Manuscript ID : 1401121141437 Visit : 1663 Page: 85 - 102

Article Type: Original Research

Estimation of grain size curve of surface coarse sediments using imaging system designed

Subject Areas :

A.H. Tabee ¹ , A. Karami – Khaniki ^{2
*} , A.A. Bidokhti ³ , K. Lari ⁴

1 -
2 -
3 - University of Tehran
4 -

Received: 2023-03-02 Accepted : 2023-03-02 Published : 2023-03-02

Keywords: Sediment analysis # Image processing, Imaging system# Granulation curve#ImageJ software#,

Abstract :

Sediment recognition is one of the basic topics in coastal and river engineering. One of the parameters of sediment identification is their grain size. To determine the grain size, traditional methods such as sieving the sediments are usually used, which is accurate but time consuming. Image processing provides the ability to isolate and track targets (sediment grains) in images using the smallest unit of a digital image (pixel). In this paper, a one-piece system for imaging coarse-grained field sediments and presenting a granulation curve is constructed and tested, in which sediment processing and analysis is performed with ImageJ software and the results are compared by sieving method and was validated. Image samples were taken from laboratory and natural sand and sand sediments. The results show that the distribution obtained from the images of coarse (larger than one millimeter) and uniform surface sediments has a good correlation with the distribution obtained from the sieve analysis and reduces the time to at least one tenth and the total cost.

References:

جبی، ع. م.، یاوری، ع. و سلوکی، ح. ر.، 1398. کاربرد مدل EPM در ارزیابی فرسایش خاک (مطالعه موردی، حوضه شازند، سد ساوه). فصلنامه زمین‌شناسی ایران، 13، 50، 89- 98.
- عباسی، ن. الف.، سیوکی، م. ق.، یوسفی، م. و نویدی ایزد، ن.، 1395. اثر رخساره کروزیانا از نهشته‌های سازند نایبند (تریاس پسین) در برش پروده، جنوب باختری طبس، خاور ایران مرکزی. فصلنامه زمین‌شناسی ایران، 10، 38، 1- 15.
- ماهوش محمدی، ن.، هزارخانی، الف.، 1399. مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و حداکثر احتمال برای تفکیک واحدهای دگرسانی منطقه تخت گنبد سیرجان. فصلنامه زمین‌شناسی ایران، 14، 53، 31-43.
- Bankole, S.A., Buckman, J., Stow, D. and Lever, H., 2019. Grain-size analysis of mud rocks: A new semi-automated method from SEM images. Journal of Petroleum Science and Engineering, 174, 244-256.
- Blott, S. J. and Pye, K., 2001. Gradistat: A Grain Size Distribution & Statistics Package for the Analysis of Unconsolidated Sediments. Earth Surface Processes and Landforms Earth Surface Process, Landforms, 26, 1237–1248 (2001) DOI: 10.1002/esp.261.
- Bosnic, I., Sousa, H., Cascalho, J. P., Taborda, R., Ribeiro, M. and Lira, M., C., 2012. New insights into image analysis applied to beach grainsize variability. Jornadas de Engenharia Hidrográfica, 275-278.
- Davis, H., 2010. Creative Close-ups: Digital Photography Tips and Techniques. Wiley publishing, ISBN: 978-0-470-52712-2, 14 -120
- Di Stefano, C., Ferro, V. and Mirabile, S., 2010. Comparison between grain-size analyses using laser diffraction and sedimentation methods. Bio Systems Engineering, 106.
- Gonzalez, R. C., Woods, R. E. and Eddins S.L., 2009. Digital Image Processing Using MATLAB. Gatesmark publishing; 2nd edition, ISBN13:0.9820854.0.0, 100-122.
- Gonzalez, R. C. and Woods, R. E., 2008. Digital Image Processing.(Third Edition), Prentice-Hall, ISBN: 978-0-13-168728-8, 98-130.
- Graham, D. J., Rice, S. P. and Reid, I., 2005. A transferable method for the automated grain sizing of river gravels. Water Resources Research, 41, W07020.
- Graham, D. J., Rice, S. P. and Reid, I., 2005. Automated Sizing of coarse-grained sediments: Image-processing procedures. Mathematical Geology, 37, 1-28.
- Ghalib, A., 1999. Soil Particle Size Distribution by Mosaic Imaging and Watershed Analysis. Journal of Computing in Civil Engineering, 13, S. 80-87.
- Harb, G. and Schneider, J., 2009. Application of two Automated Grain Sizing Approaches and Comparison with Traditional Methods. 33rd IAHR Congress: Water Engineering for a Sustainable Environment.
- Kim, G. Y., Richardson, M. D., Bibee, D. L., Kim, D. Ch., Wilkens, R. H., Shin, S. R. and Song, S. T., 2004. Sediment type’s determination using acoustic techniques in the Northeastern Gulf of Mexico. Geosciences Journal, 8, 1, 95-103.
- Lang, N., Irniger, A., Rozniak, A., Hunziker, R., Wegner, J. and Schindler, K., 2020. GRAINet: Mapping grain size distributions in river beds from UAV images with convolutional neural networks. Hydrology and Earth System Sciences Discussions,(EGU).
- Marchetti, G., Bizzi, S., Belletti, B., Carbonneau, P. and Castelletti, A., 2018. Orbital grain size mapping from Sentinel 2 images. Geophysical Research Abstracts, 20, EGU2018-13642.
- McEwan, I. K., Sheen, T. M., Cunningham, G. J. and Allen, A. R., 2000. Estimating the size composition of sediment surfaces through image analysis. Engrs Water and Mar. Engng, Journals Department, Institution of Civil Engineers, 12069,189-195.
- Papanicolaou, Th. and Strom, K., 2004. Grain Size Analysis of Beach Sediment in Rich Passage Washington. A Report prepared for Pacific International Engineering.
- Prasad Shrestha, B., Poudel, L., Thapa, Bh. and Kumar Shrestha, N., 2011. Sediment Shape Characterization Using Digital Image Processing. The 12th Annual Conference of Thai Society of Agricultural Engineering, Thailand.
- Purinton, B. and Bookhagen, B., 2019. Introducing Pebble Counts: A grain-sizing tool for photo surveys of dynamic gravel-bed rivers. Manuscript under Review for journal Earth Surface Dynamics, CC BY 4.0 License.
- Rice, S. P. and Church, M., 1996. Grain-size sorting within river bars in relation to downstream _ning along a wandering channel. Sedimentology, 57 (1), 232 - 251.
- Rubin, D. M., Chezar, H., Harney, J. N., Topping, D. J., Melis, T. S. and Sherwood, Ch. R., 2007. Underwater microscope for measuring spatial and temporal changes in bed-sediment grain size. Sedimentary Geology 202, 402–408.
- Rubin, D. M., 2004. A Simple Autocorrelation Algorithm For Determining Grain Size From Digital Images of Sediment. Journal of Sedimentary Research, 74, 1, 160–165.
- Shin, S., 2004. Wavelet Analysis of Soil Mass Images for Particle Size Determination. Journal of Computing in Civil Engineering, 19-27.
- Sime, L. C., 2003. Information on Grain Size in Gravel-Bed Rivers by Automated Image Analysis. Journal of Sedimentary Research 73, 630- 636.
- Sonka, M., Hlavac, V. and Boyle, R., 2015. Image Processing, Analysis, and Machine Vision. Fourth Edition, Publisher, Global Engineering: Timothy L. Anderson, ISBN-13: 978-1-133-59360-7, 105-181
- Stähly, S., Friedrich, H. and Detert, M., 2017. Size Ratio of Fluvial Grains’ Intermediate Axes Assessed By Image Processing and Square-Hole Sieving. Journal Hydraulic Engineering, 143(6).
- Sukhtankar, R.K., 2008. Applied Sedimentology. CBS Publishers, ISBN: 81-239-1052-5.
- Turley, M. D., Bilotta, G. S., Arbociute, G., CHadd, R. P., Extence, C. A. and Brazier, R. E., 2016. Quantifying Submerged Deposited Fine Sediments in Rivers and Streams Using Digital Image Analysis. River Research and Applications, DOI: 10.1002/rra.3073.
USGS, 2001. USGS east-coast sediment analysis; procedures, database, and geo referenced displays. U.S Geological Survey (USGS), 21-35.
- West, J. L. and Cameron, I. D., 2006. Using the medical image processing package ImageJ for Astronomy. The Journal of the Royal Astronomical Society of Canada, 242-247.

Full-Text:

برآورد منحنی دانه‌بندی رسوبات درشت‌دانه سطحی با استفاده از سیستم تصویربرداری طراحی‌شده

امیرحسین طبعی1 ، علی کرمی خانیکی (2و¹)، علی‌اکبر بیدختی3 و کامران لاری4

1. دانشجوی دکتری گروه فیزیک دریا، دانشکده منابع طبیعی و محیط‌زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

دانشیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان جهادکشاورزی ایران 2.

3. استاد، دانشکده ژئوفیزیک، دانشگاه تهران، ایران

4. استادیار، دانشکده علوم و فنون دریایی، دانشگاه آزاد اسلامی واحد تهران شمال، ایران

چکیده

شناخت رسوبات از مباحث پایه در مهندسی سواحل و رودخانه می‌باشد. یکی از پارامترهای شناسایی رسوبات، دانه‌بندی آنها است. برای تعیین دانه‌بندی، همواره از روش‌های سنتی همانند الک کردن رسوبات استفاده می‌شود، که دقیق، اما زمان‌بر است. پردازش تصاویر این قابلیت را فراهم می‌سازند که با استفاده از کوچک‌ترین واحد تصویر دیجیتال(پیکسل)، به جداسازی و ردیابی اهداف (دانه‌های رسوبی) در تصاویر پرداخت. در این مقاله سیستمی به‌صورت یکپارچه برای تصویربرداری از رسوبات میدانی درشت‌دانه و ارائه منحنی دانه‌بندی از آن ساخته و مورد آزمایش قرار می‌گیرد. پردازش و آنالیز رسوبات با نرم‌افزارImageJ انجام و مقایسه نتایج با نتایج روش الک، برای صحت سنجی انجام شد. نمونه‌های تصاویر از رسوبات شنی و ماسه‌ای، آزمایشگاهی و طبیعی برداشت شد. یافته‌ها نشان می‌دهد توزیع به‌دست‌آمده از تصاویر رسوبات سطحی درشت‌دانه (بزرگ‌تر از یک میلی‌متر) و یکنواخت، همبستگی خوبی با توزیع به‌دست‌آمده از روش الک دارد و زمان را حداقل به یک‌دهم و هزینه کل را پایین می‌آورد.

واژه‌های کلیدی: آنالیز رسوبات، پردازش تصاویر، سیستم تصویربرداری، منحنی دانه‌بندی، نرم‌افزارImageJ

[1] * نویسنده مرتبط : karamikhaniki@gmail.com

مقدمه

رسوبات در تمام کرانه‌های ساحلی و تمام مسیرهای رودخانه‌ای وجود دارند. هر ساله میلیون‌ها تن خاک به دلیل خطرات طبیعی و فعالیت‌های انسانی تخریب می‌شود (رجبی و همکاران، 1398). اهمیت دانه‌بندی رسوبات در هیدرودینامیک جریان، انتقال رسوبات، مدل‌سازی، تهیه نقشه بستر رودخانه و فرآیندهای ساحلی و فراساحلی می‌باشد. یک متغیر کلیدی برای رسم و توصیف واحدهای ژئومورفیک رودخانه، توزیع اندازه دانه‌های رسوبی بستر و الگوی تغییر آن در طول زمان است (2018 et al., Marchetti ). از شاخصه‌های کلیدی مدل‌سازی دینامیک رسوب رودخانه، منحنی درجه‌بندی دانه‌ها می‌باشد، زیرا ناهمواری کانال و حرکت اولیه رسوب را مشخص می‌کند(2020 et al., Lang ). دانه‌ها در شکل، ترکیب (نوع و فراوانی)، جهت یافتگی¹، فشردگی² و اندازه متغیر هستند Sukhtankar, 2008)). تجزیه و تحلیل دانه‌ها نسبت اندازه دانه‌ها در نمونه معین را مشخص می‌کند و هدف آن به دست آوردن توزیع فراوانی و محاسبه آماری است (USGS, 2001).

در بررسی محیط رسوبی توالی‌های مختلف می‌توان از ابزارهای متنوعی استفاده کرد، تا به شرایط و ویژگی‌های حوضه‌های رسوبی پی برد (عباسی و همکاران، 1395). تصاویر به ابزاری کارآمد برای انجام سریع تجزیه و تحلیل رسوبات نامحلول تبدیل شده است(2012 et al., Bosnic). استفاده از نرم‌افزارهای پردازش تصاویر، روشی جایگزین برای تجزیه و تحلیل توزیع اندازه دانه‌ها بر اساس تصاویر می‌باشد (Ghalib, 1999). روش‌های دیگری از جمله امواج صوتی (2004 et al., Kim ) و امواج لیزر (Di Stefano et al., 2010) برای مشخص کردن ویژگی‌های رسوبات نیز در حال توسعه است. همچنین فناوری‌های سنجش از دور و ترکیب تصاویر ماهواره هم روشی جدید، برای نقشه‌برداری از دانه‌ها ارائه می‌کند(2018 et al., Marchetti ).

در مطالعه دانه‌بندی رسوبات به کمک تصاویر دو رویکرد کلی وجود دارد، اولی شامل روش‌هایی است که از تقسیم جزء و شمارش پیکسل‌ها استفاده می‌شود، که در آن اندازه و توزیع دانه‌بندی تعیین می‌شود و روش دوم روش‌های آماری بر اساس بافت تصاویر است و مبتنی بر الگوهای خاص می‌باشد که در تصاویر تکرار می‌شود (Shin, 2004). متداول‌ترین روش طبقه‌بندی تصویر را می‌توان روش آماری حداکثر احتمال و کمترین فاصله، نام برد (ماهوش محمدی و هزارخانی، 1399). انتخاب تکنیک‌ها تا حدودی به اندازه دانه بستگی دارد، تکنیک باید دقیق، ارزان، سریع و طیف وسیعی از اندازه دانه‌ها را پوشش دهد(2019 et al., Bankole).

مک ایوان و همکاران et al., 2000) (McEwan به مطالعه ترکیب دانه‌بندی رسوبات سطحی از طریق تجزیه و تحلیل تصاویر پرداختند و الگوریتم‌های تشخیص لبه برداری برای مرزبندی دانه‌ها را بررسی کردند. Sime در سال 2003 (Sime, 2003)از آنالیز تصاویر برای تعیین توزیع اندازه دانه‌ها در رودخانه با بستر شنی و شناسایی مرزبندی دانه‌ها از دو روش مختلف استفاده کرد. پاپانیکولائو و همکاران et al., 2004) Papanicolaou) به تحلیل و توزیع اندازه دانه‌بندی رسوبات سطحی ساحلی با استفاده از نرم‌افزارIGOR Pro پرداختند. روبین در سال 2004 (Rubin., 2004) از رسوبات میدانی تصویربرداری و از خودهمبستگی³ میان پیکسل‌ها در تصویر دیجیتال برای اندازه‌گیری میانگین دانه‌بندی سطح مقطع استفاده کرد. گراهام و همکاران (Graham et al., 2005) در مجموعه‌ای از مقالات، به مطالعه و اندازه‌گیری رسوبات درشت‌دانه و بررسی روش‌های پردازش آنها پرداختند. آنها به این نتیجه رسیدند كه مقیاس تصویر باید به‌گونه‌ای باشد كه کوچک‌ترین دانه مورد مطالعه دارای محور بزرگ‌تر از 23 پیكسل باشد. آنها دو رویکرد، بر اساس ویژگی‌های سراسری (برحسب شدت نور) و بر اساس ویژگی‌های همسایگی (ذرات دانه‌ها) را گسترش دادند. روبین و همکاران در سال 2007 (Rubin et al., 2007) ابزارهایی را که در زمینه تصویربرداری از رسوبات در سواحل و زیر آب کاربرد دارد ساختند. اشنایدر و هارب (2009 Harb, and (Schneider به مطالعه و پردازش تصاویر دانه‌های رسوبی بستر رودخانه با نرم‌افزار ImageTool و مقایسه نتایج آن با روش الک پرداختند. پراساد و همکاران (Prasad et al., 2011) با بررسی و تعیین شکل دانه‌های ماسه از تصاویر موفق به شناسایی 21 شكل مختلف برای دانه شدند. تورلی و همکاران (Turley et al., 2016) به تعیین رسوبات ریز در رودخانه با استفاده از تجزیه و تحلیل تصویر دیجیتال پرداختند و دو رویکرد جدید مبتنی بر تحلیل تصویر غیرخودکار را ارائه کردند. برای این کار از نرم‌افزارهایAdobe Photoshop Elements و Pixlr استفاده شد. پورینتون و بوهاگن 2019) Purinton, and Bookhagen ( روشی را برای اندازه‌گیری و شمارش سنگ‌ریزه‌ها در بستر رودخانه شنی از طریق تصاویر ارائه و الگوریتمی خاص را برای محاسبات تعریف کردند. آنها برای تهیه تصاویر دوربین را روی دکلی پنج متری نصب کردند.

باید در نظر داشت در عکس‌برداری دیجیتال چندین موضوع روی کیفیت تصاویر موثر هستند و مهم‌ترین آنها تعداد پیکسل‌ها، سنسور داخلی، لنز و قدرت پردازش درونی دوربین است (Davis, 2010). اساس عکاسی به نور و سپس به ضبط و کنترل نور بستگی دارد. پردازش تصویر عبارت است از هر نوع پردازش سیگنالی که ورودی آن یک تصویر و خروجی آن می‌تواند تصویر و یا مجموعه‌ای از متغیرها باشد (Gonzalez and Woods, 2008).

پردازش تصاویر در حالت کلی شامل: 1- دریافت تصویر ورودی، 2- پیش‌پردازش تصاویر، 3- پردازش تصاویر، 4- آنالیز تصویر می‌باشد. این مراحل به‌طور جزئی‌تر شامل: 1- تبدیل هندسی تصاویر، همانند تغییر اندازه و چرخش، 2- تبدیل رنگی تصاویر، 3- ترکیب و تجزیه تصاویر، 4- فشرده سازی تصاویر، 5- قطعه‌بندی تصاویر، 6- تفاضل تصاویر، 7- میانگین‌گیری تصاویر و غیره است (Gonzalez et al., 2009).

پردازش تصویر در رسوبات، شامل تولید تصویر سیاه و سفید⁴ است و در آن هر دانه رسوب به‌وسیله یک مرز مشخص نشان داده شود. این همواره یک فرآیند دومرحله‌ای است، اولین مرحله تقسیم‌بندی کلی از دانه‌ها است، اما قادر به تولید نواحی یکتا برای هر دانه نیست. در مرحله دوم با استفاده از مرزبندی بین دانه‌ها تصویر باینری تکمیل و گستره هر دانه به‌صورت مجزا مشخص می‌شود. در آخر اندازه دانه‌ها به‌وسیله روش تحلیل مناسب استخراج می‌شود. مرزبندی مفهومی در تجزیه و تحلیل تصویر است و شامل ویژگی پیرامون یک پیکسل و همسایگی آن می‌باشد (2015 et al., Sonka).

تبدیل یک تصویر از رسوبات به منحنی دانه‌بندی، شامل چهار مرحله اساسی زیر است :

مرحله 1 : عکس‌برداری از نمونه رسوب

مرحله 2 : تشخیص مرزبندی دانه‌های رسوبی

مرحله 3 : آنالیز تصویر و نسبت طول به عرض و مساحت و یا محیط هر دانه

مرحله 4 : خروجی گرافیکی و استخراج توزیع اندازه دانه‌ها (نمودار دانه‌بندی)

پارامترهای تاثیر گذار در این چهار مرحله بستگی به : 1- نوع و محاسبه قدرت تفکیک دوربین، 2- تکنیک و سیستم سخت‌افزاری عکس‌برداری، 3- برنامه نرم‌افزاری دارد.

در عکس‌برداری از رسوبات محاسبه قدرت تفکیک دوربین و فاصله مناسب دوربین تا هدف از جمله پارامترهای بسیار مهم در به دست آوردن نتایج قابل قبول می‌باشدand Church, 1996) Rice).

در استفاده از نرم‌افزارها درستی نتایج شامل : 1- اندازه اشیاء⁵، 2- میزان تفکیک و ملموسی اشیاء، 3- درستی تقریبی زمینه⁶ و تفکیک آن از پیش‌زمینه⁷ ، 4- روش آنالیز و محاسبات می‌شود.

انتخاب عوامل مناسب و درست، مثل فیلترها و بقیه موارد در استفاده از نرم‌افزارهای پردازش و آنالیز تصاویر، ترکیبی از علم و هنر است (West and Cameron, 2006).

در جدول 1 تقسیم‌بندی مقیاس اندازه دانه‌های رسوبی نشان داده شده است.

جدول1. مقیاس اندازه رسوبات (Blott and Pye, 2001)

[1] . Orientation

[2] . Packing

[3] . Autocorrelation

[4] . Binary

[5] . Objects

[6] . Background

[7] . Foreground

روش مطالعه

در این تحقیق برای تعیین دانه‌بندی رسوبات، سیستمی سخت‌افزاری طراحی و ساخته شد.

نمونه‌های رسوبات برای بررسی در سه حالت کلی در نظر گرفت. حالت اول دانه‌هایی که در تست مدل‌های هیدرولیکی کاربرد دارد و اندازه‌های مشخص دارند. حالت دوم نمونه‌های میدانی که کدگذاری و به آزمایشگاه منتقل شدند. حالت سوم استفاده از سیستم سخت‌افزاری در محیط‌های میدانی و انتقال برخی نمونه‌ها به‌صورت تصادفی¹ به آزمایشگاه برای صحت سنجی داده‌ها که آزمایش الک در مورد آنها، بررسی شده است.

سیستم سخت‌افزاری تهیه تصاویر

تکنیک‌های اتوماتیک آنالیز دانه‌های رسوبی باید: 1) ساده، سریع و کاربردی باشند. 2) نشان‌دهنده توزیع دانه‌بندی با دقت و قابل مقایسه با روش‌های سنتی باشد. 3) در سرتاسر طیف دانه‌های رسوبی کاربردی باشد (Graham et al., 2005).

هدف از ساخت سیستم سخت‌افزاری مجموعه‌ای به‌صورت یکپارچه است، تا در پژوهش‌های میدانی، در محل و با سرعت، بدون انتقال دانه‌ها به آزمایشگاه، منحنی دانه‌بندی سطحی رسوبات برآورد شود. که شامل تصویربرداری صحیح از دانه‌ها و در مرحله بعد پردازش و آنالیز دانه‌های رسوبی توسط اپراتور، در نرم‌افزار متصل به آن می‌باشد.

بدنه سیستم سخت‌افزاری از شاسی آلومینیومی با قابلیت حرکت و متشکل از سه طبقه است. در بالاترین طبقه، کلیدهای کنترلی برای ارتفاع سنجی و هدایت کلیه بخش‌های دیگر و کامپیوتر متصل به سیستم قرار دارد. در طبقه میانی باتری‌ها، برد الکترونیکی، موتور حرکتی کابین متحرک و اجزاء جانبی و متصل به آن و در طبقه پایین ابزار و وسایل جانبی می‌باشد. سیستم دارای بخش متحرکی است و کابین و اجزاء روی آن شامل دوربین، سنسورها و نور مصنوعی بر روی آن قرار دارد. یک سنسور اولتراسونیک، ارتفاع سنجی تعیین فاصله لنز دوربین تا سطح رسوب را در هر مرحله انجام می‌دهد.

نمونه رسوب در زیر لنز دوربین قرار می‌گیرد و به کمک کلیدهای کنترلی بخش متحرک به بالای نمونه هدایت و در چند فاصله مشخص و تعیین شده بسته به‌اندازه رسوبات تصویربرداری و به نرم‌افزار منتقل شده و با پردازش و آنالیز و انجام محاسبات منحنی دانه‌بندی برآورد می‌شود.

در شکل 1 نمودار بلوکی مراحل کلی روند کار، شکل 2 نقشه ساخت، جدول2 قطعات اصلی و ویژگی‌های سیستم تصویربرداری و آنالیز تصاویر و در شکل3 تصویر آن نشان داده شده است.

[1] . Random

شکل1. نمودار بلوکی روند کار سیستم تصویربرداری و آنالیز تصاویر

شکل 2. نقشه کلی ساخت سیستم تصویربرداری

جدول2. برخی مشخصات سیستم تصویربرداری و آنالیز تصاویر

اجزاء و قطعات دستگاه Parts of the system	مشخصات و ویژگی‌های
جنس بدنه (شاسی اصلی) The main chassis	Aluminum , (854432) Cm
باتری‌ها Batteries	12volt DC 4.7 Amp for motor & 4.8 volt 1.5 Amp for Ultrasonic sensors
موتور و گیربکس Gearbox and motor	12 volt Dc 100rpm
دوربین‌ها قابل نصب Camera	Mobil phone Htc (6.3Megapixels) Canon Digital IXUS 510 Hs (10.1Mega Pixels) A6 (16Mega Pixels) Mobil phone
سنسور التراسونیک Ultrasonic sensors	Model : SRF05 Voltage : 5volt Current consumption: 2 m amp Altimetry: 2-450 CM Angle sensor: 15 Degree Accuracy: 2mm
میکروکنترلر Microcontroller	Model: Avr Language planning : C
نرم‌افزار Software	Image j
سیم بالا کشنده بخش متحرک Wire	Galvanized Diagonal : 1mm
چرخ‌های شاسی Wheel chassis	plastic diagonal : 9Cm
شاسی متحرک Moving parts chassis	(50*17) Cm Aluminum
کابین Cabin	Plastic (13.5185)Cm
لینیر motion Linear	65Cm No :15 Galvanized
ارابه یا جعبه قرقره Block	Galvanized & plastic (4.5*6) Cm

شکل 3. 1) سیستم تصویربرداری از رسوبات در محیط طبیعی و معرفی برخی قطعات آن، 2) نمایش کلی و قرارگیری اپراتور در نمونه‌برداری تصویری از دانه‌های رسوبی حاشیه رودخانه

مساحت ناحیه تصویربرداری در زیر لنز دوربین مطابق شکل 4 است. دوربین عمود به سطح رسوبات می‌باشد.h ارتفاع دوربین از زمین، x وy نصف طول و عرض کادر عکس‌برداری توسط دوربین(برحسبmm) وA مساحت ناحیه تصویربرداری شده می‌باشد.

، ،

شکل 4. مساحت چهارچوب سطح تصویربرداری و نمای جانبی آن

در شکل 5، نمونه‌ها از تصاویر برداشت شده از دانه‌های رسوبی در فواصل مختلف می‌باشد و طیف وسیعی از اندازه، شکل،گردی، جهت یافتگی و رنگ‌بندی در آنها مشاهده می‌شود.

شکل5. نمونه‌هایی از تصاویر رسوبات با اندازه‌های مختلف دانه‌بندی، شکل، گردی، جهت‌گیری و رنگ‌بندی

نمونه‌برداری از دانه‌های رسوبی بستر

در مجموع بیش از 50 نمونه رسوب سطحی با دانه‌بندی مشخص و نامشخص طبیعی در دسته‌بندی شن و ماسه مورد بررسی قرار گرفت. عکس‌برداری‌ها در شرایط نور طبیعی و با سیستم تصویربرداری ارائه شده انجام شد. از هر نمونه رسوب بسته به شرایط در فواصل پنج و10 و20 و 50 سانتیمتری عکس‌برداری شد. در هر فاصله سه بار عکس‌برداری تکرار و به نرم‌افزار منتقل و منحنی دانه‌بندی از روش پردازش و آنالیز استخراج شد.

عملیات نرم‌افزاری

تصاویر نمونه‌ها با دوربین‌هایی با رزولوشن واقعی (6.37(Megapixel)) )((Pixel(1952*3264)( و )(15.92(Megapixel)) ((Pixel(3456*4608)) و) (48 (Megapixel)) ((Pixel(6000*8000)) مگاپیکسل به‌وسیله سیستم تصویربرداری عکس‌برداری شد و به نرم‌افزار متصل به آن منتقل شد. ویرایش ابتدایی و عملیات اصلی پردازش و آنالیز و استخراج داده‌های اولیه، شامل تعین مساحت و تعداد تک تک دانه‌های درون تصویر با نرم‌افزار ImageJ (نسخه (1.53e)) و محاسبات نهایی و رسم نمودار در نرم‌افزار Excel انجام شد و ضریب‌های تصحیح فاصله در محاسبات نهایی اعمال شد (برای سریع‌تر شدن عملیات پردازش توسط اپراتور در نرم‌افزار ، به‌جای استفاده از خط کش مقیاس در کنار هر تصویر و پیدا کردن مقیاس تصاویر، برای فواصل تعریف شده، بسته به مشخصات کانونی دوربین‌های مورد استفاده، ضریب‌ها به‌صورت تجربی استخراج شد تا در زمان آنالیز از آنها برای تعیین مقیاس و همچنین تبدیل واحد استفاده شود).

تبدیل واحد و طول قطر میانگین هر دانه با استفاده از معادله زیر برای رسم توزیع دانه‌بندی مشخص شد.

معادله 1:

در این فرمول، قطر دانه، مساحت دانه برحسب پیکسل مربع، ، عدد 0.2645 تبدیل طول پیکسلی به طول میلی‌متری، ضریب تصحیح فاصله دوربین با سطح رسوبات است.

در خروجی نتایج اولیه از نرم‌افزار پردازش و آنالیز، محیط و مساحت هر دانه به دست می‌آید و با توجه به شکل بی‌نظم دانه‌های رسوبی و فرض کروی بودن دانه‌ها و بحث کرویت¹ و گردشدگی² آنها، محاسبه قطر دانه‌ها از روی مساحت‌ها و تبدیل آنها به قطر متوسط (قطر معادل)، به‌جای استفاده از قطر بزرگ و کوچکی هر دانه، به علت پوشش بهتر و نتایج واقعی‌تر نسبت به میانگین‌گیری قطری استفاده شد. برای تبدیل مساحت به قطر متوسط، مساحت هر دانه برآورد و قطر میانگین تعیین و مقیاس پیکسل به مقیاس طول فیزیکی تبدیل و در نهایت با توجه به تعداد دانه‌های شمارش شده توسط نرم‌افزار، میزان فراوانی قطر دانه‌ها درکل دانه‌ها محاسبه و نمودار منحنی دانه‌بندی رسم شد. در آنالیز نمونه، دانه‌ها با قطر کوچک‌تر یا بزرگ‌تر از حد، بسته به نوع و اندازه، برای بهبود نتایج، از محاسبات خارج شد.

به‌طور خلاصه برای پردازش و آنالیز دانه‌های رسوبی از تصویر پس از برداشت تصویر مناسب از دانه‌های رسوبی در سیستم تصویربرداری و انتقال به نرم‌افزار متصل به آن، مراحل زیر انجام شد:

- تنظیمات اولیه تصویر (فاصله و یا مقیاس، چرخش، برش، کاهش سایه‌ها و تصحیح تصاویر و غیره)

- افزایش و یا کاهش کنتراست در صورت لزوم

- تبدیل تصویر رنگی به خاکستری³ ،(8bit)

- تبدیل تصویر خاکستری به سیاه‌ و سفید (که در آن رنگ مشکی نمایانگر دانه‌ها و سفید زمینه تصویر است)

- اعمال فیلترها (فیلتر Median ، فیلتر unsharp mask و...)

- کاهش نویز⁴

- خالی و پر کردن برخی فضاها مورد نظر⁵

- اعمال تابع آبخیز⁶ (مرز مورفولوژی)

- آنالیز دانه‌های رسوبی شامل، تنظیمات اندازه‌گیری درset measurements، تنظیم و اجرایAnalyze particles (غربال عددی هر دانه و به دست آوردن مساحت، قطر، محیط، مرکز جرم و غیره هر دانه و کل دانه‌های درون تصویر)، استخراج جدول‌ها، شکل مرزبندی نهایی دانه‌های شمارش شده (رسم بیضی معادل (منطبق) هر دانه در تصویر)، تعیین نوار مقیاس، ذخیره کد برنامه اجرا شده، رسم نقشه سطحی⁷

- انتقال نتایج اولیه به نرم‌افزار اکسل و محاسبات نهایی

- در صورت داشتن معادل آنالیز دانه‌بندی دانه‌ها به روش الک، رسم آن و مقایسه دو نمودار با یکدیگر

در شکل6 دانه‌های رسوبی و نمایش مرزبندی در دو حالت عادی و باینری و منحنی دانه‌بندی آنها و در شکل 7 خلاصه‌ای از روند مراحل تعیین توزیع اندازه دانه‌ها نشان داده شده است.

شکل 6. a و b) رسوبات درشت‌دانه رودخانه‌ای در حالت عادی و باینری مرزبندی شده و c) نمودار منحنی دانه‌بندی

[1] . Sphericity

[2] . Roundness

[3] . Grayscale

[4] . Despeckle

[5] . Fill Holes

[6] . Watershed

[7] . Topographic view

شکل7. روند کلی مراحل تعیین توزیع دانه‌بندی رسوبات سطحی از تصاویر

در مواردی که تصاویر طیف وسیعی از دانه‌بندی را شامل می‌شود، نرم‌افزار مشکلاتی را در تشخیص سنگ‌ریزه‌ها رسوبی خواهد داشت. اگر خطای ناشی از پردازش تصویر را بتوان نادیده گرفت، برهمکنش بین دانه‌ها باعث کوچک‌تر دیده شدن، همپوشانی و تخریب برخی از دانه‌ها می‌شود(2017 et al., Stähly). اگر ترکیب دانه‌ها دارای تنوع زیادی در اندازه و شکل باشد، این اثرات تقویت می‌شود. شرایط نوری مختلف و تغییرات آن در محیط طبیعی، سایه‌ها، چسبیدگی دانه‌ها، رنگ‌بندی‌های مختلف، محدودیت کادر تصویربرداری و رسم مرز مورفولوژی در زمان پردازش و شکسته شدن سنگ‌های بزرگ‌تر به کوچک‌تر موجب ایجاد نبود‌تشخیص صحیح اندازه‌ها و مشکلات در نرم‌افزار پردازش می‌شود. در مراحل آزمایش بسیاری از تصاویر برای آنالیز اندازه دانه‌ها مناسب نبودند چون در آنها شناسایی دانه‌های فردی امکان‌پذیر نبود و به دلیل اندازه در مقایسه با وضوح و روشنایی دانه‌ها به هم گره می‌خورند.

اعمال تنظیمات نرم‌افزار برای هر گروه از رسوبات (شامل فاصله عکس‌برداری تا میانگین سطح، زاویه تابش یکسان و عمود نور در همه جهات سطح و نبود ایجاد سایه و... در نرم‌افزار (و سخت‌افزار)) ضروری می‌باشد.

در شکل 8 مراحل پردازش تا مرحله بیضی‌های منطبق شده، مرزبندی و شماره‌گذاری هر دانه را نشان می‌دهد. شکل 9 نمونه‌ای از تصویر رسوب و در شکل‌های10، 11، 12، 13 و 14 رسم در صد فراوانی به روش پردازش تصاویر، الک و مقایسه نتایج آنها برای نمونه شکل 9 نشان داده شده است.

$img0$

شکل 8. مراحل پردازش دانه‌های رسوبی، تصویرa نمونه‌ای از رسوبات، تصاویر b c , , d , e , f مراحل پردازش دانه‌ها شامل جدا کردن پس‌زمینه (تفریق پس‌زمینه)، مرزبندی، شماره‌گذاری و آنالیز دانه است

شکل 9. نمونه تصویر دانه‌های رسوبی ساحلی که در فاصله پنج سانتیمتری با سیستم تصویربرداری، عکس‌برداری شده

شکل10. درصد فراوانی (منحنی دانه‌بندی)، به روش پردازش تصاویر، نمونه رسوب شکل 9

شکل 11. درصد فراوانی (منحنی دانه‌بندی)، به روش پردازش تصاویر، نمونه رسوب شکل 9، به همراه معادله رگرسیون خطی و ضریب رگراسیون(R- Squared)

شکل 12. درصد فراوانی (منحنی دانه بندی) نمونه رسوب ساحلی شکل 9 به روش الک کردن رسوبات

شکل13. مقایسه دو نمودار (درصد فراوانی) از روش پردازش تصاویر و الک، نمونه رسوب شکل 9

خطای مطلق 167/0، خطای نسبی 239/0 و درصد نسبی خطای دو نمودار 9/23% است. ضریب همبستگی مقادیر نظیر محورهای افقی دو روش (اندازه دانه‌ها) برابر 9221/0 است که نشان‌دهنده همبستگی خوب (روند افزایشی و کاهشی نزدیک و همسان نسبت به هم) نمودارهای رسم شده روش پردازش و الک دانه‌های رسوبی می‌باشد.

شکل 14. مقایسه دو نمودار (درصد فراوانی) از روش پردازش تصاویر و الک، نمونه رسوب شکل 9، به همراه معادله رگرسیون خطی و ضریب شاخص(R- Squared) هر دو نمودار

مقایسه میان روش پردازش تصاویر و الک

در روش الک، دانه‌های رسوبی از زیرمجموعه‌های مختلف کل حجم رسوب موجود در بستر، اندازه‌گیری می‌شود ولی برخلاف آن در روش پردازش، لایه بالایی و سطحی رسوب عکس‌برداری و اندازه‌گیری می‌شود (و خطای حاصل از شکل واقعی دانه‌ها را باعث می‌شود). نمونه در روش الک از یک نقطه برداشته ولی در روش پردازش از یک سطح انجام می‌شود. روش الک منحنی‌های جرم- فرکانس¹ و روش پردازش تصاویر تعداد دانه‌ها- فرکانس² را محاسبه می‌کند. نتیجه روش پردازش تصاویر یک توزیع دانه‌بندی تعداد- فرکانس در قطر یا مساحت- فرکانس می‌باشد.

در شکل‌های 15،16،17و 18نمونه‌هایی از دانه‌های رسوبی سطحی طبیعی و مقایسه نمودار دانه‌بندی آنها با روش الک برای لایه سطحی دانه‌ها نشان داده شده است.

شکل 15. a) نمونه‌ای از دانه‌های رسوبی b) نمودار توزیع دانه‌بندی از روش پردازش و مقایسه با روش الک

شکل 16. a) نمونه‌ای از دانه‌های رسوبی ساحلی b) مقایسه نمودار توزیع دانه‌بندی از روش پردازش با روش الک

شکل 17. a) نمونه‌ای از دانه‌های رسوبی و b) نمودار توزیع دانه‌بندی از روش پردازش و مقایسه با روش الک

شکل 18. a) نمونه‌ای از دانه‌های رسوبی و b) نمودار توزیع دانه‌بندی از روش پردازش و مقایسه با روش الک

[1] . Mass-frequency

[2] . Number-frequency

بحث

در این تحقیق تصویربرداری از دانه‌های رسوبی به‌منظور تعیین منحنی دانه‌بندی رسوبات سطحی درشت‌دانه انجام شد. نتایج نشان می‌دهد، مقایسه روش پردازش برای نمونه‌های شن و ماسه با شماره الک 18تا 1 یعنی رسوباتی با اندازه دانه‌بندی 1 تا 5/25 میلی‌متر (و بزرگ‌تر) با روش الک دارای همبستگی قابل قبول می‌باشد.

دو مسئله اساسی در تعیین توزیع دانه‌بندی به روش پردازش تصاویر وجود دارد اولی ناشی از طبیعت رسوب در زمان عکس‌برداری می‌باشد، سطح دانه‌های رسوبی بزرگ‌تر خشک‌شوندگی سریع‌تری نسبت به دانه‌های ریزتر که در شکاف‌ها قرار دارند نشان می‌دهد. اگر رسوب ریز روی سنگ‌های بزرگ‌تر قرار گیرند یا اگر سنگ‌های بزرگ‌تر دارای ترکیب‌های جهت‌گیری پیچیده باشند نرم‌افزار اغلب قادر به تشخیص دانه‌ها به‌صورت انفرادی نیست. مسئله دوم اینکه نرم‌افزار دانه‌های تکی را در برخی مواقع خرد و یا متصل به دانه‌ای دیگر می‌کند و دانه بزرگ‌تری در نظر می‌گیرد. برای مثال در مورد پوشش گیاهی در میان دانه‌ها، بخش‌های خیس و سایه‌ها، می‌تواند باعث چنین مشکلی شوند و ارزیابی بیش از حد یا کمتر رخ دهد.

باید در نظر داشت در روش پردازش تصاویر حجم دانه‌ها در نظر نمی‌گیرد، درحالی‌که حجم آنها در نتایج الک تأثیر دارد و دانه‌ها با استفاده از محورهای واقعی آنها اندازه‌گیری می‌شوند. رسوبات در محیط طبیعی با بارندگی و یا برابر عوامل دیگر به‌گونه‌ای که بر روی بیشترین سطح خود باشند قرار می‌گیرند و دراصل دانه‌های درشت در بالا و دانه‌های ریز در پایین باشند. همه اینها باعث اختلاف در نتایج روش پردازش تصاویر و روش الک می‌شود.

درکل روش پردازش برای دانه‌بندی نزدیک به هم (انحراف معیار از میانگین کم)، اندازه کم‌وبیش یکنواخت، رسوبات درشت‌دانه سطحی در محیط طبیعی خوب عمل می‌کند. ولی در رسوبات با دانه‌بندی متنوع مشکلاتی ایجاد می‌شود و تخمین بیشتر از حد واقعی بخش ریز توزیع دانه‌بندی را به دنبال دارد. در نمونه‌های پردازش شده از رسوبات، زمانی که اندازه رسوبات کمتر از یک میلی‌متر می‌شود خطای تشخیص افزایش و همبستگی نتایج روش پردازش و الک کاهش دارد. بررسی نتایج نشان می‌دهد، که مقدار خطا در تعیین دانه‌بندی نمونه‌ها در حدود 25درصد است.

در کل خطاهای مرتبط با پردازش تصاویر برای به دست آوردن اندازه دانه‌بندی را می‌توان به سه نوع تفکیک کرد : 1) خطاهایی که مرتبط با توانایی پردازش تصویر و روش‌های تحلیل تشخیص دقیق نواحی منحصربه‌فرد و اندازه‌گیری آنها در یک تصویر هستند و با اندازه واقعی دانه‌های ارتباط دارند. 2) ایجاد انحنای پیچیدگی فضایی، به دلیل سطح سه‌بعدی رسوب که به‌صورت تصویر دوبعدی در صفحه با استفاده از لنز تشدید می‌شود. 3) خطای فابریک در رویکردهای عکاسی، زیرا ساختار سه‌بعدی پیچیده یک رسوب به معنی همپوشانی دانه‌ها است و تا حدودی سبب پنهان شدن یکی از دیگری می‌شود و کجی دانه‌ها نسبت به صفحه تصویر، سبب بروز خطای فابریک می‌شود.

نتیجه‌گیری

مقایسه روش پردازش تصاویر با روش‌های الک با استفاده از داده‌های رسوب میدانی منجر به نتایج زیر می‌شود:

1) کیفیت نتایج بستگی به شکل دانه،گردی و جهت‌گیری، شرایط نوری، محدودیت سطح قرارگیری رسوبات، مشخصات دوربین، نرم‌افزار و روش پردازش و آنالیز تصاویر دارد.

2) زمان در روش پردازش در مجموعه نمونه‌ها، به حداقل یک‌دهم روش الک و هزینه آزمایش‌ها نیز پایین‌تر است. زمان پردازش و تحلیل تصویر برای اپراتور کارآزموده بسته به نوع تصوير، حدود 10 تا 15 دقيقه می‌باشد. یک اپراتور می‌تواند پردازش حدود 40 نمونه را در هر روز انجام دهد (از آنجا که چند روز زمان برای یادگیری لازم است فقط برای تعداد زیاد نمونه‌ها این روش سودمند ‌می‌باشد). مزایای این روش، سرعت بالا، هزینه کمتر و برآورد منحنی دانه‌بندی در محل نمونه‌ها بدون انتقال به آزمایشگاه می‌باشد.

3) با توجه به نتایج بهتر در رسوبات رودخانه‌ای، روش پردازش تصاویر برای اندازه دانه‌های شن و ماسه (درشت‌دانه) و تهیه نقشه سطحی دانه‌بندی (نقشه دانه‌بندی بستر رودخانه) مناسب‌تر است.

4) سیستم تصویربرداری ساخته شده، مشکل نمونه‌برداری تصویری در عملیات میدانی را بر طرف و باعث افزایش دقت و کاهش زمان می‌شود.

سپاسگزاری

بدین‌وسیله از همکاری پژوهشکده حفاظت خاك و آبخيزداري بخش سواحل و سازمان پژوهش‌های صنعتی ایران سپاسگزاری می‌شود.

منابع

جبی، ع. م.، یاوری، ع. و سلوکی، ح. ر.، 1398. کاربرد مدل EPM در ارزیابی فرسایش خاک (مطالعه موردی، حوضه شازند، سد ساوه). فصلنامه زمین‌شناسی ایران، 13، 50، 89- 98. ## - عباسی، ن. الف.، سیوکی، م. ق.، یوسفی، م. و نویدی ایزد، ن.، 1395. اثر رخساره کروزیانا از نهشته‌های سازند نایبند (تریاس پسین) در برش پروده، جنوب باختری طبس، خاور ایران مرکزی. فصلنامه زمین‌شناسی ایران، 10، 38، 1- 15. ## - ماهوش محمدی، ن.، هزارخانی، الف.، 1399. مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و حداکثر احتمال برای تفکیک واحدهای دگرسانی منطقه تخت گنبد سیرجان. فصلنامه زمین‌شناسی ایران، 14، 53، 31-43. #### - Bankole, S.A., Buckman, J., Stow, D. and Lever, H., 2019. Grain-size analysis of mud rocks: A new semi-automated method from SEM images. Journal of Petroleum Science and Engineering, 174, 244-256. ## - Blott, S. J. and Pye, K., 2001. Gradistat: A Grain Size Distribution & Statistics Package for the Analysis of Unconsolidated Sediments. Earth Surface Processes and Landforms Earth Surface Process, Landforms, 26, 1237–1248 (2001) DOI: 10.1002/esp.261. ## - Bosnic, I., Sousa, H., Cascalho, J. P., Taborda, R., Ribeiro, M. and Lira, M., C., 2012. New insights into image analysis applied to beach grainsize variability. Jornadas de Engenharia Hidrográfica, 275-278. ## - Davis, H., 2010. Creative Close-ups: Digital Photography Tips and Techniques. Wiley publishing, ISBN: 978-0-470-52712-2, 14 -120## - Di Stefano, C., Ferro, V. and Mirabile, S., 2010. Comparison between grain-size analyses using laser diffraction and sedimentation methods. Bio Systems Engineering, 106. ## - Gonzalez, R. C., Woods, R. E. and Eddins S.L., 2009. Digital Image Processing Using MATLAB. Gatesmark publishing; 2nd edition, ISBN13:0.9820854.0.0, 100-122. ## - Gonzalez, R. C. and Woods, R. E., 2008. Digital Image Processing.(Third Edition), Prentice-Hall, ISBN: 978-0-13-168728-8, 98-130. ## - Graham, D. J., Rice, S. P. and Reid, I., 2005. A transferable method for the automated grain sizing of river gravels. Water Resources Research, 41, W07020. ## - Graham, D. J., Rice, S. P. and Reid, I., 2005. Automated Sizing of coarse-grained sediments: Image-processing procedures. Mathematical Geology, 37, 1-28. ## - Ghalib, A., 1999. Soil Particle Size Distribution by Mosaic Imaging and Watershed Analysis. Journal of Computing in Civil Engineering, 13, S. 80-87. ## - Harb, G. and Schneider, J., 2009. Application of two Automated Grain Sizing Approaches and Comparison with Traditional Methods. 33rd IAHR Congress: Water Engineering for a Sustainable Environment. ## - Kim, G. Y., Richardson, M. D., Bibee, D. L., Kim, D. Ch., Wilkens, R. H., Shin, S. R. and Song, S. T., 2004. Sediment type’s determination using acoustic techniques in the Northeastern Gulf of Mexico. Geosciences Journal, 8, 1, 95-103. ## - Lang, N., Irniger, A., Rozniak, A., Hunziker, R., Wegner, J. and Schindler, K., 2020. GRAINet: Mapping grain size distributions in river beds from UAV images with convolutional neural networks. Hydrology and Earth System Sciences Discussions,(EGU). ## - Marchetti, G., Bizzi, S., Belletti, B., Carbonneau, P. and Castelletti, A., 2018. Orbital grain size mapping from Sentinel 2 images. Geophysical Research Abstracts, 20, EGU2018-13642. ## - McEwan, I. K., Sheen, T. M., Cunningham, G. J. and Allen, A. R., 2000. Estimating the size composition of sediment surfaces through image analysis. Engrs Water and Mar. Engng, Journals Department, Institution of Civil Engineers, 12069,189-195. ## - Papanicolaou, Th. and Strom, K., 2004. Grain Size Analysis of Beach Sediment in Rich Passage Washington. A Report prepared for Pacific International Engineering. ## - Prasad Shrestha, B., Poudel, L., Thapa, Bh. and Kumar Shrestha, N., 2011. Sediment Shape Characterization Using Digital Image Processing. The 12th Annual Conference of Thai Society of Agricultural Engineering, Thailand. ## - Purinton, B. and Bookhagen, B., 2019. Introducing Pebble Counts: A grain-sizing tool for photo surveys of dynamic gravel-bed rivers. Manuscript under Review for journal Earth Surface Dynamics, CC BY 4.0 License. ## - Rice, S. P. and Church, M., 1996. Grain-size sorting within river bars in relation to downstream _ning along a wandering channel. Sedimentology, 57 (1), 232 - 251. ## - Rubin, D. M., Chezar, H., Harney, J. N., Topping, D. J., Melis, T. S. and Sherwood, Ch. R., 2007. Underwater microscope for measuring spatial and temporal changes in bed-sediment grain size. Sedimentary Geology 202, 402–408. ## - Rubin, D. M., 2004. A Simple Autocorrelation Algorithm For Determining Grain Size From Digital Images of Sediment. Journal of Sedimentary Research, 74, 1, 160–165. ## - Shin, S., 2004. Wavelet Analysis of Soil Mass Images for Particle Size Determination. Journal of Computing in Civil Engineering, 19-27. ## - Sime, L. C., 2003. Information on Grain Size in Gravel-Bed Rivers by Automated Image Analysis. Journal of Sedimentary Research 73, 630- 636. ## - Sonka, M., Hlavac, V. and Boyle, R., 2015. Image Processing, Analysis, and Machine Vision. Fourth Edition, Publisher, Global Engineering: Timothy L. Anderson, ISBN-13: 978-1-133-59360-7, 105-181 ## - Stähly, S., Friedrich, H. and Detert, M., 2017. Size Ratio of Fluvial Grains’ Intermediate Axes Assessed By Image Processing and Square-Hole Sieving. Journal Hydraulic Engineering, 143(6). ## - Sukhtankar, R.K., 2008. Applied Sedimentology. CBS Publishers, ISBN: 81-239-1052-5. ## - Turley, M. D., Bilotta, G. S., Arbociute, G., CHadd, R. P., Extence, C. A. and Brazier, R. E., 2016. Quantifying Submerged Deposited Fine Sediments in Rivers and Streams Using Digital Image Analysis. River Research and Applications, DOI: 10.1002/rra.3073. ## USGS, 2001. USGS east-coast sediment analysis; procedures, database, and geo referenced displays. U.S Geological Survey (USGS), 21-35. ##- West, J. L. and Cameron, I. D., 2006. Using the medical image processing package ImageJ for Astronomy. The Journal of the Royal Astronomical Society of Canada, 242-247.##

Estimation of grain size curve of surface coarse sediments using imaging system designed

Tabee, A.H. 1, Karami – Khaniki, A. 2, Bidokhti, A. A. 3 and Lari, K. 4

1. Department Of Physical Oceanography, Faculty Of Natural Resources and Environment , Science and Research Branch, Islamic Azad University, Tehran, Iran

2. Associate Professor, Soil Conservation and Watershed Management Research Institute, Tehran, Iran

3. Professor, Institute of Geophysics, University of Tehran, Iran

4. Associate Professor, Islamic Azad University, Tehran, Iran

Abstract

Sediment recognition is one of the basic topics in coastal and river engineering. One of the parameters of sediment identification is their granulation. To determine the granulation, traditional methods such as sieving the sediments are usually used, which is accurate but time consuming. Image processing provides the ability to isolate and track targets (sediment grains) in images using the smallest unit of a digital image (pixel).

In this paper, a one-piece system for imaging coarse-grained field sediments and presenting a granulation curve is constructed and tested, in which sediment processing and analysis is performed with ImageJ software and the results are compared by sieving method. It was validated.

Image samples were taken from laboratory and natural sand and sand sediments. The results show that the distribution obtained from the images of coarse (larger than one millimeter) and uniform surface sediments has a good correlation with the distribution obtained from the sieve and reduces the time to at least one tenth and the total cost.

Keywords: Granulation curve, Image processing, Imaging system, ImageJ software, Sediment analysis

Share To

Article Url

Estimation of grain size curve of surface coarse sediments using imaging system designed