[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

说明书

本发明公开了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，该方法首先构建沥青混合料截面图像数据集，数据集构建过程采用自定义多阈值二值化的方法增加图像标注精度；而后搭建沥青混合料CT截面分割神经网络，并对神经网络图像分割结果结合分水岭算法进行进一步分割；最后，提取分割后图像中的集料细观信息。本发明实现了沥青混合料中集料细观结构信息的快速、高效获取流程，神经网络有助于更加准确和智能化的进行图像分割，数据集的标注方法以及分水岭算法的引入进一步实现了沥青混合料CT图像分割精度的提高，为沥青混合料中集料细观信息的获取提供便利。

技术领域

本发明涉及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，属于计算机视觉技术和道路工程材料技术领域。

背景技术

道路工程在国民经济的发展中有着举足轻重的地位，沥青路面依据其平整、舒适等特点在道路工程中有着广泛的应用。沥青混合料作为沥青路面的主要材料其性能受内部细观结构的影响较大。沥青混合料主要由集料、胶浆和空隙组成，常常采用切割和工业CT扫描的方式获取沥青混合料内部结构组成，其中工业CT以其无损检测的优势受到学者青睐。为获取CT扫描图像中集料诸如面积、质心等细观信息，对沥青混合料CT截面扫描图像的分割研究则尤为重要。常见的几种应用于沥青混合料CT截面扫描图像的分割的方法如下：

(1)采用单一阈值分割如OTSU，实际中图像各部分灰度是不均匀的，采用单一阈值常常无法对图像进行有效分割，会出现大量集料黏连以及集料未识别出来的情况。

(2)采用多阈值分割的方法，这种方法常常根据一定规则对图像进行裁剪，对每个裁剪寻找最佳阈值而后进行图像分割，能够抑制大量黏连和未识别现象的出现，但识别的集料内部存在较多噪点，裁剪与裁剪之间也需进一步处理以保证连贯。

(3)采用边缘识别的分割方法，这类方法依据图像梯度检索图像边缘如Canny算子边缘识别，基于梯度进行边缘检测能够识别出集料与胶浆的接触边缘，但也容易将噪声视为边界进而产生过度分割。

发明内容

本发明针对现有技术的不足，提出一种基于深度学习的沥青混合料集料边界识别与划分方法，借助深度学习与数字图像处理技术实现沥青混合料CT截面扫描图像更加准确、便捷的分割流程，进而更省时、高效的获取沥青混合料细观结构。

本发明采用的技术方案如下：

一种基于深度学习的沥青混合料集料边界识别与划分方法，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的不同区域采用不同灰度值作为二值化阈值，进行二值化得到对应的二值图像，其中，区域的划分应当保证选定恰当的二值化阈值时各区域不含有黏连部分同时不存在噪点。

(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、面积等细观信息的提取，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。