基于图像分割与深度学习的砂石分类检测方法技术

本发明专利技术公开了一种基于图像分割与深度学习的砂石分类检测方法，步骤如下，1）通过照相设备采集待检测砂石表面图像；2）对采集得到的砂石表面图像进行预处理；3）将预处理后的砂石图像输入至分类算法模型；4）分类算法模型输出砂石的分类。本发明专利技术能够快速、准确、方便地检测出砂石分类及类别，无需人工参与，从而节省人力成本并避免人为因素对检测结果造成的影响，检测结果更可信。检测结果更可信。检测结果更可信。

【技术实现步骤摘要】
基于图像分割与深度学习的砂石分类检测方法


[0001]本专利技术涉及砂石检测，具体涉及一种基于图像分割与深度学习的砂石分类检测方法，属于砂石检测


技术介绍

[0002]砂石是基础设施建设的主力，作为重要的建筑工程结构材料，砂石为我国基础设施及各类建筑工程建设做出了重要的贡献。砂石为建设用砂和建设用石的统称。根据相关国家标准，建设用砂按产源分为天然砂、机制砂和混合砂；建设用石又分为卵石和碎石两类。碎石又根据颗粒大小有不同分类。
[0003]虽然按国家标准砂石有上述分类，但在实际生产中，不同厂家或者搅拌站涉及的产品及其类别并不尽相同。比如天然砂，由于其比较昂贵，很多企业不涉及，也就没有相应的检测考虑。在厂家实际分类检测中，目前主流涉及的为以下五大类，即石粉、机制砂、米石（行业也叫0
‑
1碎石）、1
‑
2碎石、1
‑
3碎石。米石粒径较小，1
‑
2碎石粒径适中，1
‑
3碎石相对于1
‑
2碎石粒径较大且粒型更为规整、饱满且更加均匀。而各种砂类属于细集料，相对于各种粗集料，粒径更小。
[0004]砂石生产厂家将砂石运送至买方指定收货地点时，需要验收确认砂石的分类。因为不同的产品分类，不光关乎货物的价格，而且还影响产品后续使用场景及使用效果。所以对它们进行准确检测分类是很重要的环节。目前甲方送货到乙方时，乙方会专门安排工作人员对接验收。送货时，甲方会将送货单交给乙方，乙方再通过监控设备拍摄的物料照片与送货单上载明的类别进行核对，通过这种方式完成收货并确认产品类别。现有的人工检测和验收，存在以下不足，1）需要安排专人检测，会投入较大的人力成本。2）对检测人员有一定的技能要求，通常需要有三年以上工作经验才能胜任该工作。3）同一检测人员，不同时段对同一批货物的检测结果可能不同。同时检测人员的正直和情绪也会影响准确做出检测结果。因为各种原因，检测人员可能有意降低或者提高产品的检测结果。在积极的情绪下或者消极的情绪下，检测结果也有可能不同。因此，目前全凭人的经验肉眼识别的方式来进行砂石检测已经不适应行业发展需要。

技术实现思路

[0005]针对现有技术存在的上述不足，本专利技术的目的就在于提供一种基于图像分割与深度学习的砂石分类检测方法，本专利技术能够快速、准确、方便地检测出砂石分类，无需人工参与，从而节省人力成本并避免人为因素对检测结果造成的影响，检测结果更可靠。
[0006]本专利技术的技术方案是这样实现的：基于图像分割与深度学习的砂石分类检测方法，步骤如下，1）通过照相设备采集待检测砂石表面图像；2）对采集得到的砂石表面图像进行预处理；3）将预处理后的砂石图像输入至分类算法模型；
4）分类算法模型输出砂石的分类。
[0007]具体地，步骤1）中，车辆运送砂石至指定地点并停留设定时间，照相设备位置固定并使车辆上的砂石位于照相设备正下方，照相设备直接对车辆上的砂石进行拍照，获取砂石表面图像。
[0008]本专利技术对砂石表面图像预处理的步骤为，2.2）将获取的砂石表面图像转化为灰度图，然后将灰度图进行自适应直方图均衡化处理；2.3）对步骤2.2）处理得到的图像进行均值偏移滤波处理，以平滑图像，过滤噪声；2.4）使用最大类间方差法分割出步骤2.3）所得图像的前景和背景，所述背景为砂石之间缝隙所形成的黑色区域；2.5）将步骤2.4）通过最大类间方差法处理完的图像放入分水岭算法进行处理，得到一个标签矩阵，该标签矩阵记录了每个石头轮廓的标签序号和标签序号在图像的位置，基于标签矩阵进行轮廓绘制，得到每个石头的轮廓；2.6）计算出每个轮廓的最小外接圆，并在对应图上相应位置画出来，从而得到带有最小外接圆的图像；即为预处理后的砂石图像。
[0009]优选地，步骤2.5）中，图像放入分水岭算法分割前，先通过欧几里得距离变换，提取出图片背景，即每两个石头之间的缝隙，将它标记为山谷，传入标签矩阵；然后使用局部最大值的方法找到山峰，确保每个山峰之间的距离至少是20个像素，然后将它标记为山峰，传入标签矩阵；再将带有山峰和山谷标记的标签矩阵作为参数，传给分水岭算法；所述山峰为图像中灰度值大的地方，山谷为图像中灰度值小的地方。
[0010]优选地，图像预处理时，还包括步骤2.1）将获取的砂石表面图像均分为若干份，再对每份图像按步骤2.2）
‑
2.6）进行处理；得到若干份带有最小外接圆的图像；再将该若干份带有最小外接圆的图像输入至分类算法模型，每份带有最小外接圆的图像对应一个输出结果，以出现频次最多的那个结果作为最终的砂石分类结果。
[0011]步骤3）中，所述的分类算法模型为基于ResNet网络的分类算法模型。
[0012]所述ResNet网络结构包括18层，第1层：7x7的卷积层，步长为2，输出通道数为64；第2层：最大池化层，池化核为3x3，步长为2；第3
‑
4层：2个残差块，每个残差块包含2个小块，每个小块包含2个3x3的卷积层，输出通道数均为64；第5
‑
6层：2个残差块，每个残差块包含2个小块，每个小块包含2个3x3的卷积层，输出通道数均为128；第7
‑
10层：4个残差块，每个残差块包含2个小块，每个小块包含2个3x3的卷积层，输出通道数均为256；第11
‑
14层：4个残差块，每个残差块包含2个小块，每个小块包含2个3x3的卷积层，输出通道数均为512；第15层：全局平均池化层，将最后一个残差块输出的特征图平均池化成1x1的大小；第16层：全连接层，将前一层的1x1的特征图展开为一个向量，并输出长度为5的向
量表示分类的概率分布；第17层：Softmax层，对第16层的输出进行归一化，得到每个类别的概率；第18层：输出层，将最终分类结果输出。
[0013]与现有技术相比，本专利技术具有以下有益效果：1、本专利技术能够高效、快速、实时的检测出车辆装载的砂石的类型，是属于建设用砂还是建设用石以及他们的具体种类。因此本专利技术砂石检测方法能够有效规避现有检测方法的不足，特别是能够减少人工参与带来的弊端。
[0014]2、通过人工检测和本方法检测对比，本专利技术的检测结果准确可靠。将本专利技术测试结果和过磅单上标明的集料种类及人工识别结果进行对比，本专利技术分类准确率高达99%。
[0015]3、本专利技术采用机器自动化检测，全程无需人工参与，从而节省人力成本并避免人为因素对检测结果造成的影响，检测结果更客观。
[0016]4、本专利技术的ResNet分类算法具有高分类精度和鲁棒性强的特点，算法的分类精度高，在面对各种图像数据变化和干扰时，分类性能仍然稳定，具有很强的鲁棒性。
附图说明
[0017]图1
‑
本专利技术整体检测流程图。
[0018]图2
‑
本专利技术图像预处理流程图。
[0019]图3
‑
本专利技术某实施例拍照得到的原图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤如下，1）通过照相设备采集待检测砂石表面图像；2）对采集得到的砂石表面图像进行预处理；3）将预处理后的砂石图像输入至分类算法模型；4）分类算法模型输出砂石的分类。2.根据权利要求1所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤1）中，车辆运送砂石至指定地点并停留设定时间，照相设备位置固定并使车辆上的砂石位于照相设备正下方，照相设备直接对车辆上的砂石进行拍照，获取砂石表面图像。3.根据权利要求1所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤2）中，对砂石表面图像预处理的步骤为，2.2）将获取的砂石表面图像转化为灰度图，然后将灰度图进行自适应直方图均衡化处理；2.3）对步骤2.2）处理得到的图像进行均值偏移滤波处理，以平滑图像，过滤噪声；2.4）使用最大类间方差法分割出步骤2.3）所得图像的前景和背景，所述背景为砂石之间缝隙所形成的黑色区域；2.5）将步骤2.4）通过最大类间方差法处理完的图像放入分水岭算法进行处理，得到一个标签矩阵，该标签矩阵记录了每个石头轮廓的标签序号和标签序号在图像的位置，基于标签矩阵进行轮廓绘制，得到每个石头的轮廓；2.6）计算出每个轮廓的最小外接圆，并在对应图上相应位置画出来，从而得到带有最小外接圆的图像；即为预处理后的砂石图像。4.根据权利要求3所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤2.5）中，图像放入分水岭算法分割前，先通过欧几里得距离变换，提取出图片背景，即每两个石头之间的缝隙，将它标记为山谷，传入标签矩阵；然后使用局部最大值的方法找到山峰，确保每个山峰之间的距离至少是20个像素，然后将它标记为山峰，传入标签矩阵；再将带有山峰和山谷标记的标签矩阵作为参数，传给分水岭算法；所述山峰为图像中灰度值大的地方，山谷为图像中灰度值小的...

【专利技术属性】
技术研发人员：吕小虎，余潜江，冯永成，陈明军，张耹铭，刘力，李开林，冯涛，杨坤岭，
申请(专利权)人：重庆茂侨科技有限公司，
类型：发明
国别省市：