基于卷積神經(jīng)網(wǎng)絡(luò)的砂石骨料分類模型

楊仕容 蘇 明 王 珩

（貴州師范大學(xué),大數(shù)據(jù)與計算機科學(xué)學(xué)院，貴陽 550025）

0 引言

砂石骨料是混凝土最大的原材料，主要起填充和骨架作用，砂石質(zhì)量是影響混凝土質(zhì)量的關(guān)鍵因素[1]，對混凝土的力學(xué)性能、滲透性、抗凍性、耐久性、開裂敏感性等性能都有著顯著的影響。

由于砂石骨料顆粒的隨機性和海量性，目前在學(xué)術(shù)領(lǐng)域中，是以砂石骨料特性對混凝土性能的影響來展開砂石骨料質(zhì)量研究工作。如李北星[2]等人針對骨料的特征進行研究，得出粗糙度較大的砂石骨料有利于提高混凝土的耐磨性；周尚志[3]等人通過實驗得到骨料越大對混凝土的裂紋擴展的阻止作用就越大；李永鵬[4]等人分析了細(xì)集料的細(xì)度模數(shù)對混雜纖維混凝土性能的影響；Rocco CG[5]等人分析了集料形狀對混凝土力學(xué)性能的影響；Meddah MS[6]等人闡述了粗骨料的含量和粒度分布對混凝土抗壓強度的影響；在行業(yè)實踐中，相關(guān)國家標(biāo)準(zhǔn)文件[7,8]對砂石質(zhì)量主要以針片狀顆粒含量、細(xì)度模數(shù)、顆粒級配等相對指標(biāo)進行評價。

不管在學(xué)術(shù)領(lǐng)域還是在行業(yè)實踐中均未找到砂石質(zhì)量一個明確的檢測方法。因此，急需找到一種有效的關(guān)于砂石骨料質(zhì)量檢測方法來控制混凝土性能。

1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)擅長挖掘大量輸入數(shù)據(jù)之間的抽象特征，具有良好的自學(xué)習(xí)能力、泛化能力、容錯能力。因為網(wǎng)絡(luò)的復(fù)雜度與深度對硬件設(shè)備有較高要求，需要耗費較長時間來訓(xùn)練模型，針對砂石骨料數(shù)據(jù)維度不高，且在行業(yè)執(zhí)行中需要能快速檢測砂石骨料品質(zhì)，本文參考LeNet-5[9]網(wǎng)絡(luò)結(jié)構(gòu)，對其做一些改進，向網(wǎng)絡(luò)結(jié)構(gòu)中添加層，尋找最優(yōu)的激活函數(shù)，提出適應(yīng)砂石骨料數(shù)據(jù)分類的網(wǎng)絡(luò)模型。本文采用7 層網(wǎng)絡(luò)結(jié)構(gòu)，即卷積層1、池化層1，卷積層2、池化層2、壓平層（Flatten）、全連接層和輸出層，將這些層按順序連接，得到的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)

1.2 網(wǎng)絡(luò)訓(xùn)練

1.2.1 激活函數(shù)的選擇

在網(wǎng)絡(luò)結(jié)構(gòu)中，每個神經(jīng)元都會接上一個非線性激活函數(shù)，可增強模型的學(xué)習(xí)能力，解決非線性問題能力[10]。常見的激活函數(shù)一般有：sigmoid 函數(shù)、tanh 函數(shù)、relu 函數(shù)、SoftPlus 激活函數(shù)等；其曲線見下圖2所示：

圖2 常見激活函數(shù)曲線

就對本文砂石骨料數(shù)據(jù)而言，同樣的網(wǎng)絡(luò)結(jié)構(gòu)，選擇不同的激活函數(shù)，模型的在測試集和驗證集上的準(zhǔn)確率如下圖3所示：

圖3 不同激活函數(shù)模型準(zhǔn)確率

實驗得到選擇sigmoid 函數(shù)為激活函數(shù)時，模型驗證集與測試集上的準(zhǔn)確率相差較大且處于欠擬合狀態(tài)；relu 函數(shù)為激活函數(shù)時，準(zhǔn)確率較低且模型處于欠擬合狀態(tài)；tanh 函數(shù)為激活函數(shù)時，測試集與驗證集上準(zhǔn)確率已收斂，且驗證集準(zhǔn)確率已達到0.97 以上。通過實驗對比幾種激活函數(shù)的應(yīng)用效果，針對砂石骨料數(shù)據(jù)選擇tanh 函數(shù)更有效，其函數(shù)式如下所示：

1.2.2 模型調(diào)參

用于訓(xùn)練模型的砂石骨料數(shù)據(jù)樣本較多，選擇mini-batch 梯度下降法，mini-batch 結(jié)合了批量梯度下降法和隨機梯度下降法的優(yōu)勢，將若干個樣本的平均梯度作為更新方向。經(jīng)過多次調(diào)參，本文的batch_size 為128，模型分類效果達到最優(yōu)。

由于網(wǎng)絡(luò)中需要訓(xùn)練的參數(shù)較多，為了防止過擬合現(xiàn)象，在全連接層后添加了Dropout 層，Dropout[11]層對于每個訓(xùn)練樣本，以概率0.5 選擇網(wǎng)絡(luò)某些隱含層節(jié)點是否有效，丟失的那些節(jié)點可以暫時認(rèn)為不是網(wǎng)絡(luò)結(jié)構(gòu)的一部分，但是它的權(quán)重得保留下來（權(quán)重參數(shù)暫時不更新），因為下次樣本輸入時它可能又得工作了（如圖5所示），這樣的工作機制迫使每一個神經(jīng)元學(xué)習(xí)到有效的特征。

圖5 Dropout 工作示意圖

2 實驗結(jié)果分析

2.1 數(shù)據(jù)集

本文實驗數(shù)據(jù)是由BT-2900 干法圖像粒度粒形分析系統(tǒng)（如圖6所示）采集，該系統(tǒng)采集時能加料均勻且自動調(diào)整流量，采樣速度達3500 次/秒，系統(tǒng)能自動將不清晰和有粘連的樣本篩選出去，保證樣本的有效性。

圖6 BT-2900 干法圖像粒度粒形分析系統(tǒng)

采集的骨料數(shù)據(jù)分別有7 個屬性，分別是骨料投影面積、顆粒投影面積等效圓直徑、顆粒投影面積外接矩形長、顆粒投影面積外接矩形寬、骨料投影面積長徑比（長寬比）、骨料投影面積周長、圓度。其中數(shù)據(jù)分為3 個類別，分別是標(biāo)準(zhǔn)砂（由艾思?xì)W標(biāo)準(zhǔn)砂公司出品），精品砂(由企業(yè)提供)，普砂(由企業(yè)提供)。其中精品砂和普砂為機制砂，精品砂粒形好、級配好、針片狀含量低，是由人工篩分出來；普砂粒形多棱角，大部分為片狀或針狀、級配差。由于沒有單顆砂石的標(biāo)簽，采取200 顆砂石數(shù)據(jù)作為整體，打一個標(biāo)簽，其中精品砂為0 類，標(biāo)準(zhǔn)砂為1 類，普砂為2 類。訓(xùn)練數(shù)據(jù)集占總數(shù)據(jù)的80%，訓(xùn)練集的樣本有23698 組，測試集有5925 組，驗證集數(shù)據(jù)有5222 組。

2.2 結(jié)果分析

本文是基于Keras 深度學(xué)習(xí)框架搭建砂石骨料分類網(wǎng)絡(luò)模型。首先，用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型，在訓(xùn)練集上準(zhǔn)確達到98.84%，用測試集測試模型，在測試集上的準(zhǔn)確率達到了98.83%，其混淆矩陣如下表：

表1 測試集混淆矩陣

用驗證集數(shù)據(jù)對模型進行分類預(yù)測，驗證模型的可靠性，其分類結(jié)果見表2所示：

表2 砂石骨料分類驗證結(jié)果

由以上結(jié)果可看出，整體對砂石骨料的驗證準(zhǔn)確率達到了99.17%以上，檢測時間花費3.97s，模型可以實現(xiàn)對砂石骨料品質(zhì)分類的任務(wù)。

以往研究都是以混凝土性能出發(fā)，從而研究對砂石骨料的質(zhì)量要求，本文是以大量砂石骨料的物理性質(zhì)展開研究，提出基于卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)量分類方法，模型訓(xùn)練好后，能快速有效的對數(shù)據(jù)進行檢測分類。

3 總結(jié)

在LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，結(jié)合砂石骨料數(shù)據(jù)，本文提出了砂石骨料分類模型，利用卷積對砂石骨料顆粒間的特征提取，在3 種類型（精品砂、標(biāo)準(zhǔn)砂、普砂）的砂石分類中取得了良好的結(jié)果。實驗表明所提出的砂石骨料分類模型是網(wǎng)絡(luò)結(jié)構(gòu)簡單和可靠有效的方法。