基于深度学习的集料颗粒识别和级配自动分析方法技术

基于深度学习的集料颗粒识别和级配自动分析方法，包括以下步骤：制作集料的标准数据集，在训练集中训练深度学习模型Mask R

【技术实现步骤摘要】
基于深度学习的集料颗粒识别和级配自动分析方法


[0001]本专利技术涉及集料级配分析
，具体涉及一种基于深度学习的集料颗粒识别和级配自动分析方法。

技术介绍

[0002]在土木工程领域里，混凝土和沥青是常用的原材料，而集料作为混凝土和沥青中的重要成分其级配直接决定其各种路用性能，同时也是工程施工的重要指标，因此集料级配分析的精度和效率有着重要的理论意义和应用价值。级配分析是用一定方法反映出一系列不同粒径区间的颗粒分别占颗粒总量的百分比，常用的方法包括激光法、筛分法、显微镜法、超声粒度分析、颗粒图像法等。目前，集料的级配分析主要采用传统的筛分法，方式为机械筛分或人工筛分，但筛分法费时费力精度也不稳定，而且不能实时获取级配数据。因此，建立一种高效精准的集料级配自动识别方法将为工程施工提供必要的技术支撑。

技术实现思路

[0003]本专利技术提供一种基于深度学习模型Mask R
‑
CNN的集料颗粒识别和级配自动分析方法，与传统的机械或人工筛分法相比，在实际应用中仅需拍摄集料图像，输入集料图像至已训练完成得到的最优模型中，即可得到级配定性和定量分析结果，并实时输出集料的级配图像和级配数据，精度和效率大幅提升，可有效代替传统的筛分法；同时验证了该模型对不同含泥量的集料具有很强的鲁棒性；通过迁移学习技术也在其它材质的集料上验证了该模型的泛化性。
[0004]本专利技术采取的技术方案为：
[0005]基于深度学习的集料颗粒识别和级配自动分析方法，包括以下步骤：
[0006]步骤一：制作相应材质集料的标准数据集，将标准数据集分割为训练集，验证集和测试集，在训练集中训练深度学习模型Mask R
‑
CNN，得到该材质集料的深度学习模型的最优深度学习模型；
[0007]步骤二：根据集料中最小粒径组的识别精度和面积关系，确定符合精度要求的试验平台面积；
[0008]步骤三：基于大图像的分割与拼接技术，实现集料颗粒的自动识别与分割；
[0009]步骤四：计算集料颗粒的等效粒径，通过颗粒形状确定判定系数，计算集料中每个颗粒的等效粒径；
[0010]步骤五：计算集料颗粒的体积，根据颗粒的等效粒径划分，计算粒径范围内所有颗粒的质量占比，即集料的级配；
[0011]步骤六：通过不同含泥量的集料颗粒试验，评价含泥量对模型精度和级配分析的影响。
[0012]步骤七：通过在其它材质集料中制作标准图像数据集，并采用迁移学习方式，在该模型的基础上增加模型训练，得到其它材质的最优模型。
[0013]所述步骤一包括以下步骤:
[0014]S1.1:首先，采集该材质的混合不同粒径大小的集料图像，得到原始数据集并完成预处理，接着在标注软件中对原始数据集进行标注，并通过数据增强技术扩充数据集，得到该材质的标准数据集；
[0015]S1.2:将标准数据集按比例8:1:1分割为训练集，验证集和测试集，在训练集中训练深度学习模型Mask R
‑
CNN，并在验证集中进行验证，在测测试集中进行测试，最终得到该材质集料的深度学习模型Mask R
‑
CNN的最优超参数和最优深度学习模型，并下载保存最优超参数和最优深度学习模型。
[0016]所述步骤二包括以下步骤：
[0017]S2.1:先随机选取最小粒径集料，投放在边长a0的正方形面积试验平台中；
[0018]S2.2：同一批集料不变，依次按比例缩小面积进行投放，所采用的比例依次为90％，80％，70％，60％，50％，40％，30％。由于实际应用中不低于精度2％即可满足需求，通过试验找出满足精度要求2％的最小面积为S0为原面积70％。
[0019]所述步骤三包括以下步骤:
[0020]S3.1:根据试验平台面积大小，设计并实现带振动功能的1kg集料的投料平台装置，同时具备垂直声控方式拍摄获取图像。每次进行三组平行试验，每组振动10次获取10张高清图像；
[0021]S3.2:采用图像分割技术，将1张超大图像分割成独立的16张局部图像，分别识别与分割后，再采用图像拼接技术合并成原图像大小，最后输出结果图像。
[0022]所述步骤四中，类椭圆状采用等效面积径作为粒径，类针状采用等效椭圆Feret短径作为粒径，具体步骤为：
[0023]首先通过最优深度学习模型识别与分割出集料颗粒的投影面积，再计算投影面积的最小外接矩形，最后得到最小外接矩形的长短轴之比；通过试验确定划分类椭圆和类针状的长短轴之比系数，作为颗粒形状的判定系数c，最终计算集料中每个颗粒的等效粒径D，如公式(1)所示。
[0024]所述步骤五中，通过对比试验，得出颗粒的投影面积A乘以投影面积的费雷特(Feret)短径R，得到的等效体积与颗粒的实际体积最接近，故采用此方法计算集料颗粒的体积，如公式(2)所示。
[0025]集料级配如公式(3)所示。
[0026]通过集料振动试验研究振动对级配的影响，得到不影响级配精度的振动次数：
[0027]设计并实现1kg集料的投料平台，在投料平台上投放混合集料辉绿岩1kg并完成振动10次，每振动1次声控拍摄获取1张图像，共获取10张图像，依次分析每张图像中的集料颗粒级配GIR，并累加求均值，振动数次后得到的累加级配均值GIR已完全稳定，接近筛分级配，精度高。
[0028]所述步骤六中，由于实际应用中，集料含泥量一般不高于4％，设计不同集料含泥量试验1％，2％，3％，4％，5％，6％，通过试验平台拍摄获取图像进行预处理后，输入最优深度学习模型进行识别与分割，自动获取集料的级配。
[0029]所述步骤七中，通过迁移学习方式，在其它常见材质：辉绿岩，石灰岩，玄武岩，卵石的集料图像中制作标准数据集，并训练深度学习模型Mask R
‑
CNN，均能够得到满足精度
要求的级配分析，验证最优深度学习模型Mask R
‑
CNN的迁移性和泛化性。
[0030]本专利技术一种基于深度学习的集料颗粒识别和级配自动分析方法，技术效果如下：
[0031]1)本专利技术提出了一种基于深度学习的集料颗粒识别和级配自动分析方法，首先是集料颗粒识别，接着进行集料级配分析。此方法可应用于不同材质的集料颗粒识别和集料级配的自动分析。与传统筛分法进行对比分析可知，本专利技术采用深度学习框架建立的级配自动识别模型，得到的结果高效准确且实时获取。
[0032]2)本专利技术提供的一种基于深度学习的集料颗粒识别和级配自动分析方法，与传统的机械或人工筛分法相比，在实际应用中仅需拍摄集料图像，输入集料图像至已训练完成得到的最优模型中，即可得到级配定性和定量分析结果，并实时输出集料的级配图像和级配数据，精度和效率大幅提升，可有效代替传统的筛分法；同时验证了该模型对不同含泥量的集料具有很强的鲁棒性。
[0033]3)本专利技术通过设计不同含泥量试验，验证在不同含泥量的集料上应用此模型进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于包括以下步骤：步骤一：制作相应材质集料的标准数据集，将标准数据集分割为训练集，验证集和测试集，在训练集中训练深度学习模型Mask R
‑
CNN，得到该材质集料的深度学习模型的最优深度学习模型；步骤二：根据集料中最小粒径组的识别精度和面积关系，确定符合精度要求的试验平台面积；步骤三：基于大图像的分割与拼接技术，实现集料颗粒的自动识别与分割；步骤四：计算集料颗粒的等效粒径，通过颗粒形状确定判定系数，计算集料中每个颗粒的等效粒径；步骤五：计算集料颗粒的体积，根据颗粒的等效粒径划分，计算粒径范围内所有颗粒的质量占比，即集料的级配。2.根据权利要求1所述基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于：还包括：步骤六：通过不同含泥量的集料颗粒试验，评价含泥量对模型精度和级配分析的影响；步骤七：通过在其它材质集料中制作标准图像数据集，并采用迁移学习方式，在该模型的基础上增加模型训练，得到其它材质的最优模型。3.根据权利要求1所述基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于：所述步骤一包括以下步骤:S1.1:首先，采集该材质的混合不同粒径大小的集料图像，得到原始数据集并完成预处理，接着在标注软件中对原始数据集进行标注，并通过数据增强技术扩充数据集，得到该材质的标准数据集；S1.2:将标准数据集分割为训练集，验证集和测试集，在训练集中训练深度学习模型Mask R
‑
CNN，并在验证集中进行验证，在测测试集中进行测试，最终得到该材质集料的深度学习模型Mask R
‑
CNN的最优超参数和最优深度学习模型，并下载保存最优超参数和最优深度学习模型。4.根据权利要求1所述基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于：所述步骤二包括以下步骤:S2.1:先随机选取最小粒径集料，投放在边长a0的正方形面积试验平台中；S2.2：同一批集料不变，依次按比例缩小面积进行投放，通过试验找出满足精度要求的最小面积为S0为原面积70％。5.根据权利要求1所述基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于：所述步骤三包括以下步骤:S3.1:根据试验平台面积大小，设计并实现带振动功能集料的投料平台装置，同时拍摄获取图像；每次进行三组平行试验，每组振动N次获取N张高清图像；S3.2:采用图像分割技术，将1张超大图像分割成独立的多张局部图像，分别识别与分割后，再采用图像拼接技术合并成原图像大小，最后输出结果图像。6.根据权利要求1所述基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于：所述步骤四中，类椭圆状采用等效面积径作为粒径，类针状采用等效椭圆Feret短径作为粒径，具体步骤为：
首先通过最优深度学习模型识别与分割出集料颗粒的投影面积，再计算投影面积的最小外接矩形，最后得到最小外接矩形的长短轴之比；通过试验确定划分类椭圆和类针状的长短轴之比系数，作为颗粒形状的判定系数c，最终计算集料中每个颗粒的等效粒径D，如公式(1)所示；式(1)中：D为等效粒径，a为最小外接矩形短轴，b为最小外接矩形长轴，c为通过试验确定的判定系数。7.根据权利要求1所述基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于：所述步骤五中，颗粒的投影面积A乘以投影面积的费雷特(Feret)短径R，得到的等效体积与颗粒的实际体积最接近，故采用此方法计算集料颗粒的体积，如公式(2)所示；V≈A
·
R(2)式(2)中：A表示集料颗粒的投影面积，R表示投影面积所对应的费雷特短径；由此计算各粒径范围内集料颗粒的总体积，并得到质量占比GIR(Gradation in Range)，即集料级配，如公式(3)所示：式(3)中：Q表示集料颗粒质量，A表示集料颗粒投影面积，D表示投影面积所对应的费雷特短径，m、n分别表示集料总颗粒数和某一粒径范围内的颗粒数，ρ表示颗粒密度，v表示颗粒体积，i，j分别表示某一粒径范围内的颗粒序号和总颗粒的颗粒序号。8.根据权利要求7所述基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于：通过集料振动试验研究振动对级配的影响，得到不...

【专利技术属性】
技术研发人员：张蕊，张华，余帆，曹金露，高张，孙水发，郑子昌，
申请(专利权)人：三峡大学，
类型：发明
国别省市：