基于机制砂棱角性表征的级配测量修正方法及实验研究

机制砂的形状特征和级配对混凝土性能有着重要影响,图像法可以同时测量颗粒的形态和级配。在机制砂的级配测量中,需要考虑颗粒的形态特征对级配的影响。因此,提出利用图像分析技术实现机制砂棱角性的表征和级配测量修正,分别进行了机制砂的棱角性对比实验,级配重复性实验,图像法与筛分法级配测量对比实验以及修正前后的对比实验。实验结果表明,拟合椭圆棱角性算法可以独立地表征棱角性,不受粒径大小的影响。等效Feret椭圆短径作为等效粒径,粒度区间最大重复性误差出现在1.18~2.36 mm的尺寸区间,为1.26%。图像法测量的最大级配误差从修正前的6.29%减少到修正后的1.01%,细度模数的最大误差从0.17降低到0.04。相比传统的筛分方法,该测量系统具有良好的稳定性和功能性,满足测量的标准和要求。

基于深度学习的机制砂级配在线检测研究

机制砂的级配和细度模数是工业制砂中重要的质量指标,针对机制砂级配的传统检测方法无法解决在实际工况下在线检测的问题,结合实验研究提出了一种基于深度学习的机制砂级配在线检测方法。首先采集传送带上的堆叠机制砂图像,其次经过卷积神经网络对机制砂图像实例分割,最后经过图像处理技术在线计算机制砂级配和细度模数。对比实验结果表明,Mask R-CNN实例分割模型在机制砂堆叠场景下对完整颗粒能有效分割;采用等效椭圆Feret短径作为等效粒径参数,面积级配作为级配表征参数;在线检测两组细度模数机制砂的最大重复性误差为0.03和0.05,粒径区间最大重复性误差为2.97%和3.43%;相较于传统检测方法,该检测方法具备可行性,且能够满足在工业制砂中在线检测的要求。