基于深度学习的砂石图像粒径检测方法技术

本发明专利技术公开一种基于深度学习的砂石图像粒径检测方法，包括步骤：(10)砂石标注图像获取：手工标记原始砂石图像，得到砂石标注图像；(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；(50)凹点自动标记：利用深度学习标记模型，得到凹点自动标记图像；(60)凹点配对：配对连接凹点，得到分割砂石图像；(70)砂石粒径计算：根据分割砂石图像，计算砂石粒径大小。本发明专利技术的检测方法，砂石目标分割准确，粒径检测速度快、精度高。

Sandstone image particle size detection method based on depth learning

【技术实现步骤摘要】
基于深度学习的砂石图像粒径检测方法
本专利技术属于复杂微小目标检测
，特别是一种砂石目标分割效果好、检测速度快、精度高的基于深度学习的砂石图像粒径检测方法。
技术介绍
不同粒径的碎石按照一定比例混合起来，达到符合要求的密实度，就称这些碎石为级配碎石。在对不同粒径大小进行混合之前，首先要做的就是要获得砂石的粒径大小。因此，良好的砂石目标分割方法将影响着砂石粒径大小的计算精度，这将对后期的砂石混合精确度起着至关重要的影响。传统的砂石粒径大小检测方法，通过人工抽样进行检测，耗时费力；或者是通过工业砂石筛分机进行筛分，获得的结果较为粗略，并不能获得砂石粒径的大小数据，因此将会影响后期的砂石级配的精度。从计算机视觉的角度出发，利用图像处理技术可以快速的将砂石图像砂石目标分割开来。针对砂石图像的图像处理方法有很多，但如何对砂石目标个体进行分割，得到每个独立的砂石目标是问题的关键。图像分割是由图像处理到图像分析的关键步骤。由于砂石图像与普通的图像有着较大的差别，其微小砂石目标紧密的连接在一起且互相遮挡，所以直接使用传统的图像分割方法可能会与预期结果又较大的差别。总之，现有技术存在的问题是：砂石图像砂石目标分割效果差，导致砂石粒径检测速度慢、精度不够高。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的砂石图像粒径检测方法，砂石目标分割效果好、检测速度快、精度高。实现本专利技术目的的技术解决方案为：一种基于深度学习的砂石图像粒径检测方法，包括如下步骤：(10)砂石标注图像获取：对获得的原始砂石图像进行砂石边缘手工标记，得到砂石标注图像；(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；(50)凹点自动标记：利用深度学习标记模型，学习训练凹点手工标记图像，测试模型，得到凹点自动标记图像；(60)凹点配对：对凹点自动标记图像进行凹点配对连接，得到分割完成且粘连分离的分割砂石图像；(70)砂石粒径计算：根据分割砂石图像，计算砂石粒径大小。本专利技术与现有技术相比，其显著优点为：1、检测速度快、精度高：本专利技术对砂石图像砂石目标进行分割与分离，使用分割结果图计算砂石目标的粒径大小，可有效提升砂石粒径大小计算的速度和精确度，提升了工业上不同砂石粒径大小的砂石进行混合的精度，间接的提高了工程建设的质量。2、砂石目标分割效果好：本专利技术前后共使用了两次深度学习网络模型，两个模型在网络结构上是相同的，都是基于全卷积网络设计而来，但由于两次用于训练和测试的数据集不同，训练所得的参数(权重w、偏置b)也不同，所以两个网络模型的任务也是不同的。第一次深度学习模型目的在于将砂石目标与无效背景分割开，即分割操作，但由于砂石目标过于细小、紧密粘连并且相互遮挡互为干扰，所以初次砂石目标的分割效果并不理想；第二次深度学习网络模型目的在于将初次分割效果图中相互粘连的砂石目标分离开来，即分离操作，最终得到了分割且分离后的相互独立的砂石目标。本专利技术解决了现有分割方法无法准确分割出砂石目标的问题，能够准确地将砂石图像中砂石目标分割开，尤其是对细小目标的分割也有较好的效果。下面结合附图和具体实施方式对本专利技术作进一步的详细描述。附图说明图1为本专利技术基于深度学习的砂石图像粒径检测方法的主流程图。图2对砂石目标进行分割与分离过程各个阶段的效果图。其中(a)、(b)、(c)、(e)、(f)、(g)是为符合说明说附图要求，将带有色彩的图像转换成了灰度图。为了视觉效果上显示出各个阶段的差异，特将转换后的灰度图的颜色饱和度设置为0％，色温设置为6500k。具体实施方式如图1所示，本专利技术基于深度学习的砂石图像粒径检测方法，包括如下步骤：(10)砂石标注图像获取：对获得的原始砂石图像进行砂石边缘手工标记，得到砂石标注图像；所述(10)砂石标注图像获取步骤具体为：使用相机拍照获得原始砂石图像，使用Photoshop进行手工标注砂石目标的边缘，其中砂石边缘标为红色，无效背景涂为蓝色，得到砂石标注图像。为了便于理解，我们将做如下的字符说明，原始的砂石图像为I，砂石目标分割操作结束后的最终分割效果图为I62，第一次训练学习得到的深度学习模型为M1，第二次训练学习得到的深度学习模型为M2，最终计算所得的砂石粒径大小为N。获得的原始砂石图像I，如图2(a)所示；使用Photoshop进行手工标注砂石目标的边缘，其中砂石边缘标为红色，无效背景涂为蓝色，得到标记后的图像I1，如图2(b)所示。(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；所述(20)初次分割步骤具体为：(21)搭建一个基于全卷积的神经网络，利用砂石标注图像及其对应的原图作为训练样本，进行训练学习，得到深度学习分割模型，使用分割模型处理全新的砂石原图，得到初次分割效果图。搭建基于全卷积的神经网络，利用标记后的图像I1以及其对应的原始的砂石图像I作为训练样本，进行训练学习后得到深度学习模型M1；该过程具体包括：(211)基于全卷积的分割模型，目的在于通过训练学习，得到一个能够将砂石目标与无效背景分隔开的分割模型。共包括4个数据输入层(Data)、6个卷积层(Convolution)、6个激活层(ReLU)、1个输出层，1个计算损失层(Loss)。(212)对于步骤211)中的4个数据输入层，分别为Train阶段data输入层、Train阶段label输入层、Test阶段data输入层、Test阶段label输入层。并且4个输入的层的batch_size都为1。(213)对于步骤211)中的6个卷积层(Convolution)，第一层卷积层(conv2_1)的参数为：num_output：16，kernel_size：9，stride：1，pad：4；第二层卷积层(conv2_1)到第四层卷积层(conv2_4)的参数相同，分别为：num_output：32，kernel_size：7，stride：1，pad：3；第五层卷积层(conv2_5)和第六层卷积层(conv2_6)的参数相同，分别为：num_output：32，kernel_size：5，stride：1，pad：2。(214)对于步骤211)中的损失层(Loss)，我们使用了SoftmaxWithLoss作为损失函数，计算输出结果score与实际label之间的误差。(22)使用深度学习模型M1处理全新的砂石原图I，得到初次分割的效果图I2，图像I2如图2(c)所示。(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；所述(30)二值图像获取步骤具体为：对初次分割效果图进行二值化处理，即将砂石目标置为白色，其余无效背景置为黑色，然后进行腐蚀、膨胀等形态学操作，得到二值图像。对砂石目标和无效背景设置后的图像进行腐蚀、膨胀等形态学操作，以去掉细小的噪声点，得到效果图I3，图像I3如图2(d)所示。(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；所述(40)凹点手工标记步骤具体为：利用Ph本文档来自技高网...

【技术保护点】
1.一种基于深度学习的砂石图像粒径检测方法，其特征在于，包括如下步骤：(10)砂石标注图像获取：对获得的原始砂石图像进行砂石边缘手工标记，得到砂石标注图像；(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；(50)凹点自动标记：利用深度学习标记模型，学习训练凹点手工标记图像，测试模型，得到凹点自动标记图像；(60)凹点配对：对凹点自动标记图像进行凹点配对连接，得到分割完成且粘连分离的分割砂石图像；(70)砂石粒径计算：根据分割砂石图像，计算砂石粒径大小。

【技术特征摘要】
1.一种基于深度学习的砂石图像粒径检测方法，其特征在于，包括如下步骤：(10)砂石标注图像获取：对获得的原始砂石图像进行砂石边缘手工标记，得到砂石标注图像；(20)初次分割：利用深度学习分割模型，学习训练砂石标注图像，测试模型，得到初次分割效果图；(30)二值图像获取：对初次分割效果图进行二值化处理和形态学操作，得到二值图像；(40)凹点手工标记：手工标记二值图像的凹点，得到凹点手工标记图像；(50)凹点自动标记：利用深度学习标记模型，学习训练凹点手工标记图像，测试模型，得到凹点自动标记图像；(60)凹点配对：对凹点自动标记图像进行凹点配对连接，得到分割完成且粘连分离的分割砂石图像；(70)砂石粒径计算：根据分割砂石图像，计算砂石粒径大小。2.根据权利要求1所述的粒径检测方法，其特征在于，所述(10)砂石标注图像获取步骤具体为：使用相机拍照获得原始砂石图像，使用Photoshop进行手工标注砂石目标的边缘，其中砂石边缘标为红色，无效背景涂为蓝色，得到砂石标注图像。3.根据权利要求1所述的粒径检测方法，其特征在于，所述(20)初次分割步骤具体为：搭建一个基于全卷积的神经网络，利用砂石标注图像及其对应的原图作为训练样本，进行训练学习，得到深度学习分割模型，使用分割模型处理全新的砂石原图，得到初次分割效果图。4.根据权利要求1所述...

【专利技术属性】
技术研发人员：曹国，朱大庆，孙权森，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32