【技术实现步骤摘要】
本专利技术涉及道路工程领域，尤其是涉及一种基于颜色空间的路基土含水率识别方法。
技术介绍
1、路基土含水率是影响路基强度和耐久性的重要指标，对于道路、铁路、机场跑道等基础设施的建设、维护和管理至关重要，土体含水率的快速、准确识别在路基压实质量和稳定性评估、施工质量控制、道路安全维护等方面具有重要意义。传统的含水率识别方法如烘干法、重量法、中子仪法、tdr法等，识别准确度较高，但测点抽样随机、代表性差、识别效率低且成本高；一些无损识别方法如探地雷达、遥感法等，能弥补单点法不能连续识别的缺陷，但精度有限。
2、随着图像处理技术愈发成熟，基于图像处理的方法识别含水率具有很大的应用潜力。该方法不接触路基表面即可实现对含水率的实时、准确、快速和低成本识别，主要涉及以下两种途径：一是从图像中提取颜色特征，将其作为输入数据；二是直接将图像本身作为输入数据。但前者对光照条件敏感，因此对于样本图像采集环境与设备要求很高，使得其应用于现场时效果不稳定；后者基于深度学习的方法构建深度神经网络框架，识别精度高，已经取得了很好的效果，但此类方法的可解释性差、对计算机硬件要求高。
3、因此，在样本数量和计算资源有限的情况下，亟需研发一种既能克服复杂环境中光照条件影响、又能确保高精度的路基土含水率识别方法。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在受光照条件影响、精度低的缺陷而提供一种基于颜色空间的路基土含水率识别方法。
2、本专利技术的目的可以通过以下
3、一种基于颜色空间的路基土含水率识别方法，包括以下步骤：
4、s1：采集初始样本图像和每张图像对应的含水率标签，建立初始样本图像集；
5、s2：对采集的每张初始样本图像进行角度校正、颜色校正、剪裁和异常像素处理，得到处理后的图像；
6、s3：提取处理后的图像中颜色空间相关的颜色通道，对各个颜色通道提取描述性统计量；
7、s4：选择预定数量的描述性统计量组成特征集；
8、s5：将特征集与含水率标签输入机器学习模型中进行训练，采用留一交叉验证法进行模型评估，通过每次迭代的性能指标平均值对模型超参数进行优化，得到精度和泛化能力最佳的含水率识别模型；
9、s6：获取待测图像，将待测图像输入含水率识别模型，得到识别结果。
10、进一步地，采集初始样本图像使用带有定位标记的颜色校正卡作为参照，初始样本图像对应的含水率标签为通过烘干法测得的土壤含水率。
11、进一步地，步骤s2具体为：
12、s21：设定一张带有颜色校正卡的初始样本图像作为参考图像；
13、s22：使用图像提取软件提取参考图像和其余初始样本图像中颜色校正卡的定位标记；
14、s23：采用透视变换进行拍摄角度倾斜校正，根据定位标记的方向，使其余初始样本图像的方向调整为自上而下的俯视图；
15、s24：采用直方图匹配的方法，将初始样本图像集中的所有图像均与参考图像进行颜色匹配，得到匹配后的图像；
16、s25：裁剪出匹配后的图像的中心区域像素，得到中心区域图像；
17、s26：剔除中心区域图像的异常像素，得到处理后的图像。
18、进一步地，异常像素为：将图像中像素依照深浅度进行排序，得到的前25％的像素和后25％的像素。
19、进一步地，颜色校正卡为带有aruco标记的pantone色卡。
20、进一步地，步骤s3中，颜色空间相关的颜色通道包括rgb、normalized rgb、hsi、i1i2i3、lab、xyz和lch。
21、进一步地，步骤s3具体为：从原始图像中提取r、g、b三个颜色通道，其余颜色空间对应通道可以由这三个分量转换得到，各个转换关系的表达式为：
22、normalized rgb：
23、
24、
25、
26、hsi：
27、
28、
29、
30、
31、i1i2i3：
32、
33、
34、
35、xyz：
36、x＝0.412453r+0.357580g+0.180423by＝0.212671r+0.715160g+0.072169bz＝0.019334r+0.119193g+0.950227blab：
37、
38、
39、
40、
41、xn＝95.047,yn＝100.000,zn＝108.883
42、lch：
43、l＝l
44、
45、
46、式中，r为红色通道分量，g为绿色通道分量，b为蓝色通道分量，l为lab颜色空间的亮度，a为从深绿色到灰色再到亮粉红色的颜色通道，b为从亮蓝色到灰色再到黄色的颜色通道，c为饱和度，h为色相，x、y、z分别为xyz颜色空间中对应的x、y、z分量，xn、yn、zn均为转换参数，h为色调，s为色饱和度，i为hsi颜色空间的亮度。
47、进一步地，步骤s4中采用过滤式和包裹式相结合的方法，选择相关性超过预设值的特征，通过主成分分析或互信息方法剔除冗余性超过阈值的特征，通过交叉验证评估选择出最终的特征集。
48、进一步地，机器学习算法包括岭回归、弹性网络回归、随机森林和支持向量机，根据交叉验证评估结果选择精度最高、泛化能力最优的算法模型。
49、进一步地，初始样本图像为路基填土样本的图像，路基填土样本为：筛掉粒径大于2毫米的土样，通过筛分实验分别获得砂土和粉黏土，按比例掺和配置得到的不同含水率，静置24小时后得到的样本。
50、与现有技术相比，本专利技术具有以下有益效果：
51、1)本专利技术通过进行颜色校正，使光照鲁棒性增强，因此在复杂环境下的路基压实土含水率识别更稳定，现场实用性和效率都能有较高的提升，克服光照条件的影响，提高含水率识别精度；
52、2)本专利技术对于前期样本需求量较小，且在图像采集过程中，对于每一张拍摄的图片均立刻通过烘干法测得该样本的实际含水率，更符合实际情况，提高了所采集样本的可靠性；
53、3)本专利技术实现了路基土含水率的快速、无损、低成本识别。
本文档来自技高网...【技术保护点】
1.一种基于颜色空间的路基土含水率识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，所述采集初始样本图像使用带有定位标记的颜色校正卡作为参照，所述初始样本图像对应的含水率标签为通过烘干法测得的土壤含水率。
3.根据权利要求2所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，步骤S2具体为：
4.根据权利要求3所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，所述异常像素为：将图像中像素依照深浅度进行排序，得到的前25％的像素和后25％的像素。
5.根据权利要求2所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，所述颜色校正卡为带有ArUco标记的Pantone色卡。
6.根据权利要求1所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，步骤S3中，颜色空间相关的颜色通道包括RGB、normalized RGB、HSI、I1I2I3、Lab、XYZ和Lch。
7.根据权利要求6所述的一种基于颜色空间的路基土含水率识别方
8.根据权利要求1所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，步骤S4中采用过滤式和包裹式相结合的方法，选择相关性超过预设值的特征，通过主成分分析或互信息方法剔除冗余性超过阈值的特征，通过交叉验证评估选择出最终的特征集。
9.根据权利要求1所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，所述机器学习算法包括岭回归、弹性网络回归、随机森林和支持向量机，根据交叉验证评估结果选择精度最高、泛化能力最优的算法模型。
10.根据权利要求1所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，所述初始样本图像为路基填土样本的图像，所述路基填土样本为：筛掉粒径大于2毫米的土样，通过筛分实验分别获得砂土和粉黏土，按比例掺和配置得到的不同含水率，静置24小时后得到的样本。
...【技术特征摘要】
1.一种基于颜色空间的路基土含水率识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，所述采集初始样本图像使用带有定位标记的颜色校正卡作为参照，所述初始样本图像对应的含水率标签为通过烘干法测得的土壤含水率。
3.根据权利要求2所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，步骤s2具体为：
4.根据权利要求3所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，所述异常像素为：将图像中像素依照深浅度进行排序，得到的前25％的像素和后25％的像素。
5.根据权利要求2所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，所述颜色校正卡为带有aruco标记的pantone色卡。
6.根据权利要求1所述的一种基于颜色空间的路基土含水率识别方法，其特征在于，步骤s3中，颜色空间相关的颜色通道包括rgb、normalized rgb、hsi、i1i2i3、lab、xyz和lch。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。