本发明专利技术提供了一种动态颗粒材料数值信息的测量方法，包括采集动态颗粒材料视频、创建数据集、端到端的多任务学习、视频实例分割和后处理步骤；采集动态颗粒材料视频是将动态的颗粒材料记录成视频；创建数据集是将动态颗粒材料视频逐帧转换成图片，并使用标注工具对转换得到的图片抽取一部分进行标记，接着将标注好的数据划分为训练集和验证集；端到端的多任务学习是利用标注好的数据，对视频实例分割算法模型进行训练；视频实例分割是使用训练好的视频实例分割算法模型，对采集到的动态颗粒材料视频进行视频实例分割；后处理步骤包括：S1、质心提取及等比例标定；S2、等效椭圆拟合及长轴角度提取。轴角度提取。轴角度提取。
【技术实现步骤摘要】
一种动态颗粒材料数值信息的测量方法及实验装置
[0001]本专利技术属于动态颗粒材料测量
，具体涉及一种动态颗粒材料数值信息的测量方法及实验装置。
技术介绍
[0002]现如今，作为快速交通网建设中的主体：高速铁路与高速公路发展迅速，对道路、铁路工程的建设要求越来越高。传统的道路、铁路路基压实技术已经很难满足当前发展的需要。路基智能压实技术的出现在提高道路、铁路路基施工质量、耐久性的方面发挥了重要的作用。
[0003]路基压实过程中的土体本质上是属于颗粒材料。颗粒材料由松散状态变为致密，这是颗粒运动引起内部细观结构变化的结果。同时，平移和旋转作为颗粒运动的两种主要的运动形式，对颗粒材料的宏观力学行为，尤其是变形，有着显著的影响。
[0004]目前，获取和分析动态颗粒材料数值信息的主要方法是离散元法(DEM)，该方法最早由Cundall和Strack于20世纪70年代提出，并一直受到许多学者的关注和发展。然而，数值模型本身及其统计结果缺乏有效的数据验证，难以被普遍接受。随着技术的发展，在真实物理实验中利用智能传感器SmartRock可以获取单个颗粒的运动信息，但是存在传感器昂贵以及无法获取多个颗粒的运动信息的缺点。利用颗粒跟踪测速仪(PTV)、颗粒成像测速仪(PIV)、激光散斑测速仪(LSV)等技术，可以对颗粒进行跟踪和测量，其中PTV技术广泛应用于颗粒流动实验。但上述方法设备复杂、成本高，不利于大量颗粒的数值测量。同时上述方法在颗粒过多时容易出现混叠，导致精度低，部分颗粒无法测量。
[0005]因此，为了简化实验设备、节省成本、提高识别精度，测量更多的颗粒，从而测量动态颗粒材料的数值信息，进一步统计分析振动压实过程中不同外因或内因作用下颗粒的运动规律，需要设计一种新的动态颗粒材料数值信息的测量方法。
技术实现思路
[0006]本专利技术的目的在于提供一种动态颗粒材料数值信息的测量方法及实验装置，以解决
技术介绍
中提出的目前的动态颗粒材料数值信息的测量方式还存在诸多缺陷的问题。
[0007]为实现上述目的，本专利技术提供了一种动态颗粒材料数值信息的测量方法，包括以下步骤，采集动态颗粒材料视频、创建数据集、端到端的多任务学习、视频实例分割和后处理步骤；
[0008]采集动态颗粒材料视频：对颗粒材料施加振动荷载或旋转荷载，使颗粒材料发生振动或转动，并将动态的颗粒材料记录成视频；
[0009]创建数据集：将采集到的动态颗粒材料视频逐帧转换成图片，然后使用标注工具对转换得到的图片均匀抽取一部分进行标记得到标注好的数据，接着将标注好的数据划分为训练集和验证集；
[0010]端到端的多任务学习：利用标注好的数据，对视频实例分割算法模型进行训练；
[0011]视频实例分割(Video instance segmention，VIS)：使用训练好的视频实例分割算法模型，对采集到的动态颗粒材料视频进行视频实例分割；
[0012]后处理步骤包括：
[0013]S1、质心提取及等比例标定：在视频实例分割的过程中，将视频帧所处的二维平面独立地分成x方向和y方向，然后将x方向左右两边的掩码像素等分，将y方向上下两边的掩码像素也等分，提取出颗粒材料的质心；使用质心位移代表颗粒材料的平移量，并检测出颗粒材料的平移量，再对平移量求一阶导数和二阶导数，检测出颗粒材料的速度和加速度；
[0014]S2、等效椭圆拟合及长轴角度提取：使用处理工具将颗粒材料的掩码等效成一个椭圆；接着对于拟合后的椭圆，使用椭圆长轴的变化角度代表颗粒材料的转动量，实现颗粒材料的转动量的提取。
[0015]在一种具体的实施方式中，所述视频实例分割算法模型包括两阶段范式，第一阶段包括残差网络(ResNet)模块、时序特征融合模块、特征金字塔网络(Feature Pyramid Network，FPN)模块、区域提议网络(RPN)模块；第二阶段包括感兴趣区域(RoI)对齐模块、分类分支模块、盒回归分支模块、掩码分支模块和追踪分支模块。
[0016]在一种具体的实施方式中，所述时序特征融合模块为：
[0017]将来自残差网络模块的当前帧的特征A通过1*1的卷积和激活，得到编码关键信息的特征q；然后，将来自残差网络模块的支持帧的特征B通过两个平行的1*1的卷积和激活映射为k和v；接着，对q和k计算点积得到注意力矩阵S，并对v注意力矩阵S加权，得到增强特征，增强特征聚合了来自支持帧的上下文信息；最后，将增强特征通过1*1的卷积和激活转换为特征W，并将W和原始特征相加，得到最终的特征Z；
[0018]时序特征融合模块增强特征的表达式如下：
[0019]S＝k
⊙
q；
[0020][0021][0022]式中，
⊙
表示内积计算符号，
[0023]i，j分别为注意力矩阵和特征中各位置的索引，
[0024]N
all
表示总位置数，
[0025]F表示对应1*1卷积和非线性激活的变换函数，
[0026]表示逐像素相加。
[0027]编码关键信息包括目标类别、位置和掩码等信息。特征Z不仅包含了当前帧的视觉信息，也包含了支持帧的上下文信息。
[0028]在一种具体的实施方式中，所述追踪分支模块为：
[0029]包括两个全连接层和一个长序列外部存储器，全连接层用于映射候选目标的特征，长序列外部存储器用于存储L个序列的先前实例；追踪分支模块首先分别计算候选目标特征和所有先前实例特征的内积，然后将内积进行比较，使用内积相似度最高的实例ID作为候选目标的实例ID；L的取值大于等于2。
[0030]在一种具体的实施方式中，所述残差网络模块用于实现视频帧的特征提取，包括多级卷积层和残差块；残差块之间由短路连接的机制构造，每个残差块的内部通过残差连
接来加深网络层数以及避免网络性能退化；最后经过池化、全连接层和softmax激活函数得到视频帧的特征向量，输出到时序特征融合模块中。
[0031]在一种具体的实施方式中，所述特征金字塔网络模块用于对时序特征融合模块输出的特征图进行多级传播，得到多尺度特征图；所述区域建议网络模块先对特征金字塔网络模块输出的多尺度特征图生成多个锚框，然后通过卷积对每个锚框进行第一次分类和位置回归，从而生成一系列的区域提议。
[0032]在一种具体的实施方式中，所述感兴趣区域(RoI)对齐模块是使用双线性插值操作，对区域建议网络模块产生的一系列区域提议的尺寸进行统一，避免空间位置错位；对于对齐后的感兴趣区域，先通过全连接层处理，再经过分类分支模块与盒回归分支模块进行第二次分类和回归。
[0033]在一种具体的实施方式中，所述掩码分支模块使用全卷积网络对感兴趣区域进行语义分割，提取出感兴趣区域中每个实例的掩码。
[0034]在一种具体的实施方式中，创建数据集时，对转换得到的图片每隔5～120帧标记一帧；标注好的数据按照4～10：1的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种动态颗粒材料数值信息的测量方法，其特征在于，包括以下步骤，采集动态颗粒材料视频、创建数据集、端到端的多任务学习、视频实例分割和后处理步骤；采集动态颗粒材料视频：对颗粒材料施加振动荷载或旋转荷载，使颗粒材料发生振动或转动，并将动态的颗粒材料记录成视频；创建数据集：将采集到的动态颗粒材料视频逐帧转换成图片，然后使用标注工具对转换得到的图片均匀抽取一部分进行标记得到标注好的数据，接着将标注好的数据划分为训练集和验证集；端到端的多任务学习：利用标注好的数据，对视频实例分割算法模型进行训练；视频实例分割：使用训练好的视频实例分割算法模型，对采集到的动态颗粒材料视频进行视频实例分割；后处理步骤包括：S1、质心提取及等比例标定：在视频实例分割的过程中，将视频帧所处的二维平面独立地分成x方向和y方向，然后将x方向左右两边的掩码像素等分，将y方向上下两边的掩码像素也等分，提取出颗粒材料的质心；使用质心位移代表颗粒材料的平移量，并检测出颗粒材料的平移量，再对平移量求一阶导数和二阶导数，检测出颗粒材料的速度和加速度；S2、等效椭圆拟合及长轴角度提取：使用处理工具将颗粒材料的掩码等效成一个椭圆；接着对于拟合后的椭圆，使用椭圆长轴的变化角度代表颗粒材料的转动量，实现颗粒材料的转动量的提取。2.根据权利要求1所述的动态颗粒材料数值信息的测量方法，其特征在于，所述视频实例分割算法模型包括两阶段范式，第一阶段包括残差网络模块、时序特征融合模块、特征金字塔网络模块、区域提议网络模块；第二阶段包括感兴趣区域对齐模块、分类分支模块、盒回归分支模块、掩码分支模块和追踪分支模块。3.根据权利要求2所述的动态颗粒材料数值信息的测量方法，其特征在于，所述时序特征融合模块为：将来自残差网络模块的当前帧的特征A通过1*1的卷积和激活，得到编码关键信息的特征q；然后，将来自残差网络模块的支持帧的特征B通过两个平行的1*1的卷积和激活映射为k和v；接着，对q和k计算点积得到注意力矩阵S，并对v使用注意力矩阵S加权，得到增强特征，增强特征聚合了来自支持帧的上下文信息；最后，将增强特征通过1*1的卷积和激活转换为特征W，并将W和原始特征相加，得到最终的特征Z；时序特征融合模块增强特征的表达式如下：S＝k
⊙
q；q；式中，
⊙
表示内积计算符号，i，j分别为注意力矩阵和特征中各位置的索引，N
all
表示总位置数，F表示对应1*1卷积和非线性激活的变换函数，
表示逐像素相加。4.根据权利要求2所述...
【专利技术属性】
技术研发人员：刘昊，马殷军，陈满，聂志红，左君，张亮，徐军，董博峰，张康银，
申请(专利权)人：中国铁路兰州局集团有限公司兰州工程建设指挥部中国建筑股份有限公司中建铁路投资建设集团有限公司，
类型：发明
国别省市：
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。