CN109211904A - 一种沥青混合料二维内部结构检测***及检测方法 - Google Patents
一种沥青混合料二维内部结构检测***及检测方法 Download PDFInfo
- Publication number
- CN109211904A CN109211904A CN201811064204.6A CN201811064204A CN109211904A CN 109211904 A CN109211904 A CN 109211904A CN 201811064204 A CN201811064204 A CN 201811064204A CN 109211904 A CN109211904 A CN 109211904A
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- area
- materials
- asphalt
- 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 142
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 239000000463 material Substances 0.000 claims abstract description 291
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000007781 pre-processing Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 239000002245 particle Substances 0.000 claims description 137
- 239000004570 mortar (masonry) Substances 0.000 claims description 92
- 239000000203 mixture Substances 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 62
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000011160 research Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000011800 void material Substances 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 11
- 239000008187 granular material Substances 0.000 claims description 10
- 239000013521 mastic Substances 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 7
- 239000004568 cement Substances 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- NUHSROFQTUXZQQ-UHFFFAOYSA-N isopentenyl diphosphate Chemical compound CC(=C)CCO[P@](O)(=O)OP(O)(O)=O NUHSROFQTUXZQQ-UHFFFAOYSA-N 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 3
- -1 voidage Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000010998 test method Methods 0.000 abstract description 2
- 230000007797 corrosion Effects 0.000 description 8
- 238000005260 corrosion Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007873 sieving Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 1
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种沥青混合料二维内部结构检测***及检测方法,包括文件管理模块、图像预处理模块、集料分计筛余识别模块和内部结构特征指标计算模块;文件管理模块、图像预处理模块、集料分计筛余识别模块和内部结构特征指标计算模块依次连接;本发明具有测试精度高、操作简单、费用低等优点,可以弥补传统混合料内部结构测试方法使用单一评价指标描述内部结构整体特征存在的不足。本发明可从细观方面反映沥青混合料内部各组成部分的分布情况,能够准确、客观地评价沥青混合料内部结构的整体特性和分布特性,是一种价格低廉、易于推广的新型测试和评价***及方法。
Description
技术领域
本发明涉及沥青混合料内部结构检测领域,特别涉及一种沥青混合料二维内部结构检测***及检测方法。
背景技术
沥青混合料是一种典型的多相混合物,混合料内部粗集料、沥青砂浆和空隙的分布直接影响路面性能,如何准确评价沥青混合料内部结构是研究沥青路面性能的关键。
体视学是一门介于形态学与数学之间的新学科,它的核心思想是依据严格的数学方法,通过从比实际组织维数小的截面(投影图)中获取的信息,定量地表征和描述实际组织。任何一个三维物体均可视为由无限多个平行切片构成,虽然无法依靠某个单一截面来判断有效的三维物体信息,但是这些无限多切片所包含的二维物体信息组成一个分布,根据这些分布可推算出三维物体信息。因此,可以利用混合料二维断面图像中获取的内部结构特征参数反映混合料真实的三维内部结构特征。
近年来随着计算机处理能力的发展,采用数字图像处理技术对沥青混合料进行研究已成为发展趋势。目前对沥青混合料的图像分析主要围绕在沥青混合料内部各组分特征及分布取向。为了定量分析沥青混合料的内部结构信息,首先必须获取混合料断面图像,然后利用数字图像技术对混合料的内部结构进行分析。目前主要有两种方法可获取断面图像:CCD数码相机和X-ray CT扫描技术,前者需要对沥青混合料试件进行切割,从而获取断面图像,属于破坏性方法;后者则利用X射线的透射密度,获取沥青混合料内部结构的图像,属于非破坏性方法。
基于CCD相机或扫描仪的二维数字图像处理技术和基于X-ray CT的二维或三维数字图像处理技术在沥青混合料细观结构分析方面均取得许多成果。由于原理不同,两种采集图像的方法各有优缺点。基于CCD相机或扫描仪的二维数字图像处理技术是一种破坏性的试验手段,需要大量的沥青混合料试件断面,试件工作量大,但采集的断面图像精度高。X-ray CT技术属于一种无损试验手段,利用不同密度的材料对X射线的吸收能力不同,获取大量并连续的二维断层图像,处理迅速,但由于集料颗粒密度不均匀且集料颗粒被胶浆裹覆等原因导致采集的图像辨识度不高。
与X-ray CT扫描技术相比,基于CCD相机或扫描仪的二维数字图像处理技术具有价格低廉、对设备要求较低等优点,因此近年来越来越多的学者利用该方法分析沥青混合料内部细观构造。然而,各国学者利用二维数字图像处理技术对沥青混合料内部结构进行研究的流程和方法并不统一,图像处理过程中受到人为主观因素的影响较大。因此,寻求客观、有效的沥青混合料内部结构评价方法是非常必要的。
发明内容
本发明的目的在于提供一种沥青混合料二维内部结构检测***及检测方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种沥青混合料二维内部结构检测***,包括文件管理模块、图像预处理模块、集料分计筛余识别模块和内部结构特征指标计算模块;文件管理模块、图像预处理模块、集料分计筛余识别模块和内部结构特征指标计算模块依次连接;文件管理模块,用于对沥青混合料试验试件的断面扫描图像进行导入和裁剪;图像预处理模块,用于预处理所述断面扫描图像,对其进行灰度化处理、滤波处理、增强处理、分割处理以及集料粘连与孔洞填充处理;集料分计筛余识别模块,用于对图像预处理结果进行可行性验证,包括图像分辨率输入、IAP输入及试验室集料分计筛余输入;内部结构特征指标计算模块,用于计算内部结构特征指标,包括集料倾角、空隙率、砂浆比、砂浆膜厚及均匀度内部结构特征指标。
进一步的,图像预处理模块具体包括以下操作:
(a)通过图像预处理模块对裁剪后的RGB图像采用加权平均法将彩色图像转换成灰度图像;
(b)选取中值滤波对灰度化处理的图像进行平滑处理,即对图像进行去噪处理;
中值滤波的数学含义可表示为式(1):
f(x,y)=Med{g(xi,yi)} (xi,yi)∈A (1)
式中,g(xi,yi)为计算的像素邻域内所有像素的灰度值,A为滤波窗口;
(c)采用线性变换对灰度直方图两个“波峰”范围内的灰度级进行拉伸,增大该灰度级别范围内集料和胶浆的对比度;
输入图像f(x,y)的灰度范围是[m,n],期望变换后图像g(x,y)的灰度范围是[M,N],则灰度线性变换可表示为式(2):
(d)采用最大类间方差法对沥青混合料试件断面图像进行分割;
图像总像素数为N,灰度级总数为L,相应的灰度范围为[0,L-1],灰度值为i的像素数为ni,则N的数学表达式和各灰度值概率表达式见式(3)和式(4)。
设阈值T将图像中的像素分成两个区域:灰度值位于[0,T-1]间的像素构成的区域C0和灰度值位于[T,L-1]间的像素构成的区域C1。则区域C0和C1的的概率分别为:
整幅图像、区域C0、区域C1的平均灰度μ、μ0、μ1可表示为:
当被分割的两个区域内整体灰度值差异较大时,其相应的区域内平均灰度差别也较大,此时可采用区域间的总方差σB 2来描述其差异性;
σB 2=P0(μ0-μ)2+P1(μ1-μ)2=P0P1(μ0-μ1)2 (10)
当σB 2取最大值时,代表两区域的平均灰度值差异最大,对应的T即为最佳分割阈值(0≤T≤L);
(e)对图像进行集料粘连和孔洞填充处理。
进一步的,集料分计筛余识别模块具体包括以下操作:
(a)集料颗粒识别:包括集料粒径确定和集料最小粒径Dmin识别;
集料粒径确定:
采用与集料颗粒具有相同面积的等效椭圆短轴2b来表征集料颗粒粒径的大小;确定等效椭圆的方法中,与集料颗粒面积相同、长轴等于集料主轴的椭圆这种方法更能准确表征集料实际特性,集料等效短轴用下式计算:
式中,Dj—图像中第j个集料的等效短轴;
Aj—图像中第j个集料的面积;
aj—图像中第j个集料的主轴;
集料最小识别粒径Dmin识别:
采用的扫描精度为1200pix/inch,最终选取0.6mm作为集料最小识别粒径Dmin;在识别沥青混合料中集料分计筛余的阶段,仅对粒径大于Dmin的集料进行分析;
(b)集料分计筛余识别:包括可识别的集料体积占级配中总集料体积的比例IAP计算和集料分计筛余识别;
沥青混合料由沥青胶浆、集料和空隙组成,则有
V=Va+Vs+Vv (16)
式中,V、Va、Vs、Vv分别为混合料体积、沥青胶浆体积、集料体积和空隙体积;根据试验室机械筛分级配,可知每档集料的质量;同时由于各档集料的相对密度已知,可计算出各档集料的体积,则可识别的集料体积占级配中总集料体积的比例IAP由式(17) 表示:
式中,VI—粒径大于Dmin的集料体积;
Vi—i筛的筛余集料体积,本研究默认i筛的筛孔尺寸小于i+1筛的筛孔尺寸;集料分计筛余识别:
集料颗粒所处区域内的像素总数通常被用来表示其面积,计算公式见式(18):
Ak=Nk·Δx2 (18)
式中,Ak—图像中第k个集料颗粒的面积;
Nk—第k个集料颗粒包含的像素点个数;
Δx—单个像素点的长度,取决于图像分辨率。
计算出图像中集料颗粒的面积后,忽略粒径小于Dmin的集料,则识别的集料颗粒面积AI可通过式(19)计算:
式中,Dk为图像中第k个集料的等效短轴。
集料颗粒的总面积As可表示成:
通过i筛,筛孔尺寸取值≥0.6mm的集料分计筛余量可根据式(21)计算:
其中,Aj为等效短轴介于[i,i+1]筛孔尺寸区间内的第j个集料面积,且Di<Dj<Di+1;Ai为等效短轴介于[i,i+1]筛孔尺寸区间内的集料面积总和;
(c)对图像预处理结果进行可行性验证,对预处理过程中参数值的选取进行限定,要求输入的参数值必须保证输出结果满足:利用数字图像识别的通过各档筛的集料分计筛余与试验室测定的实际值PRi的误差保持在[-5%,5%]的概率≥95%;
(d)当各档集料分计筛余的差值在判定标准之内,进行下一步操作,否则需要不断调试图像预处理过程中各项模板参数,直至满足判定标准。
进一步的,内部结构特征指标计算模块具体包括以下操作:
(a)集料倾角研究
颗粒主轴指的是颗粒边界相距最远的两点之间的长度,定义颗粒主轴与水平方向的夹角σ(-90°≤σ≤90°)为集料倾角,用以表征集料在沥青混合料内部的分布方位;
假设主轴和颗粒边界的两个交点坐标为(xi,yi)和(xi+1,yi+1),则集料颗粒主轴dmax、集料倾角σ的数学表达式可表示为:
采用集料倾角分布频率Pi和集料倾角平均值σm来描述集料分布状态;将集料倾角分成[-90°,-80°]、[-80°,-70°]……[70°,80°]、[80°,90°]等18个区间,统计分布在这18个倾角区间内的集料倾角分布频率Pi;
Pi=ni/N(i=1,2……,18) (24)
式中:N为试件截面上粗集料总数,ni为位于某一倾角区间的粗集料颗粒个数;
(b)空隙率研究
利用IPP图像处理软件对沥青混合料试件断面图像中的空隙进行标记,便于后续从断面图像中提取空隙;统计每张提取空隙后的图像中空隙面积,定义图像中空隙面积与整个断面图像面积的比值为计算空隙率VVc,计算公式见式(25);
VVc=Av/A=Av/(Ac+Am+Av) (25)
式中,A为断面图像的总面积,Ac为粗集料颗粒的面积,Am为沥青砂浆的面积,Av为空隙面积,单位mm2;
(c)砂浆比和砂浆膜厚测定
粗集料的面积Ac,则沥青砂浆面积Am可由式(26)计算;
Am=A-Ac-Av (26)
定义沥青砂浆面积占混合料面积的百分比为砂浆比,砂浆比的计算公式见式(27) 如下所示,单位%;定义砂浆膜厚Tm为沥青砂浆面积与粗集料颗粒周长的比值,可由式(28) 计算,单位mm。
Tm=Am/Lc (28)
式中,Lc为图像中粗集料颗粒的周长,mm;
(d)混合料均匀性研究
将试件截面划分成4个面积相等的区域;选择“田字型+回字型”的划分方法;以截面中心为中心点,对截面进行田字型区域划分以分析集料颗粒在各方位的分布状态
统计每个区域面积内粗集料颗粒面积,在不同划分方法下,各区域中粗集料颗粒面积之和的变异系数可根据式(31)和式(32)计算。
式中,Sj—编号为j区域内粗集料颗粒面积之和,j=1,2,3,4;
Sji—编号为j区域内第i个粗集料颗粒面积,i=1,2,…,m;
——各区域中粗集料颗粒平均面积;
kt、kh—在田字型和回字型划分方式下,各区域粗集料颗粒面积之和变异系数。
以k值作为评价沥青混合料某一截面均匀性的指标,计算公式如式(33)所示;
k=αkt+βkh (33)
式中,α和β为相关系数,α=β=0.5;k越接近0,代表混合料均匀性越好,若集料均匀分布在混合料中,则k=0。
采用均匀度K作为评价某种类型混合料内部均匀性的指标,计算公式见下式;K越大,表明沥青混合料的不均匀程度越严重;其中,K=0表征的是集料均匀分布在沥青混合料中;
式中,ki为编号为i的截面对应的沥青混合料均匀性评价指标,i=1,2,…,n;n为所取截面数目。
进一步的,一种沥青混合料二维内部结构检测***的检测方法,基于上述所述的一种沥青混合料二维内部结构测试***,包括以下步骤:
步骤1,制备沥青混合料试验试件;
步骤2,获取所述沥青混合料试件的断面扫描图像;
步骤3,导入断面扫描图像,进行裁剪,生成RGB图像;
步骤4,对所述断面扫描图像进行灰度化处理,获得灰度图像,然后进行中值滤波、图像增强、阈值分割、集料粘连处理与孔洞填充处理;
步骤5,对所述图像预处理结果可行性进行验证,包括图像分辨率输入、IAP输入及试验室集料分计筛余输入;
步骤6,计算集料倾角、空隙率、砂浆比、砂浆膜厚及均匀度内部结构特征指标。
进一步的,步骤4具体包括:
(a)通过图像预处理模块对裁剪后的RGB图像采用加权平均法将彩色图像转换成灰度图像;
(b)选取中值滤波对灰度化处理的图像进行平滑处理,即对图像进行去噪处理;
中值滤波的数学含义可表示为式(1):
f(x,y)=Med{g(xi,yi)} (xi,yi)∈A (1)
式中,g(xi,yi)为计算的像素邻域内所有像素的灰度值,A为滤波窗口;
(c)采用线性变换对灰度直方图两个“波峰”范围内的灰度级进行拉伸,增大该灰度级别范围内集料和胶浆的对比度;
输入图像f(x,y)的灰度范围是[m,n],期望变换后图像g(x,y)的灰度范围是[M,N],则灰度线性变换可表示为式(2):
(d)采用最大类间方差法对沥青混合料试件断面图像进行分割;
图像总像素数为N,灰度级总数为L,相应的灰度范围为[0,L-1],灰度值为i的像素数为ni,则N的数学表达式和各灰度值概率表达式见式(3)和式(4)。
设阈值T将图像中的像素分成两个区域:灰度值位于[0,T-1]间的像素构成的区域C0和灰度值位于[T,L-1]间的像素构成的区域C1。则区域C0和C1的的概率分别为:
整幅图像、区域C0、区域C1的平均灰度μ、μ0、μ1可表示为:
当被分割的两个区域内整体灰度值差异较大时,其相应的区域内平均灰度差别也较大,此时可采用区域间的总方差σB 2来描述其差异性;
σB 2=P0(μ0-μ)2+P1(μ1-μ)2=P0P1(μ0-μ1)2 (10)
当σB 2取最大值时,代表两区域的平均灰度值差异最大,对应的T即为最佳分割阈值(0≤T≤L);
(e)对图像进行集料粘连和孔洞填充处理。
进一步的,步骤5具体包括:
(a)集料颗粒识别:包括集料粒径确定和集料最小粒径Dmin识别;
集料粒径确定:
采用与集料颗粒具有相同面积的等效椭圆短轴2b来表征集料颗粒粒径的大小;确定等效椭圆的方法中,与集料颗粒面积相同、长轴等于集料主轴的椭圆这种方法更能准确表征集料实际特性,集料等效短轴用下式计算:
式中,Dj—图像中第j个集料的等效短轴;
Aj—图像中第j个集料的面积;
aj—图像中第j个集料的主轴;
集料最小识别粒径Dmin识别:
采用的扫描精度为1200pix/inch,最终选取0.6mm作为集料最小识别粒径Dmin;在识别沥青混合料中集料分计筛余的阶段,仅对粒径大于Dmin的集料进行分析;
(b)集料分计筛余识别:包括可识别的集料体积占级配中总集料体积的比例IAP计算和集料分计筛余识别;
沥青混合料由沥青胶浆、集料和空隙组成,则有
V=Va+Vs+Vv (16)
式中,V、Va、Vs、Vv分别为混合料体积、沥青胶浆体积、集料体积和空隙体积;根据试验室机械筛分级配,可知每档集料的质量;同时由于各档集料的相对密度已知,可计算出各档集料的体积,则可识别的集料体积占级配中总集料体积的比例IAP由式(17) 表示:
式中,VI—粒径大于Dmin的集料体积;
Vi—i筛的筛余集料体积,本研究默认i筛的筛孔尺寸小于i+1筛的筛孔尺寸;集料分计筛余识别:
集料颗粒所处区域内的像素总数通常被用来表示其面积,计算公式见式(18):
Ak=Nk·Δx2 (18)
式中,Ak—图像中第k个集料颗粒的面积;
Nk—第k个集料颗粒包含的像素点个数;
Δx—单个像素点的长度,取决于图像分辨率。
计算出图像中集料颗粒的面积后,忽略粒径小于Dmin的集料,则识别的集料颗粒面积AI可通过式(19)计算:
式中,Dk为图像中第k个集料的等效短轴。
集料颗粒的总面积As可表示成:
通过i筛,筛孔尺寸取值≥0.6mm的集料分计筛余量可根据式(21)计算:
其中,Aj为等效短轴介于[i,i+1]筛孔尺寸区间内的第j个集料面积,且Di<Dj<Di+1;Ai为等效短轴介于[i,i+1]筛孔尺寸区间内的集料面积总和;
(c)对图像预处理结果进行可行性验证,对预处理过程中参数值的选取进行限定,要求输入的参数值必须保证输出结果满足:利用数字图像识别的通过各档筛的集料分计筛余与试验室测定的实际值PRi的误差保持在[-5%,5%]的概率≥95%;
(d)当各档集料分计筛余的差值在判定标准之内,进行下一步操作,否则需要不断调试图像预处理过程中各项模板参数,直至满足判定标准。
进一步的,步骤6具体包括:
(a)集料倾角研究
颗粒主轴指的是颗粒边界相距最远的两点之间的长度,定义颗粒主轴与水平方向的夹角σ(-90°≤σ≤90°)为集料倾角,用以表征集料在沥青混合料内部的分布方位;
假设主轴和颗粒边界的两个交点坐标为(xi,yi)和(xi+1,yi+1),则集料颗粒主轴dmax、集料倾角σ的数学表达式可表示为:
采用集料倾角分布频率Pi和集料倾角平均值σm来描述集料分布状态;将集料倾角分成[-90°,-80°]、[-80°,-70°]……[70°,80°]、[80°,90°]等18个区间,统计分布在这18个倾角区间内的集料倾角分布频率Pi;
Pi=ni/N(i=1,2……,18) (24)
式中:N为试件截面上粗集料总数,ni为位于某一倾角区间的粗集料颗粒个数;
(b)空隙率研究
利用IPP图像处理软件对沥青混合料试件断面图像中的空隙进行标记,便于后续从断面图像中提取空隙;统计每张提取空隙后的图像中空隙面积,定义图像中空隙面积与整个断面图像面积的比值为计算空隙率VVc,计算公式见式(25);
VVc=Av/A=Av/(Ac+Am+Av) (25)
式中,A为断面图像的总面积,Ac为粗集料颗粒的面积,Am为沥青砂浆的面积,Av为空隙面积,单位mm2;
(c)砂浆比和砂浆膜厚测定
粗集料的面积Ac,则沥青砂浆面积Am可由式(26)计算;
Am=A-Ac-Av (26)
定义沥青砂浆面积占混合料面积的百分比为砂浆比,砂浆比的计算公式见式(27) 如下所示,单位%;定义砂浆膜厚Tm为沥青砂浆面积与粗集料颗粒周长的比值,可由式(28) 计算,单位mm。
Tm=Am/Lc (28)
式中,Lc为图像中粗集料颗粒的周长,mm;
(d)混合料均匀性研究
将试件截面划分成4个面积相等的区域;选择“田字型+回字型”的划分方法;以截面中心为中心点,对截面进行田字型区域划分以分析集料颗粒在各方位的分布状态
统计每个区域面积内粗集料颗粒面积,在不同划分方法下,各区域中粗集料颗粒面积之和的变异系数可根据式(31)和式(32)计算。
式中,Sj—编号为j区域内粗集料颗粒面积之和,j=1,2,3,4;
Sji—编号为j区域内第i个粗集料颗粒面积,i=1,2,…,m;
——各区域中粗集料颗粒平均面积;
kt、kh—在田字型和回字型划分方式下,各区域粗集料颗粒面积之和变异系数。
以k值作为评价沥青混合料某一截面均匀性的指标,计算公式如式(33)所示;
k=αkt+βkh (33)
式中,α和β为相关系数,α=β=0.5;k越接近0,代表混合料均匀性越好,若集料均匀分布在混合料中,则k=0。
采用均匀度K作为评价某种类型混合料内部均匀性的指标,计算公式见下式;K越大,表明沥青混合料的不均匀程度越严重;其中,K=0表征的是集料均匀分布在沥青混合料中;
式中,ki为编号为i的截面对应的沥青混合料均匀性评价指标,i=1,2,…,n;n 为所取截面数目。
与现有技术相比,本发明有以下技术效果:
本发明利用图像处理技术研发的沥青混合料二维内部结构测试评价***,基于体视学原理,选用较多切片所包含的二维信息来反映物体的三维信息。并且采用了便于计算机方阵计算的空间域处理方法,对所获取的沥青混合料断面图像进行灰度化、中值滤波、图像增强、阈值分割及集料粘连和孔洞填充等一系列预处理过程,并提出一种方法对预处理过程的可行性进行验证。然后提出通过计算集料倾角、空隙率、砂浆比、砂浆膜厚及均匀度内部结构特征指标来评价沥青混合料的内部结构特征。本发明具有测试精度高、操作简单、费用低等优点,可以弥补传统混合料内部结构测试方法使用单一评价指标描述内部结构整体特征存在的不足。本发明可从细观方面反映沥青混合料内部各组成部分的分布情况,能够准确、客观地评价沥青混合料内部结构的整体特性和分布特性,是一种价格低廉、易于推广的新型测试和评价***及方法。
附图说明
图1为本发明沥青混合料二维内部结构测试评价***的结构示意图;
图2为本发明沥青混合料二维内部结构测试评价方法的流程示意图;
图3为本发明沥青混合料试件切割过程示意图;
图4为本发明中采集的沥青混合料断面图像
图5为本发明图像预处理过程中获取的灰度图像;
图6为本发明图像预处理过程中施加中值滤波对图像进行去噪处理后的获取图像;
图7为本发明图像预处理过程中采用分段线性变换对图像进行增强处理后获取的图像;
图8为本发明图像预处理过程中采用最大类间方差法对图像进行分割处理后获取的图像;
图9为本发明图像预处理过程中经过集料粘连与孔洞填充处理后获取的图像;
图10(a)和(b)为集料颗粒倾角示意图;
图11为本发明中空隙提取过程示意图:(a)原始扫描图像;(b)提取空隙后的图像;
图12为本发明所用试件垂直矩形截面划分形式示意图:(a)田字型划分形式;(b)回字型划分形式;
具体实施方式
以下结合附图对本发明进一步说明:
如图1所示,本发明提供了一种沥青混合料二维内部结构测试评价***,所述评价***包括:
文件管理模块,用于对沥青混合料试验试件的断面扫描图像进行导入和裁剪;
图像预处理模块,用于预处理所述断面扫描图像,对其进行灰度化处理、滤波处理、增强处理、分割处理以及集料粘连与孔洞填充处理等;
集料分计筛余识别模块,用于对图像预处理结果进行可行性验证,包括图像分辨率输入、IAP输入及试验室集料分计筛余输入;
内部结构特征指标计算模块,用于计算内部结构特征指标,包括集料倾角、空隙率、砂浆比、砂浆膜厚及均匀度等内部结构特征指标。
如图2所示,本发明提供了一种沥青混合料二维内部结构测试评价***,具体包括以下步骤:
步骤1,制备沥青混合料试验试件;
步骤2,获取所述沥青混合料试件的断面扫描图像;
步骤3,导入断面扫描图像,进行裁剪;
步骤4,对所述断面扫描图像进行灰度化处理,获得灰度图像,然后进行中值滤波、图像增强、阈值分割、集料粘连处理与孔洞填充等处理;
步骤5,对所述图像预处理结果可行性进行验证,包括图像分辨率输入、IAP输入及试验室集料分计筛余输入;
步骤6,计算集料倾角、空隙率、砂浆比、砂浆膜厚及均匀度等内部结构特征指标。
本发明的技术方案通过如下试验进一步说明。
示例性的,
(1)制备沥青混合料试验试件
制备标准马歇尔试件。
(2)获取所述沥青混合料试验试件的断面扫描图像
本发明采用喷水冷却型石料切割机对沥青混合料试件进行切割,如对于马歇尔试件,在中间位置以及距离中间位置25.4mm的两边进行切割,试件切割方式如图3所示,切割过程保持缓慢,形成6个剖切面;切割完成后,清洗切片表面,并在自然状态下风干,进行下一步的图像采集工作。
本发明采用普通的平板扫描仪对沥青混合料切片断面进行扫描,扫描精度为1200pix/inch,该精度满足试验要求。利用扫描仪获取沥青混合料断面图像过程中需注意外部光源带来的误差,采集的图像如图4所示。
(3)图像灰度化处理
本发明采用加权平均法将彩色图像转换成灰度图像。通过图像预处理模块对图像进行灰度化处理。经过图像灰度化处理后的图像如图5所示。
(4)图像去噪处理
在图像采集过程中,由于外界因素的影响,如扫描仪屏幕划痕、灰尘、仪器自身的不稳定性等,会导致获取的数字图像出现不同程度的随机噪声,降低图像质量,甚至淹没图像特征,因此有必要对图像进行去噪处理。线性平滑滤波器在降噪的同时不可避免地造成了模糊,而中值滤波在有效抑制噪声的同时模糊效应明显低得多,故本发明选取中值滤波对沥青混合料图像进行平滑处理。经过中值滤波处理后的图像如图6所示。
中值滤波的数学含义可表示为式(1):
f(x,y)=Med{g(xi,yi)} (xi,yi)∈A (1)
式中,g(xi,yi)为计算的像素邻域内所有像素的灰度值,A为滤波窗口。
(5)图像增强处理
考虑到沥青混合料断面图像灰度直方图具有较明显双峰,本发明最终采用线性变换对灰度直方图两个“波峰”范围内的灰度级进行拉伸,从而增大该灰度级别范围内集料和胶浆的对比度,便于之后对图像进行准确的分割。经过局部灰度区间增强后的图像如图7所示。
线性点运算的实质是:若输入图像f(x,y)的灰度范围是[m,n],期望变换后图像 g(x,y)的灰度范围是[M,N],则灰度线性变换可表示为式(2):
(6)图像分割处理
图像分割的目的是将图像中的不同区域区分开,其原理是基于图像灰度值的不连续性或相似性。常用的阈值分割方法有直方图双峰法、迭代法、最大类间方差法。
假设一幅图像总像素数为N,灰度级总数为L,相应的灰度范围为[0,L-1],灰度值为i的像素数为ni,则N的数学表达式和各灰度值概率表达式见式(3)和式(4)。
设阈值T将图像中的像素分成两个区域:灰度值位于[0,T-1]间的像素构成的区域C0和灰度值位于[T,L-1]间的像素构成的区域C1。则区域C0和C1的的概率分别为:
整幅图像、区域C0、区域C1的平均灰度μ、μ0、μ1可表示为:
当被分割的两个区域内整体灰度值差异较大时,其相应的区域内平均灰度差别也较大,此时可采用区域间的总方差σB 2来描述其差异性。
σB 2=P0(μ0-μ)2+P1(μ1-μ)2=P0P1(μ0-μ1)2 (10)
当σB 2取最大值时,代表两区域的平均灰度值差异最大,对应的T即为最佳分割阈值(0≤T≤L)。
由于最大类间方差法计算过程简单、耗时少、计算结果准确,本发明最终采用最大类间方差法对沥青混合料试件断面图像进行分割,处理后的图像如图8所示。
(7)集料粘连和孔洞填充处理
对混合料图像进行上述处理后,发现集料颗粒间仍存在粘连现象,部分集料边缘呈锯齿状。另外,由于集料表面整体灰度分布不均匀产生了少量噪声,集料内部形成了部分离散噪声点,且由于集料自身材质的问题,集料内部局部存在孔洞现象。运用数学形态学处理图像,可以达到简化图像数据、保证图像基本的形状特性、消除不相干结构的目的。
腐蚀和膨胀是最基本也是最重要的形态学运算,是形态学图像处理的基础。利用膨胀操作可填充图像中的较小孔洞以及图像边界处微小凹陷部分,腐蚀则可以清除图像中的细小毛刺。下面对腐蚀和膨胀的概念进行解释。
对Z2上元素的集合A和B,使用结构元素B对目标A进行腐蚀,记为AΘB,表达式可记为:
让原本位于图像原点的结构元素B在整个Z2平面上平移,如果当B的原点移动至z点时,B能够完全包含于A中,则所有满足要求的z点组成的集合即为B对A的腐蚀图像。腐蚀本质上可视为将图像A中每一与结构元素B全等的子集B+x收缩成x。
同理,膨胀可视为将图像A中每一个点x扩大至B+x。对Z2上元素的集合A和B,使用结构元素B对目标A进行膨胀,记为可记为:
假设结构元素B初始位置位于图像原点处,让其在整个Z2平面上移动,当其自身原点移动至z点时,B相对于其自身的原点的映像和A存在公共的交集,即和A之间至少存在1重叠的像素,将所有满足要求的z点组成的集合为B对A的膨胀图像。
开运算和闭运算均由腐蚀和膨胀复合形成,根据腐蚀和膨胀可定义开运算及闭运算。开运算是先对图像进行腐蚀再膨胀,闭运算则是先膨胀再腐蚀。使用结构元素B对A进行开运算,即A先被B腐蚀,接着再被B膨胀,可表示为:
使用结构元素B对A进行闭运算,即A先被B膨胀,接着再被B腐蚀,可表示为:
本发明对采用最大类间方差法进行图像分割后的图像进行了开闭运算操作,经过集料粘连和填充处理后的图像如图9所示。
(8)集料颗粒识别
(8a)集料粒径确定
集料颗粒的平面形状与椭圆最为接近,故本研究采用与集料颗粒具有相同面积的等效椭圆短轴(2b)来表征集料颗粒粒径的大小。确定等效椭圆的方法中,与集料颗粒面积相同、长轴等于集料主轴的椭圆这种方法更能准确表征集料实际特性,集料等效短轴可用下式计算:
式中,Dj—图像中第j个集料的等效短轴;
Aj—图像中第j个集料的面积;
aj—图像中第j个集料的主轴。
(8b)集料最小识别粒径Dmin:
受到扫描的数字图像精度的限制,部分粒径较小的集料颗粒不能被识别,本发明采用的扫描精度为1200pix/inch,最终选取0.6mm作为集料最小识别粒径Dmin。在识别沥青混合料中集料分计筛余的阶段,仅对粒径大于Dmin的集料进行分析。
(9)集料分计筛余识别
(9a)IAP计算:
沥青混合料由沥青胶浆、集料和空隙组成,则有
V=Va+Vs+Vv (16)
式中,V、Va、Vs、Vv分别为混合料体积、沥青胶浆体积、集料体积和空隙体积。根据试验室机械筛分级配,可知每档集料的质量。同时由于各档集料的相对密度已知,可计算出各档集料的体积,则可识别的集料体积占级配中总集料体积的比例(the proportion of theidentifiable aggregate volume in the total aggregate volume,简写为IAP) 可由式(17)表示:
式中,VI—粒径大于Dmin的集料体积;
Vi—i筛的筛余集料体积,本研究默认i筛的筛孔尺寸小于i+1筛的筛孔尺寸 (9b)集料分计筛余识别:
集料颗粒所处区域内的像素总数通常被用来表示其面积,计算公式见式(18):
Ak=Nk·Δx2 (18)
式中,Ak—图像中第k个集料颗粒的面积;
Nk—第k个集料颗粒包含的像素点个数;
Δx—单个像素点的长度,取决于图像分辨率。
计算出图像中集料颗粒的面积后,忽略粒径(等效短轴)小于Dmin的集料,则可识别的集料颗粒面积AI可通过式(19)计算:
式中,Dk为图像中第k个集料的等效短轴。
集料颗粒的总面积As可表示成:
通过i筛(筛孔尺寸取值≥0.6mm)的集料分计筛余量(Percentage ofaggregates Retained on each sieve size calculated by Area)可根据式(21)计算:
其中,Aj为等效短轴介于[i,i+1]筛孔尺寸区间内的第j个集料面积,且Di<Dj<Di+1;Ai为等效短轴介于[i,i+1]筛孔尺寸区间内的集料面积总和。
(9c)图像预处理可行性验证:
计算出图像中各档集料分计筛余后,便可与试验室机械筛分级配中各档集料分计筛余进行对比。由于图像预处理过程中输入的参数主观性较大,为了保证图像预处理过程的准确性,需对预处理过程中参数值的选取进行限定,要求输入的参数值必须保证输出结果满足:利用数字图像识别的通过各档筛的集料分计筛余与试验室测定的实际值PRi的误差保持在[-5%,5%]的概率需≥95%。
当满足上述标准后,判定图像预处理过程中各项参数的选择正确,能够较好地识别混合料内部结构。若不满足,则需要通过不断调整中值滤波模板及集料粘连填充处理模板,直至满足要求。
在满足上述要求的基础上,方可进一步对沥青混合料内部结构特征进行提取。
(10)集料倾角研究
颗粒主轴指的是颗粒边界相距最远的两点之间的长度,定义颗粒主轴与水平方向的夹角σ(-90°≤σ≤90°)为集料倾角,用以表征集料在沥青混合料内部的分布方位。集料倾角在一定程度上可描述沥青混合料的压实过程,倾角示意图如图10所示。
假设主轴和颗粒边界的两个交点坐标为(xi,yi)和(xi+1,yi+1),则集料颗粒主轴dmax、集料倾角σ的数学表达式可表示为:
为了对集料整体分布情况进行准确的统计分析,采用集料倾角分布频率Pi和集料倾角平均值σm(下文简称为集料倾角σm)来描述集料分布状态。将集料倾角分成[-90°, -80°]、[-80°,-70°]……[70°,80°]、[80°,90°]等18个区间,统计分布在这 18个倾角区间内的集料倾角分布频率Pi。
Pi=ni/N(i=1,2……,18) (24)
式中:N为试件截面上粗集料总数,ni为位于某一倾角区间的粗集料颗粒个数。
实际上,集料颗粒倾角为-90°和90°、-80°和80°等时,集料被“压倒”的程度是一样的。因此在研究集料倾角σm时,考虑的是集料倾角的绝对值,例如,若某一截面有4个集料,倾角分别为-70°、-70°、80°、80°,则倾角平均值σm为 (70°+70°+80°+80°)/4=75°。
(11)空隙率研究
首先利用IPP图像处理软件(Image Pro-Plus)对沥青混合料试件断面图像中的空隙进行标记,便于后续从断面图像中提取空隙。空隙提取过程见图11,图11(b)中的白色区域即为空隙部分。统计每张提取空隙后的图像中空隙面积,定义图像中空隙面积与整个断面图像面积的比值为计算空隙率VVc,计算公式见式(25)。
VVc=Av/A=Av/(Ac+Am+Av) (25)
式中,A为断面图像的总面积,Ac为粗集料颗粒的面积,Am为沥青砂浆的面积,Av为空隙面积,单位mm2。
(12)砂浆比和砂浆膜厚测定
通过前文可知,采用最大类间方差法可将集料颗粒分离出来,当设定集料颗粒的最小计算粒径后(本研究中设定的最小计算粒径为4.75mm),即可有效提取粗集料颗粒的相关特征,其中包括粗集料的面积Ac,则沥青砂浆面积Am可由式(26)计算。
Am=A-Ac-Av (26)
为研究沥青砂浆在沥青混合料中的分布情况,定义沥青砂浆面积占混合料面积的百分比为砂浆比,砂浆比的计算公式见式(27)如下所示,单位%。定义砂浆膜厚Tm为沥青砂浆面积与粗集料颗粒周长的比值,可由式(28)计算,单位mm。
Tm=Am/Lc (28)
式中,Lc为图像中粗集料颗粒的周长,mm。
由上述两公式定义可知,砂浆比和砂浆膜厚均可反映集料颗粒嵌挤行为的紧密程度。对于相同级配类型的沥青混合料,砂浆比和砂浆膜厚越小,集料颗粒嵌挤的越为紧密。
(13)混合料均匀性研究
若集料颗粒均匀分布于沥青混合料中,则在获取的截面任一区域内,均满足粗集料颗粒面积与区域面积的比值等于截面内所有粗集料颗粒面积与截面面积的比值,即对于面积相等的两个区域,包含的粗集料颗粒面积也应该相等。在对混合料截面进行区域划分时,若将每个区域面积划分太小,易把区域内部分粒径较大的集料颗粒分割成多个粒径较小的集料,从而带来较大的误差,影响计算结果的可靠性。综合考虑,将试件截面划分成4个面积相等的区域。
常见的划分方法主要包括同心圆划分、扇形划分、横纵向划分和矩形划分等,由于本发明获取的截面为矩形截面,最终选择“田字型+回字型”的划分方法。以截面中心为中心点,对截面进行田字型区域划分以分析集料颗粒在各方位的分布状态,划分方式图12 (a)所示;对截面进行回字型划分以分析集料颗粒在截面内部、中部和外部的分布状态,划分方式如图12(b)所示。
统计每个区域面积内粗集料颗粒面积,在不同划分方法下,各区域中粗集料颗粒面积之和的变异系数可根据式(31)和式(32)计算。
式中,Sj—编号为j区域内粗集料颗粒面积之和,j=1,2,3,4;
Sji—编号为j区域内第i个粗集料颗粒面积,i=1,2,…,m;
——各区域中粗集料颗粒平均面积;
kt、kh—在田字型和回字型划分方式下,各区域粗集料颗粒面积之和变异系数。
变异系数越大,集料分布越不均匀。kt越大,表示田字型划分下的4个区域内集料分布越不均匀;kh越大,表示回字型划分下的4个区域内集料分布越不均匀。在田字型划分形式下,变异系数主要反映不同角度区域集料颗粒的分布状态,而回字型则是从径向描述集料颗粒的分布状态,但无论哪种单一划分形式下的集料分布状态都难以精确表征集料的真实分布状态。因此,本研究综合2种划分方式的优势,提出以k值作为评价沥青混合料某一截面均匀性的指标,计算公式如式(33)所示。
k=αkt+βkh (33)
式中,α和β为相关系数,α=β=0.5。k越接近0,代表混合料均匀性越好,若集料均匀分布在混合料中,则k=0。
当评价沥青混合料整体均匀性时,对成型的试件进行切割、扫描、图像处理等一系列操作后,可获取多个平行截面上的沥青混合料均匀性评价指标ki,最终根据多个平行截面的均匀性计算沥青混合料的整体均匀性。
采用均匀度K作为评价某种类型混合料内部均匀性的指标,计算公式见下式。K越大,表明沥青混合料的不均匀程度越严重。其中,K=0表征的是一种理想状态,即集料均匀分布在沥青混合料中。
式中,ki为编号为i的截面对应的沥青混合料均匀性评价指标,i=1,2,…,n;n 为所取截面数目。
本发明的沥青混合料内部结构测试分析软件2D-IISAM,以SMA-13为例,进入操作界面后,具体操作流程如下:
(1)文件管理模块:点击“Open Image”,打开原始扫描图像,点击“Crop Image”对图像进行裁剪。
(2)图像预处理模块:点击“Gray Processing”,***则将裁剪后的RGB图像转换为灰度图像;在“Med Filt Size”按钮右方输入中值滤波模板,根据显示的灰度直方图读取“双峰”对应的灰度值,并输入上限值“Upper”和下限值“Lower”,对图像进行局部灰度增强;点击“Threshold”,***自动识别合适的阈值,并跳转至下一步;输入合适的粘连处理模板和孔洞填充模板,并点击“Adhension Size”和“Filling Size”;最后,点击“Label”按钮,***即对集料颗粒进行标记。
(3)集料分计筛余识别模块:在识别集料分计筛余前,需要输入数字图像精度,供软件换算图像中的集料粒径,本研究采用的分辨率为1200pix/inch,故在工具条“EnterPrecision”右边的方格输入1200;然后输入每张图片对应的IAP值,点击“Image-basedPercent Retained”,根据数字图像识别的集料分计筛余会显示于操作界面中部(集料颗粒尺寸不小于最小识别粒径Dmin);在“Lab Percent Retained”条框内输入试验室计算得到的各粒级集料分计筛余,点击“Grading Curve”,试验室级配曲线和图像级配曲线便会显示于截面中上方。当各档集料分计筛余的差值在判定标准之内,即可进行下一步操作,否则需要不断调试图像预处理过程中各项模板参数,直至满足判定标准。
(4)内部结构特征指标计算模块:该模块包括集料计算和砂浆计算两部分内容,在“Min Aggregate Size”工具条右侧输入最小计算粒径,本研究中输入4.75(单位mm);依次点击“Average Orientation”、“Angle Output”、“Homogeneity”、“Aggregate Area”、“Aggregate Perimeter”等按钮,软件会自动计算上述指标并显示在按钮右方方框内,其中“Angle Output”以“.xlsx”格式的文件输出。接下来是砂浆计算阶段,首先打开提取空隙后的图片,点击“Void Area”按钮,软件会输出空隙面积;根据集料计算阶段结果,分别在“Enter Aggregate Area”、“Enter Aggregate Perimeter”右侧条框内输入集料面积和集料周长,点击“Mortar Area Ratio”、“Mortar Thickness”按钮,***自动计算出砂浆比和砂浆膜厚Tm。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种沥青混合料二维内部结构检测***,其特征在于,包括文件管理模块、图像预处理模块、集料分计筛余识别模块和内部结构特征指标计算模块;文件管理模块、图像预处理模块、集料分计筛余识别模块和内部结构特征指标计算模块依次连接;文件管理模块,用于对沥青混合料试验试件的断面扫描图像进行导入和裁剪;图像预处理模块,用于预处理所述断面扫描图像,对其进行灰度化处理、滤波处理、增强处理、分割处理以及集料粘连与孔洞填充处理;集料分计筛余识别模块,用于对图像预处理结果进行可行性验证,包括图像分辨率输入、IAP输入及试验室集料分计筛余输入;内部结构特征指标计算模块,用于计算内部结构特征指标,包括集料倾角、空隙率、砂浆比、砂浆膜厚及均匀度内部结构特征指标。
2.根据权利要求1所述的一种沥青混合料二维内部结构检测***,其特征在于,图像预处理模块具体包括以下操作:
(a)通过图像预处理模块对裁剪后的RGB图像采用加权平均法将彩色图像转换成灰度图像;
(b)选取中值滤波对灰度化处理的图像进行平滑处理,即对图像进行去噪处理;
中值滤波的数学含义可表示为式(1):
f(x,y)=Med{g(xi,yi)} (xi,yi)∈A (1)
式中,g(xi,yi)为计算的像素邻域内所有像素的灰度值,A为滤波窗口;
(c)采用线性变换对灰度直方图两个“波峰”范围内的灰度级进行拉伸,增大该灰度级别范围内集料和胶浆的对比度;
输入图像f(x,y)的灰度范围是[m,n],期望变换后图像g(x,y)的灰度范围是[M,N],则灰度线性变换可表示为式(2):
(d)采用最大类间方差法对沥青混合料试件断面图像进行分割;
图像总像素数为N,灰度级总数为L,相应的灰度范围为[0,L-1],灰度值为i的像素数为ni,则N的数学表达式和各灰度值概率表达式见式(3)和式(4);
设阈值T将图像中的像素分成两个区域:灰度值位于[0,T-1]间的像素构成的区域C0和灰度值位于[T,L-1]间的像素构成的区域C1;则区域C0和C1的的概率分别为:
整幅图像、区域C0、区域C1的平均灰度μ、μ0、μ1可表示为:
当被分割的两个区域内整体灰度值差异较大时,其相应的区域内平均灰度差别也较大,此时可采用区域间的总方差σB 2来描述其差异性;
σB 2=P0(μ0-μ)2+P1(μ1-μ)2=P0P1(μ0-μ1)2 (10)
当σB 2取最大值时,代表两区域的平均灰度值差异最大,对应的T即为最佳分割阈值(0≤T≤L);
(e)对图像进行集料粘连和孔洞填充处理。
3.根据权利要求1所述的一种沥青混合料二维内部结构检测***,其特征在于,集料分计筛余识别模块具体包括以下操作:
(a)集料颗粒识别:包括集料粒径确定和集料最小粒径Dmin识别;
集料粒径确定:
采用与集料颗粒具有相同面积的等效椭圆短轴2b来表征集料颗粒粒径的大小;确定等效椭圆的方法中,与集料颗粒面积相同、长轴等于集料主轴的椭圆这种方法更能准确表征集料实际特性,集料等效短轴用下式计算:
式中,Dj—图像中第j个集料的等效短轴;
Aj—图像中第j个集料的面积;
aj—图像中第j个集料的主轴;
集料最小识别粒径Dmin识别:
采用的扫描精度为1200pix/inch,最终选取0.6mm作为集料最小识别粒径Dmin;在识别沥青混合料中集料分计筛余的阶段,仅对粒径大于Dmin的集料进行分析;
(b)集料分计筛余识别:包括可识别的集料体积占级配中总集料体积的比例IAP计算和集料分计筛余识别;
沥青混合料由沥青胶浆、集料和空隙组成,则有
V=Va+Vs+Vv (16)
式中,V、Va、Vs、Vv分别为混合料体积、沥青胶浆体积、集料体积和空隙体积;根据试验室机械筛分级配,可知每档集料的质量;同时由于各档集料的相对密度已知,可计算出各档集料的体积,则可识别的集料体积占级配中总集料体积的比例IAP由式(17)表示:
式中,VI—粒径大于Dmin的集料体积;
Vi—i筛的筛余集料体积,本研究默认i筛的筛孔尺寸小于i+1筛的筛孔尺寸;
集料分计筛余识别:
集料颗粒所处区域内的像素总数通常被用来表示其面积,计算公式见式(18):
Ak=Nk·Δx2 (18)
式中,Ak—图像中第k个集料颗粒的面积;
Nk—第k个集料颗粒包含的像素点个数;
Δx—单个像素点的长度,取决于图像分辨率;
计算出图像中集料颗粒的面积后,忽略粒径小于Dmin的集料,则识别的集料颗粒面积AI可通过式(19)计算:
式中,Dk为图像中第k个集料的等效短轴;
集料颗粒的总面积As可表示成:
通过i筛,筛孔尺寸取值≥0.6mm的集料分计筛余量可根据式(21)计算:
其中,Aj为等效短轴介于[i,i+1]筛孔尺寸区间内的第j个集料面积,且Di<Dj<Di+1;Ai为等效短轴介于[i,i+1]筛孔尺寸区间内的集料面积总和;
(c)对图像预处理结果进行可行性验证,对预处理过程中参数值的选取进行限定,要求输入的参数值必须保证输出结果满足:利用数字图像识别的通过各档筛的集料分计筛余与试验室测定的实际值PRi的误差保持在[-5%,5%]的概率≥95%;
(d)当各档集料分计筛余的差值在判定标准之内,进行下一步操作,否则需要不断调试图像预处理过程中各项模板参数,直至满足判定标准。
4.根据权利要求1所述的一种沥青混合料二维内部结构检测***,其特征在于,内部结构特征指标计算模块具体包括以下操作:
(a)集料倾角研究
颗粒主轴指的是颗粒边界相距最远的两点之间的长度,定义颗粒主轴与水平方向的夹角σ(-90°≤σ≤90°)为集料倾角,用以表征集料在沥青混合料内部的分布方位;
假设主轴和颗粒边界的两个交点坐标为(xi,yi)和(xi+1,yi+1),则集料颗粒主轴dmax、集料倾角σ的数学表达式可表示为:
采用集料倾角分布频率Pi和集料倾角平均值σm来描述集料分布状态;将集料倾角分成[-90°,-80°]、[-80°,-70°]……[70°,80°]、[80°,90°]等18个区间,统计分布在这18个倾角区间内的集料倾角分布频率Pi;
Pi=ni/N (i=1,2……,18) (24)
式中:N为试件截面上粗集料总数,ni为位于某一倾角区间的粗集料颗粒个数;
(b)空隙率研究
利用IPP图像处理软件对沥青混合料试件断面图像中的空隙进行标记,便于后续从断面图像中提取空隙;统计每张提取空隙后的图像中空隙面积,定义图像中空隙面积与整个断面图像面积的比值为计算空隙率VVc,计算公式见式(25);
VVc=Av/A=Av/(Ac+Am+Av) (25)
式中,A为断面图像的总面积,Ac为粗集料颗粒的面积,Am为沥青砂浆的面积,Av为空隙面积,单位mm2;
(c)砂浆比和砂浆膜厚测定
粗集料的面积Ac,则沥青砂浆面积Am可由式(26)计算;
Am=A-Ac-Av (26)
定义沥青砂浆面积占混合料面积的百分比为砂浆比,砂浆比的计算公式见式(27)如下所示,单位%;定义砂浆膜厚Tm为沥青砂浆面积与粗集料颗粒周长的比值,可由式(28)计算,单位mm;
Tm=Am/Lc (28)
式中,Lc为图像中粗集料颗粒的周长,mm;
(d)混合料均匀性研究
将试件截面划分成4个面积相等的区域;选择“田字型+回字型”的划分方法;以截面中心为中心点,对截面进行田字型区域划分以分析集料颗粒在各方位的分布状态
统计每个区域面积内粗集料颗粒面积,在不同划分方法下,各区域中粗集料颗粒面积之和的变异系数可根据式(31)和式(32)计算;
式中,Sj—编号为j区域内粗集料颗粒面积之和,j=1,2,3,4;
Sji—编号为j区域内第i个粗集料颗粒面积,i=1,2,…,m;
——各区域中粗集料颗粒平均面积;
kt、kh—在田字型和回字型划分方式下,各区域粗集料颗粒面积之和变异系数。
以k值作为评价沥青混合料某一截面均匀性的指标,计算公式如式(33)所示;
k=αkt+βkh (33)
式中,α和β为相关系数,α=β=0.5;k越接近0,代表混合料均匀性越好,若集料均匀分布在混合料中,则k=0;
采用均匀度K作为评价某种类型混合料内部均匀性的指标,计算公式见下式;K越大,表明沥青混合料的不均匀程度越严重;其中,K=0表征的是集料均匀分布在沥青混合料中;
式中,ki为编号为i的截面对应的沥青混合料均匀性评价指标,i=1,2,…,n;n为所取截面数目。
5.一种沥青混合料二维内部结构检测***的检测方法,其特征在于,基于权利要求1所述的一种沥青混合料二维内部结构测试***,包括以下步骤:
步骤1,制备沥青混合料试验试件;
步骤2,获取所述沥青混合料试件的断面扫描图像;
步骤3,导入断面扫描图像,进行裁剪,生成RGB图像;
步骤4,对所述断面扫描图像进行灰度化处理,获得灰度图像,然后进行中值滤波、图像增强、阈值分割、集料粘连处理与孔洞填充处理;
步骤5,对所述图像预处理结果可行性进行验证,包括图像分辨率输入、IAP输入及试验室集料分计筛余输入;
步骤6,计算集料倾角、空隙率、砂浆比、砂浆膜厚及均匀度内部结构特征指标。
6.根据权利要求5所述的一种沥青混合料二维内部结构检测***的检测方法,其特征在于,步骤4具体包括:
(a)通过图像预处理模块对裁剪后的RGB图像采用加权平均法将彩色图像转换成灰度图像;
(b)选取中值滤波对灰度化处理的图像进行平滑处理,即对图像进行去噪处理;
中值滤波的数学含义可表示为式(1):
f(x,y)=Med{g(xi,yi)} (xi,yi)∈A (1)
式中,g(xi,yi)为计算的像素邻域内所有像素的灰度值,A为滤波窗口;
(c)采用线性变换对灰度直方图两个“波峰”范围内的灰度级进行拉伸,增大该灰度级别范围内集料和胶浆的对比度;
输入图像f(x,y)的灰度范围是[m,n],期望变换后图像g(x,y)的灰度范围是[M,N],则灰度线性变换可表示为式(2):
(d)采用最大类间方差法对沥青混合料试件断面图像进行分割;
图像总像素数为N,灰度级总数为L,相应的灰度范围为[0,L-1],灰度值为i的像素数为ni,则N的数学表达式和各灰度值概率表达式见式(3)和式(4);
设阈值T将图像中的像素分成两个区域:灰度值位于[0,T-1]间的像素构成的区域C0和灰度值位于[T,L-1]间的像素构成的区域C1;则区域C0和C1的的概率分别为:
整幅图像、区域C0、区域C1的平均灰度μ、μ0、μ1可表示为:
当被分割的两个区域内整体灰度值差异较大时,其相应的区域内平均灰度差别也较大,此时可采用区域间的总方差σB 2来描述其差异性;
σB 2=P0(μ0-μ)2+P1(μ1-μ)2=P0P1(μ0-μ1)2 (10)
当σB 2取最大值时,代表两区域的平均灰度值差异最大,对应的T即为最佳分割阈值(0≤T≤L);
(e)对图像进行集料粘连和孔洞填充处理。
7.根据权利要求5所述的一种沥青混合料二维内部结构检测***的检测方法,其特征在于,步骤5具体包括:
(a)集料颗粒识别:包括集料粒径确定和集料最小粒径Dmin识别;
集料粒径确定:
采用与集料颗粒具有相同面积的等效椭圆短轴2b来表征集料颗粒粒径的大小;确定等效椭圆的方法中,与集料颗粒面积相同、长轴等于集料主轴的椭圆这种方法更能准确表征集料实际特性,集料等效短轴用下式计算:
式中,Dj—图像中第j个集料的等效短轴;
Aj—图像中第j个集料的面积;
aj—图像中第j个集料的主轴;
集料最小识别粒径Dmin识别:
采用的扫描精度为1200pix/inch,最终选取0.6mm作为集料最小识别粒径Dmin;在识别沥青混合料中集料分计筛余的阶段,仅对粒径大于Dmin的集料进行分析;
(b)集料分计筛余识别:包括可识别的集料体积占级配中总集料体积的比例IAP计算和集料分计筛余识别;
沥青混合料由沥青胶浆、集料和空隙组成,则有
V=Va+Vs+Vv (16)
式中,V、Va、Vs、Vv分别为混合料体积、沥青胶浆体积、集料体积和空隙体积;根据试验室机械筛分级配,可知每档集料的质量;同时由于各档集料的相对密度已知,可计算出各档集料的体积,则可识别的集料体积占级配中总集料体积的比例IAP由式(17)表示:
式中,VI—粒径大于Dmin的集料体积;
Vi—i筛的筛余集料体积,本研究默认i筛的筛孔尺寸小于i+1筛的筛孔尺寸;
集料分计筛余识别:
集料颗粒所处区域内的像素总数通常被用来表示其面积,计算公式见式(18):
Ak=Nk·Δx2 (18)
式中,Ak—图像中第k个集料颗粒的面积;
Nk—第k个集料颗粒包含的像素点个数;
Δx—单个像素点的长度,取决于图像分辨率;
计算出图像中集料颗粒的面积后,忽略粒径小于Dmin的集料,则识别的集料颗粒面积AI可通过式(19)计算:
式中,Dk为图像中第k个集料的等效短轴;
集料颗粒的总面积As可表示成:
通过i筛,筛孔尺寸取值≥0.6mm的集料分计筛余量可根据式(21)计算:
其中,Aj为等效短轴介于[i,i+1]筛孔尺寸区间内的第j个集料面积,且Di<Dj<Di+1;Ai为等效短轴介于[i,i+1]筛孔尺寸区间内的集料面积总和;
(c)对图像预处理结果进行可行性验证,对预处理过程中参数值的选取进行限定,要求输入的参数值必须保证输出结果满足:利用数字图像识别的通过各档筛的集料分计筛余与试验室测定的实际值PRi的误差保持在[-5%,5%]的概率≥95%;
(d)当各档集料分计筛余的差值在判定标准之内,进行下一步操作,否则需要不断调试图像预处理过程中各项模板参数,直至满足判定标准。
8.根据权利要求5所述的一种沥青混合料二维内部结构检测***的检测方法,其特征在于,步骤6具体包括:
(a)集料倾角研究
颗粒主轴指的是颗粒边界相距最远的两点之间的长度,定义颗粒主轴与水平方向的夹角σ(-90°≤σ≤90°)为集料倾角,用以表征集料在沥青混合料内部的分布方位;
假设主轴和颗粒边界的两个交点坐标为(xi,yi)和(xi+1,yi+1),则集料颗粒主轴dmax、集料倾角σ的数学表达式可表示为:
采用集料倾角分布频率Pi和集料倾角平均值σm来描述集料分布状态;将集料倾角分成[-90°,-80°]、[-80°,-70°]……[70°,80°]、[80°,90°]等18个区间,统计分布在这18个倾角区间内的集料倾角分布频率Pi;
Pi=ni/N (i=1,2……,18) (24)
式中:N为试件截面上粗集料总数,ni为位于某一倾角区间的粗集料颗粒个数;
(b)空隙率研究
利用IPP图像处理软件对沥青混合料试件断面图像中的空隙进行标记,便于后续从断面图像中提取空隙;统计每张提取空隙后的图像中空隙面积,定义图像中空隙面积与整个断面图像面积的比值为计算空隙率VVc,计算公式见式(25);
VVc=Av/A=Av/(Ac+Am+Av) (25)
式中,A为断面图像的总面积,Ac为粗集料颗粒的面积,Am为沥青砂浆的面积,Av为空隙面积,单位mm2;
(c)砂浆比和砂浆膜厚测定
粗集料的面积Ac,则沥青砂浆面积Am可由式(26)计算;
Am=A-Ac-Av (26)
定义沥青砂浆面积占混合料面积的百分比为砂浆比,砂浆比的计算公式见式(27)如下所示,单位%;定义砂浆膜厚Tm为沥青砂浆面积与粗集料颗粒周长的比值,可由式(28)计算,单位mm;
Tm=Am/Lc (28)
式中,Lc为图像中粗集料颗粒的周长,mm;
(d)混合料均匀性研究
将试件截面划分成4个面积相等的区域;选择“田字型+回字型”的划分方法;以截面中心为中心点,对截面进行田字型区域划分以分析集料颗粒在各方位的分布状态
统计每个区域面积内粗集料颗粒面积,在不同划分方法下,各区域中粗集料颗粒面积之和的变异系数可根据式(31)和式(32)计算;
式中,Sj—编号为j区域内粗集料颗粒面积之和,j=1,2,3,4;
Sji—编号为j区域内第i个粗集料颗粒面积,i=1,2,…,m;
——各区域中粗集料颗粒平均面积;
kt、kh—在田字型和回字型划分方式下,各区域粗集料颗粒面积之和变异系数。
以k值作为评价沥青混合料某一截面均匀性的指标,计算公式如式(33)所示;
k=αkt+βkh (33)
式中,α和β为相关系数,α=β=0.5;k越接近0,代表混合料均匀性越好,若集料均匀分布在混合料中,则k=0;
采用均匀度K作为评价某种类型混合料内部均匀性的指标,计算公式见下式;K越大,表明沥青混合料的不均匀程度越严重;其中,K=0表征的是集料均匀分布在沥青混合料中;
式中,ki为编号为i的截面对应的沥青混合料均匀性评价指标,i=1,2,…,n;n为所取截面数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811064204.6A CN109211904B (zh) | 2018-09-12 | 2018-09-12 | 一种沥青混合料二维内部结构检测***及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811064204.6A CN109211904B (zh) | 2018-09-12 | 2018-09-12 | 一种沥青混合料二维内部结构检测***及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109211904A true CN109211904A (zh) | 2019-01-15 |
CN109211904B CN109211904B (zh) | 2021-07-30 |
Family
ID=64983509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811064204.6A Active CN109211904B (zh) | 2018-09-12 | 2018-09-12 | 一种沥青混合料二维内部结构检测***及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109211904B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068518A (zh) * | 2019-05-10 | 2019-07-30 | 华侨大学 | 机制砂质量检测设备及其检测方法 |
CN110208266A (zh) * | 2019-06-20 | 2019-09-06 | 长沙理工大学 | 一种再生沥青混合料均匀性评价方法 |
CN110473225A (zh) * | 2019-08-22 | 2019-11-19 | 哈尔滨工业大学 | 一种非均匀照度沥青混合料颗粒识别方法 |
CN111175323A (zh) * | 2020-02-14 | 2020-05-19 | 佛山科学技术学院 | 一种基于3d打印沥青混合料三维可视化结构的分析方法 |
CN111553886A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 一种沥青混合料ct图像中颗粒的自适应识别方法 |
CN111693525A (zh) * | 2020-03-02 | 2020-09-22 | 西南石油大学 | 一种烃源岩中固体沥青的识别和定量统计方法 |
CN113034459A (zh) * | 2021-03-19 | 2021-06-25 | 扬州大学 | 一种基于ct图像的沥青混合料空隙分布的确定方法 |
CN113160084A (zh) * | 2021-04-19 | 2021-07-23 | 新疆大学 | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 |
CN114462543A (zh) * | 2022-02-15 | 2022-05-10 | 河南四通实业有限公司 | 再生沥青混凝土生产用筛分方法 |
US20220326143A1 (en) * | 2021-04-09 | 2022-10-13 | Wuhan University Of Technology | Method for evaluating influence of humidity on asphalt-aggregate adhesion |
CN117218126A (zh) * | 2023-11-09 | 2023-12-12 | 安徽省交通规划设计研究总院股份有限公司 | 图像处理视域下沥青混合料均匀性计算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101153850A (zh) * | 2006-09-30 | 2008-04-02 | 长安大学 | 一种沥青混合料的检测方法及*** |
CN103955597A (zh) * | 2014-03-19 | 2014-07-30 | 上海频谱顿交通科技有限公司 | 一种级配碎石抗压强度数值试验方法 |
CN105957064A (zh) * | 2016-04-24 | 2016-09-21 | 长安大学 | 一种沥青路面表面构造二维测试评价***及方法 |
EP3072449A1 (en) * | 2015-03-26 | 2016-09-28 | Mag Medic sp. z o.o. | Identification of the atheromatous plaque in angiodiagnostics |
EP3125533A1 (en) * | 2015-07-27 | 2017-02-01 | Accenture Global Services Limited | Aggregation system for generating and providing an enriched program schedule for media content |
CN106767629A (zh) * | 2016-11-23 | 2017-05-31 | 长安大学 | 一种获取沥青膜厚度的方法 |
CN107024411A (zh) * | 2017-04-20 | 2017-08-08 | 阜阳师范学院 | 一种沥青路面施工质量均匀性检测与评价方法 |
US20170272723A1 (en) * | 2016-03-17 | 2017-09-21 | Texas Instruments Incorporated | Hybrid tiling strategy for semi-global matching stereo hardware acceleration |
-
2018
- 2018-09-12 CN CN201811064204.6A patent/CN109211904B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101153850A (zh) * | 2006-09-30 | 2008-04-02 | 长安大学 | 一种沥青混合料的检测方法及*** |
CN103955597A (zh) * | 2014-03-19 | 2014-07-30 | 上海频谱顿交通科技有限公司 | 一种级配碎石抗压强度数值试验方法 |
EP3072449A1 (en) * | 2015-03-26 | 2016-09-28 | Mag Medic sp. z o.o. | Identification of the atheromatous plaque in angiodiagnostics |
EP3125533A1 (en) * | 2015-07-27 | 2017-02-01 | Accenture Global Services Limited | Aggregation system for generating and providing an enriched program schedule for media content |
US20170272723A1 (en) * | 2016-03-17 | 2017-09-21 | Texas Instruments Incorporated | Hybrid tiling strategy for semi-global matching stereo hardware acceleration |
CN105957064A (zh) * | 2016-04-24 | 2016-09-21 | 长安大学 | 一种沥青路面表面构造二维测试评价***及方法 |
CN106767629A (zh) * | 2016-11-23 | 2017-05-31 | 长安大学 | 一种获取沥青膜厚度的方法 |
CN107024411A (zh) * | 2017-04-20 | 2017-08-08 | 阜阳师范学院 | 一种沥青路面施工质量均匀性检测与评价方法 |
Non-Patent Citations (2)
Title |
---|
MOHD ZUL HANIF MAHMUD ET AL.: "Microstructural investigation on air void properties of porous asphalt using virtual cut section", 《CONSTRUCTION AND BUILDING MATERIALS》 * |
黄志福等: "基于数字图像处理技术的沥青混合料摊铺均匀性实时监测评价方法", 《公路交通科技》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068518A (zh) * | 2019-05-10 | 2019-07-30 | 华侨大学 | 机制砂质量检测设备及其检测方法 |
CN110208266B (zh) * | 2019-06-20 | 2021-08-17 | 长沙理工大学 | 一种再生沥青混合料均匀性评价方法 |
CN110208266A (zh) * | 2019-06-20 | 2019-09-06 | 长沙理工大学 | 一种再生沥青混合料均匀性评价方法 |
CN110473225A (zh) * | 2019-08-22 | 2019-11-19 | 哈尔滨工业大学 | 一种非均匀照度沥青混合料颗粒识别方法 |
CN110473225B (zh) * | 2019-08-22 | 2023-06-06 | 哈尔滨工业大学 | 一种非均匀照度沥青混合料颗粒识别方法 |
CN111175323A (zh) * | 2020-02-14 | 2020-05-19 | 佛山科学技术学院 | 一种基于3d打印沥青混合料三维可视化结构的分析方法 |
CN111693525A (zh) * | 2020-03-02 | 2020-09-22 | 西南石油大学 | 一种烃源岩中固体沥青的识别和定量统计方法 |
CN111693525B (zh) * | 2020-03-02 | 2022-04-08 | 西南石油大学 | 一种烃源岩中固体沥青的识别和定量统计方法 |
CN111553886A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 一种沥青混合料ct图像中颗粒的自适应识别方法 |
CN111553886B (zh) * | 2020-04-09 | 2024-02-13 | 哈尔滨工业大学 | 一种沥青混合料ct图像中颗粒的自适应识别方法 |
CN113034459A (zh) * | 2021-03-19 | 2021-06-25 | 扬州大学 | 一种基于ct图像的沥青混合料空隙分布的确定方法 |
US20220326143A1 (en) * | 2021-04-09 | 2022-10-13 | Wuhan University Of Technology | Method for evaluating influence of humidity on asphalt-aggregate adhesion |
CN113160084A (zh) * | 2021-04-19 | 2021-07-23 | 新疆大学 | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 |
CN113160084B (zh) * | 2021-04-19 | 2022-07-01 | 新疆大学 | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 |
CN114462543A (zh) * | 2022-02-15 | 2022-05-10 | 河南四通实业有限公司 | 再生沥青混凝土生产用筛分方法 |
CN114462543B (zh) * | 2022-02-15 | 2024-05-03 | 河南四通实业有限公司 | 再生沥青混凝土生产用筛分方法 |
CN117218126A (zh) * | 2023-11-09 | 2023-12-12 | 安徽省交通规划设计研究总院股份有限公司 | 图像处理视域下沥青混合料均匀性计算方法 |
CN117218126B (zh) * | 2023-11-09 | 2024-02-13 | 安徽省交通规划设计研究总院股份有限公司 | 图像处理视域下沥青混合料均匀性计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109211904B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109211904A (zh) | 一种沥青混合料二维内部结构检测***及检测方法 | |
US20210200988A1 (en) | Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features | |
CN105445160B (zh) | 一种沥青混合料的空隙特征及其提取方法 | |
Zelelew et al. | An improved image processing technique for asphalt concrete X-ray CT images | |
Kutay et al. | Three-dimensional image processing methods to identify and characterise aggregates in compacted asphalt mixtures | |
Lindquist et al. | Investigating 3D geometry of porous media from high resolution images | |
Sammartino et al. | Identifying the functional macropore network related to preferential flow in structured soils | |
CN106651896A (zh) | 沥青混合料的ct图像的材质分类方法 | |
Hashemi et al. | A tomographic imagery segmentation methodology for three-phase geomaterials based on simultaneous region growing | |
Weiler | Mechanisms controlling macropore flow during infiltration: Dye tracer experiments and simulations | |
Elliot et al. | A comparison of optical and X-ray CT technique for void analysis in soil thin section | |
Abera et al. | The effectiveness of global thresholding techniques in segmenting two-phase porous media | |
Zheng et al. | Characterization of two-and three-dimensional morphological properties of fragmented sand grains | |
WO2022166232A1 (zh) | 岩石鉴定方法、***、装置、终端及可读存储介质 | |
Zhao et al. | Soil pore identification with the adaptive fuzzy C-means method based on computed tomography images | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
Roudier et al. | Advances towards quantitative assessments of soil profile properties | |
Hu et al. | A two-dimensional entropy-based method for detecting the degree of segregation in asphalt mixture | |
Anusree et al. | Characterization of sand particle morphology: state-of-the-art | |
Anangsha et al. | A new autonomous program customized for computing surface cracks in an unsaturated soil in a 1-D column | |
Beraldo et al. | Application of x-ray computed tomography in the evaluation of soil porosity in soil management systems | |
Collette et al. | Fission gas bubble identification using MATLAB's image processing toolbox | |
CN111882667A (zh) | 基于细观结构的沥青混凝土三维有限元建模方法 | |
Gallegos et al. | Digital soil morphometrics of coarse fragments and horizon delineation in soil profiles from Central Mexico | |
CN114283133A (zh) | 一种基于最邻近分析的沥青混合料均匀性评价方法 |
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 |