CN213714998U - 一种基于图像的砂石粒径分析设备 - Google Patents

Abstract

本实用新型公开一种基于图像的砂石粒径分析设备，包括有固定架和安装在固定架上的下料设备、图像采集设备、图像处理设备和显示器，所述图像采集设备与图像处理设备连接，所述图像处理设备与显示器连接，所述图像采集设备对准下料设备的出料口，本实用新型具有结构简单合理、检测效率高效且检测成本低的优点，检测结果准确，大大降低噪音，使检测周边的环境更加舒适，符合人们的使用需求。

Description

一种基于图像的砂石粒径分析设备

技术领域

本实用新型涉及建筑业工业视觉检测领域，特别涉及一种基于图像的砂石粒径分析设备。

背景技术

混凝土的粗骨料级配配比对混凝土拌合物的工作性能和硬化后混凝土的强度、硬度收缩能力等性能尤其重要，混凝土骨料的粒径分布检测是交通行业和建筑行业中不可或缺的环节，必须在确保混凝土的粒径分布达标以后，才能将骨料用于生产实践。然而，传统的机械筛分法通过机械抖动，使混凝土骨料通过不同孔径的筛孔，这种方法噪声大、成本高、检测速度慢，且难以达到较高的精度。因此可以从机器视觉的角度出发，通过摄像机拍摄得到的图像对砂石目标进行分割，实时分析砂石粒径的分布情况。

实用新型内容

本实用新型解决技术问题：针对传统的机械筛分法存在的噪声大、成本高、检测速度慢，且难以达到较高的精度等缺点，通过摄像机拍摄得到的图像对砂石目标进行分割，实时分析砂石粒径的分布情况。

本实用新型的目的旨在提供一种基于图像的砂石粒径分析设备。

按此目的设计的一种基于图像的砂石粒径分析设备，包括有固定架和安装在固定架上的下料设备、图像采集设备、图像处理设备和显示器，所述图像采集设备与图像处理设备连接，所述图像处理设备与显示器连接，所述图像采集设备对准下料设备的出料口。

进一步的，所述砂石粒径分析设备还包括有补光设备，所述补光设备位于下料设备左侧，所述图像采集设备位于下料设备右侧。

进一步的，在所述固定架上设有导轨，在所述导轨活动插接有滑块，所述图像采集设备安装在滑块上。

进一步的，在所述下料设备下方的固定架上设有通槽，在所述通槽下方设有回收箱。

进一步的，所述下料设备包括设置在固定架上的安装杆，在所述安装杆上固定有漏斗，所述漏斗为呈倒置四棱台形状的铁制漏斗。

进一步的，所述图像采集设备采用由相机和镜头组成。

进一步的，所述补光设备包括有固定在固定架上的补光灯。

其中图像处理设备所采用的处理算法依照工业现场实时拍摄的图像，首先遍历图像的像素梯度，找到一个合适的梯度值，依照梯度所在坐标对图像做初步分割，区分出背景图像；再将超像素的方法进行聚类，减少聚类处理的实验数据；最后对Gibbs能量函数进行优化，进而加速对图像中砂石的快速分割，其特征在于实现步骤如下：

步骤S1前、背景候选框的自适应生成：先利用Sobel边缘检测算子得到原始图像的边缘图像，选取一个适当的阈值T作为原始图像的边缘检测参数并生成一幅掩码图，遍历掩码图与原始图卷积之后的结果，找到边缘的最大值、最小值的像素位置并以此作为目标候选框的框选范围，得到了一幅带有粗略初始化分割图像。

步骤S2基于SLIC超像素的K-Means聚类：设置超像素质心个数为400个，利用超像素的RGB三通道均值表示质心的特征向量，依照像素是在候选框的内部还是候选框的外部将像素赋予不同的标签，初始化前景点与背景点的高斯混合模型(GMM)。

步骤S3 Gibbs能量函数优化：当像素标签α不确定时，其U_S、U_T分别为该像素属于背景GMM模型与前景GMM模型概率的负对数。在能量函数中引入熵的概念来监督图像分割，可以加快熵减的过程，从而加速收敛。当某一高斯分量的权重较小时，负熵项会隐式地将其从GMM 模型中弱化或消除，使图割更侧重于权重较大的高斯分量，故可以在相同迭代次数的条件下达到更高的分割精度。

所述步骤S1基于Sobel算子的边缘目标候选框的自适应生成的技术特征进一步实现如下：

步骤S11原始图像边缘提取：对于每张输入图像，先使用大小为 3*3的高斯核进行高斯滤波并转成灰度图，然后采用Sobel边缘检测算子计算其边缘图像，边缘图像的像素值为各点处的梯度幅值。

步骤S12获得边缘梯度图并初始化标签：找到最大的梯度幅值 Tmax，根据百分比确定一个梯度阈值T。根据砂石图像的梯度分布，百分比在60％到70％之间效果较优，令阈值T＝0.65Tmax。用T对边缘图像进行阈值处理，将梯度幅值大于T的像素点赋值为1，梯度幅值小于T的像素点赋值为0，从而得到一张掩码图像(mask)。

步骤S13全局阈值分割：将掩码图像与输入图像逐元素相乘，即只保留输入图像中强边缘的像素点，将所得结果图记为temp；使用最大类间方差(OTSU)算法对temp进行全局阈值分割，将大于阈值的像素点赋值为255，小于阈值的像素点赋值为0，将所得结果图记为dst。

步骤S14目标候选框的绘制：遍历dst中所有灰度值为255的像素点，找出其中横坐标的最小值X_min，纵坐标的最小值Y_min，横坐标的最大值X_max和纵坐标的最大值Y_max，则目标候选框的左上角坐标和右下角坐标分别为(X_min，Y_min)和(X_max，Y_max)，最后在此坐标的基础上向外加上 10个像素的裕量。

所述步骤S2基于SLIC超像素的K-Means算法质心聚类的进一步实现如下：

步骤S21高斯混合模型初始化：选择SLIC算法生成400个超像素图像，利用K-Means算法对超像素的质心进行聚类，用超像素的RGB 三通道均值表示质心的特征向量。

步骤S22超像素质心标签初始化：依据超像素质心的位置设置不同类别的标签。如果质心的空间坐标(x，y)位于初始矩形框内部，则将质心标签赋为3，表示候选的前景点；否则将标签赋为0，表示确定的背景点。这样就把S划分成了两个质心集合S₁、S₂，分别用来初始化前景和背景GMM模型。

步骤S23超像素图像迭代分割：将一个超像素的内部都由超像素块内的RGB均值代替块内的所有点的像素值，可使属于同一超像素内的相邻像素间的平滑项为0，增加图像分割收敛速度。

所述步骤S3基于Grabcut算法的Gibbs能量函数优化的进一步实现如下：

步骤S31图像信息熵的监督变量引入：在U_S和U_T的基础上，增加高斯分量权重系数的负熵，只有候选框内未知前景与背景像素节点才添加负熵项，而对于确定是前景或背景的像素节点则不添加，算法通过像素点的标签来判断是否添加负熵项。

步骤S32图模型分割：确定图模型后，需要选出一些边的集合，使得删除这些边以后从源点无法到达汇点，这些边的集合叫做一个“割”。最优的图像分割，就是在无向图上求解一个割，使割边上的权值之和最小，即总能量最小。选择出这些满足总能量最小的边的集合对图像进行划分，最终完成前景物体与背景的分割。

本实用新型具有结构简单合理、检测效率高效且检测成本低的优点，检测结果准确，大大降低噪音，使检测周边的环境更加舒适，符合人们的使用需求。

附图说明

图1为本实用新型的平面结构示意图；

图2为本实用新型的处理流程示意图。

具体实施方式

下面结合附图及实施例对本实用新型作进一步描述。

参见图1，一种基于图像的砂石粒径分析设备，包括有固定架6 和安装在固定架6上的下料设备1、图像采集设备3、图像处理设备 4和显示器5，所述图像采集设备3与图像处理设备4连接，所述图像处理设备4与显示器5连接，所述图像采集设备3对准下料设备1 的出料口。

参见图1，所述砂石粒径分析设备还包括有补光设备2，所述补光设备2位于下料设备1左侧，所述图像采集设备3位于下料设备1 右侧。

参见图1，在所述固定架6上设有导轨，在所述导轨活动插接有滑块7，所述图像采集设备3安装在滑块7上。

参见图1，在所述下料设备1下方的固定架6上设有通槽，在所述通槽下方设有回收箱8。

参见图1，所述下料设备1包括设置在固定架6上的安装杆，在所述安装杆上固定有漏斗，所述漏斗为呈倒置四棱台形状的铁制漏斗。

参见图1，所述图像采集设备3采用由相机和镜头组成，其中相机需满足：1)分辨率不低于300万像素、2)最小曝光时间不高于

其中V为砂石下落的速度，P为测量精度；镜头需满足：镜头焦距不得大于靶面成像宽度的1.5倍。

参见图1，所述补光设备2包括有固定在固定架6上的补光灯。

本实用新型中所述下料设备安装在固定架上，用于使砂石集料呈平面下落；所述补光设备设在下料设备下方的固定架表面，用于对下落的集料图像进行采集时补光；所述图像采集设备设在补光设备右侧的固定架表面，用于拍摄下落中的砂石并将所得图像传送至图像处理设备；所述图像处理设备设在图像采集设备右侧的固定架表面，用于接收图像采集设备传来的图像并进行实时处理；所述显示器设在图像处理设备前方的固定架表面，用于实时显示图像采集与处理结果；所述固定架用于固定补光设备、图像采集设备、图像处理设备与显示器；所述滑块将图像采集设备连接在固定架上，使图像采集设备可以通过手动调节位置；所述回收箱设在固定架下方，用于回收砂石。

本实用新型在使用时，砂石从下料设备入口进入下料设备并从出口下落，补光设备接通电源对下落的砂石进行补光，图像采集设备以较短的曝光时间对下落的砂石进行图像采集，且图像采集设备可通过其下方的滑块调节砂石与图像采集设备之间的距离，从而适应不同焦距图像采集设备对距离的要求，采集后的图像经过USB数据线传送至图像处理设备进行砂石图像的预处理、粒径分析等操作，采集到的图像以及处理结果通过HDMI线传输至显示设备并显示，下落的砂石经过固定板上的下落口落到下方的回收箱中，回收箱底部的海绵对下落的砂石起到缓冲的作用。

本实用新型中的补光设备、图像处理设备、显示器、固定板、滑块、回收箱等部件均可采用通用标准件或本领域技术人员知晓的部件，其结构和原理都为本领域技术人员均可通过技术手册得知或通过常规实验方法获知。

本实用新型图像处理的基本流程图，如图2所示；首先，在获取的图像中，需绘制一个目标候选框，将含有目标的区域与纯背景区域分割开；其次，将图像含有噪声的背景、前景的两个高斯混合模型，获得SLIC超像素图像，选取超像素的质心作为聚类中心进行K-Means 聚类；最后，在Gibbs能量函数中加入信息熵的监督量，可以减少前景、背景分割的迭代次数，加快模型的学习速度。具体以实施步骤如下：

步骤S1.前、背景目标候选框的自适应生成

由工业控制机控制工业相机拍摄得到即时图像，该系统通过传送带将砂石送至目标拍摄区域，经过一段时间的图像采集之后，传送带的履带上会附着大量的灰尘，如图2所示，灰尘的颜色与砂石极为相似，在处理时将引入大量的噪声给图像的处理带来诸多不便。

Grabcut算法需要用户手动地绘制一个矩形的目标候选框，为减少用户手工绘制目标候选框的时间，本实用新型设计了一种自适应生成目标候选框地方法。依照粒径在图像视野中的分布情况首先绘制一个目标候选框，其一是为了将候选框外的像素信息设置为背景标签，砂石的分割仅需要在目标候选框内部完成；其二在获得背景的像素信息后，能够有效地训练图像的机器学习模型。

绘制目标候选框的目的是将前景与背景做一个初步的分割，考虑到砂石是具有明显轮廓的目标，砂石边缘处的梯度通常大于背景的梯度，因此依照背景与目标物体的外围较为明显的“边缘”所在位置绘制所需要的候选框，具体的实施可以分为以下几个步骤：

步骤S11.提取原始图像的边缘

对于每张输入图像，先使用大小为3*3的高斯核进行高斯滤波并转成灰度图，然后采用Sobel边缘检测算子计算其边缘图像，边缘图像的像素值为各点处的梯度幅值，找到边缘最大的梯度幅值T_max，选取T＝0.65T_max作为“明显边缘”的分割阈值。将梯度幅值大于T的像素点赋值为1，梯度幅值小于T的像素点赋值为0，从而得到一张掩码图像(mask)；

步骤S12.依据阈值二值化图像

将掩码图像与输入图像逐元素相乘，即只保留输入图像中强边缘的像素点，将所得结果图记为temp，使用最大类间方差(OTSU)算法对temp进行全局阈值分割，将大于阈值的像素点赋值为255，小于阈值的像素点赋值为0，获得了仅含有边缘区域信息的二值图像，将所得结果图记为dst，

步骤S13.依照边缘所在区域绘制目标候选框

遍历dst中所有灰度值为255的像素点，找出其中横坐标的最小值X_min，纵坐标的最小值Y_min，横坐标的最大值X_max和纵坐标的最大值 Y_max，则目标候选框的左上角坐标和右下角坐标分别为(X_min，Y_min)和 (X_max，Y_max)。当经OTSU算法处理得到的位于边缘的砂石轮廓不封闭时，将导致目标候选框位置存在偏差，使得图像无法完全包裹住下方的物体，因此在之前坐标的基础上加上10个像素的裕量，对目标候选框的位置进行矫正。

步骤S2.SLIC超像素的K-Means算法质心聚类

步骤S21.高斯模型混合初始化

对于图像的分布，可以将其像素视作为基于高斯概率密度分布所形成的高斯概率模型(GMM)，其概率密度函数如下式(1)所示：

其中x为某一样本,π_k为第k个高斯分量的权重系数，N(x|μ_k，∑_k)为第k个高斯分量的高斯分布，其计算公式为：

式中μ_k为属于该高斯分量的样本的均值，∑_k为该高斯分量的协方差矩阵，D为样本的特征向量维数。选择K＝2可以更加贴近的拟合砂石图像模型，即初始化两个高斯混合模型，分别为前景模型(fgdGMM)和背景模型(bgdGMM)，两个模型的高斯分量数均为5。每个高斯分量都由 1个权重系数、3个均值(对应RGB三通道)和9个协方差矩阵的元素 (RGB三个通道，故为3*3矩阵)组成，即对应一个13维的向量。因为模型由5个组件组成，故每个高斯混合模型都是一个65维的向量。高斯分量的权重系数计算公式为：

其中，num_Sample_k为属于第k个高斯分量的样本个数，num_Total为样本总数，因此属于某个高斯分量的样本数越多，该高斯分量所占权重越大，5个高斯分量的权重之和等于1。

步骤S22.SLIC超像素算法

衡量超像素算法性能的指标主要有未分割率、边界召回率、速度、生成的超像素是否规则和超参数可控性，常用超像素算法在伯克利 (Berkeley)数据集上的表现如下表所示，测试样本分辨率均为 320*240。相对于其他几种常用的超像素算法，SLIC算法的处理速度最快，兼具优异的未分割率和边界召回率，同时因其超参数可控，生成的超像素也十分规则。因此，本文优选SLIC算法生成超像素。

S为超像素的边长，每隔S个像素取一个点，作为初始聚类中心。为了避免所选择的聚类中心是噪声点，算法做了改进，在3*3邻域内将聚类中心移动到梯度最小的位置，梯度计算如下：

表1.常用超像素算法表现(Berkeley数据集)

初始聚类中心确定后，遍历每个聚类中心的2S*2S邻域像素，计算其与聚类中心的距离，距离定义为：

其中d_lab和d_xy分别为像素到聚类中心的lab颜色空间距离和xy空间距离，一般采用欧式距离，计算公式如式(6)所示：

根据像素到各聚类中心的距离，将其归为距离最小的一类，直到所有像素归类完毕。然后计算各类的l，a，b，x，y的均值，作为新的聚类中心坐标，如此迭代直到聚类中心的坐标收敛。那么每一类的像素集合就形成一个超像素，全部超像素的集合即构成了超像素图像。

步骤S23.基于SLIC的K-Means聚类

超像素个数的多少会影响到超像素的精度以及后续迭代的处理速度，选定K＝400，即生成400个超像素。生成超像素后，仅使用超像素的质心进行聚类，聚类使用K-Means算法。本文用超像素的RGB三通道均值表示质心的特征向量，记质心集合为S，质心个数为K，则S可以表示为：

S＝{S₁,S₂,...,S_K}＝{(R₁,G₁,B₁),(R₂,G₂,B₂),...,(R_K,G_K,B_K)}

(7)

对以上K个质心，需要根据其位置确定初始标签。如果质心的空间坐标(x，y)位于初始矩形框内部，则将质心标签赋为3，表示候选的前景点；否则将标签赋为0，表示确定的背景点。这样就把S划分成了两个质心集合S₁、S₂，分别用来初始化前景和背景GMM模型。

最终获得的超像素，用超像素块的RGB均值代替块内所有点的像素值，增加超像素内部的平滑项用以进一步提升处理速度。

步骤S3.图像像素的迭代

步骤S31.Gibbs能量函数优化

在构建的无向图模型中，像素节点与源点S和汇点T之间的边的权值统称为数据项。为叙述方便起见，本实用新型将像素节点与源点、汇点之间的边的权值分别记为U_S、U_T，Grabcut算法计算U_S、U_T如下：

其中，和N_bgd(x|μ_k，∑_k)和N_fgd(x|μ_k，∑_k)分分别表示某一像素属于背景GMM 模型和前景GMM模型中的第k个高斯分量的概率，为常数，Grabcut 算法中取λ＝450。

当像素标签α不确定时，其U_S、U_T分别为该像素属于背景GMM模型与前景GMM模型概率的负对数。候选背景点(标签为2)的像素具有较小的N_bgd(x|μ_k，∑_k)和较大的N_bgd(x|μ_k，∑_k)，U_T其较大，U_S较小，因此最大流最小割算法倾向于将其与源点(前景)“割”开。同理，对于标签为3(候选前景点)的像素，最大流最小割算法倾向于将其与汇点(背景)“割”开。

信息熵是对信息量的度量，根据信息论，系统越有序，信息熵就越低。对于Grabcut算法来说，随着迭代次数增加，分割结果的熵逐渐减小。因此，向能量函数中引入熵的概念来监督图像分割，可以加快熵减的过程，从而加速收敛。本文在U_S和U_T和的基础上，增加了高斯分量权重系数的负熵，增加项的表达式为：

添加负熵项H(π)后的U_S和U_T分别计算如下：

其中ω为熵惩罚因子，实验中取ω＝5H_fgd(π)和H_bgd(π)分别表示前景GMM 模型和背景GMM模型的高斯分量权重系数的负熵。只有候选框中未知标签的前景与背景像素节点才添加负熵项，而对于确定是前景或背景的像素节点则不添加。对于候选框中未知标签的前景像素，将前景 GMM模型高斯分量权重系数的负熵ωH_fgd(π)加到U_S上；对于候选框中未知标签的背景像素，将背景GMM模型高斯分量权重系数的负熵ωH_bgd(π) 加到U_T上。

确定图模型后，采用最大流最小割算法求解割集，在无向图上求解一个割，使割边上的权值之和最小，即总能量最小。当这样一个割被求出，则图像分割完成。

在本实用新型的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本实用新型和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本实用新型的限制，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

以上显示和描述了本实用新型的基本原理和主要特征和本实用新型的优点。本行业的技术人员应该了解，本实用新型不受上述实施例的限制，上述实施例和说明书中描述的只是说明本实用新型的原理，在不脱离本实用新型精神和范围的前提下，本实用新型还会有各种变化和改进，这些变化和改进都落入要求保护的本实用新型范围内。本实用新型要求保护范围由所附的权利要求书及其等效物界。

Claims (7)

1.一种基于图像的砂石粒径分析设备，其特征在于：包括有固定架(6)和安装在固定架(6)上的下料设备(1)、图像采集设备(3)、图像处理设备(4)和显示器(5)，所述图像采集设备(3)与图像处理设备(4)连接，所述图像处理设备(4)与显示器(5)连接，所述图像采集设备(3)对准下料设备(1)的出料口。

2.根据权利要求1所述的一种基于图像的砂石粒径分析设备，其特征在于：所述砂石粒径分析设备还包括有补光设备(2)，所述补光设备(2)位于下料设备(1)左侧，所述图像采集设备(3)位于下料设备(1)右侧。

3.根据权利要求1所述的一种基于图像的砂石粒径分析设备，其特征在于：在所述固定架(6)上设有导轨，在所述导轨活动插接有滑块(7)，所述图像采集设备(3)安装在滑块(7)上。

4.根据权利要求1所述的一种基于图像的砂石粒径分析设备，其特征在于：在所述下料设备(1)下方的固定架(6)上设有通槽，在所述通槽下方设有回收箱(8)。

5.根据权利要求1至4中任一项所述的一种基于图像的砂石粒径分析设备，其特征在于：所述下料设备(1)包括设置在固定架(6)上的安装杆，在所述安装杆上固定有漏斗。

6.根据权利要求1至4中任一项所述的一种基于图像的砂石粒径分析设备，其特征在于：所述图像采集设备(3)采用由相机和镜头组成。

7.根据权利要求2所述的一种基于图像的砂石粒径分析设备，其特征在于：所述补光设备(2)包括有固定在固定架(6)上的补光灯。

Images