基于Android系统的粗骨料图像处理方法及试验研究

周新刚,郭美虹,秦绪祥,邹天豪

(1.烟台大学土木工程学院,山东 烟台 264005;2.烟台新思创土木工程技术有限公司,山东 烟台 264005)

粗骨料作为混凝土的重要组成部分,其本身的特性如粒形、级配、密实度等,都对混凝土性能有着极大的影响．随着计算机和数字图像理论的发展,大量学者已经将数字图像处理技术应用到粗骨料的特性检测中．徐科等[1]利用数字图像处理技术,通过拍摄粗骨料颗粒图像,获得最小外接矩形并对骨料颗粒的针片状含量进行了检测计算;叶奋等[2]通过使用相机对粗骨料进行拍摄,获得骨料的形态特征指标,并结合数理统计的方法对形态特征参数分布规律进行了研究;侯云飞等[3]基于结构光三维成像原理,研究开发了粗骨料轮廓信息三维检测系统,并对粗骨料的三维形态参数以及级配进行了检测计算;何锐等[4]通过对混凝土中的粗骨料完整的断面图像进行分析处理,分析了粗骨料的空间分布特征;汪海年等[5-7]利用自行研制的粗骨料形态特征研究系统(MASCA)对粗骨料的级配、棱角性特征、轴向系数、圆度等进行了大量的研究;MAERZ等[8]使用2台同步相机对传送带上的骨料进行拍摄,并利用自行开发的WipShape图像分析软件对图像进行分析,研究了粗骨料的针、片状含量和棱角性;WETTIMUNY等[9]结合傅里叶变换的方法,对骨料图像进行分析,提取了颗粒的形状特征信息．RAO等[10]研究开发了UIAIA骨料图像分析系统,该系统采用三相机从3个正交方向获取骨料图像,进一步获得了骨料的体积、针片状颗粒含量信息．周新刚等[11]利用自行研发的二维和三维图像分析软件对粗骨料的级配、粒形和针、片状含量进行了检测计算．综上所述,在骨料的图像处理与分析中,目前的技术路线多为使用相机对粗骨料进行拍摄,之后利用计算机进行后续的分析处理．这种图像采集及处理系统解决方案一般由置物平台、稳定光源、数码相机、相机支架、计算机这几部分,搭建成本较高,且体积较大,便携形差．

为了使图像处理技术能够更加便捷、低成本的应用于骨料质量检测及分析上,本文利用数字图像处理技术,应用四点透视变换的理论及其方法,开发了Android端的粗骨料图像处理及分析“应用”(APP)．该应用以智能手机自带的摄像头作为图像采集设备,借助智能手机自身运算能力进行图像处理等运算工作;图像处理中使用了四点透视变换方法,将非固定角度拍摄的图片转换为垂直角度的图片,因而图像采集过程中无需相机支架;使用最大类间方差阈值分割方法,降低了外部光线变化对骨料边缘提取的影响．通过对骨料边缘的提取,获得骨料颗粒最小外接矩形的长、宽及投影面积等骨料几何信息,在此基础上,对骨料级配及圆度、轴向系数等形状参数进行检测及计算．根据APP分析处理的骨料信息,利用蒙特卡洛算法,对骨料的密实度进行计算．

1 图像处理介绍

使用手机作为图像采集设备且无相机支架等固定设备,首先要解决的问题便是图像采集的角度及像素与实际物理单位的转换问题．本文研究中,使用了四点透视变换的方法来解决上述问题．四点透视变换的主要步骤包括霍夫直线检测及透视变换．

经透视变换完成后,非垂直角度拍摄图像转换为垂直角度的图像．对于转换完成的图像,根据图像中已知大小的物体实际尺寸与其像素大小的比例,即可计算单个像素与实际物理尺寸的关系．结合图像分割算法及像素与实际物理尺寸的转换关系,即可对骨料颗粒的多项几何信息进行计算．分析步骤见图1框图．

1.1 霍夫直线检测

首先通过移动设备自带的摄像头,对放置在如图2所示的托板上的骨料进行拍摄,之后对采集的骨料原始图像进行灰度化、高斯模糊、Canny算法边缘检测等一系列图像预处理工作．在前述预处理工作的基础上,进行霍夫直线检测,获得黑色区域边缘坐标,为之后的透视变换做准备．图3(a)为采集到的骨料原始图像,图3(b)为图像预处理结果,图3(c)为霍夫直线检测处理结果．由图3可见,霍夫直线能准确检测到图像边缘．

1.2 透视变换

透视变换的步骤主要包括获取四角点坐标、生成转换矩阵及透视变换．通过透视变换,无需相机固定设备即可获得固定角度及位置的图片．

获取四角点坐标:

经过前述的边缘直线检测后,记录每条边缘线的2个点,分别求出4条边缘直线的直线函数,进而两两直线联立求取其交点．设线段l1的起点、终点坐标分别为(x1,y1)、(x2,y2);线段l2的起点、终点坐标为(x3,y3),(x4,y4),则两直线夹角的计算见式(1),进而得到两线段所在直线的交点坐标(x0,y0),坐标计算见式(2),(3)．

生成转换矩阵:

透视变换的通用变换公式见式(4)—(6)．其中:(x,y)为经透视变换后的坐标值,(u,v)为变换前的坐标值,A为转换矩阵．转换矩阵A由之前得到的4对顶点坐标值推算得出[12]．图4为经透视变换后的图像．

1.3 骨料几何信息提取

在透视变换的基础上,利用大津阈值法[13]进行图像分割,即可提取骨料颗粒的边缘信息,为后续的几何信息计算以及各质量指标提供依据．图5为提取的骨料边缘信息结果．

所提取的骨料几何信息包括骨料颗粒的最小外接矩形长L、宽W、二维投影面积等参数值．基于上述骨料几何信息,本文对骨料的级配、粒形及密实度进行了检测计算．

d=(x1-x2)×(y3-y4)-(y1-y2)×(x3-x4),

(1)

(2)

(3)

(4)

(5)

(6)

2 骨料质量指标计算方法

根据前述提取到的骨料几何信息,本文对粗骨料的质量指标如级配、圆度和轴向系数等形状参数及密实度进行了计算．

2.1 级配计算

2.1.1 颗粒所属粒级计算 对于单个颗粒,其不能通过的筛孔最大孔径,即为其所属粒级．将颗粒能否通过特定筛孔的条件称之为通过条件．若颗粒几何信息满足通过条件,则颗粒能够通过相应筛孔,即颗粒不属于该粒级,应当减小筛孔孔径,直至该颗粒不能满足通过条件为止．

颗粒通过条件判断分为3个步骤,分别称为粗过滤、细过滤及反向过滤．首先将方孔筛孔径按照从大到小的顺序排列,定义存储属于第i个粒级颗粒信息的数据结构为Qi．之后先对颗粒进行粗过滤,对任一颗粒,若满足式(7),认为颗粒属于该粒级,放入该粒级对应的集合Qi中．若不满足则进行细过滤处理．颗粒细过滤需要判断颗粒是否满足式(8)．若满足,则放入集合Qi中;若颗粒均不满足粗过滤及细过滤规则,则认为颗粒不属于该粒级,应当降低粒级．对于新加入集合Qi中的颗粒,按照式(9)进行反向过滤．若满足式(9),则说明该颗粒属于上一粒级,将该颗粒粒级增大一档,移出Qi,移入上一粒级对应的颗粒集合Qi-1．

L×C×AI>S,

(7)

W>S×fi,

(8)

W>S×fr,

(9)

式(7)—(9)中,L、W分别为颗粒最小外接矩形的长、宽(假定L≥W);C为颗粒的圆度系数,AI为轴向系数;S为方孔筛孔径;fi为调整系数,fr为反向调整系数,fi、fr的取值见表1．

2.1.2 质量级配计算 对提取的所有颗粒逐个按照上述步骤计算其所属粒级后,各个颗粒的信息已经按照所属粒级的不同存入了相应的集合中．利用定量体视学的方法[14],对骨料质量进行估算得到质量级配．第i个粒级对应的集合Qi的第j个颗粒的质量mij的计算方式见式(10),集合Qi的质量mi见式(11),样本总质量M见式(12),粒级i的分计筛余Pi见式(13)．

表1 调整系数取值

mij=AijWijγρ,

(10)

(11)

(12)

式中:γ为骨料的扁平系数,即平均厚宽比;Wij为第i个粒级对应的集合Qi的第j个颗粒的宽;Aij为i个粒级对应的集合Qi的第j个颗粒的投影面积;ρ为骨料密度;n为第i个粒级对应的集合Qi的颗粒数;m为粒级的个数．

2.2 圆度及轴向系数计算

圆度被用来评价骨料颗粒二维投影截面接近于圆的程度,其值越接近于1,骨料颗粒的二维投影截面越接近于圆,则骨料粒形好的概率越大．轴向系数被用来评价骨料颗粒的针状性,轴向系数越大,即骨料颗粒二维投影截面的长轴与短轴比值越大,颗粒的针状性越强．单骨料颗粒与骨料整体样本组的各指标计算方法见式(14)—(17)．

(14)

(16)

式中,Ci、AIi为单颗粒的圆度及轴向系数,C、AI为整体的圆度及轴向系数的质量加权平均值．

2.3 密实度计算

在上述级配及圆度、轴向系数形状参数检测的基础之上,本文利用蒙特卡洛算法[15],对骨料的自然堆积过程进行了模拟,进而计算骨料的密实度．具体的计算方法如下．

(1)将各个颗粒按照面积不变的原则等效为圆形,记录各个颗粒的等效直径di、圆度Ci,面积Ai,将其存入数据集合g中,所有颗粒的总面积为A．

(3)生成堆积模拟颗粒数据集合G,其生成方式为以g为基数,将其复制n倍,n为堆积容器面积与A的比值加上2的和．

(4)创建一个空的集合Gs,用于存储符合放置条件的颗粒及其坐标信息,放置条件见式(18)．

(5)从G中随机挑选颗粒P,随机生成位于堆积容器中的坐标(x,y),如P位于(x,y)点时,与其中任一完成放置的颗粒满足放置条件时,则将P从G中移除,并将P颗粒信息及坐标存入集合Gs中;若(x,y)不满足P的放置条件,则重新生成坐标,再次进行计算,允许的重复次数为1 000次,若超过1 000次,则跳过该颗粒．

(6)重复步骤(5),直至G中所有颗粒均经过了放置模拟．

(7)为确保颗粒堆积密实,对Gs中的颗粒进行下降模拟,其步骤为:

1) 按照坐标y值大小,对Gs中的颗粒进行正序排序;

2) 生成用于存储完成下降操作的数据集合Gp;

3)对于Gs中的颗粒P,逐步减小其坐标y值,直至满足下降模拟的放置条件,见式(18)—(21)．

4)重复步骤3),直至Gs中的所有颗粒均完成了下降模拟．

(8)密实度计算,计算Gs中颗粒位于y=0.5L以下面积之和A′,其与堆积容器y=0.5L以下部分面积0.5L2之比即为单次计算的密实度．

(9)为降低颗粒随机放置带来的密实度计算结果的随机性,取5次计算的平均值作为密实度计算的最终结果．

(18)

(19)

ε=1.775-C,

(20)

εi=1.775-Ci,

(21)

式中,x、y为要放置或下降的颗粒的坐标,xi、yi为已经完成放置或下降模拟的任一颗粒的坐标,d为要放置或下降颗粒的等效直径,di为已经完成放置或下降操作的任一颗粒的等效直径,C为要放置或下降颗粒的圆度,Ci为已经完成放置或下降操作的任一颗粒的圆度,ε、εi为重合系数．

3 分析计算结果及对比分析

使用前述图像分析处理APP,对5组粒径为5～25 mm的粗骨料进行检测计算,得到骨料颗粒级配、圆度和轴向系数等形状参数值以及密实度,并与传统检测方法、多目立体视觉三维重建方法[11]得到的级配进行了对比,对比分析结果见表2、表5及图6—10．圆度和轴向系数检测结果见表3;密实度检测结果见表4．

3.1 APP分析处理结果

由表2—3及图6—10可知,APP检测得到的5组骨料的级配结果与传统人工筛分得到的基本一致,最大误差为5.76%;密实度检测结果与实测结果的最大误差为0.96%．从检测结果来看,APP检测方法已有较好的检测精度．其中误差主要来源于骨料颗粒第三维信息的缺失,传统人工筛分方法得到的是质量级配,而APP检测只能通过获取骨料二维信息来得到面积级配,在转换为质量级配时采用了统计的方法进行估算,由此带来一定的误差．

表4为圆度、轴向系数计算结果．对于不规则骨料颗粒的形态,目前多为定性或半定量描述,如利用现行规范[16-17]中的针、片状含量来描述骨料颗粒粒形的好坏．借助现代数字图像处理技术,获得骨料的圆度、轴向系数等形状参数指标,可以更好更全面地描述不规则骨料颗粒的形貌和统计特征,是骨料检测向智能化精细化发展迈出的重要一步．

表2粗骨料级配的APP检测结果

Tab.2TheresultsofcoarseaggregategradationbyAPPdetection%

组别筛孔尺寸/mm26.519169.54.752.36第一组实测值0.0015.4216.6350.3615.660.00 APP检测0.0010.2020.7050.0019.100.00 误差0.005.224.070.363.440.00第二组实测值0.0017.3516.3945.7819.040.00 APP检测0.6017.6021.4044.1016.300.00 误差0.600.255.011.682.740.00第三组实测值0.0020.1420.6245.3212.710.00 APP检测0.0019.1025.0045.409.800.00 误差0.001.044.380.082.910.00第四组实测值0.0021.9819.8144.6913.040.00 APP检测0.0019.824.8043.2011.700.00 误差0.002.184.991.491.340.00第五组实测值0.0018.6617.7047.3713.880.00 APP检测0.0012.9022.8048.1016.200.00 误差0.005.765.100.732.320.00

表3 密实度的APP检测结果

表4 圆度、轴向系数检测结果

表5粗骨料级配的3D图像检测结果

Tab.5 The results of coarse aggregate by 3D image detection %

组别筛孔尺寸/mm26.519169.54.752.36第一组实测值0.0015.4216.6350.3615.660.00 3D图像0.0014.1419.3049.4217.090.05 误差0.001.282.670.941.430.05第二组实测值0.0017.3516.3945.7819.040.00 3D图像0.4320.1115.0245.7518.660.03 误差0.432.761.370.030.380.03第三组实测值0.0020.1420.6245.3212.710.00 3D图像0.4222.9519.1345.4111.970.14 误差0.422.811.490.090.740.14第四组实测值0.0021.9819.8144.6913.040.00 3D图像3.6220.0516.5746.6613.030.07 误差3.621.933.241.970.010.07第五组实测值0.0018.6617.7047.3713.880.00 3D图像0.8322.6116.3846.7713.370.05 误差0.833.951.320.600.510.05

3.2 多目立体视觉分析处理结果

与较为先进的多目立体视觉三维重建系统及其相应的分析方法[11],对上述5组粗骨料的检测结果进行了对比,对比分析结果见表5—6及图11—15．

由表5—6及图11—15可知,多目立体视觉三维重建方法得到的级配曲线与传统的人工筛分方法得到的吻合较好,最大误差为3.95%,平均误差为5.07%,均比APP图像检测的误差要小．

表6APP与3D图像级配检测误差对比

Tab.6 Comparison of the gradation error of APP and 3D image detection %

组别APP图像分析3D图像分析第一组5.222.67第二组5.012.76第三组4.382.81第四组4.993.62第五组5.763.95平均误差5.073.16

虽然APP图像检测精度误差比多目立体视觉三维重建方法略大,但与传统的2D图像处理方法相比[18-20],其误差相近,且其解决了多目立体视觉传统图像处理检测方法需要工业相机、及大量附属、配套设备所带来的成本高、便携性差等问题．

Fig.6GradationcomparisonofsievingandAPPdetectionofgroup1

Fig.7GradationcomparisonofsievingandAPPdetectionofgroup2

Fig.8GradationcomparisonofsievingandAPPdetectionofgroup3

Fig.9GradationcomparisonofsievingandAPPdetectionofgroup4

Fig.10GradationcomparisonofsievingandAPPdetectionofgroup5

Fig.11Gradationcomparisonofsievingand3Dimageofgroup1

Fig.12Gradationcomparisonofsievingand3Dimageofgroup2

Fig.13Gradationcomparisonofsievingand3Dimageofgroup3

Fig.14Gradationcomparisonofsievingand3Dimageofgroup4

Fig.15Gradationcomparisonofsievingand3Dimageofgroup5

4 小 结

粗骨料的特性对混凝土的性能有重要的影响,骨料质量及粒形参数的测试有十分重要的意义．随着数字图像技术的发展,创新地开发智能、高效、便捷的检测方法成为可能．本文研究和开发的Android端粗骨料图像处理分析“应用”,采用四点透视变换的理论及其方法,将不同拍摄角度的骨料原始图像转换为垂直角度的图像．通过对图像中骨料颗粒边缘的提取,获得骨料颗粒最小外接矩形的长、宽及二维投影面积等骨料几何信息,进一步对骨料的级配及圆度、轴向系数等形状参数进行了检测分析．在级配及形状参数检测的基础上,利用蒙特卡洛算法,对骨料的密实度进行了计算．

通过与传统人工筛分方法得到的检测结果对比,级配最大误差为5.76%,密实度检测结果的误差为0.96%．分析计算结果表明,其测试精度可以达到实际应用的要求．该应用灵活易操作、实用性强、成本较低,为骨料质量检测提供了一种智能、高效、便捷的检测方法．