一种云母含量检测装置及方法

技术领域

本申请涉及水利工程质量检测技术领域，特别涉及一种云母含量检测装置及方法。

背景技术

在水利工程中，砂石料是制备混凝土、砂浆等建筑材料的重要组成部分。云母作为一种常见的矿物，可能会存在于砂石料中。然而，过高的云母含量会对混凝土的性能产生负面影响，包括降低混凝土的强度、耐久性和抗冻性，并导致混凝土工艺性能下降。因此，对砂石料中的云母含量进行准确和快速的检测，对于保障水利工程的质量和安全具有重要意义。

目前，对砂石料中云母含量的传统检测方法主要是直接观察法。通过使用放大镜仔细观察筛选过的砂石料样品，用钢针将片状游离云母挑出，再通过称量云母的质量和总样品的质量，计算出云母的含量。虽然这种方法能够测量出云母含量，但是存在明显的局限性。首先，这种方法需要大量的人工操作，效率低下，且误差较大。其次，由于云母片的形状、大小和颜色的差异，人眼识别存在困难，可能会对结果产生影响。此外，这种方法无法实现大规模样本的快速、自动化的云母含量检测。

近年来，随着图像处理和深度学习技术的发展，获取砂石料的表面特征信息，然后通过深度学习模型对这些特征进行分析，实现对云母含量的智能检测成为了可能。然而，在砂石料中检测云母含量存在难点：由于云母的种类、形态较多，训练数据获取难度；由于砂石料的颗粒形状、颜色和纹理等特征差异大，无法训练出具有强泛化能力的模型。因此，套用现有深度学习建模方式进行云母检测会遇到训练数据不足，泛化能力差，识别效果不稳定等问题。

发明内容

本申请实施例的目的在于提供一种云母含量检测装置及方法，提高了对云母含量的检测精度和速度，同时减少了误检和漏检的可能性。

为实现上述目的，本申请提供如下技术方案：

第一方面，本申请实施例提供一种云母含量检测装置，包括检测机架，在检测机架上安装有电动轨道，电动轨道上设置有砂石料盒，砂石料盒内装入待检测的砂石料，所述电动轨道带动砂石料盒向检测机架上设置的推平机构运动，经过推平机构均匀摊平后，电动轨道带动砂石料盒运行到检测机架上设置的线扫描相机处，线扫描相机对砂石料盒内的待检测的砂石料进行拍摄，所述线扫描相机处还安装有补光灯，在检测机架上还安装有出料口，待检测的砂石料进行拍摄完成后，电动轨道带动砂石料盒运行到出料口将砂石料排出。

第二方面，本申请实施例提供一种云母含量检测方法，包括以下具体步骤：

(1)在进行检测之前，从同一批次的砂石料中人工挑选出适量的云母片，测量挑出的云母片的厚度并取平均值，得到该批次砂石料中云母的平均厚度；

(2)在砂石料盒中装入待检测的砂石料，并由操作人员启动云母含量检测装置，并将砂石料的基本参数、云母的平均厚度输入到装置中；

(3)电动轨道将砂石料盒送到推平机构下，推平机构将砂石料均匀摊平；

(4)摊平后的砂石料在补光灯的照射下，被线扫描相机拍摄成高清晰度的光学图像；

(5)用已经训练好的领域知识增强模型对这些图像进行分析，标识出云母所在的像素，通过云母像素数量占总像素数量的比例得到云母的面积比例；

(6)重复(3)～(5)步骤，得到多个云母像素比例，取平均值；平均像素比例与拍摄面积相乘，得到云母平均面积；

(7)设定一个校正因子C，该因子主要用于调整云母片可能的不同姿态对检测结果的影响，校正因子C通过下式表示：

C＝exp(α+β

其中，T为云母片的平均厚度；P为砂石料的粒径，检测前已知；Φ为独热编码的砂石料的类型，类型包括机制砂、天然砂；α，β

(8)将云母的平均面积、校正因子和平均厚度相乘，得到云母的平均体积，将云母的平均体积与其密度相乘，得到云母的平均质量；

(9)最后将云母的平均质量除以砂石料的总重，得到云母的含量；

(10)检测完成后，砂石料通过出料口排出。

所述步骤(5)中，用已经训练好的领域知识增强模型对这些图像进行分析的具体步骤为：

领域知识描述：对自地质学文献和矿物学研究的云母矿物成分知识库进行整合形成云母的领域知识图谱；

特征构造：使用边缘检测方法对云母图像进行领域知识特征计算；

数据集划分的交叉验证：在构建模型的过程中，采用交叉验证的方法来划分训练集和测试集，避免模型过拟合，具体来说，将所有图像数据的80％作为训练集，剩余的20％作为测试集；

评价指标：用准确率、精确度和F1值作为评价指标来衡量模型的性能；

混合模型的构建和训练：使用U型分割网络U-Net模型来构建云母检测模型；

使用模型进行检测：模型的输入为砂石料图像，输出为和输入图像大小相同的概率矩阵，概率矩阵中的每一个元素代表对应像素点是云母的概率，将概率矩阵转化为二值化的云母检测结果，得到云母在图像中的分布情况以及占据的像素数量。

所述云母的领域知识图谱包括，边缘平整度EF＝Σ|d

所述使用U型分割网络U-Net模型来构建云母检测模型，具体步骤如下，

⑤定义卷积和最大池化编码器，编码器对输入图像进行下采样并提取其特征；定义卷积和上采样解码器，解码器对编码器的输出进行上采样，使其再次达到原始图像的大小，

⑥选择交叉熵作为损失函数，并采用梯度下降方法进行优化，

⑦使用已标注的云母图像数据及其对应的领域知识特征向量进行模型的训练，进行模型的训练，将输入数据和对应的标签输入模型，通过反向传播和梯度下降，不断更新模型的权重参数，

完成训练后，保存训练得到的模型。

与现有技术相比，本发明的有益效果是：

本申请通过结合深度学习模型和具有领域特征的云母知识库，能够有效捕捉和识别云母的关键特征，克服了传统方法中由于训练数据不足和模型泛化能力差等问题。利用领域知识来优化和引导模型的学习过程，从而提高了对云母含量的检测精度和速度，同时减少了误检和漏检的可能性。在提高云母检测的效率和准确性的同时，也有助于提高混凝土等材料的质量和工程安全性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明中的基于领域知识增强的U-Net模型架构图；

图2是本发明中的云母含量检测流程图；

图3是本发明中的云母含量检测装置立体图；

图4是本发明中的云母含量检测装置主视图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来，而不能理解为指示或暗示相对重要性，也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

本申请的一种云母含量检测装置，包括检测机架，在检测机架上安装有电动轨道6，电动轨道6上设置有砂石料盒1，砂石料盒1内装入待检测的砂石料，所述电动轨道6带动砂石料盒1向检测机架上设置的推平机构2运动，经过推平机构2均匀摊平后，电动轨道6带动砂石料盒1运行到检测机架上设置的线扫描相机4处，线扫描相机4对砂石料盒1内的待检测的砂石料进行拍摄，所述线扫描相机4处还安装有补光灯3，在检测机架上还安装有出料口5，待检测的砂石料进行拍摄完成后，电动轨道6带动砂石料盒1运行到出料口5将砂石料排出。

一种云母含量检测方法，其具体步骤如下：

(1)在进行检测之前，从同一批次的砂石料中人工挑选出适量的云母片,测量挑出的云母片的厚度并取平均值，得到该批次砂石料中云母的平均厚度。

(2)在砂石料盒中装入待检测的砂石料，并由操作人员启动云母含量检测装置，并将砂石料的基本参数、云母的平均厚度输入到装置中。

(3)电动轨道将砂石料盒送到推平机构下，推平机构将砂石料均匀摊平。

(4)摊平后的砂石料在补光灯的照射下，被线扫描相机拍摄成高清晰度的光学图像。

(5)用已经训练好的领域知识增强模型对这些图像进行分析，标识出云母所在的像素，通过云母像素数量占总像素数量的比例得到云母的面积比例。。

(6)重复(3)～(5)步骤，得到多个云母像素比例，取平均值；平均像素比例与拍摄面积相乘，得到云母平均面积。

(7)为了更准确地估计云母体积，设定了一个校正因子C。该因子主要用于调整云母片可能的不同姿态对检测结果的影响。校正因子C通过下式表示：

C＝exp(α+β

其中，T为云母片的平均厚度；P为砂石料的粒径，检测前已知；Φ为独热编码的砂石料的类型，类型包括机制砂、天然砂；α，β

(8)将云母的平均面积、校正因子和平均厚度相乘，得到云母的平均体积。将云母的平均体积与其密度相乘，得到云母的平均质量。

对于常见的云母类型，所使用的密度参照表如下：

(9)最后将云母的平均质量除以砂石料的总重，得到云母的含量。

(10)检测完成后，砂石料通过出料口排出。

本申请的一种云母含量检测方法提供的基于领域知识增强深度学习的云母含量检测模型构建、训练和使用具体步骤如下：

(1)领域知识描述

对自地质学文献和矿物学研究的云母矿物成分知识库进行整合。主要包括和云母形貌相关的物理和化学性质，如颜色、光泽、硬度、比重、晶体形态、反射率等。对这些知识进行整合形成了云母的领域知识图谱。

其中EF代表边缘平整度，di为每个边缘段的直线距离，da为边缘段的实际距离(沿边缘的像素点数)，n为边缘段总数。rt为每一像素的反射强度，N为总像素数量，CT代表颗粒厚度，bt为每个颗粒的厚度，N为总颗粒数量。CO代表颗粒均匀性，b

(2)特征构造

使用边缘检测等方法对云母图像进行领域知识特征计算。构造好的特征向量将作为U-Net模型的输入的一部分。

(3)数据集划分的交叉验证

在构建模型的过程中，我们采用了交叉验证的方法来划分训练集和测试集，避免模型过拟合。具体来说，我们将所有图像数据的80％作为训练集，剩余的20％作为测试集。

(4)评价指标

用准确率、精确度和F1值(F1-score)作为评价指标来衡量模型的性能。。

(5)混合模型的构建和训练

使用U型分割网络(U-Net)模型来构建云母检测模型，具体步骤如下。

定义卷积和最大池化编码器，编码器对输入图像进行下采样并提取其特征；定义卷积和上采样解码器，解码器对编码器的输出进行上采样，使其再次达到原始图像的大小。

选择交叉熵作为损失函数，并采用梯度下降方法进行优化。

使用已标注的云母图像数据及其对应的领域知识特征向量进行模型的训练。进行模型的训练。将输入数据和对应的标签输入模型，通过反向传播和梯度下降，不断更新模型的权重参数。

完成训练后，保存训练得到的模型。

(6)使用模型进行检测

模型的输入为砂石料图像，输出为和输入图像大小相同的概率矩阵，概率矩阵中的每一个元素代表对应像素点是云母的概率。将概率矩阵转化为二值化的云母检测结果，得到云母在图像中的分布情况以及占据的像素数量。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。