(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 202211144075.8 (22)申请日 2022.09.20 (71)申请人 眉山环天智慧科技有限公司 地址 620564 四川省眉山市仁寿县 视高街 道高新大道二段1号1栋1层1号 (72)发明人 赵凌园　熊梁何　康若帆　金怀亨　 陆汪　 (74)专利代理 机构 成都嘉企源知识产权代理有 限公司 51246 专利代理师 洪锐 (51)Int.Cl. G06T 7/136(2017.01) G06T 5/00(2006.01) G06T 7/90(2017.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G01G 19/02(2006.01) (54)发明名称 一种基于CNN的图像 分割算法实现渣土车土 方量的计算方法 (57)摘要 本发明公开了一种基于CNN的图像 分割算法 实现渣土车土方量的计算方法， 包括使用RGB颜 色空间分割图像方法的特征阈值选取、 图像特征 值的图像二值化、 CNN的KNN分类方法进行计算； 其具体步骤如下： 步骤1： 对渣土车载土到达目的 地入场时， 通过车辆后轮压力传感器对载土状态 的渣土车的质量进行取值； 步骤2： 当渣土 车驶入 取像区时， 通过高清取像球机对渣土车正上方拍 摄载土状态图像； 步骤3： 对渣土车载土驶出取像 区时， 通过车辆后轮压力传感器对卸完土状态的 渣土车的质量进行取值； 步骤4： 对渣土车载土 彩 色图像进行RGB颜色空间分割图像。 本发明在实 际的使用中大大减小了噪声的影 响， 降低了其识 别结果的偏差 。 权利要求书2页 说明书8页 附图1页 CN 115511905 A 2022.12.23 CN 115511905 A 1.一种基于CNN的图像分割算法实现渣土车土方量的计算方法， 其特征在于： 包括使用 RGB颜色空间分割图像方法的特征阈值选取、 图像特征值的图像二值化、 CNN的KNN分类方法 进行计算； 其具体步骤如下： 步骤1： 对渣土车载土到达目的地入场时， 通过车辆后轮压力传感器对载土状态的渣土 车的质量进行 取值； 步骤2： 当渣土车驶入取像区时， 通过高清取像球机对渣土车正上方拍摄载土状态图 像； 步骤3： 对渣土车载土驶出取像区时， 通过车辆后轮压力传感器对卸完土状态的渣土车 的质量进行 取值； 步骤4： 对渣土车载土彩色图像进行RGB颜色空间分割图像， 并选取具有该土质特征颜 色的阈值， 通过图像特征值的图像二值化将彩色图像进行降噪， 对降噪后的二值化图像基 于CNN的KNN算法进行分类， 分类识别出 该渣土车 所在渣土的土质种类； 步骤5： 根据车辆后轮压力传感器所得载土状态质量与卸土状态质量的差值和经过图 像分割以及卷积神经网络分类识别出土质种类， 依据土质密度计算出土方量。 2.根据权利要求1所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法， 其特征在于： 步骤4中， 图像二 值化包括选择阈值t和根据阈值t对图像进行分割。 3.根据权利要求2所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法， 其特征在于： 阈值选取计数为全局的或局部的阈值选取方法， 通过RGB色彩空间分割输出灰 度图像和 二值图像， 特征阈值的选取决定了图像二值化后的结果， 需要先对彩色图像需转 换成黑白图像， 再对黑白图像进行 上述处理。 4.根据权利要求1所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法， 其特征在于： 步骤4中， 图像特征值根据图像上的一个点P(x， y)或者该点与其周围相邻分量 (红R、 绿G、 蓝B)， 记为度量 值E； 图像上同类颜色的度量相近， 图像上不同类颜色的度量值与目标颜色的度量值相差较 大， 度量值E定义为图像的特征值， 对于同一图像， 需对图像的像素区域或每个像素的颜色 进行统计， 然后根据特点确定特 征表达式。 5.根据权利要求4所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法， 其特征在于： 由于图像颜色分量R、 G、 B的地位相同， 假定特征表达式中三分量的系数绝对值 相等， 由此确定特 征表达式为aR+bG+cB； 其中暂取a＝±1； b＝±1； c＝±1， 确定4个特 征表达式， 具体提 为： f1＝R+G+B； f2＝R+G ‑B； f3＝R‑G+B； f4＝R‑G‑B， 统计待处理图像， 分别计算以上4个特征表达式的方差， 方差较大即为适宜的标准特征 表达式， 根据标准特征表达式将同一图像所规划的不同像素组成集合的每个集合中的成员 的特征表达式构架当前图像特征值的矩阵记为 通过矩阵 计算该矩阵的特征值， 即为 图像二值化的图像特 征值。 6.根据权利要求5所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法，权　利　要　求　书 1/2 页 2 CN 115511905 A 2其特征在于： 根据图像二值化的图像特征值， 进行CNN的KNN分类， 是CNN对于各土质种类的 训练识别模型， 之后通过KNN最邻近算法进 行归类； 然后 将图像二值化的图像特征值替换为 KNN算法中K的值， 根据CNN中各土质种类的模型中的特征值点位与替换后的K值进行欧式距 离计算， 计算出 的值越小说明该图像二值化的特征值更接近与模型中某种类土质， 即可得 出该图像中土质的种类； 最后依据上述土质种类对应密度范围可计算出该渣土车所载土方 量。 7.根据权利要求6所述的一种基于CNN的图像分割算法实现渣土车土方量的计算方法， 其特征在于， 土质种类具体如下： 一类土： 松软土， 主要包括砂土、 粉土、 冲积砂土层， 疏松的种植土、 淤泥(泥炭)； 密度 600～1500㎏/m3； 二类土： 普通土， 包括粉质粘土、 潮湿的黄土、 夹有碎石、 卵石的砂、 粉质混卵(碎)石、 种 植土、 填土； 密度1 100～1600㎏/m3； 三类土： 坚土、 软及中等密实粘土、 重粉质粘土、 砾石土、 干黄土、 含有碎石卵石的黄土、 粉质粘土， 压实的填土； 密度175 0～1900㎏/m3； 四类土： 砂砾坚土； 坚硬密实的粘性土或黄土、 汗碎石、 卵石的中等密实是粘性土或黄 土、 粗卵石、 天然 级配砾石、 软泥灰岩； 密度190 0㎏/m3。权　利　要　求　书 2/2 页 3 CN 115511905 A 3