1.一种大尺寸岩石颗粒特征识别方法的流程图，其特征为：包括如下步骤：步骤S102，获取岩石图像数据：针对单个单颗粒岩石样本，为了分析大尺寸岩石数据，首先需要获取相应的大尺寸岩石样本图像数据，并根据获得到的岩石图像数据来进行加工、分析和处理；在所述获取岩石图像数据之后，还包括获取环境数据，所述环境数据包括天气数据、光线数据，获取所述环境数据的方式是通过图像采集设备对周围环境进行采集并输出或通过远程服务器数据调用，确定当时当地的天气环境数据；所述岩石图像数据为通过多个图像获取终端获取到的图像数据；首先需要获取相应的大尺寸岩石样本图像数据，并根据获得到的岩石图像数据来进行进一步的加工、分析和处理；在所述获取岩石图像数据之后，所述方法还包括：获取环境数据：在获取到了岩石的图像数据之后，通过增加环境数据因素来使图像识别和分析更加准确，获取环境数据的方式是通过图像采集设备对周围环境进行采集并输出，或通过远程服务器数据调用，确定当时当地的环境数据；所述岩石图像数据为通过多个图像获取终端获取到的图像数据：图像获取设备包括：三部智能手机、高分辨率摄像头和远程快门控制、三根1.52米长的铜管，铜管由较短的管道用接头拼接而成，确保其容易地组装和拆卸、一个10公斤天井伞基座作为铜管的锚碇、三个1.52米×1.52米的蓝色窗帘作为背景和底面、三个相机三脚架，用于将智能手机固定在顶部/前部/侧面；其中一个三脚架设计了一个悬臂；在设备调试完成后，从不同的观察角度拍摄了不同大小的岩石照片，构成数据库；每次拍摄完成后，将颗粒随机旋转一个角度，使每个颗粒都至少被重复拍摄三次；尺寸和形状测量的准确性通过与人工测量单个抛石岩石的尺寸和重量对比来检验；步骤S104，根据所述岩石图像数据，生成预设分割算法；所述预设分割算法是基于多视图信息的图像分割算法，结合三维重建算法对物体的体积进行重构量化；所述基于多视图信息的图像分割算法包括：（1)所述图像分割算法是基于颜色的目标检测图像分割算法，所述图像分割算法包括颜色空间表示、前景背景对比度增强、自适应阈值和形态去噪三个部分；a)颜色空间表示——CIE L*a*b颜色空间：在CIE的L*a*b*空间中，L*通道表示亮度或强度值，a*通道和b*通道分别跟踪绿到红、蓝到黄的过渡；CIE L*a*b*空间通过将有用的信息分离到其a*和b*通道中，很好地消除阴影效应；根据对象颜色和背景颜色的不同，有用的对象信息在a*通道、b*通道或两者中积累；b)前景背景对比度增强：首先得到a*通道和b*通道的像素直方图，通过像素直方图获得像素累积分布函数；通过颜色距离实现前景和背景的对比度增强，像素灰度强度表示以前景代表颜 色为参考的颜色的距离大小，像素颜色越接近前景代表颜色，距离图中的颜色距离越小，强度越深，反之亦然；c)自适应阈值和形态学去噪基于增强后的距离图，应用图像阈值化得到二值化图像，阈值设定为一个固定阈值，或一个自适应阈值；由于数字图像是按像素离散化的，二值图像中会包含大量的噪声像素，需要去噪来清除噪声像素以及沿目标边界的不连续点；对二值化图像进行形态学运算，包括图像侵蚀、膨胀、填充孔洞；删除更接近图像边界的无法识别的物体；(2)三维体积重建算法——基于正交标定和体积校正的三维体积重建算法a)最小二乘法正交标定由于摄影测量误差需要进行正交标定，根据以下线性方程组，得到标准化的正交校正维数：Ax＝b ；其解使残差项最小，即 ；b)体积校正被分割的物体的体积用“体素”来计算，即三维长方体像素；由岩石与标定球之间的体素比得到重建体，但重建后对象的体积总是大于或者等于实际对象的体积；为校正其重建后偏大的体积，采用一个修正系数，所述修正系数为0.95；c)分辨率校正由于分割算法是基于前-背景对比的，检测到的边界会比实际物体边界稍微缩小， 这种结果会导致基于分辨率的过高估计，这是由两个参数控制的；第一个参数为岩石与标定球的相对尺寸比，第二个参数为标定球的绝对像素占有率；采用如下修正系数方程： ；所述修正参数的取值为0.90；步骤S106，根据所述预设分割算法，对所述岩石图像数据进行识别，得到岩石几何参数特征；步骤S108，将所述岩石几何参数特征进行输出；通过预设图像分割算法计算得到了岩石几何参数特征之后，即得到的结果数值，将所述岩石几何参数特征进行输出至展示段或存储端，以便用户方便地进行查看和应用；在将所述岩石几何参数特征进行输出之后，所述方法还包括：将所述预设分割算法集成到带有用户界面的应用端；为了使得带有用户界面的应用端获得准确的预设分割算法，将展示或输出的预设分割算法进行集成，即融合至相应的应用端，以便后续继续进行大尺寸岩石识别之用；针对堆积岩石，所述方法还包括：步骤S301，现场成像：校准球用作标准参考对象，以方便估计岩石的体积/大小，校准球的使用有两种选择:1)在图像采集过程中，如果相机/智能手机的位置是固定的，则先捕获校准球，再捕获岩石对象；2)当相机/智能手机的位置不断变化或可用设备数量有限时，应将校准球与每张图像中的对象一起捕获，以保持参考的一致性；用校准球拍摄同一集料的多个视图，并将摄像机平行放置在集料的斜坡上；获取足够分辨率图像的相机要求是2400x3000；集料图像是从与集料表面几乎垂直的方向拍摄的，集料图像是从靠近集料的位置拍摄的；步骤S302，堆积体图像分割：(1)基于深度学习的流程，集料图像分割算法包含一个基于深度学习的图像分割模块和一个用于粒子形状表征的形态学分析模块；深度学习的流程包含准备、训练、分析三个部分；(2)构建岩石堆积图像标记数据集，其中，数据集包含来自于不同地区、不同岩性的集料，集料中颗粒包含有不同大小、颜色、纹理的颗粒；数据图像包括从不同视角拍摄的照片；针对整理的数据集，手动标 记每一张图像中所有颗粒的位置及区域，使用VGG Image Annotator(VIA)简化手动标记的工作；这些被标记的区域被赋予“Rock”标签，神经网络将搜索这个标签并定位图像中的每个粒子区域；所述标记的准则包括：(1)多边形线应近似粒子边界，且与真实形状偏差不大；(2)设法标记所有可识别的粒子；(3)对图像边界处不完整的粒子进行标记，使分割模型在图像中不同位置表现出一致的性能；神经网络的构架：所述集料图像分割算法采用Mask R-CNN网络，图像分割任务包括目标检测步骤和语义分割步骤，因此，该网络由两个子网络组成，即用于目标检测的区域卷积神经网络(R-CNN)和用于语义分割的全卷积神经网络(FCN)；a)R-CNN网络：所述R-CNN网络首先使用区域建议网络(RPN)生成大量感兴趣区域(RoI)或 区域建议，然后通过传统的基于CNN的特征提取网络将每个区域建议压缩成一个特征图，目标分类模型将特征图输入到线性支持向量机(SVM)中，并使用非最大抑制来报告每个区域的目标分类和置信度；在置信度较高的位置，将重叠的边界盒合并为最终的边界盒，标记为检测对象；b)FCN网络：所述FCN网络进行语义分割目标检测后，需要进行语义分割，进一步提取每个边界框内的有效聚合像素，得到粒子的形状和边界；所述FCN网络是一种纯卷积层和池化层的网络，由卷积网络和对称反卷积网络组成；通过前向推理和后向传播机制，训练后的网络取任意大小的输入图像，输出指定类的局部目标区域；步骤S3021，针对神经网络的训练：使用已标记的集料图像数据集，对所述Mask R-CNN网络进行训练；该过程包括前向传递和反向传播两个步骤，前向传递将输入图像输入到神经网络中，以分割图像的形式生成输出，反向传播步骤中，神经网络的模型参数 将根据正向传递误差进行更新，实现神经网络自我调整或“学习”保证更加准确地处理分割任务；步骤S303，颗粒形态分析算法：成功分割后，将每个属于不同聚合粒子的区域输 入形态分析模块，计算每个颗粒的等效尺寸和长细比，并以直方图和累积分布的形式表示；使用的粒子的等效尺寸遵循等效球形直径(ESD)的定义，该定义用于表征不规则形状物体的尺寸如下: ；式中，A为不规则形状物体的测量面积；在长细比计算中，用费雷特维数来测量颗粒沿指定方向的形状;费雷特维数，也称为卡尺直径，定义为两个平行平面之间的距离;长细比(FER)的计算需要找到费雷特维数的最大值和最小值;L max 为最大或最长的费特维数.首先通过在所有可能的方向上搜索粒子区域的最长截距来确定；然后，通过搜索沿正交于L max 方向的截距得到最小或最短的费特维数L min ；FER被定义为最大和最小维度之间的比率: 。
