陳澤琦，范偉軍，郭 斌，江文松

(1. 中國計(jì)量大學(xué)，浙江 杭州 310018；2. 杭州沃鐳智能科技股份有限公司，浙江 杭州 310018)

1 引 言

粗集料是瀝青混合料的重要組成材料。在建筑工程中，級(jí)配不合格的集料會(huì)影響瀝青混凝土的強(qiáng)度，危害建筑質(zhì)量[1]。目前工程中，通常采用振動(dòng)篩分法對(duì)集料進(jìn)行級(jí)配檢測[2]，該方法在篩分過程中容易堵塞篩孔，影響篩分結(jié)果，降低篩分效率。隨著機(jī)器視覺技術(shù)的快速發(fā)展，圖像處理技術(shù)在土木工程中的應(yīng)用越來越廣泛[3]。2007年，汪海年等[4]研制了粗集料形態(tài)研究系統(tǒng)，采用圖像處理技術(shù)對(duì)平鋪的靜態(tài)集料進(jìn)行級(jí)配分析。2013年，Prudêncio等[5]提出了一種簡化的數(shù)字圖像處理方法，用于分析集料的形狀。2014年，史源[6]對(duì)平鋪的靜態(tài)集料顆粒進(jìn)行背光拍攝，使用LabVIEW開發(fā)了一套集料顆粒形態(tài)特征提取系統(tǒng)。2017年，羅曼等[7]對(duì)不同運(yùn)動(dòng)狀態(tài)下的集料進(jìn)行研究，并對(duì)比不同的光源安裝方式，總結(jié)得到了較優(yōu)的集料拍攝方法。對(duì)靜態(tài)集料進(jìn)行視覺級(jí)配分析，需要提前將集料平鋪于視場中，且每次檢測的集料數(shù)量有限，導(dǎo)致檢測效率低下，無法適應(yīng)工程檢測需求。而對(duì)下料過程中的動(dòng)態(tài)集料進(jìn)行在線級(jí)配檢測，能夠提高效率，滿足工程檢測需求。在動(dòng)態(tài)集料的圖像中，圖像上下邊緣存在不完整的集料顆粒，且每個(gè)集料顆粒會(huì)重復(fù)出現(xiàn)在連續(xù)的圖像中，影響集料數(shù)據(jù)統(tǒng)計(jì)。針對(duì)此問題，陳思嘉[8]和楊建紅等[9～10]采用周長面積之比判斷集料顆粒是否完整，并提出輪廓匹配方法對(duì)重復(fù)出現(xiàn)的顆粒進(jìn)行識(shí)別。利用周長面積之比判斷集料顆粒是否完整，需要對(duì)圖像中的每個(gè)集料顆粒進(jìn)行遍歷操作，效率較低；在集料下落過程中，集料會(huì)發(fā)生旋轉(zhuǎn)，導(dǎo)致集料在前后圖像中的輪廓不一致，影響輪廓匹配的成功率。

基于上述分析，本文對(duì)下料過程中的集料圖像進(jìn)行研究，尋找可行的動(dòng)態(tài)集料級(jí)配視覺檢測方法。針對(duì)圖像邊界處存在不完整顆粒和顆粒重復(fù)出現(xiàn)的問題，提出形態(tài)重建和反向跟蹤的圖像處理方法；將等效橢圓Feret短徑作為等效粒徑，分析集料的粒徑分布；對(duì)像素尺寸與實(shí)際尺寸之間的關(guān)系進(jìn)行優(yōu)化，提高集料級(jí)配檢測的準(zhǔn)確性。

2 實(shí)驗(yàn)臺(tái)的搭建及ROI的形態(tài)重建

2.1 檢測實(shí)驗(yàn)臺(tái)的搭建

檢測實(shí)驗(yàn)臺(tái)如圖1所示。集料通過振動(dòng)下料機(jī)均勻分散的落下，工業(yè)相機(jī)采用背光拍攝方式[11]，對(duì)下料過程中的集料進(jìn)行圖像采集，并將圖像數(shù)據(jù)傳輸給工控機(jī)進(jìn)行粒徑分析。使用的實(shí)驗(yàn)相機(jī)為合肥?？乒怆娍萍加邢薰镜腡S4MCL-180M/C高速工業(yè)相機(jī)，有效像素4×106，最高幀率180幀/s，鏡頭型號(hào)為HC2505A，焦距為25 mm。試驗(yàn)中的有效拍攝面尺寸為210 mm×210 mm。

圖1 檢測實(shí)驗(yàn)臺(tái)的搭建Fig.1 The testing experimental bench

對(duì)運(yùn)動(dòng)狀態(tài)下的集料進(jìn)行圖像采集，需要選擇合適的曝光時(shí)間，根據(jù)集料下落的速度，曝光時(shí)間設(shè)為500 μs，采集的運(yùn)動(dòng)粗集料圖像如圖2所示。

圖2 運(yùn)動(dòng)粗集料圖像Fig.2 The image of the moving coarse aggregates

2.2 基于形態(tài)重建的ROI圖像提取

首先對(duì)圖像進(jìn)行二值化處理[12]，將集料顆粒與背景分離。在穩(wěn)定的檢測環(huán)境中，通常采用基于先驗(yàn)概率的閾值分割方法。在運(yùn)動(dòng)集料的圖像采集過程中，存在部分集料顆粒下部分進(jìn)入視場而上部分未進(jìn)入視場，或下部分離開視場而上部分未離開視場的情況，導(dǎo)致圖像上下界邊緣處存在形態(tài)不完整的集料顆粒。如圖3所示，在二值化圖像的上邊緣處，存在一顆不完整的集料顆粒。

圖3 形態(tài)不完整的集料顆粒圖像Fig.3 The image with an incomplete aggregate particle

若將不完整的集料顆粒納入數(shù)據(jù)統(tǒng)計(jì)，會(huì)影響統(tǒng)計(jì)結(jié)果的準(zhǔn)確性。為了避免這些集料顆粒對(duì)數(shù)據(jù)統(tǒng)計(jì)的影響，通過掩膜算子提取感興趣(reqion of interst,ROI)圖像，過濾圖像上下邊界處的集料顆粒，然后采用形態(tài)重建方法對(duì)ROI圖像上下邊界處的不完整集料顆粒進(jìn)行形態(tài)修復(fù)，保證ROI圖像中的集料顆粒都具備完整的形態(tài)。

2.2.1 基于掩膜的ROI提取方法

為了過濾圖像上下邊界處不完整的集料顆粒，本文通過掩膜算子對(duì)原二值化圖像的上下邊界進(jìn)行遮蓋。遮蓋的高度由集料顆粒在圖像中出現(xiàn)的最大像素高度決定。本文中，圖像的分辨率為 2 048 pixel×2 048 pixel，視場大小為210 mm×210 mm，可得比例系數(shù)K:

(1)

在本工程中，粗集料的最大徑不超過35 mm。通過比例系數(shù)K可得，粗集料在像素坐標(biāo)中的最大徑不超過341.33 pixel，考慮到特殊集料顆粒的存在，掩膜算子的遮罩高度h取400 pixel，即ROI上下邊界范圍設(shè)定為[400,1 648]。對(duì)圖3進(jìn)行ROI提取，設(shè)圖3為g(x,y)，掩膜算子為t(x,y)，則ROI圖像k(x,y)為:

k(x,y)=g(x,y)·t(x,y)

(2)

ROI提取效果如圖4所示，圖4(a)為掩膜算子，圖4(b)為提取后的ROI圖像。可以觀察到，圖4(b)中，ROI上下邊緣處的集料顆粒形態(tài)被破壞。

圖4 掩膜提取ROI效果Fig.4 ROI image extraction

2.2.2 ROI邊緣顆粒的形態(tài)重建

對(duì)于ROI圖像中新出現(xiàn)的不完整顆粒，采用區(qū)域生長方法[13]對(duì)其進(jìn)行形態(tài)重建。在ROI圖像k(x,y)中，從ROI邊界顆粒的任意一個(gè)像素開始，以二值圖像g(x,y)為遮罩，根據(jù)4近鄰準(zhǔn)則向外填充像素，實(shí)現(xiàn)不完整顆粒的形態(tài)修復(fù)。圖5為形態(tài)重建圖，設(shè)圖5(a)的4近鄰算子為C(x,y)。

首先，4近鄰算子從ROI上邊界位置開始，在原二值化圖像g(x,y)上自左向右移動(dòng)。當(dāng)4近鄰算子在原二值圖像中的位置為(n,m)時(shí)，其覆蓋下的原二值化圖像子區(qū)域?yàn)間n,m(x,y)。將4近鄰算子與原二值化圖像子區(qū)域進(jìn)行矩陣點(diǎn)乘，得到填充算子d(x,y)，計(jì)算公式為

d(x,y)=C(x,y)·gn,m(x,y)

(3)

將填充算子放置在ROI圖像k(x,y)中的目標(biāo)位置，并乘以目標(biāo)位置中心的像素值得到新的填充算子D(x,y)，其計(jì)算公式為

D(x,y)=k(n,m)·d(x,y)

(4)

令填充算子覆蓋下的ROI子區(qū)域?yàn)棣?k)，將其與新填充算子D進(jìn)行或運(yùn)算，得到重構(gòu)后的ROI子區(qū)域β(k):

β(k)=α(k)·D

(5)

然后，4近鄰算子繼續(xù)向右移動(dòng)對(duì)該像素行進(jìn)行重建。在完成該像素行的重建后，重新對(duì)其進(jìn)行上述操作并多次循環(huán)，直至該像素行不再出現(xiàn)新像素，結(jié)束該像素行的重建。

最后，4近鄰算子向上移動(dòng)，重復(fù)以上操作，直至圖像中不再出現(xiàn)新的像素，完成ROI圖像上邊界顆粒的形態(tài)重建。重復(fù)上述操作對(duì)ROI下邊界顆粒進(jìn)行向下的形態(tài)重建，最終重建得到的ROI圖像如圖5(b)所示，圖5(b)中的每個(gè)集料顆粒都具備完整的形態(tài)。

圖5 形態(tài)重建Fig.5 Morphological reconstruction

3 基于反向跟蹤的重復(fù)顆粒處理方法

3.1 圖像幀采樣間隔的確定

本文中圖像采集幀率為149幀/s，在形態(tài)重建后的ROI圖像序列中，集料顆粒會(huì)重復(fù)出現(xiàn)，包括在ROI圖像提取過程中被濾除的集料顆粒。為了避免同一集料顆粒的重復(fù)統(tǒng)計(jì)，需要對(duì)連續(xù)的ROI圖像進(jìn)行間隔采樣。每個(gè)集料顆粒的尺寸、下料初始速度各不相同，每個(gè)集料顆粒在圖像中出現(xiàn)的次數(shù)存在差異，采樣間隔過長將導(dǎo)致部分集料顆粒丟失。采樣間隔過小將增加集料顆粒出現(xiàn)的次數(shù)，降低圖像處理的效率。對(duì)100個(gè)集料顆粒在重建后的ROI圖像中出現(xiàn)的次數(shù)進(jìn)行統(tǒng)計(jì)，結(jié)果如圖6所示。

圖6 顆粒重復(fù)次數(shù)統(tǒng)計(jì)Fig.6 The number of every particle’s frames

由圖6可知，同一個(gè)集料顆粒在連續(xù)的圖像中至少出現(xiàn)10次，最多12次，圖像幀采樣間隔取為10幀，每間隔10幀ROI圖像進(jìn)行一次圖像采樣，保證每個(gè)集料顆粒必定出現(xiàn)在采樣圖像中，且至多出現(xiàn)2次。對(duì)于重復(fù)出現(xiàn)的集料顆粒，提出反向跟蹤算法進(jìn)行識(shí)別，避免數(shù)據(jù)重復(fù)統(tǒng)計(jì)。

3.2 重復(fù)顆粒區(qū)域的確定

為了確定重復(fù)顆粒出現(xiàn)的區(qū)域，對(duì)圖像建立像素坐標(biāo)系，如圖7所示，○為首次出現(xiàn)的顆粒，△為重復(fù)出現(xiàn)的顆粒。圖像左上角為原點(diǎn)，水平方向?yàn)閤軸，豎直方向?yàn)閥軸。第2次重復(fù)出現(xiàn)的顆粒均在圖像下方，即其質(zhì)心坐標(biāo)y值較大。

圖7 重復(fù)顆粒分布情況Fig.7 Particle distribution

圖7中，圖像由上至下被劃分為檢測區(qū)和重復(fù)顆粒識(shí)別區(qū)兩個(gè)區(qū)域。重復(fù)顆粒識(shí)別區(qū)中的集料顆粒需要進(jìn)行識(shí)別，判斷其是否為重復(fù)顆粒，是反向跟蹤算法的識(shí)別對(duì)象；檢測區(qū)中的集料顆粒為首次出現(xiàn)的顆粒，是算法的匹配對(duì)象。

為了確定檢測區(qū)域和重復(fù)顆粒識(shí)別區(qū)域的邊界線，需要對(duì)第2次出現(xiàn)在采樣圖像中的集料顆粒進(jìn)行坐標(biāo)分析，將其最小質(zhì)心y坐標(biāo)作為參考數(shù)據(jù)。集料顆粒的質(zhì)心y坐標(biāo)數(shù)據(jù)統(tǒng)計(jì)如圖8所示。

圖8 顆粒重復(fù)出現(xiàn)位置預(yù)測統(tǒng)計(jì)情況Fig.8 Recurring particles’y-coordinate data.

在統(tǒng)計(jì)數(shù)據(jù)中，重復(fù)出現(xiàn)的集料顆粒的最小的質(zhì)心坐標(biāo)ymin=1 282.49 pixel。本文以1 250 pixel分界線，若顆粒目標(biāo)的質(zhì)心坐標(biāo)y值小于 1 250 pixel，則為檢測區(qū)中的顆粒，若y值大于1 250 pixel，則為重復(fù)顆粒識(shí)別區(qū)中的顆粒，如圖9所示。

圖9 區(qū)域劃分情況圖Fig.9 Regional division

區(qū)域劃分后，對(duì)于檢測區(qū)圖像中的集料顆粒，直接進(jìn)行粒徑分析；對(duì)于識(shí)別區(qū)圖像中的集料顆粒，需要進(jìn)行反向跟蹤，與上一個(gè)檢測區(qū)圖像中的集料顆粒匹配，判斷其是否為重復(fù)出現(xiàn)的集料顆粒。若是，則將前后圖像中的兩次粒徑結(jié)果取較大值，若不是，則直接進(jìn)行粒徑分析。

3.3 反向跟蹤方程

下料口位于視場上方距離為y，集料在離開下料機(jī)進(jìn)入下料口后，在豎直方向上近似為勻加速直線運(yùn)動(dòng)，初速度為v0，算法根據(jù)顆粒在第N+10幀圖像中的位置，以及前后間隔10幀圖像之間的固定時(shí)間變化Δt，推測顆粒在第N幀圖像中出現(xiàn)的位置，為目標(biāo)匹配提供位置推測基礎(chǔ)。顆粒的豎直方向位置變化與時(shí)間的關(guān)系如圖10所示。

圖10 顆粒位置與時(shí)間關(guān)系圖Fig.10 Particle position and time diagram

圖10中，yN為顆粒在第N幀中出現(xiàn)的豎直位置，tN為顆粒從下料口運(yùn)動(dòng)至yN處所用的時(shí)間，根據(jù)初速度v0、加速度g以及時(shí)間tN，可得到豎直方向位移yN，同理得到y(tǒng)N+10:

(6)

(7)

將Δt=tN+10-tN代入公式(7)，經(jīng)整理可得到y(tǒng)N關(guān)于yN+10的表達(dá)式:

(8)

(9)

根據(jù)公式(9)，對(duì)80組(yN+10,y′)組數(shù)據(jù)進(jìn)行分析，采用數(shù)據(jù)擬合方法建立y′與yN之間的關(guān)系[14]。本系統(tǒng)中，下料口位于視場上方50 mm，由公式(1)將y0轉(zhuǎn)化成像素距離為487.80 pixel，得到二次擬合結(jié)果如圖11所示，二次函數(shù)如等式(10)所示。由試驗(yàn)數(shù)據(jù)分析，二次擬合函數(shù)的最大誤差δmax=46.475 pixel。

圖11 二次函數(shù)擬合效果Fig.11 Quadratic fitting function.

11 062.75

(10)

在實(shí)際下落過程中，目標(biāo)顆粒在水平方向上同樣存在位移。為避免水平方向的位移對(duì)位置跟蹤的影響，本文對(duì)上述顆粒的80組水平方向位置移動(dòng)Δx數(shù)據(jù)進(jìn)行分析，如圖12所示。

圖12 水平位置移動(dòng)距離統(tǒng)計(jì)圖Fig.12 Statistical of horizontal moving distance

目標(biāo)顆粒在下落運(yùn)動(dòng)過程中，水平方向位移絕對(duì)值最大|Δxmax|=32.83 pixel，小于豎直方向上的最大誤差δmax，可認(rèn)為

xN=xN+10

(11)

綜上分析，間隔10幀的圖像中，同一集料顆粒在第N幀與第N+10幀的位置關(guān)系如式(10)和式(11)所示。

3.4 基于接觸式關(guān)聯(lián)門的反向跟蹤

根據(jù)式(10)和式(11)，基于第N+10幀識(shí)別區(qū)中集料顆粒的坐標(biāo)，可以反向推測出集料顆粒在第N幀圖像檢測區(qū)中出現(xiàn)的位置，如圖13所示。算法以反向推測位置為圓點(diǎn)，以半徑d設(shè)置圓形關(guān)聯(lián)門，在關(guān)聯(lián)門內(nèi)搜索到目標(biāo)即為匹配成功，判定該顆粒第2次重復(fù)出現(xiàn)；反之，判定為首次出現(xiàn)，為非重復(fù)顆粒。

圖13 目標(biāo)匹配分析示意圖Fig.13 Target tracking diagram

圖13中，集料顆粒的實(shí)際位置與反向推測位置存在偏差，其附近可能存在其他顆粒，這些因素要求關(guān)聯(lián)門半徑不能過大或過小。由豎直方向最大誤差以及水平方向最大位移可得最大預(yù)測偏差:

(12)

考慮最大預(yù)測偏差以及鄰近顆粒的影響，設(shè)置關(guān)聯(lián)門半徑略大于最大預(yù)測偏差，其為70 pixel，搜索方式采用接觸式,在跟蹤匹配過程中，關(guān)聯(lián)門與任意目標(biāo)發(fā)生接觸，即為匹配成功，反之，匹配失敗。匹配示意圖如圖14所示。

圖14 反向匹配示意圖Fig.14 Reverse tracking diagram

在圖14(a)中，關(guān)聯(lián)門與顆粒1接觸，即被測目標(biāo)與顆粒1匹配成功，為同一顆粒；在圖14(b)中，顆粒3、顆粒4均與關(guān)聯(lián)門無接觸，則被測目標(biāo)無匹配對(duì)象，為非重復(fù)出現(xiàn)顆粒。

算法跟蹤識(shí)別效果如圖15所示。圖15(a)和圖15(b)中，顆粒a和顆粒f為同一個(gè)顆粒目標(biāo)。顆粒在下落過程中存在旋轉(zhuǎn)，導(dǎo)致在前后圖像中的成像顆粒a與顆粒f輪廓不同，此時(shí)輪廓匹配會(huì)失效，本文算法根據(jù)圖15(d)中顆粒f的位置進(jìn)行反向跟蹤，在圖15(c)中設(shè)置關(guān)聯(lián)門，此時(shí)顆粒a與關(guān)聯(lián)門接觸，成功匹配到顆粒a，能順利識(shí)別出顆粒a與顆粒f為同一顆粒。

4 集料粒徑分布計(jì)算方法

4.1 等效粒徑表征參數(shù)

集料顆粒常用的表征參數(shù)有等效矩形長短軸、等效橢圓長短徑以及等效橢圓Feret短徑[15]，本文選擇與篩分法結(jié)果最為相近的等效橢圓Feret短徑作為等效粒徑[16]。如圖16所示，以集料圖像的最大Feret徑dF為長軸，作與集料圖像面積相同的等效橢圓，其短徑de即為等效橢圓Feret短徑。

圖16 等效橢圓Feret短徑Fig.16 The Feret minor axis of equivalent ellipse

對(duì)于未重復(fù)出現(xiàn)的顆粒，其等效橢圓Feret短徑即為粒徑結(jié)果；對(duì)于重復(fù)顆粒，其前后2次成像的粒徑較大值即為最終粒徑結(jié)果。

4.2 尺寸轉(zhuǎn)化關(guān)系優(yōu)化

在集料圖像采集過程中，由于集料粒徑不同，每個(gè)集料顆粒的成像平面也不同。以小球成像分析為例(見圖17)，大尺寸小球的成像平面比小尺寸小球的成像平面更靠前。在圖像獲取過程中，為了獲得清晰的集料圖像，通常將中等尺寸集料顆粒的下落平面作為拍攝平面。在其他條件不變的情況下，物距越小，公式(1)中的比例系數(shù)K越小。盡管在實(shí)際情況中，不同尺寸的集料顆粒的下落平面差異較小，但直接根據(jù)公式(1)計(jì)算集料的粒徑會(huì)引入一定的誤差。

圖17 小球成像分析Fig.17 Globule imaging analysis

為了探究小球的像素尺寸與實(shí)際尺寸之間的關(guān)系，對(duì)小球尺寸進(jìn)行了定性分析，如圖18所示。

圖18 尺寸變換分析Fig.18 Analysis of dimensional transformation relationship

為了減小此類計(jì)算偏差對(duì)粒徑分布結(jié)果的影響，本文對(duì)K進(jìn)行修正，并引入偏置b，使粒徑計(jì)算結(jié)果更接近真實(shí)情況。據(jù)此，像素大小與實(shí)際大小的關(guān)系可以表示為:

xα=Kxβ+b

(13)

式中:xβ、xα分別為顆粒的實(shí)際尺寸和像素尺寸。

為了確定式(13)中最佳的K和b，選擇4種規(guī)格的集料區(qū)間(4.75～9.5 mm，9.5～16 mm，16～19 mm，19～26 mm)進(jìn)行實(shí)驗(yàn)，每個(gè)規(guī)格的集料樣本數(shù)為200，使用不同的K和b計(jì)算集料的粒徑，并根據(jù)式(14)計(jì)算不同K和b下集料級(jí)配的準(zhǔn)確率P:

(14)

式中:ni是第i規(guī)格顆粒的檢測數(shù)量；mi是第i規(guī)格顆粒的實(shí)際數(shù)量。級(jí)配準(zhǔn)確率分布如圖19所示，當(dāng)K=0.093 6，b=0.67時(shí)，集料級(jí)配的準(zhǔn)確率P=0.936 25。

圖19 粒徑分布準(zhǔn)確率Fig.19 The accuracy under different combinations of K and b

5 結(jié)果分析

5.1 反向跟蹤的識(shí)別率

本文對(duì)500顆粗集料進(jìn)行圖像采集，連續(xù)采集7 147幀圖像，從中間隔采樣715幀ROI圖像，人工方式發(fā)現(xiàn)有104個(gè)目標(biāo)顆粒重復(fù)出現(xiàn)2次。分別采用輪廓匹配法、反向跟蹤法對(duì)圖像中的重復(fù)顆粒進(jìn)行識(shí)別，結(jié)果如表1所示。

由表1可知，與輪廓匹配法相比，本文的反向跟蹤法對(duì)重復(fù)出現(xiàn)的集料顆粒的識(shí)別率更高。

表1 目標(biāo)顆粒識(shí)別比較Tab.1 Target particle recognition comparison

5.2 集料粒徑計(jì)算的的準(zhǔn)確性

為了驗(yàn)證等效粒徑的計(jì)算方法，選擇了4種規(guī)格(4.75～9.5 mm，9.5～16 mm，16～19 mm，19～26.5 mm)的集料樣本進(jìn)行實(shí)驗(yàn)，每種規(guī)格的集料數(shù)量為200顆，分別通過方法1(xα=Kxβ，K=0.102 5)和方法2(xα=Kxβ+b，K=0.093 6，b=0.67)計(jì)算集料粒徑進(jìn)行級(jí)配檢測，結(jié)果如表2所示。

表2 粒徑分析結(jié)果Tab.2 The results of aggregate particle size distribution

從表2可以看出，根據(jù)第2種方法計(jì)算的顆粒尺寸進(jìn)行級(jí)配的結(jié)果比第2種方法更準(zhǔn)確，其集料級(jí)配檢測的準(zhǔn)確性為95.59%。

6 總 結(jié)

本文針對(duì)粗集料的級(jí)配檢測，提出了集料在運(yùn)動(dòng)狀態(tài)下的圖像檢測方法。使用基于掩膜的ROI區(qū)域提取方法，結(jié)合形態(tài)重建方法，解決了圖像中存在不完整顆粒的數(shù)據(jù)統(tǒng)計(jì)問題；使用基于接觸式“關(guān)聯(lián)門”的反向跟蹤算法，對(duì)采樣圖像中的集料顆粒進(jìn)行跟蹤識(shí)別，避免了前后采樣圖像中同一集料顆粒被重復(fù)統(tǒng)計(jì)的情況；使用等效橢圓Feret短徑作為等效粒徑對(duì)集料進(jìn)行粒徑分析，并對(duì)像素尺寸和實(shí)際尺寸的轉(zhuǎn)換關(guān)系進(jìn)行優(yōu)化，提高級(jí)配結(jié)果的準(zhǔn)確性。實(shí)驗(yàn)證明，反向跟蹤算法對(duì)重復(fù)出現(xiàn)的集料顆粒識(shí)別的準(zhǔn)確率為98.08%；集料級(jí)配檢測的準(zhǔn)確率為95.59%。