DE202023101026U1

DE202023101026U1 - Eine kombinierte Bildverarbeitungstechnik und ein überwachtes lernbasierendes System für die Korngrössenverteilung sandiger Böden

Info

Publication number: DE202023101026U1
Application number: DE202023101026.1U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2023-03-03
Filing date: 2023-03-03
Publication date: 2023-03-20
Anticipated expiration: 2033-03-04

Abstract

Eine kombinierte Bildverarbeitung und überwachtes lernbasiertes System für die Korngrößenverteilung von Sandböden, das System umfasst:
eine Bildeingabeeinheit zum Empfangen von Bildern eines Bereichs von Bodenproben;
einen Vorprozessor zum Ändern der Größe von Bodenbildern und zum Unterteilen in ganzzahlige Fenster, wodurch die Bodenbilder mit Schwellenwerten versehen werden, um Bilder zu segmentieren, um den interessierenden Bereich unter Verwendung einer Otsu-Technik zu erhalten, wobei die lokale Granulometrie auf binäre Bilder angewendet wird, die nach der Schwellenwertbildung erhalten werden;
einen Merkmalsextraktionsprozessor zum Extrahieren granulometrischer Merkmale; und
einen zentralen Prozessor, der mit einem Support Vector Machine (SVM)-Klassifikator zum Klassifizieren jedes Fensters beim Anwenden einer lokalen morphologischen Granulometrie für die Korngrößenverteilung von Sandböden beim Vergleichen der extrahierten granulometrischen Merkmale mit granulometrischen Schwellenmerkmalen ausgestattet ist.

Description

GEBIET DER ERFINDUNG
Die vorliegende Offenbarung betrifft eine kombinierte Bildverarbeitungstechnik und ein auf überwachtem Lernen basierendes System für die Korngrößenverteilung von Sandböden.
HINTERGRUND DER ERFINDUNG
Die Bodenklassifizierung wurde erst erforderlich, als schwere Bauwerke Anfang des 20. Jahrhunderts versagten. Die Klassifizierung wurde vorgenommen, um in der Ingenieurgemeinschaft die gleichen Vorstellungen über Bodeneigenschaften zu vermitteln. Die erste Tonklassifizierung wurde 1911 eingeführt. Eine weit verbreitete USCS-Bodenklassifizierung wurde 1948 eingeführt. Die Korngrößenverteilung (GSD) hilft bei der Klassifizierung von Böden nach der Größe der vorhandenen Körner. Bei der Messung der GSD des Bodens werden im Allgemeinen zwei Methoden verwendet. Bei Böden mit einer Feinheit von mehr als 50 % wird ein Hydrometertest verwendet, und bei einer Feinheit von weniger als 50 % wird eine Siebanalyse verwendet. In USCS wird der Boden in 16 Typen eingeteilt. Für feinkörnigen Boden sind Plastizitätseigenschaften der Hauptklassifizierungsparameter. Während für grobkörnigen Boden GSD der Klassifizierungsparameter ist. Bei USCS wird der Boden mit einer Feinheit von weniger als 5 % in vier Kategorien eingeteilt. Nur die GSD eines solchen Bodens wurde mit Image Processing (IP) berechnet. Wenn in der Geotechnik eine Siebgrößenanalyse durchgeführt wird, sind die Hauptmerkmale der Prozentsatz, der auf jedem Sieb zurückgehalten wird, um die Größenverteilung des Bodens zu erhalten.
In der Bildverarbeitung wurde 1976 das Konzept der morphologischen Granulometrie eingeführt, bei der die Größenverteilung durch „Öffnen“ des binären Bildes durch aufeinanderfolgende Iterationen zunehmender „Strukturelement“ -Größe erhalten wurde. Der Forscher behandelte das binäre Bild als eine Sammlung von Körnern und siebte dann die Körner, was zu einer reduzierten Restfläche führte, da jedes Korn durch die zunehmende Maschenweite des Siebs fiel. Es wurde 1986 gezeigt, dass die Quantisierung beim Sieben ein zweistufiger Prozess ist, zuerst ist die geometrische Transformation und dann die Messung. Weitere Forscher zeigten die Anwendung lokaler morphologischer Granulometrie bei der Texturklassifizierung. Sie stellten fest, dass lokale Pixel mit denselben lokalen Momenten homogen sein würden, und schließlich wurde eine Segmentierung an dem statistischen Bild durchgeführt, das aus dem lokalen Moment erhalten wurde.
Es wurde eine halbautomatische Technik eingeführt, bei der die Größe eines Partikels berechnet wurde, indem die Anzahl der von den Partikeln besetzten Pixel gezählt wurde. Dieses Zählen der Pixel war manuell und führte zu einem Fehler in der Korngrößenverteilung. Die Technik war teuer, bei der die Bodenprobe mit Hilfe von Drahtgeflecht und Partikeldispersionsrinne gleichmäßig auf Glas verteilt wurde. Das Zählen von Pixeln ist im Fall von abgelösten Partikeln zugänglich, während das Erhalten deutlicher Kanten für Bilder von überlappenden Kornpartikeln komplex ist und das Zählen von Pixeln zu einer unmöglichen Aufgabe wird. Die Einschränkung der Bodenbildverarbeitung, die nur auf gleichmäßig abgestuften Boden anwendbar ist, führte zu einer Technik, bei der der Boden zuerst in einem Säulensedimentationssystem mit einem Querschnitt von 5.1 cm * 5.1 cm und einer Höhe von 244 cm getrennt wurde. Daher enthält das aufgenommene Bodenbild Partikel mit relativ einheitlicher Größe. In früheren Untersuchungen basierte das Erhalten der Korngrößenverteilung für aggregierten Boden auf einem statistischen Maß für die Textur, die aufgrund der Bodenfarbe und der Beleuchtung des Bildes für Änderungen anfällig war. Dieses Problem sich ändernder Texturindizes wurde durch Anwendung von Granulometrie überwunden. Das Konzept der morphologischen Granulometrie als eine Art Sieboperation wurde 1976 eingeführt. Die Granulometrie wurde durch Öffnung durchgeführt, die mit der Translation und der euklidischen Geometrie kompatibel war. 1986 wurde definiert, dass die Größenverteilung für jede Familie von Mengentransformationen von einem positiven Parameter abhängt und die drei Haupteigenschaften von Teilmenge, Teilpopulation und Idempotenz erfüllt. Anstatt die Granulometrie auf das gesamte Bild anzuwenden, wurde eine lokale Größenverteilung auf dem Fensterbereich innerhalb des Bildes durchgeführt. Die lokale Größenverteilung führt zu lokalen Statistiken an jedem Pixel, die dazu neigen, über einen gegebenen Bereich derselben Textur homogen zu sein. Die Grundidee beim Öffnen bestand darin, auf lokale Texturen einzuwirken. Dies führt zu einer lokalen Größenverteilung an jedem Pixel, und eine Normalisierung der Verteilung ergibt die Dichte an jedem Pixel. Die Dichte an jedem Pixel besitzt Mittelwert und Varianz, die zur Klassifizierung verwendet wurden. Ein Graustufenbild (Mittelwert des Musterspektrums) ist nur ein Array von Statistiken lokaler Pixel, die durch eine Größenverteilung lokaler Pixel erhalten werden. Das Musterspektrum des Bildes, das nur die Ableitung der Wahrscheinlichkeitsverteilungsfunktion (Normalisierung der Verteilungsfunktion) ist, wird verwendet, um als Deskriptor für die lokale Textur zu dienen. Die Segmentierung wird dann durchgeführt, indem ein geeigneter Schwellenwert von PSM ausgewählt wird. Die lokale Granulometrie und der Maximum-Likelihood-Klassifikator wurden abgesehen von 1992 diskutiert. Die Genauigkeit des Klassifikators für verschiedene Fenstergrößen wurde bestimmt und für ein 11-Pixel-Fenster für abhängige Daten als 99% genau und für ein 20-Pixel-Fenster als 98% genau befunden -Pixelfenster für unabhängige Daten. Das Merkmal der lokalen Größenverteilung ist also nur dann ein guter Deskriptor, wenn das gesamte Fenster innerhalb eines gegebenen Texturbereichs liegt. Ein großes Fenster verringert die Variation des Merkmals auf Kosten einer weniger detaillierten Segmentierung. Es werden also kleine Fenster verwendet, was eine signifikante Schwankung verursacht und die lokale Variabilität zwischen den Grenzen von Textursegmenten bewahrt. Ein Maximum-Likelihood-Klassifikator wurde verwendet, um minimale Merkmalssätze für die Klassifizierung der Textur zu erhalten. Momente des lokalen morphologischen granulometrischen Musterspektrums wurden zur Klassifizierung verwendet. Es wurde festgestellt, dass Mittelwert (PSM), Standardabweichung (PSSD) und Schiefe (PSS) ausreichend waren, um eine hohe Genauigkeit zu erreichen. Es wurde ein 8-Bit-Graustufenbild mit fünf strukturierenden Elementen (horizontal, vertikal, diagonal +45, -45, kreisförmig), drei Momenten (PSS, PSSD, PSS) und zwei zusätzlichen Merkmalen verwendet. Daher wurden im Klassifikator insgesamt 17 Merkmale verwendet. Graustufen-Texturbilder wurden aus der Sammlung fotografischer Texturen entnommen.
Im Hinblick auf die vorstehende Diskussion wird deutlich, dass ein Bedarf an einem System für die Korngrößenverteilung von Sandböden auf der Grundlage lokaler Granulometrie- und Bildverarbeitungstechniken besteht.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Offenbarung versucht, ein System zum Bestimmen der Korngrößenverteilung von Sandböden unter Verwendung einer digitalen Bildverarbeitungstechnik und auf der Grundlage von überwachtem Lernen bereitzustellen . Das Konzept der Granulometrie wird weiter zu lokaler Granulometrie modifiziert, um verschiedene Texturen basierend auf Momenten des Musterspektrums zu klassifizieren. Lokale Granulometrie wird zusammen mit überwachtem Lernen verwendet, um Fenster in verschiedene Klassen zu klassifizieren. Diese Fensterklassifikation würde dazu führen, dass wir basierend auf einigen Annahmen eine Korngrößenverteilungskurve erhalten.
In einer Ausführungsform Offenbart wird eine kombinierte Bildverarbeitung und überwachtes lernbasiertes System für die Korngrößenverteilung von Sandböden. Das System umfasst eine Bildeingabeeinheit zum Empfangen von Bildern eines Bereichs von Bodenproben. Das System umfasst ferner einen Vorprozessor zum Ändern der Größe von Bodenbildern und zum Unterteilen in ganzzahlige Fenster, wodurch die Bodenbilder mit Schwellwerten versehen werden, um Bilder zu segmentieren, um den interessierenden Bereich unter Verwendung einer Otsu-Technik zu erhalten, wobei die lokale Granulometrie auf nach der Schwellwertbildung erhaltene Binärbilder angewendet wird. Das System umfasst ferner einen Merkmalsextraktionsprozessor zum Extrahieren granulometrischer Merkmale. Das System umfasst ferner einen zentralen Prozessor, der mit einem Klassifizierer einer Stützvektormaschine (SVM) zum Klassifizieren jedes Fensters beim Anwenden einer lokalen morphologischen Granulometrie für die Korngrößenverteilung von Sandböden beim Vergleichen der extrahierten granulometrischen Merkmale mit granulometrischen Schwellenmerkmalen ausgestattet ist.
Eine Aufgabe der vorliegenden Offenbarung ist es, die Korngrößenverteilung von Sandböden unter Verwendung digitaler Bildverarbeitung zu bestimmen.
Eine weitere Aufgabe der vorliegenden Offenbarung ist es, ein mehrschichtiges Bodenklassifizierungssystem unter Verwendung von Bildverarbeitung zu entwickeln Techniken und betreut Lerntechniken.
Noch eine weitere Aufgabe der vorliegenden Erfindung besteht darin, eine schnelle und kostengünstige Lösung bereitzustellen
Um die Vorteile und Merkmale der vorliegenden Offenbarung weiter zu verdeutlichen, erfolgt eine genauere Beschreibung der Erfindung unter Bezugnahme auf spezifische Ausführungsformen davon, die in den beigefügten Zeichnungen dargestellt ist. Es versteht sich, dass diese Zeichnungen nur typische Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung ihres Umfangs anzusehen sind. Die Erfindung wird mit zusätzlicher Spezifität und Einzelheiten mit den beigefügten Zeichnungen beschrieben und erläutert.
Figurenliste
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verständlich, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Zeichnungen gelesen wird, in denen gleiche Zeichen in allen Zeichnungen gleiche Teile darstellen, wobei:

1 veranschaulicht ein Blockdiagramm einer kombinierten Bildverarbeitungstechnik und eines auf überwachtem Lernen basierenden Systems für die Korngrößenverteilung von Sandböden gemäß einer Ausführungsform der vorliegenden Offenbarung;
2(A) und 2(B) veranschaulichen die Modellerstellung und -klassifizierung gemäß einer Ausführungsform der vorliegenden Offenbarung;
3(A) und 3(B) veranschaulichen ein Musterspektrum für ein lokales Fenster der Klasse 150 Mikrometer und der Klasse 300 Mikrometer gemäß einer Ausführungsform der vorliegenden Offenbarung;
4 veranschaulicht, dass Tabelle 1 den Durchschnittswert für Merkmale darstellt, die für einige der Klassen gemäß einer Ausführungsform der vorliegenden Offenbarung extrahiert wurden; und
5 veranschaulicht, dass Tabelle 2 die Eigenschaften von Bodenproben gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.

Ferner werden Fachleute erkennen, dass Elemente in den Zeichnungen der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet sein müssen. Zum Beispiel veranschaulichen die Flussdiagramme das Verfahren in Bezug auf die hervorstechendsten Schritte, die beteiligt sind, um dabei zu helfen, das Verständnis von Aspekten der vorliegenden Offenbarung zu verbessern. Darüber hinaus können in Bezug auf die Konstruktion der Vorrichtung eine oder mehrere Komponenten der Vorrichtung in den Zeichnungen durch herkömmliche Symbole dargestellt worden sein, und die Zeichnungen können nur solche spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind um die Zeichnungen nicht mit Details zu verdecken, die für den Durchschnittsfachmann, der von der hierin enthaltenen Beschreibung profitiert, leicht ersichtlich sind.
DETAILLIERTE BESCHREIBUNG:
Um das Verständnis der Prinzipien der Erfindung zu fördern, wird nun auf die in den Zeichnungen dargestellte Ausführungsform Bezug genommen, und es wird eine spezifische Sprache verwendet, um diese zu beschreiben. Es versteht sich jedoch, dass dadurch keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weiteren Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Prinzipien der Erfindung in Betracht gezogen werden, wie sie einem Fachmann normalerweise einfallen würden in der Technik, auf die sich die Erfindung bezieht.
Fachleute werden verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht beschränken sollen.
Die Bezugnahme in dieser gesamten Beschreibung auf „einen Aspekt“, „einen anderen Aspekt“ oder ähnliche Ausdrücke bedeutet, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder Eigenschaft, die in Verbindung mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Somit können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen dies aber nicht.
Die Begriffe „umfassen“, „umfassend“ oder andere Variationen davon sollen einen nicht ausschließlichen Einschluss abdecken, so dass ein Prozess oder Verfahren, das eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern andere Schritte nicht umfassen kann ausdrücklich aufgeführt oder einem solchen Prozess oder Verfahren innewohnend. In ähnlicher Weise schließen ein oder mehrere Geräte oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, denen „umfasst ... ein“ vorangestellt ist, ohne weitere Einschränkungen nicht die Existenz anderer Geräte oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen aus oder andere Komponenten oder zusätzliche Geräte oder zusätzliche Teilsysteme oder zusätzliche Elemente oder zusätzliche Strukturen oder zusätzliche Komponenten.
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie allgemein von einem Durchschnittsfachmann auf dem Gebiet verstanden wird, zu dem diese Erfindung gehört. Das hierin bereitgestellte System, Verfahren und Beispiele sind nur veranschaulichend und sollen nicht einschränkend sein.
Ausführungsformen der vorliegenden Offenbarung werden unten im Detail unter Bezugnahme auf die begleitenden Zeichnungen beschrieben.
Unter Bezugnahme auf 1 ist ein Blockdiagramm einer Kombination aus Bildverarbeitungstechnik und überwachtem lernbasiertem System für die Korngrößenverteilung von Sandböden gemäß einer Ausführungsform der vorliegenden Offenbarung dargestellt. Das System 100 umfasst eine Bildeingabeeinheit 102 zum Empfangen von Bildern eines Bereichs von Bodenproben.
In einer Ausführungsform ist ein Vorprozessor 104 mit der Bildeingabeeinheit 102 verbunden, um Bodenbilder in der Größe zu ändern und sie in ganzzahlige Fenster zu unterteilen, wodurch die Bodenbilder mit Schwellenwerten versehen werden, um Bilder zu segmentieren, um den interessierenden Bereich unter Verwendung einer Technik von Otsu zu erhalten, wobei die lokale Granulometrie wird auf Binärbilder angewendet, die nach der Schwellenwertbildung erhalten werden.
In einer Ausführungsform ist ein Merkmalsextraktionsprozessor 106 mit dem Vorprozessor 104 zum Extrahieren granulometrischer Merkmale verbunden.
In einer Ausführungsform ist ein Zentralprozessor 108 mit dem Merkmalsextraktionsprozessor 106 verbunden, der mit einem Support Vector Machine (SVM)-Klassifikator 110 zum Klassifizieren jedes Fensters beim Anwenden einer lokalen morphologischen Granulometrie für die Korngrößenverteilung von Sandböden beim Vergleichen der extrahierten granulometrischen Merkmale mit verbunden ist Granulometrische Merkmale der Schwelle.
In einer anderen Ausführungsform ist eine Kamera 122 mit der Bildeingabeeinheit 102 gekoppelt, um Bilder des Bereichs von Bodenproben mit einem Pixel-zu-Tiefe-Verhältnis (P:D-Verhältnis) von vorzugsweise 30:1 aufzunehmen.
In einer anderen Ausführungsform wird die Fenstergröße größer als 4.75 mm (143 Pixel breit) und nicht groß genug gewählt, um die Variabilität der Körnung zu beeinträchtigen, wobei die Fenstergröße vorzugsweise als 200 Pixel breit gewählt wird.
In einer anderen Ausführungsform werden die Grenzpixel für die Anwendung eines Filters 124 für einen linearen räumlichen Filter repliziert, und es wird eine Korrelation durchgeführt, wobei die linearen räumlichen Filter eine Mittelwertbildung und Unschärfemaskierung aufweisen, wobei die Mittelwertbildung des Bodenbilds grobe Körner für Euler segmentiert Zahlen, kleiner als -5, die ansonsten mit Löchern und Unscharfmaskierung für Euler-Zahlen größer als -5 gefüllt sind.
In einer anderen Ausführungsform wird ein Code basierend auf der Euler-Zahl entwickelt, die gleich der Differenz in der Anzahl von Objekten und Löchern in der Region ist, wobei die Euler-Zahl auf dem lokalen Fenster berechnet wird.
In einer anderen Ausführungsform wird die Granulometrie nur als Mustererkennung für überwachtes Lernen verwendet, wobei lokale morphologische Granulometrie gewissermaßen angewendet wird, um jedes Fenster zu klassifizieren, anstatt eines bestimmten Pixels, um zeiteffizient zu sein.
In einer anderen Ausführungsform umfasst die Trainingseinheit eine Bilderfassungseinheit 112 zum Erfassen eines Satzes von Bildern im Verhältnis 1:1 aus einem Bilddatensatz, dann ist eine Vorverarbeitungseinheit 114 zum Ändern der Größe von Bodenbildern von 3024 × 3024 Pixel auf 3000 verbunden *3000 Pixel und Unterteilung in ganzzahlige Fenster, wodurch die Bodenbilder in Schwellwerte unterteilt werden, um Bilder zu segmentieren, um den interessierenden Bereich zu erhalten, dann eine Merkmalsextraktionseinheit 116 zum Extrahieren granulometrischer Merkmale, dann eine Klassifizierungsverarbeitungseinheit 118 zum Klassifizieren des Bodens in sieben Klassen unter Verwendung von überwacht Lernen, die Datenbank vorzubereiten, dann eine Steuereinheit 120 zum Bereinigen der vorbereiteten Datenbank und dadurch Behandeln mit dem SVM-Klassifikator, wobei der SVM-Klassifikator 110 vorzugsweise ein quadratischer Support-Vektor-Maschinen-Klassifikator mit einem Eins-zu-Eins-Multiklassen-Verfahren ist.
In einer anderen Ausführungsform wird der Boden zum Validieren der SVM durch verschiedene Größen mit verschiedenen Siebklassen gesiebt, die aus 150 Mikron, 300 Mikron, 425 Mikron, 850 Mikron, 1180 Mikron, 2360 Mikron und 4750 Mikron oder ausgewählt sind 150 Mikrometer, 300 Mikrometer, 425 Mikrometer, 600 Mikrometer, 1180 Mikrometer, 2360 Mikrometer und 4750 Mikrometer usw.
In einer anderen Ausführungsform werden für die Korngrößenverteilung der Probe aus dem Musterspektrum extrahierte Merkmale auf den SVM-Klassifikator angewendet, um lokale Fenster in ihre bestimmte Klasse zu klassifizieren, wobei der Boden homogen ist und jede Witwe als Zugehörigkeit zu einer bestimmten klassifiziert wird Typ wird nur mit dieser Körnung und Einheitsdicke gefüllt.
In einer anderen Ausführungsform wird eine niedrigere Klasse (Ausgabe) für die Klassifizierung als auf einem 150-Mikrometer-Sieb zurückgehaltener Boden beim überwachten Lernen ausgewählt, und der Bereich der Bodenkörnung wird für die Klassifizierung in Abhängigkeit von dem P:D-Verhältnis und der Fenstergröße (lokale Granulometrie) priorisiert).
2(A) und 2(B) veranschaulichen die Modellerstellung und -klassifizierung gemäß einer Ausführungsform der vorliegenden Offenbarung. Die Grundidee hinter der Korngrößenverteilung des Bodens ist die Anwendung des überwachten Lernens auf die lokale Granulometrie. Lokale morphologische Granulometrie wird an dem Binärbild durchgeführt, das mit der Technik mit Schwellenwerten versehen wurde. Aber da die Klassifizierung jedes Pixels zeitaufwändig ist und sich als nachteilig gegenüber der herkömmlichen Bodensiebung erwiesen hat. Daher wird eine lokale morphologische Granulometrie in gewisser Weise angewendet, um jedes Fenster zu klassifizieren, anstatt eines bestimmten Pixels, um zeiteffizient zu sein.
Zur Modellvorbereitung werden viele Proben im Labor gesiebt, und auf einem bestimmten Sieb zurückgehaltene Proben werden aufgefangen und entsprechend dem zurückbehaltenen Sieb gekennzeichnet. Bilder von zu klassifizierenden Proben werden zuerst aufgenommen und dann zur Validierung gesiebt. Die meisten verwendeten Bodenproben sind trocken, und in einigen Fällen enthielt die Bodenprobe einen Wassergehalt von weniger als 3 %.
Bildaufnahme
Die Smartphone -Kamera wurde zur Modellvorbereitung und Bodenklassifizierung verwendet. Das Smartphone verfügt über eine 12-Megapixel-Sensorkamera. Die aufgenommenen Bodenbilder haben ein Seitenverhältnis von 1:1 und eine Auflösung von 9 Megapixeln (3024*3024). Die Fläche der abzubildenden Bodenproben ist 10cm*10cm groß. Dabei wird auf eine gleichmäßige Verteilung der Erde auf einem Tablett geachtet, damit die Erdschicht möglichst dünn ist und alle Erdkörner in das Bodenbild einbezogen werden. Für eine Probe von 1 kg Gewicht werden 10-30 Bilder aufgenommen und verarbeitet.
Das Verhältnis von Pixel zu Tiefe (mm) (P:D-Verhältnis) beträgt 30:1. Die minimale theoretische Abmessung für ein solches P:D-Verhältnis beträgt 33.33 Mikron, jedoch aufgrund der Granulometrie und der Datenpunkte (statistische Maße des Musterspektrums), die für feine Körner zu nahe beieinander liegen. Die minimale Abmessung, für die das vorliegende Modell empfindlich ist, beträgt 100 Mikrometer. Daher wird beim überwachten Lernen die Unterklasse (Ausgabe) für die Klassifizierung als Schmutz ausgewählt, der auf einem 150-Mikron-Sieb zurückgehalten wird. Die maximale Abmessung, die das vorliegende Modell klassifizieren wird, hängt von der Größe des Fensters ab, die diskutiert werden wird. Daher hängt der Bereich der zu klassifizierenden Bodenkörnung vom P:D-Verhältnis und der Fenstergröße (lokale Granulometrie) ab.
Vorverarbeitung
Die Vorverarbeitung wird zur Größenänderung, linearen räumlichen Filterung und Schwellenwertbildung verwendet. Der Hauptgrund für die Größenänderung von Bodenbildern von 3024*3024 Pixel auf 3000*3000 Pixel ist, dass Bodenbilder in ganzzahlige Fenster unterteilt sind. Ein weiterer Grund ist die Verallgemeinerung des Modells, bei dem Bilder mit unterschiedlichen räumlichen Auflösungen zur Klassifizierung analysiert werden können. Wenn Bodenbilder für jedes Pixel klassifiziert wurden, ist eine Größenänderung für das ganzzahlige Fenster nicht erforderlich.
Für das lineare räumliche Filter werden Grenzpixel für die Anwendung des Filters 124 repliziert. Für die Fensterklassifikation ist kein Auffüllen erforderlich. Wenn eine Pixelklassifizierung durchgeführt worden wäre, wäre das Auffüllen wesentlich gewesen, oder Grenzpixel müssten für die Klassifizierung weggelassen werden. Da keine Auffüllung erfolgt, ist die Größe eines Ausgabebildes dieselbe wie die des Eingabebildes. Was den Filtermodus betrifft, wird eine Korrelation durchgeführt. Lineare räumliche Filter sind Mittelwertbildung und unscharfe Maskierung. Das Hauptproblem entstand aufgrund der Verallgemeinerung der Segmentierung für grobe und feine Körner. Wenn die Segmentierung für Grobkorn verbessert wird, würde dies die Feinkornsegmentierung beeinträchtigen und umgekehrt. Der Hauptzweck der Mittelung des Bodenbildes besteht darin, grobe Körner zu segmentieren, die ansonsten mit Löchern gefüllt sind. Das Füllen von Löchern ist ebenfalls eine Option, aber beide Verfahren beeinträchtigten die Feinkornsegmentierung. Also wird ein Code basierend auf der Euler-Zahl entwickelt, die gleich der Differenz in der Anzahl von Objekten und Löchern in der Region ist. Es wird festgestellt, dass für Euler-Zahlen eine Mittelung von weniger als -5 erforderlich ist, und für Euler-Zahlen von mehr als -5 die Unschärfemaske erforderlich ist. Es ist zu beachten, dass die Euler-Zahl im lokalen Fenster berechnet wird.
Der Zweck der Schwellenwertbildung besteht darin, Bilder zu segmentieren, um den interessierenden Bereich zu erhalten, bei dem es sich um Körner handelt. Eine bestimmte Technik wird als allgemeine Segmentierungstechnik für alle Fotos verwendet. Lokale Granulometrie wird auf Binärbilder angewendet, die nach der Schwellenwertbildung erhalten werden. Nach der Segmentierung von Bodenbildern wird festgestellt, dass sich Körner überlappen. Granulometrie dient nur als Mustererkennung für überwachtes Lernen und nicht als direkte Messung der Größe von Partikeln anhand des Radius des strukturierenden Elements. Es sollte beachtet werden, dass Filter und Schwellenwerte auf dem globalen Bodenbild durchgeführt werden.
Granulometrische Merkmale
Die auf das gesamte Bild angewendete globale Granulometrie ist nur dann ein gutes Maß für die Korngröße, wenn sich die Körner nicht überlappen. Die lokale Granulometrie bewahrt die lokale Variabilität für überlappende Körner, vorausgesetzt, die Fenster sind klein. Außerdem besitzen Merkmale des Musterspektrums eine hohe Genauigkeit für die Texturklassifizierung. Diese Konzepte werden zu unserem Vorteil genutzt. Da aber jede Pixelklassifizierung zeitaufwändig ist und sich für die geotechnische Bodensiebung als unvorteilhaft erwiesen hat. Daher wird eine lokale morphologische Granulometrie in gewisser Weise angewendet, um jedes Fenster zu klassifizieren, anstatt eines bestimmten Pixels, um zeiteffizient zu sein. Die Fenstergröße wird größer als 4,75 mm (143 Pixel breit) und nicht groß genug gewählt, um die Variabilität der Körnung zu beeinträchtigen. Die Fenstergröße wird also mit einer Breite von 200 Pixeln ausgewählt. Daher beträgt die theoretische maximale Abmessung für die Kornmessung des aktuellen Modells 6,6 mm. Daher wird ein globales Bodenbild in 225 Fenster unterteilt. Wie bereits erwähnt, wäre die Klassifizierung jedes Pixels zeitaufwändig gewesen, da ein Bodenbild in 900,000 Fenster unterteilt worden wäre.
3(A) und 3(B) veranschaulichen ein Musterspektrum für ein lokales Fenster der Klasse 150 Mikrometer und der Klasse 300 Mikrometer gemäß einer Ausführungsform der vorliegenden Offenbarung. Das Musterspektrum, das von der aus der Granulometrie erhaltenen Wahrscheinlichkeitsverteilungsfunktion abgeleitet ist, besitzt Spitzen bei der in einem Bild vorhandenen Korngröße. Aus dem Musterspektrum werden statistische Maße zur Klassifizierung lokaler Fenster entnommen. Aus dem Musterspektrum extrahierte Daten sind Mittelwert (PSM), Standardabweichung (PSD), Schiefe (PSS), Kurtosis (PSK), fünftes Moment (PS5), Anzahl der Spitzen (N- _Spitze) und Wert der maximalen Spitze (M - _Spitze ). ).
Modellvorbereitung / Klassifizierung (überwachte lokale Granulometrie): Eine der Einschränkungen bei der Verwendung der Granulometrie zur Bodenklassifizierung ist die Überlappung von Bodenkörnern, die zu einer falschen Verteilungskurve führt. Um diese Einschränkung zu überwinden, wird einer der Vorteile der Granulometrie weggenommen, nämlich die Verteilung jeder im Boden vorhandenen Korngröße. Anstelle der unüberwachten Granulometrie wird also überwachtes Lernen verwendet, bei dem der Boden in sieben Klassen eingeteilt wird. Zur Validierung durch Labortests wird der Boden durch verschiedene Größen gesiebt, daher werden eine Reihe von Modellen mit unterschiedlichen Siebklassen hergestellt. B. 150 Mikrometer, 300 Mikrometer, 425 Mikrometer, 850 Mikrometer, 1180 Mikrometer, 2360 Mikrometer und 4750 Mikrometer oder 150 Mikrometer, 300 Mikrometer, 425 Mikrometer, 600 Mikrometer, 1180 Mikrometer , 2360 Mikrometer und 4750 Mikrometer usw.
Die aus sieben Klassen erstellte Datenbank wird zuerst bereinigt und dann mit einem SVM-Klassifikator behandelt, und es wird eine Genauigkeit von 91,1 % erhalten. Es ist zu beachten, dass die Bildverarbeitung und Modellvorbereitung erfolgt ist. Die nach der Merkmalsextraktion erhaltene Datenbank wird zur Modellvorbereitung in die Klassifikationslerner-App eingespeist. Für Overfitting wird eine Kreuzvalidierung von 5 verwendet. Sieben Merkmale und sieben Klassen werden mit einem Eins-zu-eins-Mehrklassenverfahren einem quadratischen Support-Vector-Machine-Klassifikator zugeführt.
Für die Korngrößenverteilung der Probe werden aus dem Musterspektrum extrahierte Merkmale auf das SVM-Modell angewendet, um lokale Fenster in ihre jeweilige Klasse zu klassifizieren. Die Annahme ist, dass der Boden homogen ist und jede Witwe, die zu einem bestimmten Typ gehört, nur mit dieser Korngröße und Einheitsdicke gefüllt ist.
4 veranschaulicht, dass Tabelle 1 den Durchschnittswert für Merkmale darstellt, die für einige der Klassen gemäß einer Ausführungsform der vorliegenden Offenbarung extrahiert wurden.
5 veranschaulicht, dass Tabelle 2 die Eigenschaften von Bodenproben gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
Neben der Bildanalyse zur Validierung wird im Labor gesiebt. Achtzehn Proben werden auf Korngrößenverteilung getestet, drei Proben hatten mehr als 50 % Kiesanteil, und der Rest sind Sandproben. Die restlichen drei Proben werden bildanalytisch als Kies klassifiziert, da mehr als 50 % in die Klasse 4,75 mm eingeordnet werden und für diese Proben keine Korngrößenverteilung gezeichnet wird. Die Kurve der Korngrößenverteilung (GSD) der Probe ist unter Verwendung von Bildverarbeitungstechniken einigermaßen genau. Der quadratische mittlere Restfehler (RSME) für Prozent feiner beträgt weniger als 10 % für alle Proben. Der Fehler ist hauptsächlich auf die Annahme einer Ein-Fenster-Ein-Schicht-Klassifizierung zurückzuführen, wobei bei dieser Annahme die Einstufung des Fensters in eine bestimmte Klasse von dem großen Prozentsatz der spezifischen Korngröße in diesem Fenster abhängt. Es ist ersichtlich, dass sogar für ungleichmäßigen Boden mit überlappenden Körnern eine gute Genauigkeit für die GSD-Kurve erhalten wird. Tabelle 2 zeigt einige der Eigenschaften der Proben.
Die kombinierte Bildverarbeitungstechnik und überwachtes Lernen wurden vorgestellt, um die Korngrößenverteilung von Sandböden zu erhalten. Mit der Anwendung lokaler Granulometrie mit einer Fenstergröße von 200 Pixeln und einem P:D-Verhältnis von 30:1 wird die GSD eines Bodens erreicht, der Partikel im Bereich von 0.150 bis 4,75 mm enthält. Dieser Bereich kann leicht angepasst werden, indem das P:D-Verhältnis, die lokale Fenstergröße und die Klassen beim überwachten Lernen erhöht werden.
Die digitale Bildbearbeitung und Aufbereitung des Modells erfolgt über eine Software, bei der es sich um ein kostenpflichtiges Softwareprodukt mit matrixbasierter Sprache handelt. Diese Technik kann jedoch auch mit Hilfe der Python-Sprache unter Verwendung einer beliebigen integrierten Entwicklungsumgebung entwickelt werden.
Während die vorgeschlagene Technik sehr genau und unkompliziert ist, kann die Annahme einer Ein-Fenster-Ein-Schicht-Klassifizierung in eine Mehrschicht-Klassifizierung modifiziert werden, um Fehler zu reduzieren. Außerdem kann die Anzahl der für eine Bodenprobe aufgenommenen Bilder reduziert werden, indem die Auflösung des Bildes erhöht wird, während das P:D-Verhältnis für das aktuelle Modell beibehalten wird. Die flexible Natur der vorliegenden Technik gibt ihr einen enormen Spielraum, um die Korngrößenverteilung der breiten Palette von Bodenpartikeln in der Zukunft zu erhalten.
Die Korngrößenverteilung des Bodens wird durchgeführt, um verschiedene darin vorhandene Korngrößen zu erhalten. Mit Hilfe der Korngrößenverteilungskurve erfolgt die Bodenklassifizierung. Die Korngrößenverteilung des Bodens erfolgt normalerweise, indem der Boden durch verschiedene Siebgrößen geleitet wird. Diese Siebmethode ist hektisch, zeitraubend, laut, staubig und energieintensiv. Dieses System stellt die Korngrößenverteilung unter Verwendung digitaler Bildverarbeitung dar, um dies zu überwinden. In der Bildverarbeitung haben die Forscher das Konzept der Granulometrie eingeführt, um die Verteilungskurve von abgelösten Körnern zu erhalten. Dieses Konzept der Granulometrie wird weiter zu lokaler Granulometrie modifiziert, um unterschiedliche Texturen basierend auf Momenten des Musterspektrums zu klassifizieren. In der vorliegenden Studie wird lokale Granulometrie zusammen mit überwachtem Lernen verwendet, um Fenster in verschiedene Klassen zu klassifizieren. Diese Fensterklassifikation würde dazu führen, dass wir basierend auf einigen Annahmen eine Korngrößenverteilungskurve erhalten.
Die Zeichnungen und die vorstehende Beschreibung geben Ausführungsbeispiele. Der Fachmann wird erkennen, dass eines oder mehrere der beschriebenen Elemente gut zu einem einzigen Funktionselement kombiniert werden können. Alternativ können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente von einer Ausführungsform können zu einer anderen Ausführungsform hinzugefügt werden. Beispielsweise können hierin beschriebene Reihenfolgen von Prozessen geändert werden und sind nicht auf die hierin beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen irgendeines Flussdiagramms nicht in der gezeigten Reihenfolge implementiert werden; auch müssen nicht unbedingt alle Handlungen durchgeführt werden. Auch solche Handlungen, die nicht von anderen Handlungen abhängig sind, können parallel zu den anderen Handlungen durchgeführt werden. Der Umfang der Ausführungsformen ist keineswegs durch diese spezifischen Beispiele beschränkt. Zahlreiche Variationen, ob ausdrücklich in der Beschreibung angegeben oder nicht, wie Unterschiede in Struktur, Abmessung und Materialverwendung, sind möglich. Der Umfang der Ausführungsformen ist mindestens so breit wie durch die folgenden Ansprüche angegeben.
Vorteile, andere Vorzüge und Problemlösungen wurden oben in Bezug auf spezifische Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass Vorteile, Vorzüge oder Lösungen auftreten oder stärker ausgeprägt werden, sind jedoch nicht als kritische, erforderliche oder wesentliche Merkmale oder Komponenten von auszulegen einige oder alle Ansprüche.
Bezugszeichenliste

100: Eine Kombinierte Bildverarbeitungstechnik Und Ein Auf Überwachtem Lernen Basiertes System Für Die Korngrößenverteilung Von Sandigen Böden
102: Bildeingabeeinheit
104: Vorprozessor
106: Merkmalsextraktionsprozessor
108: Zentralprozessor
110: SVM-Klassifikator
112: Bilderfassungseinheit
114: Vorverarbeitungseinheit
116: Merkmalsextraktionseinheit
118: Klassifizierungsverarbeitungseinheit
120: Steuergerät
122: Kamera
124: Filter
126: Trainingseinheit
202: Bildaufnahme (Gesiebte Probe) (3024*3024) Pixel
204: Vorverarbeitung (Filterschwellenwert)
206: Extraktion Von Granulometrischen Merkmale.
208: Datenbankvorbereitung U Bereinigung Von Daten.
210: Modellvorbereitung
212: SVM-Klassifikator.
214: Bildaufnahme (Beispiel Zur Klassifizierung) (3024*3024) Pixel
216: Vorverarbeitung(Filterung, Schwellenwertbildung)
218: Extraktion Von Granulometrischen Merkmale.
220: Anwenden Dieser Funktion Auf SVM-Klassifikator
222: Korngrößenverteilung U Klassifizierung Des Bodens

Claims

Eine kombinierte Bildverarbeitung und überwachtes lernbasiertes System für die Korngrößenverteilung von Sandböden, das System umfasst: eine Bildeingabeeinheit zum Empfangen von Bildern eines Bereichs von Bodenproben; einen Vorprozessor zum Ändern der Größe von Bodenbildern und zum Unterteilen in ganzzahlige Fenster, wodurch die Bodenbilder mit Schwellenwerten versehen werden, um Bilder zu segmentieren, um den interessierenden Bereich unter Verwendung einer Otsu-Technik zu erhalten, wobei die lokale Granulometrie auf binäre Bilder angewendet wird, die nach der Schwellenwertbildung erhalten werden; einen Merkmalsextraktionsprozessor zum Extrahieren granulometrischer Merkmale; und einen zentralen Prozessor, der mit einem Support Vector Machine (SVM)-Klassifikator zum Klassifizieren jedes Fensters beim Anwenden einer lokalen morphologischen Granulometrie für die Korngrößenverteilung von Sandböden beim Vergleichen der extrahierten granulometrischen Merkmale mit granulometrischen Schwellenmerkmalen ausgestattet ist.
System nach Anspruch 1, wobei eine Kamera mit der Bildeingabeeinheit gekoppelt ist, um Bilder des Bereichs von Bodenproben mit einem Pixel-zu-Tiefen-Verhältnis (P:D-Verhältnis) von vorzugsweise 30:1 aufzunehmen.
System nach Anspruch 1, wobei die Fenstergröße größer als 4.75 mm (143 Pixel breit) und nicht groß genug gewählt ist, um die Variabilität von Körnern zu beeinträchtigen, wobei die Fenstergröße vorzugsweise als 200 Pixel breit gewählt ist.
System nach Anspruch 1, wobei die Grenzpixel zur Anwendung eines Filters für ein lineares Raumfilter repliziert werden und eine Korrelation durchgeführt wird, wobei die linearen Raumfilter eine Mittelung und eine Unscharfmaskierung aufweisen, wobei die Bodenbildsegmente grob gemittelt werden Körner für Euler-Zahlen kleiner als -5, die ansonsten mit Löchern gefüllt sind und Unscharfmaskierung für Euler-Zahlen größer als -5.
System nach Anspruch 4, wobei ein Code basierend auf der Euler-Zahl entwickelt wird, die gleich der Differenz in der Anzahl von Objekten und Löchern in dem Bereich ist, wobei die Euler-Zahl auf dem lokalen Fenster berechnet wird.
System nach Anspruch 1, wobei die Granulometrie nur als Mustererkennung für überwachtes Lernen verwendet wird, wobei die lokale morphologische Granulometrie gewissermaßen angewendet wird, um jedes Fenster statt eines bestimmten Pixels zu klassifizieren, um zeiteffizient zu sein.
System nach Anspruch 1, ferner umfassend eine Trainingseinheit zum Trainieren des SVM-Klassifikators, wobei die Trainingseinheit umfasst: eine Bilderfassungseinheit zum Erfassen eines Satzes von Bildern im Verhältnis 1:1 aus einem Bilddatensatz; eine Vorverarbeitungseinheit zum Ändern der Größe von Bodenbildern von 3024 × 3024 Pixel auf 3000 × 3000 Pixel und Unterteilen in ganzzahlige Fenster, wodurch die Bodenbilder in Schwellwerte umgewandelt werden, um Bilder zu segmentieren, um den interessierenden Bereich zu erhalten; eine Merkmalsextraktionseinheit zum Extrahieren granulometrischer Merkmale; eine Klassifikationsverarbeitungseinheit zum Klassifizieren des Bodens in sieben Klassen unter Verwendung von überwachtem Lernen, um die Datenbank vorzubereiten; eine Steuereinheit zum Bereinigen der vorbereiteten Datenbank und dadurch Behandeln des SVM-Klassifikators, wobei der SVM-Klassifikator vorzugsweise ein quadratischer Support-Vector-Machine-Klassifikator mit einem Eins-zu-eins-Mehrklassenverfahren ist.
System nach Anspruch 7, wobei zur Validierung der SVM der Boden durch unterschiedliche Größen mit unterschiedlichen Siebklassen gesiebt wird, ausgewählt aus 150 Mikron, 300 Mikron, 425 Mikron, 850 Mikron, 1180 Mikron, 2360 Mikron, und 4750 Mikrometer oder 150 Mikrometer, 300 Mikrometer, 425 Mikrometer, 600 Mikrometer, 1180 Mikrometer, 2360 Mikrometer und 4750 Mikrometer usw.
System nach Anspruch 1, wobei für die Korngrößenverteilung der Probe aus dem Musterspektrum extrahierte Merkmale auf den SVM-Klassifikator angewendet werden, um lokale Fenster in ihre spezielle Klasse zu klassifizieren, wobei der Boden homogen ist, und jede Witwe zu einem bestimmten Typ gehörend klassifiziert wird, wird nur mit dieser Körnung und Einheitsdicke gefüllt.
System nach Anspruch 7, wobei eine niedrigere Klasse (Ausgabe) zur Klassifizierung als Boden ausgewählt wird, der auf einem 150-Mikron-Sieb beim überwachten Lernen zurückgehalten wird, und der Bereich der Bodenkörnung für die Klassifizierung in Abhängigkeit von dem P: D-Verhältnis und priorisiert wird Fenstergröße (lokale Granulometrie).