基于激光图像土压实度检测方法的研究

《基于激光图像土压实度检测方法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ResearchonDetectionMethodofCompactionDegreeBasedonLaserImageofSoilADissertationSubmittedfortheDegreeofDoctorCandidate：LiXirongSupervisor：Prof.HuYongbiaoChang’anUniversity,Xi’an,China摘要土的压实度是工程建设基础施工最重要的质量指标，检测工作量大，并要求准确、快速、方便、实时，使得土的压实度无损检测成为压实度检测研究的热点问题。本文利用光电技术和计算机技术，对基于激光图像的土的压实度无损检测检测

2、方法进行了探讨研究。鉴于土的类别和结构成分的多样性和复杂性，本文选取粘土为研究对象，假定土的密实度是均值。主要工作如下：首先，论文对土的压实度检测技术和激光图像技术相关内容的研究现状及其存在的主要问题进行了归纳和总结，指出了土的压实度检测方法存在的不足，以及激光图像检测土压实度的存在问题；从土的含水率测量方法、最佳含水率和最大干密度等方面论述了土压实度的评价方法以及压实理论，系统分析了压实度的影响因素。对比分析了土组织和生物组织结构的特点，借鉴激光在生物组织中传输规律及激光成像理论来研究激光在土组织中传播过程及激光成像。分析了土组织的光学特性以及光子在组织中的辐射传输方程

3、，并且利用漫射近似理论对传输方程求解；根据激光在土组织中的传输规律及成像理论，通过土组织激光图像找出与其压实度相关的特征。对基于激光图像的土压实度的检测系统的基本原理、系统组成和检测的关键技术进行了研究分析。其次，对能否利用漫射近似理论对传输方程求解得出土的光学参数问题进行了研究。提出用蒙特卡罗模拟方法验证漫射近似理论，并分析了蒙特卡罗方法及模拟过程，然后在假定土的光学参数的前提下，用C语言编制程序模拟了光在土组织中的传播过程以及得出了漫反射率，并通过漫射近似理论计算出漫反射率，并将两者结果进行了比较分析，两者结果的最大绝对误差为0.0497和最大相对误差为10.44%。

4、结果表明：由于蒙特卡罗方法对任意的反照率、测量位置和边界条件都是成立的，所以可认为蒙特卡罗模拟结果是足够精确的。证明了用漫射近似理论对辐射传输方程求解得出土的光学特性参数是可行的。然后，对土组织激光图像的试验和结果进行了研究。依据击实试验制备了土组织试样，通过激光图像检测系统采集了激光图像；通过现有图像处理方法找到了图像中心位置，针对现有图像处理方法的处理步骤多和速度慢的问题，提出了MatlabGui界面交互处理方式，减少了处理步骤以及提高了速度。并分析了不同含水率的土组织表面漫反射光的分布规律；通过漫射理论方程和最小二乘法计算出土组织的光学参数。然后分析了漫反射率的变化

5、率、光学参数和图像灰度均值变化率与压实度的相关性，漫反射率变化I率随着压实度的增大而有增大的趋势，灰度变化率随着压实度的上升而有下降的趋势；吸收系数随着压实度的增大有减小的趋势，散射系数随压实度增大有增大的趋势。同时分析了激光图像的现有纹理特征提取算法，现有算法提取的均匀性、能量和第3阶矩特征随着压实度的增大而增大的趋势，而其相关度、对比度、平均亮度、平均对比度、平滑度、一致性和熵特征随着压实度的增大而减小的趋势；并提出了新的纹理特征算法，新算法提取的相关和逆差矩特征随着压实度的增大而增大的趋势；而其小梯度优势、大梯度优势、灰度分布的不均匀性、灰度平均、惯性、梯度平均、灰

6、度均方差和梯度均方差特征随着压实度的增大而减小的趋势。为了比较两种纹理特征提取算法，下一章节分别将两种算法提取的特征建立预测模型，比较其预测精度。最后，对BP神经网络预测压实度和试验验证问题进行了研究。针对与土压实度的相关特征较多的问题，提出了神经网络方法对压实度进行预测。我们选取所有与压实度相关的特征作为模型的输入变量，分别将漫反射率变化率、灰度均值变化率、吸收系数、散射系数、对比度、平均亮度、一致性、均匀性、能量、相关度、第三阶矩值、平均对比度、平滑度和熵共14个特征作为第一组原始变量；而漫反射率变化率、灰度均值变化率、吸收系数、散射系数、相关、逆差矩、小梯度优势、大

7、梯度优势、灰度分布的不均匀性、灰度平均、梯度平均、灰度均方差、梯度均方差和惯性共14个特征作为第二组原始变量。并通过主成分分析，将原始数据中减少为5个主成分因子，然后分别利用这两组特征数据建立预测模型，并进行预测，将预测结果与环刀法结果比较，第一组特征的预测值的平均绝对误差为0.0937和平均相对误差为10.08%，第二组特征的预测值的平均绝对误差为0.0714和平均相对误差为7.71%；第二组特征的预测值比第一组特征的预测精度高，因此，本文使用第二组特征所建立的预测模型，且其预测精度表明，用BP神经网络模型预测土的压实度是可