[发明专利]一种基于深度学习的沥青混合料中集料边界识别与划分方法

权利要求书

1.一种基于深度学习的沥青混合料中集料边界识别与划分方法，其特征在于，具体包括如下步骤：

(1)沥青混合料截面图像获取；

(2)将获得的截面图像输入至一训练好的截面图像分割网络模型，输出获得含有集料的二值图像，其中，所述截面图像分割网络模型通过如下方法训练获得：

(2.1)构建训练数据集，所述数据集由截面图像数据和对应的二值图像数据组成，所述二值图像通过如下步骤处理获得：

用图像处理软件在截面图像上进行集料轮廓的勾勒，勾勒过程应保证集料轮廓的准确清晰；

对勾勒完成的截面图像设置阈值一并进行二值化，再划分出二值化效果不佳的区域并设置阈值二进行二值化，直至整张截面图像不含有黏连部分同时不存在噪点，得到对应的二值图像；

(2.2)构建一图像分割网络，结合训练数据集以截面图像为输入，对应的二值图像为预测目标对图像分割网络进行神经网络训练，获得训练好的截面图像分割网络模型；

(3)采用分水岭算法对含有集料的二值图像进行再次分割，获得沥青混合料集料细观结构图像；

(4)对集料细观结构图像中每个集料进行边缘、质心、面积细观信息的提取，实现沥青混合料集料细观结构的获取，完成沥青混合料中集料边界识别与划分。

2.根据权利要求1所述的方法，其特征在于，步骤2.1中，还包括对训练数据集后处理步骤，包括：

对每张截面图像和对应的二值图像采用相同方法进行裁剪成若干份；

和/或对每张截面图像和对应的二值图像进行相同的旋转、翻转操作。

3.根据权利要求1所述的方法，其特征在于，步骤2.2中，图像分割网络结构由五个卷积模块组成，每个卷积模块由卷积层、激活函数LeakyRelu和批归一化层以及最大池化层组成，最后一个和倒数第二个还包括Dropout层，最后对后四个卷积模块的输出进行上采样，而后对各上采样结果进行通道融合，并经过一个1*1的卷积和激活函数LeakyRelu激活输出结果特征。

4.根据权利要求1所述的方法，其特征在于，步骤2.2中，将训练数据集等分为10份，轮流取其中一份作为验证集其余为训练集进行训练，并以验证集准确率为评价指标，取最优的训练结果作为最终截面图像分割网络模型。

5.根据权利要求1所述的方法，其特征在于，步骤3中分水岭算法具体包含以下步骤：

(3.1)对集料的二值图像进行距离变换，计算图像中每个像素点到最近灰度值为零的点的距离，将该距离作为像素点在距离变换图像中的灰度值；

(3.2)分水岭再分割，根据分水岭分割的思想，对距离变换图像模拟注水逐渐淹没地形的过程，对图像进行进一步分割消除集料之间的黏连，进而获得沥青混合料中集料细观结构图像。

6.根据权利要求1所述的方法，其特征在于，步骤4具体为：

首先获取沥青混合料中集料细观结构图像中的全部连通区域，每个连通区域代表一个集料，通过对每个连通区域边缘、质心、面积细观信息的提取获得每个集料的细观信息，通过提取沥青混合料中集料细观结构图像中所有连通区域的细观信息，完成整张图像集料的细观信息提取。