CN116453030A - 一种基于计算机视觉的建筑材料回收方法 - Google Patents
一种基于计算机视觉的建筑材料回收方法 Download PDFInfo
- Publication number
- CN116453030A CN116453030A CN202310375697.XA CN202310375697A CN116453030A CN 116453030 A CN116453030 A CN 116453030A CN 202310375697 A CN202310375697 A CN 202310375697A CN 116453030 A CN116453030 A CN 116453030A
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- connected domain
- construction waste
- final
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004064 recycling Methods 0.000 title claims abstract description 21
- 239000004566 building material Substances 0.000 title claims abstract description 16
- 239000002699 waste material Substances 0.000 claims abstract description 118
- 238000010276 construction Methods 0.000 claims abstract description 80
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims abstract description 20
- 229910000831 Steel Inorganic materials 0.000 claims description 26
- 239000010959 steel Substances 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 24
- 239000003086 colorant Substances 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 4
- 239000004035 construction material Substances 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 2
- 239000010813 municipal solid waste Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 239000004567 concrete Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000011449 brick Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000001788 irregular Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 239000004570 mortar (masonry) Substances 0.000 description 3
- 230000003014 reinforcing effect Effects 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/58—Construction or demolition [C&D] waste
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Sustainable Development (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据识别技术领域，具体涉及一种基于计算机视觉的建筑材料回收方法，该方法包括：获取建筑垃圾图像；获取初始连通域及最终连通域；获取每个最终连通域的颜色熵值及边缘凹凸程度，获取最终连通域对应的特征值，识别建筑垃圾图像中的废弃钢筋，本发明通过每个建筑垃圾对应的最终连通域对应的特征值和钢筋材料的特征值进行匹配，从而实现精确确定建筑垃圾中的废弃钢筋。
Description
技术领域
本发明涉及图像数据识别技术领域，具体涉及一种基于计算机视觉的建筑材料回收方法。
背景技术
目前由于环保的要求，不能直接将拆迁、建设、装修、修缮等建筑业的生产活动中产生的渣土、废旧混凝土、废旧砖石及其他废弃物的建筑垃圾进行倾倒，避免造成环境的污染，而是需要将建筑垃圾通过通过粉碎机粉碎，将粉碎后得到的骨料用来硬化路面或者制作吸水砖，实现建筑材料回收再利用的目的，有效的避免了建筑垃圾直接倾倒对环境造成的污染，同时有效的节约了资源；
然而，在处理此种建筑垃圾时，建筑垃圾中存在钢筋头(废弃钢筋)材料，如直接进行粉碎将对粉碎机造成巨大的损伤，因此需要在进行损伤前将建筑垃圾中的钢筋从运输的传送带上筛查出来，避免进入到到粉碎机；目前在对传送带上建筑垃圾中的钢筋进行筛查时，首先根据模板匹配的方法对待识别的建筑垃圾和已经知道种类的垃圾进行模板匹配，来将建筑垃圾中的钢筋进行识别，将识别出的钢筋从传送带中进行筛除，但是传统的模板匹配是依据特征点进行特征点的一个个匹配，受建筑垃圾所处环境的因素影响，特征点的匹配容易匹配错误，从而导致废弃钢筋的识别错误，识别精度低，容易发生漏筛的风险。
发明内容
本发明提供一种基于计算机视觉的建筑材料回收方法，以解决现有建筑垃圾中钢筋的识别准确度低，在进行回收的过程中对粉碎机造成损害的问题。
本发明的一种基于计算机视觉的建筑材料回收方法采用如下技术方案：
获取传送带上的建筑垃圾图像；
根据建筑垃圾图像中的颜色进行聚类得到多个初始连通域；
根据每两个初始连通域的连续性对初始连通域合并得到每个建筑垃圾对应的最终连通域；
获取每个最终连通域的颜色熵值；
获取最终连通域的相邻两个边缘像素点的斜率，根据每两个相邻边缘像素点的斜率获取每个最终连通域的边缘凹凸程度；
根据每个最终连通域的边缘凹凸程度及对应的颜色熵值获取最终连通域对应的特征值；
根据最终连通域对应的特征值与钢筋材料的特征值识别建筑垃圾图像中的废弃钢筋；
将含有废弃钢筋的建筑垃圾从传送带上移除，传送带上的无废弃钢筋的建筑垃圾进入到废碎装置中进行粉碎回收。
优选的，获取多个初始连通域包括：
将建筑垃圾图像转换为Lab图像；
以Lab图像中每个像素点为中心像素点获取滑窗；
获取滑窗的中心像素点与其邻域内像素点的最大像素差值和最小像素差值的差值；
根据差值与差值阈值判断该中心像素点对应的滑窗是否作为中心像素点对应的目标滑窗，并将目标滑窗作为聚类中心；
根据每个聚类中心对Lab图像的颜色进行聚类得到对应的初始连通域。
优选的，得到每个建筑垃圾对应的最终连通域包括：
获取每个初始连通域内的目标滑窗的每个邻域方向上像素点的像素值序列；
分别获取像素值序列中的每个像素值与其相邻两个像素值的差值；
当两个差值的差值绝对值大于预设阈值时，则分别选择该像素点沿其在的目标滑窗对应的邻域方向上的两侧选取与该像素点对应的距离最近的目标初始连通域；
获取两个目标初始连通域对应的目标滑窗的像素均值差值；
根据两个像素均值差值与预设的像素均值差值的阈值判断是否将两个初始连通域合并，将合并后的连通域作为最终连通域。
优选的，获取最终连通域对应的特征值包括：
将最终连通域的颜色熵值与边缘凹凸程度的乘积得到最终连通域对应的特征值。
优选的，获取每个最终连通域的边缘凹凸程度包括：
获取最终连通域的每两个相邻边缘像素点的斜率的绝对值；
对所有斜率的绝对值求和并求均值，将均值作为最终连通域的边缘凹凸程度。
优选的，利用获取最终连通域对应的特征值的方法获取钢筋材料的特征值。
优选的，识别建筑垃圾图像中的废弃钢筋包括：
获取最终连通域对应的特征值与钢筋材料的特征值的差值，并作为误差值；
根据误差值与预设的误差值范围确定建筑垃圾图像中的废弃钢筋。
本发明的一种基于计算机视觉的建筑材料回收方法的有益效果是：
1、由于不同建筑垃圾颜色是不同，故先通过颜色聚类得到不同颜色的建筑垃圾的初始连通域，然后在基于每两个初始连通域的连续性将颜色相同的初始连通域进行合并得到每个建筑垃圾对应的最终连通域，从而实现对同一个垃圾进行准确识别，然后根据最终连通域对应的颜色熵值与边缘凹凸程度来反映最终连通域对应的垃圾的边缘形状及颜色，以实现利用最终连通域对应的颜色熵值与边缘凹凸程度来综合表征最终连通域对应的特征值，最后根据特征值对最终连通域和钢筋材料进行匹配，从而判断每个建筑垃圾对应的最终连通域是否为钢筋材料，从而实现对建筑垃圾图像中的钢筋材料进行精确识别。
2、其次，在初始连通域根据像素点的连续性对初始连通域进行合并得到每个建筑垃圾对应的最终连通域过程中，采用在同一邻域方向上的连续像素点的像素值差值，来判断连续像素点的像素值是否发生变化，从而确定颜色相同的初始连通域的连通性，并进行合并，进而实现对属于同一个垃圾区域的准确识别，进而提高后续对钢筋材料判断的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本邻域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于计算机视觉的建筑材料回收方法的实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本邻域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于计算机视觉的建筑材料回收方法的实施例，本实施例所针对的情景为：在施工现场中，不同结构类型建筑物所产生的建筑施工垃圾各种成分的含量有所不同，但其主要成分一致，主要有散落的砂浆和混凝土、剔凿产生的砖石和混凝土碎块、打桩截下的钢筋头(废弃钢筋)材料等，然而在建筑垃圾后续的处理中，为了减少对环境的污染，对建筑垃圾中的散落的砂浆和混凝土、剔凿产生的砖石和混凝土碎块运送到粉碎厂进行粉碎，然后将粉碎后得到的骨料用来硬化路面，但是建筑垃圾中，存在钢筋头(废弃钢筋)材料，其并不能进行粉碎，且其属于金属材料，为避免浪费，需要对其进行回收。
故，如图1所示，本实施例的方法包括：
S1、获取建筑垃圾图像；
由于，本实施例目的是为了实现建筑垃圾中的废弃钢筋进行识别，因此，需要利用相机采集建筑垃圾的图像，故本实施例中，将运送到粉碎厂进行破碎前的建筑垃圾平摊在传送带上，在传送过程中采用俯视采集的方式采集传送带上的建筑垃圾图像，为了防止采集的图像受噪声干扰，通过对获得的建筑垃圾图像采用中值滤波的方法对建筑垃圾图像进行去噪处理，获得噪声影响较小的建筑垃圾图像，从而提高后续识别出垃圾的类别的准确度。
S2、获取初始连通域及最终连通域；
根据建筑垃圾图像中的颜色进行聚类得到多个初始连通域；根据每两个初始连通域的连续性对初始连通域合并得到每个建筑垃圾对应的最终连通域。
具体的，在获取初始连通域时，由于，不同的建筑垃圾的色彩是不一样的，例如：混凝土固体是灰白色，砖瓦碎块是红色、钢筋是黑色，因此，需要对采集建筑垃圾图像中的颜色进行识别，由于利用相机采集的建筑垃圾图像为RGB图像，本实施例中，由于在Lab颜色空间中色域宽阔，它弥补了RGB和CMYK两种色彩模式色彩分布不均的不足，为了能够获得显著的颜色特征，将采集得到的RGB图像进行颜色空间的转换，将其转换到Lab颜色空间得到Lab图像，RGB图像转换为Lab色彩空间为现有已知技术，在此不再赘述；
需要说明的是，在Lab图像中，L分量用于表示像素点的亮度，取值范围是[0,100]，表示从纯黑到纯白；a通道值的颜色范围为从红色到绿色的范围，a通道值的取值范围是[127,-128]；b通道值的颜色范围为从黄色到蓝色的范围，b通道值取值范围是[127,-128]。
故，基于Lab图像获取初始连通域，Lab色彩空间对应的Lab图像中，L分量用于表示像素的亮度，而在不同的亮度下，对色彩的感知是不一样的，故，首先需要对在同一L分量下的a分量和b分量进行训练学习，以方便对其进行识别，在这里本实施例采用CNN神经网络对a分量和b分量进行训练学习，更新在不同的L分量下的标准a分量和标准b分量，从而提高色彩，然后，以一个像素点为中心，获取其8邻域大小的滑窗，因为，同一颜色区域内的像素点的像素值是一样的，故，当滑窗内的其他像素点与中心像素点的像素差值较小时，说明其他像素点与中心像素点是属于同一颜色区域的像素点，此时，就将该滑窗作为该颜色区域的目标滑窗，先计算Lab图像中像素点的像素值，在计算时类比RGB图像中根据R、G、B各通道的像素值加权得到RGB图像的灰度值的计算方法，对Lab图像中的a通道值、b通道值进行加权求和得到Lab图像中像素点的像素值，Lab图像中第i个像素点计算公式为：
Ti＝0.5ai+0.5bi
式中，Ti表示第i个像素点的像素值；
ai表示第i个像素点的a通道值；
bi表示第i个像素点的b通道值；
0.5表示a通道值、b通道值的颜色权重，设置颜色权重为0.5是因为a通道值、b通道值的颜色范围是一样的，因此，权重也是一样的，其中，a通道值的颜色范围为从红色到绿色的范围，a通道值的取值范围是[127,-128]；b通道值的颜色范围为从黄色到蓝色的范围，b通道值取值范围是[127,-128]；
然后，根据Lab图像中像素点的像素值计算每个滑窗的像素差值，每个滑窗的像素差值的计算公式为：
Cz＝max[|Tz-Ti|]-min[|Tz-Ti|]
式中，Cz表示中心像素点z对应的滑窗的像素差值；
Tz表示滑窗内的中心像素点z的像素值；
Ti表示滑窗内中心像素点z的第i个邻域像素点的像素值；
max[|Tz-Ti|]表示中心像素点与所有邻域像素点的像素差值中的最大像素差值；
min[|Tz-Ti|]表示中心像素点与所有邻域像素点的像素差值中的最小像素差值；
需要说明的是，滑窗的像素差值的计算公式中，根据滑窗的中心像素点与中心像素点的邻域像素点的像素差值进行比较，当滑窗内像素点的像素值的范围越大时，其最大像素差值与最小像素差值的像素差值就会越大，说明滑窗内的像素点不是同一颜色区域的像素点；当滑窗内像素点的像素值的范围越小时，其最大像素差值与最小像素差值的像素差值就会越小，说明滑窗内的像素点是同一颜色区域的像素点，故本实施例设定滑窗的像素差值阈值为3，本实施例认为当滑窗内的最大像素差值与最小像素差值的像素差值大于3时，则认为此滑窗内的像素点不是同一颜色区域的像素点，当滑窗内的最大像素差值与最小像素差值的像素差值小于或者等于3时，则认为此滑窗内的像素点是同一颜色区域的像素点，同时，将滑窗内的像素点是同一颜色区域的像素点对应的每个滑窗作为目标滑窗，并将每个目标滑窗作为聚类中心，并进行颜色聚类，将属于同一颜色的像素点聚为一类，获得同一颜色的聚类簇，将该聚类簇作为一个初始连通域，最终，会根据Lab图像中色彩的不同分割为多个初始连通域。
虽然对Lab图像进行颜色聚类得到初始连通域，但是每种建筑垃圾的上可能存在其他颜色故，单单根据颜色分类来区分每个建筑垃圾是不准确的，故在根据初始连通域的基础上，需要根据连通域的连续性将属于同一个建筑垃圾的初始连通域进行合并，来准确得到属于同一个建筑垃圾对应的最终连通域。
具体的，在获取最终连通域时，首先获取初始连通域对应的目标滑窗的八邻域的每个邻域方向上像素点的像素值序列，获取每个邻域方向上的像素值序列中每个像素值与其相邻两个像素值的差值，即像素值序列中每个像素值为目标像素值，将目标像素值与其前一个像素值的第一差值，目标像素值的后一个像素值与目标像素值的第二差值，当第二差值远远大于第一差值时，说明目标像素值对应的像素点的像素值出现变化，判断像素值出现变化的过程为：在目标像素值对应的像素点的两侧分别选择一个与最小初始连通域大小相同的目标滑窗，并记为左目标滑窗和右目标滑窗，分别获取左目标滑窗、右目标滑窗内的像素均值，以及左目标滑窗与右目标滑窗对应的像素均值差值，本实施例中，设定像素均值差值的阈值为10，当左目标滑窗与右目标滑窗对应的像素均值差值大于10，则认为左目标滑窗与右目标滑窗对应的像素均值差值的差异大，故认为左目标滑窗与右目标滑窗对应的初始连通域不属于同一建筑垃圾的区域，当左目标滑窗与右目标滑窗对应的像素均值差值小于或者等于10，则认为左目标滑窗与右目标滑窗对应的像素均值差值的差异小，故认为左目标滑窗与右目标滑窗对应的初始连通域属于同一建筑垃圾区域，对属于同一建筑垃圾区域的两个初始连通域进行合并，得到每个建筑垃圾对应的最终连通域。
需要说明的是，根据获得其他邻域方向对应的像素值序列继续进行计算，因为属于同一建筑垃圾区域的两个初始连通域上的像素点虽然会出现像素值的变化，但是只会出现一次变化。而原本就是两个不同的区域，中间会发生两次像素值的变化。因此，继续根据像素值序列中像素值对应的像素点与其相邻像素值的第一差值和第二差值，当某个像素点对应的左目标滑窗与右目标滑窗对应的像素均值再次发生较大的变化时，就认为这两个初始连通域不属于同一个建筑垃圾区域，若只发生了一次变化时，认为这两个连通域为同一建筑垃圾区域，并将其进行合并。按照此方法逐个进行计算，获得每个建筑垃圾对应的最终连通域。
S3、获取每个最终连通域的颜色熵值及边缘凹凸程度；
获取每个最终连通域的颜色熵值；获取最终连通域的相邻两个边缘像素点的斜率，根据每两个相邻边缘像素点的斜率获取每个最终连通域的边缘凹凸程度。
由于，在S2步骤中将同样颜色，且连通域连续的最终连通域，即属于相同材料的区域，即最终连通域内的颜色的变化统一，由于混凝土块、碎石块、砖瓦碎块、废砂浆、泥浆，这类废料的形态各异，即形状往往不规则，而钢筋其为金属材料，废弃钢筋主要是通过切割机切割残留的钢筋头，故其的形状较为规则，在本步骤中，需要获取颜色及边缘形状的特征，以便于对后续的建筑垃圾中的废弃钢筋的识别。
具体的，根据步骤S2获得的最终连通域，获取每个最终连通域的颜色熵值Hi，由于颜色熵值Hi表示的是颜色的混乱程度，在步骤S2中得到的最终连通域都是颜色统一的，但其对应的颜色可能不同，故对应的熵值也是不同的，其中，图像的颜色熵值计算公式为现有技术本实施例不再赘述。
然后，根据最终连通域的边缘来判断最终连通域的垃圾类别，本实施例根据最终连通域的边缘的凹凸程度来判断，当凹凸程度越大，说明最终连通域对应的垃圾的形状越不规则，形状越不规则的垃圾为建筑废料(废砖、混凝土块)的可能程度越大，当凹凸程度越小，说明最终连通域对应的建筑垃圾的形状越规则，形状越规则的建筑垃圾为废弃钢筋的可能程度越大。
具体的，设置一个5X5的滑窗，利用滑窗遍历得到的最终连通域的边缘的每一个像素点，根据滑窗内所有相邻两个边缘像素点的斜率的变化，来判断边缘的凹凸程度，即首先对滑窗建立直角坐标系，根据相邻两个边缘像素点的坐标计算两个相邻边缘像素点之间的斜率ki，然后在所有斜率计算最终连通域的边缘凹凸程度，边缘凹凸程度的计算公式：
式中，J表示最终连通域的边缘凹凸程度；
n表示最终连通域的边缘的斜率的个数；
|ki|表示最终连通域的边缘中的第i个斜率的绝对值；
需要说明的是，最终连通域的边缘中相邻的两个斜率绝对值的和值越大，则反映该处的边缘曲线的变化程度就越大，所有斜率绝对值的和值越大，则就反映整体边缘曲线的变化越大，故以斜率绝对值的和值均值来表征整个体边缘曲线的边缘凹凸程度，边缘凹凸程度越大，则边缘就越不平滑；反之，边缘凹凸程度越小，边缘越平滑。
S4、获取最终连通域对应的特征值；
根据每个最终连通域的边缘凹凸程度及对应的颜色熵值获取最终连通域对应的特征值，具体的，将最终连通域的颜色熵值与边缘凹凸程度的乘积得到最终连通域对应的特征值，其中，计算最终连通域对应的特征值的公式为：
ρi＝Hi×Ji
式中，ρi表示第i个最终连通域对应的特征值；
Hi表示第i个最终连通域的颜色熵值；
Ji表示第i个最终连通域的边缘凹凸程度；
需要说明的是，由于颜色熵值表示每个建筑垃圾对应的最终连通域的颜色特征，而边缘凹凸程度Ji越大，则建筑垃圾的形状也越不规则，因为在建筑垃圾的颜色特征与边缘变化的区别都比较明显，且每种建筑垃圾对应的颜色熵值是固定的，相对来说废弃钢筋的颜色熵值小，且由于废弃钢筋为切割机切割，故其边缘变化也比较小，即边缘的凹凸程度比较小，故，对颜色熵值和边缘凹凸程度的乘积来表征最终连通域对应的特征值，根据得到的特征值依然能够将废弃钢筋从建筑垃圾中给识别出来。
S5、识别建筑垃圾图像中的废弃钢筋；
根据最终连通域对应的特征值与钢筋材料的特征值识别建筑垃圾图像中的废弃钢筋，需要说明的是，基于步骤S4获取最终连通域对应的特征值的方法获取钢筋材料的特征值。
具体的，识别建筑垃圾图像中的废弃钢筋的过程为：获取最终连通域对应的特征值与钢筋材料的特征值的差值，并作为误差值；根据误差值与预设的误差值范围确定建筑垃圾图像中的废弃钢筋，其中，误差值范围为[-0.12,+0.12]，当误差值位于误差值范围[-0.12,+0.12]时，说明最终连通域对应的材料类别与钢筋材料的类别相同，即该步骤S5是根据已知钢筋材料的特征值与待识别的最终连通域对应的特征值进行匹配，从而能提高匹配过程中建筑垃圾的废弃钢筋识别的准确性，避免出现错分的情况，将不同类型的垃圾进行准确的识别，识别之后可采用机械手将废弃钢筋挑选出来，传送带上的其它建筑垃圾进入到粉碎装置中进行粉碎，粉碎后的骨料在预制成吸水砖等新的建筑材料，有效的避免了建筑垃圾直接倾倒造成资源浪费和环境污染的问题。
本发明的一种基于计算机视觉的建筑材料回收方法，由于不同建筑垃圾颜色是不同，故先通过颜色聚类得到不同颜色的建筑垃圾的初始连通域，然后在基于每两个初始连通域的连续性将颜色相同的初始连通域进行合并得到每个建筑垃圾对应的最终连通域，从而实现对同一个垃圾进行准确识别，然后根据最终连通域对应的颜色熵值与边缘凹凸程度来反映最终连通域对应的垃圾的边缘形状及颜色，以实现利用最终连通域对应的颜色熵值与边缘凹凸程度来综合表征最终连通域对应的特征值，最后根据特征值对最终连通域和钢筋材料进行匹配，从而判断每个建筑垃圾对应的最终连通域是否为钢筋材料，从而实现对建筑垃圾图像中的钢筋材料进行精确识别；其次，在初始连通域根据像素点的连续性对初始连通域进行合并得到每个建筑垃圾对应的最终连通域过程中，采用在同一邻域方向上的连续像素点的像素值差值，来判断连续像素点的像素值是否发生变化，从而确定颜色相同的初始连通域的连通性，并进行合并，进而实现对属于同一个垃圾区域的准确识别，进而提高后续对钢筋材料判断的准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于计算机视觉的建筑材料回收方法，其特征在于，包括：
获取传送带上的建筑垃圾图像；
根据建筑垃圾图像中的颜色进行聚类得到多个初始连通域；
根据每两个初始连通域的连续性对初始连通域合并得到每个建筑垃圾对应的最终连通域；
获取每个最终连通域的颜色熵值；
获取最终连通域的相邻两个边缘像素点的斜率，根据每两个相邻边缘像素点的斜率获取每个最终连通域的边缘凹凸程度；
根据每个最终连通域的边缘凹凸程度及对应的颜色熵值获取最终连通域对应的特征值；
根据最终连通域对应的特征值与钢筋材料的特征值识别建筑垃圾图像中的废弃钢筋；将建筑垃圾中的钢筋从传送带上进行筛除，传送带上筛除钢筋后的建筑垃圾进入到废碎装置中进行粉碎回收。
2.根据权利要求1所述的一种基于计算机视觉的建筑材料回收方法，其特征在于，获取多个初始连通域包括：
将建筑垃圾图像转换为Lab图像；
以Lab图像中每个像素点为中心像素点获取滑窗；
获取滑窗的中心像素点与其邻域内像素点的最大像素差值和最小像素差值的差值；
根据差值与差值阈值判断该中心像素点对应的滑窗是否作为中心像素点对应的目标滑窗，并将目标滑窗作为聚类中心；
根据每个聚类中心对Lab图像的颜色进行聚类得到对应的初始连通域。
3.根据权利要求2所述的一种基于计算机视觉的建筑材料回收方法，其特征在于，得到每个建筑垃圾对应的最终连通域包括：
获取每个初始连通域内的目标滑窗的每个邻域方向上像素点的像素值序列；
分别获取像素值序列中的每个像素值与其相邻两个像素值的差值；
当两个差值的差值绝对值大于预设阈值时，则分别选择该像素点沿其在的目标滑窗对应的邻域方向上的两侧选取与该像素点对应的距离最近的目标初始连通域；
获取两个目标初始连通域对应的目标滑窗的像素均值差值；
根据两个像素均值差值与预设的像素均值差值的阈值判断是否将两个初始连通域合并，将合并后的连通域作为每个建筑垃圾对应的最终连通域。
4.根据权利要求1所述的一种基于计算机视觉的建筑材料回收方法，其特征在于，获取最终连通域对应的特征值包括：
将最终连通域的颜色熵值与边缘凹凸程度的乘积得到最终连通域对应的特征值。
5.根据权利要求1所述的一种基于计算机视觉的建筑材料回收方法，其特征在于，获取每个最终连通域的边缘凹凸程度包括：
获取最终连通域的每两个相邻边缘像素点的斜率的绝对值；
对所有斜率的绝对值求和并求均值，将均值作为最终连通域的边缘凹凸程度。
6.根据权利要求1所述的一种基于计算机视觉的建筑材料回收方法，其特征在于，利用获取最终连通域对应的特征值的方法获取钢筋材料的特征值。
7.根据权利要求1所述的一种基于计算机视觉的建筑材料回收方法，其特征在于，识别建筑垃圾图像中的废弃钢筋包括：
获取最终连通域对应的特征值与钢筋材料的特征值的差值，并作为误差值；
根据误差值与预设的误差值范围确定建筑垃圾图像中的废弃钢筋。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310375697.XA CN116453030A (zh) | 2023-04-07 | 2023-04-07 | 一种基于计算机视觉的建筑材料回收方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310375697.XA CN116453030A (zh) | 2023-04-07 | 2023-04-07 | 一种基于计算机视觉的建筑材料回收方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116453030A true CN116453030A (zh) | 2023-07-18 |
Family
ID=87129610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310375697.XA Pending CN116453030A (zh) | 2023-04-07 | 2023-04-07 | 一种基于计算机视觉的建筑材料回收方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116453030A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208023A (zh) * | 2011-01-23 | 2011-10-05 | 浙江大学 | 基于边缘信息和分布熵的视频字幕识别设计方法 |
| CN111507344A (zh) * | 2019-01-30 | 2020-08-07 | 北京奇虎科技有限公司 | 从图像中识别出文字的方法和装置 |
| WO2022033095A1 (zh) * | 2020-08-14 | 2022-02-17 | 中国银联股份有限公司 | 一种文本区域的定位方法及装置 |
-
2023
- 2023-04-07 CN CN202310375697.XA patent/CN116453030A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208023A (zh) * | 2011-01-23 | 2011-10-05 | 浙江大学 | 基于边缘信息和分布熵的视频字幕识别设计方法 |
| CN111507344A (zh) * | 2019-01-30 | 2020-08-07 | 北京奇虎科技有限公司 | 从图像中识别出文字的方法和装置 |
| WO2022033095A1 (zh) * | 2020-08-14 | 2022-02-17 | 中国银联股份有限公司 | 一种文本区域的定位方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| HONG-YING YANG ET AL.: "LS-SVM-based image segmentation using pixel color-texture descriptors", 《THEORETICAL ADVANCES》, 30 September 2012 (2012-09-30), pages 341 - 359 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047555B (zh) | 基于图像处理技术的矿石图像粒度检测算法 | |
| CN109753890B (zh) | 一种路面垃圾物智能识别与感知方法及其实现装置 | |
| CN110197203B (zh) | 基于宽度学习神经网络的桥梁路面裂缝分类识别方法 | |
| CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
| CN108596873A (zh) | 基于高度直方图分割的耐火砖深度缺陷的识别方法 | |
| CN109410205B (zh) | 一种复杂路面背景下的裂缝提取方法 | |
| CN108470173B (zh) | 一种矿石颗粒的分割方法 | |
| CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
| CN101051351A (zh) | 一种图像带参二值化方法及采用该方法的装置 | |
| CN117036341A (zh) | 一种基于图像处理的路面裂缝检测方法 | |
| CN107784646A (zh) | 一种路用集料的自适应检测方法 | |
| CN111915509A (zh) | 基于图像处理去阴影优化的保护压板状态辨识方法 | |
| CN115890915A (zh) | 一种混凝土搅拌过程图像识别方法 | |
| CN109146853B (zh) | 基于his不同光学特性的桥梁麻面缺陷检测方法 | |
| CN106815602B (zh) | 一种基于多层次特征描述的跑道fod图像探测方法及装置 | |
| CN116453030A (zh) | 一种基于计算机视觉的建筑材料回收方法 | |
| Akkoyun | An evaluation of image processing methods applied to marble quality classification | |
| CN110443166A (zh) | 一种雾霾天气的车牌识别方法 | |
| CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
| CN116029941B (zh) | 一种建筑垃圾的视觉图像增强处理方法 | |
| CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
| Sharma et al. | Crack detection in concrete using transfer learning | |
| CN115591643A (zh) | 一种硅棒的料性识别和区分方法、控制装置及控制系统 | |
| Li et al. | A model for segmentation and distress statistic of massive pavement images based on multi-scale strategies | |
| CN113487643B (zh) | 一种胶结砂砾石料场采样确定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: No. 100, Kexue Avenue, high tech Development Zone, Zhengzhou City, Henan Province Applicant after: Zhengzhou University Applicant after: ZHENGZHOU University OF TECHNOLOGY Address before: 450000 No. 18 Yingcai Street, Huiji District, Zhengzhou City, Henan Province Applicant before: ZHENGZHOU University OF TECHNOLOGY Applicant before: Zhengzhou University |
|
| CB02 | Change of applicant information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Qiao Peiming Inventor after: Sun Gangzhu Inventor after: Wang Zhe Inventor after: Li Huifeng Inventor before: Wang Zhe Inventor before: Qiao Peiming Inventor before: Sun Gangzhu Inventor before: Li Huifeng |
|
| CB03 | Change of inventor or designer information |