(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210923472.9 (22)申请日 2022.08.02 (71)申请人 中国水利水电科 学研究院 地址 100048 北京市海淀区车公庄西路20 号 (72)发明人 赵宇飞　王文博　刘彪　姜龙　 皮进　孙平　张强　曹瑞琅　 刘立鹏　孙兴松　段庆伟　杨永森　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 王玲玲 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06T 7/136(2017.01)G06T 7/62(2017.01) G06T 5/00(2006.01) G06T 5/30(2006.01) G06T 5/50(2006.01) G06T 17/10(2006.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 一种基于数字图像处理的土石坝坝料合格 性智能检测方法 (57)摘要 本发明公开了一种基于数字图像处理的土 石坝坝料合格性智能检测方法， 包括S1、 获取坝 料数字图像， 并对该坝料数字图像进行处理， 以 提取坝料数字图像的二维图像形态； S2、 采用等 效椭球体积的方法进行土石坝料的三维体积重 构； S3、 构建BP神经网络的级配修正模型以对图 像识别得到的坝料级配曲线进行修正， 而后与施 工现场挖坑检测获得的试验级配数据库中的曲 线依次进行比对， 将级配曲线中丢失的部分进行 补全， 得到真实条件下的坝料全级配特征曲线， 进一步获得评价坝料合格性的多个评价指标。 本 发明的坝料级配特征智能识别修正模型具有较 高的识别精度， 为大坝碾压施工前坝料合格性快 速判别与施工过程中坝料压实特性的实时评价 提供了重要支撑 。 权利要求书4页 说明书13页 附图5页 CN 115147401 A 2022.10.04 CN 115147401 A 1.一种基于数字图像处理的土石坝坝料合格性智能检测方法， 其特征在于， 包括以下 步骤： S1、 获取施工现场摊铺结束后的坝料数字图像， 并对该坝料数字图像进行处理， 以提取 坝料数字图像的二维图像形态； S2、 根据提取的二维图像形态， 采用等效椭球体积的方法进行土石坝料的三维体积重 构； S3、 构建BP神经网络的级配修正模型以对图像识别得到的坝料级配曲线进行修正， 而 后与施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对， 补 全级配曲线中丢 失的部分， 得到真实条件下 的坝料全级配特征曲线， 进一步获得评价坝料合格性的多个评 价指标。 2.根据权利要求1所述的基于数字图像处理的土石坝坝料合格性智能检测方法， 其特 征在于， 所述 步骤S1具体包括以下步骤： S1.1、 获取施工现场摊铺结束后的坝料 数字图像； S1.2、 对坝料数字图像进行空间滤波和频率域滤波， 并在频率域滤波时， 采用融合两种 同态滤波器HF1和HF2的方法修 正图像降质； S1.3、 采用融合空间信息的直觉模糊C均值聚类算法对坝料 数字图像进行二 值化处理； S1.4、 采用形态学滤波器和基于面积阈值的提取融合方法对二值化图进行去噪和粘连 颗粒的处 理； S1.5、 采用Canny边缘检测对经过HF1滤波器和HF2滤波器处理后的土石坝料 图像分别 进行Canny边缘检测。 3.根据权利要求2所述的基于数字图像处理的土石坝坝料合格性智能检测方法， 其特 征在于， 所述步骤S1.1中在获取坝料数字图像时， 在施工现场摊铺结束后的坝料上放置1 × 1m的铁框作为比例标尺框， 拍摄图像的位置处于比例标尺框正上 方， 比例标尺框内无 阴影。 4.根据权利要求2所述的基于数字图像处理的土石坝坝料合格性智能检测方法， 其特 征在于， 所述 步骤S1.3具体包括以下步骤： S1.3.1、 采用FC M均值聚类算法进行图像的二 值化处理： 设X＝{x1,x2,…,xN}为待聚类坝料数字图像所有像素点xN灰度值的数据集， FCM算法将 每个对象xj(1≤j≤N)分配给C个类别， 使用C ×N的隶属矩阵U＝{uij}表示对象与类别之间 的隶属关系， 其中uij表示第j个对象属于第i个类的隶属程度， 则针对X的模糊划分空 间定义 为： FCM算法的目标是计算给定数据集X的隶属度矩阵和聚类中心V＝{v1,v2,…,vC}， 目标 函数将欧氏距离作为需要最小化的代价 函数Jm， 表示为：权　利　要　求　书 1/4 页 2 CN 115147401 A 2其中， m为控制模糊程度的加权指数， 当m趋于1时， 分区接近硬聚类； m趋于无穷大时， 分 区将产生分离得集群， |xj‑vi|是第j个像素点灰度值xj与第i个聚类vi中心之间的欧几里得 距离； 模糊划分是通过对目标函数的迭代优化来实现的， 当目标函数对uij和vi的一阶导数为 零时， Jm达到最小化， 根据组间相似度最低的聚类原则， 此时隶属矩阵uij和聚类中心的更新 方程为： 算法迭代优化的终止条件为： 其中， α 为表示误差阈值的常数， k为迭代次数， 迭代优化过程最终收敛于Jm的局部极小 值点或鞍点； S1.3.2、 根据相邻像素之间的特 征值， 定义空间函数： 其中， NB(xj)表示空间域中以像素xj为中心的正方形窗口， 空间函数hij表示像素xj属于 簇i的概率； 将空间函数纳入隶属度函数u'ij： 其中， p和q是控制两个函数相对重要性的参数； S1.3.3、 设论 域X上的直觉模糊集D为： D＝{(x,uD(x),vD(x), πD(x))|x∈X} 其中， uD(x)∈[0,1]表示x属于D的隶属度； vD(x)∈[0,1]表示x属于D的非隶属度； πD(x) ∈[0,1]表示直觉指数， 即表征由于缺乏知识和信息引起 的犹豫程度； 对于x∈X， 均满足uD (x)+vD(x)+πD(x)＝1； 采用Sugen o生成函数生成非隶属度函数： 其中， λ为模糊补算子， 则对应的直觉指数为： 权　利　要　求　书 2/4 页 3 CN 115147401 A 3