CN116503804A - 基于图像处理的粗集料形态特征获取方法和系统 - Google Patents
基于图像处理的粗集料形态特征获取方法和系统 Download PDFInfo
- Publication number
- CN116503804A CN116503804A CN202310475801.2A CN202310475801A CN116503804A CN 116503804 A CN116503804 A CN 116503804A CN 202310475801 A CN202310475801 A CN 202310475801A CN 116503804 A CN116503804 A CN 116503804A
- Authority
- CN
- China
- Prior art keywords
- coarse aggregate
- image
- acquisition
- pixel
- information
- 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.)
- Granted
Links
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012797 qualification Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000008030 elimination Effects 0.000 claims description 13
- 238000003379 elimination reaction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 239000004575 stone Substances 0.000 description 4
- 239000002893 slag Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- -1 gravels Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005065 mining Methods 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Processing (AREA)
Abstract
本发明提供基于图像处理的粗集料形态特征获取方法和系统,其生成关于粗集料采集现场的粗集料采集批次记录,便于对粗集料采集过程进行区分标定;再对特定采集批次的粗集料样本进行图像分析,以此对所有粗集料元素划分为若干粗集料集合,并对每个粗集料集合进行图像识别,得到对应的形态分布信息,以此对粗集料进行合格性的判断,其采用图像分析识别方式在短时间内对粗集料进行批量的形态确定,降低粗集料形态识别的工作量和识别繁琐性,提高粗集料形态识别的便捷性和可信度。
Description
技术领域
本发明涉及图像识别处理的技术领域,特别涉及基于图像处理的粗集料形态特征获取方法和系统。
背景技术
在石矿开采过程中会产生相当数量的碎石、砾石和矿渣等粗集料。为了提高资源的利用效率,会将这些粗集料用作建筑材料,从而用于道路铺设等不同建筑场合。粗集料的几何形状和尺寸大小会直接影响其强度和韧性,决定粗集料能否应用在特定的建筑场合。其中粗集料的扁平率,即粗集料的最短轴长度与最长轴长度之间比值,与粗集料的强度和韧性具有较大的关联性。通过确定粗集料的扁平率分布情况,能够预测出其强度和韧性的大小,从而为确定粗集料适用的建筑场合提供可靠的依据。目前对于粗集料形态特征的检测都是通过规准仪法或游标卡尺法来实现的,上述两种方式都需要对大量粗集料进行人工检测,不仅检测工作量大和检测过程繁琐,并且还存在较大的检测误差,无法提高粗集料形态检测的便捷性和可信度。
发明内容
针对现有技术存在的缺陷,本发明提供基于图像处理的粗集料形态特征获取方法和系统,其对粗集料采集现场进行标定,确定粗集料采集批次记录;对相应粗集料采集批次的样本的粗集料图像进行分析,得到粗集料的像素轮廓特征信息,以此将粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;根据所有粗集料集合的形态特征信息,生成当前粗集料采集批次对应的样本的形态分布信息,判断当前粗集料采集批次对应的样本的合格性,其生成关于粗集料采集现场的粗集料采集批次记录,便于对粗集料采集过程进行区分标定;再对特定采集批次的粗集料样本进行图像分析,以此对所有粗集料元素划分为若干粗集料集合,并对每个粗集料集合进行图像识别,得到对应的形态分布信息,以此对粗集料进行合格性的判断,其采用图像分析识别方式在短时间内对粗集料进行批量的形态确定,降低粗集料形态识别的工作量和识别繁琐性,提高粗集料形态识别的便捷性和可信度。
本发明提供基于图像处理的粗集料形态特征获取方法,包括如下步骤:
步骤S1,对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;基于所述实时位置信息,确定粗集料采集批次记录;
步骤S2,获取相应粗集料采集批次对应的样本的粗集料图像,对所述粗集料图像进行预处理后,从所述粗集料图像中提取得到相应的像素轮廓特征信息;根据所述像素轮廓特征信息,将所述粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;
步骤S3,获取每个粗集料集合在所述粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;根据所述形态分布信息,判断当前粗集料采集批次对应的样本的合格性。
进一步,在所述步骤S1中,对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;基于所述实时位置信息,确定粗集料采集批次记录,包括:
拍摄粗集料采集现场的全景影像,从所述全景影像中提取得到影像画面的像素纹理分布信息;根据所述像素纹理分布信息,对所述全景影像进行画面分割处理,从而得到若干子画面区域;其中,不同子画面区域具有不同的像素纹理特征;
根据每个子画面区域的区域边界位置信息,确定每个子画面区域在粗集料采集现场对应的现场子区域;确定当前粗集料采集作业对应的实时位置所在的现场子区域,并将所述现场子区域的几何中心坐标位置作为当前粗集料采集作业对应的实施位置信息;
构建当前粗集料采集作业的实施时间信息与实施位置信息之间的一一对应的粗集料采集批次记录。
进一步,在所述步骤S1中,拍摄粗集料采集现场的全景影像,包括:
所述全景影像的采集是通过拍摄装置对粗集料采集现场进行多次不同程度的曝光进行拍摄的,然后将多次不同程度的曝光拍摄到的全景影像进行综合汇总,得到最终的全景影像,其过程为:
步骤S101,利用下面公式(1),根据多次不同程度的曝光拍摄到的全景影像中的像素点进行分析,将曝光后影像像素不分明的全景影像进行剔除,
(1)
在上述公式(1)中,表示第次不同程度的曝光拍摄到的全景影像的第一控
制剔除值;表示第次不同程度的曝光拍摄到的全景影像的影像矩阵中第行第
列位置的像素值;表示所述全景影像的影像矩阵中任意一列的像素点个数;表示所述
全景影像的影像矩阵中任意一行的像素点个数;表示将的值从1取值到,
将的值从1取值到代入到括号内得到括号内的最大值;表示将的值从1
取值到,将的值从1取值到代入到括号内得到括号内的最小值;均表
示公式的运算中间量;
若,则将第/>次不同程度的曝光拍摄到的全景影像进行剔除;
若,则将第/>次不同程度的曝光拍摄到的全景影像进行保留;
将所有不同程度的曝光拍摄到的全景影像均进行上述步骤S101的运算和控制,将保留下来的所有全景影像记作,其中/>表示一次剔除后的第b个全景影像的像素矩阵;
步骤S102:利用下面公式(2),对剔除不分明的全景影像后剩余的全景影像进行像素分布比对,将剩余的全景影像中像素分布偏离较大的全景影像进行剔除,
(2)
在上述公式(2)中,表示一次剔除后的第b个全景影像的第二控制剔除值;表示一次剔除后的第b个全景影像的像素矩阵中第/>行第/>列位置的像素值;表示一次剔除后的第/>个全景影像的像素矩阵中第/>行第/>列位置的像素值;/>表示一次剔除后保留的全景影像的总个数;
若,则将一次剔除后的第b个全景影像进行剔除;
若,则将一次剔除后的第b个全景影像进行保留;
将所有一次剔除后保留的全景影像均进行上述步骤S102的运算和控制,将再次保留下来的所有全景影像记作,其中/>表示二次剔除后的第e个全景影像的像素矩阵;
步骤S103,利用下面公式(3),根据对剩余的全景影像进行像素整合,得到最终的全景影像,
(3)
在上述公式(3)中,表示最终的全景影像的像素矩阵中第/>行第/>列位置的像素值;K表示二次剔除后保留的所有全景影像的总个数;/>表示二次剔除后的第e个全景影像的像素矩阵中第/>行第/>列位置的像素值。
进一步,在所述步骤S2中,获取相应粗集料采集批次对应的样本的粗集料图像,对所述粗集料图像进行预处理后,从所述粗集料图像中提取得到相应的像素轮廓特征信息;根据所述像素轮廓特征信息,将所述粗集料图像中存在的所有粗集料元素划分为若干粗集料集合,包括:
对相应粗集料采集批次对应的样本进行双目拍摄,得到双目粗集料图像;根据所述双目粗集料图像的双目视差,得到三维粗集料图像;
对所述三维粗集料图像进行像素灰度化转换处理和背景噪声滤波处理;
从所述三维粗集料图像中提取得到每个粗集料元素的像素轮廓特征信息;其中,所述像素轮廓特征信息包括粗集料元素在三维空间的三个相互垂直平面上各自的最大轮廓尺寸信息;
根据所述像素轮廓特征信息,估计每个粗集料元素在三维空间上的体积值;
根据所述体积值,将所述三维粗集料图像中存在的所有粗集料元素划分为分别对应于不同体积值范围的若干粗集料集合。
进一步,在所述步骤S3中,获取每个粗集料集合在所述粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;根据所述形态分布信息,判断当前粗集料采集批次对应的样本的合格性,包括:
根据每个粗集料集合包含的每个粗集料元素在所述三维粗集料图像中的最长长轴尺寸和最短短轴尺寸,得到每个粗集料元素的扁平率;
根据满足预设扁平率数值条件的粗集料集合的数量,得到当前粗集料采集批次对应的样本中满足预设扁平率数值条件的粗集料集合的数量与样本粗集料总数量的比值,以此作为所述形态分布信息;
若所述比值大于或等于预设阈值,则确定当前粗集料采集批次对应的样本为合格样本;否则,确定当前粗集料采集批次对应的样本为不合格样本。
本发明还提供基于图像处理的粗集料形态特征获取系统,包括:
粗集料采集现场标定模块,用于对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;
粗集料采集批次确定模块,用于基于所述实时位置信息,确定粗集料采集批次记录;
粗集料样本图像采集与处理模块,用于获取相应粗集料采集批次对应的样本的粗集料图像,对所述粗集料图像进行预处理后,从所述粗集料图像中提取得到相应的像素轮廓特征信息;
粗集料集合识别模块,用于根据所述像素轮廓特征信息,将所述粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;
粗集料形态特征确定模块,用于获取每个粗集料集合在所述粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;
粗集料样本判断模块,用于根据所述形态分布信息,判断当前粗集料采集批次对应的样本的合格性。
进一步,所述粗集料采集现场标定模块用于对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息,包括:
拍摄粗集料采集现场的全景影像,从所述全景影像中提取得到影像画面的像素纹理分布信息;根据所述像素纹理分布信息,对所述全景影像进行画面分割处理,从而得到若干子画面区域;其中,不同子画面区域具有不同的像素纹理特征;
根据每个子画面区域的区域边界位置信息,确定每个子画面区域在粗集料采集现场对应的现场子区域;确定当前粗集料采集作业对应的实时位置所在的现场子区域,并将所述现场子区域的几何中心坐标位置作为当前粗集料采集作业对应的实施位置信息;
所述粗集料采集批次确定模块用于基于所述实时位置信息,确定粗集料采集批次记录,包括:
构建当前粗集料采集作业的实施时间信息与实施位置信息之间的一一对应的粗集料采集批次记录。
进一步,所述粗集料样本图像采集与处理模块用于获取相应粗集料采集批次对应的样本的粗集料图像,对所述粗集料图像进行预处理后,从所述粗集料图像中提取得到相应的像素轮廓特征信息,包括:
对相应粗集料采集批次对应的样本进行双目拍摄,得到双目粗集料图像;根据所述双目粗集料图像的双目视差,得到三维粗集料图像;
对所述三维粗集料图像进行像素灰度化转换处理和背景噪声滤波处理;
从所述三维粗集料图像中提取得到每个粗集料元素的像素轮廓特征信息;其中,所述像素轮廓特征信息包括粗集料元素在三维空间的三个相互垂直平面上各自的最大轮廓尺寸信息;
粗集料集合识别模块用于根据所述像素轮廓特征信息,将所述粗集料图像中存在的所有粗集料元素划分为若干粗集料集合,包括:
根据所述像素轮廓特征信息,估计每个粗集料元素在三维空间上的体积值;
根据所述体积值,将所述三维粗集料图像中存在的所有粗集料元素划分为分别对应于不同体积值范围的若干粗集料集合。
进一步,所述粗集料形态特征确定模块用于获取每个粗集料集合在所述粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息,包括:
根据每个粗集料集合包含的每个粗集料元素在所述三维粗集料图像中的最长长轴尺寸和最短短轴尺寸,得到每个粗集料元素的扁平率;
根据满足预设扁平率数值条件的粗集料集合的数量,得到当前粗集料采集批次对应的样本中满足预设扁平率数值条件的粗集料集合的数量与样本粗集料总数量的比值,以此作为所述形态分布信息;
所述粗集料样本判断模块用于根据所述形态分布信息,判断当前粗集料采集批次对应的样本的合格性,包括:
若所述比值大于或等于预设阈值,则确定当前粗集料采集批次对应的样本为合格样本;否则,确定当前粗集料采集批次对应的样本为不合格样本。
相比于现有技术,该基于图像处理的粗集料形态特征获取方法对粗集料采集现场进行标定,确定粗集料采集批次记录;对相应粗集料采集批次的样本的粗集料图像进行分析,得到粗集料的像素轮廓特征信息,以此将粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;根据所有粗集料集合的形态特征信息,生成当前粗集料采集批次对应的样本的形态分布信息,判断当前粗集料采集批次对应的样本的合格性,其生成关于粗集料采集现场的粗集料采集批次记录,便于对粗集料采集过程进行区分标定;再对特定采集批次的粗集料样本进行图像分析,以此对所有粗集料元素划分为若干粗集料集合,并对每个粗集料集合进行图像识别,得到对应的形态分布信息,以此对粗集料进行合格性的判断,其采用图像分析识别方式在短时间内对粗集料进行批量的形态确定,降低粗集料形态识别的工作量和识别繁琐性,提高粗集料形态识别的便捷性和可信度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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,对于本领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为本发明提供的基于图像处理的粗集料形态特征获取方法的流程示意图。
图2为本发明提供的基于图像处理的粗集料形态特征获取系统的结构示意图。
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,本领域普通技术人员在没有作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。
参阅图1,为本发明实施例提供的基于图像处理的粗集料形态特征获取方法的流程示意图。该基于图像处理的粗集料形态特征获取方法包括如下步骤:
步骤S1,对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;基于该实时位置信息,确定粗集料采集批次记录;
步骤S2,获取相应粗集料采集批次对应的样本的粗集料图像,对该粗集料图像进行预处理后,从该粗集料图像中提取得到相应的像素轮廓特征信息;根据该像素轮廓特征信息,将该粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;
步骤S3,获取每个粗集料集合在该粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;根据该形态分布信息,判断当前粗集料采集批次对应的样本的合格性。
上述技术方案的有益效果为:该基于图像处理的粗集料形态特征获取方法对粗集料采集现场进行标定,确定粗集料采集批次记录;对相应粗集料采集批次的样本的粗集料图像进行分析,得到粗集料的像素轮廓特征信息,以此将粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;根据所有粗集料集合的形态特征信息,生成当前粗集料采集批次对应的样本的形态分布信息,判断当前粗集料采集批次对应的样本的合格性,其生成关于粗集料采集现场的粗集料采集批次记录,便于对粗集料采集过程进行区分标定;再对特定采集批次的粗集料样本进行图像分析,以此对所有粗集料元素划分为若干粗集料集合,并对每个粗集料集合进行图像识别,得到对应的形态分布信息,以此对粗集料进行合格性的判断,其采用图像分析识别方式在短时间内对粗集料进行批量的形态确定,降低粗集料形态识别的工作量和识别繁琐性,提高粗集料形态识别的便捷性和可信度。
优选地,在该步骤S1中,对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;基于该实时位置信息,确定粗集料采集批次记录,包括:
拍摄粗集料采集现场的全景影像,从该全景影像中提取得到影像画面的像素纹理分布信息;根据该像素纹理分布信息,对该全景影像进行画面分割处理,从而得到若干子画面区域;其中,不同子画面区域具有不同的像素纹理特征;
根据每个子画面区域的区域边界位置信息,确定每个子画面区域在粗集料采集现场对应的现场子区域;确定当前粗集料采集作业对应的实时位置所在的现场子区域,并将该现场子区域的几何中心坐标位置作为当前粗集料采集作业对应的实施位置信息;
构建当前粗集料采集作业的实施时间信息与实施位置信息之间的一一对应的粗集料采集批次记录。
上述技术方案的有益效果为:在实际工作中,先对粗集料采集现场进行扫描拍摄,得到相应的全景影像。该全景影像包含整个粗集料采集现场的环境信息。粗集料采集现场分布有不同形状大小的粗集料元素,其中该粗集料元素可包括但不限于是碎石、砾石和矿渣等,当粗集料元素的形状和大小不同时,其在全景影像的画面上所呈现的像素纹理特征也相应不同,从全景影像中提取得到影像画面的像素纹理分布信息,再根据像素纹理分布信息,对该全景影像进行画面分割处理,从而得到若干子画面区域,这样保证每个子画面区域中的粗集料元素的形状和大小较为一致,便于后续对每个子画面区域在粗集料采集现场对应的现场子区域进行区分标定,保证对当前粗集料采集作业的实施位置进行识别区别,构建当前粗集料采集作业的实施时间信息与实施位置信息之间的一一对应的粗集料采集批次记录,使得后续能够对不同形态特征的粗集料来源地进行追溯。
优选地,在该步骤S1中,拍摄粗集料采集现场的全景影像,包括:
该全景影像的采集是通过拍摄装置对粗集料采集现场进行多次不同程度的曝光进行拍摄的,然后将多次不同程度的曝光拍摄到的全景影像进行综合汇总,得到最终的全景影像,其过程为:
步骤S101,利用下面公式(1),根据多次不同程度的曝光拍摄到的全景影像中的像素点进行分析,将曝光后影像像素不分明的全景影像进行剔除,
(1)
在上述公式(1)中,表示第次不同程度的曝光拍摄到的全景影像的第一控
制剔除值;表示第次不同程度的曝光拍摄到的全景影像的影像矩阵中第行第
列位置的像素值;表示所述全景影像的影像矩阵中任意一列的像素点个数;表示所述
全景影像的影像矩阵中任意一行的像素点个数;表示将的值从1取值到,
将的值从1取值到代入到括号内得到括号内的最大值;表示将的值从1
取值到,将的值从1取值到代入到括号内得到括号内的最小值;均表
示公式的运算中间量;
若,则将第/>次不同程度的曝光拍摄到的全景影像进行剔除;
若,则将第/>次不同程度的曝光拍摄到的全景影像进行保留;
将所有不同程度的曝光拍摄到的全景影像均进行上述步骤S101的运算和控制,将保留下来的所有全景影像记作,其中/>表示一次剔除后的第b个全景影像的像素矩阵;
步骤S102:利用下面公式(2),对剔除不分明的全景影像后剩余的全景影像进行像素分布比对,将剩余的全景影像中像素分布偏离较大的全景影像进行剔除,
(2)
在上述公式(2)中,表示一次剔除后的第b个全景影像的第二控制剔除值;表示一次剔除后的第b个全景影像的像素矩阵中第/>行第/>列位置的像素值;表示一次剔除后的第/>个全景影像的像素矩阵中第/>行第/>列位置的像素值;/>表示一次剔除后保留的全景影像的总个数;
若,则将一次剔除后的第b个全景影像进行剔除;
若,则将一次剔除后的第b个全景影像进行保留;
将所有一次剔除后保留的全景影像均进行上述步骤S102的运算和控制,将再次保留下来的所有全景影像记作,其中/>表示二次剔除后的第e个全景影像的像素矩阵;
步骤S103,利用下面公式(3),根据对剩余的全景影像进行像素整合,得到最终的全景影像,
(3)
在上述公式(3)中,表示最终的全景影像的像素矩阵中第/>行第/>列位置的像素值;K表示二次剔除后保留的所有全景影像的总个数;/>表示二次剔除后的第e个全景影像的像素矩阵中第/>行第/>列位置的像素值。
上述技术方案的有益效果为:利用上述公式(1),根据多次不同程度的曝光拍摄到的全景影像中的像素点进行分析,将曝光后影像像素不分明的全景影像进行剔除,从而将曝光程度不够和曝光程度较高的影像进行优先剔除,确保后续影像曝光质量的可靠;然后利用上述公式(2),对剔除不分明的全景影像后剩余的全景影像进行像素分布比对,将剩余的全景影像中像素分布偏离较大的全景影像进行剔除,从而将影像拍花了或者抖动拍摄到的影像进行剔除,确保后续影像像素质量的可靠;最后利用上述公式(3),根据对剩余的全景影像进行像素整合,得到最终的全景影像,从而综合多个不同曝光程度的全景影像使得最终得到的全景影像的质量更优,像素点更清晰,便于后续的进一步分析。
优选地,在该步骤S2中,获取相应粗集料采集批次对应的样本的粗集料图像,对该粗集料图像进行预处理后,从该粗集料图像中提取得到相应的像素轮廓特征信息;根据该像素轮廓特征信息,将该粗集料图像中存在的所有粗集料元素划分为若干粗集料集合,包括:
对相应粗集料采集批次对应的样本进行双目拍摄,得到双目粗集料图像;根据该双目粗集料图像的双目视差,得到三维粗集料图像;
对该三维粗集料图像进行像素灰度化转换处理和背景噪声滤波处理;
从该三维粗集料图像中提取得到每个粗集料元素的像素轮廓特征信息;其中,该像素轮廓特征信息包括粗集料元素在三维空间的三个相互垂直平面上各自的最大轮廓尺寸信息;
根据该像素轮廓特征信息,估计每个粗集料元素在三维空间上的体积值;
根据该体积值,将该三维粗集料图像中存在的所有粗集料元素划分为分别对应于不同体积值范围的若干粗集料集合。
上述技术方案的有益效果为:通过上述方式,对特定粗集料采集批次的样本进行双目拍摄,生成相应的三维粗集料图像。再从三维粗集料图像中提取得到每个粗集料元素的像素轮廓特征信息,这样能够对粗集料元素进行批量化的识别,最大限度增加粗集料元素的轮廓数据,保证粗集料元素轮廓外形的表征准确性。此外,以每个粗集料元素在三维空间上的像素轮廓特征信息为基准,估计每个粗集料元素的体积值,便于对所有粗集料元素进行分组,得到对应于不同体积值范围的若干粗集料集合,提高后续对不同粗集料集合进行形态特征识别的准确性。
优选地,在该步骤S3中,获取每个粗集料集合在该粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;根据该形态分布信息,判断当前粗集料采集批次对应的样本的合格性,包括:
根据每个粗集料集合包含的每个粗集料元素在该三维粗集料图像中的最长长轴尺寸和最短短轴尺寸,得到每个粗集料元素的扁平率;
根据满足预设扁平率数值条件的粗集料集合的数量,得到当前粗集料采集批次对应的样本中满足预设扁平率数值条件的粗集料集合的数量与样本粗集料总数量的比值,以此作为该形态分布信息;
若该比值大于或等于预设阈值,则确定当前粗集料采集批次对应的样本为合格样本;否则,确定当前粗集料采集批次对应的样本为不合格样本。
上述技术方案的有益效果为:通过上述方式,对每个粗集料集合包含的所有粗集料元素各自的扁平率进行计算确定(扁平率=最短短轴尺寸/最长长轴尺寸),从而对每个粗集料集合中满足预设扁平率数值条件的粗集料元素数量占比进行确定;其中,该预设扁平率数值条件可为但不限于是粗集料元素数量占比大于或等于预设占比阈值,这样对每个粗集料集合进行标定。再将当前粗集料采集批次对应的样本中满足预设扁平率数值条件的粗集料集合的数量与样本粗集料总数量的比值进行对比,从而确定当前粗集料采集批次对应的样本是否属于合格样本,以此对样本的质量优劣进行确定。
参阅图2,为本发明实施例提供的基于图像处理的粗集料形态特征获取系统的结构示意图。该基于图像处理的粗集料形态特征获取系统包括:
粗集料采集现场标定模块,用于对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;
粗集料采集批次确定模块,用于基于该实时位置信息,确定粗集料采集批次记录;
粗集料样本图像采集与处理模块,用于获取相应粗集料采集批次对应的样本的粗集料图像,对该粗集料图像进行预处理后,从该粗集料图像中提取得到相应的像素轮廓特征信息;
粗集料集合识别模块,用于根据该像素轮廓特征信息,将该粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;
粗集料形态特征确定模块,用于获取每个粗集料集合在该粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;
粗集料样本判断模块,用于根据该形态分布信息,判断当前粗集料采集批次对应的样本的合格性。
上述技术方案的有益效果为:该基于图像处理的粗集料形态特征获取系统对粗集料采集现场进行标定,确定粗集料采集批次记录;对相应粗集料采集批次的样本的粗集料图像进行分析,得到粗集料的像素轮廓特征信息,以此将粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;根据所有粗集料集合的形态特征信息,生成当前粗集料采集批次对应的样本的形态分布信息,判断当前粗集料采集批次对应的样本的合格性,其生成关于粗集料采集现场的粗集料采集批次记录,便于对粗集料采集过程进行区分标定;再对特定采集批次的粗集料样本进行图像分析,以此对所有粗集料元素划分为若干粗集料集合,并对每个粗集料集合进行图像识别,得到对应的形态分布信息,以此对粗集料进行合格性的判断,其采用图像分析识别方式在短时间内对粗集料进行批量的形态确定,降低粗集料形态识别的工作量和识别繁琐性,提高粗集料形态识别的便捷性和可信度。
优选地,该粗集料采集现场标定模块用于对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息,包括:
拍摄粗集料采集现场的全景影像,从该全景影像中提取得到影像画面的像素纹理分布信息;根据该像素纹理分布信息,对该全景影像进行画面分割处理,从而得到若干子画面区域;其中,不同子画面区域具有不同的像素纹理特征;
根据每个子画面区域的区域边界位置信息,确定每个子画面区域在粗集料采集现场对应的现场子区域;确定当前粗集料采集作业对应的实时位置所在的现场子区域,并将该现场子区域的几何中心坐标位置作为当前粗集料采集作业对应的实施位置信息;
该粗集料采集批次确定模块用于基于该实时位置信息,确定粗集料采集批次记录,包括:
构建当前粗集料采集作业的实施时间信息与实施位置信息之间的一一对应的粗集料采集批次记录。
上述技术方案的有益效果为:在实际工作中,先对粗集料采集现场进行扫描拍摄,得到相应的全景影像。该全景影像包含整个粗集料采集现场的环境信息。粗集料采集现场分布有不同形状大小的粗集料元素,其中该粗集料元素可包括但不限于是碎石、砾石和矿渣等,当粗集料元素的形状和大小不同时,其在全景影像的画面上所呈现的像素纹理特征也相应不同,从全景影像中提取得到影像画面的像素纹理分布信息,再根据像素纹理分布信息,对该全景影像进行画面分割处理,从而得到若干子画面区域,这样保证每个子画面区域中的粗集料元素的形状和大小较为一致,便于后续对每个子画面区域在粗集料采集现场对应的现场子区域进行区分标定,保证对当前粗集料采集作业的实施位置进行识别区别,构建当前粗集料采集作业的实施时间信息与实施位置信息之间的一一对应的粗集料采集批次记录,使得后续能够对不同形态特征的粗集料来源地进行追溯。
优选地,该粗集料样本图像采集与处理模块用于获取相应粗集料采集批次对应的样本的粗集料图像,对该粗集料图像进行预处理后,从该粗集料图像中提取得到相应的像素轮廓特征信息,包括:
对相应粗集料采集批次对应的样本进行双目拍摄,得到双目粗集料图像;根据该双目粗集料图像的双目视差,得到三维粗集料图像;
对该三维粗集料图像进行像素灰度化转换处理和背景噪声滤波处理;
从该三维粗集料图像中提取得到每个粗集料元素的像素轮廓特征信息;其中,该像素轮廓特征信息包括粗集料元素在三维空间的三个相互垂直平面上各自的最大轮廓尺寸信息;
粗集料集合识别模块用于根据该像素轮廓特征信息,将该粗集料图像中存在的所有粗集料元素划分为若干粗集料集合,包括:
根据该像素轮廓特征信息,估计每个粗集料元素在三维空间上的体积值;
根据该体积值,将该三维粗集料图像中存在的所有粗集料元素划分为分别对应于不同体积值范围的若干粗集料集合。
上述技术方案的有益效果为:通过上述方式,对特定粗集料采集批次的样本进行双目拍摄,生成相应的三维粗集料图像。再从三维粗集料图像中提取得到每个粗集料元素的像素轮廓特征信息,这样能够对粗集料元素进行批量化的识别,最大限度增加粗集料元素的轮廓数据,保证粗集料元素轮廓外形的表征准确性。此外,以每个粗集料元素在三维空间上的像素轮廓特征信息为基准,估计每个粗集料元素的体积值,便于对所有粗集料元素进行分组,得到对应于不同体积值范围的若干粗集料集合,提高后续对不同粗集料集合进行形态特征识别的准确性。
优选地,该粗集料形态特征确定模块用于获取每个粗集料集合在该粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息,包括:
根据每个粗集料集合包含的每个粗集料元素在该三维粗集料图像中的最长长轴尺寸和最短短轴尺寸,得到每个粗集料元素的扁平率;
根据满足预设扁平率数值条件的粗集料集合的数量,得到当前粗集料采集批次对应的样本中满足预设扁平率数值条件的粗集料集合的数量与样本粗集料总数量的比值,以此作为该形态分布信息;
该粗集料样本判断模块用于根据该形态分布信息,判断当前粗集料采集批次对应的样本的合格性,包括:
若该比值大于或等于预设阈值,则确定当前粗集料采集批次对应的样本为合格样本;否则,确定当前粗集料采集批次对应的样本为不合格样本。
上述技术方案的有益效果为:通过上述方式,对每个粗集料集合包含的所有粗集料元素各自的扁平率进行计算确定(扁平率=最短短轴尺寸/最长长轴尺寸),从而对每个粗集料集合中满足预设扁平率数值条件的粗集料元素数量占比进行确定;其中,该预设扁平率数值条件可为但不限于是粗集料元素数量占比大于或等于预设占比阈值,这样对每个粗集料集合进行标定。再将当前粗集料采集批次对应的样本中满足预设扁平率数值条件的粗集料集合的数量与样本粗集料总数量的比值进行对比,从而确定当前粗集料采集批次对应的样本是否属于合格样本,以此对样本的质量优劣进行确定。
从上述实施例的内容可知,该基于图像处理的粗集料形态特征获取方法和系统对粗集料采集现场进行标定,确定粗集料采集批次记录;对相应粗集料采集批次的样本的粗集料图像进行分析,得到粗集料的像素轮廓特征信息,以此将粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;根据所有粗集料集合的形态特征信息,生成当前粗集料采集批次对应的样本的形态分布信息,判断当前粗集料采集批次对应的样本的合格性,其生成关于粗集料采集现场的粗集料采集批次记录,便于对粗集料采集过程进行区分标定;再对特定采集批次的粗集料样本进行图像分析,以此对所有粗集料元素划分为若干粗集料集合,并对每个粗集料集合进行图像识别,得到对应的形态分布信息,以此对粗集料进行合格性的判断,其采用图像分析识别方式在短时间内对粗集料进行批量的形态确定,降低粗集料形态识别的工作量和识别繁琐性,提高粗集料形态识别的便捷性和可信度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.基于图像处理的粗集料形态特征获取方法,其特征在于,包括如下步骤:
步骤S1,对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;基于所述实时位置信息,确定粗集料采集批次记录;
步骤S2,获取相应粗集料采集批次对应的样本的粗集料图像,对所述粗集料图像进行预处理后,从所述粗集料图像中提取得到相应的像素轮廓特征信息;根据所述像素轮廓特征信息,将所述粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;
步骤S3,获取每个粗集料集合在所述粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;根据所述形态分布信息,判断当前粗集料采集批次对应的样本的合格性。
2.如权利要求1所述的基于图像处理的粗集料形态特征获取方法,其特征在于:
在所述步骤S1中,对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;基于所述实时位置信息,确定粗集料采集批次记录,包括:
拍摄粗集料采集现场的全景影像,从所述全景影像中提取得到影像画面的像素纹理分布信息;根据所述像素纹理分布信息,对所述全景影像进行画面分割处理,从而得到若干子画面区域;其中,不同子画面区域具有不同的像素纹理特征;
根据每个子画面区域的区域边界位置信息,确定每个子画面区域在粗集料采集现场对应的现场子区域;确定当前粗集料采集作业对应的实时位置所在的现场子区域,并将所述现场子区域的几何中心坐标位置作为当前粗集料采集作业对应的实施位置信息;
构建当前粗集料采集作业的实施时间信息与实施位置信息之间的一一对应的粗集料采集批次记录。
3.如权利要求2所述的基于图像处理的粗集料形态特征获取方法,其特征在于:
在所述步骤S1中,拍摄粗集料采集现场的全景影像,包括:
所述全景影像的采集是通过拍摄装置对粗集料采集现场进行多次不同程度的曝光进行拍摄的,然后将多次不同程度的曝光拍摄到的全景影像进行综合汇总,得到最终的全景影像,其过程为:
步骤S101,利用下面公式(1),根据多次不同程度的曝光拍摄到的全景影像中的像素点进行分析,将曝光后影像像素值不满足预定曝光像素值分布条件的全景影像进行剔除,
(1)
在上述公式(1)中,表示第/>次不同程度的曝光拍摄到的全景影像的第一控制剔除值;/>表示第/>次不同程度的曝光拍摄到的全景影像的影像矩阵中第/>行第/>列位置的像素值;/>表示所述全景影像的影像矩阵中任意一列的像素点个数;/>表示所述全景影像的影像矩阵中任意一行的像素点个数;/>表示将/>的值从1取值到/>,将/>的值从1取值到/>代入到括号内得到括号内的最大值;/>表示将/>的值从1取值到,将/>的值从1取值到/>代入到括号内得到括号内的最小值;/>均表示公式的运算中间量;
若,则将第/>次不同程度的曝光拍摄到的全景影像进行剔除;
若,则将第/>次不同程度的曝光拍摄到的全景影像进行保留;
将所有不同程度的曝光拍摄到的全景影像均进行上述步骤S101的运算和控制,将保留下来的所有全景影像记作,其中/>表示一次剔除后的第b个全景影像的像素矩阵;
步骤S102:利用下面公式(2),对剔除后剩余的全景影像进行像素分布比对,将剩余的全景影像中不满足预定像素值偏离条件的全景影像进行剔除,
(2)
在上述公式(2)中,表示一次剔除后的第b个全景影像的第二控制剔除值;/>表示一次剔除后的第b个全景影像的像素矩阵中第/>行第/>列位置的像素值;/>表示一次剔除后的第/>个全景影像的像素矩阵中第/>行第/>列位置的像素值;/>表示一次剔除后保留的全景影像的总个数;
若,则将一次剔除后的第b个全景影像进行剔除;
若,则将一次剔除后的第b个全景影像进行保留;
将所有一次剔除后保留的全景影像均进行上述步骤S102的运算和控制,将再次保留下来的所有全景影像记作,其中/>表示二次剔除后的第e个全景影像的像素矩阵;
步骤S103,利用下面公式(3),根据对剩余的全景影像进行像素整合,得到最终的全景影像,
(3)
在上述公式(3)中,表示最终的全景影像的像素矩阵中第/>行第/>列位置的像素值;K表示二次剔除后保留的所有全景影像的总个数;/>表示二次剔除后的第e个全景影像的像素矩阵中第/>行第/>列位置的像素值。
4.如权利要求2所述的基于图像处理的粗集料形态特征获取方法,其特征在于:
在所述步骤S2中,获取相应粗集料采集批次对应的样本的粗集料图像,对所述粗集料图像进行预处理后,从所述粗集料图像中提取得到相应的像素轮廓特征信息;根据所述像素轮廓特征信息,将所述粗集料图像中存在的所有粗集料元素划分为若干粗集料集合,包括:
对相应粗集料采集批次对应的样本进行双目拍摄,得到双目粗集料图像;根据所述双目粗集料图像的双目视差,得到三维粗集料图像;
对所述三维粗集料图像进行像素灰度化转换处理和背景噪声滤波处理;
从所述三维粗集料图像中提取得到每个粗集料元素的像素轮廓特征信息;其中,所述像素轮廓特征信息包括粗集料元素在三维空间的三个相互垂直平面上各自的最大轮廓尺寸信息;
根据所述像素轮廓特征信息,估计每个粗集料元素在三维空间上的体积值;
根据所述体积值,将所述三维粗集料图像中存在的所有粗集料元素划分为分别对应于不同体积值范围的若干粗集料集合。
5.如权利要求4所述的基于图像处理的粗集料形态特征获取方法,其特征在于:
在所述步骤S3中,获取每个粗集料集合在所述粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;根据所述形态分布信息,判断当前粗集料采集批次对应的样本的合格性,包括:
根据每个粗集料集合包含的每个粗集料元素在所述三维粗集料图像中的最长长轴尺寸和最短短轴尺寸,得到每个粗集料元素的扁平率;
根据满足预设扁平率数值条件的粗集料集合的数量,得到当前粗集料采集批次对应的样本中满足预设扁平率数值条件的粗集料集合的数量与样本粗集料总数量的比值,以此作为所述形态分布信息;
若所述比值大于或等于预设阈值,则确定当前粗集料采集批次对应的样本为合格样本;否则,确定当前粗集料采集批次对应的样本为不合格样本。
6.基于图像处理的粗集料形态特征获取系统,其特征在于,包括:
粗集料采集现场标定模块,用于对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息;
粗集料采集批次确定模块,用于基于所述实时位置信息,确定粗集料采集批次记录;
粗集料样本图像采集与处理模块,用于获取相应粗集料采集批次对应的样本的粗集料图像,对所述粗集料图像进行预处理后,从所述粗集料图像中提取得到相应的像素轮廓特征信息;
粗集料集合识别模块,用于根据所述像素轮廓特征信息,将所述粗集料图像中存在的所有粗集料元素划分为若干粗集料集合;
粗集料形态特征确定模块,用于获取每个粗集料集合在所述粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息;
粗集料样本判断模块,用于根据所述形态分布信息,判断当前粗集料采集批次对应的样本的合格性。
7.如权利要求6所述的基于图像处理的粗集料形态特征获取系统,其特征在于:
所述粗集料采集现场标定模块用于对粗集料采集现场进行标定,确定当前粗集料采集作业对应的实施位置信息,包括:
拍摄粗集料采集现场的全景影像,从所述全景影像中提取得到影像画面的像素纹理分布信息;根据所述像素纹理分布信息,对所述全景影像进行画面分割处理,从而得到若干子画面区域;其中,不同子画面区域具有不同的像素纹理特征;
根据每个子画面区域的区域边界位置信息,确定每个子画面区域在粗集料采集现场对应的现场子区域;确定当前粗集料采集作业对应的实时位置所在的现场子区域,并将所述现场子区域的几何中心坐标位置作为当前粗集料采集作业对应的实施位置信息;
所述粗集料采集批次确定模块用于基于所述实时位置信息,确定粗集料采集批次记录,包括:
构建当前粗集料采集作业的实施时间信息与实施位置信息之间的一一对应的粗集料采集批次记录。
8.如权利要求7所述的基于图像处理的粗集料形态特征获取系统,其特征在于:
所述粗集料样本图像采集与处理模块用于获取相应粗集料采集批次对应的样本的粗集料图像,对所述粗集料图像进行预处理后,从所述粗集料图像中提取得到相应的像素轮廓特征信息,包括:
对相应粗集料采集批次对应的样本进行双目拍摄,得到双目粗集料图像;根据所述双目粗集料图像的双目视差,得到三维粗集料图像;
对所述三维粗集料图像进行像素灰度化转换处理和背景噪声滤波处理;
从所述三维粗集料图像中提取得到每个粗集料元素的像素轮廓特征信息;其中,所述像素轮廓特征信息包括粗集料元素在三维空间的三个相互垂直平面上各自的最大轮廓尺寸信息;
粗集料集合识别模块用于根据所述像素轮廓特征信息,将所述粗集料图像中存在的所有粗集料元素划分为若干粗集料集合,包括:
根据所述像素轮廓特征信息,估计每个粗集料元素在三维空间上的体积值;
根据所述体积值,将所述三维粗集料图像中存在的所有粗集料元素划分为分别对应于不同体积值范围的若干粗集料集合。
9.如权利要求8所述的基于图像处理的粗集料形态特征获取系统,其特征在于:
所述粗集料形态特征确定模块用于获取每个粗集料集合在所述粗集料图像中的形态特征信息,根据所有粗集料集合的形态特征信息,生成关于当前粗集料采集批次对应的样本的形态分布信息,包括:
根据每个粗集料集合包含的每个粗集料元素在所述三维粗集料图像中的最长长轴尺寸和最短短轴尺寸,得到每个粗集料元素的扁平率;
根据满足预设扁平率数值条件的粗集料集合的数量,得到当前粗集料采集批次对应的样本中满足预设扁平率数值条件的粗集料集合的数量与样本粗集料总数量的比值,以此作为所述形态分布信息;
所述粗集料样本判断模块用于根据所述形态分布信息,判断当前粗集料采集批次对应的样本的合格性,包括:
若所述比值大于或等于预设阈值,则确定当前粗集料采集批次对应的样本为合格样本;否则,确定当前粗集料采集批次对应的样本为不合格样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310475801.2A CN116503804B (zh) | 2023-04-28 | 2023-04-28 | 基于图像处理的粗集料形态特征获取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310475801.2A CN116503804B (zh) | 2023-04-28 | 2023-04-28 | 基于图像处理的粗集料形态特征获取方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503804A true CN116503804A (zh) | 2023-07-28 |
CN116503804B CN116503804B (zh) | 2023-11-10 |
Family
ID=87324408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310475801.2A Active CN116503804B (zh) | 2023-04-28 | 2023-04-28 | 基于图像处理的粗集料形态特征获取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503804B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354241A (zh) * | 2008-07-11 | 2009-01-28 | 长安大学 | 集料数字图像评价系统及评价方法 |
WO2011125927A1 (ja) * | 2010-04-01 | 2011-10-13 | 新日本製鐵株式会社 | 粒子測定装置および粒子測定方法 |
CN106442231A (zh) * | 2016-08-31 | 2017-02-22 | 北京建筑大学 | 一种基于数字图像分析技术的粗集料棱角性评价方法 |
CN110118775A (zh) * | 2019-05-10 | 2019-08-13 | 重庆交通大学 | 厂拌水泥稳定碎石骨料组成快速检测方法 |
CN110174334A (zh) * | 2019-06-28 | 2019-08-27 | 华侨大学 | 一种粗骨料形态质量检测系统及方法 |
US20200202046A1 (en) * | 2018-12-20 | 2020-06-25 | Harbin Institute Of Technology, Shenzhen | Performance Prediction Method And System Of Pervious Concrete Based On Meso-Structure Reconstruction Model |
CN112637564A (zh) * | 2020-12-18 | 2021-04-09 | 中标慧安信息技术股份有限公司 | 基于多画面监视的室内安防方法和系统 |
CN113409297A (zh) * | 2021-07-08 | 2021-09-17 | 深圳市宏申工业智能有限公司 | 骨料体积计算方法、粒形级配数据生成方法、系统和设备 |
CN113870550A (zh) * | 2021-08-11 | 2021-12-31 | 中标慧安信息技术股份有限公司 | 基于边缘计算的区域异常检测方法和系统 |
CN115239907A (zh) * | 2022-07-08 | 2022-10-25 | 苏州大学 | 基于改进最大类间方差法的骨料形貌表征方法和系统 |
US20230023585A1 (en) * | 2020-11-02 | 2023-01-26 | Tencent Technology (Shenzhen) Company Limited | Artificial intelligence-based image processing method and apparatus, computer device and storage medium |
-
2023
- 2023-04-28 CN CN202310475801.2A patent/CN116503804B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354241A (zh) * | 2008-07-11 | 2009-01-28 | 长安大学 | 集料数字图像评价系统及评价方法 |
WO2011125927A1 (ja) * | 2010-04-01 | 2011-10-13 | 新日本製鐵株式会社 | 粒子測定装置および粒子測定方法 |
CN106442231A (zh) * | 2016-08-31 | 2017-02-22 | 北京建筑大学 | 一种基于数字图像分析技术的粗集料棱角性评价方法 |
US20200202046A1 (en) * | 2018-12-20 | 2020-06-25 | Harbin Institute Of Technology, Shenzhen | Performance Prediction Method And System Of Pervious Concrete Based On Meso-Structure Reconstruction Model |
CN110118775A (zh) * | 2019-05-10 | 2019-08-13 | 重庆交通大学 | 厂拌水泥稳定碎石骨料组成快速检测方法 |
CN110174334A (zh) * | 2019-06-28 | 2019-08-27 | 华侨大学 | 一种粗骨料形态质量检测系统及方法 |
US20230023585A1 (en) * | 2020-11-02 | 2023-01-26 | Tencent Technology (Shenzhen) Company Limited | Artificial intelligence-based image processing method and apparatus, computer device and storage medium |
CN112637564A (zh) * | 2020-12-18 | 2021-04-09 | 中标慧安信息技术股份有限公司 | 基于多画面监视的室内安防方法和系统 |
CN113409297A (zh) * | 2021-07-08 | 2021-09-17 | 深圳市宏申工业智能有限公司 | 骨料体积计算方法、粒形级配数据生成方法、系统和设备 |
CN113870550A (zh) * | 2021-08-11 | 2021-12-31 | 中标慧安信息技术股份有限公司 | 基于边缘计算的区域异常检测方法和系统 |
CN115239907A (zh) * | 2022-07-08 | 2022-10-25 | 苏州大学 | 基于改进最大类间方差法的骨料形貌表征方法和系统 |
Non-Patent Citations (4)
Title |
---|
YU ZHAO等: "Characterization of coarse aggregate morphology and its effect on rheological and mechanical properties of fresh concrete", 《CONSTRUCTION AND BUILDING MATERIALS》, pages 1 - 8 * |
汪海年等: "粗集料综合形态特征与抗磨耗性能的关联性", 《科学技术与工程》, vol. 22, no. 18, pages 8056 - 8063 * |
熊琴: "粗集料形状特征的数字图像分析", 《中国优秀硕士学位论文全文库工程科技II辑》, pages 034 - 230 * |
黄碧霞等: "基于数字图像处理的粗集料颗粒分布分析", 《路基工程》, pages 23 - 25 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503804B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378950B (zh) | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 | |
Graham et al. | Automated sizing of coarse-grained sediments: image-processing procedures | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN110207592B (zh) | 建筑裂缝测量方法、装置、计算机设备和存储介质 | |
CN106778659B (zh) | 一种车牌识别方法及装置 | |
CN111524137A (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN110807771B (zh) | 一种道路减速带的缺损检测方法 | |
CN108932498B (zh) | 办公场所指纹识别鉴权机构 | |
CN114897872A (zh) | 一种适用于细胞团中细胞的识别方法、装置及电子设备 | |
CN114462646A (zh) | 一种基于接触网安全巡检的杆号牌识别方法及系统 | |
CN116503804B (zh) | 基于图像处理的粗集料形态特征获取方法和系统 | |
CN112836726B (zh) | 一种基于视频信息的指针类仪表示数读取方法及装置 | |
CN109313708B (zh) | 图像匹配方法和视觉系统 | |
CN113705350A (zh) | 变电站的指针仪表读数识别方法、装置、介质和电子设备 | |
CN110969135B (zh) | 自然场景中的车标识别方法 | |
CN116778094A (zh) | 一种基于优选视角拍摄的建筑物变形监测方法及装置 | |
JPH10269365A (ja) | 特徴抽出方法およびその方法を用いた物体認識装置 | |
CN116385268A (zh) | 一种遥感图像增强方法 | |
JP2003329780A (ja) | 夜間雲量測定方法および夜間雲量測定装置 | |
CN109145912A (zh) | 一种数字仪表读数自动识别方法 | |
CN111639642B (zh) | 一种图像处理方法、设备及装置 | |
CN109376653B (zh) | 用于定位车辆的方法、装置、设备和介质 | |
JP2009098867A (ja) | 文字列認識方法、コンピュータプログラム、記憶媒体 | |
CN110992359B (zh) | 一种基于深度图的混凝土裂缝检测方法、装置及电子设备 | |
CN112364948B (zh) | 一种基于主成分分析的车辆信息存储方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |