一种基于机器视觉的颗粒形状精细快速量化方法
本发明涉及级配碎石颗粒形状精细快速量化的，具体而言，涉及一种基于机器视觉的颗粒形状精细快速量化方法。
背景技术：
1、随着我国高速铁路线路数量及运营里程的不断攀升，高铁路基服役期的静动变形安全标准已达毫米级别，对铁路路基结构性能提出了更高要求。基床表层是路基结构中承受列车荷载和环境影响最大的区域，常由级配碎石填筑而成，在列车动载下易发生性能劣化，进而引发一系列路基病害，导致路基服役性能下降。因此，深入研究循环荷载下级配碎石性能劣化细观机制对提高路基服役性能具有重要意义。
2、国内外学者主要通过室内试验与数值模拟手段对路基填料的力学特性与劣化机理进行研究。室内试验主要通过直剪和三轴试验等对粗颗粒填料抗剪强度、动弹性模量等开展研究。研究结果表明：级配、颗粒形状及接触类型均是影响结构强度的主要因素。然而，对于如何获取循环加载实验中颗粒形状是一个问题，当前针对循环荷载下级配碎石颗粒形状演化特性的研究较少。
3、目前，x-ct(x-ray computed tomography)是研究颗粒材料行为的常用手段，基于x-ct技术可重构出颗粒三维形状并获取其形状指标，实现对颗粒形状的高精度、非破坏性识别。但x-ct设备昂贵、使用和维护成本高以及数据处理分析复杂，难以推广应用。
技术实现思路
1、本发明所要解决的技术问题在于提供一种成本低，具有较好的预测精度和泛化能力的基于机器视觉的颗粒形状精细快速量化方法、颗粒形状精细快速量化ai模型的训练方法、颗粒形状精细快速量化ai模型的使用方法、计算机设备和计算机可读存储介质。
2、为了实现上述目的，根据本发明的第一个方面，提供了一种基于机器视觉的颗粒形状精细快速量化方法，技术方案如下：
3、一种基于机器视觉的颗粒形状精细快速量化方法，包括以下步骤：
4、(1)将待测图像输入到颗粒形状精细快速量化ai模型中，输出二值图像；
5、(2)对二值图像进行计算，即完成对待测图像中级配碎石颗粒的颗粒形状量化；
6、其中，颗粒形状精细快速量化ai模型的训练方法包括以下步骤：
7、step100，获取形成数据集的级配碎石颗粒的图像；
8、step200，对数据集中的级配碎石颗粒进行像素级标注，形成可视化标签图像；
9、step300，将数据集随机划分为训练集、验证集与测试集；
10、step400，将训练集和验证集分别输入到至少2个语义分割模型中进行模型训练；
11、step500，将测试集输入到已训练好的至少2个语义分割模型中，根据至少2个准确性评估指标筛选出性能最佳的语义分割模型，即得到颗粒形状精细快速量化ai模型。
12、为了实现上述目的，根据本发明的第二个方面，提供了一种颗粒形状精细快速量化ai模型的训练方法，技术方案如下：
13、一种颗粒形状精细快速量化ai模型的训练方法，包括以下步骤：
14、step100，获取形成数据集的级配碎石颗粒的图像；
15、step200，对数据集中的级配碎石颗粒进行像素级标注，形成可视化标签图像；
16、step300，将数据集随机划分为训练集、验证集与测试集；
17、step400，将训练集和验证集分别输入到至少2个语义分割模型中进行模型训练；
18、step500，将测试集输入到已训练好的至少2个语义分割模型中，根据至少2个准确性评估指标筛选出性能最佳的语义分割模型，即得到颗粒形状精细快速量化ai模型。
19、为了实现上述目的，根据本发明的第三个方面，提供了一种颗粒形状精细快速量化ai模型的使用方法，技术方案如下：
20、一种颗粒形状精细快速量化ai模型的使用方法，应用于一种计算机设备，所述计算机设备部署有上述第二方面所述的训练方法训练得到的颗粒形状精细快速量化ai模型，并且，使用方法包括：将待测图像输入所述颗粒形状精细快速量化ai模型进行处理，得到输出结果，所述输出结果为待测图像的二值图像。
21、为了实现上述目的，根据本发明的第四个方面，提供了一种计算机设备，技术方案如下：
22、一种计算机设备，其特征在于：包括处理器和存储器，所述处理器与存储器耦合，所述存储器用于存储计算机程序或指令，所述处理器用于执行存储器中的该计算机程序或指令，使得该计算机设备执行上述第一方面所述的基于机器视觉的颗粒形状精细快速量化方法、或执行上述第二方面所述的颗粒形状精细快速量化ai模型的训练方法、或执行上述第三方面所述的颗粒形状精细快速量化ai模型的使用方法。
23、为了实现上述目的，根据本发明的第五个方面，提供了一种计算机可读存储介质，技术方案如下：
24、一种计算机可读存储介质，其特征在于：用于存储计算机程序或指令，所述计算机程序或指令被执行时，使得所述计算机执行上述第一方面所述的基于机器视觉的颗粒形状精细快速量化方法、或执行上述第二方面所述的颗粒形状精细快速量化ai模型的训练方法、或执行上述第三方面所述的颗粒形状精细快速量化ai模型的使用方法。
25、本发明具有的优点是：
26、首先，本发明通过语义分割算法和图像处理技术对颗粒形状进行量化，为量化循环荷载下级配碎石颗粒形状演化提供了新方法，解决了重构颗粒三维形状并获取其形状指标过程中x-ct技术开销昂贵、使用和维护成本高以及数据处理分析复杂，难以推广应用的问题。
27、其次，本发明通过将多个语义分割模型的多个准确性评估指标进行对比，筛选得到分割精度最高的颗粒形状精细快速量化ai模型，训练损失值和验证损失值小，未出现过拟合现象，具有较好的预测精度和泛化能力。
28、下面结合附图和具体实施方式对本发明做进一步的说明。本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
技术特征：
1.一种基于机器视觉的颗粒形状精细快速量化方法，其特征在于：包括以下步骤：
2.如权利要求1所述一种基于机器视觉的颗粒形状精细快速量化方法，其特征在于：
3.如权利要求1所述一种基于机器视觉的颗粒形状精细快速量化方法，其特征在于：step200采用isat图片分割标注软件对数据集中的级配碎石颗粒进行像素级标注，形成可视化标签图像。
4.如权利要求1所述一种基于机器视觉的颗粒形状精细快速量化方法，其特征在于：step400中的语义分割模型有4个且分别为u-net、segnet、pspnet、deeplabv3+。
5.如权利要求1所述一种基于机器视觉的颗粒形状精细快速量化方法，其特征在于：step500中准确性评估指标有3个且分别为f1分数、平均像素准确率和平均交并比。
6.如权利要求1所述一种基于机器视觉的颗粒形状精细快速量化方法，其特征在于：步骤(2)具体包括步骤：首先确定opencv中函数计算所得像素点与实际长度的换算关系；然后根据二值图像计算颗粒的等效粒径、圆度系数与长细比。
7.一种颗粒形状精细快速量化ai模型的训练方法，其特征在于：包括以下步骤：
8.一种颗粒形状精细快速量化ai模型的使用方法，其特征在于：应用于一种计算机设备，所述计算机设备部署有权利要求7所述的训练方法训练得到的颗粒形状精细快速量化ai模型，并且，使用方法包括：将待测图像输入所述颗粒形状精细快速量化ai模型进行处理，得到输出结果，所述输出结果为待测图像的二值图像。
9.一种计算机设备，其特征在于：包括处理器和存储器，所述处理器与存储器耦合，所述存储器用于存储计算机程序或指令，所述处理器用于执行存储器中的该计算机程序或指令，使得该计算机设备执行如权利要求1-6之一所述的基于机器视觉的颗粒形状精细快速量化方法、或执行如权利要求7所述的颗粒形状精细快速量化ai模型的训练方法、或执行如权利要求8所述的颗粒形状精细快速量化ai模型的使用方法。
10.一种计算机可读存储介质，其特征在于：用于存储计算机程序或指令，所述计算机程序或指令被执行时，使得所述计算机执行如权利要求1-6之一所述的基于机器视觉的颗粒形状精细快速量化方法、或执行如权利要求7所述的颗粒形状精细快速量化ai模型的训练方法、或执行如权利要求8所述的颗粒形状精细快速量化ai模型的使用方法。
技术总结
本发明公开了一种成本低、具有较好的预测精度和泛化能力的基于机器视觉的颗粒形状精细快速量化方法，包括以下步骤：(1)将待测图像输入到颗粒形状精细快速量化AI模型中，输出二值图像；(2)对二值图像进行计算，即完成颗粒形状量化；颗粒形状精细快速量化AI模型的训练方法包括以下步骤：Step100，获取形成数据集的级配碎石颗粒的图像；Step200，对数据集中的级配碎石颗粒进行像素级标注，形成可视化标签图像；Step300，将数据集随机划分为训练集、验证集与测试集；Step400，将训练集和验证集分别输入到至少2个语义分割模型中进行模型训练；Step500，将测试集输入到已训练好的至少2个语义分割模型中，根据至少2个准确性评估指标筛选出性能最佳的语义分割模型。
技术研发人员：王武斌,邓志兴,谢康,白皓,唐浩
受保护的技术使用者：西南交通大学
技术研发日：
技术公布日：2024/12/5