基于改進分水嶺-凹點分割的礦石粒徑分級檢測方法

曾凡智，黃子豪，周 燕，譚振偉，余家豪

(佛山科學技術學院 電子信息工程學院，廣東 佛山 528000)

0 引言

近年來，隨著土木建筑行業的快速發展，國內外各類建筑行業對礦石骨料的需求量不斷上升。礦產資源隨著過度采集日漸減少，某些地區甚至出現礦石骨料資源生產緊缺等現象。因此，提高骨料配比的利用率，充分提高建材質量成為各個混凝土企業近年來研究的重點。目前，提高礦石骨料利用率的方法還在不斷研究，其中較為普遍的方法是建立礦石粒徑分級模型，從而提高骨料混合配比的質量，實現骨料不同粒徑的有效利用。

傳統的人工篩分主要利用篩分桶過濾不同粒徑的礦石，根據不同孔徑規格的石子篩對其進行分級。首先將不同孔徑規格的石子篩(單位：mm)由大到小層級堆疊成篩分桶。通過設置篩分時間后，啟動振篩機對篩分桶劇烈晃動，使不同粒徑的礦石掉落在各個規格的石子篩中。最后將每個級配篩分得到的礦石顆粒倒入電子秤稱重，統計不同粒徑占比的分級結果。傳統的人工篩分需要工人協調和統計整個篩分過程，從而造成大量時間的耗費。而且，由于振篩機的劇烈晃動會對檢測結果產生一定的影響，造成檢測誤差。因此，尋找一種高效準確的礦石粒徑分級檢測方法已迫在眉睫，成為該領域研究的重點。

國外早在21世紀初率先提出將計算機視覺技術引入到礦石粒徑的檢測中。S.AI-Thyabat等人通過測量礦石等效面積和平均直徑兩個參數，推測出每個礦石的外輪廓，然后將檢測出來的外輪廓應用在多種不同形狀大小的礦石顆粒，雖然該方法實驗效果較好，但無法解決復雜環境下礦石堆疊的問題。H.Shang等人提出了基于神經網絡模型，該模型通過篩分測量儀器得到分級的數據來模擬工業生產過程中礦石粒徑的實時檢測[5]。該方法雖然能比較準確檢測出礦石粒徑的分布，但在不同種類的礦石檢測中存在數據波動較大的情況。近年來，為了解決礦石之間存在堆疊和粘連造成遮擋的問題，許多研究者將研究的重點轉向礦石圖像分割。羅小燕等人[6]在提取礦石圖像特征的基礎上，通過建立不同大小的檢測算子，對分水嶺算法分割后的圖像采用擊中與擊不中的數據統計法，得到礦石的粒徑分布。該方法識別精度不高，缺乏準確性。為了解決礦石圖像中粘連導致無法有效分割的問題，張建立等人[7]提出多尺度形態學下的改進分水嶺變換分割方法。該方法雖然能夠較為真實反映礦石粒徑的分布，但識別效率低，缺乏實時性。為了提高礦石圖像分割算法的有效性，孫國棟等人采用超像素與領域超像素之間的線性表達來建立一種邊緣領域親和度圖，通過該方法能準確分割不同光照強度和噪聲下的礦石顆粒邊界，但無法對礦石粒徑進行有效分級[8]。

總結上述方法存在不足的問題，本文提出一種基于改進分水嶺-凹點分割的礦石粒徑分級檢測方法，首先對礦石圖像進行增強，提取出礦石之間的邊緣輪廓。根據礦石識別邊緣輪廓的像素面積，利用反向鏈碼尋找對稱角置信輻射區域，判斷礦石之間的粘連位置是否存在明顯的凹點，通過匹配凹點的最短距離進行融合分割[9]。將同一個粒徑級配的礦石進行歸類，從而達到實時檢測的目的，降低檢測的誤差率，從而提高算法的泛化能力和魯棒性。

1 圖像處理流程

本文主要研究生產線車間抽樣采集的礦石圖像，由于皮帶上待檢測的礦石處于粘連堆疊狀態，因此需要將礦石在圖像背景上進行區分。首先將采集的礦石圖像進行預處理操作，從而得到形態學優化后的二值化圖像。通過改進的分水嶺算法，解決礦石邊緣信息丟失導致過分割的問題。引入凹點分割算法[10]，優化礦石之間粘連產生欠分割的情況。最后統計不同粒徑區間的像素面積，得出粒徑分級占比的結果。圖像處理流程如圖1所示。

圖1 圖像處理流程圖

2 圖像預處理

2.1 圖像增強

由于采集的礦石存在形狀和紋理的不同，造成圖像灰度和色彩亮度上的差異，使堆疊的礦石難以從圖像背景中區分。為了能更加清晰展示礦石之間的特征，需要對原始采集的圖像進行亮度和灰度變換。如圖2所示，圖像經過亮度變換和灰度化后，圖像質量明顯得到提升，礦石邊緣和輪廓更加清晰，同時減少背景的干擾，降低圖像的數據量計算。但由于灰度化處理后的圖像仍存在噪點，因此需要對圖像進行濾波去噪處理。

圖2 圖像增強流程圖

2.2 自適應中值濾波

圖像經過增強后效果得到一定的提升，但由于現場生產環境比較惡劣，空氣中彌漫著大量的粉塵，生產線設備發出的噪聲也會對圖像造成影響。為了去除圖像中的噪點信息，需要對圖像進行濾波處理。圖像濾波主要包括均值濾波、中值濾波、高斯濾波、雙邊濾波等。結合現場的生產環境分析，相比于其他濾波，中值濾波去除噪點的能力比較強，特別是處理存在噪聲干擾的環境下拍攝的圖像。經過中值濾波處理后，不會出現圖像失真的情況，能比較完整保留圖像的細節。中值濾波表達式如式(1)所示：

g(x，y)=median{f(x，y)}，(x，y)∈S

(1)

式中，f(x，y)為原圖像像素的灰度值，g(x，y)為濾波結果輸出的圖像。

然而，使用中值濾波并不能完全檢測圖像全局的像素信息。當圖像邊緣模糊時，邊界紋理則相對粗糙。從礦石形態、紋理多樣的角度上考慮，算法處理礦石圖像時需要較高的自適應度。因此，采用自適應中值濾波[11]，在去噪的同時，又能很好地保留礦石邊緣的特征。使用自適應中值濾波，通過設置最小濾波值和最大濾波值，自適應判斷噪聲敏感度，從而對礦石邊緣與背景之間的像素形成有效地漸變。自適應中值濾波如式(2)所示：

g′(x，y)=median{f(x，y)，kmin，kmax，(x，y)∈S}

(2)

本文設置最小濾波值kmin為3，最大濾波值kmax為7。如圖3(c)所示，與中值濾波相比，自適應中值濾波不僅能有效去除圖像的噪聲，同時能保留圖像更多的細節，提升礦石邊界特征與背景之間的對比度，提升礦石邊緣的局部形態特征。

圖3 濾波效果對比圖

2.3 形態學重構

圖像經過濾波處理后，還存在局部粘連堆疊的情況。為了避免圖像分割時產生欠分割和過分割的現象，使用多尺度形態學重構的方法對圖像中心區域進行優化。多尺度形態學[12]利用形態學的開閉運算對梯度圖像進行重構，保留重要區域的同時去除細節和噪聲，避免了圖像局部極值過多而產生非規則的灰度漸變和噪點干擾，使分割后的圖像在區域邊緣具有較準確的定位能力。其中，腐蝕和膨脹[13]是形態學中最基本的操作。假設圖像A(x，y)表示二值化圖像，B(i，j)表示結構元素，R(u，v)表示掩碼圖像，則形態學腐蝕和膨脹操作分別如式(3)、式(4)所示：

AΘB=

min{A(x+i，y+j)-B(i，j)|(x，y)∈Df，(i，j)∈Db}

(3)

A⊕B=

max{A(x-i，y-j)+B(i，j)|(x，y)∈Df，(i，j)∈Db}

(4)

式中，Θ為腐蝕運算，⊕為膨脹運算，Df為圖像A(x，y)的定義域，Db為結構元素B(i，j)的定義域。

本文針對形態學方法進行改進，如圖4所示，改進的形態學重構算法流程如下：

圖4 形態學重構流程圖

1)針對礦石圖像的特征采用不同的矩陣結構過濾。首先對濾波圖像進行二值化，然后對其進行開操作，消除圖像中背景干擾的細小區域，平滑礦石顆粒間隙的位置，去除圖像中的噪點和孔洞。開操作表達式如式(5)所示：

C(x，y)=(AΘB)⊕B

(5)

2)圖像經過開操作后，部分紋理和邊界區域得到了優化。將開操作后的圖像進行腐蝕操作，對腐蝕后的圖像取補后利用蒙版進行二值化重構。二值化重構操作表達式如式(6)所示：

D(x，y)=u(CΘB)∪R(u，v)

(6)

3)為了擴大礦石顆粒邊緣的灰度值，減少礦石顆粒之間產生粘連，將重構后的二值化圖像進行膨脹操作。經過膨脹操作后，礦石的亮度得到增強，使輪廓信息更加清晰。膨脹操作表達式如式(7)所示：

E(x，y)=D⊕B

(7)

4)最后將膨脹后的圖像進行高斯線性平滑處理。如圖4(d)所示，利用高斯線性平滑，使圖像中的目標輪廓邊緣得到填充，同時將圖像中的孔洞進行填充，從而比較完整的保留礦石邊緣特征。線性平滑操作表達式如式(8)～(9)所示：

(8)

G′(x，y)=G(x，y，σ)*E

(9)

3 基于改進分水嶺-凹點融合分割

3.1 改進的分水嶺分割算法

傳統的分水嶺分割[14-16]算法直接用于提取區域中心梯度圖像，圖像分割效果在一定程度上取決于圖像的質量。礦石圖像經過形態學優化后雖然效果得到了提升，但無法避免圖像中仍然存在噪點的影響。直接使用分水嶺分割會導致礦石粘連欠分割的情況，無法準確識別邊緣信息，從而對檢測的精度造成影響。本文針對上述的問題對傳統的分水嶺分割算法進行改進。

1)對形態學重構后的礦石圖像進行前景區域的距離變換。通過圖像二值化后生成的礦石區域，計算所有像素點到其最近背景區域零像素點的距離，將距離等價為前景與背景的灰度差值，形成新的灰度圖像。

2)統計灰度圖像的連通區域，根據礦石顆粒的大小，尋找連通區域的局部極大值。對圖像中的縫隙背景、礦石目標根據像素值的不同進行標記。當圖像掃描完后，根據標記值的不同，提取圖像中的局部最大值作為標記符，得到礦石目標在圖像上的所有連通區域。

3)將形態學重構的圖像與距離變換后的二值化圖像做差值運算，遍歷圖像的差值像素，統計非零像素。并在連通區域標記圖上對應的位置打上標記作為分水嶺掩膜標記。掩模標記處于礦石之間的邊緣位置，通過標記能突出礦石粘連的部分。

4)根據分水嶺掩模標記可得到礦石顆粒邊緣的分水嶺脊線，利用連通區域的標記符沿脊線梯度最小化來修正梯度圖像，使其在礦石縫隙的位置存在局部最小值，將修正后的梯度圖像進行分水嶺分割。

3.2 凹點分割

對距離變換后的礦石圖像采用改進的分水嶺算法，利用標記的連通區域生長，使圖像邊緣輪廓保留完整的區域，在一定程度上消除了過分割的現象。但由于原始的礦石圖像顏色不均勻，紋理比較復雜，礦石之間容易產生堆疊。為了消除圖像粘連導致欠分割的現象，本文采用凹點分割方法，通過連通區域提取礦石輪廓的面積進行粘連判斷，將凸缺陷面積由大到小排序后篩選出候選凹點，最后利用凹點最短鄰近法實現粘連區域的分割，具體步驟的實現如下。

3.2.1 粘連區域的判定

由于礦石顆粒的紋理和形狀存在多樣化，礦石平鋪在皮帶上容易產生堆疊，導致礦石之間的邊緣形成粘連。因此，需要通過計算礦石連通區域輪廓的形狀因子[17]作為判別礦石粘連的依據。形狀因子Sf的表達式如式(10)所示：

(10)

式中，A表示礦石連通區域的面積，L表示連通區域的周長，l表示礦石外接矩形的長邊，d表示礦石外接矩陣的短邊，Sf形狀因子的取值范圍為[0，1]。當礦石在無粘連的情況下，連通區域趨于圓形時，形狀因子越接近于1。相反，若礦石粘連越嚴重，形狀因子則越趨于0。

如圖5所示，3個連通區域的形狀因子分別為0.13、0.37、0.76。根據分析，形狀因子能區分礦石之間是否產生粘連，并且能反映出粘連的嚴重程度。本文將形狀因子的閾值SF設置為0.45，當某個連通區域滿足Sf

圖5 形狀因子圖

3.2.2 凹點檢測

由于礦石顆粒的大小和形狀不規則，若多個礦石之間產生堆疊，粘連區域的輪廓則會形成凹點。首先提取粘連區域，沿著輪廓的邊緣將缺陷的部分進行填補，粘連區域形成的凸多邊形即為凹包。將凹包與粘連區域做差值運算，所得到的結果即為凸缺陷。其次，統計凸缺陷的個數，將計算得到凸缺陷的面積按照遞減的方式進行排序。為了避免出現多余的凹點，將面積小于50像素的凹包進行排除過濾。最后將待處理的凸缺陷按面積從大到小以集合的形式儲存，將凸缺陷進行匹配操作。

3.2.3 凹點匹配

凸缺陷是由礦石粘連處的凹區域所形成的。針對礦石之間存在復雜粘連而產生不規則凹區域的情況，本文提出一種基于反向鏈碼對角凹點矢量匹配法[18]。反向鏈碼的表達式如式(11)所示：

(11)

原始的反向鏈碼不具有旋轉不變性。因此，本文對反向鏈碼進行差分和歸一化處理，使其具有幾何旋轉不變性。差分歸一化處理的過程如式(12)所示：

(12)

式中，mod表示模運算，N表示鏈碼方向數，S′表示形狀旋轉后輪廓像素的坐標點，M′表示形狀旋轉后的新鏈碼。

由于物體之間形成的粘連具有一定的相似對稱性。通過凸缺陷形成的夾角在反向鏈碼中匹配對應的角度，從而尋找另一凹點在該夾角的對稱置信輻射區域內，以最短距離作為劃線分割。具體的步驟如下：

1)提取凸缺陷的邊緣輪廓，獲取目標輪廓的所有角點，根據像素坐標的規則確定3個邊緣角點。由于凹點位于輪廓雙邊局部曲率最大，通過計算目標輪廓的區域，確定凸缺陷凹點的位置，將其余兩個角點用直線連接構成矢量夾角。

2)將所有凸缺陷根據夾角的形狀和角度在反向鏈碼表中標記出相對應的位置。延長夾角的對角線，擴大置信輻射區的范圍。如圖6所示，以當前點、前繼點與后繼點形成凹點夾角∠man，存在另一凹點b在該夾角的對稱角置信輻射區域內。

圖6 反向鏈碼對應的置信輻射區域圖

3)當所有凸缺陷在反向鏈碼中標記后，若反向鏈碼中不存在相似重合的夾角，則稱為串聯粘連。如圖7(a)所示，對于串聯粘連，若延長線的對稱角包含于單個對稱凹區域內，且對稱角的置信輻射區落在某個凹區域的矢量夾角內，則表明該區域存在粘連目標，直接將兩個凹點進行劃線連接。

圖7 基于反向鏈碼凹點匹配圖

4)如果反向鏈碼中存在兩個或多個相似重合的夾角，則稱作并聯粘連。如圖7(b)所示，對于并聯粘連，由于反向鏈碼中存在兩個或多個以上的凹區域形成矢量夾角，無法直接判斷粘連是由哪兩個凹區域形成，則需要根據凸缺陷上的凹點位置用歐式距離計算凹點之間的最短距離。

本文將改進的分水嶺算法與凹點分割算法進行融合，既能減少圖像過分割的情況，又能優化礦石顆粒粘連導致凹點分割不完整的問題。通過將兩種分割算法相結合，從而解決單個算法中存在的分割問題。

3.3 礦石特征參數提取

當圖像完成算法分割后，此時通過提取每塊礦石顆粒的輪廓，計算等效粒徑后對其進行粒徑分級。礦石粒徑分級是檢測過程中最重要的步驟，同時也是對混凝土骨料配比和礦石采樣檢測的質量評判的重要依據。如圖8所示，通過提取礦石顆粒的表征參數，計算采樣礦石群的特征參數。其中表征參數包括面積、周長、長軸和短軸，特征參數主要將礦石等效粒徑和粒徑分級作為評估指標。具體的定義分別如下：

圖8 礦石顆粒參數圖

等效粒徑是評判礦石形狀和外觀的指標。利用最小外接矩形沿著礦石的輪廓區域進行擬合，提取的最小外接矩形的長邊為長軸，短邊為短軸。其中，等效粒徑d的計算方式如式(13)所示：

(13)

式中，A表示礦石投影面積所占的像素，L表示礦石輪廓周長的像素。

粒徑分級表示不同粒徑范圍內礦石顆粒像素面積的占比，粒徑分級區間能直觀反映出某個批次樣品采樣的均衡性。按照國家骨料的檢驗標準選取代表粒徑規格s1，s2，...，st組成粒徑區間[s1，s2]，...，[st-1，st]，則礦石粒徑分級占比率si的表達式如式(14)所示：

(14)

式中，St為礦石顆粒在粒徑區間[st-1，st]內累積的像素面積，T為礦石群的總像素面積。

4 實驗與結果分析

4.1 實驗環境與系統實現

本文在骨料實驗室的現場搭建礦石粒徑分級檢測系統以及圖像采集裝置。圖像采集裝置主要由CCD工業攝像頭(2 K分辨率，即2 048 px*1 080 px)、支架、繼電器、光源、計算機以及礦石皮帶組成。攝像頭固定安裝在支架上，與計算機直接相連，光源用于提高圖像采集質量和亮度。礦石粒徑分級檢測系統主要包括圖像采集模塊、算法處理模塊和數據展示模塊。圖像采集模塊利用海康圖像采集工具包調用CCD攝像頭實現視頻流實時預覽，可連續采集礦石圖像。算法處理模塊采用本文算法對采集的礦石圖像進行粒徑檢測，數據展示模塊將檢測得到的粒徑分級數據展示在界面上。系統架構如圖9所示。

圖9 系統架構圖

本系統開發主要采用Pyqt5界面和Python編程語言，系統實現礦石粒徑檢測功能的具體流程如下：

1)在系統界面上，點擊“打開相機”按鈕，啟動攝像頭，通過調整合適的參數，將攝像頭捕獲的礦石圖像顯示在界面上。

2)點擊“圖像采集”按鈕，通過視頻流實時采集待檢測的礦石圖像。

3)點擊“開始檢測”按鈕，系統將檢測的圖像傳送至后端，通過調用本文實現的改進分水嶺-凹點分割算法，得到各個粒徑分級檢測的結果。

4)如圖10所示，系統將礦石圖像分級檢測的結果以及其他參數以柱狀圖和餅圖的形式在界面上展示。

圖10 系統檢測界面圖

4.2 粒徑檢測試驗

礦石各粒徑級配的占比是骨料混合配比的重要評判指標[19-20]，為了驗證本文提出的算法分割效果以及準確率，本文采集5 kg礦石按照四分法均勻抽樣3 kg作為1組試驗檢測。首先按照國家制定的《普通混凝土用砂、石質量及檢測方法標準》設置粒徑分級區間，根據規則將礦石粒徑劃分為0～2.36，2.36～4.75，4.75～9.5，9.5～16.0，16.0～19.0，19.0～26.5，26.5～31.5，31.5～37.5，37.5～53.0共9個粒徑區間(單位：mm)。為了得到礦石粒徑區間在圖像上的像素信息，在檢測之前建立粒徑區間的像素尺寸與實際測量尺寸的對應關系。在攝像頭的投影下，根據拍攝的參照物尺寸長度統計圖像像素點的個數，將其換算成比例系數。標定的比例系數f換算過程如式(15)所示：

(15)

式中，V表示標定圖像的像素(px)，R表示標定參照物的實際尺寸(mm)。

通過比例系數f，從而得到每個粒徑區間的投影像素尺寸Pi。Pi的計算如式(16)所示：

Pi=xi*f

(16)

式中，xi表示第i個粒徑區間的實際尺寸，Pi表示第i個粒徑區間的像素。

人工篩分與算法檢測的累積率gn、pn的表達式分別如式(17)、(18)所示：

(17)

(18)

式中，在實際人工篩分的過程中，Gi表示第i個粒徑區間礦石累積的質量，G表示抽樣篩分礦石的總質量。在算法檢測的過程中，Psi表示第i個粒徑區間礦石累積的像素面積，P表示算法分割礦石的總像素面積。

累積誤差率主要反映人工篩分與算法檢測中每個粒徑分級之間累積的相對誤差，累積誤差率Er的計算方式如式(19)所示：

Er=|gn-pn|

(19)

為了驗證算法對礦石粒徑檢測的準確性，將采樣的礦石隨機平鋪放置在皮帶上進行3組粒徑檢測試驗。人工篩分與算法檢測結果對比如表1所示。

表1 礦石粒徑檢測統計表 %

從表1中的數據分析，對于第一組檢測，粒徑4.75～9.5的誤差最大，累積誤差率為3.07%；對于第二組檢測，粒徑4.75～9.5的誤差最大，累積誤差率為4.47%；對于第三組檢測，粒徑2.36～4.75的誤差最大，累積誤差率為2.35%。從各級的數據分布中發現，三組樣品的誤差率存在一個大致的變化規律。偏小粒徑的礦石由于堆疊容易產生遮擋的現象，從而導致偏小粒徑的礦石存在誤檢。隨著粒徑尺寸逐漸增大，誤差率整體呈現下降的趨勢，粒徑較大的礦石由于邊緣輪廓比較清晰，分割比較完整，使得誤差率局部最小。實驗結果表明，各組最大累積誤差率在5%以內，可以滿足實際生產的需求。

4.3 粒度計數試驗

為了驗證算法對不同粒徑的礦石數量分割的準確性，將人工篩分的結果與本文算法進行5組粒度計數對比試驗，人工粒度計數與算法統計的結果對比如表2所示。對檢測結果統計其累計誤差率，其中累計誤差率計算方法如式(20)所示：

表2 礦石顆粒個數分布統計表

(20)

式中，Pr為粒徑r的累計誤差率，Exi為人工篩分得到第i組粒徑范圍內的礦石個數，Ei為本文算法得到第i組粒徑范圍內的礦石個數，Ni為第i組檢測總礦石的個數。

從表2中的數據分析，對于粒徑2.36～4.75的礦石，其檢測對比的累計誤差率最大，約為4.55%。由于小顆粒的礦石粒徑比較小，容易產生遮擋，導致漏檢的情況，從而造成檢測誤差相對較大。而較大的礦石顆粒檢測更為準確。隨著礦石粒徑的增大，累計誤差率逐漸減少，檢測結果越來越精確。從5組的試驗中表明，各個粒徑的累計誤差率不超過5%。因此，本文算法對礦石粒徑實時檢測比較準確，能替代傳統人工篩分的工業應用場景。

4.4 分割算法效果對比試驗

為了驗證算法的分割效果，本文從算法分割的結果圖以及準確率方面進行對比驗證分析。通過對比OSTU閾值分割、傳統分水嶺分割與本文提出的改進分水嶺-凹點分割，對礦石圖像進行算法分割試驗。算法分割的結果如圖11所示。

圖11 不同算法分割的結果圖

圖11(a)為待分割的礦石圖像。圖11(b)為OSTU閾值分割結果圖，該算法只能分割出大致的礦石目標輪廓，沒有形成閉合的連通區域。圖像中還存在大量的噪點和孔洞，對于粒徑較小的礦石分割效果很差，沒有完全將礦石顆粒分割出來。圖11(c)經過改進的形態學重構后，使用傳統的分水嶺算法，雖然圖像中的礦石噪點和表面紋理得到消除和平滑，但由于礦石的堆疊，存在欠分割的情況。同時礦石之間局部粘連較為嚴重，造成一定的誤差。圖11(d)中使用改進的分水嶺算法優化了個別礦石邊緣分割不夠完整的問題，同時增強了粒徑較小的礦石紋理特征，通過結合凹點分割算法，解決了礦石堆疊造成欠分割的問題。因此，本文提出的改進分水嶺-凹點分割算法能有效對粘連區域的礦石進行分割，將目標完整準確地從圖像分割出來，從而得到良好的分割效果。

由圖12中的數據分析，OSTU閾值分割的累積誤差率最大。而本文算法相對于其他分割算法，累積誤差率最小。本文算法與人工篩分相比，最大累積誤差率為3.41%，最小累積誤差率為0.30%，平均累積誤差率為1.17%，均在實際生產的誤差允許范圍內。因此，本文提出的算法具有較高的可行性與準確性。

圖12 不同算法分割的累積誤差率圖

5 結束語

本文對傳統的礦石骨料分割算法進行改進，為了提高采集的礦石圖像質量，首先對圖像進行亮度變換和灰度化，便于區分檢測的礦石目標和背景。利用自適應中值濾波，消除圖像上的噪聲并完整保留礦石邊緣的特征信息。利用改進的形態學重構方法，平滑礦石圖像中邊緣區域的紋理，消除二值圖像中礦石局部的噪點和孔洞。使用改進的分水嶺分割方法，減少圖像邊緣過分割現象，同時引入凹點分割方法，解決了礦石堆疊所造成遮擋欠分割的問題。將兩種方法相結合，有效解決了單個分割算法存在的弊端，通過實驗驗證，本文提出的方法具有可行性與魯棒性。

本文提出改進分水嶺-凹點分割算法的檢測結果與人工篩分的結果進行對比，從數據分析得出，各個粒徑之間的最大累積誤差率在5%以內，從而驗證了本文提出的方法具有較高的準確率，為人工智能化礦石粒徑分級檢測的研究提供依據。在今后的研究中，將推進應用于流水線的生產檢測，提升國內混凝土企業的工業智能化生產和行業生態環境。