一种大尺寸岩石颗粒特征识别方法及装置

本发明涉及图像识别领域，具体而言，涉及一种大尺寸岩石颗粒特征识别方法及装置。

背景技术：

尺寸较大的岩石颗粒具有各种岩性，通常是花岗岩或石灰岩，也有部分是建筑和铺装拆除过程中所产生的混凝土碎石，广泛应用于土工和水利工程中，主要是用于保护海岸线、河床、桥台、桩基和其他海岸线结构。作为一种天然材料，堆石料的可靠性和可持续使用性需要在整个设计、生产、运输、安装、检查和维护阶段进行质量控制，而不同的采石工艺和矿物岩性给生产的集料质量带来了随机性。传统的手段需要将每块岩石的重量一一进行测量，该项工作费时耗力，而标准的筛分法无法用于获取这类较大粒径堆石料的几何尺寸和形状特征，目前主要方法是基于视觉测量或手工测量。因此，需要可靠的成像技术来轻松、快速地处理堆石料图像，以便进行进一步的分析处理。目前，基于成像的分析技术已经得到了广泛的发展，并通过图像分析技术来表征集料颗粒的粒度和几何形状特征。基于图像的室内分析方法主要集中于使用相机进行形状分析，相机附着在桌子大小的设备上，在上面放置一组准备好的颗粒进行照片获取。例如，集合成像系统(aims)使用由一个照相机和两个光源组成的装置；伊利诺伊大学的综合图像分析仪(e-uiaia)依靠安装在三个正交轴上的摄像机拍摄三维颗粒的三视图。这些方法生成的三维颗粒可能缺乏形状细节，如表面上的局部凹曲率；此外，这些设备通常是不便携带的，对于现场测量而言十分笨重。实验室成像设备主要用于岩石形状获取，而岩石几何参数分析系统如wipfrag已被开发用于获得现场的颗粒尺寸分布，但由于图像中颗粒的阴影和相互堆积重叠会影响图像的质量和精度，效果有限。因此，基于图像的集料颗粒密集堆积(或松散堆积)体的测量需要对堆积体进行图像分割，以确定单个颗粒的大小和形态特征。为了实现这一目标，迫切需要开发基于传统计算机视觉技术和/或新兴的深度学习技术的高效计算机视觉算法来快速获取大尺寸岩石堆集料的几何尺寸及形状特征。

现有技术中，通常采用两种方式进行大尺寸岩石特征的识别：

1、人工测量：对于大尺寸岩石颗粒几何尺寸和性质特征的测量，目前主要是依赖于视觉检查和手工测量，视觉检查很大程度上取决于从业人员的经验和专业知识。手工测量的方法通常需要使用某些测量工具或者关键颗粒和样本颗粒作为参考来辅助判断，质量的获取可以采用直接称量单个颗粒的方法，也可以在测量颗粒尺寸后进行尺寸-质量换算，目前通常采用的是从三个正交轴测量中间尺寸或周长，并基于长方体假设或平均球立方的方法估算体积，进而预估质量。然而，目测和手工测量提供的粗略估计不一定代表真实的岩石颗粒特征。

2、图像分析法wipfrag软件通常用于测定碎石颗粒的粒径大小，最终直接输出级配曲线，该软件可以得到精确度较低的结果。集料成像系统(aims)由一个安装在滑盖上的摄像机和两个光源组成，最大可以测量15mm的颗粒大小。伊利诺伊大学集料图像分析仪(e-uiaia)中的摄像头沿三个正交轴安装，用于获取三维颗粒的三视图(正视、俯视和侧视)，通过后处理得到每个颗粒的一组正交视图，最大粒径可达7.6厘米。3d激光的集料成像系统，扫描单个颗粒并分析生成的3d网格模型，最大可扫描的样本粒径为60m。imagej可以进行图像分割，然后利用excel计算每个颗粒的粒径大小，但其结果的精度也较低，主要是由于图像分割有较大的误差。基于由x射线ct图像构建的三维实体模型用于进行集料形状表征和体积估计。这些系统的设计大多依赖于实验室，它们可能不容易运输、组装和部署到现场应用中，特别是涉及到先进设备，如3d激光扫描仪或x射线ct扫描仪等。此外，大多数系统都有最大粒径限制，这限制了它们在大尺寸岩石颗粒处理方面的应用。这些系统的照明条件是通过使用背光或多个光源来控制的，旨在最小化阴影和反射效果。此外，最初为实验室条件开发的图像滤波算法在野外光照条件下也可能存在准确性方面的困难。因此，实验室成像系统不能直接适用于现场检查。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种大尺寸岩石颗粒特征识别方法及装置，以解决现有技术中人工测量和图像分析法对大尺寸岩石的分析不够准确和高效的技术问题。

根据本发明实施例的一个方面，提供了一种大尺寸岩石颗粒特征识别方法，包括：获取岩石图像数据；根据所述岩石图像数据，生成预设分割算法；根据所述预设分割算法，对所述岩石图像数据进行识别，得到岩石几何参数特征；将所述岩石几何参数特征进行输出。

可选的，在所述获取岩石图像数据之后，所述方法还包括：获取环境数据。

可选的，所述岩石图像数据为通过多个图像获取终端获取到的图像数据。

可选的，在所述将所述岩石几何参数特征进行输出之后，所述方法还包括：将所述预设分割算法集成到带有用户界面的应用端。

根据本发明实施例的另一方面，还提供了一种大尺寸岩石颗粒特征识别装置，包括：获取模块，用于获取岩石图像数据；生成模块，用于根据所述岩石图像数据，生成预设分割算法；识别模块，用于根据所述预设分割算法，对所述岩石图像数据进行识别，得到岩石几何参数特征；输出模块，用于将所述岩石几何参数特征进行输出。

可选的，所述装置还包括：获取模块，还用于获取环境数据。

可选的，所述岩石图像数据为通过多个图像获取终端获取到的图像数据。

可选的，所述装置还包括：集成模块，用于将所述预设分割算法集成到带有用户界面的应用端。

根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种大尺寸岩石颗粒特征识别方法。

根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种大尺寸岩石颗粒特征识别方法。

在本发明实施例中，采用获取岩石图像数据；根据所述岩石图像数据，生成预设分割算法；根据所述预设分割算法，对所述岩石图像数据进行识别，得到岩石几何参数特征；将所述岩石几何参数特征进行输出的方式，解决了现有技术中人工测量和图像分析法对大尺寸岩石的分析不够准确和高效的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种大尺寸岩石颗粒特征识别方法的流程图；

图2是根据本发明实施例的一种大尺寸岩石颗粒特征识别装置的结构框图；

图3是根据本发明实施例的拍摄装置示意图；

图4是根据本发明实施例的分割效果图；

其中，图4(a)分离颗粒，(b)接触或重叠颗粒，(c)密集堆叠颗粒的原始图像。(d)分离颗粒，(e)接触或重叠颗粒，(f)密集堆叠粒子的颗粒分割图像。(g)分离颗粒，(h)接触或重叠颗粒，(i)密集堆叠粒子的颗粒分割图像。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种大尺寸岩石颗粒特征识别方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

图1是根据本发明实施例的一种大尺寸岩石颗粒特征识别方法的流程图，如图1所示，该方法包括如下步骤：

步骤s102，获取岩石图像数据。

具体的，针对单个单颗粒岩石样本，本发明实施例为了分析大尺寸岩石数据，首先需要获取相应的大尺寸岩石样本图像数据，并根据获得到的岩石图像数据来进行进一步的加工、分析和处理。

可选的，在所述获取岩石图像数据之后，所述方法还包括：获取环境数据。

具体的，在获取到了岩石的图像数据之后，通过增加环境数据因素来使图像识别和分析更加准确，还可以获取环境数据，其中，环境数据包括天气数据、光线数据等，获取环境数据的方式可以是通过图像采集设备对周围环境进行采集并输出，也可以通过远程服务器数据调用，确定当时当地的天气等环境数据。

可选的，所述岩石图像数据为通过多个图像获取终端获取到的图像数据。

具体的，如图3所示，图像获取设备由五个主要部分组成：三部智能手机、高分辨率摄像头和远程快门控制、三根1.52米长的铜管，铜管由较短的管道用接头拼接而成，确保其可以很容易地组装和拆卸，更适应现场使用、一个10公斤天井伞基座作为铜管的锚碇、三个1.52米×1.52米)的蓝色窗帘作为背景和底面、三个相机三脚架，用于将智能手机固定在顶部/前部/侧面。其中一个三脚架设计了一个悬臂，可以保证岩石的顶部能够被较为清楚的拍摄到。在设备调试完成后，从不同的观察角度拍摄了不同大小的岩石照片，构成数据库。每次拍摄完成后，将颗粒随机旋转一个角度，使每个颗粒都至少被重复拍摄三次。重复旋转测试的目的是检查成像过程的适用性，进一步研究从不同角度观察单个岩石所产生的变化。尺寸(和形状)测量的准确性通过与人工测量单个抛石岩石的尺寸和重量对比来检验。

步骤s104，根据所述岩石图像数据，生成预设分割算法。

步骤s106，根据所述预设分割算法，对所述岩石图像数据进行识别，得到岩石几何参数特征。

基于多视图信息的图像分割算法，结合三维重建算法对物体的体积进行重构量化。

1)图像分割算法——基于颜色的目标检测图像分割算法：所提出的图像分割算法是基于颜色的目标检测图像分割算法，该算法包括颜色空间表示、前景背景对比度增强、自适应阈值和形态去噪三个部分。

a)颜色空间表示——ciel*a*b颜色空间：在cie的l*a*b*空间中，l*通道表示亮度或强度值，a*通道和b*通道分别跟踪绿到红、蓝到黄的过渡。ciel*a*b*空间可以通过将有用的信息分离到其a*和b*通道中，很好地消除阴影效应。根据对象颜色和背景颜色的不同，有用的对象信息可以在a*通道、b*通道或两者中积累。

b)前景背景对比度增强：首先得到a*通道和b*通道的像素直方图，通过像素直方图获得像素累积分布函数。

通过颜色距离实现前景和背景的对比度增强，像素灰度强度表示以前景代表颜色为参考的颜色的距离大小，像素颜色越接近前景代表颜色，距离图中的颜色距离越小，强度越深，反之亦然。该方法助于更好地对比背景和前景，并进一步消除阴影效果。

c)自适应阈值和形态去噪

基于增强后的距离图，应用图像阈值化(即二值化)得到二值化图像，阈值设定算法既可以遵循一个固定的阈值，也可以遵循一个灵活的阈值，即自适应阈值设定方法。由于数字图像是按像素离散化的，通常二值图像中会包含大量的噪声像素，需要去噪来清除噪声像素以及沿目标边界的不连续点。对二值化图像进行了一系列形态学运算，包括图像侵蚀、膨胀、填充孔洞等。无法识别的物体，如设备或现场环境通常表现为更接近图像边界的区域也会被删除。

(2)三维体积重建算法——基于正交标定和体积校正的三维体积重建算法

a)最小二乘法正交标定

由于摄影测量误差需要进行正交标定。根据以下线性方程组，得到标准化的正交校正维数：

ax＝b

该线性系统解使残差项最小，即

a′ax*＝a′b

b)体积校正

被分割的物体的体积可以用“体素”来计算，即三维长方体像素。由岩石与标定球之间的体素比可得到重建体，但重建后对象的体积总是大于或者等于实际对象的体积。为校正其重建后偏大的体积，采用一个修正系数，经过大量的试验总结，该修正系数取为0.95.

c)分辨率校正

由于分割算法是基于前-背景对比的，检测到的边界会比实际物体边界稍微缩小。这种结果会导致基于分辨率的过高估计，这是由两个参数控制的。第一个参数为岩石与标定球的相对尺寸比，第二个参数为标定球的绝对像素占有率。采用如下修正系数方程：

经过大量试验后发现修正参数的取值一般为0.90。

步骤s108，将所述岩石几何参数特征进行输出。

具体的，在本发明实施例中，通过预设图像分割算法计算得到了岩石几何参数特征之后，即得到了本发明实施例希望得到的结果数值，那么可以将上述岩石几何参数特征进行输出至展示段或存储端，以便用户可以方便地进行查看和应用。

可选的，在所述将所述岩石几何参数特征进行输出之后，所述方法还包括：将所述预设分割算法集成到带有用户界面的应用端。

具体的，为了使得带有用户界面的应用端获得准确的预设分割算法，将本发明实施例中展示或输出的预设分割算法(算出岩石几何参数特征的算法)进行集成，即融合至相应的应用端，以便后续继续进行大尺寸岩石识别之用。

通过上述实施例，解决了现有技术中人工测量和图像分析法对大尺寸岩石的分析不够准确和高效的技术问题。

实施例二

图2是根据本发明实施例的一种大尺寸岩石颗粒特征识别装置的结构框图，如图2所示，该装置包括：

获取模块20，用于获取岩石图像数据。

具体的，针对单个单颗粒岩石样本，本发明实施例为了分析大尺寸岩石数据，首先需要获取相应的大尺寸岩石样本图像数据，并根据获得到的岩石图像数据来进行进一步的加工、分析和处理。

可选的，在所述获取岩石图像数据之后，所述方法还包括：获取环境数据。

具体的，在获取到了岩石的图像数据之后，为了通过增加环境数据因素来使图像识别和分析更加准确，还可以获取环境数据，其中，环境数据包括天气数据、光线数据等，获取环境数据的方式可以是通过图像采集设备对周围环境进行采集并输出，也可以通过远程服务器数据调用，确定当时当地的天气等环境数据。

可选的，所述岩石图像数据为通过多个图像获取终端获取到的图像数据。

具体的，如图3所示，图像获取设备由五个主要部分组成：三部智能手机、高分辨率摄像头和远程快门控制、三根1.52米长的铜管，铜管由较短的管道用接头拼接而成，确保其可以很容易地组装和拆卸，更适应现场使用、一个10公斤天井伞基座作为铜管的锚碇、三个1.52米×1.52米)的蓝色窗帘作为背景和底面、三个相机三脚架，用于将智能手机固定在顶部/前部/侧面。其中一个三脚架设计了一个悬臂，可以把证岩石的顶部被较为清楚的拍摄到。在设备调试完成后，从不同的观察角度拍摄了不同大小的岩石照片，构成数据库。每次拍摄完成后，将颗粒随机旋转一个角度，使每个颗粒都至少被重复拍摄三次。重复旋转测试的目的使检查成像过程的适用性，进一步研究从不同角度观察单个岩石所产生的变化。尺寸(和形状)测量的准确性通过与人工测量单个抛石岩石的尺寸和重量来检验。

生成模块22，用于根据所述岩石图像数据，生成预设分割算法。

识别模块24，用于根据所述预设分割算法，对所述岩石图像数据进行识别，得到岩石几何参数特征。

基于多视图信息的图像分割算法，结合三维重建算法对物体的体积进行重构量化。

1)图像分割算法——基于颜色的目标检测图像分割算法：所提出的图像分割算法是基于颜色的目标检测图像分割算法，该算法包括颜色空间表示、前景背景对比度增强、自适应阈值和形态去噪三个部分。

a)颜色空间表示——ciel*a*b颜色空间：在cie的l*a*b*空间中，l*通道表示亮度或强度值，a*通道和b*通道分别跟踪绿到红、蓝到黄的过渡。ciel*a*b*空间可以通过将有用的信息分离到其a*和b*通道中，很好地消除阴影效应。根据对象颜色和背景颜色的不同，有用的对象信息可以在a*通道、b*通道或两者中积累。

b)前景背景对比度增强：首先得到a*通道和b*通道的像素直方图，通过像素直方图获得像素累积分布函数。

通过颜色距离实现前景和背景的对比度增强，像素灰度强度表示以前景代表颜色为参考的颜色的距离大小，像素颜色越接近前景代表颜色，距离图中的颜色距离越小，强度越深，反之亦然。该方法助于更好地对比背景和前景，并进一步消除阴影效果。

c)自适应阈值和形态去噪

基于增强后的距离图，应用图像阈值化(即二值化)得到二值化图像，阈值设定算法既可以遵循一个固定的阈值，也可以遵循一个灵活的阈值，即自适应阈值设定方法。由于数字图像是按像素离散化的，通常二值图像中会包含大量的噪声像素，需要去噪来清除噪声像素以及沿目标边界的不连续点。对二值化图像进行了一系列形态学运算，包括图像侵蚀、膨胀、填充孔洞等。无法识别的物体，如设备或现场环境通常表现为更接近图像边界的区域也会被删除。

(2)三维体积重建算法——基于正交标定和体积校正的三维体积重建算法

a)最小二乘法正交标定

由于摄影测量误差需要进行正交标定。根据以下线性方程组，得到标准化的正交校正维数：

ax＝b

该线性系统解使残差项最小，即

b)体积校正

被分割的物体的体积可以用“体素”来计算，即三维长方体像素。由岩石与标定球之间的体素比可得到重建体，但重建后对象的体积总是大于或者等于实际对象的体积。为校正其重建后偏大的体积，采用一个修正系数，经过大量的试验总结，该修正系数取为0.95.

c)分辨率校正

由于分割算法是基于前-背景对比的，检测到的边界会比实际物体边界稍微缩小。这种结果会导致基于分辨率的过高估计，这是由两个参数控制的。第一个参数为岩石与标定球的相对尺寸比，第二个参数为标定球的绝对像素占有率。采用如下修正系数方程：

经过大量试验后发现修正参数的取值一般为0.90。

输出模块26，用于将所述岩石几何参数特征进行输出。

具体的，在本发明实施例中，通过预设图像分割算法计算得到了岩石几何参数特征之后，即得到了本发明实施例希望得到的结果数值，那么可以将上述岩石几何参数特征进行输出至展示段或存储端，以便用户可以方便地进行查看和应用。

可选的，在所述将所述岩石几何参数特征进行输出之后，所述方法还包括：将所述预设分割算法集成到带有用户界面的应用端。

具体的，为了使得带有用户界面的应用端获得准确的预设分割算法，将本发明实施例中展示或输出的预设分割算法(算出岩石几何参数特征的算法)进行集成，即融合至相应的应用端，以便后续继续进行大尺寸岩石识别之用。

根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种大尺寸岩石颗粒特征识别方法。

具体的，上述方法包括：获取岩石图像数据；根据所述岩石图像数据，生成预设分割算法；根据所述预设分割算法，对所述岩石图像数据进行识别，得到岩石几何参数特征；将所述岩石几何参数特征进行输出。

根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种大尺寸岩石颗粒特征识别方法。

具体的，上述方法包括：获取岩石图像数据；根据所述岩石图像数据，生成预设分割算法；根据所述预设分割算法，对所述岩石图像数据进行识别，得到岩石几何参数特征；将所述岩石几何参数特征进行输出。

通过上述实施例，解决了现有技术中人工测量和图像分析法对大尺寸岩石的分析不够准确和高效的技术问题。

实施例三

如图4所示，针对堆积岩石，即数目较多的岩石堆的识别，可以进行以下技术内容来实现实施例三：

步骤s301，现场成像：校准球通常用作标准参考对象，以方便估计体积/大小。校准球的使用有两种选择:1)在图像采集过程中，如果相机/智能手机的位置是固定的，则可以先捕获校准球，再捕获任何对象；2)当相机/智能手机的位置不断变化或可用设备数量有限时，应将校准球与每张图像中的对象一起捕获，以保持参考的一致性。第一种选择通常效率更高，但如果不能达到理想的条件，后者的用途更广泛。用校准球拍摄同一集料的多个视图，并将摄像机平行放置在集料的斜坡上。获取足够分辨率图像的相机要求是2400x3000或更高。大多数智能手机摄像头都会通过这一要求。集料图像是从与集料表面几乎垂直的方向拍摄的，集料图像是从靠近集料的位置拍摄的，因此大多数图像都充满了有用的岩石像素，而校准球(如果存在)在图像中不会显得太小。为了开发一种鲁棒算法，拍摄有和没有校准球的图像，是用于训练和分割的目的。对于所有带有校准球的图像，球的位置大约在图像的中心，从而使失真效果最小化。另外，本发明实施例选择了具有特殊颜色/纹理的岩石，因为它们有助于数据集的鲁棒性。

步骤s302，堆积体图像分割：(1)基于深度学习的流程，集料图像分割算法包含一个基于深度学习的图像分割模块和一个用于粒子形状表征的形态学分析模块。深度学习的流程包含准备、培训、分析三个部分。(2)构建岩石堆积图像标记数据集，其中，数据集包含来自于不同地区、不同岩性的集料，集料中颗粒包含有不同大小、颜色、纹理的颗粒；数据图像包括从不同视角拍摄的照片。针对整理的数据集，手动标记每一张图像中所有颗粒的位置及区域，使用vggimageannotator(via)可以简化手动标记的工作，进一步提高工作效率。这些被标记的区域被赋予“rock”标签，神经网络将搜索这个标签并定位图像中的每个粒子区域。

需要说明的是，上述实施例中的标记准则指的是：(1)多边形线应仔细近似粒子边界，且与真实形状偏差不大；(2)设法标记所有可识别的粒子，但肉眼无法清楚识别的极小粒子和在黑暗地区无法分辨的粒子除外；(3)对图像边界处不完整的粒子进行标记，使分割模型在图像中不同位置表现出一致的性能。

具体的，本发明实施例的神经网络构架：该算法采用maskr-cnn网络，图像分割任务包括目标检测步骤和语义分割步骤，因此，该网络由两个子网络组成，即用于目标检测的区域卷积神经网络(r-cnn)和用于语义分割的全卷积神经网络(fcn)。

a)r-cnn网络：该模型首先使用区域建议网络(rpn)生成大量感兴趣区域(roi)或区域建议，然后通过传统的基于cnn的特征提取网络将每个区域建议压缩成一个特征图，目标分类模型将特征图输入到线性支持向量机(svm)中，并使用非最大抑制来报告每个区域的目标分类和置信度。在置信度较高的位置，将重叠的边界盒合并为最终的边界盒，标记为检测对象。

b)fcn网络：进行语义分割目标检测后，需要进行语义分割，进一步提取每个边界框内的有效聚合像素，得到粒子的形状和边界。该网络是一种纯卷积层和池化层的网络，由卷积网络和对称反卷积网络组成。通过前向推理和后向传播机制，训练后的网络可以取任意大小的输入图像，输出指定类的局部目标区域。

步骤s3021，针对神经网络的训练：使用已标记的集料图像数据集，对上述神经网络进行训练。该过程包括前向传递和反向传播两个步骤，前向传递将输入图像输入到神经网络中，以分割图像的形式生成输出，反向传播步骤中，神经网络的模型参数将根据正向传递误差进行更新，实现神经网络自我调整或“学习”保证更加准确地处理分割任务。

步骤s303，颗粒形态分析算法：成功分割后，将每个属于不同聚合粒子的区域输入形态分析模块，计算每个颗粒的等效尺寸和长细比，并以直方图和累积分布的形式表示。使用的粒子的等效尺寸遵循等效球形直径(esd)的定义，该定义通常用于表征不规则形状物体的尺寸如下:

式中，a为不规则形状物体的测量面积。

在长细比(fer)计算中，用费雷特维数来测量颗粒沿指定方向的形状。费雷特维数，也称为卡尺直径，定义为两个平行平面之间的距离。长细比(fer)的计算需要找到费雷特维数的最大值和最小值。lmax为最大或最长的费特维数.首先通过在所有可能的方向上搜索粒子区域的最长截距来确定。然后，通过搜索沿正交于lmax方向的截距得到最小或最短的费特维数lmin。fer被定义为最大和最小维度之间的比率:

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。