一种基于图像识别与人工神经网络的打磨后再生骨料颗粒强度评价方法与流程

本发明涉及建筑工程的，尤其涉及一种基于图像识别与人工神经网络的打磨后再生骨料颗粒强度评价方法。

背景技术：

1、现阶段部分建设项目包含既有建筑改建与拆迁工作，现场大量废弃混凝土运输效率低下，导致现场材料运输困难，给施工带来了诸多不便。再生骨料是指将废弃的混凝土块经过破碎、清洗、分级后，按一定比例与级配混合，部分或全部代替砂石等天然集料(主要是粗集料)，再次投入施工现场使用，解决施工现场建筑垃圾占用场地的问题，还能减少材料采购成本，有效助力施工进度的推进。

2、由于废弃混凝土来源复杂，并且破碎过程对再生骨料产生的损伤难以量化，所以施工现场现阶段尚无有效的方法对不同来源的再生骨料性能进行评估。造成施工现场技术人员为保险起见，多将再生骨料用于回填作业材料，强度较高的再生骨料颗粒强度未完全发挥工作效能。

技术实现思路

1、针对现有技术中的不足，本发明所要解决的技术问题是在于提供一种基于图像识别与人工神经网络的打磨后再生骨料颗粒强度评价方法，能够预测再生骨料颗粒性能，为施工现场再生骨料使用提供数值依据，避免低性能骨料用于对骨料要求较高的工艺产生质量问题，亦能避免高性能再生骨料用于回填等工艺，造成再生骨料性能浪费。

2、为了实现上述的目的，本发明采用以下技术措施：

3、一种基于图像识别与人工神经网络的打磨后再生骨料颗粒强度评价方法，包括以下步骤：

4、s1、将废弃混凝土块使用颚式破碎机进行破碎，得到再生骨料。

5、s2、将再生骨料放入电动筛网，将再生骨料按粒径分选。

6、s3、将分选后的再生骨料放入滚筒强制搅拌机，加入钢珠，再生骨料和钢珠的体积比为0.25：1，开启滚筒强制搅拌机，进行颗粒整形。

7、s4、颗粒整形15min-60min后，反转滚筒强制搅拌机将颗粒整形后的再生骨料卸料。

8、s5、20颗整形后的再生骨料放置于图像采集平台，对每颗骨料进行编号并拍摄再生骨料的正视图和俯视图。

9、s6、提取步骤s5中每颗再生骨料的正视图、俯视图的灰度共生特征值。

10、s7、随机从步骤s5中的再生骨料中选择14颗再生骨料作为训练组，另外6颗作为测试组。

11、s8、对训练组再生骨料颗粒进行无侧限平板压缩试验，获取训练组再生骨料颗粒无侧限抗压强度。

12、s9、以训练组的每颗骨料粒径区间中值、颗粒整形时间、再生骨料的正视图的灰度共生特征值、再生骨料俯视图的灰度共生特征值作为输入层，训练组的每颗骨料无侧限抗压强度作为输出层，设置隐藏层数量为10-15个，建立混合算法优化神经网络模型，并进行神经网络权值迭代。

13、s10、将测试组的每颗骨料粒径区间中值、颗粒整形时间、再生骨料的正视图的灰度共生特征值、再生骨料俯视图的灰度共生特征值作为输入层，带入步骤s9中训练完成的混合算法优化神经网络模型中，得到测试组的每颗骨料颗粒强度评估值。

14、s11、对测试组再生骨料颗粒进行无侧限平板压缩试验，获取测试组再生骨料颗粒无侧限抗压强度。

15、s12、计算测试组的每颗骨料颗粒强度评估值与测试组再生骨料颗粒无侧限抗压强度之间误差百分比均值，若误差百分比均值大于90％则判断混合优化算法神经网络模型强度预测有效，若小于等于90％则返回步骤s9，重新进行神经网络权值迭代。

16、s13、提取其余同批次再生骨料的正视图的灰度共生特征值、再生骨料俯视图的灰度共生特征值，并带入混合算法优化神经网络模型中，获取每颗骨料强度评估值，并根据施工现场使用需求，以强度评估值为指标，进行再生骨料筛选。

17、优选的，步骤s6中的提取每颗再生骨料的正视图、俯视图的灰度共生特征值，包括以下步骤：

18、p1、平铺满反光绒布，保证摄像头与骨料平行，拍摄反光绒布上的再生骨料图像。

19、p2、定义图像分块的边长为b，将再生骨料图像分为若干个边长为b的正方形分块，保证每个分块图像内只有一颗再生骨料。

20、p3、读取每个分块图像的每个红色通道、绿色通道、蓝色通道的数值，并按照0.2989、0.5870、0.1140的权值，求取分块图像各像素灰度值。

21、p4、将各分块图像中灰度值小于102的像素点灰度值更新为1，灰度值大于102的像素点灰度值更新为0，完成单颗粒分块图像灰度二值化。

22、p5、统计各分块图像灰度二值化结果中的如下参数：

23、(1)水平方向相邻的0-1像素对个数t1；

24、(2)45°方向相邻的0-1像素对个数t2；

25、(3)90°方向相邻的0-1像素对个数t3；

26、(4)135°方向相邻的0-1像素对个数t4；

27、(5)水平方向间隔1像素的0-1像素对个数t5；

28、(6)45°方向间隔1像素的0-1像素对个数t6；

29、(7)90°方向间隔1像素的0-1像素对个数t7；

30、(8)135°方向间隔1像素的0-1像素对个数t8。

31、p6、计算相邻、间隔1像素时各方向灰度共生矩阵的角二阶距、主对角线惯性矩、元素相似程度、熵，计算方法如下所示：

32、a＝∑p(i，j)2

33、c＝∑(i-j)2p(i，j)

34、

35、e＝-∑p(i，j)log p(i，j)

36、其中，a为角二阶矩，c为主对角线惯性矩，c0为元素相似程度，e为熵，i，j为像素点二值化灰度值，p(i，j)为像素对概率，μ为二值化灰度方差，σ为二值化梯度均值。

37、p7、以不同方向相邻0-1像素对个数角二阶距、主对角线惯性矩、元素相似程度、熵为前四分量，以不同方向间隔1像素0-1像素对个数角二阶距、主对角线惯性矩、元素相似程度、熵为后四分量，构建8分量再生骨料图像灰度共生特征向量，向量中各分量即为再生骨料图像的灰度共生特征值。

38、进一步的，步骤s9中的建立混合算法优化神经网络，并进行神经网络权值迭代，包括以下步骤：

39、a1、建立遗传-蚁群混合算法神经网络初值寻优求解空间，该空间维数为神经网络输入层-隐含层权值个数dim1、输入层-隐含层偏置个数dim2、隐含层-输出层权值个数dim3、隐含层-输出层偏置个数dim4的总和dimsum。

40、a2、定义索解蚁群个数antnum和最大遗传代数gmax。

41、a3、将索解蚁群随机分布到寻优求解空间内，获取每个索解蚁群在寻优求解空间内的位置，并以一个维数为dimsum的蚁群位置特征向量表示。

42、a4、以训练组的每颗再生骨料颗粒整形时间、再生骨料的正视图的灰度共生特征值、再生骨料俯视图的灰度共生特征值作为输入层，训练组的每颗骨料无侧限抗压强度作为输出层，设置隐藏层数量为10-15个。

43、a5、以各蚁群位置特征向量前dim1(神经网络输入层-隐含层权值个数)个分量作为神经网络输入层-隐含层权值初始值，蚁群位置特征向量第dim1+1到第dim1+dim2分量为输入层-隐含层偏置初始值，蚁群位置特征向量第dim1+dim2+1到第dim1+dim2+dim3分量为隐含层-输出层权值初始值，以第dim1+dim2+dim3+1到dim1+dim2+dim3+dim4分量为隐含层-输出层偏置初始值，使用梯度下降法进行神经网络训练，每只索解蚂蚁位置对应不同初始值，共需训练antnum(索解蚁群个数)个神经网络。

44、a6、将测试组的每颗再生骨料颗粒整形时间、再生骨料的正视图的灰度共生特征值、再生骨料俯视图的灰度共生特征值作为输入层，带入步骤a5中训练完成的神经网络模型中，获取测试组的每颗骨料无侧限抗压强度预测值，使用实际值与预测值之间差值的绝对值除以实际值，得到每只索解蚂蚁对应的神经网络预测准确度。

45、a7、定义索解蚂蚁遗传适应度，其数值与每只索解蚂蚁对应的神经网络预测准确度相等，并按照适应度大小对索解蚁群排序。

46、a8、进行蚁群杂交，选取数量为蚁群总体80％，适应度较低的索解蚂蚁进行杂交。

47、a9、随机选取数量为蚁群总体20％的索解蚂蚁，进行蚁群遗传变异。

48、a10、根据索解蚂蚁适应度大小，进行蚁群移动计算，记录第一代蚁群位置与第一代最佳个体适应度。

49、a11、基于第一代蚁群位置，重复进行索解蚁群杂交-变异-移动，直至达到最大遗传代数gmax。

50、a12、以第gmax(最大遗传代数)代蚁群中最佳个体位置对应的参数作为bp神经网络初始权值与偏置，使用梯度下降法进行神经网络训练。

51、进一步的，步骤a8中的蚁群杂交，具体步骤为：

52、h1、获取步骤a8中的索解蚁群适应度排序后80％的寻优蚂蚁，按照适应度排序对需要杂交的蚂蚁进行编号。

53、h2、进行第i只索解蚂蚁杂交计算，在1与杂交蚁群索解蚂蚁总数之间随机取两个不相等的整数，分别记为hrand1、hrand2。

54、h3、在0与1之间取随机数，作为杂交概率hp。

55、h4、将编号为hrand1的索解蚂蚁位置特征向量各分量乘以杂交概率hp，将编号为hrand2的索解蚂蚁位置特征向量各分量乘以(1-hp)，并将两者求和，得到杂交后子代索解蚂蚁位置特征向量。

56、h5、对比第i只索解蚂蚁与杂交后子代索解蚂蚁适应度大小，若杂交后子代适应度大于第i只索解蚂蚁，则使用杂交后子代索解蚂蚁替代第i只索解蚂蚁，若杂交后子代适应度小于等于第i只索解蚂蚁，则保持不变。

57、h6、重复进行步骤h2到h6，直至步骤h1中的索解蚁群适应度排序后80％的寻优蚂蚁均完成杂交计算。

58、进一步的，步骤a9中的蚁群遗传变异，具体步骤为：

59、v1、定义变异概率mp，随机在索解蚁群内选取百分之变异概率mp的索解蚂蚁进行变异计算，并对进行变异计算的索解蚂蚁按适应度大小进行编号。

60、v2、进行第i只索解蚂蚁杂交计算，在1与变异索解蚂蚁总数之间随机取一个整数，记为vrand1。

61、v3、将编号为vrand1的索解蚂蚁位置特征向量各分量乘以1加0.5倍nrand的和，得到变异后子代索解蚂蚁位置特征向量，其中nrand为服从正态分布的伪随机数。

62、v4、对比第i只索解蚂蚁与变异后子代索解蚂蚁适应度大小，若变异后子代适应度大于第i只索解蚂蚁，则使用变异后子代索解蚂蚁替代第i只索解蚂蚁，若变异后子代适应度小于等于第i只索解蚂蚁，则保持不变。

63、v5、重复进行步骤v2到v4，直至步骤v1中的百分之变异概率mp的索解蚂蚁均完成变异计算。

64、进一步的，步骤a11中的蚁群移动，具体步骤为：

65、r1、定义移动边界，上界记为tbmax，下界记为tbmin，蚁群移动过程中各分量大小不得超多上界，不得小于下界。

66、r2、定义蚁群转移基础常数tstrd，统计杂交变异后索解蚁群内各蚂蚁适应度，获取当前遗传代数geng蚁群最佳适应度个体，并定义蚁群移动概率，计算方法为：第i只蚂蚁蚁群移动概率＝(最佳适应度-第i只索解蚂蚁适应度)/(最佳适应度)。

67、r3、当索解蚂蚁蚁群移动概率大于蚁群转移基础常数tstrd时，判断索解蚂蚁需进行大范围移动至最优解，此时索解蚂蚁位置特征向量各分量都需加全局索解变化量，全局索解变化量计算方法为移动边界上界tbmax和下界tbmin的差值乘以0到1之间的随机数后减0.5。当索解蚂蚁蚁群移动概率小于蚁群转移基础常数tstrd时，判断索解蚂蚁需进行小范围移动至最优解，此时索解蚂蚁位置特征向量各分量都需加局部索解变化量，局部索解变化量计算方法为0到2之间随机数减1的差除以索解蚁群遗传代数。

68、r4、按照步骤r3的方法计算索解蚁群移动后索解蚂蚁位置特征向量，计算移动后各索解蚂蚁适应度，若移动后适应度大于移动前，则将移动后位置记为该索解蚂蚁在索解空间中的位置，若移动后适应度小于移动前，则保持索解蚂蚁原位置不变，完成蚁群移动计算。

69、由上，与现有传统的方法相比，本发明的基于图像识别与人工神经网络的打磨后再生骨料颗粒强度评价方法的有益效果和优点在于：

70、1、根据需要对同批次再生骨料进行少量取样，进行破坏性试验，即可预测该批次再生骨料颗粒性能，为施工现场再生骨料使用提供数值依据，避免低性能骨料用于对骨料要求较高的工艺产生质量问题，亦能避免高性能再生骨料用于回填等工艺，造成再生骨料性能浪费。

71、2、通过采集再生骨料正视、俯视图像特征，即可高精度估算其颗粒强度，避免进行三维重构进行数值分析，计算速度快，对计算机硬件要求小，可满足施工现场生产需求。

72、3、采用遗传算法与蚁群算法对bp神经网络迭代计算初值进行优化，能有效避免再生骨料样本较少时神经网络预测精度不足，并且能有效解决求解过程中陷入局部极值导致预测失效的问题。