一种基于CNN的图像分割算法实现渣土车土方量的计算方法技术

本发明专利技术公开了一种基于CNN的图像分割算法实现渣土车土方量的计算方法，包括使用RGB颜色空间分割图像方法的特征阈值选取、图像特征值的图像二值化、CNN的KNN分类方法进行计算；其具体步骤如下：步骤1：对渣土车载土到达目的地入场时，通过车辆后轮压力传感器对载土状态的渣土车的质量进行取值；步骤2：当渣土车驶入取像区时，通过高清取像球机对渣土车正上方拍摄载土状态图像；步骤3：对渣土车载土驶出取像区时，通过车辆后轮压力传感器对卸完土状态的渣土车的质量进行取值；步骤4：对渣土车载土彩色图像进行RGB颜色空间分割图像。本发明专利技术在实际的使用中大大减小了噪声的影响，降低了其识别结果的偏差。别结果的偏差。别结果的偏差。

【技术实现步骤摘要】
一种基于CNN的图像分割算法实现渣土车土方量的计算方法


[0001]本专利技术涉及一种渣土识别
具体，具体涉及一种基于CNN的图像分割算法实现渣土车土方量的计算方法。

技术介绍

[0002]卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift
‑
invariant classification)，因此也被称为“平移不变人工神经网络(Shift
‑
Invariant Artificial Neural Networks,SIANN)”。
[0003]卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid
‑
like topology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。邻近算法，或者说K最近邻(kNN，k
‑
NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。
[0004]kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。
[0005]随着国家经济快速增长，大力加强新区开发以及振兴乡村建设，建筑工程项目与日俱增，施工项目组对弃土土方量的统计越来越重视，建筑工程项目普遍存在弃土的转运，渣土车载土离开始发地至目的地卸土时需要对土石方进行统计，目前大部分施工项目组采用传统的人工测量方式进行统计，但传统计算模式易受限于项目组管理人员学识和设备操作人员素质等多方面因素影响造成各类逃票违规行为、缺乏规范化施工和计数误差等现象。
[0006]公开号CN112232435A的专利技术专利公开了基于卷积神经网络的渣土车土石方体积计算方法，包括以下步骤：步骤1：对装载土石方的渣土车的后轮进行称重；步骤2：对渣土车的型号选择对应神经网络模型，输入后轮称重数值得到整车质量；步骤3：根据渣土车装载状态下的质量和渣土车空载的质量计算渣土质量；步骤4：采集渣土车运载的渣土图像，输入神经网络模型得到渣土的密度；步骤5：根据步骤3得到的渣土质量和步骤4得到的渣土密度计算渣土车运载的土石方。该方法明确需要对渣土车的型号选择对应神经网络模型，考
虑到之后施工项目的新增，对渣土车型号的限制、神经网络模型不统一以及低扩展性等因素，不适合多变的应用场景。
[0007]公开号CN208795315U的专利技术专利公开了一种用于工程运输土石方计量的手持装备，它包含装备主体、手持柄、电源件、操作按钮组、透明窗、出票口、摄像头、识卡装置、打印设备、储纸箱、处理器、存储装置、数据传输模块。此方法不适用于大型复杂的土石方系统，仍然需要增设员工进行打卡操作，实用性成问题。现有的图像分割处理往往都是直接使用经过大量原始图像训练的模型进行识别，其识别结果偏差较大。

技术实现思路

[0008]本专利技术的目的在于提供一种基于CNN的图像分割算法实现渣土车土方量的计算方法，其解决了现有技术中识别结果偏差较大的技术问题。
[0009]为解决上述技术问题，本专利技术所采用的技术方案是：
[0010]一种基于CNN的图像分割算法实现渣土车土方量的计算方法，其特征在于：包括使用RGB颜色空间分割图像方法的特征阈值选取、图像特征值的图像二值化、CNN的KNN分类方法进行计算；
[0011]其具体步骤如下：
[0012]步骤1：对渣土车载土到达目的地入场时，通过车辆后轮压力传感器对载土状态的渣土车的质量进行取值；
[0013]步骤2：当渣土车驶入取像区时，通过高清取像球机对渣土车正上方拍摄载土状态图像；
[0014]步骤3：对渣土车载土驶出取像区时，通过车辆后轮压力传感器对卸完土状态的渣土车的质量进行取值；
[0015]步骤4：对渣土车载土彩色图像进行RGB颜色空间分割图像，并选取具有该土质特征颜色的阈值，通过图像特征值的图像二值化将彩色图像进行降噪，对降噪后的二值化图像基于CNN的KNN算法进行分类，分类识别出该渣土车所在渣土的土质种类；
[0016]步骤5：根据车辆后轮压力传感器所得载土状态质量与卸土状态质量的差值和经过图像分割以及卷积神经网络分类识别出土质种类，依据土质密度计算出土方量。
[0017]其中，步骤4中，图像二值化包括选择阈值t和用阈值t对图像进行分割。
[0018]进一步优化，阈值选取计数为全局的或局部的阈值选取方法，通过RGB色彩空间分割输出灰度图像和二值图像，特征阈值的选取决定了图像二值化后的结果，需要先对彩色图像需转换成黑白图像，再对黑白图像进行上述处理。
[0019]其中，步骤4中，图像特征值根据图像上的一个点P(x，y)或者该点与其周围相邻分量(红R、绿G、蓝B)，记为度量值E；
[0020]图像上同类颜色的度量相近，图像上不同类颜色的度量值与目标颜色的度量值相差较大，度量值E定义为图像的特征值，对于同一图像，需对图像的像素区域或每个像素的颜色进行统计，然后根据特点确定特征表达式。
[0021]由于图像颜色分量R、G、B的地位相同，假定特征表达式中三分量的系数绝对值相等，由此确定特征表达式为aR+bG+cB；
[0022]其中暂取a＝
±
1；
[0023]b＝
±
1；
[0024]c＝
±
1，
[0025]确定4个特征表达式，具体提为：f1＝R+G+B；f2＝R+G
‑
B；f3＝R
‑
G+B；f4＝R
‑
G
‑
B，统计待处理图像，分别计算以上4个特征表达式的方差，方差较大即为适宜的标准特征表达式，根据标准特征表达式将同一图像所规划的不同像素组成集合的每个集合中的成员的特征表达式构架当前图像特征值的矩阵记为通过矩阵计算该矩阵的特征值，即为图像二值化的图像特征值。
[0026]其中，根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的图像分割算法实现渣土车土方量的计算方法，其特征在于：包括使用RGB颜色空间分割图像方法的特征阈值选取、图像特征值的图像二值化、CNN的KNN分类方法进行计算；其具体步骤如下：步骤1：对渣土车载土到达目的地入场时，通过车辆后轮压力传感器对载土状态的渣土车的质量进行取值；步骤2：当渣土车驶入取像区时，通过高清取像球机对渣土车正上方拍摄载土状态图像；步骤3：对渣土车载土驶出取像区时，通过车辆后轮压力传感器对卸完土状态的渣土车的质量进行取值；步骤4：对渣土车载土彩色图像进行RGB颜色空间分割图像，并选取具有该土质特征颜色的阈值，通过图像特征值的图像二值化将彩色图像进行降噪，对降噪后的二值化图像基于CNN的KNN算法进行分类，分类识别出该渣土车所在渣土的土质种类；步骤5：根据车辆后轮压力传感器所得载土状态质量与卸土状态质量的差值和经过图像分割以及卷积神经网络分类识别出土质种类，依据土质密度计算出土方量。2.根据权利要求1所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法，其特征在于：步骤4中，图像二值化包括选择阈值t和根据阈值t对图像进行分割。3.根据权利要求2所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法，其特征在于：阈值选取计数为全局的或局部的阈值选取方法，通过RGB色彩空间分割输出灰度图像和二值图像，特征阈值的选取决定了图像二值化后的结果，需要先对彩色图像需转换成黑白图像，再对黑白图像进行上述处理。4.根据权利要求1所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法，其特征在于：步骤4中，图像特征值根据图像上的一个点P(x，y)或者该点与其周围相邻分量(红R、绿G、蓝B)，记为度量值E；图像上同类颜色的度量相近，图像上不同类颜色的度量值与目标颜色的度量值相差较大，度量值E定义为图像的特征值，对于同一图像，需对图像的像素区域或每个像素的颜色进行统计，然后根据特点确定特征表达式。5.根据权利要求4所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法，其特征在于：由于图像颜色分量R、G、B的地位相同，假定特征表达式中三分量的系数绝对值相等，由此确定特征表达式为aR...

【专利技术属性】
技术研发人员：赵凌园，熊梁何，康若帆，金怀亨，陆汪，
申请(专利权)人：眉山环天智慧科技有限公司，
类型：发明
国别省市：