2017, Vol. 34扩展功能
文章信息
- 黄志福, 赵毅, 梁乃兴, 吕瑞
- HUANG Zhi-fu, ZHAO Yi, LIANG Nai-xing, LÜ Rui
- 基于数字图像处理技术的沥青混合料摊铺均匀性实时监测评价方法
- A Method for Real-time Monitoring and Evaluating Asphalt Mixture Paving Uniformity Based on Digital Image Processing Technology
- 公路交通科技, 2017, 34(4): 8-15, 79
- Journal of Highway and Transportation Research and Denelopment, 2017, 34(4): 8-15, 79
- 10.3969/j.issn.1002-0268.2017.04.002
-
文章历史
- 收稿日期: 2016-06-14
2. 安徽省交通控股集团有限公司, 安徽 合肥 230088;
3. 河北交通职业技术学院, 河北 石家庄 050091
2. Anhui Transportation Holding Group Co., Ltd., Hefei Anhui 230088, China;
3. Hebei Jiaotong Vocational & Technical College, Shijiazhuang Hebei 050091, China
热拌沥青混合料在摊铺过程中，因粗细集料分布不均匀容易产生离析现象[1]。沥青混合料的离析会导致实际的级配、沥青含量严重偏离设计值，造成沥青路面整体质量不均匀，这不仅会诱发沥青路面发生各类早期损害，而且对路面长期使用性能也有重要影响[2-5]。因此，控制沥青混合料摊铺离析对改善沥青路面路用性能具有重要意义。
随着电子和计算机技术的迅猛发展，数字图像处理技术开始运用于沥青混合料均匀性的研究[6-7]。Tahman等[8]提出混合料中粒径大于2.36 mm的集料离析的评价方法；Hunter等[9]提出了通过比较截面上相等区域里集料累积面积值的大小评价离析程度的方法。Tahman法和Hunter法仅考虑截面上集料的分布数目 (以累计的集料面积表示)，但对集料的分布位置考虑不多。同济大学彭勇等[10-11]提出从集料的分布位置和分布数量两方面定量评价沥青混合料的均匀性；吉林大学吴文亮等[12]提出采用颗粒面积比的变异系数作为均匀性评价指标, 定量评价沥青混合料的均匀性。本文依托“高速公路沥青路面建设远程智能监控系统研究”课题，采用数字图像处理技术研究沥青混合料表面集料分布形态特征，提出了摊铺过程中离析计算及判别方法，并通过MATLAB软件编程实现沥青混合料离析快速检测、实时判断和评价，为降低沥青路面施工过程中摊铺离析提供指导。
1 计算方法 1.1 数字图像处理技术基本原理数字图像处理 (DIP) 技术，即用计算机对图像进行处理。计算机处理的信号都是数字信号，所以在计算机上处理的图像均为数字图像。图像的转化过程称为数字化。物理图像被分割为称作像素的若干小区域。对每个像素位置的亮度进行采样和量化，从而得到一个表示其亮暗程度的整数值。数字图像是以二维矩阵在计算机中进行存储的，数字图像处理的实质是对二维矩阵的处理。在计算机中，二维图像通常为一个二维数组f(x, y)或者是一个M×N的二维矩阵 (其中，M为图像的行数，N为图像的列数)[13]。
图像二值化就是将图像上像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果，其中“0”表示纯黑色，“255”表示纯白色，中间的数字从小到大表示由黑到白的过渡色，表征其颜色的深浅程度。
1.2 沥青混合料原始图像采集沥青混合料原始图像采集过程要标准、规范，否则严重影响后续数据处理的准确性[14]。研究过程中，采用智能手机紧跟沥青混合料摊铺机边摊铺边拍摄，考虑到采集图像信息时的高度决定颗粒成像的大小，因此对采集高度进行了控制。在数字图像采集过程中，综合考虑发光源的亮度、照射角度等受照状态影响因素相同情况下进行多个测点图像采集，拍摄时保持镜头平面与道路表面平行，相机固定支架如图 1所示。拍摄的沥青路面数字图像如图 2所示。
|
| 图 1 相机固定支架图 Fig. 1 Camera bracket |
| |
|
| 图 2 沥青混合料原始数字图像 Fig. 2 Original digital image of asphalt mixture |
| |
在原始图像采集时，根据采集设备的高度以及数字图像的分辨率，将粒径大小由毫米单位换算为像素单位，从而计算颗粒面积的像素大小。本文采用高度与正方形图像宽度比值为1:1.2，图片分辨率为2 448×2 448。对应的高度与像素值如表 1所示。
| 粒径/mm | 4.75 | 9.5 | 13.2 | 19 | 26.5 | 32 | |
| 面积/mm2 | 17.7 | 70.9 | 136.8 | 283.5 | 551.5 | 804.5 | |
| 高度/mm | 600 | 211 | 844 | 1 624 | 3 374 | 6 563 | 9 570 |
| 1 000 | 74 | 295 | 569 | 1 179 | 2 294 | 3 345 | |
| 1 100 | 61 | 245 | 473 | 981 | 1 908 | 2 783 | |
由于在图像预处理时，需要先剔除对离析影响可忽略不计的小块，并且后期在计算时需要按像素值来进行计算，所以数据量庞大，为了满足软件运行时间达到可以实时处理的效果，本文在初期处理时将小于 (2 448+2 448)/50=97.92像素的颗粒排除，然后从剩余的颗粒中筛选出影响沥青混合料离析的颗粒。从表 1中可知，在高度为600 mm时，最小为211像素的颗粒，9.5粒径的颗粒对应的像素值为844。而1 000 mm与1 100 mm高度时，4.75粒径对应的像素值都小于筛选过滤最大限度，所以可能影响到后期档料分离效果。故本文选取600 mm高度的沥青混合料图像信息进行分析计算。
1.3 沥青混合料离析程度分析 1.3.1 图像灰化图像灰化是将获得的彩色数码图像转化为由“黑”到“白”(从0~255共256个整数灰度级) 的黑白图像，便于进行图像二值化处理。同时，尽量多的去除沥青等干扰因素，并降噪、滤波等，尽量减少石料粘连状况，为后期算每个集料大小做准备[15]。沥青混合料灰度图像如图 3所示。
|
| 图 3 沥青混合料灰度图像 Fig. 3 Gray image of asphalt mixture |
| |
1.3.2 图像预处理
(1) 图像滤波
原始图像在采集、传送和转换过程中，常常会加入一些噪声，使图像表现为模糊、失真等。利用Gabor滤波器提取图像纹理特征，用于图像分类模式识别，实现颗粒的初步分离。同时，根据图像中的噪声进行自适应维纳滤波，减少干扰环境的影响，增强图像平滑性[16]。
(2) 直方图均化处理
直方图均衡化操作是对图像直方图进行处理，使得处理后的直方图为平坦形状，增强图像对比度。
(3) 形态学图像处理
文中采用开运算，例如结构元素B对A的开运算，即首先采用结构元素B对A做腐蚀运算，然后再做膨胀运算，使用相同的结构元素。通过开运算使图像的轮廓变得光滑，断开狭窄的间断和消除细的突出物。
1.3.3 图像二值化处理图像二值化处理是整个图像处理过程中的关键部分，是将具有256个灰度级的图像转化为只有两个级别 (分别表示沥青和集料) 的黑白图像[17]。灰度级低于阙值的为沥青，反之则判断为集料。沥青混合料二值图像如图 4所示。二值图像可以显示各颗粒的形状。
|
| 图 4 沥青混合料二值图像 Fig. 4 Binary image of asphalt mixture |
| |
在施工中，判别沥青混合料是否离析，须分析沥青混合料中颗粒的分布状态，可根据现有分析软件将各档集料分离出来，然后对各档集料的分布状态进行判别分析。MATLAB程序可对沥青混合料二值化图像进行分类提取，由于细集料颗粒较小、数量多，对整体集料均匀程度影响在允许的误差范围之内，而粗集料的分布情况才真正决定整个图片信息中沥青混合料离析程度。而且采集图像信息时的高度决定颗粒成像的大小，考虑到监控范围需要足够大，为使图像中各档集料之间的区别更明显，本文选取9.5 mm粒径以上的颗粒作为研究对象。图 5为9.5~26.5 mm粒径的沥青混合料二值图像。
|
| 图 5 9.5~26.5 mm粒径的沥青混合料二值图像 Fig. 5 Binary image of asphalt mixture material with 9.5-26.5 mm particle size |
| |
1.3.4 沥青混合料数字试件图像分析
根据离析的定义，若沥青混合料分布是均匀的，那么理论上各档集料对X轴、Y轴的静距和与其在相同条件下理想均匀分布状态时静距和的差为0[18]。基于以上假设，根据静距定义得：
|
(1) |
|
(2) |
|
(3) |
式中, Sx, Sy分别为图像中各档集料X轴、Y轴的静距；(xi，yi) 为图像中第i个集料的质心坐标；N是显示的颗粒个数；m是颗粒质量 (这里以颗粒面积代替)，i=1，2，3，…，N； S0是静距和，如图 6所示。
|
| 图 6 静距示意图 Fig. 6 Schematic diagram of static distance |
| |
(2) 平均理论值
|
(6) |
|
(7) |
|
(8) |
|
(9) |
式中，m0为平均颗粒质量 (这里用面积代替)；x0i，y0i分别为将N个平均后的圆形颗粒均匀分布在图形中后距离中心O的距离；S0为平均理论静距和，如图 7所示。颗粒数N依第二步所得出的数量，然后均匀排列。
|
| 图 7 平均理论示意图 Fig. 7 Schematic diagram of averaging theory |
| |
1.3.5 沥青混合料离析判别
根据离析的概念可知，当沥青混合料各档集料都分布达到理想化时，各档集料会得出一个标准静距值，而实际中混合料离析时，所得出的静距值大于或小于这个标准值，二者相减会得出的一个差值，根据这个差值就可以判断混合料是否离析。考虑到实际情况不能达到最理想化的状态，所以通过大量的现场工程试验数据，制定一个数据库以及标准范围来判断混合料离析的标准α0。
|
(10) |
若图像整体没有离析，即静距差没有超出所制定的离析标准值范围，在这种条件下，如若沥青混合料都集中圆心位置，而得出的也在标准值范围之内，此时需要将图像按照过几何中心的X轴、Y轴分为4个部分，如图 8所示，分别再对4个部分进行进一步的静距计算比较：第一，分别计算4个区域对自身区域中心的实际静距和值; 然后减去原始图像标准静距和的
|
| 图 8 图像的4个区域分布 Fig. 8 Four regional distribution of image |
| |
具体公式步骤如下：
(1) 小区域间计算公式：
|
(11) |
|
(12) |
|
(13) |
|
(14) |
式中，n为各个区域内的颗粒个数；Ai为各个区域内颗粒的面积；αi为各个颗粒到中心O的距离 (如有颗粒在分界线上，依质心位置而定)。所以对原始中心的静距差：
|
(15) |
式中α01是一区域相对于原始中心的静距差。同理，依次得到α02，α03，α04对应的2，3，4区域对原始中心的静距差。得出和：
|
(16) |
(2) 将4个区域分别放大，针对区域1，2，3，4进行静距和值以及自身平均理论静距值计算，类似于原始图像S0和S0的计算步骤。由于前一步中S1，S2，S3，S4已求得，所以：
|
(17) |
式中S01为区域1的平均理论静距值 (计算步骤与S0相同)；α11为区域1得到的自身静距差。以此类推，可以得出区域2，3，4对应的自身静距差为α22，α33，α44。所以得出：
|
(18) |
综上所述，最终判定一幅图像中的沥青混合料是否离析，需要依次对α0，α1，α2值进行判断识别，只要有一个值不在标准值范围之内，说明此图像信息存在离析现象。
2 软件编程本软件是在仔细对比国内外其他图像处理软件的基础上，通过相关研究选取了影响沥青混合料摊铺质量的关键参数，确定了图像监控方案，开发了基于MATLAB系统软件的程序系统对沥青混合料摊铺实时监控。
设计系统共进行5个阶段——分析、定义阶段，算法研究阶段，制作阶段，测试、检验阶段，软件设计构架如图 9所示。
|
| 图 9 软件构架设计 Fig. 9 Software structure design |
| |
系统软件运行的界面如图 10所示。此软件具体由两大部分组成，一是图片预处理，二是数据分析计算。
|
| 图 10 软件主界面 Fig. 10 Software main interface |
| |
3 工程案例
依托安徽省泗许和济祁两条高速公路试验路，对运用数字图像处理技术的沥青混合料均匀分布评价方法进行验证与修正，形成高速公路沥青混凝土路面建设的远程智能监管系统。
3.1 原始数字图像采集以泗许、济祁高速公路中面层AC20沥青混合料施工摊铺为样本数据值，对沥青混合料摊铺机摊铺施工时的沥青混合料进行图像采集，如图 11所示。
|
| 图 11 采集沥青混合料摊铺原始图像 Fig. 11 Collecting original images of paving asphalt mixture |
| |
3.2 计算分析
应用系统处理软件，对施工中采集的1 000张图像信息进行分析计算，得到的数据如表 2所示。
| 序号 | 实际静距和 | 平均理论静距和 | 静距差 | 分区对原始中心静距差 | 分区内静距差 |
| 1 | 210 230 000 | 170 607 000 | 39 622 500 | 111 976 000 | 45 566 400 |
| 2 | 206 708 000 | 143 964 000 | 62 744 500 | 84 628 500 | 38 227 100 |
| 3 | 184 862 000 | 162 039 000 | 22 823 000 | 121 106 000 | 3 169 8400 |
| 4 | 181 330 000 | 107 337 000 | 73 992 900 | 70 331 800 | 25 883 700 |
| 5 | 167 733 000 | 142 028 000 | 25 704 700 | 110 942 000 | 35 435 600 |
| 6 | 180 846 000 | 108 670 000 | 72 175 400 | 71 671 100 | 33 319 600 |
| 7 | 162 411 000 | 66 871 900 | 95 539 300 | 37 028 200 | 23 989 900 |
| 8 | 186 355 000 | 108 322 000 | 78 032 700 | 67 398 600 | 29 249 400 |
| 9 | 192 880 000 | 116 687 000 | 76 193 600 | 77 377 000 | 32 445 600 |
| 10 | 207 239 000 | 286 930 000 | 79 691 400 | 240 979 000 | 71 723 700 |
| 11 | 223 040 000 | 133 569 000 | 89 470 900 | 82 998 300 | 37 493 200 |
| 12 | 227 807 000 | 144 762 000 | 83 045 300 | 9 1067 600 | 54 175 100 |
| 13 | 233 130 000 | 155 167 000 | 77 963 400 | 98 475 000 | 41 011 900 |
| 14 | 225 504 000 | 142 465 000 | 83 039 800 | 83 318 400 | 49 115 300 |
| 15 | 226 930 000 | 141 712 000 | 85 218 100 | 81 755 500 | 51 870 800 |
| 16 | 227 977 000 | 159 401 000 | 68 575 900 | 107 556 000 | 89 487 500 |
| 17 | 203 843 000 | 120 927 000 | 82 915 500 | 75 267 200 | 42 568 400 |
| 18 | 178 868 000 | 128 431 000 | 50 436 800 | 90 455 300 | 38 473 800 |
| 19 | 175 078 000 | 136 441 000 | 38 637 000 | 101 196 000 | 42 752 300 |
| 20 | 195 318 000 | 156 345 000 | 38 972 900 | 117 408 000 | 31 449 300 |
| 21 | 199 135 000 | 142 312 000 | 56 823 000 | 95 065 200 | 66 372 400 |
| 22 | 210 603 000 | 123 012 000 | 87 591 400 | 76 621 400 | 57 385 200 |
| … | … | … | … | … | … |
| 975 | 226 039 000 | 164 945 000 | 61 094 100 | 112 470 000 | 46 093 700 |
| 976 | 231 867 000 | 149 015 000 | 82 852 100 | 89 809 000 | 54 554 500 |
| 977 | 247 298 000 | 145 985 000 | 101 313 000 | 91 217 800 | 74 993 700 |
| 978 | 211 116 000 | 121 795 000 | 89 321 800 | 72 753 500 | 54 674 000 |
| 979 | 203 859 000 | 113 512 000 | 90 347 000 | 69 002 200 | 38 817 300 |
| 980 | 172 749 000 | 154 492 000 | 18 258 000 | 117 308 000 | 55 006 400 |
| 981 | 221 686 000 | 120 242 000 | 101 444 000 | 65 551 500 | 51 446 200 |
| 982 | 242 618 000 | 261 394 000 | 18 776 600 | 199 022 000 | 75 157 100 |
| 983 | 276 039 000 | 275 409 000 | 630 059 | 196 010 000 | 75 972 300 |
| 984 | 217 345 000 | 244 479 000 | 27 133 700 | 197 946 000 | 61 239 200 |
| 985 | 248 628 000 | 157 812 000 | 90 816 100 | 96 976 800 | 56 704 100 |
| 986 | 255 151 000 | 139 151 000 | 115 999 000 | 78 203 700 | 53 613 900 |
| 987 | 270 211 000 | 164 445 000 | 105 767 000 | 95 702 700 | 114 828 000 |
| 988 | 271 988 000 | 139 733 000 | 132 255 000 | 69 009 700 | 56 711 000 |
| 989 | 246 075 000 | 150 600 000 | 95 474 800 | 91 811 300 | 42 040 900 |
| 990 | 250 214 000 | 207 979 000 | 42 234 400 | 141 059 000 | 71 251 300 |
| 991 | 275 088 000 | 175 405 000 | 99 682 600 | 103 119 000 | 70 208 800 |
| 992 | 271 830 000 | 164 670 000 | 107 160 000 | 85 560 300 | 53 843 200 |
| 993 | 268 213 000 | 141 587 000 | 126 626 000 | 697 78 000 | 3 4140 600 |
| 994 | 248 849 000 | 167 360 000 | 81 489 300 | 103 439 000 | 43 265 100 |
| 995 | 244 290 000 | 160 817 000 | 83 473 900 | 96 024 900 | 52 712 200 |
| 996 | 261 369 000 | 174 656 000 | 86 712 800 | 102 695 000 | 50 929 700 |
| 997 | 219 925 000 | 104 959 000 | 114 966 000 | 53 940 200 | 35 911 700 |
| 998 | 187 043 000 | 100 095 000 | 86 947 700 | 56 662 600 | 43 465 800 |
| 999 | 191 354 000 | 69 156 800 | 122 197 000 | 43 777 000 | 29 144 300 |
| 1 000 | 174 855 000 | 83 171 000 | 91 683 500 | 49 944 600 | 48 878 400 |
| 平均值 | 70 284 412 | 125 762 411.3 | 57 769 856.3 | ||
| 标准差 | 39 193 968 | 70 818 198.07 | 21 273 097.95 | ||
| 变异系数 | 0.557 648 1 | 0.563 111 007 | 0.368 238 72 |
从表 2中可以看出，1 000个图像中静距差α0，分区对原始中心静距差α1及分区内静距差α2的变异系数较小。因此，取α0，α1，α2的平均值作为判断沥青混合料的离析指标D。
为了验证此标准是否符合一般规律，随机对几张图片进行检验，如图 12所示。
|
| 图 12 沥青混合料摊铺图像分析实例 Fig. 12 Analysis example of asphalt mixture paving image |
| |
由图 12(a)可知，颗粒的分布状态相对均匀，得到的α0，α1，α2均小于制定的离析指标值D，故其没有离析。
由图 12(b)可知，大部分颗粒明显集中在第二象限，而且得到的α0，α1，α2值也都明显大于离析指标D，故其离析。
由图 12(c) 可知，α0，α1值小于离析指标D，但α2值却大于指标D值，而且直观上看，三、四象限的颗粒分布明显比一、二象限的多，故其离析。
综上所述，本系统软件可以定量评价沥青混合料的离析，并且研究结果与一般经验相符。
4 结论(1) 运用数字图像处理技术分析沥青混合料摊铺离析状况，可避免人为主观性，具有效率高、费用低、信息量大，客观性强、操作便捷、适用面广等特点，分析过程易于实行程序化运算，便于实现沥青混合料摊铺离析检测的连续化。
(2) 运用数字图像处理技术对沥青路面表面数字图像进行分析，规范了沥青混合料原始图像的采集标准，确定了图像灰化和二值化的过程，以各档集料对X轴、Y轴的静距差α0、区域相对于原始中心的静距差α1和自身静距差α2作为判断沥青混合料的离析指标。
(3) 基于MATLAB系统软件编程，开发了沥青混合料摊铺实时监控系统软件，实现离析量化计算的快速、界面; 以泗许、济祁高速公路中面层AC-20沥青混合料施工摊铺离析计算分析，验证了计算方法和监控软件的可靠性、准确性。
| [1] | 丛林, 郑晓光, 郭忠印. 施工离析对沥青混合料性能的影响分析[J]. 同济大学学报:自然科学版, 2007, 35(4): 477-480 CONG Lin, ZHENG Xiao-guang, GUO Zhong-yin. Influence of Segregation in Construction on Asphalt Mixture Performance[J]. Journal of Tongji University: Natural Science Edition, 2007, 35(4): 477-480 |
| [2] | 张争奇, 徐耀辉, 胡红松, 等. 沥青路面离析的数字图像评价方法[J]. 湖南大学学报:自然科学版, 2016, 43(9): 129-135 ZHANG Zheng-qi, XU Yao-hui, HU Hong-song, et al. Digital Image Evaluation Method of the Bituminous Pavement Segregation[J]. Journal of Hunan University: Natural Science Edition, 2016, 43(9): 129-135 |
| [3] | 车飞. 沥青混合料离析对季冻区沥青路面长期路用性能的影响[D]. 西安: 长安大学, 2009. CHE Fei. Influence of Asphalt Mixture Segregation on Asphalt Pavement Long-term Performance in Seasonal Frozen Region [D]. Xi'an: Chang'an University, 2009. |
| [4] | EFENDIEV Y, ZACHARICH M R. Hybrid Monte Carlo Method for Simulation of Two-component Aerosol Coagulation and Phase Segregation[J]. Journal of Colloid & Interface Science, 2002, 249(1): 30-43 |
| [5] | 彭勇, 孙立军, 石永久, 等. 沥青混合料均匀性与路用性能指标的关系[J]. 同济大学学报:自然科学版, 2008, 36(4): 488-492 PENG Yong, SUN Li-jun, SHI Yong-jiu, et al. Relationship Between Homogeneity and Indices of Asphalt Pavement Performance[J]. Journal of Tongji University: Natural Science Edition, 2008, 36(4): 488-492 |
| [6] | YUE Z, BEKKING W, MORIN I. Application of Digital Image Processing to Quantitative Study of Asphalt Concrete Microstructure[J]. Transportation Research Record, 1995, 1492: 53-60 |
| [7] | MASAD E, JANDHYALA V K, DASGUPTA N, et al. Characterization of Air Void Distribution in Asphalt Mixes using X-ray Computed Tomography[J]. Journal of Materials in Civil Engineering, 2002, 14(2): 122-129 |
| [8] | TASBMAN L S. Internal Structure Analysis of Asphalt Mixes to Improve the Simulation of Superpave Gyratory Compaction to Field Conditions[J]. Maine Law Review, 2001, 61(1): 490-498 |
| [9] | HUNTER A, AIREY G, COLLOP A. Aggregate Orientation and Segregation in Laboratory-compacted Asphalt Samples[J]. Transportation Research Record, 2004, 1891: 8-15 |
| [10] | 彭勇, 孙立军, 董瑞琨. 沥青混合料均匀性评价新方法的探讨[J]. 同济大学学报:自然科学版, 2005, 33(2): 166-168 PENG Yong, SUN Li-jun, DONG Rui-kun. Discussion about New Method for Evaluating Homogeneity of Hot-mix Asphalt[J]. Journal of Tongji University: Natural Science Edition, 2005, 33(2): 166-168 |
| [11] | 彭勇, 孙立军, 王元清, 等. 数字图像处理在沥青混合料均匀性评价中的应用[J]. 吉林大学学报:工学版, 2007, 37(2): 334-337 PENG Yong, SUN Li-jun, WANG Yuan-qing, et al. Application of Digital Image Processing in Evaluating Homogeneity of Asphalt Mixture[J]. Journal of Jilin University: Engineering and Technology Edition, 2007, 37(2): 334-337 |
| [12] | 吴文亮, 李智, 张肖宁. 用数字图像处理技术评价沥青混合料均匀性[J]. 吉林大学学报:工学版, 2009, 39(4): 921-925 WU Wen-liang, LI Zhi, ZHANG Xiao-ning. Evaluation of Asphalt Mixture Homogeneity with Digital Image Processing Technique[J]. Journal of Jilin University: Engineering and Technology Edition, 2009, 39(4): 921-925 |
| [13] | 王端宜, 李维杰, 张肖宁. 用数字图像技术评价和测量沥青路表面构造深度[J]. 华南理工大学学报:自然科学版, 2004, 32(2): 42-45 WANG Duan-yi, LI Wei-jie, ZHANG Xiao-ning. Evaluation and Measurement of Asphalt Pavement Surface Texture Depth with Digital Image Technique[J]. Journal of South China University of Technology: Natural Science Edition, 2004, 32(2): 42-45 |
| [14] | 宋永朝, 闫功喜, 隋永芹, 等. 基于数字图像处理技术的沥青路面表面纹理构造分布[J]. 中南大学学报:自然科学版, 2014, 45(11): 4075-4080 SONG Yong-chao, YAN Gong-xi, SUI Yong-qin, et al. Texture Structure Distribution of Asphalt Pavement Surface Based on Digital Image Processing Technology[J]. Journal of Central South University: Science and Technology, 2014, 45(11): 4075-4080 |
| [15] | 沙爱民, 李亚非, 秦雯. 基于数字图像处理技术的沥青混合料运动特性[J]. 长安大学学报:自然科学版, 2011, 31(6): 1-5 SHA Ai-min, LI Ya-fei, QIN Wen. Movement Characteristics of Asphalt Mixture Based on Digital Image Disposal Technology[J]. Journal of Chang'an University: Natural Science Edition, 2011, 31(6): 1-5 |
| [16] | 刘浩, 韩晶. MATLAB R2012a完全自学一本通[M]. 北京: 电子工业出版社, 2013. LIU Hao, HAN Jing. Completely Self-taught in the MATLAB R2012a[M]. Beijing: Publishing House of Electronics Industry, 2013. |
| [17] | 李想, 梁乃兴, 赵毅. 基于数字图像技术沥青路面集料离析的研究[J]. 中外公路, 2014, 34(4): 90-93 LI Xiang, LIANG Nai-xing, ZHAO Yi. Research on Asphalt Pavement Aggregate Segregation Based on Digital Image Technology[J]. Journal of China & Foreign Highway, 2014, 34(4): 90-93 |
| [18] | 潘艳珠, 吴文亮, 王端宜. 基于数字图像处理技术的沥青混合料级配离析评价方法[J]. 中外公路, 2011, 31(4): 221-224 PAN Yan-zhu, WU Wen-liang, WANG Duan-yi. Study on Evaluation Method of Asphalt Mixture Gradation Segregation Based on Digital Image Processing Technology[J]. Journal of China and Foreign Highway, 2011, 31(4): 221-224 |