基于双门限阈值的爆堆岩块图像分割技术及图像识别系统开发
发布时间：2022-01-11 21:50
爆破块度是评价爆破效果的重要指标,建立爆破块度快速检测与评价的方法对矿山生产有着重要的现实意义。为此,本文将计算机图像识别技术引入爆堆块度的信息检测,针对露天矿山大方量爆堆块度分布特征,建立爆堆块度的图像分割方法,开发爆堆块度图像识别系统。实现了大方量爆破块度的高效检测和块度量化反馈,具体的研究工作与成果如下。（1）爆堆块度的图像分割技术研究。针对露天矿山爆堆块度具有大规模、粘连、差异大且形状不规则的特点,在综合分析各种图像分割技术的适应性的基础上,开发了双门限阈值图像分割技术。通过多种图像分割技术对爆破岩石图像分割效果比较,开发的双门限阈值图像分割方法在岩块与背景的二值化分割上具有优势,岩石表层噪声的过滤效果最优。应用开发的双门限阈值图像分割方法对不同岩性的岩块图像进行分割,表明了建立的分割方法适应性强。（2）图像识别系统（BFAS3.0）开发。进行了图像处理流程设计,针对采集的图像特点提出了岩石场景图像降噪和预处理方法,对于自然光照不均使得目标区域有阴影产生,灰度直方图失去双峰分布的特点,采用了直方图均衡化的预处理手段,并应用USM增强算法、形态学的腐蚀与膨胀等方法对岩块灰度图像进...
【文章来源】：南华大学湖南省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
技术路线图
算法流程图
南华大学硕士学位论文18佳高阈值的选取与爆堆岩体结构形态之间的关系。图3.2双门限阈值岩块分割操作系统界面运用开发的系统（如图3.2所示）进行大量参数设置实验，以人眼主观来评价图像分割效果得出：爆堆岩体结构面结合程度越差，结构面类型越复杂，裂隙块状结构多，需要相对较大的阈值，才能达到更好的二值化分割效果。反之，结构面结合程度越好，主要以块状结构类型存在，则需要选取较小的阈值（见表3.1）。表3.1不同类型岩石依据结构面类型最佳阈值选取范围名称组数主要结构面结合程度主要结构面类型相应结构类型最佳（高）阈值范围花岗岩a≥3结合差节理、裂隙、层面节理、裂隙、层面裂隙块状结构165～175花岗岩b≥3结合一般或结合差碎裂结构160～170红砂岩a≥3结合很差各种类型结构面各种类型结构面裂隙块状结构中厚层状结构185～195红砂岩b≥3结合差或结合很差180～190砾岩1～2结合好节理、裂隙、小断层块状结构135～150表3.2列出了3种不同类型爆堆试样照片（见3.2节大亚湾、小径湾5幅爆堆图像）生成二值图像时所选取的最佳阈值。以岩块目标与背景分类错误率为标准，选取具体参数数值以能产生最好的分割效果为依据。所以，以下图像分割实验参数选取如下表：
【参考文献】：
期刊论文
[1]基于语义特征提取的砂岩薄片图像颗粒分割方法[J]. 姜枫,顾庆,郝慧珍,李娜,胡修棉. 中国科学:信息科学. 2020(01)
[2]基于改进亲和度图的矿石颗粒图像分割研究与实现[J]. 孙国栋,林凯,高媛,徐昀. 仪表技术与传感器. 2019(12)
[3]基于FCN的岩石混凝土裂隙几何智能识别[J]. 薛东杰,唐麒淳,王傲,张辽,周宏伟. 岩石力学与工程学报. 2019(S2)
[4]爆破岩块自动识别与块度特征提取方法[J]. 谢博,施富强,赵建才,朱登高,蒋建德,李徐然,廖学燕,李锋. 爆破. 2019(03)
[5]一种改进的Otsu多阈值SAR图像分割方法[J]. 杨蕴,李玉,王玉,赵泉华. 遥感信息. 2019(04)
[6]基于分形理论的大直径深孔爆破块度分析[J]. 李建雄,陈飞,郭儒. 矿冶. 2019(04)
[7]一种利用骨架提取和SVM分类的颗粒表征方法[J]. 耿超,包静,邹鹏,王卫彬. 中国公路学报. 2018(11)
[8]复杂环境条件下的逐孔松动爆破技术试验研究[J]. 相志斌,杨仕教,朱忠华,蒲成志,彭贯军,郑建礼,姜宝金,张紫晗,胡光球. 南华大学学报(自然科学版). 2018(05)
[9]基于块体形状分类的爆堆块度三维几何参数估算[J]. 荆永滨,王公忠,毕林,冯兴隆. 爆破. 2018(01)
[10]基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法[J]. 王丽丽,徐岚俊,魏舒,韦崇峰,赵博,苑严伟,范晋伟. 农业工程. 2017(04)
博士论文
[1]基于图论的图像分割算法的研究[D]. 刘仲民.兰州理工大学 2018
[2]爆堆块度分布的自动与分形测试系统研究[D]. 题正义.辽宁工程技术大学 2002
硕士论文
[1]基于图像特征密度峰值聚类的图像分割方法研究[D]. 孙喆.山东师范大学 2019
[2]基于非局部Mumford-Shah模型的纹理图像分割[D]. 杨振宇.青岛大学 2019
[3]非监督聚类算法在岩石图像分析中的应用研究[D]. 宋博敬.西安石油大学 2019
[4]矿石粒度图像检测技术的研究[D]. 孙深深.郑州大学 2019
[5]鲁棒图形模糊聚类分割算法研究[D]. 吴其平.西安邮电大学 2019
[6]基于机器视觉对爆堆岩块图像处理识别的研究[D]. 彭贯军.南华大学 2019
[7]可配置变电站室内图像巡检系统及关键算法研究[D]. 李道明.浙江大学 2019
[8]基于MaskR-CNN分割的TEM纳米颗粒参数测量方法研究[D]. 吴玥.天津工业大学 2019
[9]基于水平集的人工膝关节磨粒流加工流场分析与实验研究[D]. 陈俊超.浙江工业大学 2018
[10]基于边界凹凸点和神经网络的粘连颗粒图像分割算法研究[D]. 吴锴.福州大学 2018
本文编号：3583514
【文章来源】：南华大学湖南省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
技术路线图
算法流程图
南华大学硕士学位论文18佳高阈值的选取与爆堆岩体结构形态之间的关系。图3.2双门限阈值岩块分割操作系统界面运用开发的系统（如图3.2所示）进行大量参数设置实验，以人眼主观来评价图像分割效果得出：爆堆岩体结构面结合程度越差，结构面类型越复杂，裂隙块状结构多，需要相对较大的阈值，才能达到更好的二值化分割效果。反之，结构面结合程度越好，主要以块状结构类型存在，则需要选取较小的阈值（见表3.1）。表3.1不同类型岩石依据结构面类型最佳阈值选取范围名称组数主要结构面结合程度主要结构面类型相应结构类型最佳（高）阈值范围花岗岩a≥3结合差节理、裂隙、层面节理、裂隙、层面裂隙块状结构165～175花岗岩b≥3结合一般或结合差碎裂结构160～170红砂岩a≥3结合很差各种类型结构面各种类型结构面裂隙块状结构中厚层状结构185～195红砂岩b≥3结合差或结合很差180～190砾岩1～2结合好节理、裂隙、小断层块状结构135～150表3.2列出了3种不同类型爆堆试样照片（见3.2节大亚湾、小径湾5幅爆堆图像）生成二值图像时所选取的最佳阈值。以岩块目标与背景分类错误率为标准，选取具体参数数值以能产生最好的分割效果为依据。所以，以下图像分割实验参数选取如下表：
【参考文献】：
期刊论文
[1]基于语义特征提取的砂岩薄片图像颗粒分割方法[J]. 姜枫,顾庆,郝慧珍,李娜,胡修棉. 中国科学:信息科学. 2020(01)
[2]基于改进亲和度图的矿石颗粒图像分割研究与实现[J]. 孙国栋,林凯,高媛,徐昀. 仪表技术与传感器. 2019(12)
[3]基于FCN的岩石混凝土裂隙几何智能识别[J]. 薛东杰,唐麒淳,王傲,张辽,周宏伟. 岩石力学与工程学报. 2019(S2)
[4]爆破岩块自动识别与块度特征提取方法[J]. 谢博,施富强,赵建才,朱登高,蒋建德,李徐然,廖学燕,李锋. 爆破. 2019(03)
[5]一种改进的Otsu多阈值SAR图像分割方法[J]. 杨蕴,李玉,王玉,赵泉华. 遥感信息. 2019(04)
[6]基于分形理论的大直径深孔爆破块度分析[J]. 李建雄,陈飞,郭儒. 矿冶. 2019(04)
[7]一种利用骨架提取和SVM分类的颗粒表征方法[J]. 耿超,包静,邹鹏,王卫彬. 中国公路学报. 2018(11)
[8]复杂环境条件下的逐孔松动爆破技术试验研究[J]. 相志斌,杨仕教,朱忠华,蒲成志,彭贯军,郑建礼,姜宝金,张紫晗,胡光球. 南华大学学报(自然科学版). 2018(05)
[9]基于块体形状分类的爆堆块度三维几何参数估算[J]. 荆永滨,王公忠,毕林,冯兴隆. 爆破. 2018(01)
[10]基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法[J]. 王丽丽,徐岚俊,魏舒,韦崇峰,赵博,苑严伟,范晋伟. 农业工程. 2017(04)
博士论文
[1]基于图论的图像分割算法的研究[D]. 刘仲民.兰州理工大学 2018
[2]爆堆块度分布的自动与分形测试系统研究[D]. 题正义.辽宁工程技术大学 2002
硕士论文
[1]基于图像特征密度峰值聚类的图像分割方法研究[D]. 孙喆.山东师范大学 2019
[2]基于非局部Mumford-Shah模型的纹理图像分割[D]. 杨振宇.青岛大学 2019
[3]非监督聚类算法在岩石图像分析中的应用研究[D]. 宋博敬.西安石油大学 2019
[4]矿石粒度图像检测技术的研究[D]. 孙深深.郑州大学 2019
[5]鲁棒图形模糊聚类分割算法研究[D]. 吴其平.西安邮电大学 2019
[6]基于机器视觉对爆堆岩块图像处理识别的研究[D]. 彭贯军.南华大学 2019
[7]可配置变电站室内图像巡检系统及关键算法研究[D]. 李道明.浙江大学 2019
[8]基于MaskR-CNN分割的TEM纳米颗粒参数测量方法研究[D]. 吴玥.天津工业大学 2019
[9]基于水平集的人工膝关节磨粒流加工流场分析与实验研究[D]. 陈俊超.浙江工业大学 2018
[10]基于边界凹凸点和神经网络的粘连颗粒图像分割算法研究[D]. 吴锴.福州大学 2018
本文编号：3583514
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3583514.html
最近更新
教材专著
