基于机器学习的堆叠矿料粒度分布与其表层粒度分布关联与预测方法研究

The quality of aggregate gradation has a very significant impact on the pavement performance, and the 3D machine vision system can provide real-time automatic detection for the aggregate gradation. However, because of the correlation and impact mechanism of the stacked ore material particle size distribution and its surface particle size distribution was not studied clearly, the current particle size characterization method has lower accuracy and is not stable when the particles distribution measurement system is influenced by the particles segregation and particles overlap. To solve the problem, firstly, in order to take a quantitative description for the 3D particles, a new 3D particles size measurement algorithm will be proposed. Secondly, for the overlapped surface particles of the stacked ore material, a kind of overlapped particles segmentation method will be proposed and the surface particles probability model will be established. Lastly, by combining the surface particles probability model and the multi-scale dates of the surface particles, a kind of particle size distribution prediction model based on machine learning technique will be developed. In this project, for the stacked ore material, a particle size distribution method with high precision and robustness will be established, and also the findings will provide a good theoretical base and technological support for the aggregates gradation automatic analysis.

矿料级配质量是影响路面性能最重要的因素，而光学三维手段能够提供矿料级配质量实时、自动的检测。然而堆叠矿料在颗粒偏析、颗粒重叠粘连等因素的影响下，由于对堆叠矿料粒度分布与其表层粒度分布的关联和影响机制不明确，使得当前颗粒粒度分布表征方法存在精度较低且不稳定等问题，亟需进一步研究。本项目拟首先针对矿料颗粒三维特征，提出颗粒的三维表征模型，以实现颗粒特性的精确定量表征；然后针对堆叠矿料表面层粘连颗粒，提出颗粒图像分割算法，并建立表面层颗粒概率模型；最后通过提取表面层颗粒多尺度数据，并结合表面层颗粒概率模型，建立堆叠矿料粒度分布预测模型。通过本项目的研究，实现堆叠颗粒高精度、高鲁棒性的粒度分布表征，其研究成果可以为矿料级配自动分析领域提供较好的理论基础和技术支撑。

交通运输业是国民经济快速持续发展的基础，随着我国综合国力的增强，公路交通事业取得了很大的进展。但和发达国家相比，我国公路建设起步晚,高速公路沥青路面容易出现早期破坏和耐久性不足等问题。究其原因，除了管理、施工等因素外，对矿料的粒度、形态特征等质量指标的关注不够也是一个非常重要的因素。而光学图像测量方法可以实现矿质混合料质量的无损、快速自动检测。.基于激光三角测量和结构光三维相机，构建了集料颗粒形态采集系统，实现了集料颗粒三维点云数据和深度数据的采集和数据处理。针对集料颗粒的堆叠和离散状态，提出了基于边缘模型的深度分水岭算法，该方法可以有效解决颗粒分割中的过分割问题。针对激光三角视觉系统中的遮挡而引起的数据丢失问题，提出了一种边缘融合的颗粒轮廓检测方法，该方法可以有效补全被检测颗粒的丢失边缘信息。针对传统的单粒径表征不能有效实现集料颗粒不同档颗粒分类的问题，提出了基于有监督机器学习算法实现颗粒筛分档预测的方法，实验结果表明，基于高斯分布的分类器在不同类型的子数据集上达到最好分类性能，在包含有三维特征的数据集上准确率最高可达95.06%，高于单粒径表征特征的分类性能。针对严重堆叠集料颗粒棱角表征问题，提出了一种基于虚拟切割的三维棱角表征方法，实验结果表明虚拟切割法在棱角表征上具有较强的准确性和鲁棒性，可用于堆叠集料棱角表征。.本项目基于集料颗粒三维点云数据，提出了三维集料分割、相机遮挡下集料颗粒边缘补全、颗粒筛分档预测及虚拟切割三维棱角表征等算法，有效解决了现有方法中的不足，为集料颗粒质量智能检测奠定理论和技术基础。