一种非接触式测量的混凝土骨料级配快速识别方法技术

本发明专利技术提供一种非接触式测量的混凝土骨料级配快速识别方法。本发明专利技术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。

A fast identification method of concrete aggregate gradation by non-contact measurement

The invention provides a non-contact type measurement method for rapid identification of concrete aggregate grading. The invention uses the combination of digital image processing and deep learning to collect the multi angle photos of each stone of each large category as the first training set, uses image processing to obtain the attribute of aggregate, then determines the small category of aggregate, and obtains the second training set, and uses the standard sample library composed of the first training set and the second training set to carry out the improved convolution neural network model After training many times, the accuracy of the improved convolution neural network model is ensured, and by using the improved convolution neural network model after training, the aggregate grading curve is established through the acquired aggregate image, which improves the efficiency of grading recognition, and realizes the rapid recognition of concrete aggregate grading by non-contact measurement.

【技术实现步骤摘要】
一种非接触式测量的混凝土骨料级配快速识别方法
本专利技术涉及骨料识别领域，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。
技术介绍
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。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)。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。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。
技术实现思路
本专利技术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。为实现上述目的，本专利技术提供了如下方案：本专利技术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：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。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。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：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。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：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。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：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。可选的，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。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：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。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术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。本专利技术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。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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。图1为本专利技术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；图2为本专利技术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；图3为本专利技术提供的骨料正射本文档来自技高网...

【技术保护点】
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：/n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；/n搭建卷积神经网络，获取初始的改进的卷积神经网络模型；/n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；/n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；/n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；/n采集待测骨料图像；/n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；/n根据所述分类结果建立所述待测骨料的级配曲线。/n

【技术特征摘要】
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。


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...

【专利技术属性】
技术研发人员：雷添杰，贾金生，王嘉宝，郑璀莹，李曙光，杨会臣，张亚珍，宋宏权，岳建伟，慎利，宫阿都，吕娟，宋文龙，张炬，李世灿，周磊，陈强，李爱丽，汪洋，娄和震，程子懿，冯炜，史婉丽，赵春，万金红，刘中伟，路京选，曲伟，李翔宇，陈文晋，李明宇，李杨，程慧，黄锦涛，赵林洪，徐瑞瑞，张鹏鹏，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：北京;11