CN116503845A - 一种再生沥青混合料中的假骨料含量检测方法、系统及介质 - Google Patents
一种再生沥青混合料中的假骨料含量检测方法、系统及介质 Download PDFInfo
- Publication number
- CN116503845A CN116503845A CN202310745971.8A CN202310745971A CN116503845A CN 116503845 A CN116503845 A CN 116503845A CN 202310745971 A CN202310745971 A CN 202310745971A CN 116503845 A CN116503845 A CN 116503845A
- Authority
- CN
- China
- Prior art keywords
- aggregate
- false
- asphalt mixture
- content
- image
- 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
- 239000010426 asphalt Substances 0.000 title claims abstract description 210
- 239000000203 mixture Substances 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002245 particle Substances 0.000 claims abstract description 114
- 238000005070 sampling Methods 0.000 claims abstract description 70
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000006185 dispersion Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000004064 recycling Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000008929 regeneration Effects 0.000 description 6
- 238000011069 regeneration method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000693 micelle Substances 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/60—Type of objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
-
- 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
- G06V10/20—Image preprocessing
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Road Paving Machines (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种再生沥青混合料中的假骨料含量检测方法、系统及介质;对待检测再生沥青混合料进行预处理后获取原始图像,并计算出总颗粒面积值;对待检测再生沥青混合料进行取样,并采集取样图像,将取样图像输入已构建好的假骨料识别模型中识别出取样图像中的假骨料颗粒;基于取样图像中的假骨料颗粒计算出待检测再生沥青混合料的假骨料目标颗粒面积值;基于总颗粒面积值和假骨料目标颗粒面积值确定再生沥青混合料中的假骨料含量;本发明将再生沥青混合料对应的图像输入模型中定位该再生沥青混合料所含的假骨料,进而确定假骨料的含量,有利于提升再生沥青混合料性能,进而有效提升沥青路面再生效果和再生效率。
Description
技术领域
本发明涉及路面再生技术领域,具体涉及一种再生沥青混合料中的假骨料含量检测方法、系统及介质。
背景技术
沥青路面维修、改建或扩建时,会将铣刨产生的大量RAP(Reclaimed AsphaltPavement,再生沥青混合料)用于沥青路面再生工程。其中,乳化沥青厂拌冷再生技术为沥青路面再生技术中的一种,其是指采用专门设备,将破碎筛分后的RAP、乳化沥青、活性填料、水,以及根据需要掺加一定比例的新集料,在常温下拌和、摊铺、碾压、养生,从而形成路面结构层。乳化沥青厂拌冷再生技术中的旧沥青混合料的利用率可达到80%以上,且相较就地热再生技术,避免了RAP料的二次加热,节约了能源消耗,减少了沥青烟的排放,被广泛应用在沥青路面再生工程中。
乳化沥青厂拌冷再生技术在拌和过程不需对RAP料进行加热,其与新添加的乳化沥青间难以达成有效融合,回收沥青混合料在乳化沥青厂拌冷再生技术中被作为 “黑色集料”。但是,旧沥青混合料颗粒多由集料与被沥青粘结的细集料裹敷而成,筛分后的各档RAP料中部分颗粒粒径往往大于集料粒径,且由于RAP料存放过程易于结团,如果拌制成型得到的再生混合料中的新旧集料不能充分混合而分布均匀,RAP 料集中分布的局部区域必将成为混合料损伤的薄弱点,影响再生沥青混合料性能;此外,部分RAP料颗粒由于旧沥青的黏附作用存在结团现象,RAP 料胶团中的颗粒不能完全分散开来,其内部旧沥青不能与新沥青充分接触从而发生再生行为,影响其再生效果,上述这些影响再生沥青混合料性能的RAP颗粒统称为假骨料。相关技术在实施乳化沥青厂拌冷技术过程中,并不对再生沥青混合料中“假骨料”进行识别检测,极易出现不符合性能要求的再生沥青混合料。
鉴于此,有效检测再生沥青混合料中的假骨料含量,以提升再生沥青混合料性能,是需要解决的技术问题。
发明内容
本发明所要解决的技术问题是:再生沥青混合料中的假骨料含量的确定;本发明目的在于提供一种再生沥青混合料中的假骨料含量检测方法、系统及介质,可有效检测再生沥青混合料中的假骨料含量,有利于提升再生沥青混合料性能。
本发明通过下述技术方案实现:
本发明提供一种再生沥青混合料中的假骨料含量检测方法,包括:
步骤一:对待检测再生沥青混合料进行预处理,获取预处理后待检测再生沥青混合料的原始图像,并根据原始图像计算出总颗粒面积值;
步骤二:对待检测再生沥青混合料进行取样,并采集取样图像,将取样图像输入已构建好的假骨料识别模型中识别出取样图像中的假骨料颗粒;
步骤三:基于取样图像中的假骨料颗粒计算出待检测再生沥青混合料的假骨料目标颗粒面积值;
步骤四:基于总颗粒面积值和假骨料目标颗粒面积值确定再生沥青混合料中的假骨料含量。
进一步优化方案为,步骤二包括以下子步骤:
对待检测再生沥青混合料进行多次均匀分散处理,每进行一次均匀分散处理后采集一张取样图像;取样图像包括多张,每张取样图像为待检测再生沥青混合料经过一次分散处理后的图像;
基于假骨料识别模型识别出每张取样图像中的假骨料颗粒。
进一步优化方案为,步骤三包括以下子步骤:
计算出各取样图像中的假骨料颗粒面积值;
以所有取样图像假骨料颗粒面积值的均值作为待检测再生沥青混合料的假骨料目标颗粒面积值。
进一步优化方案为,所述假骨料识别模型的构建方法包括:
S1,获取多张标注假骨料位置的再生沥青混合料样本图像,对各再生沥青混合料样本图像进行数据增强和图像数据扩增处理,然后确定出训练样本集和测试样本集;
S2,基于LeNet网络结构搭建假骨料识别模型的框架,基于训练样本集通过超参数寻优确定框架的当前最优网络配置参数,以当前最优网络配置参数为初始假骨料识别模型;
S3,基于测试样本集对初始假骨料识别模型进行识别精度验证,以满足预设精度的初始假骨料识别模型作为假骨料识别模型。若满足预设精度的要求,则将初始假骨料识别模型作为最终训练好的假骨料识别模型;若不满足预设精度要求条件,则利用训练样本集再次对所述初始假骨料识别模型进行训练。
进一步优化方案为,所述假骨料识别模型通过Softmax分类器结合多尺度滑动窗算法显示识别结果。
进一步优化方案为,所述预处理包括方法:
T1,以处于预设粒径范围内的原始再生沥青混合料作为初始再生沥青混合料;
T2,基于组合筛对初始再生沥青混合料进行筛分,从筛分出的初始再生沥青混合料中取样得到预处理后待检测再生沥青混合料;所述组合筛至少包括两个预设筛分粒径。利用第一预设筛分粒径和第二预设筛分粒径的组合筛对所述初始再生沥青混合料进行筛分,从筛分后的初始再生沥青混合料中进行取样,得到待检测再生沥青混合料。
进一步优化方案为,所述假骨料目标颗粒面积值为假骨料目标颗粒面积值与总颗粒面积值的比值。
进一步优化方案为,还包括步骤五:
将再生沥青混合料中的假骨料含量按照含量等级评价体系进行等级划分,并生成含量等级评价报告。
本方案还提供一种再生沥青混合料中的假骨料含量检测系统,用于实现上述的再生沥青混合料中的假骨料含量检测方法,包括:
采集模块,用于获取待检测再生沥青混合料的原始图像,并根据原始图像计算出待检测再生沥青混合料的总颗粒面积值;
识别模块,用于对待检测再生沥青混合料进行取样,并获取取样再生沥青混合料的取样图像,将取样图像输入已构建好的假骨料识别模型中识别出取样图像中所含的假骨料颗粒;
第一计算模块,用于基于假骨料颗粒计算出待检测再生沥青混合料的假骨料目标颗粒面积值;
第二计算模块,用于基于总颗粒面积值和假骨料目标颗粒面积值确定再生沥青混合料中的假骨料含量。
其中,采集模块包括图像采集设备、放置所述图像采集设备的支架、光源及屏障;所述图像采集设备的分辨率不低于4800±△像素,△为预设值;
所述样品承载容器用于放置待检测再生沥青混合料,且其在对所述待检测再生沥青混合料进行拍摄时,置于所述图像采集设备的中心位置。
本方案还提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行实现如上所述的一种再生沥青混合料中的假骨料含量检测方法。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明提供的一种再生沥青混合料中的假骨料含量检测方法、系统及介质;利用机器学习算法训练得到可以识别再生沥青混合料中的假骨料的模型,将再生沥青混合料对应的图像输入该模型中定位该再生沥青混合料所含的假骨料,进而确定出再生沥青混合料中假骨料的含量,及时排除假骨料含量多的再生沥青混合料,有利于提升再生沥青混合料性能,进而有效提升沥青路面再生效果和再生效率。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。在附图中:
图1为再生沥青混合料中的假骨料含量检测方法流程示意图;
图2为取样图像示意图;
图3为输出示意图;
图4为基于深度学习中的LeNet网络结构示意图;
图5为实施例3的再生沥青混合料中的假骨料含量检测系统结构示意图;
图6为再生沥青混合料中的假骨料含量检测电子设备结构示意图;
图7为实施例5的再生沥青混合料中的假骨料含量检测系统结构示意图。
在附图中:
0-待检测再生沥青混合料,501-模型训练模块,502-总面积计算模块,503-识别模块,504-目标面积计算模块,505-含量计算模块,60-存储器,601-计算机程序,602-操作系统,603-数据,61-处理器,62-显示屏,63-输入输出接口,64-通信接口,65-电源,66-通信总线,67-传感器,71-图像采集设备,72-支架,73-光源,74-屏障,75-样品承载容器,76-电子设备。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在实施乳化沥青厂拌冷技术过程中,并不对再生沥青混合料中“假骨料”进行识别检测,极易出现不符合性能要求的再生沥青混合料。鉴于此,需要有效检测再生沥青混合料中的假骨料含量,以提升再生沥青混合料性能。本发明提供以下实施例解决上述问题:
实施例1
本实施例提供一种再生沥青混合料中的假骨料含量检测方法,如图1所示,包括:
步骤一:对待检测再生沥青混合料进行预处理,获取预处理后待检测再生沥青混合料的原始图像,并根据原始图像计算出总颗粒面积值;
所述预处理包括方法:
T1,以处于预设粒径范围内的原始再生沥青混合料作为初始再生沥青混合料;
T2,基于组合筛对初始再生沥青混合料进行筛分,从筛分出的初始再生沥青混合料中取样得到预处理后待检测再生沥青混合料;所述组合筛至少包括两个预设筛分粒径。
预设粒径范围包含待检测再生沥青混合料的粒径,也即最有可能出现假骨料的再生沥青混合料的粒径。原始再生沥青混合料为需要进行识别假骨料的再生沥青混合料,初始再生沥青混合料为对原始再生沥青混合料筛选一次之后的再生沥青混合料,待检测再生沥青混合料为对原始再生沥青混合料筛选二次所得、且用于进行假骨料含量检测的再生沥青混合料,如相比原始再生沥青混合料,待检测再生沥青混合料不包含小颗粒如小于10mm的再生沥青混合料。第一预设筛分粒径和第二预设筛分粒径的组合筛可根据实际情况进行确定,例如可为预设粒径范围的边界值。
在本实施例中,待检测再生沥青混合料为需要进行假骨料含量检测的再生沥青混合料,原始图像是指拍摄待检测再生沥青混合料所得的图像。从原始再生沥青混合料中挑选最有可能出现假骨料的再生沥青混合料进行后续图像处理,不仅可以缩减后续处理的图像数据量,还可以降低干扰,有利于提高假骨料颗粒的含量检测的精准度和效率。
图像采集设备将拍摄的待检测再生沥青混合料的原始图像传递给处理器,处理器基于接收到的原始图像,利用图像处理相关技术先提取原始图像中待检测再生沥青混合料的轮廓,然后计算提取出的轮廓的面积,即为待检测再生沥青混合料的总颗粒面积值。至于轮廓提取方法以及计算轮廓的面积可以采用任何一种现有技术,本申请对此不作任何限定。
步骤二:对待检测再生沥青混合料进行取样,并采集取样图像,将取样图像输入已构建好的假骨料识别模型中识别出取样图像中的假骨料颗粒;
为了提高假骨料识别的精准度,在对假骨料进行识别之前,需要对待检测再生沥青混合料进行均匀分散处理,如人工摇晃的方式。
步骤二包括以下子步骤:
对待检测再生沥青混合料进行多次均匀分散处理,每进行一次均匀分散处理后采集一张取样图像;对待检测再生沥青混合料进行多次均匀分散处理,每经过一次分散处理,拍摄待检测再生沥青混合料对应的图像,得到多张取样图像。也即每张取样图像为待检测再生沥青混合料经过一次分散处理后的图像。
基于假骨料识别模型识别出每张取样图像中的假骨料颗粒。
所述假骨料识别模型的构建方法包括:
S1,获取多张标注假骨料位置的再生沥青混合料样本图像,对各再生沥青混合料样本图像进行数据增强和图像数据扩增处理,然后确定出训练样本集和测试样本集;
对各再生沥青混合料样本图像进行数据增强处理,包括但并不限制于去除噪声,边缘增强处理。然后对各再生沥青混合料样本图像包括未进行数据增强的再生沥青混合料样本图像和经过数据增强处理的再生沥青混合料样本图像,进行图像数据扩增操作,图像数据扩增操作包括但翻转、裁剪、缩小或拉伸图像操作等,这样便可以大幅扩增再生沥青混合料样本图像。将所获得的所有再生沥青混合料样本图像按照一定比例如7:3分为训练样本和测量样本,进而得到训练样本集和测试样本集。
S2,基于LeNet网络结构搭建假骨料识别模型的框架,基于训练样本集通过超参数寻优确定框架的当前最优网络配置参数,以当前最优网络配置参数为初始假骨料识别模型;
S3,基于测试样本集对初始假骨料识别模型进行识别精度验证,以满足预设精度的初始假骨料识别模型作为假骨料识别模型。
假骨料识别模型基于深度学习中的LeNet网络结构,如图4所示,LeNet网络结构包括3个卷积层C1、C3和C5,2个池化层S2和S4,1个全连接层F6,1个输出层。为了降低特征提取时因估计均值偏移所引起的误差,本实施例在池化操作中使用最大池化方法代替平均池化方法。第1卷积层C1输入32×32的大小图像,取6个尺寸为5×5的卷积核,卷积运算后得到6个特征图,C1层中包含的训练参数为6×(5×5+1),即得到的特征图大小为28×28;第1池化层S2中包含6个大小为14×14的特征图,与C1中所对应的大小为2×2特征图的领域相连接;第2卷积层 C3中采用16个大小为5×5的卷积核,计算方法同C1类似,得到16个10×10大小的特征图;第2池化层S4采用大小为2×2的采样核,特征图个数为16个,经过池化操作后输出16个5×5大小的特征图;第3卷积层C5中每个神经元与S4中的5×5邻域相连接,输出120个1×1的特征图,使池化层S4与卷积层C5之间构成全连接;全连接层F6拥有84个隐含节点,与卷积层C5构成全连接;最后在输出层中输出识别结果。本实施例的假骨料识别模型可通过Softmax分类器结合多尺度滑动窗算法显示识别结果。搭建好模型之后,以Relu函数作为激活函数,针对模型的Dropout比率和初始学习率在训练样本集上进行超参数寻优,得到最优网络配置。利用测试样本集验证优化后的模型的分类能力,若不满足90%的测试精度要求,则进行调整,返回训练集重新进行训练,直至满足测试精度。
所述假骨料识别模型通过Softmax分类器结合多尺度滑动窗算法显示识别结果。
步骤二中的假骨料识别模型为基于机器学习算法,通过样本数据集训练相应的机器学习模型框架直至满足模型训练停止条件所得。其中,机器学习算法可采用任任意一种现有的算法,如支持向量机、卷积神经网络、人工神经网络,相应的,机器学习模型框架为该机器学习算法所支持的任何一种模型框架。
可为迭代至一定次数停止训练如100次,还可为测试精度高达指定值如90%停止训练,还可为模型收敛时停止训练,根据实际情况设置模型训练停止条件。
训练样本集为训练模型的样本数据,其包括多张标注假骨料位置的再生沥青混合料样本图像,在一定范围内,样本越多,所训练的模型精度越高,训练样本集所包含的图像数量可根据实际情况进行选择,如至少20000张,本申请对此不作任何限定。假骨料识别模型用于对输入的取样图像进行假骨料的识别,并将取样图像中的假骨料标注出来。举例来说,将图2所示的取样图像输入至假骨料识别模型,假骨料识别模型对取样图像进行处理,输出图3所示的图像,图3中的轮廓即为取样图像中所含的假骨料的位置。
步骤三:基于取样图像中的假骨料颗粒计算出待检测再生沥青混合料的假骨料目标颗粒面积值;
步骤三包括以下子步骤:
计算出各取样图像中的假骨料颗粒面积值;
以所有取样图像假骨料颗粒面积值的均值作为待检测再生沥青混合料的假骨料目标颗粒面积值。在计算出各取样图像中的假骨料颗粒面积值之后,如果有某一取样图像所计算得到的假骨料的颗粒面积值明显比其他取样图像所计算得到的假骨料的颗粒面积值大或小,则认定为异常数据,将其排除掉后再计算平均值。
通过多次取样,并根据每次取样计算所得的假骨料的颗粒面积值的平均值作为最终的待检测再生沥青混合料所含的假骨料颗粒的颗粒面积值,相比一次取样计算结果,可以有效提高假骨料颗粒的颗粒面积的计算精准度,进而提高假骨料颗粒的含量检测精准度。
步骤四:基于总颗粒面积值和假骨料目标颗粒面积值确定再生沥青混合料中的假骨料含量。所述假骨料目标颗粒面积值为假骨料目标颗粒面积值与总颗粒面积值的比值。
还包括步骤五:
将再生沥青混合料中的假骨料含量按照含量等级评价体系进行等级划分,并生成含量等级评价报告。
在确定待检测再生沥青混合料中的假骨料的含量之后,还可自动生成含量等级评价报告。示意性的,可预先构建含量等级评价体系,含量等级评价体系的级别和每个级别的含量范围可根据实际情况灵活选择,本申请对此不作任何限定。举例来说,含量等级评价体系可包括四个等级,若假骨料含量δ<10%,则定义为极轻级;若10%≤δ<20%,则定义为轻级;若20%≤δ<30%,则定义为中级;若30%≤δ<40%,则定义为重级;若δ≥40%,则定义为极重级。基于含量等级评价体系,根据待检测再生沥青混合料中的假骨料的含量生成含量等级评价报告。当计算得到待检测再生沥青混合料中的假骨料的含量之后,将该值与含量等级评价体系进行比对,便可确定其所处级别,并将该级别作为含量等级评价报告输出。
实施例2
本实施例还提供一个示意性的例子,可包括下述内容:
(1)先从经过筛分的10~30mm档RAP料堆上取样,并采用10mm和30mm的组合筛进行人工筛分,再将筛分后10~30mm档RAP料采用4分法选取2kgRAP料试样,以作为待检测再生沥青混合料。
(2)将RAP料试样均匀平摊在白色瓷盘内进行图像拍摄得到预处理后RAP料试样的照片,获取待识别RAP料试样的图像数据也即待待检测再生沥青混合料图像,计算所有RAP料颗粒面积值。
(3)采用人工摇晃,使颗粒尽可能的分散分布,尽可能避免出现颗粒之间的搭接,再次进行图像拍摄得到分散后RAP料试样的照片,获取对应的图像数据也即取样图像。
(4)基于LeNet网络结构搭建深度卷积神经网络模型,对深度卷积神经网络模型进行训练和测试,利用已完成训练和测试的深度卷积神经网络模型识别假骨料颗粒,并计算第一组假骨料颗粒面积。
(5)重复(3)~(4),得到第二组假骨料颗粒面积数据;
(6)重复(3)~(4),得到第三组假骨料颗粒面积数据,取上述三组假骨料颗粒面积数据的平均值作为该试样假骨料颗粒面积值。
(7)假骨料含量=取样RAP料颗粒面积值/试样假骨料颗粒面积值。
(8)根据假骨料在含量等级评价体系所属等级,生成含量等级评价报告。
实施例3
本实施例提供一种再生沥青混合料中的假骨料含量检测系统,用于实现上一实施例所述的再生沥青混合料中的假骨料含量检测方法,如图5所示,包括:
采集模块,用于获取待检测再生沥青混合料的原始图像,并根据原始图像计算出待检测再生沥青混合料的总颗粒面积值;采集模块包括总面积计算模块502,总面积计算模块502用于根据待检测再生沥青混合料的原始图像,计算待检测再生沥青混合料的总颗粒面积值;
识别模块503,用于对待检测再生沥青混合料进行取样,并获取取样再生沥青混合料的取样图像,将取样图像输入已构建好的假骨料识别模型中识别出取样图像中所含的假骨料颗粒;
所述识别模块503中包括模型训练模块501,用于基于机器学习算法,通过样本数据集训练相应的机器学习模型框架直至满足模型训练停止条件得到假骨料识别模型;训练样本集包括多张标注假骨料位置的再生沥青混合料样本图像。
第一计算模块即目标面积计算模块504,用于基于假骨料颗粒计算出待检测再生沥青混合料的假骨料目标颗粒面积值;
第二计算模块即含量计算模块505,用于基于总颗粒面积值和假骨料目标颗粒面积值确定再生沥青混合料中的假骨料含量。
目标面积计算模块504可进一步用于:取样图像为多张,每张取样图像为待检测再生沥青混合料经过一次分散处理后的图像;对每一张取样图像,基于当前取样图像中的假骨料颗粒计算相应待检测再生沥青混合料中的假骨料的颗粒面积值,将各颗粒面积值的平均值作为目标颗粒面积值。
上述采集模块还包括取样模块,取样模块用于从处于预设粒径范围内的原始再生沥青混合料获取初始再生沥青混合料;利用第一预设筛分粒径和第二预设筛分粒径的组合筛对初始再生沥青混合料进行筛分,从筛分后的初始再生沥青混合料中进行取样,得到待检测再生沥青混合料。
上述模型训练模块501还可进一步用于:获取多张标注假骨料位置的再生沥青混合料样本图像,对各再生沥青混合料样本图像进行数据增强处理,并对各再生沥青混合料样本图像进行图像数据扩增操作,以得到训练样本集和测试样本集;基于LeNet网络结构搭建假骨料识别模型框架,利用训练样本集通过超参数寻优确定当前最优网络配置参数,并基于当前最优网络配置参数得到初始假骨料识别模型;利用测试样本集对初始假骨料识别模型进行识别精度验证,若满足预设精度要求条件,则将初始假骨料识别模型作为最终训练好的假骨料识别模型;若不满足预设精度要求条件,则利用训练样本集再次对初始假骨料识别模型进行训练。
假骨料识别模型还通过Softmax分类器结合多尺度滑动窗算法显示识别结果。
还可包括评价模块,用于预先构建含量等级评价体系;基于含量等级评价体系,根据待检测再生沥青混合料中的假骨料的含量生成含量等级评价报告。
实施例4
本实施例提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行实现如实施例1所述的一种基于预共享密钥的多终端独立接入认证方法。
图6为本实施例提供的电子设备在一种实施方式下的结构示意图。该电子设备76包括存储器60,用于存储计算机程序;处理器61,用于执行计算机程序时实现如上述任一实施例提到的再生沥青混合料中的假骨料含量检测方法的步骤。
其中,处理器61可以包括一个或多个处理核心,比如4核心处理器、8核心处理器,处理器61还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器61可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable GateArray,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器61也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central Processing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器61可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器61还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器60可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器60还可包括高速随机存取存储器以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。存储器60在一些实施例中可以是电子设备的内部存储单元,例如服务器的硬盘。存储器60在另一些实施例中也可以是电子设备的外部存储设备,例如服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器60还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器60不仅可以用于存储安装于电子设备的应用软件及各类数据,例如:执行再生沥青混合料中的假骨料含量检测方法过程中的程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中,存储器60至少用于存储以下计算机程序601,其中,该计算机程序被处理器61加载并执行之后,能够实现前述任一实施例公开的再生沥青混合料中的假骨料含量检测方法的相关步骤。另外,存储器60所存储的资源还可以包括操作系统602和数据603等,存储方式可以是短暂存储或者永久存储。其中,操作系统602可以包括Windows、Unix、Linux等。数据603可以包括但不限于再生沥青混合料中的假骨料含量检测结果对应的数据等。
在一些实施例中,上述电子设备76还可包括有显示屏62、输入输出接口63、通信接口64或者称为网络接口、电源65以及通信总线66。其中,显示屏62、输入输出接口63比如键盘(Keyboard)属于用户接口,可选的用户接口还可以包括标准的有线接口、无线接口等。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备76中处理的信息以及用于显示可视化的用户界面。通信接口64可选的可以包括有线接口和/或无线接口,如WI-FI接口、蓝牙接口等,通常用于在电子设备76与其他电子设备之间建立通信连接。通信总线66可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图6中示出的结构并不构成对该电子设备76的限定,可以包括比图示更多或更少的组件,例如还可包括实现各类功能的传感器67。
实施例5
请参见图7,本实施例提供再生沥青混合料中的假骨料含量检测工装系统,包括用于采集待检测再生沥青混合料图像的图像采集组件,其可包括图像采集设备71、支架72、光源73及屏障74。图像采集设备71例如可为可见光相机,其分辨率不低于4800±△像素,△为预设值,可根据实际情况确定△的取值。图像采集设备71放置或安装在支架上,光源73如LED灯,可用于在图像采集过程中提供光照,保证图像采集效果,屏障74用于屏蔽图像采集设备视野内不为待检测再生沥青混合料的其他目标物,从而降低图像处理的复杂度,提高图像处理精准度。该系统还包括样品承载容器75,样品承载容器75可为任何一种可容纳再生沥青混合料的器皿,其用于放置待检测再生沥青混合料0。样品承载容器75在对待检测再生沥青混合料进行拍摄时,置于图像采集设备71的中心位置。该系统还包括如上实施例所记载的电子设备76,电子设备76可置于任何一台智能设备、上位机、个人电脑、服务器内。电子设备76与图像采集设备71相连接,用于接收图像采集设备71所发送的图像,还可以控制图像采集设备。进一步的,为了提高整个系统的自动化程序,电子设备76还可以光源73相连,控制光源73的开启、关闭以及调节亮度。若支架72设置有驱动装置和移动装置,电子设备76还可通过控制驱动装置来驱使支架72进行移动。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种再生沥青混合料中的假骨料含量检测方法,其特征在于,包括:
步骤一:对待检测再生沥青混合料进行预处理,获取预处理后待检测再生沥青混合料的原始图像,并根据原始图像计算出总颗粒面积值;
步骤二:对待检测再生沥青混合料进行取样,并采集取样图像,将取样图像输入已构建好的假骨料识别模型中识别出取样图像中的假骨料颗粒;
步骤三:基于取样图像中的假骨料颗粒计算出待检测再生沥青混合料的假骨料目标颗粒面积值;
步骤四:基于总颗粒面积值和假骨料目标颗粒面积值确定再生沥青混合料中的假骨料含量。
2.根据权利要求1所述的一种再生沥青混合料中的假骨料含量检测方法,其特征在于,步骤二包括以下子步骤:
对待检测再生沥青混合料进行多次均匀分散处理,每进行一次均匀分散处理后采集一张取样图像;
基于假骨料识别模型识别出每张取样图像中的假骨料颗粒。
3.根据权利要求2所述的一种再生沥青混合料中的假骨料含量检测方法,其特征在于,步骤三包括以下子步骤:
计算出各取样图像中的假骨料颗粒面积值;
以所有取样图像假骨料颗粒面积值的均值作为待检测再生沥青混合料的假骨料目标颗粒面积值。
4.根据权利要求1所述的一种再生沥青混合料中的假骨料含量检测方法,其特征在于,所述假骨料识别模型的构建方法包括:
S1,获取多张标注假骨料位置的再生沥青混合料样本图像,对各再生沥青混合料样本图像进行数据增强和图像数据扩增处理,然后确定出训练样本集和测试样本集;
S2,基于LeNet网络结构搭建假骨料识别模型的框架,基于训练样本集通过超参数寻优确定框架的当前最优网络配置参数,以当前最优网络配置参数为初始假骨料识别模型;
S3,基于测试样本集对初始假骨料识别模型进行识别精度验证,以满足预设精度的初始假骨料识别模型作为假骨料识别模型。
5.根据权利要求4所述的一种再生沥青混合料中的假骨料含量检测方法,其特征在于,所述假骨料识别模型通过Softmax分类器结合多尺度滑动窗算法显示识别结果。
6.根据权利要求1所述的一种再生沥青混合料中的假骨料含量检测方法,其特征在于,所述预处理包括方法:
T1,以处于预设粒径范围内的原始再生沥青混合料作为初始再生沥青混合料;
T2,基于组合筛对初始再生沥青混合料进行筛分,从筛分出的初始再生沥青混合料中取样得到预处理后待检测再生沥青混合料;所述组合筛至少包括两个预设筛分粒径。
7.根据权利要求1所述的一种再生沥青混合料中的假骨料含量检测方法,其特征在于,假骨料目标颗粒面积值=假骨料目标颗粒面积值/总颗粒面积值。
8.根据权利要求1所述的一种再生沥青混合料中的假骨料含量检测方法,其特征在于,还包括步骤五:将再生沥青混合料中的假骨料含量按照含量等级评价体系进行等级划分,并生成含量等级评价报告。
9.一种再生沥青混合料中的假骨料含量检测系统,其特征在于,用于实现权利要求1-8任意一项所述的再生沥青混合料中的假骨料含量检测方法,包括:
采集模块,用于获取待检测再生沥青混合料的原始图像,并根据原始图像计算出待检测再生沥青混合料的总颗粒面积值;
识别模块,用于对待检测再生沥青混合料进行取样,并获取取样再生沥青混合料的取样图像,将取样图像输入已构建好的假骨料识别模型中识别出取样图像中所含的假骨料颗粒;
第一计算模块,用于基于假骨料颗粒计算出待检测再生沥青混合料的假骨料目标颗粒面积值;
第二计算模块,用于基于总颗粒面积值和假骨料目标颗粒面积值确定再生沥青混合料中的假骨料含量。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行实现如权利要求1-8中任意一项所述的一种再生沥青混合料中的假骨料含量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745971.8A CN116503845B (zh) | 2023-06-25 | 2023-06-25 | 一种再生沥青混合料中的假骨料含量检测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745971.8A CN116503845B (zh) | 2023-06-25 | 2023-06-25 | 一种再生沥青混合料中的假骨料含量检测方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503845A true CN116503845A (zh) | 2023-07-28 |
CN116503845B CN116503845B (zh) | 2023-09-12 |
Family
ID=87328675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310745971.8A Active CN116503845B (zh) | 2023-06-25 | 2023-06-25 | 一种再生沥青混合料中的假骨料含量检测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503845B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104496284A (zh) * | 2014-11-19 | 2015-04-08 | 武汉工程大学 | 基于灰色系统理论的废弃沥青混凝土级配优化方法 |
CN108734699A (zh) * | 2018-04-23 | 2018-11-02 | 东南大学 | 一种评价再生沥青混合料组分分布均匀性的方法 |
CN108846825A (zh) * | 2018-04-24 | 2018-11-20 | 福州大学 | 一种基于图像处理技术的沥青混合料性能评价方法 |
US20180371709A1 (en) * | 2017-06-09 | 2018-12-27 | Qingbin CUI | Sustainably constructed pavement, and methods and apparatus for constructing the same |
CN110609008A (zh) * | 2019-08-28 | 2019-12-24 | 甘肃省交通规划勘察设计院股份有限公司 | 基于红外光谱对再生沥青混合料中rap掺量的快速评估方法 |
CN110685217A (zh) * | 2019-11-18 | 2020-01-14 | 四川省交通勘察设计研究院有限公司 | 一种桥梁无缝伸缩装置 |
CN110922198A (zh) * | 2019-12-16 | 2020-03-27 | 安徽工业大学 | 一种铝硅系废弃耐火骨料再生方法 |
CN110987928A (zh) * | 2019-12-02 | 2020-04-10 | 扬州大学 | 再生骨料沥青混合料骨料接触类型分析方法 |
CN111626529A (zh) * | 2019-02-27 | 2020-09-04 | 长沙理工大学 | 一种再生沥青混合料中rap分散程度评价方法 |
WO2021152956A1 (ja) * | 2020-01-29 | 2021-08-05 | 前田道路株式会社 | アスファルト混合物の骨材供給量最適化システム及び骨材供給量最適化方法 |
CN113658117A (zh) * | 2021-08-02 | 2021-11-16 | 浙江大学 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
CN115393587A (zh) * | 2022-08-22 | 2022-11-25 | 东南大学 | 基于融合卷积神经网络的高速公路沥青路面病害感知方法 |
WO2023284114A1 (zh) * | 2021-07-16 | 2023-01-19 | 武汉理工大学 | 沥青混合料含水率预测方法、系统、设备及存储介质 |
CN115641931A (zh) * | 2022-12-12 | 2023-01-24 | 北京建筑大学 | 高砖混含量的建筑垃圾沥青混合料配合比的设计方法 |
CN116258689A (zh) * | 2023-02-13 | 2023-06-13 | 三峡大学 | 基于深度学习的集料颗粒识别和级配自动分析方法 |
-
2023
- 2023-06-25 CN CN202310745971.8A patent/CN116503845B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104496284A (zh) * | 2014-11-19 | 2015-04-08 | 武汉工程大学 | 基于灰色系统理论的废弃沥青混凝土级配优化方法 |
US20180371709A1 (en) * | 2017-06-09 | 2018-12-27 | Qingbin CUI | Sustainably constructed pavement, and methods and apparatus for constructing the same |
CN108734699A (zh) * | 2018-04-23 | 2018-11-02 | 东南大学 | 一种评价再生沥青混合料组分分布均匀性的方法 |
CN108846825A (zh) * | 2018-04-24 | 2018-11-20 | 福州大学 | 一种基于图像处理技术的沥青混合料性能评价方法 |
CN111626529A (zh) * | 2019-02-27 | 2020-09-04 | 长沙理工大学 | 一种再生沥青混合料中rap分散程度评价方法 |
CN110609008A (zh) * | 2019-08-28 | 2019-12-24 | 甘肃省交通规划勘察设计院股份有限公司 | 基于红外光谱对再生沥青混合料中rap掺量的快速评估方法 |
CN110685217A (zh) * | 2019-11-18 | 2020-01-14 | 四川省交通勘察设计研究院有限公司 | 一种桥梁无缝伸缩装置 |
CN110987928A (zh) * | 2019-12-02 | 2020-04-10 | 扬州大学 | 再生骨料沥青混合料骨料接触类型分析方法 |
CN110922198A (zh) * | 2019-12-16 | 2020-03-27 | 安徽工业大学 | 一种铝硅系废弃耐火骨料再生方法 |
WO2021152956A1 (ja) * | 2020-01-29 | 2021-08-05 | 前田道路株式会社 | アスファルト混合物の骨材供給量最適化システム及び骨材供給量最適化方法 |
WO2023284114A1 (zh) * | 2021-07-16 | 2023-01-19 | 武汉理工大学 | 沥青混合料含水率预测方法、系统、设备及存储介质 |
CN113658117A (zh) * | 2021-08-02 | 2021-11-16 | 浙江大学 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
CN115393587A (zh) * | 2022-08-22 | 2022-11-25 | 东南大学 | 基于融合卷积神经网络的高速公路沥青路面病害感知方法 |
CN115641931A (zh) * | 2022-12-12 | 2023-01-24 | 北京建筑大学 | 高砖混含量的建筑垃圾沥青混合料配合比的设计方法 |
CN116258689A (zh) * | 2023-02-13 | 2023-06-13 | 三峡大学 | 基于深度学习的集料颗粒识别和级配自动分析方法 |
Non-Patent Citations (1)
Title |
---|
RUI ZHANG 等: "Aggregate particle identification and gradation analysis method based on the deep learning network of Mask R-CNN", 《MATERIALS TODAY COMMUNICATIONS》, vol. 35, no. 106269, pages 1 - 17 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503845B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598721B (zh) | 电池极片的缺陷检测方法、装置、检测设备和存储介质 | |
US10672115B2 (en) | Weakly supervised anomaly detection and segmentation in images | |
Li et al. | Automatic pavement crack recognition based on BP neural network | |
CN107833209B (zh) | 一种x光图像检测方法、装置、电子设备及存储介质 | |
US20170262723A1 (en) | Method and system for detection and classification of license plates | |
Lin et al. | Welding defect detection based on local image enhancement | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
Zhang et al. | APLCNet: Automatic pixel-level crack detection network based on instance segmentation | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
Tao et al. | Automatic smoky vehicle detection from traffic surveillance video based on vehicle rear detection and multi‐feature fusion | |
CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
GB2496266A (en) | Improved abandoned object recognition using pedestrian detection | |
Zhang et al. | Counting vehicles in urban traffic scenes using foreground time‐spatial images | |
CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
Jin et al. | A deep-learning-based scheme for detecting driver cell-phone use | |
CN115601682A (zh) | 井下皮带运输机异物检测方法和装置 | |
CN116503845B (zh) | 一种再生沥青混合料中的假骨料含量检测方法、系统及介质 | |
CN104346778A (zh) | 图像的边缘增强方法和装置以及数码摄像设备 | |
Dai et al. | Recognition of tunnel lining cracks based on digital image processing | |
CN112017065A (zh) | 车辆定损理赔方法、装置及计算机可读存储介质 | |
Ji et al. | Bucket teeth detection based on faster region convolutional neural network | |
Xu et al. | YOLOv5‐PD: A Model for Common Asphalt Pavement Defects Detection | |
Wu et al. | Research on asphalt pavement disease detection based on improved YOLOv5s | |
Ali et al. | Active contour image segmentation model with de‐hazing constraints | |
WO2023029268A1 (en) | Systems and methods for determining target event |
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 |