CN112949463A - 一种集料级配快速检测模型的建立、检测方法及*** - Google Patents
一种集料级配快速检测模型的建立、检测方法及*** Download PDFInfo
- Publication number
- CN112949463A CN112949463A CN202110219609.8A CN202110219609A CN112949463A CN 112949463 A CN112949463 A CN 112949463A CN 202110219609 A CN202110219609 A CN 202110219609A CN 112949463 A CN112949463 A CN 112949463A
- Authority
- CN
- China
- Prior art keywords
- aggregate
- point cloud
- aggregates
- channel
- dimensional
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000002245 particle Substances 0.000 description 10
- 239000000463 material Substances 0.000 description 6
- 238000005260 corrosion Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003818 cinder Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- -1 pebble Substances 0.000 description 1
- 239000010451 perlite Substances 0.000 description 1
- 235000019362 perlite Nutrition 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000008262 pumice Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于三维点云处理和机器学习技术领域，公开了一种集料级配快速检测模型的建立、检测方法及***。该方法采集粗集料的三维点云数据，然后提取三维集料的52种与档位相关性强特征因子经图像预处理后做质量回归和类别预测，以此获得集料的级配。该方法避免了传统方法中主观因素造成的误差，速度快、效率高、鲁棒性好，可以实现集料级配检测的自动化，为道路施工提供质量保障。
Description
技术领域
本发明属于三维点云处理和机器学习技术领域，具体涉及一种集料级配快速检测模型的建立、检测方法及***。
背景技术
路面施工所用集料在混凝土中所占比例大约为70～80％，是混凝土的重要组成材料，且在沥青路面材料中所占成本最多。同时，集料级配也会直接影响沥青路面的使用性能及混凝土结构工程的质量。
一般工业上混合集料的级配检测方法，要通过含有多层筛网的拌合楼将筛网的口径一层一层由大到小布置下来，然后再手工大概测量粗集料的档位和质量，此种方法不仅效益低下、过程乏味冗长，而且最终得到的集料级配不准确。另外，集料出厂大部分采用间断级配，即在矿料颗粒分布的整个区间里，从中间剔除一个或连续几个粒级，形成一种不连续的级配以提高生产效率，由此会造成粒级含量的缺失，同时因为筛网漏洞和筛网倾斜等主观因素，出厂集料的级配指标存在很大的误差，严重影响混凝土路面的工程质量。
目前在机器学习领域，国内外研究工作主要集中在集料的形态特征评价指标上，无法形成***的集料形状分类体系，而且现有的技术针对传统的二维图像只可以提取集料的上表面、轮廓等特征这些特征对级配的测量参数如质量、档位的相关性较低，难以通过图像处理或者机器学习方法进行级配的预测并实现自动化检测。另外，传统方法利用的都是单一的特征参数，没有全面考虑影响集料分档和形状的三维特征，导致级配的准确率较低。
发明内容
本发明的目的在于提供一种集料级配快速检测模型的建立、检测方法及***，用以解决现有技术中的集料级配准确率及效率低下的问题。
为了实现上述任务，本发明采用以下技术方案：
一种集料级配快速检测模型的建立方法，包括如下步骤：
步骤1：获取多组集料的三维点云数据和背景的三维点云数据，对每组集料的三维点云数据和背景的三维点云数据分别进行通道分离，获得每组集料在x、y、z通道的原始深度图和背景在x、y、z通道的深度图；
所述的每组集料包括至少一颗集料，采集所有集料的档位和质量；
步骤2：将步骤1得到的每组集料在z通道的原始深度图分别和背景在z通道的深度图进行相减，获得多个z通道深度图，对多个z通道深度图进行去噪，获得多个去噪后的z通道深度图；
步骤3：计算步骤2中每个去噪后的z通道深度图中的连通域面积，将每个去噪后的z通道深度图中连通域面积大于第一阈值的连通域合并为模板图像，得到多个模板图像；
步骤4：采用步骤3得到多个模板图像进行分割，得到多组集料有效区域，每组集料有效区域包括IXr、IYr和IZr，其中，IZr表示每个模板图像对步骤2中对应的z通道深度图进行分割得到的有效区域，IXr表示每个模板图像对步骤1中对应的集料在x通道的原始深度图进行分割得到的有效区域，IYr表示每个模板图像对步骤1中对应的集料在y通道的原始深度图进行分割得到的有效区域；
步骤5：根据PCL算子将步骤4得到的多组集料有效区域转换为集料点云模型，所述的集料点云模型包括多个集料点云，提取每个集料点云的三维特征和二维特征；
步骤6：将步骤5获得的集料点云模型的所有的三维特征和二维特征作为特征数据集，建立XGBoost模型，将步骤4获得的特征数据集作为输入，将步骤1获得的所有集料的档位和质量作为标签集，训练XGBoost模型，将训练好的XGBoost模型作为集料级配快速检测模型。
进一步的，步骤2中的去噪包括如下步骤：
1)对z通道深度图进行阈值分割；
2)将阈值分割后的图像根据z轴分辨率转化为真实高度图，对真实高度图依次执行开操作和闭操作进行去噪，获得去噪后的z通道深度图。
进一步的，步骤3中第一阈值为300像素。
进一步的，步骤5的集料点云模型中每个集料点云满足：
1)八邻域点集之间的像素距离小于第二阈值，所述第二阈值为15像素；
2)每个集料点云中连通点集数量大于第三阈值，所述的第三阈值为500像素。
一种集料级配快速检测方法，包括如下步骤：
步骤Ⅰ：采集待检测集料的三维点云数据；
步骤Ⅱ：根据如任一种集料级配快速检测模型的建立方法的步骤1-5获取待检测集料的三维点云数据的特征数据集；
步骤Ⅲ：将待检测集料的三维点云数据的特征数据集输入如任一种集料级配快速检测模型的建立方法得到的集料级配快速检测模型，获得待检测集料的档位和质量。
一种集料级配快速检测***，包括数据采集模块、去噪模块、模板获取模块、集料有效区域生成模块、特征获取模块、模型训练模块和检测模块；
所述的数据采集模块用于获取多组集料的三维点云数据和背景的三维点云数据，对每组集料的三维点云数据和背景的三维点云数据分别进行通道分离，获得每组集料在x、y、z通道的原始深度图和背景在x、y、z通道的深度图；所述的每组集料包括至少一颗集料，采集所有集料的档位和质量；
所述的去噪模块用于将数据采集模块得到的每组集料在z通道的原始深度图分别和背景在z通道的深度图进行相减，获得多个z通道深度图，对多个z通道深度图进行去噪，获得多个去噪后的z通道深度图；
所述的模板获取模块用于计算去噪模块中每个去噪后的z通道深度图中的连通域面积，将每个去噪后的z通道深度图中连通域面积大于第一阈值的连通域合并为模板图像，得到多个模板图像；
所述的集料有效区域生成模块用于采用模板获取模块得到多个模板图像进行分割，得到多组集料有效区域，每组集料有效区域包括IXr、IYr和IZr，其中，IZr表示每个模板图像对步骤2中对应的z通道深度图进行分割得到的有效区域，IXr表示每个模板图像对步骤1中对应的集料在x通道的原始深度图进行分割得到的有效区域，IYr表示每个模板图像对步骤1中对应的集料在y通道的原始深度图进行分割得到的有效区域；
所述的特征获取模块用于根据PCL算子将集料有效区域生成模块得到的多组集料有效区域转换为集料点云模型，所述的集料点云模型包括多个集料点云，提取每个集料点云的三维特征和二维特征；
所述的模型训练模块用于将特征获取模块获得的集料点云模型的所有的三维特征和二维特征作为特征数据集，建立XGBoost模型，将集料有效区域生成模块获得的特征数据集作为输入，将所有集料的档位和质量作为标签集，训练XGBoost模型，将训练好的XGBoost模型作为集料级配快速检测模型；
所述的检测模块用于采集待检测集料的三维点云数据，获取待检测集料的三维点云数据的特征数据集在，将待检测集料的三维点云数据的特征数据集输入集料级配快速检测模型，获得待检测集料的档位和质量。
进一步的，去噪模块中的去噪包括如下步骤：
1)对z通道深度图进行阈值分割；
2)将阈值分割后的图像根据z轴分辨率转化为真实高度图，对真实高度图依次执行开操作和闭操作进行去噪，获得去噪后的z通道深度图。
进一步的，所述的第一阈值为300像素。
进一步的，所属的特征获取模块中集料点云模型中每个集料点云满足：
1)八邻域点集之间的像素距离小于第二阈值，所述第二阈值为15像素；
2)每个集料点云中连通点集数量大于第三阈值，所述的第三阈值为500像素。
本发明与现有技术相比具有以下技术特点：
(1)本发明通过采集集料的三维信息进行三维重构，提取的特征与集料特性具有更强的相关性，可实现实时准确的级配检测。
(2)传统的级配检测方法依靠手工测量，费时费力。该发明对集料自动化三维检测方法进行研究，快速高效，极大缩短了级配预测时间，为保障施工质量提供技术支持。
附图说明
图1是本发明经预处理后的集料深度图像；
图2是本发明生成的集料点云可视化图像；
图3是本发明方法实现的级配预测和真实级配的对比图；
图4是本发明制作的集料三维特征数据集；
图5是本发明的级配计算结果。
具体实施方式
首先对本发明中出现的技术词语进行解释：
XGBoost模型：该模型是基于大规模并行boosted tree的人工智能神经网络，由多个相关联的决策树联合决策。
开操作和闭操作：开操作表示先腐蚀后膨胀，闭操作表示先膨胀后腐蚀；腐蚀表示以B结构中心点为准心，在A中找能满足B结构的点，膨胀表示把A结构的每个点放到B中心点，以B结构外扩。
集料：混凝土的主要组成材料之一。包括天然集料和人造集料，前者如碎石、卵石、浮石、天然砂等，后者如煤渣、矿渣、陶粒、膨胀珍珠岩等。
集料的档位：《JTG E42-2005公路工程集料试验规程》中规定的集料的最大粒径的分级情况，粒径单位为mm。
集料的质量：在本发明中为单个集料颗粒的质量大小，质量单位为kg。
在本实施例中公开了一种集料级配快速检测模型的建立方法，包括如下步骤：
步骤1：获取多组集料的三维点云数据和背景的三维点云数据，对每组集料的三维点云数据和背景的三维点云数据分别进行通道分离，获得每组集料在x、y、z通道的原始深度图和背景在x、y、z通道的深度图；
所述的每组集料包括至少一颗集料，采集所有集料的档位和质量；
步骤2：将每组集料在z通道的原始深度图分别和背景在z通道的深度图进行相减，获得多个z通道深度图IZ，对多个z通道深度图进行去噪，获得多个去噪后的z通道深度图；
步骤3：计算每个去噪后的z通道深度图中的连通域面积，筛选出每个去噪后的z通道深度图中连通域面积大于第一阈值的连通域，将大于第一阈值的连通域合并为模板图像，得到多个模板图像；
步骤4：采用步骤3得到多个模板图像进行分割，得到多组集料有效区域，每组集料有效区域包括IXr、IYr和IZr，其中，IZr表示每个模板图像对步骤2中对应的z通道深度图进行分割得到的有效区域，IXr表示每个模板图像对步骤1中对应的集料在x通道的原始深度图进行分割得到的有效区域，IYr表示每个模板图像对步骤1中对应的集料在y通道的原始深度图进行分割得到的有效区域；
步骤5：根据PCL算子将多组集料有效区域转换为集料点云模型，所述的集料点云模型包括多个集料点云，提取每个集料点云的三维特征和二维特征；
步骤6：将步骤5获得的集料点云模型的所有的三维特征和二维特征作为特征数据集，建立XGBoost模型，将步骤4获得的特征数据集作为输入，将步骤1中所有集料的档位和质量作为标签集，训练XGBoost模型，将训练好的XGBoost模型作为集料级配快速检测模型。
具体的，步骤1中三维点云数据包括如下数据类型，深度图、毫米值高度图、灰度图、有效数据区、帧计数、时间标志、编码器位置、编码器序列、X方向偏移、X方向分辨率、Y方向分辨率、Z方向偏移、Z方向分辨率、图像宽、图像高、是否有灰度值。其中，高度图、毫米值高度图、灰度图、有效数据区以二维图像保存。
具体的，步骤1中，集料和背景图像分别经过通道分离得到IXi、IYi、IZi(i＝o、b，分别为集料和背景)，其中IXi记录X轴位置信息，IYi记录Y轴位置信息，IZi记录高度信息。
具体的，步骤2中的去噪包括如下步骤：
1)对z通道深度图IZ进行阈值分割，去除背景和目标以外的无关噪点；
2)将阈值分割后的图像根据Z轴分辨率转化为真实高度图，对真实高度图依次执行开操作和闭操作进行去噪，获得去噪后的z通道深度图，本实施例生成的图像分辨率范围为624*350～3120*1750。
具体的，开操作用于消除细小的干扰物体，其中，假设X和Z为二维欧式空间中的两个集合，分别代表目标集料图像和一个结构元素(窗)，开运算定义如下：
其中，
表示是XΘZ腐蚀图像依然用结构元素Z膨胀后来恢复原图像；为了保持集料三维特征尺度不变，进行相同尺度的闭操作还原对集料边缘的腐蚀效果。
优选的，开操作和闭操作两步操作为一组，执行7次不同尺度的开闭组合，得到去噪后的z通道深度图IZd，每次选取的结构元素大小分别为0.5、1.0、1.5、2.0、2.5、3.0、3.5。
具体的，步骤3中第一阈值为300像素。
具体的，步骤4中分割的含义为将模板图像作为mask选取对应图像中的相应区域完成分割。
具体的，步骤5中通过PCL算子把三通道xyz数据转换为PLY点云格式以此将多组集料有效区域转换为集料点云模型。
具体的，步骤5的集料点云模型中每个集料点云满足：
1)八邻域点集之间的像素距离小于第二阈值，所述第二阈值为15像素；
2)每个集料点云中连通点集数量大于第三阈值，所述的第三阈值为500像素。
具体的，步骤5中，所述的每个集料点云的三维特征的获取包括如下子步骤：
Step1：获取当前集料点云的凸包，获取凸包特征；
Step2：由ConvexHull<pcl::PointXYZ>算子提取凸包中心、体积、面积、最佳外接立方体、高度参数；
Step3：提取集料三维特征，如最佳外接立方体的最长轴L1、第二长轴L2和第三长轴L3长度值、等效椭圆长短轴等，具体见表1。
表1
Step3中坐标***的朝向是:框的最长边与x轴对齐，第二最长边与y轴对齐，最小边与z轴对齐。
具体的，步骤5中，所述的每个集料点云的二维特征的获取包括如下子步骤：
Step1：将三维集料点云模型映射至二维矩阵；
Step2：由opencv的cvContourArea、cvArcLength等算子提取二维矩阵的集料特征，获得二维特征，如轮廓长度、表面积等，具体的见表2。
表2
具体的，步骤6中，特征数据集以csv格式保存，每行表示为一颗集料，其中，第1行为参数标题，第1列为集料序号，第2列到第53列为上述提取到的52项三维特征参数。
具体的，步骤6的训练过程中将数据集按照6：2：2的比例分为训练集、测试集和验证集输入基于机器学习的XGBoost回归和分类模型。建立回归树后，将步骤一得到的三维特征压缩至一维特征向量输入到该发明的检测模型中进行处理，通过贪心策略和二次最优化使得数群的预测值接近真实值而且具有泛化能力，经过梯度下降法优化交叉熵损失函数的输出值，并通过反向传播更新网络的权重，不断调整各个操作的参数，不断地改进模型和超参数，直到损失达到最小值，然后得到集料档位和质量的预测结果。
在本实施例中还公开了一种集料级配快速检测方法，包括如下步骤：
步骤Ⅰ：采集待检测集料的三维点云数据；
步骤Ⅱ：根据集料级配快速检测模型的建立方法的步骤1-5获取待检测集料的三维点云数据的特征数据集；
步骤Ⅲ：将待检测集料的三维点云数据的特征数据集输入集料级配快速检测模型，获得待检测集料的档位和质量。
在本实施例中还公开了一种集料级配快速检测***，包括数据采集模块、去噪模块、模板获取模块、集料有效区域生成模块、特征获取模块、模型训练模块和检测模块；
所述的数据采集模块用于获取多组集料的三维点云数据和背景的三维点云数据，对每组集料的三维点云数据和背景的三维点云数据分别进行通道分离，获得每组集料在x、y、z通道的原始深度图和背景在x、y、z通道的深度图；所述的每组集料包括至少一颗集料，采集所有集料的档位和质量；
所述的去噪模块用于将数据采集模块得到的每组集料在z通道的原始深度图分别和背景在z通道的深度图进行相减，获得多个z通道深度图，对多个z通道深度图进行去噪，获得多个去噪后的z通道深度图；
所述的模板获取模块用于计算去噪模块中每个去噪后的z通道深度图中的连通域面积，将每个去噪后的z通道深度图中连通域面积大于第一阈值的连通域合并为模板图像，得到多个模板图像；
所述的集料有效区域生成模块用于采用模板获取模块得到多个模板图像进行分割，得到多组集料有效区域，每组集料有效区域包括IXr、IYr和IZr，其中，IZr表示每个模板图像对步骤2中对应的z通道深度图进行分割得到的有效区域，IXr表示每个模板图像对步骤1中对应的集料在x通道的原始深度图进行分割得到的有效区域，IYr表示每个模板图像对步骤1中对应的集料在y通道的原始深度图进行分割得到的有效区域；
所述的特征获取模块用于根据PCL算子将集料有效区域生成模块得到的多组集料有效区域转换为集料点云模型，所述的集料点云模型包括多个集料点云，提取每个集料点云的三维特征和二维特征；
所述的模型训练模块用于将特征获取模块获得的集料点云模型的所有的三维特征和二维特征作为特征数据集，建立XGBoost模型，将集料有效区域生成模块获得的特征数据集作为输入，将所有集料的档位和质量作为标签集，训练XGBoost模型，将训练好的XGBoost模型作为集料级配快速检测模型；
所述的检测模块用于采集待检测集料的三维点云数据，获取待检测集料的三维点云数据的特征数据集在，将待检测集料的三维点云数据的特征数据集输入集料级配快速检测模型，获得待检测集料的档位和质量。
具体的，去噪模块中的去噪包括如下步骤：
1)对z通道深度图进行阈值分割；
2)将阈值分割后的图像根据z轴分辨率转化为真实高度图，对真实高度图依次执行开操作和闭操作进行去噪，获得去噪后的z通道深度图。
具体的，所述的第一阈值为300像素。
具体的，所属的特征获取模块中集料点云模型中每个集料点云满足：
1)八邻域点集之间的像素距离小于第二阈值，所述第二阈值为15像素；
2)每个集料点云中连通点集数量大于第三阈值，所述的第三阈值为500像素。
具体的，数据采集模块采用Gocator2300传感器模块与传送带固定并置于集料载物台正上方，采用smart200PLC控制模块控制传送带上的三维相机扫描集料并得到集料的点云数据。其中，采用s7-200编码器模块同步传送带步长和相机采集分辨率以保证采集的三维特征尺寸符合真实值。
实施例1
在本实施例中公开了一种集料级配快速检测模型的建立方法，其中建立集料特征数据集的规模如下：收集广东2200颗、甘肃2200颗集料制作4.75、9.6、13.2、16mm四档集料三维特征数据集，数据集以csv格式保存，包括52项三维特征和质量、档位、针片状。
建立标签集时具体标注标注过程如下，将4400颗集料依次通过《JTGE42-2005公路工程集料试验规程》所规定的16、13.2、9.6、4.75mm粒级的方孔筛，把不能通过者依照当前孔径进行档位标注，然后按所规定的粒径用规准仪对集料进行针片状鉴定，挑出颗粒长度大于针状规准仪上相应间距而不能通过者，为针状颗粒，将通过针状规准仪相应间距的非针状颗粒逐粒进行片状颗粒鉴定，挑出厚度小于片状规准仪上相应孔宽能通过者，为片状颗粒。在本实施例中不区分针、片状，统一标注为针片状，所制作的数据集如图4所示。
如图1所示为本实施例的去噪过程，可以看到在经过3组开闭操作后图像质量已经明显改善，经过全部7组开闭操作后噪点基本完全去除，且基本没有信息损失。图1(a)为原图，图1(b)为第一次开操作且结构元素大小为0.5，图1(c)为第一次闭操作且结构元素大小为0.5，图1(d)为第二次开操作且结构元素大小为1.0，图1(e)为第二次闭操作且结构元素大小为1.0，图1(f)为第三次开操作且结构元素大小为1.5，图1(g)为第三次闭操作且结构元素大小为1.5，图1(h)为第四次开操作且结构元素大小为2.0，图1(i)为第四次闭操作且结构元素大小为2.0，图1(j)为第五次开操作且结构元素大小为2.5，图1(k)为第五次闭操作且结构元素大小为2.5，图1(l)为第六次开操作且结构元素大小为3.0，图1(m)为第六次闭操作且结构元素大小为3.0，图1(n)为第七次开操作且结构元素大小为3.5，图1(o)为第七次闭操作且结构元素大小为3.5。
如图3所示为本实施例的预测级配和真实级配的对比，可以看到其满足5％以内的误差，而且计算时间在10秒以内，相比现有需要数个小时的级配人工检测方法，发明可以满足集料快速级配检测的工程需求。
为了说明本发明的方法的有效性，发明人进行了基于三维特征因子的集料级配快速检测测试。采用的操作***为Win10 64、CPU为Intel(R)Core(TM)i5-9400 [email protected]。
本发明分别连续采集了背景和集料的三维点云数据进行级配预测。分别分离两深度图像的三通道，然后两图做差去除背景；然后通过连续开闭操作去噪，得到去除干扰噪点的集料二值图像；接着计算并统计集料的连通域和个数，作为三通道有效区域模板；然后将三通道图像转换为3D点云模型，以上步生成模板提取点云有效区域，在有效区域内分割并连通集料点云；接着分别提取每颗集料的三维特征输入至训练好的分类和回归模型，得到每颗集料质量和档位的预测结果；最后统计并得到级配，计算结果如图5所示，其中第一列为集料档位，第二列为不同档位集料占比，第三列为通过率，第四列为筛余率。
Claims (9)
1.一种集料级配快速检测模型的建立方法，其特征在于，包括如下步骤：
步骤1：获取多组集料的三维点云数据和背景的三维点云数据，对每组集料的三维点云数据和背景的三维点云数据分别进行通道分离，获得每组集料在x、y、z通道的原始深度图和背景在x、y、z通道的深度图；
所述的每组集料包括至少一颗集料，采集所有集料的档位和质量；
步骤2：将步骤1得到的每组集料在z通道的原始深度图分别和背景在z通道的深度图进行相减，获得多个z通道深度图，对多个z通道深度图进行去噪，获得多个去噪后的z通道深度图；
步骤3：计算步骤2中每个去噪后的z通道深度图中的连通域面积，将每个去噪后的z通道深度图中连通域面积大于第一阈值的连通域合并为模板图像，得到多个模板图像；
步骤4：采用步骤3得到多个模板图像进行分割，得到多组集料有效区域，每组集料有效区域包括IXr、IYr和IZr，其中，IZr表示每个模板图像对步骤2中对应的z通道深度图进行分割得到的有效区域，IXr表示每个模板图像对步骤1中对应的集料在x通道的原始深度图进行分割得到的有效区域，IYr表示每个模板图像对步骤1中对应的集料在y通道的原始深度图进行分割得到的有效区域；
步骤5：根据PCL算子将步骤4得到的多组集料有效区域转换为集料点云模型，所述的集料点云模型包括多个集料点云，提取每个集料点云的三维特征和二维特征；
步骤6：将步骤5获得的集料点云模型的所有的三维特征和二维特征作为特征数据集，建立XGBoost模型，将步骤4获得的特征数据集作为输入，将步骤1获得的所有集料的档位和质量作为标签集，训练XGBoost模型，将训练好的XGBoost模型作为集料级配快速检测模型。
2.如权利要求1所述的集料级配快速检测模型的建立方法，其特征在于，步骤2中的去噪包括如下步骤：
1)对z通道深度图进行阈值分割；
2)将阈值分割后的图像根据z轴分辨率转化为真实高度图，对真实高度图依次执行开操作和闭操作进行去噪，获得去噪后的z通道深度图。
3.如权利要求1所述的集料级配快速检测模型的建立方法，其特征在于，步骤3中第一阈值为300像素。
4.如权利要求1所述的集料级配快速检测模型的建立方法，其特征在于，步骤5的集料点云模型中每个集料点云满足：
1)八邻域点集之间的像素距离小于第二阈值，所述第二阈值为15像素；
2)每个集料点云中连通点集数量大于第三阈值，所述的第三阈值为500像素。
5.一种集料级配快速检测方法，其特征在于，包括如下步骤：
步骤Ⅰ：采集待检测集料的三维点云数据；
步骤Ⅱ：根据如权利要求1-4中任一种集料级配快速检测模型的建立方法的步骤1-5获取待检测集料的三维点云数据的特征数据集；
步骤Ⅲ：将待检测集料的三维点云数据的特征数据集输入如权利要求1-4中任一种集料级配快速检测模型的建立方法得到的集料级配快速检测模型，获得待检测集料的档位和质量。
6.一种集料级配快速检测***，其特征在于，包括数据采集模块、去噪模块、模板获取模块、集料有效区域生成模块、特征获取模块、模型训练模块和检测模块；
所述的数据采集模块用于获取多组集料的三维点云数据和背景的三维点云数据，对每组集料的三维点云数据和背景的三维点云数据分别进行通道分离，获得每组集料在x、y、z通道的原始深度图和背景在x、y、z通道的深度图；所述的每组集料包括至少一颗集料，采集所有集料的档位和质量；
所述的去噪模块用于将数据采集模块得到的每组集料在z通道的原始深度图分别和背景在z通道的深度图进行相减，获得多个z通道深度图，对多个z通道深度图进行去噪，获得多个去噪后的z通道深度图；
所述的模板获取模块用于计算去噪模块中每个去噪后的z通道深度图中的连通域面积，将每个去噪后的z通道深度图中连通域面积大于第一阈值的连通域合并为模板图像，得到多个模板图像；
所述的集料有效区域生成模块用于采用模板获取模块得到多个模板图像进行分割，得到多组集料有效区域，每组集料有效区域包括IXr、IYr和IZr，其中，IZr表示每个模板图像对步骤2中对应的z通道深度图进行分割得到的有效区域，IXr表示每个模板图像对步骤1中对应的集料在x通道的原始深度图进行分割得到的有效区域，IYr表示每个模板图像对步骤1中对应的集料在y通道的原始深度图进行分割得到的有效区域；
所述的特征获取模块用于根据PCL算子将集料有效区域生成模块得到的多组集料有效区域转换为集料点云模型，所述的集料点云模型包括多个集料点云，提取每个集料点云的三维特征和二维特征；
所述的模型训练模块用于将特征获取模块获得的集料点云模型的所有的三维特征和二维特征作为特征数据集，建立XGBoost模型，将集料有效区域生成模块获得的特征数据集作为输入，将所有集料的档位和质量作为标签集，训练XGBoost模型，将训练好的XGBoost模型作为集料级配快速检测模型；
所述的检测模块用于采集待检测集料的三维点云数据，获取待检测集料的三维点云数据的特征数据集在，将待检测集料的三维点云数据的特征数据集输入集料级配快速检测模型，获得待检测集料的档位和质量。
7.如权利要求6所述的集料级配快速检测***，其特征在于，去噪模块中的去噪包括如下步骤：
1)对z通道深度图进行阈值分割；
2)将阈值分割后的图像根据z轴分辨率转化为真实高度图，对真实高度图依次执行开操作和闭操作进行去噪，获得去噪后的z通道深度图。
8.如权利要求6所述的集料级配快速检测***，其特征在于，所述的第一阈值为300像素。
9.如权利要求6所述的集料级配快速检测***，其特征在于，所属的特征获取模块中集料点云模型中每个集料点云满足：
1)八邻域点集之间的像素距离小于第二阈值，所述第二阈值为15像素；
2)每个集料点云中连通点集数量大于第三阈值，所述的第三阈值为500像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110219609.8A CN112949463B (zh) | 2021-02-26 | 2021-02-26 | 一种集料级配快速检测模型的建立、检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110219609.8A CN112949463B (zh) | 2021-02-26 | 2021-02-26 | 一种集料级配快速检测模型的建立、检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949463A true CN112949463A (zh) | 2021-06-11 |
| CN112949463B CN112949463B (zh) | 2023-08-04 |
Family
ID=76246581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110219609.8A Active CN112949463B (zh) | 2021-02-26 | 2021-02-26 | 一种集料级配快速检测模型的建立、检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949463B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004113834A2 (en) * | 2003-06-17 | 2004-12-29 | Troxler Electronic Laboratories, Inc. | Method of determining a dimension of a sample of a construction material and associated appartus |
| US20170213093A1 (en) * | 2016-01-27 | 2017-07-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting vehicle contour based on point cloud data |
| CN109523552A (zh) * | 2018-10-24 | 2019-03-26 | 青岛智能产业技术研究院 | 基于视锥点云的三维物体检测方法 |
| CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
| CN110689008A (zh) * | 2019-09-17 | 2020-01-14 | 大连理工大学 | 一种面向单目图像的基于三维重建的三维物体检测方法 |
-
2021
- 2021-02-26 CN CN202110219609.8A patent/CN112949463B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004113834A2 (en) * | 2003-06-17 | 2004-12-29 | Troxler Electronic Laboratories, Inc. | Method of determining a dimension of a sample of a construction material and associated appartus |
| US20170213093A1 (en) * | 2016-01-27 | 2017-07-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting vehicle contour based on point cloud data |
| CN109523552A (zh) * | 2018-10-24 | 2019-03-26 | 青岛智能产业技术研究院 | 基于视锥点云的三维物体检测方法 |
| CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
| CN110689008A (zh) * | 2019-09-17 | 2020-01-14 | 大连理工大学 | 一种面向单目图像的基于三维重建的三维物体检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李幸刚;张亚萍;杨雨薇;: "一种基于邻域扩展聚类的去噪算法", ***仿真学报, no. 11 * |
| 程永春;马健生;颜廷野;杨金生;: "基于数字图像处理技术的沥青混合料级配检测方法", 科学技术与工程, no. 32 * |
| 裴莉莉;孙朝云;户媛姣;李伟;高尧;郝雪丽;: "基于多特征因子的路用集料粒径计算神经网络模型", 华南理工大学学报(自然科学版), no. 06 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949463B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110779937B (zh) | 一种铸件产品内部缺陷智能检测装置 | |
| CN108921201B (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
| CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
| Nie et al. | Pavement Crack Detection based on yolo v3 | |
| CN107067379B (zh) | 基于三维fib-sem图像的页岩孔隙定量表征方法 | |
| CN111612784B (zh) | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 | |
| CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
| CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
| CN104102929A (zh) | 基于深度学习的高光谱遥感数据分类方法 | |
| CN107977686B (zh) | 一种工业x光图像的分类方法 | |
| CN104463199A (zh) | 基于多特征及分割再校正的矿岩块度分类方法 | |
| CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
| Shin et al. | Digital vision based concrete compressive strength evaluating model using deep convolutional neural network | |
| CN115205255A (zh) | 基于深度学习的石料自动分级方法与*** | |
| CN114022474A (zh) | 一种基于yolo-v4的颗粒级配快速检测方法 | |
| Sarkar et al. | Revolutionizing concrete analysis: An in-depth survey of AI-powered insights with image-centric approaches on comprehensive quality control, advanced crack detection and concrete property exploration | |
| Chu et al. | Deep learning method to detect the road cracks and potholes for smart cities | |
| CN117252864B (zh) | 基于标识解析的钢铁生产器件光滑度检测*** | |
| CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 | |
| CN102054278B (zh) | 基于网格收缩的对象跟踪方法 | |
| CN112949463B (zh) | 一种集料级配快速检测模型的建立、检测方法及*** | |
| CN116434054A (zh) | 一种基于线面结合的密集遥感地物提取方法 | |
| Yang et al. | A coarse aggregate gradation detection method based on 3D point cloud | |
| CN112859073B (zh) | 一种基于PSInSAR技术的道路破损评估方法 | |
| CN111007068B (zh) | 基于深度学习的黄色培育钻石品级分类方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Wei Inventor after: Yang Ming Inventor after: Pei Lili Inventor after: Hao Xueli Inventor after: Shi Li Inventor after: Liu Hanye Inventor after: Ding Jiangang Inventor before: Li Wei Inventor before: Yang Ming Inventor before: Pei Lili Inventor before: Hao Xueli Inventor before: Shi Li Inventor before: Liu Hanye Inventor before: Ding Jiangang |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210611 Assignee: Shaanxi Xinglang Keao Network Technology Co.,Ltd. Assignor: CHANG'AN University Contract record no.: X2023980049357 Denomination of invention: Establishment, Detection Method and System of a Rapid Detection Model for Aggregate Grading Granted publication date: 20230804 License type: Common License Record date: 20231205 |
|
| EE01 | Entry into force of recordation of patent licensing contract |