维特征、生成土颗粒素描三维模型,可用于后期精确地预测土颗粒粒径及埋置深度,满足了实际工程实时检测的要求。
3.本发明通过图像处理,将土颗粒边界曲线提取出来取近似拟合,得到土颗粒近似边界曲线,生成土颗粒素描三维模型同时利用CAD计算其粒径,实现素描重构。将土颗粒放入不同埋深的细粒土中,记录露出高度、埋深。拍摄其俯视图,通过边缘算法提取俯视图边界曲线并近似拟合,提取特征。将粒径、露出高度、埋深和俯视图的面积、周长、最小外接矩形得长和宽这些二维特征转换成数据格式,土颗粒的二维特征与生成的土颗粒素描三维模型一一对应,建立土颗粒素描三维模型的二维特征数据集。
4.本发明使用单目相机在现场拍摄半覆盖土颗粒,通过图像预处理,提取土颗粒的近似边界曲线,将提取到的现场土颗粒俯视图面积与土颗粒埋深数据集中土颗粒俯视图面积最小值相比较,优化提取大粒径土颗粒精度,提高了大粒径土颗粒识别精度。建立神经网络,将土颗粒埋深数据集放入神经网络中训练,通过神经网络将现场拍摄的土颗粒俯视图特征和露出高度与土颗粒埋深数据集特征进行匹配,得到现场土颗粒所属的对应土颗粒素描三维模型编号,输出对应的土颗粒的粒径、埋深预测值,实现对现场半覆盖土颗粒埋深及粒径的预测。
5.本发明对单目相机进行标定,得到单目相机内参矩阵。计算两个相邻土颗粒之间的垂直距离,由焦距公式计算出待测土颗粒顶部到斜视线的距离,最终由几何关系求出待测土颗粒的露出高度。本发明方法通过提取现场半覆盖土颗粒的二维特征,与土颗粒埋深数据集二维特征进行匹配,做到预测现场半覆盖土颗粒对应的素描三维模型及土颗粒粒径预测值、埋深预测值。
6.本发明填土颗粒降维识别方法基于半覆盖土颗粒的素描三维重构获得,不仅可以预测填土颗粒三维尺度,还极大减少了模型计算量,节省了人为标注时间,速度快,可以做到压实过程实时检测,智能化程度高,满足实际工程需要。
附图说明
图1为本发明土颗粒降维识别方法的流程示意图。
图2为本发明土颗粒二维特征数据集的构建方法的素描三维模型的获得流程示意图。
图3为本发明土颗粒二维特征数据集的构建方法、土颗粒降维识别方法的流程示意图。
图4为压路机现场采集示意图。
图5为拍摄土颗粒俯视图。
图6为前土颗粒与待测土颗粒两者中心连线所在直线与相机运动轨迹一致时的相机与土颗粒的几何关系图。
图7为前土颗粒与待测土颗粒两者中心连线所在直线与相机运动轨迹不一致时的相机与土颗粒的几何关系示意图。
具体实施方式
下面给出本发明的具体实施。具体实施仅用于进一步详细说明本发明,不限制本申请的保护范围。
本发明分为两部分:一部分为土颗粒素描三维模型与土颗粒二维特征的匹配,另一部分为现场土颗粒二维特征与土颗粒埋深数据集中土颗粒二维特征的匹配。
一、土颗粒素描三维模型与土颗粒二维特征的匹配
本发明主要针对粒径60mm以上的土颗粒,但不仅限于该粒径范围。首先将采集到的粒径大于60mm的土颗粒放置在一点,通过单目相机进行不同角度的拍摄,对拍摄照片进行图像预处理,图像预处理包括:灰度处理、模糊处理、二值化、形态学处理。图像预处理后使用Canny算法进行边界提取。对提取到的边界曲线通过DP算法进行近似拟合,获得近似边界曲线,将所有拍摄角度近似边界曲线通过CAD立体匹配生成当前土颗粒素描三维模型并计算其粒径,土颗粒素描三维模型指由简单轮廓线围成的三维结构。
将生成的所有土颗粒素描三维模型进行编号,为,n不小于1000。将上述粒径大于60mm的土颗粒放置于土壤粒径为5mm以下不同埋深的土中,使用单目相机拍摄俯视图并记录埋深和露出高度,使得一个土颗粒粒径对应不同的埋深、露出高度和俯视图,对俯视图照片进行相应的图像预处理,并对于预处理后的俯视图照片使用Canny算法进行边界提取并近似拟合,求得周长、面积和最小外接矩形的长和宽,将放置在土壤中土颗粒提取到的二维特征——周长、面积、埋深、露出高度和最小外接矩形的长和宽转换成数据格式,与其对应土颗粒素描三维模型编号相对应,建立土颗粒素描三维模型的二维特征数据集。一个土颗粒素描三维模型对应不同埋深下的周长、面积、埋深和露出高度和最小外接矩形的长和宽,一个土颗粒素描三维模型对应一个二维特征数据集,若干数量的土颗粒素描三维模型的二维特征数据集构成土颗粒埋深数据集。
选取土颗粒埋深数据集中每一个土颗粒对应不同俯视图的边界曲线面积的最小值,组成一个集合,取集合的最小值作为面积阈值。将现场土颗粒俯视图面积与面积阈值相比较,小于面积阈值的归为背景,不进行提取,大于或等于面积阈值的求出近似边界曲线最小外接矩形的长和宽,限制土颗粒轮廓的形状。
二、现场土颗粒二维特征与土颗粒埋深数据集中土颗粒二维特征的匹配
本发明对现场全域进行检测,现场将全域划分为若干条带,分条带逐条进行土颗粒实时检测。将单目相机放置在振动压路机前端,固定一高度d,碾压过程中进行实时拍摄,压路机行驶速度为v。对拍到的现场土颗粒俯视图进行图像预处理,使用Canny算法提取边界曲线,使用DP算法近似拟合,求出近似边界曲线的周长和面积。
通过MATLAB软件对单目相机进行标定,得到相机内参矩阵。记录相机到达不同土颗粒正上方的时间。确认单目相机所拍摄的一张照片中待测土颗粒位置,以待测土颗粒位置为中心向前找到同一照片中的某个土颗粒定义为前土颗粒,确认前土颗粒与待测土颗粒之间的位置关系。本实施例中前土颗粒和待测土颗粒之间无其余土颗粒,为相邻土颗粒。
当相邻土颗粒所在直线与相机运动轨迹一致时,通过压路机行驶速度可以求出相邻土颗粒之间的垂直距离s,,当相机到达前土颗粒正上方时,通过相机焦距公式计算得出待测土颗粒顶部到斜视线的距离b,。最后根据几何关系计算出待测土颗粒露出高度h,。其中P为相机拍摄土颗粒露出高度的像素值,为由内参矩阵得到的相机焦距。
当相邻土颗粒所在直线与相机运动轨迹不一致时,根据求出土颗粒之间的垂直距离s,计算同一照片上相邻土颗粒的像素距离,由照片实际尺寸计算得出相机的拍摄比例,得到土颗粒之间的水平距离x。通过相机焦距公式计算得出待测土颗粒顶部到斜视线的距离,。最后根据几何关系计算得待测土颗粒的露出高度,。
本发明中的神经网络使用BP神经网络,但不仅限于该网络。网络结构分为输入层、隐含层和输出层三部分。将土颗粒埋深数据集中土颗粒的露出高度及对应俯视图的最小外接矩形的长和宽、面积及周长作为特征,输入到神经网络中,输入层节点数量为5;隐藏层层数为2,节点数量设定第一层数量为7,第二层为6;输出结果为与现场土颗粒相匹配的对应土颗粒素描三维模型的粒径及埋深,输出层节点数为2。网络初始权重取全局平均权重,激活函数使用sigmoid,使用traingda梯度下降自适应学习率的BP算法训练函数,采用学习率自适应下降,初始学习率为0.01。将土颗粒埋深数据集放入神经网络训练,通过反向传播不断优化权重,直到权重收敛为止。将现场采集土颗粒的二维特征转化为数据格式,放入神经网络进行预测,输出结果即为现场土颗粒所对应的土颗粒素描三维模型编号所对应的粒径及埋深。
本发明的工作原理和工作流程是:
一、工作原理
在现场挑选出大粒径土颗粒放置于一点,通过相机在不同角度拍摄照片。通过图像预处理,将各角度土颗粒边界曲线提取出来,通过DP算法(动态规划算法)将其近似拟合。通过CAD生成素描三维结构,并将其编号,计算素描三维结构的粒径。将土颗粒放入不同埋深较细的土中,记录土颗粒露出高度和埋深,拍摄土颗粒俯视图获取俯视图特征,将俯视图特征与露出高度和埋深与素描三维模型特征匹配,构成土颗粒二维特征数据集。将所有带有土颗粒特征信息的土颗粒二维特征数据集构成土颗粒埋深数据集放入神经网络中训练得到权重。
现场实时采集土颗粒俯视图照片,进行相应的图像处理得到土颗粒对应的近似边界曲线,求出周长和面积。选取土颗粒埋深数据集每一个土颗粒对应俯视图的近似边界曲线的面积的最小值,组成集合,取集合的最小值作为面积阈值。将现场土颗粒俯视图的近似边界曲线的面积与面积阈值相比较,小于面积阈值的归为背景,大于面积阈值的求出近似边界曲线最小外接矩形的长和宽。将相机进行标定,得到相机内参矩阵。通过焦距公式计算出土颗粒顶部到斜视线的距离,最终由几何关系求出待测土颗粒的露出高度。将现场拍摄土颗粒的露出高度、俯视图中面积及周长、最小外接矩形的长和宽作为特征放入神经网络中,输出被土体部分覆盖不规则土颗粒的预测素描三维模型及其所对应的粒径及埋深。
二、工作流程
1、数据采集:在实验场地随机选取大粒径土颗粒,将其固定于一点,使单目相机在以土颗粒为圆心的圆周上运动,进行多角度拍摄。
2、数据集建立:将拍摄到的土颗粒各拍摄角度照片进行图像预处理,包括:灰度处理、模糊处理、二值化、形态学处理。使用Canny算法提取不同拍摄角度下的边界曲线,通过DP算法对各视角提取的边界曲线分别进行近似拟合,获得近似边界曲线,将不同视角的近似边界曲线通过CAD生成素描三维模型,并将其编号。将大粒径土颗粒置于粒径为5mm以下不同埋深的土中,记录土颗粒埋深和露出高度。对其俯视图进行边界提取并近似拟合,求出近似边界曲线的周长、面积和最小外接矩形的长和宽。将埋深、露出高度、俯视图近似边界曲线的周长、面积和最小外接矩形的长和宽转换成数据格式,与对应的土颗粒素描三维模型相匹配,生成土颗粒素描三维模型的二维特征数据集。
3、神经网络建模:使用BP神经网络,但并不仅限于该网络。设置自适应学习速率,初始学习速率为0.01,网络初始权重取全局平均权重。激活函数使用sigmoid,使用traingda梯度下降自适应学习率的BP算法训练函数。将露出高度、俯视图近似边界曲线的周长、面积、最小外接矩形的长和宽作为特征放入神经网络中进行训练,通过反向传播不断优化权重直至模型收敛,保存权重。
4、预测素描三维模型:将单目相机放置在振动压路机前端,固定一高度,碾压过程中进行实时拍摄,记录相机到达不同土颗粒正上方的时间。将现场采集到的土颗粒俯视图进行相应的图像预处理,提取二维特征。将土颗粒埋深数据集中土颗粒俯视图面积最小值作为面积阈值,将现场土颗粒俯视图面积与面积阈值作比较,小于面积阈值的归为背景,大于面积阈值的求出近似边界曲线最小外接矩形的长和宽。通过MATLAB软件对相机进行标定,得到相机内参矩阵。当相邻土颗粒所在直线与相机运动轨迹一致时,由相机焦距公式计算土颗粒顶部到斜视线的距离,根据几何关系计算得到现场土颗粒的露出高度h;当相邻土颗粒所在直线与相机运动轨迹不一致时,由相机焦距公式计算土颗粒顶部到斜视线的距离,根据几何关系计算得到现场土颗粒的露出高度。将现场土颗粒露出高度、俯视图近似边界曲线的周长、面积和最小外接矩形的长和宽转换成数据格式,作为特征放入神经网络中,输出预测结果,即现场土颗粒所对应的半覆盖大粒径土颗粒的素描三维模型、以及对应的粒径及埋深。
本发明未述及之处适用于现有技术。
Claims (5)
1.一种土颗粒二维特征数据集的构建方法,其特征在于,该构建方法包括以下内容:
将采集到的粒径大于60mm的土颗粒放置在一点,通过运动相机对同一土颗粒进行不同角度的拍摄,对拍摄到的不同角度的照片进行图像预处理,包括:灰度处理、模糊处理、二值化、形态学处理,并使用边缘提取算法进行边界提取,获得不同角度的边界曲线;
对提取到不同角度的边界曲线分别进行近似拟合,获得近似边界曲线,将所有角度的近似边界曲线通过CAD立体匹配生成当前土颗粒素描三维模型,并计算其粒径;
将生成的所有土颗粒素描三维模型进行编号,编号为,每个编号对应一个土颗粒的粒径和土颗粒素描三维模型,其中,n为土颗粒的总数;
将上述粒径大于60mm的土颗粒再分别放置于土壤粒径为5mm以下的不同埋深的土中,使用运动相机拍摄俯视图并记录埋深和露出高度,使得一个土颗粒粒径对应不同的埋深、露出高度和俯视图,对俯视图进行图像预处理后使用边缘算法进行边界提取并近似拟合,求得不同埋深下土颗粒俯视图中的周长、面积、最小外接矩形的长和宽;
将不同埋深下的周长、面积、埋深、露出高度和最小外接矩形的长和宽转换成数据格式,与对应的土颗粒素描三维模型编号相对应,实现土颗粒素描三维模型与土颗粒二维特征的匹配,建立土颗粒素描三维模型的二维特征数据集。
2.一种土颗粒降维识别方法,其特征在于,该识别方法包括以下内容:
获得权利要求1所述的土颗粒素描三维模型的二维特征数据集;
以所有粒径的土颗粒素描三维模型的二维特征数据集构建为土颗粒埋深数据集,将土颗粒埋深数据集中的土颗粒俯视图面积最小值作为面积阈值;
将土颗粒的露出高度及对应俯视图的最小外接矩形的长和宽、面积及周长作为输入特征,神经网络的输入层节点数量为5;输出结果为与对应土颗粒素描三维模型的粒径及埋深,输出层节点数为2,以土颗粒埋深数据集训练神经网络,获得埋深预测神经网络模型;
获取现场土颗粒的俯视图,进行图像预处理后使用边缘算法提取边界曲线,近似拟合或获得近似边界曲线,根据近似边界曲线获得现场土颗粒俯视图中的周长、面积,
将现场土颗粒俯视图中的面积与面积阈值作比较,小于面积阈值的归为背景,大于面积阈值的求出近似边界曲线最小外接矩形的长和宽;再获得现场土颗粒的露出高度后,将现场采集土颗粒的二维特征转化为数据格式,利用埋深预测神经网络模型获得现场土颗粒的粒径及埋深。
3.根据权利要求2所述的土颗粒降维识别方法,其特征在于,获得现场土颗粒的粒径、埋深后,利用现场土颗粒的二维特征数据集确定现场土颗粒对应的土颗粒素描三维模型,此时埋深预测神经网络模型的输出结果即为土颗粒素描三维模型编号所对应的粒径及埋深。
4.根据权利要求2所述的土颗粒降维识别方法,其特征在于,所述神经网络的网络初始权重取全局平均权重,激活函数使用sigmoid,使用traingda梯度下降自适应学习率的BP算法训练函数,采用学习率自适应下降,初始学习率为0.01;将土颗粒埋深数据集放入神经网络训练,通过反向传播不断优化权重,直到权重收敛为止。
5.根据权利要求2所述的土颗粒降维识别方法,其特征在于,所述现场土颗粒的露出高度的获取过程是:
将单目相机放置在振动压路机前端,固定一高度,碾压过程中进行实时拍摄;通过MATLAB软件对单目相机进行标定,得到相机内参矩阵;记录单目相机到达不同土颗粒正上方的时间;确认单目相机所拍摄的一张照片中待测土颗粒位置,以待测土颗粒位置为中心向前找到同一照片中的某个土颗粒定义为前土颗粒,确认前土颗粒与待测土颗粒之间的位置关系;
当前土颗粒与待测土颗粒两者中心连线所在直线与相机运动轨迹一致时,通过压路机行驶速度v求出两者之间的垂直距离s,,当相机到达前土颗粒正上方时,通过相机焦距公式计算得出待测土颗粒顶部到斜视线的距离b,;
则待测土颗粒露出高度h为:;
其中P为单目相机拍摄待测土颗粒露出高度的像素值,为由内参矩阵得到的相机焦距;d为相机到地面的距离;
当前土颗粒与待测土颗粒两者中心连线所在直线与相机运动轨迹不一致时,根据求出两者之间的垂直距离s,计算同一照片中前土颗粒与待测土颗粒的像素距离,由照片实际尺寸计算得出相机的拍摄比例,得到土颗粒之间的水平距离x;通过相机焦距公式计算得出待测土颗粒顶部到斜视线的距离,;则获得待测土颗粒的露出高度,。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310001133.XA CN115841560B (zh) | 2023-01-03 | 2023-01-03 | 土颗粒二维特征数据集的构建方法、土颗粒降维识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310001133.XA CN115841560B (zh) | 2023-01-03 | 2023-01-03 | 土颗粒二维特征数据集的构建方法、土颗粒降维识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115841560A CN115841560A (zh) | 2023-03-24 |
CN115841560B true CN115841560B (zh) | 2023-04-21 |
Family
ID=85579435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310001133.XA Active CN115841560B (zh) | 2023-01-03 | 2023-01-03 | 土颗粒二维特征数据集的构建方法、土颗粒降维识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841560B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118172912A (zh) * | 2024-05-13 | 2024-06-11 | 江苏拉森智能电气科技有限公司 | 一种危险品化学工艺实训智能安全预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111380785A (zh) * | 2020-03-30 | 2020-07-07 | 中南大学 | 岩石颗粒的二维几何特征参数获取系统及方法 |
CN111524229A (zh) * | 2020-03-30 | 2020-08-11 | 中南大学 | 岩石颗粒的三维几何形貌信息提取系统及方法 |
CN111612906A (zh) * | 2020-05-25 | 2020-09-01 | 长江大学 | 一种三维地质模型的生成方法、系统及计算机存储介质 |
CN115147401A (zh) * | 2022-08-02 | 2022-10-04 | 中国水利水电科学研究院 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2083390B1 (de) * | 2008-01-24 | 2016-06-01 | Brainlab AG | Verfahren zur Segmentierung eines 3D-Bilddatensatzes, zugehöriges Computerprogrammprodukt und zugehöriges System |
-
2023
- 2023-01-03 CN CN202310001133.XA patent/CN115841560B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111380785A (zh) * | 2020-03-30 | 2020-07-07 | 中南大学 | 岩石颗粒的二维几何特征参数获取系统及方法 |
CN111524229A (zh) * | 2020-03-30 | 2020-08-11 | 中南大学 | 岩石颗粒的三维几何形貌信息提取系统及方法 |
CN111612906A (zh) * | 2020-05-25 | 2020-09-01 | 长江大学 | 一种三维地质模型的生成方法、系统及计算机存储介质 |
CN115147401A (zh) * | 2022-08-02 | 2022-10-04 | 中国水利水电科学研究院 | 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 |
Non-Patent Citations (2)
Title |
---|
Wei-Qiang Xie等.3D size and shape characterization of natural sand particles using 2D image analysis.Engineering Geology.2020,第1-15页. * |
胡聪 等.基于多视角二维图像的钙质砂颗粒三维重构方法.岩 土 力 学.2022,第761-768页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115841560A (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
CN110246151B (zh) | 一种基于深度学习和单目视觉的水下机器人目标跟踪方法 | |
CN107045784A (zh) | 一种电子交警系统 | |
CN103955710B (zh) | 类地重力场环境下单目视觉空间识别方法 | |
CN115841560B (zh) | 土颗粒二维特征数据集的构建方法、土颗粒降维识别方法 | |
CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
CN1739119A (zh) | 全深度图采集 | |
CN107169981A (zh) | 一种道砟颗粒三维廓形的检测方法及装置 | |
CN113129449B (zh) | 一种基于双目视觉的车辆路面特征识别及三维重建方法 | |
CN113221648B (zh) | 一种基于移动测量系统的融合点云序列影像路牌检测方法 | |
Hui et al. | An active learning method for DEM extraction from airborne LiDAR point clouds | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
EP4174792A1 (en) | Method for scene understanding and semantic analysis of objects | |
CN114596500A (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 | |
CN113762009A (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
CN106846363A (zh) | 一种改进稀疏矩阵的尺度自适应性压缩跟踪方法 | |
CN114299318A (zh) | 一种快速点云数据处理和目标图像匹配的方法及系统 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN105718947A (zh) | 基于lbp和小波矩融合特征的肺癌图像精细分类方法 | |
Fang et al. | Images crack detection technology based on improved K-means algorithm | |
CN116763295A (zh) | 牲畜体尺测量方法、电子设备及存储介质 | |
CN108335321B (zh) | 基于多角度照片的地表砾石尺度信息自动提取方法 | |
CN112861682A (zh) | 基于朴素贝叶斯云计算路面图像采集分类方法及其装置 | |
CN114862957B (zh) | 一种基于3d激光雷达的地铁车底定位方法 | |
CN117494264B (zh) | 一种基于融合bim和gis的土方调配方法及系统 |
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 |