一种基于机器视觉和深度学习的铁路路基填料再生方法

1.本发明涉及图像识别技术领域，特别涉及颗粒分类、填料识别技术领域，具体涉及一种基于机器视觉和深度学习的铁路路基填料再生方法。


背景技术：

2.随着城市建造的提速，建筑业得到了迅猛发展，但由此带来的建筑垃圾也与日俱增，建筑垃圾产量增加与处理设施建设滞后之间的矛盾日显突出，而将建筑垃圾资源化利用，不仅有利于节材减弃，而且对环境保护和资源再利用起到积极的作用。
3.建筑垃圾资源化利用的一个重要方面就是作为路基填料。现有的建筑垃圾中较多的成分都属于可以用于路基填料的材料，但是未经分拣的材料，质量参差不齐，甚至有的具有较多不利的工程性质，作为路基填料后，与天然的填料相比还是有很大的差别。因此，选择建筑垃圾作为路基填料时，需要对建筑垃圾进行准确地识别，将其中性能较好的再生填料识别出来。但目前建筑垃圾筛选多采用人工识别法，该方法耗时耗力、不够自动便捷，极大限制了建筑垃圾再次利用的应用前景。因此，亟需研发自动化的建筑垃圾填料识别方法。


技术实现要素：

4.为解决上述技术问题，本发明设计了一种基于机器视觉和深度学习的铁路路基填料再生方法，能自动、高效地识别建筑垃圾填料的类别并具有良好稳定性。
5.本发明采用如下技术方案：
6.一种基于机器视觉和深度学习的铁路路基填料再生方法，包括以下步骤：
7.a1、在进行填料组分图像分析之前，通过铁锤、破碎机等设备对现场建筑垃圾进行预处理，保证骨料的粒径在一定范围内，提升图像识别的精度；
8.a2、获取待识别建筑垃圾的图像数据，所述建筑垃圾的图像数据为对建筑垃圾进行图像拍摄并简单处理后得到的；
9.a3、搭建resnet网络模型，对resnet网络模型进行训练和测试，利用已完成训练和测试的resnet网络模型对标识不同再生骨料类别的图像数据进行分类处理；
10.a4、将分类处理后所述图像数据的分类特征信息确定为所述再生填料的识别结果。
11.作为优选，步骤a1中，对现场建筑垃圾进行预处理主要分3步:
12.b1、采用铁锤将建筑垃圾中粒径最大的砖块、混凝土块进行预破碎；
13.b2、将进行预破碎的建筑垃圾倒入破碎机中进行碾碎，得到粒径小于31.5mm的填料；
14.b3、将碾碎后建筑垃圾中的惰性材料吹干。
15.作为优选，步骤a2中，述待识别建筑垃圾的图像数据指的是采用的是自制的填料拍摄设备现场拍摄得到，拍摄时建筑垃圾的填料(再生骨料颗粒)放置于玻璃板上且正对相机镜头中心；步骤a3中的图像数据也是按照此方法获得；填料拍摄设备由5个组件构成：相
机及镜头、复制架、led灯、玻璃板、背景。其中相机和镜头的分辨率应高于3200万像素(8000
×
4000像素)，背景选用不同于再生骨料中常见颜色作为背景颜色，玻璃板为透明色，可衰减再生骨料在背景中产生的阴影程度。
16.作为优选，步骤a3中，已完成训练和测试的resnet网络模型由以下步骤获得：
17.c1、构建铁路路基再生填料组分图像分析数据集，此数据集的样本数量应尽可能多，至少保证20000张，并将其划分为训练集和测试集；
18.c2、搭建resnet网络模型，并在训练集的基础上进行超参数寻优，得到最优网络配置，最大化提升骨料识别性能；
19.c3、利用测试集验证优化后的resnet网络模型的分类能力，若不满足90％的测试精度要求，则调整后，返回训练集重新进行训练，直至满足测试精度。
20.作为优选，所述图像分析数据集为标签数据集，是通过对再生填料进行人工筛选得到，共划分为6个大类别及16个子类；所述铁路路基再生填料组分图像分析数据集的图像尺寸固定为256
×
256像素,小于该尺寸的颗粒保持不变，而较大的颗粒图像则缩放至该尺寸；所述铁路路基再生填料组分图像分析数据集按照4:1的比例划分为训练集和测试集。
21.作为优选，所述resnet网络模型的超参数寻优主要针对模型的dropout比率和初始学习率,通过在训练集上优化这两个指标，使得resnet网络模型的泛化能力最优。
22.作为优选，所述resnet网络模型使用完全预激活的经典resnet34网络的c-rn34体系结构，图片经在输入层后依次经过卷积层、下采样块、恒等块、全局平均池化层、全连接层、输出层。
23.作为优选，所述c-rn34体系结构使用了深度可分离卷积层；在下采样块和恒等块中，图片经过bn层归一化预处理(激活函数为relu)后输入到深度可分离卷积层，经过bn层的归一化处理有效改善了流经网络的梯度，可允许更大的学习率，大幅提高训练速度；所述深度可分离卷积层将一个完整的卷积运算分解为两步进行，分别为depthwise convolution(逐深度卷积)与pointwise convolution(逐点1*1卷积)，如图4所示。深度可分离卷积层的优势在于：随着要提取的属性越来越多，深度可分离卷积就能够节省更多的参数，使得深度可分离卷积相比于2d卷积的执行次数要少得多，模型运行中更加高效。
24.本发明的有益效果是：本发明方法解决了建筑垃圾填料再生中存在的耗时耗力、不够自动便捷的问题，在信息化的时代，利用深度学习算法和机器视觉方法进行图像分析，自动实时地获取再生填料组成，为建筑垃圾在铁路路基填料中的再生利用提供强有力的支撑，同时也对建筑垃圾回填路基工程的推广应用具有重要意义。基于试验现场建筑垃圾骨料识别的结果表明，该识别方法的准确率达到90.9％，可应用于建筑垃圾骨料物质组分的图像识别中，并服务于铁路路基填料的再生利用。同时对于其他同类型骨料、填料类型的识别具有通用性。
附图说明
25.图1为基于机器视觉和深度学习的铁路路基填料再生方法流程图；
26.图2为本方法中用于图像分析的深度学习模型架构；
27.图3为铁路路基再生填料组分图像分析数据集构建方法流程图；
28.图4为本方法采用的深度可分卷积层示意图；
29.图5a、图5b为实施例中本方法数据样本图片；
30.图6为实施例中本方法类别对比图片；
31.图7为实施例中本方法填料组分识别的结果图；
32.图8为本方法中现场未处理的建筑垃圾图；
33.图9为本方法中resnet网络搭建具体流程；
具体实施方式
34.下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：
35.实施例：如附图1所示，一种基于机器视觉和深度学习的铁路路基填料再生方法，包括以下步骤：
36.a1、在进行填料组分图像分析之前，通过铁锤、破碎机等设备对现场建筑垃圾进行预处理，保证骨料的粒径在一定范围内，提升图像识别的精度；
37.现场建筑垃圾如图8所示，该建筑垃圾为一栋试验室拆除后的建筑垃圾，由于可能含有大量的废弃混凝土块、砖块等固体成分，同时还可能含有其他的有害成分，例如电池、废弃药品等。对该现场建筑垃圾进行预处理主要分3步:1)采用铁锤将粒径最大的砖块、混凝土块进行预破碎；2)将进行预破碎的建筑垃圾倒入破碎机中进行碾碎，得到粒径小于31.5mm的填料，提升图像识别的精度；3)采用吹风机将建筑垃圾中破碎的惰性材料吹干。
38.a2、获取待识别建筑垃圾的图像数据(如图5a、图5b所示)；
39.在对现场建筑垃圾进行预处理后，采用自制的填料拍摄设备拍摄待识别建筑垃圾，得到11张待识别图像数据，拍摄时再生骨料颗粒放置于玻璃板上且正对相机镜头中心，所采用的背景为深蓝色。
40.a3、按照图9所示的方法搭建最终resnet网络模型，并利用已完成训练和测试的resnet网络模型对待识别的图像数据进行分类处理；其中，再生骨料具体划分为6个大类别及16个子类(如表1所示)，骨料的类别对比图片如图6所示；
41.表1：定义的再生骨料分类及其子类
42.43.首先，如图3所示，搭建图像识别模型训练图像数据集。为了建立数据集，共采样了约100kg的4～31.5mm再生填料，并根据6个大类别及16个子类类别进行了手动筛选，然后采用自制的填料拍摄设备进行拍摄，拍摄时再生骨料颗粒放置于玻璃板上且正对相机镜头中心，采用的背景为深蓝色。共计获得23000张实验图片(如图5a、图5b所示)，并将其作为数据集，图像尺寸固定为256
×
256像素,小于该尺寸的颗粒保持不变，而较大的颗粒图像则缩放至该尺寸；图像数据集按照4:1的比例划分训练集和测试集，其中用于训练的图片有18400张，其中每个子类1150张图像，其余4600张图片作为测试集图片，其中每个子类287张图像。
44.如图4所示，resnet网络模型使用完全预激活的经典resnet34网络的c-rn34体系结构，图片经在输入层后依次经过卷积层、下采样块、恒等块、全局平均池化层、全连接层、输出层。
45.其次，按照图2所示方法利用python语言在笔记本电脑初步搭建用于图像分析的深度学习模型架构，其中dropout比率设置为0.2、初始学习率设置为0.1，利用训练集在初始模型上进行训练，训练集精度为94.7％，得到model_train；然后在测试集上验证model_train模型的泛化能力，测试结果为88.9％，低于最低模型精度90％，此时得到了不满足要求的model_test。经过8轮的人工超参数寻优，得到dropout率设置为0.3、初始学习率设置为0.01时可得到最佳model_test模型，此时模型的泛化能力最佳，在测试集上的验证精度达到了93.6％，得到的结果如下表2所示。将此模型作为最终的模型，并利用已完成训练和测试的resnet模型对待识别的图像数据进行分类处理。
[0046][0047]
表2
[0048]
a4、将分类处理后所述图像数据的分类特征信息确定为所述再生填料的识别结果，利用已完成训练和测试的resnet网络模型对11张待识别的图像数据进行分类处理具体的识别结果如下表3所示，图7为实施例本方法填料组分识别的结果图。
[0049][0050]
表3
[0051]
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。