文摘

同步芯片密封是一种先进的公路建设技术,和砾石覆盖率是施工质量的一个重要指标。传统方法测量砾石覆盖率通常取决于观察人类的眼睛里,这是粗糙和效率低下。砾石覆盖的检测方法,基于改进小波算法。通过与二维离散小波分解图像,提取高频和低频系数。高频系数的噪声图像中通过改进阈值函数,删除和砾石的对比目标低频系数由多尺度Retinex改进算法,然后进行二维小波重建。最后,砾石目标块阈值分割的方法,和砾石的像素比例计算完成检测的砾石覆盖。实验结果表明,该方法可以有效地分割砾石目标和减少环境因素对检测精度的影响。检测精度误差在±2%,能满足检测要求。改进的小波算法提高了信噪比,去噪图像的均方误差降低,达到较好的去噪效果。

1。介绍

同步碎石封建设是近年来一个先进的沥青路面施工方法。的基本方法如下:在施工过程中,同步碎石封施工路面车辆传动,同步传播沥青、碎石在地上。沥青和砂石保税在地上,滚轮胎或钢轮辊形成一层沥青和砾石穿层。与其他方法相比,这种施工方法有极高的施工效率,而且可以减少交通控制的施工部分并完成施工道路上车辆通过。砾石覆盖是投影面积的百分比被砾石覆盖到整个路面和是一个重要的建筑指数的建设同步碎石封。在同步碎石封建设、砾石不当传播率或砾石传播疾病会导致不均匀(将导致脱粒,太多的砾石和砾石不足将导致石油平移)。一般来说,上封层碎石头应该在9.5 - -13.2毫米的大小,分布的碎石头应该80%∼90%,降低密封层应该在9.5 mm-16毫米的大小(高速公路)或(其他年级)4.75 - -9.5毫米,碎石的分布率应该60%∼80%,应力吸收层应该使用9.5毫米∼16毫米计,和碎石的分布率应该60%∼80% (1]。目前,在实际的施工过程,只有施工人员可以用目测的方法来估计碎石分布率,这是主观和武断。因此,它有一个具有重要意义的机器的检测方法建立的分布率同步碎石封的碎石。

许多学者进行了研究使用机器视觉的生产和生活中解决问题。Chowdhury等人在美国德州农工大学使用霍夫变换等图像分析方法来量化细骨料颗粒的生硬和区分沥青混合料总质量的混合物(2]。歌等人使用数字图像处理来评价沥青路面表面纹理结构分布的均匀性(3]。歌和王研究无核密度仪和数字图像的应用程序隔离在沥青路面施工质量的监控和评价方法进行了相关分析的两种方法4]。王等人研究了检测方法的覆盖碎石同步碎石封层的扩散。首先,Retinex算法被用来恢复图像,消除阴影,和增强图像,然后采用图像二值化方法获得的传播覆盖。方法无法对颗粒物作为一个独立的对象,因此很难获得准确的结果(5]。锅和Tutumluer和其他人在美国提出three-view-based方法测量不规则的骨料颗粒的表面积和比较方法的结果与三维激光扫描仪的结果来验证方法的准确性。该方法还可以用于沥青膜厚度的计算(6]。布朗等人设计并实现动态收集图像的能力light-assisted背景环境中骨料颗粒的分散和分析粒子的大小特征(7]。约旦国王阿卜杜拉等人科技大学数字图像分析方法用于量化矿物材料在沥青混合料的孔隙率,并与传统的检测方法(8]。此外,德州农工大学开发的ami, UIAIA由伊利诺伊大学香槟分校和WipShape密苏里大学开发的所有使用图像分析技术来实现自动评分分析(9,10]。Tajeripour和Fekri-Ershad提出检测异常的石头纹理基于一维局部二进制模式,建议的方法是全自动和所有必要的参数可以调整11]。Al-Utaibi等人,Basheera m . Mahmmod Krawtchouk哈恩多项式重构图像,并分析了不同参数对重建图像质量的影响来完成检测的目标12,13]。目前,广泛使用的图像分割算法包括阈值分割、分水岭算法,聚类分割、遗传算法等。这些算法可以测量目标和背景分割。然而,在研究影响碎石传播检测的准确性,发现环境因素如光和噪声在实际建设常常导致最终的处理结果不满足要求。

针对上述问题,本文提出一种检测方法的砾石覆盖基于改进小波算法。通过与二维离散小波分解图像,提取高频和低频系数,高频系数中通过改进阈值函数和多尺度的低频系数是改善Retinex算法改善砾石目标的对比,然后进行二维小波重建。最后,碎石块目标分割的阈值方法,计算像素比例的碎石,碎石覆盖的检测完成后,和传播速度和传播数量之间的关系。在实验室里,2.36 - -4.75毫米的传播条件,9.5 - -13.2毫米,16 - 19毫米碎石头下不同的扩散率进行了测试和验证在实际公路工程。

2。实验计划

2.1。基于机器视觉的图像分割

在这项研究中,一个工业相机是用来捕获的图像分散砾石。这张照片是由MATLAB软件进行处理。根据市场细分的结果,分配率同步碎石封机的碎石,然后分配率之间的关系,可以建立分布的数量,调整后续配电部分保证的质量分布。首先,碎石规范的影响在传播率检测的准确性在实验室测试,其次,传播率之间的关系不同规格的碎石和传播。实验室测试设备用于测试如图1。在这个实验中,使用的碎石类型AC-16, SBS沥青类型乳化沥青。实验室测试的流程图如图2。

过程中检测的分布率同步碎石封层,后失真校正、图像增强等预处理操作,分散路段上的砾石的报道可以发现。本文采用二进制图像分割的方法来检测的传播速率传播道路。然而,在图像采集的过程中,不能完全分离目标和背景由于环境因素如光和噪声,导致错误的分割,结果不能满足要求。因此,为了应对这一问题,本文利用离散小波来提取图像的高频和低频系数进行处理,消除环境因素如光和噪声的影响,然后执行二进制wavelet-reconstructed图像分割处理。进行检测的废墟中传播速度之间的关系,建立传播率和扩散。

二进制图像分割的方法来计算传播率。自从发现了石头和沥青有明显的颜色差异,原始图像可以使用一定的分割算法分割段砾石的背景(沥青)14),如下:

然后,传播速度可以计算:

它可以看到从上面的两个公式的准确性检测方法是由图像分割的准确性。

具体步骤如下:

步骤1。选择正确的工业相机和镜头,画面精度可以达到0.1毫米,1.18毫米大小的砾石,可以占领至少10像素。比较后,CCD相机模型MV-EM200 M和BT-23C1214MP5终于选定的镜头。

步骤2。调整相机的距离根据相机的焦点位置。LED灯应安装在前面的测试设备,减少不均匀的影响自然光线拍摄。在这个实验中,相机的焦距为1.4毫米,16毫米,帧速率是20 fps, 1/1.8成像部分的面积^”,有效像素的数量是1920000。

步骤3。模拟的传播过程在实验室同步碎石封机。模拟传播不同规格的碎石场景和扩散率。相机可以样品扩散后的路面。这张照片可以由MATLAB软件进行处理。(1)使用imread函数读取所选图片。(2)使用imcrop函数作物图像和删除不相关的部分。(3)将彩色图像转换为灰度图像的rgb2gray函数。(4)利用离散小波分解算法在二维灰度图像。(5)提取离散小波高频和低频系数。(6)使用改进的阈值函数来处理高频系数。(7)使用改进Retinex算法来处理低频系数。(8)进行小波重构图像。(9)使用块大津阈值分割将灰度图像转化为二值图像。(10)使用孔填充优化二进制图像的形态。(11)检测砾石的传播速度。(12)建立传播速度和传播量之间的关系。

步骤4。砾石使用现有的实际分配率计算方法(15]。(1)撒上一层1∼2毫米厚胶凝材料均匀的搪瓷板或油感觉与一个已知的区域,和权衡的总重石油感觉和水泥米₁。(2)清洁热聚合(单粒子大小)扩散到120 - 140°C。(3)把加热聚合在一个搪瓷锅或油毡的感受。(4)骨料和水泥后冷却至室温,称重的总重量搪瓷锅或感觉,水泥和骨料米₂。(5)计算的传播速度full-paved总设计总传播率。 在哪里P_米在完整的传播,传播的总公斤/米²;P_d设计的总,公斤/米²;米₁总重量是搪瓷板或石油感觉和胶凝材料,公斤;米₂总重量是搪瓷板或油毡,水泥、骨料、公斤;r总体设计覆盖率,%;和S₁搪瓷板或油感觉区,米²。
比较实际的传播速度与传播率,发现的错误率分析算法和误差的原因,并做出改进。

第5步。计算传播的实际使用现有的方法。(1)搪瓷托盘或感觉面积S₁在经销商通过的地方。(2)后立即取出搪瓷托盘或油毡觉得经过的汽车经销商。(3)铲骨料和水泥用刮刀的一部分,并最好铲上的所有聚合瓷板或油毡。(4)集料的重量米₁通过提取方法或三氯乙烯浸泡和清洗方法。(5)计算总传播数量: 在哪里P_年代总蔓延,公斤/米²;和米₁是总重量,公斤。
将检测到的值与实际值相比较,分析该算法误码率和误差的原因,并做出改进。

步骤6。重复步骤3 - 8得到发现和实际值的传播速度和传播的不同规格的碎石头。

步骤7。检测算法修正后,实际的砾石路面测试。
对于实验室测试,根据实际工作条件,总量的2.36 - -4.75毫米,9.5 - -13.2毫米,16 - 19毫米有分歧。0 - 1.18毫米总有小颗粒大小,应该使用与高分辨率相机拍摄清楚。因此,筛选的0 - 1.18毫米总不被认为是在这个研究。

2.2。基于离散小波降噪算法

2.2.1。小波分解和重建

小波分解方法用于获得低频系数和高频系数。低频系数主要包括图像的全局信息,包括图像的轮廓信息,和高频系数主要包括图像的局部信息,包括边缘、细节,和图像的噪声。二维离散小波分解的表达如下(16]: 在哪里 分解后的低频系数; 是分解后的高频系数,H, V,和D;j₀通常是任何规模开始,让它是0;f(x,y)是离散函数,x和y表示离散变量;米和n表示为相对偏移量; 代表了图像由像素; 是一个二维尺度函数,H, V, D小波函数对应我在水平、垂直和对角方向。

处理低频系数 和高频系数 分解后获得。重建的图像是通过逆离散小波变换,和小波重建表达式如下。两层小波分解的原理图如图3(17]。 S代表分解图像,cA1和cA2,分别代表两层小波分解的低频分量,即低频图像,和两张cd和代表二级小波分解的高频分量,即水平(H),垂直(V),每一层的对角线(D)组件。核心处理流程如下:(1)图像小波分解:包括选择一个特定的小波基函数和确定最优小波分解级别N,执行N-layer嘈杂的图像小波分解f(x,y)获得高频小波系数和低频小波图像年代(x,y)。(2)小波分解高频系数的阈值量化:根据阈值量化标准,确定一个合适的阈值为每个高频系数n层的第一人。通过阈值 ,估计小波系数得到了,是尽可能小。(3)Retinex增强小波分解的低频系数:根据Retinex算法的原理,低频图像转换为对数域获取反射图像,和一个照明调整参数k添加的过程中消除光照图像,以便获得反射图像更自然。在不同尺度的高斯滤波,滤波后的结果是平均加权获得估计照度图像。(4)小波重建:进行逆小波变换的高频系数1日的Nth层阈值量化后的低频小波系数n层获得估计图像。

2.2.2。改进阈值函数的小波去噪方法

(1)小波阈值的选择。一种改进的阈值函数法用于降噪小波分解后的高频系数。为了有效地分离高频系数中的噪声组件,该函数阈值必须先确定。当阈值函数太小,图像的去噪效果不明显,和去噪的结果图像从原始图像并没有太大的区别,而失去了阈值去噪的意义。当阈值函数太大,图像噪声去除的程度太大。虽然噪声去除更彻底,图像太平滑,图像模糊,不能反映图像的基本信息。因此,选择一个合适的阈值对阈值去噪的结果具有重要意义[18]。

固定阈值估计方法具有更全面的去噪效果,当噪音是更多的分布在高频系数。因此,固定阈值估计方法用于估计函数阈值,和表达式如下19]: 在哪里是确定固定阈值;和噪声的标准差。

(2)阈值函数的选择。传统软阈值(ST)和硬阈值(HT)函数方法计算量少,容易实现,但该方法会产生持续的错误当高频系数大于固定阈值,导致模糊边缘细节。通过分析圣函数图4,我们可以看到圣函数的连续性是更好的,但是当 ,估计小波系数通过圣函数有一个恒定的偏差从最初的阈值系数 。恒定的偏差会导致高频信息的丢失,导致失真。从分析HT功能图5,可以看出HT的方法解决了常数误差问题的圣法,但有一个间断点 。HT函数不是连续在不连续点 ,时,很容易引起振荡重建图像。(1)软阈值函数如下: (2)硬阈值函数如下: (3)本文改进了阈值功能:

从分析方程(13),我们可以看到,函数的连续性,当小波系数趋于一个固定的阈值,估计小波系数限制为0,因此,函数值是连续的固定阈值,避免了冲击现象时,硬阈值函数不连续点。函数asymptoticity而言,当小波系数趋向于积极的还是消极的无穷,估计小波系数之比的极限到原始小波系数是1,这证明了改进的阈值函数 渐近线;因此,消除圣函数的常数误差问题。函数的偏差,估计小波系数之间的差异和原始小波系数计算小波系数趋于极限正负无穷,和不同的是0,所以当小波系数趋于无穷时,新小波系数估计是无限的封闭原始小波系数以避免偏差的问题。

2.2.3。基于改进Retinex图像增强算法

一种改进Retinex图像增强算法用于估计照明图像小波分解后的低频系数,和反射图像是通过对数域转换。本文改进的Retinex算法增加了光调整参数基于single-scale过滤器Retinex (SSR)算法,使反射影像更自然,避免了光晕现象实际上,和有一个更好的边缘保持效果。

(1)照明图像估计。根据Retinex算法的原理,照明图像卷积的原始图像与高斯核函数。为了获得反射图像和消除光照对图像的影响,功能转换为对数域,然后对数域转换后的反射图像。数域转换表达式如下(20.]:

然而,通过SSR算法实验,发现如果原始图像中光照估计部分完全消除,图像往往会不自然。因此,添加一个照明调整参数的过程中消除光照图像反射影像更自然。反射图像的表达后,介绍了调整因素如下: 在哪里k是光线调整参数;F(x,y)是高斯核函数; 是照明形象;和是图像通道的数量,通常3。

执行高斯滤波后,过滤结果不同尺度平均加权获得估计照度图像。 在哪里是权重系数。

2.2.4。反射图像拉伸

反射图像后获得的图像转换在对数域通常无法达到的范围0∼255在图像域值,这可能会导致图像是灰色和白色,影响视觉效果和后续处理。因此,反射图像需要被拉伸。首先,通过遍历像素值,找到最大和最小反射图像的像素值,然后通过以下公式伸展拉伸图像反射图像的范围[0255][21]。 在哪里d(x,y拉伸后)代表反映图像;R(x,y)表示之前反映图像拉伸;和R_马克斯和R_最小值代表的最大和最小灰度值反映图像拉伸之前,分别。

2.2.5。分段线性变换

针对pan-gray现象在重建图像,本文使用three-segment分段线性变换方法来提高图像对比。三级分段线性变换表达式如下: 在哪里f(我,j)后的输出图像对比度增强;d(我,j)是输入图像;和k₁,k₂,k₃代表三阶段的斜率转换。和表达式如下22]: (在哪里一个,b)和(c,d)表明,分段函数的斜率变化。

分割函数可以设置不同的分割点根据图像特征,提高的细节感兴趣的地区,还可以抑制该地区的利益。

2.2.6款。检测的传播速度和传播量基于分割阈值分割方法

将图像分割成几块并进行阈值分割,照明或反射造成的不均匀效应可以在一定程度上解决。选择的块足够小,这样每个块的照明大约是统一的,所以当auto-thresholding,高阈值分割中使用高灰度区和低门槛分割low-gray地区使用。因为大小的一个总太小,如果单个总体分为块,计算量将大大增加。因此,本文选择5总量的大小分成n×n小图片的长度和宽度相等。块划分后,全局阈值方法执行根据,并计算每个图像块的阈值T。通过计算平均灰度差异Δd类之间的每个图像块,纯背景的干扰或纯对象被排除在外,并结合大津算法,基于这个条件的图像块的关键。然后,每个图像块的关键图像缝合在一起,形成一个完整的碎石图像的关键。 在哪里是灰度的像素(1 2⋯,k);是灰度的像素k+ 1,k+ 2⋯L];是灰色的频率分布的水平;m (k)是灰色的水平的平均灰度值从1到k;和平均灰度类之间的区别。

Δ平均灰度差异d根据公式计算类之间结合每个图像块的阈值T每个图像块上实现二值化操作。Δ当组内的灰度差异d图像块的小于设置值 ,它是确定图像中的像素块相同的类,和图像块不是关键;否则,图像块的关键。本文中的检测方法将图像划分为4×4图像块(即,n= 4),检测结果的准确性为98.1%,和一个图像的平均处理速度小于85 ms。本文的比较单一的聚合,5骨料,10聚合块大小表中列出1。

从表可以看出1,当一个聚合和5骨料选择块的大小,识别精度基本上是相同的,但是一个聚合的操作速度慢得多的五蕴。太多的块将减缓识别速度;的操作速度5骨料和10总量是大致相同的,但5总量比10骨料的准确性,这是因为块太大,目标块的阈值有时截然不同,和整个目标不能准确、完全分割,导致准确率下降。因此,五蕴是选为一个块。

之后,在一个固定的拍摄区域获得一定规格的碎石分布率和使用的重量碎石,碎石的重量和分布数量的一定规格的碎石在这个领域可以获得的情况下传播。此外,它可以检测碎石头的重量和数量下的碎石头不同规格不同的传播率。 在r_张,r_我,r_{我+ 1}是已知的碎石头分配率在不同的时刻;米_张,米_我,米_{我+ 1}是已知的碎碎石头的摇滚权重不同的分配率;r_{我+ 2}是碎石头在任何时间的分配率( );米_{我+ 2}砾石的重量在传播率r_{我+ 2};和s是拍摄区。

3所示。结果和讨论

3.1。一个图像的处理结果

在这项研究中,使用9.5 mm - 13.2 mm砾石颗粒作为一个例子,一幅画是随机选择的细分,如图6。每个阶段的处理是显示在图7- - - - - -10。

的传播率的测试值分散废墟是54.11%,实际值是54.18%,和不同的是0.07%,在误差范围内 ,表明该算法可以满足检测要求。

如表所示2,比较该方法与硬阈值、软阈值,和多尺度Retinex,它可以发现,峰值信噪比和均方误差的方法比其他单一方法和检测速度基本上是相同的。

该方法由Krawtchouk与图像重建相比,哈恩多项式。如表所示3时,均方误差小于原始图像,这两个多项式的订单10到14岁的分别,但峰值信噪比和均方误差仍不如该方法。同时,计算速度比这低得多的方法。如果Krawtchouk和哈恩多项式的订单不断增加,检测精度可以比该方法,但计算速度太慢,无法满足实时的要求。

3.2。不同规格的碎石和测试试验的传播率

使用该方法,一系列的实验已经进行的传播条件下的碎石头不同规格不同的扩散率和测试。图11是一个室内称重的照片室内砾石。

2.36 - -4.75毫米,9.5 - -13.2毫米,和16 - 19毫米碎石头,分别为测试验证,如表所示4来7。

结果碎石治疗2.36 - -4.75毫米,9.5 - -13.2毫米,如图16 - 19毫米12- - - - - -14。

本文进行测试测试不同规格的碎石头和扩散率。与现有的方法相比,检测精度差的平均值的三种类型的砾石是0.6%,0.7%,0.4%。从检测结果可以看出,该方法可以满足检测精度的要求。

3.3。检测的分散不同规格的石头

3.3.1。传播的计算量和全传播的不同规格的碎石

根据(18)和(19的重量),可以计算各种碎石下完整的传播,然后散射质量和数量的每一种石头可以根据不同的传播率,计算如表所示8。

3.3.2。计算结果验证

传播两种石材的照片随机收集数据所示15- - - - - -16。Thespreading率检测到该方法分别为19.5%和33.1%,分别和碎石头的重量计算63.18克和342.15克,分别。实际称重重量为60.3 g和340.6 g,不同之处在于2.88 g和1.55 g,分别。误差在允许范围内,表明该方法可以满足要求的废墟中传播检测。

4所示。实际工程验证

本文收集后的路面图像同步碎石封机一直蔓延在实际工程来验证算法的有效性。集合地点在内蒙古高速施工报价部分,和同步碎石封车后的路面被传播。同步碎石封卡车的工作过程如图17。收集到的图片如图18。

收集到的图片是传播建设下封层的照片,以及砾石的传播规范9.5 - -13.2毫米。根据算法的处理结果,收集的三个图像的处理结果是71.08%,71.69%,和68.95%,分别平均70.57%的价值。实际传播速度测试结果的平均值是69.81%,和不同的是0.76%。此外,传播的数量可以计算为1.52公斤/米²。测试结果的传播速度和传播误差都在允许的范围内。

5。结论

同步碎石封机,人行道上传播的环境因素如光和噪声,以及不同规格的砾石和扩散率,影响检测精度。本文处理后图像的高频和低频系数的二维小波分解,然后重建图像消除光照等环境因素的影响。接下来,大津阈值分割方法用于分离沥青和砾石检测砾石的蔓延速度,进一步建立传播数量和扩散率之间的关系。(我)后提取图像的高频和低频系数采用二维小波分解,高频系数的改进阈值处理方法,低频系数改进Retinex方法处理,然后重建图像,可以快速、准确、有效地检测砾石的蔓延速度。(2)通过大津阈值分割处理的图像,每一块区域可以设置阈值,这可以进一步消除环境因素如光的影响,以便准确段沥青和砾石,探测废墟中传播速度,并建立碎石之间的关系传播速度和传播。(3)通过收集和测试不同规格的碎石头和传播率,并与实际测试结果进行比较,可以发现,该方法可以满足实际施工需求的测试和具有良好的重现性。(iv)通过该方法,质量差的传播可以在一部分时间在传播过程中,以便进行实时调整,确保公路建设的质量。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

在本研究中,作者要感谢金融支持研究和发展中心的交通行业的技术、材料和设备的公路建设和维护(甘肃公路桥梁建设集团)(No.GLKF201808);甘肃省级交通科技项目(2018 - 15);基础研究基金为中央大学(300102250305);和中国博士后科学基金会(2019 m663603)。