基于彩色共生矩阵的再生混合细骨料分类识别方法

技术领域

本发明涉及建筑垃圾资源化处理技术领域，具体涉及一种基于彩色共生矩阵的再生混合细骨料分类识别方法。

背景技术

随着城市化进程加速发展，每年新建建筑和拆除旧建筑都会产生大量建筑垃圾。每年建筑垃圾中废弃混凝土约占40%以上，废砖也约占40 %以上，为了社会的可持续发展，建筑垃圾资源化再利用尤为关键。目前，建筑垃圾再生骨料可用作再生砖骨料混凝土、路基填料和路面基层、路面再生混凝土等骨料中的细骨料，为了控制再生砖骨料混凝土或路基、路面基层、路面再生混凝土的强度，需要控制骨料中再生混合骨料的取代率，对于再生细骨料（粒径不大于4.75mm），由于粒径小，再生细骨料中旧砂浆和再生砖骨料难于裸眼识别，由此造成工程中和实验室内都无法准确确定再生混合细骨料中旧砂浆和再生砖的混合比，影响了对混合细骨料的合理再利用。

发明内容

本发明克服了现有技术的不足，提出一种建筑垃圾再生混合细骨料（旧砂浆和再生粘土砖混合料）混合比图像分类识别方法。

为了达到上述目的，本发明是通过如下技术方案实现的。

基于彩色共生矩阵的再生混合细骨料混合比分类方法，包括以下步骤：

a）图像处理：对再生混合细骨料的图像进行处理，将其透视变换成正方形图像，所述再生混合细骨料由旧砂浆细骨料和再生粘土砖细骨料组成。

b）采用彩色共生矩阵的方法提取训练集和测试集的图像特征：将处理后得到的图像全部转换到HSV空间，并提取H、S、V三个色彩分量，得到的图像定义为伪灰度图像。

c）将得到的伪灰度图像随机分成两部分，一部分为训练集，另一部分为测试集；对训练集和测试集每张图像的H、S、V分别提取8个特征参数，所述的8个特征参数为二阶矩、对比度、相关性、逆差距、均值和、熵、和方差、差方差，得到每张图像的24维特征矩阵。

d）将每张图像的24维特征矩阵输入到BP神经网络与支持向量机（SVM）中进行识别，获取分类精度，并利用遗传算法、粒子群算法、网格搜索算法对分类结果进行优化。

e）从测试集中随机取出≥50%样本进行测试，测试其分类正确率≥85%，训练结束。

优选的，所述再生混合细骨料的制备过程为：采用再生旧砂浆和再生粘土砖，对其分别破碎，采用4.75mm和0.15mm筛，制备细骨料；然后使用筛分后的细骨料制备0.15mm~0.3mm，0.3mm~0.6mm，0.6mm~1.18mm，1.18mm~2.36mm和2.36mm~4.75mm五个粒级中的标准样品，分别取五个粒级中的任意单一粒径区间的再生旧砂浆样品和再生粘土砖样品，然后按一定体积比配置混合样品。

优选的，配置的混合样品中，再生旧砂浆样品和再生粘土砖样品的体积比为10:0、9:1、8:2、7:3、6:4、5:5、4:6、3:7、2:8、1:9和0:10。

优选的，再生混合细骨料图像的获取方式为：将再生混合细骨料的样品置于拍照箱体的中心；按照拍照箱体的顶板几何中心、几何中心到对角线连线中点共5个点位调焦拍照。

更优的，所述拍照箱体为一立方体或长方体，顶面和底面为正方形，拍照箱体的顶板设置有拍摄装置，所述拍照箱体内设置有光源。

优选的，再生混合细骨料的图像≥3000×3000 像素（ppi）。

优选的，所述图像处理是通过透视变换矩阵将不规则四边形的图像透视变换成正方形图像。

本发明相对于现有技术所产生的有益效果为：

本发明基于彩色共生矩阵和支持向量机的算法，得到了对混合细骨料中旧砂浆和再生粘土砖混合比的分类识别方法，对混合细骨料中旧砂浆和再生粘土砖混合比进行识别，解决了无法准确确定再生混合细骨料中旧砂浆和再生砖混合比的问题，提高了再生混合细骨料中成分混合比识别的准确性。

附图说明

图1为本发明所述分类识别方法的流程图。

图2为本发明所述拍照箱体的内部结构示意图。

图3为本发明所述拍照点位示意图。

图4为实施例1中构建数据集实验示例。

图中，1为侧板，2为底板，3为条形LED灯，4为透明薄板，5为样品，6为顶板，7为预留孔，8为拍照点位。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，结合实施例和附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下面结合实施例及附图详细说明本发明的技术方案，但保护范围不被此限制。

实施例1

本实施例提供一种基于彩色共生矩阵的再生混合细骨料分类识别方法，具体为以下步骤：

1、采用再生旧砂浆和再生粘土砖，对其分别破碎，采用4.75mm和0.15mm筛，制备细骨料。然后使用筛分后的细骨料制备0.15mm~0.3mm，0.3mm~0.6mm，0.6mm~1.18mm，1.18mm~2.36mm和2.36mm~4.75mm五个粒级中的任意一个粒径区间的标准样品，其中旧砂浆样品编号依次为C0.15、C0.30、C0.60、C1.18和C2.36，再生粘土砖颗粒样品编号依次为M0.15、M0.30、M0.60、M1.18和M2.36，然后分别再烘干。本实施例中采用0.3mm~0.6mm标准方孔筛对破碎后的颗粒筛分，分别制备旧砂浆样品C0.30和再生粘土砖样品M0.30，然后再烘干。

2、分别取再生旧砂浆样品C0.30和再生粘土砖样品M0.30，然后按体积比为10:0、9:1、8:2、…、1:9和0:10，共计11个比例配置混合样品，并混合均匀。

3、制备拍照箱体：箱体为立方体，内部空心，边长为25cm。包括：底板2、侧板1和顶板6，侧板1与底板2和顶板6可分离，侧板1相互连接为一体。侧板内侧粘贴白色反光布。底板2靠箱体内部一侧平铺绿色幕布，幕布上放置透明薄板4，透明薄板4为正方形平底蝶形，中部尺寸为10cm×10cm，四周侧边高于中心平板2mm。顶板6中心开圆形的预留孔7，预留孔7大小与照相机镜头外径相匹配，顶板6尺寸大于侧板1所为平面尺寸，并可水平移动。侧板1内侧靠近上边缘四边安装与底边平行的条形LED灯3，使4条LED灯在底部投射的光照亮度基本均匀。见图2和图3。

4、制备图像分类识别训练集与测试集

4.1样品拍照。把拍照箱体底板放置于平整工作台上，把透明薄板4置于底板中心，取一份制备好的混合样品，平铺于正方形透明板10cm×10cm中心区域，使样品分布均匀，然后依次放置侧板1，打开LED灯开关，盖上顶板6，并在顶板6的预留孔7中安装单反照相机，调试完毕后，按照顶板几何中心、几何中心到对角线连线中点共5个点位调焦拍照，每个点位拍摄3张，原始图像大小为4800×3600 ppi，每个混合比拍照为15张。每张照片按照下列规则编号，编号由三部分组成：体积混合比例-粒径区间-图像拍摄序号。如混合比例Vc：Vb =4:6，Vc和Vb分别表示再生旧砂浆和再生粘土砖的体积；粒径区间为0.30~0.60mm；图像拍摄序号第20号，就可以表示为：46-030-20。由此，依次变换Vc：Vb混合比例，从10:0变换至0:10，共拍摄165张图像。

4.2图像定位、裁剪和校正。取出4.1中拍摄的11类混合比中每一个图像进行连通区域的边界分析，裁切混合料的无关背景图，并经过透视变换矩阵，将原不规则四边形图像透视变换成正方形图像，图像像素不小于3000×3000ppi，见图4。具体是对图像进行连通区域的边界分析，得到连通区域内所有的边界坐标，质心坐标，然后绘制出各连通区域，接着利用正方形斜视后是一个平行四边形，即四个边界的中心点理论上是质心和混合物识别区域的像素个数较大的特点，挑选出符合这个特点的连通区域，即为混合物识别目标区域，最后将四个顶点的坐标在图像中标记出来并置于四个不同象限，接着将四个顶点和透视变换后的顶点一一对应，计算出透视变换矩阵，最后通过透视变换矩阵将不规则四边形透视变换成正方形。

4.3制作训练集与测试集。对4.2校正后的每一张图像，选择步长为200，将图像裁剪成300×300ppi的图片，这时数据集从165张扩充成了4620张，并对裁剪后的图像进行统一编号和归档，按7:3把扩充后的4620张图像划分为训练集（Training 030）和测试集（Testing 030）。

5、采用彩色共生矩阵的方法提取训练集和测试集的图像特征。

5.1将处理后得到的4620张图像转换到HSV空间，并提取H、S、V三个色彩分量，得到的图像定义为伪灰度图像。

5.2随机从训练集（Training 030）选择70%的图像，如取2270张伪灰度图像，此时n=2270，对选择的图像的H分量的伪灰度图像分别提取8个特征参数，分别为二阶矩、对比度。相关性、逆差距、均值和、熵、和方差和差方差，并用A、B、C、D、E、F、G、H代替，得到2270×8维的特征矩阵。

5.3对S、V色彩分量重复5.2步骤，这样依次就得到了再生混合细骨料图像三个色彩分量所对应的三个特征矩阵。将3个特征矩阵进行融合，得到了一个2270×24维的特征矩阵。

5.4把测试集（Testing 030）中的每一张图像，并按照5.2和5.3步骤分别提取每张图像的H、S、V三个色彩分量的8个特征参数，得到每张图像的特征矩阵。

6、图像识别训练

将5.2和5.3步骤中组成的24维特征向量输入到BP神经网络与SVM中进行识别，获取分类精度，并利用遗传算法（GA）、粒子群算法(PSO)、网格搜索算法(GS)对分类结果进行优化，识别流程图见图1。

7、从测试集Testing 030中随机取出不少于700张样本进行测试，测试其分类正确率，分类正确率90%，满足训练结束，此时，识别程序可以用于建筑垃圾再生混合细集料的识别分类了。

实例2

按照实例1中的方法分别制备了粒径区间为0.15~0.30mm、0.60~1.18mm、1.18~2.36mm和2.36~4.75mm的旧砂浆样品和再生粘土砖样品，依次按照实例1中步骤配置11个混合比，拍照，对图像定位、裁剪和校正，制作训练集和测试集，对训练集中的图像胶结性特征提取，然后进行图像识别训练，最后对粒径区间为0.15~0.30mm、0.60~1.18mm、1.18~2.36mm和2.36~4.75mm的混合细集料样品分别进行测试，测试后分类正确率依次为88.3%、94.2%、95.4%和97.1%，满足预期目标。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。