一种非接触式测量的混凝土骨料级配快速识别方法

摘要

本发明提供一种非接触式测量的混凝土骨料级配快速识别方法。本发明运用数字图像处理与深度学习相结合，采集每个大类别的每个石块的多角度照片作为第一训练集，利用图像处理获得骨料属性，进而确定骨料所属的小类别，得到第二训练集，利用第一训练集和第二训练集组成的标准样本库，对改进的卷积神经网络模型进行多次训练，确保改进的卷积神经网络模型的准确性，并且利用训练后的改进的卷积神经网络模型，通过获取的骨料图像建立骨料级配曲线，提高了级配识别的效率，实现了非接触式测量的混凝土骨料级配快速识别。

权利要求

1.一种非接触式测量的混凝土骨料级配快速识别方法，其特征在于，所述识别方法包括如下步骤：采集每个大类别的每个石块的多角度的照片作为第一训练样本，并生成标准样本库；

搭建卷积神经网络，获取初始的改进的卷积神经网络模型；

利用所述标准样本库对初始的改进的卷积神经网络模型进行一次训练，得到一次训练后的改进的卷积神经网络模型；

采集骨料原始图像，并采用图像处理的方式确定所述骨料原始图像中每块骨料所属的小类别，得到第二训练样本，并利用所述第二训练样本更新所述标准样本库；

利用更新后的标准样本库对所述一次训练后的改进的卷积神经网络模型进行二次训练，得到二次训练后的改进的卷积神经网络模型；

采集待测骨料图像；

将所述待测骨料图像输入所述二次训练后的改进的卷积神经网络模型，确定所述待测骨料图像中每块骨料的分类结果；

根据所述分类结果建立所述待测骨料的级配曲线；

所述采集骨料原始图像，并采用图像处理的方式确定所述骨料原始图像中每块骨料所属的小类别，得到第二训练样本，具体包括：采用五镜头倾斜摄像机组，获取一个骨料正射影像和四个骨料倾斜影像；从四个所述骨料倾斜影像中选择出质量最好的骨料倾斜影像作为第二训练样本的输入影像；采用图像处理的方式确定所述骨料正射影像中每块骨料所属的小类别，作为第二训练样本的目标输出结果；

其中，所述采用图像处理的方式确定所述骨料正射影像中每块骨料所属的小类别，作为第二训练样本的目标输出结果，具体包括：对所述骨料正射影像进行预处理，得到预处理后的正射影像；对所述预处理后的正射影像进行canny算子边缘检测，确定所述预处理后的正射影像中每个骨料图像的边缘，得到边缘检测后的正射影像；对所述边缘检测后的正射影像进行膨胀和腐蚀处理，确定所述边缘检测后的正射影像中每个骨料的轮廓；根据所述所述边缘检测后的正射影像中每个骨料的轮廓，确定骨料正射影像中每个骨料的轮廓线；

对骨料正射影像中每个骨料的轮廓线进行轮廓拟合，得到骨料正射影像中每个骨料的拟合最小外接椭圆；根据骨料正射影像中每个骨料的拟合最小外接椭圆确定原始图像中每个骨料所属的小类别。

2.根据权利要求1所述的非接触式测量的混凝土骨料级配快速识别方法，其特征在于，所述改进的卷积神经网络模型包括：1个输入层、10个卷积层、9个池化层和1个输出层；所述改进的卷积神经网络模型的激活函数为Relu激活函数。

3.根据权利要求1所述的非接触式测量的混凝土骨料级配快速识别方法，其特征在于，所述采集每个大类别的每个石块的多角度的照片作为第一训练样本，具体包括：在骨料中选取多个样本石块；

采用排水法确定每个样本石块的体积，并根据样本石块的体积，确定每个样本石块所属的大类别；

获取每个大类别的每个石块的多角度的照片作为第一训练样本。

4.根据权利要求1所述的非接触式测量的混凝土骨料级配快速识别方法，其特征在于，所述获取待测骨料图像，具体包括：采用五镜头倾斜摄像机组，获取一个待测骨料正射影像和四个待测骨料倾斜影像；

从一个所述待测骨料正射影像和四个所述待测骨料倾斜影像选择出质量最好的影像作为待测骨料图像。

5.根据权利要求1所述的非接触式测量的混凝土骨料级配快速识别方法，其特征在于，所述根据所述分类结果建立所述待测骨料的级配曲线，具体包括：根据所述分类结果确定不同类别的骨料的数量；所述类别包括大类别和小类别；

根据不同类别的骨料的数量，确定每种类别的骨料的质量比；

根据每种类别的骨料的质量比，绘制骨料级配曲线。

说明书

一种非接触式测量的混凝土骨料级配快速识别方法

技术领域

[0001] 本发明涉及骨料识别领域，特别涉及一种非接触式测量的混凝土骨料级配快速识别方法。

背景技术

[0002] 混凝土骨料是指在混凝土中起骨架或填充作用的粒状松散材料。分粗骨料和细骨料。粗骨料指卵石、碎石等，细骨料指天然砂、人工砂等。骨料体积在混凝土中占60％～80％，水工混凝土中高达80％以上，骨料的性能对混凝土性能有重要的影响。

[0003] 粒径大于4.75mm的骨料称为粗骨料，俗称石子。常用的有碎石及卵石两种。碎石是天然岩石或岩石经机械破碎、筛分制成的，粒径大于4.75mm的岩石颗粒。卵石是由自然风化、水流搬运和分选、堆积而成的、粒径大于4.75mm的岩石颗粒。卵石和碎石颗粒的长度大于该颗粒所属相应粒级的平均粒径2.4倍者为针状颗粒；厚度小于平均粒径0.4倍者为片状颗粒(平均粒径指该粒级上、下限粒径的平均值)。

[0004] 粒径4.75mm以下的骨料称为细骨料，俗称砂。砂按产源分为天然砂、人工砂两类。天然砂是由自然风化、水流搬运和分选、堆积形成的、粒径小于4.75mm的岩石颗粒，但不包括软质岩、风化岩石的颗粒。天然砂包括河砂、湖砂、山砂和淡化海砂。人工砂是经除土处理的机制砂、混合砂的统称。

[0005] 对混凝土坝而言，在坝体填筑过程中，有效的控制筑坝材料的质量是保证其在施工期和运营期安全正常运行的重要措施，而筑坝材料级配即骨料级配是直接影响其质量的重要标准。所谓的级配是集料中各级粒径颗粒的分配情况，目前，一般通过人工或机械筛分法的方法确定级配大小。虽然这种方法技术成熟、设备造价低、结果直观并且操作简单，但是效率极低、严重影响施工进度，需要人工操作，并且其准确性和可信性度完全依赖试验者的操作水平，筛孔的变形也会对结果造成一定程度的影响。

发明内容

[0006] 本发明的目的是提供一种非接触式测量的混凝土骨料级配快速识别方法。

[0007] 为实现上述目的，本发明提供了如下方案：

[0008] 本发明提供一种非接触式测量的混凝土骨料级配快速识别方法，所述识别方法包括如下步骤：

[0009] 采集每个大类别的每个石块的多角度的照片作为第一训练样本，并生成标准样本库；

[0010] 搭建卷积神经网络，获取初始的改进的卷积神经网络模型；

[0011] 利用所述标准样本库对初始的改进的卷积神经网络模型进行一次训练，得到一次训练后的改进的卷积神经网络模型；

[0012] 采集骨料原始图像，并采用图像处理的方式确定所述骨料原始图像中每块骨料所属的小类别，得到第二训练样本，并利用所述第二训练样本更新所述标准样本库；

[0013] 利用更新后的标准样本库对所述一次训练后的改进的卷积神经网络模型进行二次训练，得到二次训练后的改进的卷积神经网络模型；

[0014] 采集待测骨料图像；

[0015] 将所述待测骨料图像输入所述二次训练后的改进的卷积神经网络模型，确定所述待测骨料图像中每块骨料的分类结果；

[0016] 根据所述分类结果建立所述待测骨料的级配曲线。

[0017] 可选的，所述改进的卷积神经网络模型包括：1个输入层、10个卷积层、9个池化层和1个输出层；所述改进的卷积神经网络模型的激活函数为Relu激活函数。

[0018] 可选的，所述采集每个大类别的每个石块的多角度的照片作为第一训练样本，具体包括：

[0019] 在骨料中选取多个样本石块；

[0020] 采用排水法确定每个样本石块的体积，并根据样本石块的体积，确定每个样本石块所属的大类别；

[0021] 获取每个大类别的每个石块的多角度的照片作为第一训练样本。

[0022] 可选的，所述采集骨料原始图像，并采用图像处理的方式确定所述骨料原始图像中每块骨料所属的小类别，得到第二训练样本，具体包括：

[0023] 采用五镜头倾斜摄像机组，获取一个骨料正射影像和四个骨料倾斜影像；

[0024] 从四个所述骨料倾斜影像中选择出质量最好的骨料倾斜影像作为第二训练样本的输入影像；

[0025] 采用图像处理的方式确定所述骨料正射影像中每块骨料所属的小类别，作为第二训练样本的目标输出结果。

[0026] 可选的，所述采用图像处理的方式确定所述骨料正射影像中每块骨料所属的小类别，作为第二训练样本的目标输出结果，具体包括：

[0027] 对所述骨料正射影像进行预处理，得到预处理后的正射影像；

[0028] 对所述预处理后的正射影像进行canny算子边缘检测，确定所述预处理后的正射影像中每个骨料图像的边缘，得到边缘检测后的正射影像；

[0029] 对所述边缘检测后的正射影像进行膨胀和腐蚀处理，确定所述边缘检测后的正射影像中每个骨料的轮廓；

[0030] 根据所述所述边缘检测后的正射影像中每个骨料的轮廓，确定骨料正射影像中每个骨料的轮廓线；

[0031] 对骨料正射影像中每个骨料的轮廓线进行轮廓拟合，得到骨料正射影像中每个骨料的拟合最小外接椭圆；

[0032] 根据骨料正射影像中每个骨料的拟合最小外接椭圆确定原始图像中每个骨料所属的小类别。

[0033] 可选的，所述获取待测骨料图像，具体包括：

[0034] 采用五镜头倾斜摄像机组，获取一个待测骨料正射影像和四个待测骨料倾斜影像；

[0035] 从一个所述待测骨料正射影像和四个所述待测骨料倾斜影像选择出质量最好的影像作为待测骨料图像。

[0036] 可选的，所述根据所述分类结果建立所述待测骨料的级配曲线，具体包括：

[0037] 根据所述分类结果确定不同类别的骨料的数量；所述类别包括大类别和小类别；

[0038] 根据不同类别的骨料的数量，确定每种类别的骨料的质量比；

[0039] 根据每种类别的骨料的质量比，绘制骨料级配曲线。

[0040] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0041] 本发明提供一种非接触式测量的混凝土骨料级配快速识别方法。所述识别方法包括：采集每个大类别的每个石块的多角度照片作为第一训练集，并生成标准样本库，利用标准样本库对初始的改进的卷积神经网络模型进行一次训练；采用图像处理的方式确定获取的骨料原始图像中每块骨料所属的小类别，得到第二训练集，并更新至标准样本库中；利用更新后的标准样本库，对一次训练后的改进的卷积神经网络模型进行二次训练；将待测骨料图像输入二次训练后的改进的卷积神经网络模型，确定所述待测骨料图像中每块骨料的分类结果；根据分类结果建立待测骨料的级配曲线。本发明实现非接触式测量的混凝土骨料级配快速识别的问题，运用数字图像处理与深度学习相结合，采集每个大类别的每个石块的多角度照片作为第一训练集，利用图像处理获得骨料属性，进而确定骨料所属的小类别，得到第二训练集，利用第一训练集和第二训练集组成的标准样本库，对改进的卷积神经网络模型进行多次训练，确保改进的卷积神经网络模型的准确性，并且利用训练后的改进的卷积神经网络模型，通过获取的骨料图像建立骨料级配曲线，提高了级配识别的效率，实现了非接触式测量的混凝土骨料级配快速识别。

附图说明

[0042] 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性的前提下，还可以根据这些附图获得其他的附图。

[0043] 图1为本发明提供的一种非接触式测量的混凝土骨料级配快速识别方法的流程图；

[0044] 图2为本发明提供的一种非接触式测量的混凝土骨料级配快速识别方法的原理图；

[0045] 图3为本发明提供的骨料正射影像；其中，(a)为原始骨料正射影像；(b)为二值化后的骨料正射影像；(c)为高斯滤波后的骨料正射影像；(d)为阈值分割后的骨料正射影像。

具体实施方式

[0046] 本发明的目的是提供一种非接触式测量的混凝土骨料级配快速识别方法，以提高骨料级配的效率和准确性。

[0047] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对发明作进一步详细的说明。

[0048] 大坝石料多为各种大小不一的骨料，针对其这一形状特点，利用数字图像摄影测量技术为背景，通过成像装置快速获取骨料原始图像并采集大量训练集，结合机器学习进行样本分类整理并构建模型，然后进行图像预处理、图像分割与识别算法得到骨料的各属性值，结合属性值对骨料原始图像中每个骨料进行更加精细的分类，在增加标准样本库的的样本的数量的同时，使标准样本库中样本的类别更加的精细，利用更新后的标准样本库对积神经网络模型进行二次的训练，提高了训练的精度，据此分类模型得出其待测数据的分类情况，从而完成对粗粒料的几何特征和级配评估的方法，最终得出骨料级配曲线。

[0049] 本方案采用图像识别和机器学习，针对骨料在级配后生成的混合料会经过传送带运输，才能在混合料仓中与胶结材料混合的特点，拟在传送带运输混合料运动图像进行数字化成像，采集所需的混合料图像数据。

[0050] 如图1所示，本发明提供一种非接触式测量的混凝土骨料级配快速识别方法，所述识别方法包括如下步骤：

[0051] 步骤101，采集每个大类别的每个石块的多角度的照片作为第一训练样本，并生成标准样本库。

[0052] 具体的，在骨料中选取多个样本石块；采用排水法确定每个样本石块的体积，并根据样本石块的体积，确定每个样本石块所属的大类别；获取每个大类别的每个石块的多个角度的照片作为第一训练样本，并生成标准样本库。

[0053] 第一训练样本包含体积、质量和图像等信息。

[0054] 步骤102，搭建卷积神经网络，获取初始的改进的卷积神经网络模型。

[0055] 所述改进的卷积神经网络模型包括：1个输入层、10个卷积层、9个池化层和1个输出层；所述改进的卷积神经网络模型的激活函数为Relu激活函数。输入层的输入图像的大小为224*224。

[0056] 步骤103，利用所述标准样本库对初始的改进的卷积神经网络模型进行一次训练，得到一次训练后的改进的卷积神经网络模型。

[0057] 训练时，将标准样本库中的训练样本划分为训练集(train data＝70％)、验证集(validation data＝15％)和测试集(test data＝15％)。分类数量选择为训练动量(momentum term＝0.925)。训练的迭代次数设置为8000，每次迭代输入样本的数量设置为128。学习率设置为0.0001，权值衰减率设置为0.005。

[0058] 步骤104，采集骨料原始图像，并采用图像处理的方式确定所述骨料原始图像中每块骨料所属的小类别，得到第二训练样本，并利用所述第二训练样本更新所述标准样本库。

[0059] 采用五镜头倾斜摄像机组，获取一个骨料正射影像和四个骨料倾斜影像；从四个所述骨料倾斜影像中选择出质量最好的骨料倾斜影像作为第二训练样本的输入影像；采用图像处理的方式确定所述骨料正射影像中每块骨料所属的小类别，作为第二训练样本的目标输出结果。

[0060] 其中，采用图像处理的方式确定所述骨料正射影像中每块骨料所属的小类别，作为第二训练样本的目标输出结果，具体包括：

[0061] 1)对所述骨料正射影像进行预处理，得到预处理后的正射影像。

[0062] 预处理操作：对正射影像进行二值化处理，将感兴趣目标和背景分离；对二值化处理过的图像使用高斯滤波进行降噪处理：减少图像中的噪音，增加图像对比度，提高分析精度，改善视觉效果；根据图像像素的灰度值使用阈值分割进行各个骨料的在图像上的分割，将图像中的骨料和背景分割开来。

[0063] 2)对所述预处理后的正射影像进行canny算子边缘检测，确定所述预处理后的正射影像中每个骨料图像的边缘，得到边缘检测后的正射影像。

[0064] 对预处理过的图像进行canny算子边缘检测：canny边缘检测的目的就是找到经过预处理的图像中亮度变化剧烈的像素点构成的集合，表现出来往往是轮廓。如果图像中边缘能够精确的测量和定位，那么，就意味着实际的骨料就能够被定位和测量，包括骨料的面积、骨料的直径、物体的形状等就能被测量。Canny边缘检测主要分四步进行：

[0065] 第一步先用一个高斯滤波器对图像进行滤波；第二步用Sobel水平和竖直检测子与图像卷积，来计算梯度和方向角；第三步非极大值抑制，即寻找图像中像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点；第四步滞后阈值化，由于噪声的影响，经常会在本应该连续的边缘出现断裂的问题。滞后阈值化设定两个阈值：一个为高阈值Th，一个为低阈值Tl。如果任何像素边缘算子的影响超过高阈值，将这些像素标记为边缘；影响超过低阈值(高低阈值之间)的像素，如果与已经标记为边缘的像素4-邻接或8-邻接，则将这些像素也标记为边缘。即

[0066] 如果该像素的梯度值小于Tl，则该像素为非边缘像素；

[0067] 如果该像素的梯度值大于Th，则该像素为边缘像素；

[0068] 如果该像素的梯度值介于Tl与Th之间，需要进一步检测该像素的3×3邻域内的8个点，如果这8个点内有一个或以上的点梯度超过了Th，则该像素为边缘像素，否则不是边缘像素。

[0069] 3)对所述边缘检测后的正射影像进行膨胀和腐蚀处理，确定所述边缘检测后的正射影像中每个骨料的轮廓。

[0070] 对边缘检测后的正射影像进行膨胀和腐蚀操作：膨胀就是求局部最大值的操作，核B(核可以是任何的形状和大小，它拥有一个单独定义出来的参考点，我们称其为锚点(anchorpoint)。多数情况下，核是一个小的中间带有参考点和实心正方形或者圆盘，其实，我们可以把核视为模板或者掩码)与图像进行卷积，即计算核B覆盖区域的像素点的最大值，并把这个最大值赋值给参考点指定的像素。这样就会使图像中的高亮区域逐渐增长。腐蚀则于膨胀相反，腐蚀就是求局部最小值的操作。对进行canny边缘检测的图像进行膨胀和腐蚀操作后即可得到更加明显的骨料轮廓。

[0071] 4)根据所述所述边缘检测后的正射影像中每个骨料的轮廓，确定骨料正射影像中每个骨料的轮廓线。

[0072] 使用findContours函数检测出边缘检测后的正射影像的骨料的轮廓：在边缘图中找到骨料的轮廓线，并使用sort_contours函数从左到右给检测出来的轮廓排序。

[0073] 5)对骨料正射影像中每个骨料的轮廓线进行轮廓拟合，得到骨料正射影像中每个骨料的拟合最小外接椭圆。

[0074] 建立循环一一对检测出来的轮廓拟合最小外接椭圆，得到骨料的相关属性数据：在计算机开源视觉库中调用minAreaRect函数拟合出骨料的最小外接矩形，并得到最小外接矩形的4个顶点坐标(x,y),宽,高和旋转角度，进一步计算出拟合外接矩形的面积。调用fitEllipse函数拟合出骨料的最小外接椭圆，得到外接椭圆的中心点坐标、长轴和短轴的长度，从而计算出外接椭圆拟合骨料的面积。

[0075] 6)根据骨料正射影像中每个骨料的拟合最小外接椭圆确定原始图像中每个骨料所属的类别。

[0076] 图像处理的关键在于提取出独立骨料的轮廓边界，进而实现特征参数的检测与估计。对于离散分布的骨料颗粒其石子的灰度明显要高于周围背景的灰度,用阈值分割的方法可以得到很好的分割结果。如图3所示，图(a)(b)(c)(d)是经过处理得到的各阶段图像。

[0077] 步骤105，利用更新后的标准样本库对所述一次训练后的改进的卷积神经网络模型进行二次训练，得到二次训练后的改进的卷积神经网络模型；

[0078] 步骤106，获取待测骨料图像。

[0079] 具体包括：采用五镜头倾斜摄像机组，获取一个待测骨料正射影像和四个待测骨料倾斜影像；从一个所述待测骨料正射影像和四个所述待测骨料倾斜影像选择出质量最好的影像作为待测骨料图像。

[0080] 步骤107，将所述待测骨料图像输入所述二次训练后的改进的卷积神经网络模型，确定所述待测骨料图像中每块骨料的分类结果。

[0081] 待识别石块经设备拍摄可选取最优图像，通过二次训练后的改进的卷积神经网络模型，可将待识别石块迅速分类，根据分类信息得出粒径尺寸范围，得到待识别骨料的所属类别。并且设定更新时间，在更新时期将已识别数据集与相应识别结果更新录入标准样本库，更新识别网络模型。

[0082] 步骤108，根据所述分类结果建立所述待测骨料的级配曲线。

[0083] 具体包括：根据所述分类结果确定不同类别的骨料的数量；所述类别包括大类别和小类别；根据不同类别的骨料的数量，确定每种类别的骨料的质量比；根据每种类别的骨料的质量比，绘制骨料级配曲线。

[0084] 其中，本发明的大类别和小类别是相对而言的。大类别的分类范围比较大，小类别的分类范围比较精细。例如大类别的分类范围为1：0-40mm、2：40-120mm……时，小类别的分类范围可以为1.1：0-10mm，1.2：10-20mm，1.3：20-30mm，1.4：30-40mm，；2.1：40-50mm，2.2：50-60mm，2.3：60-70mm，2.4：70-80mm，2.5：80-90mm，2.6：90-100mm，2.7：100-110mm，2.8，
110-120mm；本发明的大类别和小类别可以互为验证，进一步的提高识别的准确性。

[0085] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0086] 1.取大量样本石块多角度拍摄构建前期训练集，并通过排水法测量获得其体积存入标准样本库，标准样本库包含其体积、质量和图像等信息。通过对样本库的数据整合，利用机器学习进行分类训练，从而获得CNN模型。随着样本库的数据补充更新，CNN模型不断优化，精准度将不断提高。

[0087] 2.本发明的方法还包括获得传送带上待识别混凝土骨料正射影像，经过预处理、图像分割和识别算法等步骤，获取各自属性，并根据属性信息获得更加精细的分类结果，并将其再次补充回标准样本库，实现样本库的再一次扩充和优化。且同时可以从多角度倾斜影像中用条件随机场选取图像，经过CNN模型实现粗骨料的分类。由于图像识别获得的属性信息中无法得出该石块精确体积，但与机器学习结合，基于CNN模型得出的分类结果，可获取对应较精准标准样本库分类，从而获得其精确体积。

[0088] 3.根据分类信息得出骨料体积，从而得到整个待测骨料的各分类的质量比(每一个分类的质量m1(m2，m3…)/M总的百分比)，最终绘制级配曲线，实现非接触测量的混凝土骨料级配快速识别。

[0089] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

[0090] 本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。