颗粒粒度检测综述讲解

精选优质文档-倾情为你奉上 研究生课程论文颗粒粒度测量技术 课程名称 文献阅读与专题报告 姓 名 学 号 专 业 测试计量技术及仪器 任课教师 开课时间 2013-2014学年第二学期 1-18周 教师评阅意见：论文成绩评阅日期 课程论文提交时间：2014年 9 月 15日 颗粒粒度测量技术作者： 学院： 年级：学号：摘要:砂砾粒度分布是混凝土拌合物质量的关键。本文对不同的颗粒粒度分析方法作了详细介绍，对传统的筛分法，激光粒度以及图像处理法等各粒径检测方法进行了归纳总结，对各分析方法的优缺点做了分析。介绍了国内外粒度测量的发展现状。关键词：粒度分析；筛分法；激光粒度法；机器视觉；在工程建设中，混凝土是建筑用的主要材料。混凝土分为天然砂和机制砂两种，迄今为止天然砂占了大半。为保护有限河砂资源，避免过度开采、滥采，避免影响生态以及江河防洪堤、航运和桥梁使用安全，我国向相关政府、单位、科研院校等发出了有必要通过推广应用机制砂解决建设工程用砂量问题的通知，其内容还包含了要加强机制砂生产和应用过程的质量管控，确保工程质量安全。确保机制砂的粒径分布满足国际标准是保证混凝土质量的重要指标，确定适用于水泥混凝土用机制砂颗粒大小和形状的检测方法，对于控制机制砂生产质量、保证机制砂混凝土性能具有重要的经济意义。1.颗粒粒度检测方法传统的颗粒测量方法有筛分法、显微镜法、沉降法、电感应法等，近年来发展的方法有激光衍射法、计算机图像分析技术，基于颗粒布朗运懂得粒度测量法等1。在实验室的科学研究中，筛分法、马尔文激光检测法和图像法是比较常用的手段。1.1筛分法颗粒粒度的测定方法中历史最长、最通行的是筛分法，它是借助人工或不同的机械振动装置2，将颗粒样品通过一系列具有不同筛孔直径的标准筛（即筛系），分离成若干个粒级，再分别称重，然后求得以质量分数表示的颗粒粒度分布3。筛分法的优点是原理简单、直观，操作方便，易于实现，这也是其获得广泛应用的重要原因。而筛分法的缺陷也不能忽视。一般来说，筛分法因为粒径段的划分受限于筛层数，所以对粒径分布的测量略显粗糙，在一定程度上影响了结果的精度。另外，筛分的过程中因为振动强烈，一些颗粒种类可能极易破损。从而破坏了粒径分布，影响了测量结果。某些颗粒相互吸附的作用较强，在筛分中经常出现聚合成团的现象，这也影响了筛分结果的准确性4。基于筛分法的特点，其应用主要在大粒径颗粒的粒径分布测量，如45m以上。而对于粒径较小的颗粒，除非使用特殊的方法，筛分法的可靠性较低。目前国际上通行的筛系有美国TYLES 筛系、美国ASTM 筛系、国际标准化组织ISO筛系、日本JIS 筛系、英国BS 筛系等。1.2激光粒度法1.2.1静态光散射法在静态光散射粒度分析法中, 当颗粒粒度大于光波波长时, 可用夫朗和费衍射测量前向小角区域的散射光强度分布来确定颗粒粒度。米氏散射理论（Mie Theory）5是麦克斯韦方程组对处在均匀介质中的均匀球颗粒在平面单色波照射下的严格的数学解6。它是基于三个假设：粒子为球形且各向同性、不考虑粒子间的多重散射、粒子的散射波间不存在干涉。这种方法的原理是探测微粒的米氏散射能量和相应的散射角度，并计算出粒径分布。弗朗和费衍射理论7是米氏理论的一种简化。经常用艾里公式表示： （1-1）式中是1阶第一类贝塞尔函数；是入射光强；：角处的出射光强。若在物面后放置一块透镜，在透镜的焦平面上，有 （1-2）式中称为特征粒径。其中S：焦点到观察点的距离；f：透镜焦距；：入射波长；d：颗粒直径。而以此为理论基础，就出现了利用阵列探测激光通过颗粒后的衍射能量分布及其相应的衍射角度，并由此计算出被测样品的粒径分布的仪器8。激光粒度分析仪利用激光照射适当分散颗粒所产生衍射与散射现象与衍射原理，激光发出的单色光经光路变换成为平面波的平行光。平行光经过试样槽，遇到散布其中的颗粒，发生衍射和散射，从而在后方产生光强的相应分布，被信息接收器接收并转化为电信号，进而经过复杂的程序处理得出颗粒粒径分布。静态激光光散射法主要测定微米级颗粒，测量范围一般在0.5300 m，获得的是等效球体积分布，测量准确，速度快，代表性强，重复性好，适合混合物料的测量。可以测试干粉样品，也可以测量混合粉、乳浊液和雾滴等。缺点是需要样品分散系统，不宜测量粒度分布很窄的样品，分辨率相对较低9。1.2.2动态光散射法当颗粒粒度小于光波波长时, 由瑞利散射理论,散射光相对强度的角分布与粒子大小无关, 不能够通过对散射光强度的空间分布( 即上述的静态光散射法) 来确定颗粒粒度, 动态光散射正好弥补了在这一粒度范围其他光散射测量手段的不足10. 原理是当光束通过产生布朗运动的颗粒时, 会散射出一定频移的散射光, 散射光在空间某点形成干涉, 该点光强的时间相关函数的衰减与颗粒粒度大小有一一对应的关系。通过检测散射光的光强随时间变化, 并进行相关运算可以得出颗粒粒度大小。尽管如此,动态光散射获得的是颗粒的平均粒径, 难以得出粒径分布参数。1.3数字图像技术数字图像处理是近30多年来蓬勃发展起来的一门新兴学科,随着计算机技术的发展,数字图像处理技术目前已经发展成熟,并且越来越广泛地应用于空间探测、遥感、生物医学、人工智能及工业检测等许多领域。传统的显微镜法测定颗粒粒度分布时，通常采用显微拍照法将大量颗粒试样照相，然后，根据所得的显微照片，采用人工方法进行颗粒粒度分析统计。由于测量结果受主观因素影响较大，测量精度不高，而且操作繁重费时容易出错11, 12。图像处理技术发展到今天，许多技术已日趋成熟13。随着摄像器材的不断发展，价格不断下降，当前市场已有数百万像素以上的摄像产品，可以采集到高分辨率的显微数字图像，基本上能满足细粒物料图像粒度分析的要求。因此，分开发一种能进行矿物粒度分析的图像识别系统是必要且可能的14。图像分析系统一般由微型计算机、系统显示器、图像采集卡、CCD摄像机以及图像处理软件构成，如图1。首先采用CCD或CMOS摄像系统对颗粒进行拍摄，后经过图像采集卡采集图像进行数字化处理，然后通过计算机和图像处理软件对数字化图像进行处理，处理过程包括图像预处理、边缘检测、粒度统计，从而直观的测量颗粒形状以及粒度分布15。图像法是一种非常直观的测量方法,它可以在测量的过程中显示颗粒的形状和大小,实时的对颗粒的大小和形状进行监控,通过不断的完善图像处理的算法,可以使得这种测量方法实现精确的在线测量。颗粒图像处理是完成显微图像法颗粒测量的关键环节。颗粒图像进行识别和分析处理的主要目的是从背景中提取出颗粒的信息,因此在图像的处理过程中,需要增强颗粒和背景的灰度差别,方便把颗粒和背景划为不同的区域,为图像分割提供良好的环境16。 图12.基于机器视觉粒度检测国内外研究现状2.1国外研究现状CCD出现之前,颗粒图像采集的方法主要有直接拍照，全息拍照，电视拍摄或电影拍摄等方法。比较有名的试验如Daidzic等人采用直接拍照的方式在美国重量实验室(United States Microgravity Laborato)对失重状态下的液滴颗粒粒径进行了测量17。Shimizu等人采用全息拍照的方法设计了一套可以同时测量颗粒粒径和形状的系统18。Golest和Malm则采用直接成像的方法对空气中的微细颗粒进行测量,并设计了一套基于图像处理的空气质量在线检测系统19。最早利用机器视觉进行矿石颗粒的尺寸测量可以追溯到 1976 年，澳大利亚的 Julius Kruttschnitt20研究所采用放置于传送带上方的光学传感器对传送带上的矿石进行扫描，利用获取的一维信号来测量矿石的弦长。这种方法可以对矿石的弦长进行实时测量，但是该方法简单的假设低亮度区域为背景或矿石之间的缝隙，而高亮度区域为矿石颗粒，对于复杂的选矿现场测量结果有很大的局限性。同时测量矿石颗粒的弦长也无法准确表示矿石颗粒的粒度。2000年由美国的Jahn,D提出了一种多重比形状分析法（Multiple Ratio Shape Analysis）。MRA用来将骨料混凝土样本中的混凝土通过将直径比率分为五种不同的类别进行分类。MRA装置主要由一个数字测径器，数据采集系统以及电脑组成。首先将骨料放在平台之间测量其直径，然后换个方向继续测量直径，两次直径做比。这些数据会被记录显示在总样本尺寸比值分布表中21。这是一种可以借鉴的确定颗粒粒径的方法。2001年美国的Browne,C等人的VDG-40Videograder系统22中使用背光灯和相机捕获图像，系统使用了CCD相机捕获图像，计算每个背光灯前下落的颗粒。假设颗粒都是椭圆的，通过颗粒的两个直径用数学方法来计算每个颗粒的第三直径。所有的分析和数据通过他们自主开发的软件上进行。美国的Rao,C在2002年以及2005年美国的Masad,E.A等人提出了使用3D检测颗粒的方法23, 24。AIMS（Aggregate Imaging System）系统25是由两个模块构成的。第一个模块用来分析细骨料，第二个骨料用来分析粗骨料。粗骨料通过3D分析，假设骨料是球形，使用录像的显微镜用来确定颗粒的高度，另外两个尺寸通过2D图像确定。2011年芬兰的IsmoKinnunen提出了三个光源方案。一个是使用荧光管光源在一个半透明的玻璃后面。石料人工地放在玻璃上面人工使颗粒分散开来，使用佳能EOS450D对其进行拍照。第二个方案是用两个相机对下落石料进行拍摄，进行图像三维重建，背景使用了黑色不光滑材料。第三个方案是使用一个LED背光板，对下落石料进行拍摄。除了国外实验室提出的这些方法，近年来也有许多国外公司在做粒径分析仪。如德国的新帕泰克有限公司，该公司主要使用激光粒度法对不同种类的颗粒进行检测，但研制出了将分散系统和成像系统相结合的高速动态粒度粒形分析仪QICPIC，可对高速运动状态下的颗粒进行清晰的粒形和粒度分析，从不同的方向测试颗粒的形状，保证被测试样品的代表性。还有英国的马尔文公司26推出的粒径分析仪，但该公司大部分产品使用的是激光粒度法测量粒径，国内大多使用的是激光粒度法测量。2.2国内研究现状国内方面对于机器视觉的粒度检测也做了一定的研究。北航的Yan Jiang等人27设计完成了一套颗粒图像分析系统（PDIA），设计以LED灯为光源，使用了高速摄像机替代了频闪照明，因此系统不需要同步背光灯和相机。长安大学的孙淼等人28通过线阵相机，红外激光器光源，数字图像采集卡，背景方案等完成了一整套粒度检测系统。南京工业大学的杨华东等人29配置了由显微镜、CCD摄像头和计算机构成的图像采集系统进行图像采集以及图像的识别和分析处理，建立在Matlab平台上用于颗粒分析的处理系统。江苏大学的孙宗宝等人30采用非线性对比度增强处理改善颗粒纤维图像的对比度，对多种阈值分割方法进行了比较，着重研究了颗粒粒度检测的算法。国内科研单位就“在线粒度测量”也进行过有益的尝试和研究工作，开发过一些在线粒度检测仪，如马鞍山矿山研究院的超声波粒度仪、北京矿冶研究院的激光粒度仪等一些设备，但存在反应时间长、实时性差等问题。基于计算机数字图像处理技术的粒度检测仪有其它仪器无法比拟的优点。所有过程全部在计算机的控制下完成,不需要人工的干预就可以输出结果,检测结果稳定,检测速度快。相信随着计算机图像处理技术将将粒度检测应用中的不断深入和完善。3.图像分割算法国内外研究现状1.国外研究现状2014年德国的Matthias Jungmann31提出了在颗粒图像尺寸分析中使用区域竞争和加权边界合并的方法对图像进行分割。分割步骤最小化了基于最小描述长度理论的能量功能。并且介绍了多种区域竞争手段来克服计算的复杂性。2012年葡萄牙的P.Baptista32介绍了基于图像获取和处理的一种新的使用方法来获得砂岸颗粒尺寸。图像获取系统由可以调整到颗粒表面的距离的相机，以及一个可以改变相机角度的三脚架，光源以及透镜系统组成。并且提出了一种不需要调整相机的图像处理算法。图像处理的时候将图像分成了几个单独的区域。在对石料的边界识别时使用了椭圆拟合法来识别。2.国内研究现状2013年Chang-Han Chung33提出了基于数字图像的一种改良的颗粒粒径方法来评估河床石料粒度分布。重点使用了模糊神经网络对图像进行了分割。2012年Fi-John34使用了分水岭算法对粘连石料进行了处理，同时使用了反馈脉冲耦合神经网络对图像进行了分割。2011年吴晓琳11提出了基于遗传算法实现数字图像边缘检测。介绍了遗传算法的基本原理和算法步骤, 并通过规定适应度计算方法和设定初始化子群、选择、交叉和变异等过程的重要参数, 实现了该算法在图像边缘检测的应用, 实例证明该方法可以取得很好的效果。2011年闫学昆，陈英等人35对凹点分析、椭圆拟合和流域变换三类粘连目标分离方法的主要步骤、优缺点和适用性进行了比较分析。这对有涉及粘连颗粒自动分离的图像自动分析系统的设计具有一定的参考意义。2010年刘伟华36提出了一种利用凹点搜索和匹配并构造分离线分割重叠的不规则颗粒的方法, 实现了不同重叠程度、多个重叠颗粒的自动分割。2013年北京工业大学的董珂等人37着重对图像处理的算法进行了研究，采用双边滤波的方法对图像进行滤波，利用积分图像和局部阈值结合的方法对图像进行二值化。References: 1.倪寿亮, 粒度分析方法及应用. 广东化工, 2011. 38(2): 第223-224页. 2.韩亦庭, 振动筛常见故障分析及处理方法. 中小企业管理与科技, 2011(18): 第318页. 3.胡松青, 李琳与等, 现代颗粒粒度测量技术. 现代化工, 2002. 22(1): 第58-61页. 4.综述激光粒度分析和筛分法测粒径分布的比较. 5.战国科, 基于人工神经网络的图像识别方法研究, 2007, 中国计量科学研究院. 第 81页. 6.黄锋华, 刘琪芳与冀金凤, 基于MATLAB数字图像边缘检测算子的研究. 机械工程与自动化, 2011(04): 第48-50页. 7.孙腾云, 基于神经网络的边缘检测, 2007, 西安电子科技大学. 第 57页. 8.赵晓东等, 适用致密颗粒团流动的DPIV测试图像处理方法. 水动力学研究与进展A辑, 2010. 25(3): 第416-421页. 9.彭进强, 粒度测量:激光法与沉降法, in 94全国结构陶瓷、功能陶瓷、金属/陶瓷封接学术会议1994: 中国北京. 第 4页.10.熊光华与夏庆观, 基于自组织特征映射神经网络的零件图像的识别. 中国制造业信息化：学术版, 2007. 36(12): 第62-65页.11.吴晓琳与张东, 基于遗传算法实现数字图像边缘检测. 舰船电子工程, 2011(09): 第117-118+134页.12.张秀兰, 基于MATLAB的数字图像的边缘检测. 吉林化工学院学报, 2010(2): 第59-61页.13.国际标准 ! 题录.14.杨英杰, 黄胜国与蓝青叁, 显微图像识别及其在粒度分析中的应用. 矿业工程, 2003. 1(4): 第36-38页.15.温海滨与贾瑞强, 计算机图像处理技术在选矿粒度在线检测中的应用初探. 中国钼业, 2005. 29(1): 第22-25页.16.贾鹏, 李永奎与赵萍, 基于Matlab图像处理的谷物颗粒计数方法研究. 农机化研究, 2009(01): 第152-153+156页.17.战国科, 基于人工神经网络的图像识别方法研究, 2007, 中国计量科学研究院. 第 81页.18.孙腾云, 基于神经网络的边缘检测, 2007, 西安电子科技大学. 第 57页.19.杨远, 基于神经网络的目标图像识别方法研究, 2004, 南京航空航天大学. 第 94页.20.郑辉, 基于BP神经网络的血液细胞自动识别技术的研究与实现, 2007, 山东大学. 第 72页.21.林通与石青云, 一种基于边缘生长的灰度和彩色图象分割方法. 中国图象图形学报：A辑, 2000(11): 第911-915页.22.吴秀清, 徐云翔与周蓉, 一种基于数据融合和小波变换的图像边缘检测方法. 中国科学技术大学学报, 2001. 31(4): 第482-487页.23.于恩生, 基于神经网络的图像分割算法研究, 2002, 昆明理工大学. 第 51页.24.俞建定与金炜, 用遗传BP网络进行图像边缘检测. 计算机工程与应用, 2003(23): 第111-113页.25.金丽亚, 徐凤东与马龙生, 灰度和彩色图象分割的一种改进算法. 系统仿真学报, 2001(S2): 第111-112+116页.26.程鹏, 高抒与李徐生, 激光粒度仪测试结果及其与沉降法、筛析法的比较. 沉积学报, 2001(03): 第449-455页.27.Jiang, Y., et al., Measuring particle size distribution using LED-illumination. International Journal of Multiphase Flow, 2010. 36(3): p. 193-201.28.孙淼, 集料级配实时检测系统研究与实现, 2011, 长安大学. 第 74页.29.杨华东, 颗粒测试的图像处理, 2005, 南京工业大学. 第 77页.30.孙宗保, 基于计算机视觉的粒度检测应用研究, 2003, 江苏大学. 第 60页.31.Jungmann, M., et al., Segmentation of thin section images for grain size analysis using region competition and edge-weighted region merging. Computers & Geosciences, 2014. 72: p. 33-48.32.Baptista, P., et al., A new and practical method to obtain grain size measurements in sandy shores based on digital image acquisition and processing. Sedimentary Geology, 2012. 282: p. 294-306.33.Chung, C. and F. Chang, A refined automated grain sizing method for estimating river-bed grain size distribution of digital images. Journal of Hydrology, 2013. 486: p. 224-233.34.Chang, F. and C. Chung, Estimation of riverbed grain-size distribution using image-processing techniques. Journal of Hydrology, 2012. 440-441: p. 102-112.35.闫学昆等, 凸性颗粒构成的粘连区域的三类自动分离方法的对比分析. 中国体视学与图像分析, 2011. 16(3): 第237-242页.36.刘伟华与隋青美, 基于凹点搜索的重叠粉体颗粒的自动分离算法. 电子测量与仪器学报, 2010. 24(12): 第1095-1100页.37.董珂, 基于机器视觉的矿石粒度检测技术研究, 2013, 北京工业大学. 第 92页.专心-专注-专业