تعيين توزيع دانه‌بندي سنگ‌دانه‌هاي بتن و آسفالت با استفاده از استخراج ويژگي فيلترهاي گابور و شبكه‌هاي عصبي

Determining the size distribution of concrete and asphalt aggregates using Gabor feature extraction and neural networks

توزيع ابعادي سنگ‌دانه‌هاي تشكيل دهنده بتن و آسفالت، از مهمترين پارامترها در كنترل طرح‌هاي اختلاط بتن و آسفالت است كه مي‌تواند بر كيفيت نهايي، مقاومت و دوام بتن و آسفالت تاثير گذار باشد. به‌منظور ارزيابي درصد اختلاط سنگ‌دانه‌ها، روش پردازش تصويري ديجيتال يك روش غير مستقيم، سريع و قابل اعتماد است. در اين تحقيق بر پايه يكي از روش‌هاي‌ استخراج ويژگي‌هاي ديداري تصوير (فيلترهاي گابور) و استفاده از شبكه هاي عصبي، الگوريتمي جهت تعيين توزيع دانه‌بندي تصاوير سنگ‌دانه‌هاي تشكيل دهنده بتن و آسفالت ارائه شده است. تعداد 100 تصوير از سنگ‌دانه‌هاي تشكيل دهنده بتن و آسفالت براي آموزش شبكه عصبي به‌كار برده شد. سپس نتايج حاصله با نتايج تخمين خودكار دانه‌بندي سنگ‌دانه‌ها در نرم افزار Split-Desktop و همچنين تجزيه سرندي مقايسه شد. نتايج به‌دست آمده بيان‌گر يك بهبود كلي در ارزيابي توزيع اندازه سنگ‌دانه‌هاي تشكيل دهنده بتن و آسفالت و كاهش خطاي 67% با استفاده از روش پيشنهادي نسبت به تخمين خودكار نرم افزار Split-Desktop است. همچنين در ارزيابي اندازه‌هاي 10F تا 100F، روش‌ پيشنهادي بهبود 63%را نشان داد.

Concrete and asphalt aggregates size distribution is one of the most important parameters in concrete and asphalt mix design that can affect the quality, durability, and strength of both concrete and asphalt. For evaluating the aggregates mix design, digital image analysis is a fast, reliable and indirect technique. In this study, based on one of the visual feature extractions methods (Gabor filters) and the neural networks, an algorithm was developed to determine the size distribution of digital images of concrete and asphalt aggregates. 100 images of concrete and asphalt aggregates were applied to train the neural network. Then, the results were compared with the results obtained by automatic estimation of aggregates size distribution by Split-Desktop software and sieving analysis. The results showed a general improvement in evaluating concrete and asphalt aggregates size distribution. Also, by using the proposed method, compare to automatic estimation of Split-Desktop, a reduction of 67% in error estimation was observed. Furthermore, this method showed also an improvement of 63% in evaluating of F10 to F100.