基于机制砂棱角性表征的级配测量修正方法及实验研究.pdf

2024 年第 4 期仪 表 技 术 与 传 感 器Instrument Technique and Sensor基金项目:福建省高校产学合作项目(2021H6029);泉州市科技计划项目(2022GZ3)第六批泉州市引进高层次人才团队项目(2023CT003);福建省引导性项目(2023Y0026)收稿日期:2023-09-03基于机制砂棱角性表征的级配测量修正方法及实验研究潘维俊,房怀英,杨建红,黄斐智华侨大学机电及自动化学院 摘要: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 1.182.36 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。关键词:图像法;棱角性;级配;机制砂;修正中图分类号:TB92 文献标识码:ACorrection Method of Gradation Measurement Based on Characterization ofManufactured Sand Angularity and Experimental StudyPAN Weijun,FANG Huaiying,YANG Jianhong,HUANG FeizhiCollege of Mechanical Engineering and Automation,Huaqiao UniversityAbstract:The shape characteristics and gradation of manufactured sand have a significant impact on the performance of con-crete.Image processing can simultaneously measure particle morphology and gradation.In the measurement of the gradation of manufactured sand,the influence of particle shape characteristics on the gradation needs to be considered.Therefore,a method u-tilizing image processing was proposed to characterize the angularity of manufactured sand and correct the measurement of grada-tion.Comparative experiments were conducted on the angularity of manufactured sand,repeatability of gradation,comparison of gradation measurements between image analysis and sieving methods,as well as before and after the correction experiments.The experimental results show that the fitted elliptical angularity algorithm can independently characterize the angularity and was not influenced by the particle size.The short diameter of the equivalent Feret ellipse,which represents the equivalent particle size,shows a maximum repeatability error of 1.26%within the particle size range of 1.182.36 mm.The maximum gradation error,as measured by the image processing method,decreases from 6.29%before correction to 1.01%after correction.Additionally,the maximum error of the fineness modulus is reduced from 0.17 to 0.04.Compared to traditional sieving methods,this measurement system demonstrates good stability and functionality,while also meeting the standards and requirements of measurement.Keywords:image processing;angularity;gradation;manufactured sand;correction0 引言机制砂的尺寸形态和级配是影响混凝土混合料工作性能和强度性能的重要因素1-2。与天然砂相比,机制砂在粒度分布和颗粒形貌方面存在显著差异3-4。机制砂的形貌特征包括颗粒形状、表面结构和颗粒角度等,与颗粒圆形且几乎呈球形的天然砂不同,机制砂往往具有较多的棱角和片状形状5。骨料的质量对于工程项目中的潜在用途非常重要,针对制砂行业,传统的机械筛分法和手动测量法步骤繁琐、实时性差,通过图像处理技术,可以更准确地量化颗粒的大小和形态特征6。随着图像技术的发展和应用,学者们开始对集料颗粒群识别问题进行研究和探索。Zhang 等7通过图像处理方法分析了粗集料的尺寸形状、棱角度和表面结构,使用棱角度和表面纹理综合量化粗骨料的形态特征。Maria 等8提出一种基于图像分析和最佳拟合线性回归的方式,快18 仪 表 技 术 与 传 感 器第 4 期速准确评估建筑和拆除废物中再生骨料的粒度尺寸分布。Han 等9评估了混凝土中粗骨料的特性和分布,从 2D 图像中系统地揭示粗骨料的粒度级配、圆度和方向。Xie 等10建立 2D 和 3D 图像形态特征之间的关系,量化砂粒的几何尺寸和形状并评估其对于材料性能的影响。Bruno 等11通过最佳阈值和边缘检测的组合分析方法来研究沥青混凝土的骨料粒径分布,使用等效面积椭圆短轴作为等效粒径。Maiti 等12通过质量重建将图像获得的尺寸分布转换为质量粒度分布,分析颗粒形状参数(如长轴、短轴和当量直径)与粒度的关系。Zhao 等13开发一种摄影系统来获取骨料形状指数的二维形态信息,对岩石骨料的形状进行评估和定量分析。Barbosa 等14使用从多个合成图像中计算出的系数来估计骨料级配,进而确定轻质混凝土的骨料级配。随着图像处理技术的引入,颗粒检测变得更加直观和简单,尤其对于颗粒的尺寸大小和形态表征。通过捕捉颗粒图像并利用图像处理技术,可以实现目标物体的提取、识别和参数表征,这对于产品的检测效率和精度具有重要意义。对于大量生产的机制砂,颗粒特性主要受到粒径和粒形参数的共同影响。Altuki等15考虑人造砂具有不同的形状、级配和矿物特性,使用狼蛛曲线来分析测量形状的不同方法之间的相关性,量化骨料形状和级配特征参数。He 等16以骨料体积分数作为级配形态指标的权重,提出了级配形态指标的表征方法,分析级配形态影响因素与砂浆性能之间的相关性。Cepuritis 等17发现水泥浆体流变性能与细骨料比表面积成正比,可以改变颗粒尺寸分布和细骨粒的体积分数来控制。Li 等18-19从形状、角度和表面纹理来量化细骨料的形态,研究表明细骨料的含量、级配和形态会导致砂浆塑性黏度的显著差异。Ozturk 等20基于三维摄影测量的方法对粗集料形态指标进行了测量,包括骨料的 3D 形态指标和形状特征,并将其与 2D 特征和指标进行了比较。Zhao等21通过研究粗骨料形态学的定量表征标准参数,得出的结果表明粗骨料的平整度、棱角度和粗糙度对新拌混凝土的流变性能和力学性能影响最为显著。Lee等22基于图像分析的方法,对不同类型的粗骨料进行角度特征的系统量化,结果表明粗骨料的棱角度对水泥基材料力学性能具有重要的影响。Ma 等23利用数字图像处理技术描述了砖混再生粗骨料的形貌特征,包括棱角度、球形度、纹理和分形维数,再生粗骨料具有更高的棱角度、更低的球形度和更高的质地。Wang等24进行洛杉矶磨耗试验,用骨料成像测量系统评估颗粒形状性能,结果表明颗粒形态特征的变化(棱角度变化)对沥青混合料性能具有重要影响。Ding等25研究表明骨料的几何特征主要表现在棱角性和质地特征上,同时发现角度指数也会受到粒径的影响。Yang 等26-27开发了一种人造砂粒度分级系统,进行粒度尺寸和级配分布检测,并对图像法处理结果进行粒径修正补偿,以使图像法和筛分法之间的差异减小。Kumara 等28发现与筛分分析相比,基于体积的级配曲线通过平行和对角线的计算方法分别高估和低估了粒度信息,使用等效粒度校正系数,使评估的级配曲线与碎砂样品的筛分分析结果相匹配。数字图像分析和处理方法被广泛应用于集料和混凝土工程各个方面,研究主要集中在粗集料上,对细集料的尺寸分布和形状特征的综合效应研究较少。因此,本文提出一种基于动态图像处理技术和颗粒形态表征的机制砂级配测量修正方法。粒形参数可以用来量化机制砂的形状和棱角性特征。从计算几何形状的角度出发,定义并构造了用于描述机制砂形状的棱角性特征参数,并进行了定量表征。结合 Feret直径和椭圆拟合方法,计算了等效 Feret 椭圆短径,定义为颗粒的等效粒径。使用等效粒径对机制砂进行粒径分析,并根据图像像素的标定系数将其转换为实际粒径,通过计算各个粒径区间的占比得到机制砂的级配分布。探究集料级配分布与形态特征之间的关系,利用棱角性特征进行相关性分析,通过粒形修正颗粒的等效粒径,将筛分尺寸与图像分析尺寸相匹配,从而减小级配误差。通过对比实验证明,该方法检测机制砂级配和细度模数准确性高、简便高效、误差小。与传统筛分法相比,该方法具备良好的可行性,确保骨料能够有效发挥作用,满足机制砂生产测量需求。1 材料与方法1.1 设备和材料为了精确分析机制砂的颗粒尺寸和形状,针对背光拍摄的矿质集料颗粒群图像特点,基于动态图像法原理构建了图像采集和检测平台。本文工作中使用的机制砂检测平台如图 1 所示,构成所设计的平台包括给料传输模块、数字图像采集模块、数字软件计算模块。实验中采集的机制砂图片来自福建三明石矿,粒度范围为 0.154.75 mm。该系统由振动给料器、传输管道、平行背光源和 CCD 工业相机组成。通过背光源从背面照射机制砂颗粒,并使用CCD 工业相机正面拍摄颗粒轮廓,能够获取清晰的颗粒28 第 4 期潘维俊等:基于机制砂棱角性表征的级配测量修正方法及实验研究 轮廓形状,便于后续的高效分割和形态量化计算。图 1 机制砂检测平台的设计示意图1.2 图像处理方法机制砂的图像法测量能够提取颗粒的尺寸和形态参数,相较于传统筛分法,能够获取更多形态特征信息。图像处理过程包括灰度化、阈值分割、去除不完整颗粒、轮廓查找和特征提取,如图 2 所示。图 2 图像处理过程图像灰度化处理将彩色图像转换为灰度图像。Otsu 阈值分割法通过选择前景与背景类间方差最大时的值作为分割阈值29,进行图像二值化分割。工业相机拍摄连续动态下落的机制砂颗粒,图像上下边界存在形态不完整颗粒,通过漫水填充方法消除图像上下边界上的不完整颗粒,有助于改善图像质量和提高测量准确性。通过 OpenCV 视觉库的轮廓跟踪算法,可以有效地查找图像轮廓边界处的像素,并进一步提取轮廓特征,最后绘制出颗粒的轮廓图。1.3 机制砂形态参数和粒径尺寸表征1.3.1 机制砂棱角性表征机制砂颗粒的形状不规则且带有棱角,因此难以完全定义和测量。传统上,棱角用来衡量颗粒边缘和角相对于整体尺寸的锐度。天然砂也会具有次棱角性,同样,并非所有的机制砂都具有良好的棱角性。为了定量描述机制砂的棱角性特征,本文采用了 3 种不同的方法来计算机制砂的棱角性。1)拟合椭圆棱角性:拟合椭圆保留了颗粒轮廓形状特征,将颗粒轮廓像素坐标进行最小二乘法拟合椭圆30,如图 3(a)所示。n 为轮廓像素点总数,点P(xi,yi)为轮廓上任意一点坐标,点 M(xj,yj)为拟合椭圆上对应的距离最近的切点坐标,为消除粒径变化对棱角指数的影响,引入颗粒的等效短径 b。拟合椭圆棱角指数计算如式(1)所示:FEA=1bnni=0(xi-xj)2+(yi-yj)2(1)式中 n 为轮廓像素点数。2)外接圆棱角性:外接圆是包含颗粒轮廓的外接最小面积的圆,如图 3(b)所示。获取圆心点 O(x,y),将基于圆心半径方向的点 P(xi,yi)到外接圆最近切点 M(xj,yj)的距离与外接圆的半径之比定义为外接圆棱角指数。外接圆棱角指数计算如式(2)所示:CA=1rnni=0(xi-xj)2+(yi-yj)2(2)式中 r 为外接圆的半径。3)凹面径向边界棱角性:图像颗粒轮廓逆时针构建凸包,如图 3(c)所示。(a)拟合椭圆棱角性(b)外接圆棱角性(c)凹面径向边界棱角性图 3 三种不同的棱角性表征方法径向偏差是颗粒轮廓凹缺陷处的边缘像素点到凸包的最短距离,凹面径向深度是轮廓边缘像素点到凸包的38 仪 表 技 术 与 传 感 器第 4 期最长深度。凹面径向边界棱角指数计算如式(3)所示:CRBA=1lmi=0nmi=0nj=0Aixj+Biyj+CiA2i+B2i(3)式中:m 为颗粒轮廓与凸包之间的凹缺陷特征数量。l为最大凹陷深度;Ai、Bi、Ci为凹缺陷处起始点与结束点的直线表达式系数;xj、yj为凹陷区域的轮廓像素点坐标值。1.3.2 机制砂等效粒径和级配表征对于球形颗粒可以用直径来描述其大小,机制砂颗粒的形状不规则性,需要采用适当的等效粒径参数进行表征。使用单位像素标定系数将通过图像法测量得到的颗粒尺寸转换为等效的筛孔尺寸31,进行集料的粒度分析。Feret 直径32被定义为颗粒轮廓相对两侧的两条平行切线之间的距离。为了尽可能地描述颗粒的形状尺寸,采用等效 Feret 椭圆短径来表征等效粒径。等效 Feret 椭圆短径如图4 所示,具有复杂表面轮廓的骨料被认为是一个具有相同最大弦长和面积的等效椭圆,面积与颗粒投影面积相等,且长轴与颗粒轮廓最大 Feret 径相同。计算如式(4)所示:df=4SFeretmax(4)式中:df为等效 Feret 椭圆短径;S 为轮廓面积;Feretmax为最大 Feret 径。图 4 等效 Feret 椭圆短径机制砂级配是各粒径区间内颗粒的质量占比。将图像上测量的颗粒尺寸作为一个无形的筛子,测定机制砂颗粒在不同粒径范围的分布情况。筛分法测量机制砂质量占比是指各级标准筛网上剩余的机制砂质量占筛分样本总质量的百分率,相关参数的具体计算表达式(5)可以进行下面的转化:ai=miM=m ii=1(Sidi)Mj=1(Sjdj)=m ii=1(Sidi)Mj=1(Sjdj)100%(5)式中:m i为各级粒径区间质量;M 为总质量;ai为机制砂各级粒径区间的质量百分率;为质量密度;Si、di为机制砂各级粒度的每个颗粒投影面积和等效粒径;Sj、dj为所有机制砂的投影面积和等效粒径。级配是机制砂颗粒尺寸分布特征,由于图像测量无法直接获得颗粒的质量,由式(5)可知,同批机制砂的质量含量近似等于体积含量,颗粒的等效体积可以通过颗粒投影面积和等效粒径的乘积来表示。细度模数 FM 是表征机制砂粗细程度的宏观指标,侧面反映其级配的好坏。细度模数的计算表达式如式(6)所示:FM=(A2+A3+A4+A5+A6)-5A1100-A1(6)式中:A1、A2、A3、A4、A5、A6分别为等效粒径大于 4.75、2.36、1.18、0.6、0.3、0.15 mm 的机制砂质量占总样本质量的百分率。2 实验结果和讨论2.1 棱角性表征对比实验根据棱角性形状描述的定义,可以在像素尺度上进行图像分析。通过从连通区域中提取轮廓特征参数,可以计算物体的基本形状的棱角性。在 1.3.1 节中提到了 3 种不同的棱角性表征算法,为了评估这些算法受粒径影响的情况,使用不同形状和大小的标准图形进行了对比实验,分析实验结果并确定最佳的棱角性表征方法,图 5(a)和图 5(b)展示了设置的标准图形及图形轮廓提取。(a)标准图形(b)图形轮廓提取图 5 不同形状和大小的标准图形通过测量不同尺寸和形状的二维图像中的物体,可以提取颗粒轮廓并计算相应的棱角性特征参数,棱角性参数如表 1 所示,其中 EPS 表示等效颗粒像素尺寸,FEA 表示拟合椭圆棱角性,CA 表示外接圆棱角性,CRBA 表示凹面径向边界棱角性。从表 1 可以得出,在考虑粒径尺寸和形状的影响下,拟合椭圆棱角性的误差是最小的,最大拟合椭圆棱角性误差出现在标签 5 8 对应不同粒径大小的物体上,误差值为0.007 7。与拟合椭圆棱角性相比,外接圆棱角性的误差稍大,最大误差为 0.017 5。凹面径向边界棱角性48 第 4 期潘维俊等:基于机制砂棱角性表征的级配测量修正方法及实验研究 的误差相对较大,最大误差为 0.073 6。综合分析后,选择拟合椭圆棱角性作为有效表征物体棱角性特征的算法,并将其用于后续的实验研究。表 1 标准图形棱角性特征测量序号EPSFEACACRBA138.168 70.100 70.215 00.147 0248.534 10.100 20.211 90.148 4363.649 50.100 20.208 80.141 1484.336 50.100 60.209 10.144 1517.826 30.068 40.231 00.192 5630.304 70.060 70.234 00.233 7743.657 30.062 00.233 20.266 1860.681 30.062 60.216 50.216 6942.167 30.068 30.167 50.146 81062.138 90.066 90.168 60.145 41175.931 40.068 50.170 10.138 312101.605 00.068 30.160 00.126 12.2 机制砂级配料重复性实验为检测试验平台上测量系统的功能性和稳定性,本文实验准备了 5 种粒度区间(0.15 0.3,0.3 0.6,0.61.18,1.182.36,2.364.75 mm)的单级料,按照一定的比例配制成不同细度模数的级配料。对石灰石机制砂细度模数 FM 分别为 3.2 和 3.6 的级配料进行 3 次重复性实验,实验结果如表 2、表 3 所示,质量占比以百分率(%)表示,其中 1、2表示 3 次重复实验测量结果的最大重复性误差。表 2 不同尺寸区间的 FM=3.2 级配料的 3 次实验结果%实验序号质量占比0.150.3 mm0.30.6 mm0.61.18 mm1.182.36 mm2.364.75 mm14.0228.8534.2825.467.3923.6928.5933.9726.327.4333.8928.4633.7125.928.0210.330.390.570.860.63表 3 不同尺寸区间的 FM=3.6 级配料 3 次实验结果%实验序号质量占比0.150.3 mm0.30.6 mm0.61.18 mm1.182.36 mm2.364.75 mm11.6515.7333.5336.6212.4621.6015.5633.4136.6112.8331.5915.3032.6237.8712.6320.060.430.911.260.37表 2 显示细度模数 FM=3.2 的级配料的 3 次重复性实验结果表现出较小的重复性误差。最大重复性误差出现在 1.182.36 mm 的尺寸范围内,为 0.86%。此外,重复性误差最小值出现在0.150.3 mm 的粒径区域内,仅为 0.33%。从表 3 可以看出,细度模数 FM=3.6 的级配料显示出较小的重复性差异。最大重复性误差为 1.26%,出现在 1.182.36 mm 的范围内。重复性误差最小值出现在 0.150.3 mm 的尺寸区域内,结果为 0.06%。从表 2 和表 3 可以看出,细度模数越小,重复性越好。细度模数小意味着小颗粒的质量占比较高,小颗粒形状更规则,因此,重复性误差较小。重复性实验中的最大重复性误差表明测量系统具有良好的稳定性和功能性。2.3 图像法与筛分法的级配测量对比实验实验材料选用石灰石机制砂作为实验对象,按照不同粒度区间的质量百分比配制细度模数 FM 为2.8、3.2、3.6 的级配料进行实验。每组机制砂经过测试后,与筛分分析结果进行比较,实验测量结果统计各粒径区间的质量百分比如表 4表 6 所示,其中 CB表示图像法修正前与筛分分析的级配测量结果之间的误差。图像法修正前的实验结果指的是利用图像处理技术得到的级配检测结果,误差是图像法与筛分分析之间的差,CA表示图像法修正后与筛分分析的级配测量结果之间的误差。表4 不同尺寸区间FM=2.8的机制砂级配修正前后实验结果%实验方法质量占比0.150.3 mm0.30.6 mm0.61.18 mm1.182.36 mm2.364.75 mmFM筛分法6.6637.0633.3016.046.942.80修正前9.2637.8533.0115.054.832.68修正后8.6732.7234.6916.767.152.81CB-2.60-0.790.290.992.110.12CA-2.014.34-1.39-0.72-0.21-0.01表5 不同尺寸区间FM=3.2的机制砂级配修正前后实验结果%实验方法质量占比0.150.3 mm0.30.6 mm0.61.18 mm1.182.36 mm2.364.75 mmFM筛分法1.8326.7234.2424.0913.113.20修正前4.0228.8534.2825.467.393.03修正后3.6625.0033.4726.6111.263.17CB-2.19-2.13-0.04-1.375.720.17CA-1.831.720.77-2.521.850.0358 仪 表 技 术 与 传 感 器第 4 期表6 不同尺寸区间FM=3.6的机制砂级配修正前后实验结果%实验方法质量占比0.150.3 mm0.30.6 mm0.61.18 mm1.182.36 mm2.364.75 mmFM筛分法0.1712.6732.9435.4718.753.60修正前1.6515.7333.5336.6212.463.43修正后1.5013.3030.2037.2517.743.56CB-1.48-3.06-0.59-1.156.290.17CA-1.33-0.632.74-1.781.010.04从表 4 可以看出,在 0.61.18 mm、1.182.36 mm和 2.364.75 mm 尺寸区间内,图像法测量的质量百分比小于筛分法测量的质量百分比。在 0.15 0.3 mm 的区间内,图像法和筛分法之间的误差为-2.60%。对于其他尺寸范围,图像法的结果大于筛分法的结果。细度模数误差为 0.12,表示图像法测量结果较接近筛分法。表 5 的结果显示,机制砂的图像法测量结果小于筛分法测量结果。在 2.364.75mm 的区间内,图像法和筛分法之间的误差达到了最大值,为 5.72%。细度模数误差为 0.17,表明由图像法测量结果小于筛分法测量结果。从表 6 可以看出,在 2.364.75 mm 的尺寸范围内,图像法测量的质量百分比小于筛分法测量的质量百分比,误差为 6.29%。其余 4 个尺寸区间中,图像法测量结果大于筛分法的结果。细度模数误差为0.17,表明图像法测量结果与筛分法较为接近。从表 4 表 6 中可以看出,图像法测量的 2.364.75 mm 区间内的质量百分比低于筛分法的质量百分比。在 0.150.3 mm 和 0.30.6 mm 尺寸区间内图像法测量的质量百分比相较筛分法高 0.79%3.06%。在 0.61.18 mm 的区间内,图像法和筛分法之间的误差小于 1%。细度模数较小的级配料中大颗粒较少,同时粒子形状对较小的粒子影响较小,因此级配结果更接近筛分分析。实验结果表明,图像法所得的级配结果与筛分分析结果较为接近。通过比较筛分法和图像法的粒径定义,可知这两种方法得到的粒径是不同的。图像法需要考虑颗粒形状和尺寸之间的关系来表征粒径参数。为了使图像法的测量结果更接近筛分法的结果,对机制砂的棱角性特征参数进行研究,构建基于颗粒形状特征的粒度修正方法,以减小级配误差,从而提高测量结果的准确性。2.4 图像法修正前后对比实验图像法测量的等效粒径尺寸如何转换为筛网尺寸取决于颗粒通过筛网的方式。大多数修正方法是将图像法测得的等效粒径转换为中间轴上的筛网孔径尺寸,并乘以适当的修正因子。然而,在进行颗粒级配分析时,需要考虑颗粒之间的重叠和局部密度变化等问题,这些因素会引入误差。因此,需要找到合适的修正方法,以减少颗粒级配误差并降低细度模数误差。通过利用图像处理方法对机制砂颗粒进行形态表征和级配分析,将颗粒的形态特性和级配参数进行统计分析,可以确定它们之间的关系,从而改进转换方法并减小误差。集料的棱角度会对筛分过程产生影响,棱角度较大的颗粒具有较大的粗糙度和锐利的表面角度,可能容易堵塞筛孔,导致筛分结果误差。另一方面,过大的棱角度可能增加颗粒之间的相互作用力,使颗粒卡在筛网上,降低筛分效率。因此,在选择集料时,应考虑其棱角特性及其对级配的影响。可以通过选择合适的机制砂棱角形状评价指标,并对集料级配进行修正,调整颗粒大小分布,以确保工程材料的均匀性和稳定性。由于机制砂的不规则形状和复杂性,使用图像法测得的级配结果与筛分法存在误差,采用一个修正系数往往无法较好地修正图像法和筛分法之间的偏差,造成修正结果总是不太理想。为了使图像法的结果更接近筛分法,通过研究拟合椭圆棱角性与修正系数之间的关系,拟合出修正关系式并对级配进行修正。本文将拟合椭圆棱角性的测量结果分为10 组,为了减小图像法和筛分法之间的误差,可以使用颗粒的棱角性来修正颗粒的粒度,根据实验分析和经验,针对每个棱角性区间的颗粒,可以给定一个修正系数进行修正。在本研究中,将10 组棱角性区间对应的修正系数 分别设定为 1.18、1.16、1.15、1.13、1.1、1.03、0.99、0.95、0.91、0.93。因此,根据棱角性和修正系数的关系,在 10 组不同棱角性数值区间的中间值和修正系数之间建立坐标点,并通过线性回归方程来拟合这些点。本研究提出了一个基于棱角特性拟合的动态修正系数,通过图6 中的拟合曲线可看出,修正系数随着机制砂颗粒的棱角性变化而变化。拟合椭圆棱角性与修正系数之间具有较高的线性相关度,相关系数为 0.95,其拟合关系式如式(7)所示:=-2.1FEA+1.25(7)式中:为修正系数;FEA 为拟合椭圆棱角性表征参数。68 第 4 期潘维俊等:基于机制砂棱角性表征的级配测量修正方法及实验研究 图 6 拟合椭圆棱角性与修正系数的拟合曲线首先测量颗粒的棱角性特征数值,通过修正关系式(7)计算颗粒的修正系数,然后使用式(8)将颗粒的等效粒径与相应棱角性的修正系数相乘,得到修正后的等效粒径。最后,根据修正后的等效粒径划分颗粒所属的区间。修正关系式具体表达如下:d=df(8)式中:d为修正后的粒径;df为等效 Feret 椭圆短径。从图像法与筛分法的实验结果可以看出,图像法与筛分法在级配测量上存在一定的误差。在本节中将使用修正系数 对细度模数 FM 为 2.8、3.2 和 3.6的级配进行修正,修正前后的结果如图 7 所示,其中 修正后表示图像法修正之后与筛分分析的级配测量结果之间的误差。从图 7(a)可以看出,修正前的粒径区间的质量百分比最大误差为-2.60%。修正后,除 0.150.3 mm和 0.30.6 mm 的区间,其他粒度区间的级配误差均小于 2%,最大误差出现在 0.30.6 mm 尺寸范围内,误差为 4.34%,细度模数误差从 0.12 降至-0.01。从图 7(b)可以看出,修正前的粒度区间的质量百分比最大误差达到 5.72%。修正后,除 1.182.36 mm 区间外,其他粒度区间的级配误差均小于 2%,最大误差出现在 1.182.36 mm 的区间内,为-2.52%,细度模数误差从 0.17 降至 0.03。图 7(c)显示,修正前的粒径区间的质量百分比最大误差出现在 2.364.75 mm 尺寸范围内,为 6.29%,细度模数误差为 0.17。修正后,粒度区间的级配误差小于 3%,最大误差出现在 0.61.18 mm 的区间内,为2.74%,细度模数误差降至0.04。从图 7 中可以看出,修正后的图像法测量与筛分分析比较,细度模数 FM 为 3.2 和 3.6 的机制砂级配的级配误差小于 2.74%。对于细度模数 FM 为 2.8 的机制砂级配,修正后的级配误差为 4.34%。综合对比分析,修正后的图像法结果与筛分法更加接近,整体上符合测量准确度要求。(a)FM=2.8 级配测量结果(b)FM=3.2 级配测量结果(c)FM=3.6 级配测量结果图 7 机制砂级配修正前后结果3 结论机制砂不论是初次产生的集料还是过程中生产的集料,或者最后的成品砂,颗粒的尺寸分布和形状特征是调整和控制各级破碎机和筛分机的重要参数。因此,本文提出了一种基于图像处理和形状表征的测量方法,主要结论如下:1)通过对 3 种不同棱角性形态表征参数的对比实验,选择拟合椭圆棱角性作为最适合表征颗粒粗糙78 仪 表 技 术 与 传 感 器第 4 期度和锐利程度的棱角性参数。2)尺寸区间为 1.182.36 mm、0.61.18 mm 的最大重复性误差分别为 1.26%和 0.91%,0.15 0.3 mm 的最大重复性误差为 0.33%。结果表明,颗粒尺寸较小时,形状较规则,重复性更好。因此,该测量系统具有良好的稳定性和功能性。3)从数字图像中计算尺寸分数时会受到形状的影响。通过比较图像法和筛分法的测量结果,可以看出存在一定的偏差,主要是由于机制砂的不规则形状所引起的。4)建立了形状表征与修正系数 之间的拟合关系式。进行修正后,级配分布的最大误差从 6.29%降低到 1.01%,细度模数的最大误差从 0.17 减小到0.04。参考文献:1 CEPURITIS R,JACOBSEN S,PEDERSEN B,et al.Crushed sand in concrete-effect of particle shape in different fractions and filler properties on rheology J.Cement and Concrete Composites,2016,71:26-41.2 OZEN M,GULER M.Assessment of optimum threshold and particle shape parameter for the image analysis of aggregate size distribution of concrete sections J.Optics and Lasers in Engineering,2014,53:122-132.3 HE H,COURARD L,PIRARD E,et al.Shape analysis of fine aggregates used for concrete J.Image Analysis and Stereology,2016,35(3):159-166.4YAMEI H,LIHUA W.Effect of particle shape of limestone manufactured sand and natural sand on concrete J.Proce-dia Engineering,2017,210:87-92.5 SHEN W,YANG Z,CAO L,et al.Characterization of manu-factured sand:particle shape,surface texture and behavior in concrete J.Construction and Building Materials,2016,114:595-601.6 YANG J,CHEN S.An online detection system for aggregate sizes and shapes based on digital image processing J.Mineralogy and Petrology,2017,111:135-144.7 ZHANG D,HUANG X,ZHAO Y.Investigation of the shape,size,angularity and surface texture properties of coarse ag-gregates J.Construction and Building Materials,2012,34:330-336.8 DI MARIA F,BIANCONI F,MICALE C,et al.Quality assessment for recycling aggregates from construction and demolition waste:An image-based approach for particle size estimation J.Waste Management,2016,48:344-352.9 HAN J,WANG K,WANG X,et al.2D image analysis meth-od for evaluating coarse aggregate characteristic and distribu-tion in concrete J.Construction and Building Materials,2016,127:30-42.10 XIE W Q,ZHANG X P,YANG X M,et al.3D size and shape characterization of natural sand particles using 2D image analysis J.Engineering Geology,2020,279:105915.11 BRUNO L,PARLA G,CELAURO C.Image analysis for de-tecting aggregate gradation in asphalt mixture from planar images J.Construction and Building Materials,2012,28(1):21-30.12 MAITI A,CHAKRAVARTY D,BISWAS K,et al.Develop-ment of a mass model in estimating weight-wise