买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉三峡大学申请的专利基于深度学习的集料颗粒识别和级配自动分析方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116258689B 。

龙图腾网通过国家知识产权局官网在2026-01-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310106107.3，技术领域涉及：G06T7/00；该发明授权基于深度学习的集料颗粒识别和级配自动分析方法是由张蕊;张华;余帆;曹金露;高张;孙水发;郑子昌设计研发完成，并于2023-02-13向国家知识产权局提交的专利申请。

本基于深度学习的集料颗粒识别和级配自动分析方法在说明书摘要公布了：基于深度学习的集料颗粒识别和级配自动分析方法，包括以下步骤：制作集料的标准数据集，在训练集中训练深度学习模型MaskR‑CNN，得到该材质集料的深度学习模型的最优深度学习模型；根据集料中最小粒径组的识别精度和面积关系，确定符合精度要求的试验平台面积；基于大图像的分割与拼接技术，实现集料颗粒的自动识别与分割；计算集料颗粒的等效粒径，通过颗粒形状确定判定系数，计算集料中每个颗粒的等效粒径；计算集料颗粒的体积，根据颗粒的等效粒径划分，计算粒径范围内所有颗粒的质量占比。本发明方法能够实时输出集料的级配图像和级配数据，精度和效率大幅提升，可有效代替传统的筛分法。

本发明授权基于深度学习的集料颗粒识别和级配自动分析方法在权利要求书中公布了：1.基于深度学习的集料颗粒识别和级配自动分析方法，其特征在于包括以下步骤： 步骤一：制作相应材质集料的标准数据集，将标准数据集分割为训练集，验证集和测试集，在训练集中训练深度学习模型MaskR-CNN，得到该材质集料的深度学习模型的最优深度学习模型； 步骤二：根据集料中最小粒径组的识别精度和面积关系，确定符合精度要求的试验平台面积； 步骤三：基于大图像的分割与拼接技术，实现集料颗粒的自动识别与分割； 步骤四：计算集料颗粒的等效粒径，通过颗粒形状确定判定系数，计算集料中每个颗粒的等效粒径； 步骤五：计算集料颗粒的体积，根据颗粒的等效粒径划分，计算粒径范围内所有颗粒的质量占比，即集料的级配； 步骤六：通过不同含泥量的集料颗粒试验，评价含泥量对模型精度和级配分析的影响； 步骤七：通过在其它材质集料中制作标准图像数据集，并采用迁移学习方式，在该模型的基础上增加模型训练，得到其它材质的最优模型； 所述步骤四中，类椭圆状采用等效面积径作为粒径，类针状采用等效椭圆Feret短径作为粒径，具体步骤为： 首先通过最优深度学习模型识别与分割出集料颗粒的投影面积，再计算投影面积的最小外接矩形，最后得到最小外接矩形的长短轴之比；通过试验确定划分类椭圆和类针状的长短轴之比系数，作为颗粒形状的判定系数c，最终计算集料中每个颗粒的等效粒径D，如公式1所示； 1； 式1中：D为等效粒径，a为最小外接矩形短轴，b为最小外接矩形长轴，c为通过试验确定的判定系数； 所述步骤五中，颗粒的投影面积A乘以投影面积的费雷特Feret短径R，得到的等效体积与颗粒的实际体积最接近，故采用此方法计算集料颗粒的体积，如公式2所示； 2； 式2中：表示集料颗粒的投影面积，R表示投影面积所对应的费雷特短径；由此计算各粒径范围内集料颗粒的总体积，并得到质量占比GIRGradationinRange，即集料级配，如公式3所示： 3； 式3中：表示集料颗粒质量，表示集料颗粒投影面积，表示投影面积所对应的费雷特短径，m、n分别表示集料总颗粒数和某一粒径范围内的颗粒数，表示颗粒密度，表示颗粒体积，i，j分别表示某一粒径范围内的颗粒序号和总颗粒的颗粒序号。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。