[發(fā)明專利]一種基于廣義回歸神經(jīng)網(wǎng)絡的瀝青路面構(gòu)造深度計算方法

有效

• 申請?zhí)枺?/td>: 201910059293.3
• 申請日: 2019-01-22
• 公開（公告）號: CN109584286B
• 公開（公告）日: 2023-03-21
• 發(fā)明（設計）人: 顧興宇;梁槚;鄧涵宇
• 申請（專利權(quán)）人: 東南大學
• 主分類號: G06T7/50
• 分類號: G06T7/50;G06T7/11;G06T7/136;G01N21/88
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 葉倩

1.一種基于廣義回歸神經(jīng)網(wǎng)絡的瀝青路面構(gòu)造深度計算方法，其特征在于，包括以下步驟：

S1，試件選取及圖像采集：選取試件并采集試件表面的二維圖像；

S2，鋪砂后試件圖像獲取：在步驟S1選取的試件表面進行人工鋪砂試驗，計算出該類試件表面紋理構(gòu)造深度，然后采集鋪砂后的試件表面二維鋪砂圖像；

S3，試件圖像基準面確定：采用數(shù)字圖像處理技術(shù)對步驟S2獲取的二維鋪砂圖像進行預處理，采用迭代式閾值分割技術(shù)分割二維鋪砂圖像，將灰度圖像轉(zhuǎn)化為二值圖像，計算黑色像素個數(shù)在二值圖像中的百分比p，根據(jù)百分比p確定試件圖像的基準面；步驟S3進一步包括：

S31，采用3×3的濾波模板，用濾波器中心與需濾波的像素點重合，將鄰域內(nèi)灰度值從小到大排列，即a₁,a₂,a₃,a₄,a₅,a₆,a₇,a₈,a₉，a_m表示鄰域內(nèi)像素的灰度均值；

S32，判斷濾波器中心處像素灰度值，若中心點灰度值為a₁或a₉，則把濾波器的中值a₅作為濾波點的灰度值；若中心點灰度值在區(qū)間(a₁,a_m)內(nèi)，則判斷該像素不是噪聲點，不對其進行濾波處理；若中心點灰度值在區(qū)間[a_m,a₉)內(nèi)，則判斷為高斯噪聲點，把a₃～a₇的平均值作為濾波點的灰度值；

S33,待濾波模板對所有像素重復步驟S31及S32后，圖像濾波結(jié)束，輸出濾波后的圖像；

S34，對濾波后的鋪砂圖像選取閾值進行圖像分割，閾值的選取采用迭代式閾值分割法，輸出二值圖像并計算二值圖像中“黑色像素”個數(shù)與圖像總個數(shù)的百分比p；

S35，根據(jù)步驟S34計算出的百分比p，反算出“黑色像素”的個數(shù)M，根據(jù)濾波后的試件圖像的灰度直方圖統(tǒng)計大于灰度值Z₀的不同灰度值的累計值N，M＝N時的Z₀即為試件圖像的分割閾值，即路面紋理三維模型的基準面；

S4，試件圖像平均高程計算：試件圖像矩陣信息構(gòu)成路面紋理三維模型，步驟S3獲取的基準面將路面紋理三維模型分為上下兩部分，計算兩部分三維模型與基準面所圍的體積，體積與路面紋理三維模型的在水平面的投影面積之比即為相應部分的平均高程，兩部分的平均高程和即為試件圖像的平均高程H_a；

S5，實際路面構(gòu)造深度預測：計算試件圖像灰度的平均值A，篩選經(jīng)步驟S4后獲取的最大值H_max及最小值H_min，建立廣義回歸神經(jīng)網(wǎng)絡模型，所述模型的輸入?yún)?shù)為路面圖像的平均高程H_a、最大值H_max、最小值H_min及圖像灰度的平均值A，輸出值即為相應路面的實際構(gòu)造深度。

2.根據(jù)權(quán)利要求1所述的一種基于廣義回歸神經(jīng)網(wǎng)絡的瀝青路面構(gòu)造深度計算方法，其特征在于：所述步驟S1中試件為瀝青混凝土質(zhì)地，至少包括5組，每組有三塊，每塊瀝青混凝土試件大小為300mm×300mm×50mm。

3.根據(jù)權(quán)利要求1所述的一種基于廣義回歸神經(jīng)網(wǎng)絡的瀝青路面構(gòu)造深度計算方法，其特征在于所述步驟S2中鋪砂后試件表面紋理構(gòu)造深度值計算方式為：

其中D為試件表面鋪砂面的直徑。