(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210894724.X (22)申请日 2022.07.26 (71)申请人 中交四航工程研究院有限公司 地址 510000 广东省广州市海珠区前进路 157号 申请人 广州港湾工程质量检测有限公司 (72)发明人 王婧　谢尧　胡君龙　王德咏　 刘志军　 (74)专利代理 机构 广州君咨知识产权代理有限 公司 44437 专利代理师 谭启斌 (51)Int.Cl. G01N 9/02(2006.01) G01N 33/42(2006.01) G06V 10/28(2022.01)G06V 10/44(2022.01) G06V 10/75(2022.01) (54)发明名称 一种数字图像方法判别干密度的试验方法 及服务器 (57)摘要 本发明公开了一种数字图像方法判别干密 度的试验方法及服务器， 所述方法包括以下步 骤： S1： 将足量的花岗岩残积土进行烘干以及筛 选， 再通过定容法制成若干数字图像建模试样； S2： 对数字图像建模试样进行图像采集以及图像 数字处理， 获取孔隙占比的判别参数以及孔隙像 素面积的判别参数， 建立数字判别模型； S3： 将试 验土料制成测试试样进行试验， 获得测试试样的 孔隙像素面积以及孔隙占比的判别参数， 再通过 数字判别模 型获取测试试样的干密度。 在本发明 中， 通过将数字图像处理与干密度试验建立精确 的数学关系， 从而实现间接测定干密度， 并在判 别干密度的试验方法上拓展了数字图像技术的 应用， 为推进土工试验技术进步提供了有效的探 索案例。 权利要求书3页 说明书9页 附图6页 CN 115165668 A 2022.10.11 CN 115165668 A 1.一种数字图像方法判别干密度的试验方法， 其特 征在于， 包括以下步骤： S1： 将足量的花岗岩残积土进行烘干以及筛选， 再通过定容法制 成若干数字图像建模 试样； S2： 对数字图像建模试样进行图像采集以及图像数字处理， 获取第 一判别参数， 并通过 第一判别参数建立数字判别模型， 其中第一判别参数包括关于数字图像建模试样的孔隙占 比的判别参数和孔隙像素面积的判别参数； S3： 将试验土料制成测试试样进行试验， 获得第 二判别参数， 再结合第 二判别参数和数 字判别模型获取测试 试样的干密度。 2.如权利要求1所述的数字图像方法判别干密度的试验方法， 其特征在于， 所述S1具体 由以下步骤实现： S11： 将足量的花岗岩残积土烘干， 并过10m m筛， 取筛后土料作为建模土料； S12： 通过定容法计算每份体积为A3、 含水量15％以及干密度为Tg/cm3的数字图像建模 试样所需的建模土料的重量； S13： 将每 份建模土料 逐层均匀填入容积为A2B的模具中， 静置240mi n， 其中B大于A； S14： 沿高度为B的方向对模具中的建模土料进行向下加压， 直至模具中的建模土料的 高度下降至A。 3.如权利要求2所述的数字 图像方法判别干密度的试验方法， 其特征在于： 所述T取值 为1.71、 1.72、 1.75、 1.7 7、 1.78和1.81。 4.如权利要求2所述的数字图像方法判别干密度的试验方法， 其特征在于， 所述S14具 体由以下步骤实现： S141： 通过应 变控制式压缩仪沿高度为B的方向 向下将模具中的建模土料 预压至平整； S142： 通过应变控制式压缩仪对模具中的建模土料进行向下加压， 直至模具中的建模 土料的高度下降至A， 并保持180mi n再卸载。 5.如权利要求1所述的数字图像方法判别干密度的试验方法， 其特征在于， 所述S2具体 由以下步骤实现： S21： 获取数字图像建模试样4个侧面的图像， 并裁剪出分析所需的区域， 调用 cv2.cvtColor 函数对图像进行灰度处理， 获得灰度图以及图像灰度值， 统计 分析灰度值， 获 得灰度值频率分布图， 其中， Gmax为灰度值频率曲线的峰值， G＝[Gmax ‑20,Gmax+20]为花岗 岩残积土背景 灰度值区间； S22： 选取Gmax ‑20作为孔隙的二值化阈值， 调用cv2.threshold函数将侧面的图像二值 化， 获得数字图像建模试样的孔隙像素的二 值图； S23： 调用cv2.Canny函数与cv2.Sobel函数依次对二值化 的图像中的孔隙轮廓进行识 别， 并对所识别的轮廓进行计算统计， 获得每个图像的孔隙占比的原始参数和孔隙像素面 积的原始参数， 再调用python ‑xlwt库导将每个图像的孔隙占比的原始参数和孔隙像素面 积的原始参数导入excel表中； S24： 统计excel表中每个数字图像建模试样的孔隙占比的原始参数的平均值和孔隙像 素面积的原始参数 的平均值， 生成孔隙占比的判别参数和 孔隙像素面积的判别参数， 再计 算孔隙占比的判别参数以及孔隙像素面积的判别参数的正则化平均值来建立数字判别模 型。权　利　要　求　书 1/3 页 2 CN 115165668 A 26.如权利要求5所述的数字图像方法判别干密度的试验方法， 其特征在于， 所述S24具 体由以下步骤实现： S241： 在excel表中获取每个数字图像建模试样的孔隙占比的原始参数的平均值和孔 隙像素面积的原始参数 的平均值， 生成孔隙占比的判别参数和孔隙像素面积的判别参数， 再计算孔隙占比的判别参数以及孔隙像素面积的判别参数的正则化平均值； S242： 将孔隙占比的判别参数以及孔隙像素面积的判别参数的正则化平均值与干密度 进行线性拟合分析， 获得孔隙总面积与干密度的线性拟合相关系数和孔隙占比与干密度的 线性拟合相关系数， 再通过公式： 和 获得孔隙像素面积的权 重占比和孔隙占比的权重占比， 式中R12为孔隙总面积与干密度的线性拟合相关系数， R22为 孔隙占比与干密度的线性拟合相关系数， δ1为孔隙像素面积的权重占比， δ2为孔隙占比的权 重占比； S243： 通过公式： R＝δ1×Si×δ2×Pi， 获得干密度判别系数， 将干密度判别系数和与干密 度进行线性拟合分析， 得到数字判别 模型： ρd＝aR+b， 式中： R为干密度判别系数， Si为第i个 数字图像建模试样的孔 隙总面积正则化平均值， Pi为第i个数字图像建模试样的孔隙占比 正则化平均值， ρd为干密度， a和b为拟合 参数。 7.如权利要求6所述的数字图像方法判别干密度的试验方法， 其特征在于， 所述S3具体 由以下步骤实现： S31： 将待测花岗岩残积土烘干， 并过10m m筛， 取筛后土料作为试验土料； S32： 取预设重量的试验土料， 配置含水量15％， 逐层均匀填入容器中， 静置240min， 预 压至平整， 再将容器中的试验土料进 行向下加压至预设高度， 并保持180 min再卸载， 形成数 字图像测试 试样； S33： 获取数字图像测试试样4个侧面的图像， 并裁剪出分析所需的区域， 调用 cv2.cvtColor 函数对图像进行灰度处理， 获得灰度图以及图像灰度值， 统计 分析灰度值， 获 得灰度值频率分布图， 获得灰度值频率曲线的峰值Gmax和花岗岩残积土背景灰度值区间G ＝[Gmax‑20,Gmax+20]， 再选 取Gmax‑20作为孔隙的二值化阈值， 调用cv2.t hreshold函数将 侧面的图像二值化， 获得数字图像测试试样的孔隙像素的二值图， 调用cv2.Canny函数与 cv2.Sobel函数依次对二值化的图像中的孔隙轮廓进行识别， 并对所识别的轮廓进行计算 统计， 获得每个图像的孔隙占比的原始参数和孔隙像素面积的原始参数， 再调用python ‑ xlwt库导将每 个图像的孔隙占比的原 始参数和孔隙像素面积的原 始参数导入excel表中； S34： 统计excel表中每个数字图像测试试样的孔隙占比的原始参数的平均值和孔隙像 素面积的原始参数 的平均值， 生成孔隙占比的判别参数和 孔隙像素面积的判别参数， 并计 算孔隙占比的判别参数以及孔隙像素面积的判别参数的正则化平均值， 通过公式： R＝δ1× Si×δ2×Pi， 获得干密度判别系数， 再通过数字判别模型： ρd＝aR+b获得数字图像测试试样 的干密度， 式中： R为干密度判别系数， Si为孔隙总面积正则化平均值， Pi为孔隙占比正则化 平均值， ρd为干密度， a和b为拟合 参数。 8.一种数字图像方法判别干密度的试验服 务器， 其特 征在于： 包括储 存器和处 理器； 储存器， 用于储 存程序指令； 处理器， 用于运行所述程序指令， 以执行如权利要求1 ‑7任意一项所述的数字图像方法权　利　要　求　书 2/3 页 3 CN 115165668 A 3