基于深度閾值卷積模型的土石料級(jí)配智能檢測(cè)方法研究

雷雨萌，陳祖煜，，于 沭，溫彥鋒，王玉杰，李炎隆

（1.西安理工大學(xué)省部共建西北旱區(qū)生態(tài)水利國家重點(diǎn)實(shí)驗(yàn)室，陜西西安 710048；2.中國水利水電科學(xué)研究院巖土工程研究所，北京 100048）

1 研究背景

土石料的級(jí)配性狀直接影響到土石壩的力學(xué)特性與抗?jié)B性能［1］。在壩體施工質(zhì)量控制過程中，級(jí)配檢測(cè)具有重要意義［2］。傳統(tǒng)級(jí)配檢測(cè)主要采用篩分法［3］，通過人工采樣與篩分機(jī)篩分，計(jì)算得到級(jí)配數(shù)據(jù)，該過程較為耗時(shí)，難以滿足機(jī)械化施工過程中快速、高效的需求。隨著計(jì)算機(jī)科學(xué)的發(fā)展，圖像識(shí)別作為一種新的檢測(cè)手段，逐漸在眾多領(lǐng)域中廣泛應(yīng)用，為土石料的級(jí)配檢測(cè)方法研究提供了新的方向。

通過圖像識(shí)別技術(shù)實(shí)現(xiàn)土石料級(jí)配檢測(cè)，關(guān)鍵在于獲取圖像中顆粒的形狀信息，并轉(zhuǎn)換為級(jí)配數(shù)據(jù)。在目標(biāo)物體形狀提取與級(jí)配分析方面，國內(nèi)外學(xué)者進(jìn)行了大量研究。覃茜等［4］、王宇等［5］通過斷層掃描技術(shù)，在CT圖像的基礎(chǔ)上實(shí)現(xiàn)了混凝土內(nèi)部孔隙大小、形狀的檢測(cè)。涂新斌等［6］通過圖像提取了土體顆粒的輪廓，并對(duì)不規(guī)則的顆粒形狀進(jìn)行了參數(shù)化描述。徐文杰等［7］基于數(shù)字圖像技術(shù)分離了土石混合體中的塊體，并通過塊體輪廓建立了細(xì)觀結(jié)構(gòu)模型。Ding 等［8］通過二維切片圖像重建了瀝青混凝土的三維模型，論證了骨料在二維截面中的級(jí)配分布與三維狀態(tài)下的真實(shí)級(jí)配分布之間的相似關(guān)系。Leonardo 等［9］基于閾值化與分水嶺算法，實(shí)現(xiàn)了基于圖像的瀝青混凝土級(jí)配檢測(cè)。Shilin 等［10］通過圖像識(shí)別分析了筑壩材料的級(jí)配分布，并結(jié)合遺傳算法與BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，建立了識(shí)別結(jié)果與真實(shí)級(jí)配分布之間的隱式關(guān)系，評(píng)估了圖像識(shí)別的準(zhǔn)確性。呂超等［11］通過掃描電鏡獲取砂土顆粒圖像，在閾值化算法的基礎(chǔ)上實(shí)現(xiàn)了毫米級(jí)以下的級(jí)配識(shí)別。于沭等［12］基于閾值化與邊緣檢測(cè)算法，建立了土石料級(jí)配快速檢測(cè)系統(tǒng)，實(shí)現(xiàn)了工業(yè)級(jí)的級(jí)配快速檢測(cè)。前述學(xué)者在圖像識(shí)別方法上，均采用了基于閾值化的傳統(tǒng)方法，該方法識(shí)別速度快但精度不足。隨著人工智能的發(fā)展，圖像識(shí)別技術(shù)取得了新的進(jìn)展。Jonathan 等［13］提出全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolu?tional Networks，F(xiàn)CN），通過反卷積的方式使神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類能力從一維提升到二維，為深度學(xué)習(xí)在圖像識(shí)別方向上的應(yīng)用提供了思路。何凱明等［14］通過殘差學(xué)習(xí)設(shè)計(jì)了深度殘差網(wǎng)絡(luò)（Deep Resid?ual Network，ResNet），極大提高了神經(jīng)網(wǎng)絡(luò)深度，并在此基礎(chǔ)上提出Mask-RCNN（Mask Region Con?volutional Neural Network）圖像識(shí)別模型［15］，為不同種類物體的識(shí)別與形狀分析提供了基礎(chǔ)。在級(jí)配檢測(cè)及相關(guān)領(lǐng)域，基于深度學(xué)習(xí)的圖像識(shí)別方法尚未有成熟應(yīng)用，但同樣為級(jí)配檢測(cè)提供了新的理論依據(jù)與技術(shù)支持。

5 mm以下的顆粒含量對(duì)于土石料級(jí)配合理性具有重要意義，我國規(guī)范對(duì)土石壩中5mm以下顆粒含量作出了20%～50%之間的不同規(guī)定［16-18］。5 mm以下的顆粒反映在土石料圖像中呈現(xiàn)出細(xì)小、黏連、形狀不規(guī)則、堆疊現(xiàn)象嚴(yán)重的特征。對(duì)于此類圖像，傳統(tǒng)圖像識(shí)別主要采用閾值化［19］、邊緣檢測(cè)［20］和分水嶺［21］等方法，深度學(xué)習(xí)圖像識(shí)別主要采用全卷積神經(jīng)網(wǎng)絡(luò)［13］、視覺幾何群網(wǎng)絡(luò)［22］、深度殘差網(wǎng)絡(luò)［14］、生成對(duì)抗網(wǎng)絡(luò)［23］等語義分割方法。在采用不同方法試驗(yàn)后發(fā)現(xiàn)：針對(duì)土石料圖像，傳統(tǒng)識(shí)別方法精度較差，尤其是對(duì)5 mm以下顆粒識(shí)別困難。深度學(xué)習(xí)方法的識(shí)別精度主要依靠模型設(shè)計(jì)與標(biāo)記的樣本數(shù)量，土石料圖像中存在大量的土石料顆粒，樣本標(biāo)記過程費(fèi)時(shí)費(fèi)力，且模型結(jié)構(gòu)復(fù)雜運(yùn)行耗時(shí)，對(duì)計(jì)算機(jī)硬件要求高，方法限制較多。

針對(duì)傳統(tǒng)圖像識(shí)別方法精度差，深度學(xué)習(xí)方法效率低的缺陷，本文結(jié)合在傳統(tǒng)圖像識(shí)別方法中廣泛使用的基于最大類間方差閾值化的邊緣檢測(cè)算法［19］與基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型，建立了一種土石料圖像快速識(shí)別與級(jí)配智能分析模型，深度閾值卷積模型（Deep Otsu Convolutional Neural Network，DO-CNN）。經(jīng)試驗(yàn)驗(yàn)證，模型能夠顯著提高級(jí)配檢測(cè)的精度，且計(jì)算效率較高。

2 深度閾值卷積模型基本原理

2.1 邊緣檢測(cè)與最大類間方差法深度閾值卷積模型基于最大類間方差法（Otsu法）進(jìn)行土石料圖像的顆粒邊緣檢測(cè)。圖像中的邊緣是指圖像局部灰度劇烈變化的區(qū)域，在處理過程中，可將圖像抽象為二維函數(shù)f（x，y），其中x與y代表各點(diǎn)在圖像中所處位置，幅值f即為各對(duì)應(yīng)點(diǎn)的像素值，也稱灰度值，取值范圍為0～255，對(duì)彩色圖像，處理時(shí)需首先轉(zhuǎn)化為灰度圖像。如圖1所示，灰度變化主要表現(xiàn)為階躍型、屋頂型兩種不同的類型，尋找圖像中具有階躍型與屋頂型變化的點(diǎn)集即為圖像的邊緣檢測(cè)［24］。

圖1 不同類型的灰度漸變圖與灰度變化過程

由圖1 可知，圖像灰度變化的劇烈程度可通過各方向上的梯度體現(xiàn)，對(duì)圖像f（x，y）則其梯度?f可以表示為：

式中g(shù)x、gy分別代表x與y方向上的梯度。此時(shí)圖像梯度的大小M（x，y）及方向a（x，y）可以表示為：

分析各點(diǎn)梯度的大小及方向，提取梯度值突變的各點(diǎn)，即可得到圖像中的邊緣特征信息。在圖像進(jìn)行邊緣檢測(cè)的過程中，常需對(duì)灰度圖像進(jìn)行閾值化處理，以加強(qiáng)區(qū)域的邊緣特征，減小噪聲信息的影響，以牛頓的畫像為例，其基本過程如圖2所示（圖2（a）來源：https：//baike.baidu.com/item/%E8%89%B E%E8%90%A8%E5%85%8B%C2%B7%E7%89%9B%E9%A1%BF）。

圖2 圖像邊緣檢測(cè)基本過程

本文采用最大類間方差閾值化算法作為圖像邊緣檢測(cè)的基礎(chǔ)。最大類間方差法是一種以目標(biāo)類與背景類之間灰度值方差最大化為標(biāo)準(zhǔn)的閾值化分割算法［25］。對(duì)土石料圖像，目標(biāo)類即為土石料顆粒所處區(qū)域，背景類即為顆粒邊緣及陰影部位所處區(qū)域。假定圖像f（x，y）的最大灰度值為L(zhǎng)，其中灰度值為i的像素點(diǎn)個(gè)數(shù)為n，總像素點(diǎn)個(gè)數(shù)為N，則像素點(diǎn)灰度值為i的概率pi為：

取某一閾值k，將土石料圖像分為兩類，其中像素灰度值大于k的稱為前景目標(biāo)區(qū)域，小于k的稱為背景邊緣區(qū)域。此時(shí)兩類區(qū)域出現(xiàn)的概率可以表示為：

式中：w1為背景區(qū)域出現(xiàn)的概率；w2為目標(biāo)區(qū)域出現(xiàn)的概率。此時(shí)背景區(qū)域與目標(biāo)區(qū)域內(nèi)的平均灰度為：

式中：u1為背景區(qū)域平均灰度；u2為目標(biāo)區(qū)域平均灰度；uT為土石料圖像整體平均灰度。兩類區(qū)域的類間方差可以表示為：

以遍歷的方式對(duì)閾值k進(jìn)行迭代，以類間方差σ2取得最大值時(shí)對(duì)應(yīng)k值為最佳閾值，將背景區(qū)域灰度值以0（黑色）取代，將目標(biāo)區(qū)域灰度值以255（白色）取代，即完成了土石料顆粒的基本分割過程，結(jié)合最大類間方差法與邊緣檢測(cè)算法，即可實(shí)現(xiàn)土石料顆粒的輪廓特征提取。

2.2 卷積神經(jīng)網(wǎng)絡(luò)由于土石料顆粒尺寸較小，在搬運(yùn)過程中會(huì)產(chǎn)生翻滾、掩蓋等現(xiàn)象，故經(jīng)圖像識(shí)別獲取的級(jí)配有一定誤差。但對(duì)同一開采條件下同一級(jí)配土石料，不同顆粒分布狀態(tài)下的圖像通過識(shí)別所得級(jí)配理論上應(yīng)保持一致，故可以通過人工智能算法總結(jié)圖像識(shí)別結(jié)果的誤差分布規(guī)律，實(shí)現(xiàn)誤差修正。級(jí)配數(shù)據(jù)的誤差分布規(guī)律與其所處的粒徑范圍有一定關(guān)系，故深度閾值卷積模型采用可提取數(shù)據(jù)局部特征的卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為誤差修正的模型。

圖3 卷積過程示意

卷積神經(jīng)網(wǎng)絡(luò)是一種具有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，基本結(jié)構(gòu)包括輸入層、卷積層（convolution?al layer）、池化層（pooling layer）、全連接層（fully connected layer）及輸出層［26-27］。如圖3所示，在卷積層中，卷積核在上一層輸出的特征圖上滑動(dòng)，與卷積核對(duì)應(yīng)區(qū)域內(nèi)各元素乘積求和，經(jīng)偏置糾正與激活函數(shù)激活，即得到一次輸出，通過對(duì)卷積核大小的調(diào)整，即可獲得數(shù)據(jù)的局部特征信息［28-29］，其計(jì)算過程如下式所示：

池化層通過降低特征面的分辨率來獲得區(qū)域內(nèi)數(shù)據(jù)的不變特性［30］。本文中采用最大池化（Max?pool），即在池化層中保留池化核范圍內(nèi)最大值的方式進(jìn)行池化。卷積層與池化層交替設(shè)置構(gòu)成神經(jīng)網(wǎng)絡(luò)的多層中間隱含層，實(shí)現(xiàn)對(duì)區(qū)域數(shù)據(jù)特征的高維概括，而后在全連接層中，利用與上層輸出的特征圖同等大小的卷積核與上層所有輸出進(jìn)行卷積，從而實(shí)現(xiàn)對(duì)整個(gè)特征圖的概括，以作為輸出。

3 深度閾值卷積模型構(gòu)建

3.1 模型框架深度閾值卷積模型通過閾值化算法對(duì)土石料圖像進(jìn)行快速分割，基于邊緣檢測(cè)算法提取圖像中顆粒的輪廓信息，統(tǒng)計(jì)分析顆粒輪廓信息，即得到初始級(jí)配數(shù)據(jù)。以初始級(jí)配作為卷積神經(jīng)網(wǎng)絡(luò)的輸入并進(jìn)行模型訓(xùn)練，對(duì)初始級(jí)配誤差進(jìn)行修正，得到準(zhǔn)確的級(jí)配數(shù)據(jù)，即實(shí)現(xiàn)了基于圖像的土石料級(jí)配快速檢測(cè)。模型的運(yùn)行邏輯框架如圖4所示。

圖4 深度閾值卷積模型邏輯框架

3.2 圖像數(shù)據(jù)采集與識(shí)別不同巖性的土石料之間有明顯的色澤、形狀差異，其圖像識(shí)別的結(jié)果也具有差別。本文采用工程中廣泛使用，色彩較為灰暗，對(duì)圖像識(shí)別難度較高的灰?guī)r石料作為土石料典型樣本，以驗(yàn)證模型的識(shí)別效果。

結(jié)合實(shí)際工程環(huán)境與模型建立的需求，對(duì)土石料試樣進(jìn)行一定比例縮?。?1-32］，以60 mm作為最大控制粒徑，1 mm作為最小控制粒徑，為簡(jiǎn)化數(shù)據(jù)處理過程，取1 mm以下顆粒含量占總體的0%，60 mm以下顆粒含量占總體的100%。采用篩分機(jī)進(jìn)行標(biāo)準(zhǔn)篩分試驗(yàn)，獲得土石料圖像及其對(duì)應(yīng)的真實(shí)級(jí)配，考慮施工現(xiàn)場(chǎng)環(huán)境，采用ACA1920-50GC 型工業(yè)相機(jī)作為圖像采集工具，同時(shí)為減小光照條件影響，設(shè)置輔助照明系統(tǒng)以確保圖像亮度與清晰度［12］。

DO-CNN模型基于開源圖像處理函數(shù)庫OpenCV，采用閾值化與邊緣檢測(cè)算法對(duì)土石料圖像進(jìn)行識(shí)別，過程如圖5所示，主要包括：（1）采用最大類間方差法確定最佳閾值，劃分顆粒區(qū)域；（2）確定腐蝕與膨脹結(jié)構(gòu)單元，對(duì)閾值化圖像進(jìn)行腐蝕與膨脹的形態(tài)學(xué)處理，確定土石料邊緣；（3）對(duì)土石料圖像進(jìn)行Canny邊緣檢測(cè)；（4）提取并分析土石料顆粒輪廓信息。

在圖像處理過程中，為保證模型識(shí)別的準(zhǔn)確性，首先對(duì)圖像進(jìn)行預(yù)處理，使得圖像具有統(tǒng)一規(guī)格，減小圖像因光照、角度等噪聲信息影響。然后采用最大類間方差法進(jìn)行閾值化處理，如圖5（b）所示，此時(shí)土石料顆粒間存在大量的黏連現(xiàn)象，代表目標(biāo)顆粒的白色區(qū)域之間相互貫通，無法對(duì)顆粒范圍進(jìn)行準(zhǔn)確劃分。為解決顆粒之間的黏連，采用圖像腐蝕，即縮小土石料所處區(qū)域，再通過圖像膨脹，即擴(kuò)張各區(qū)域邊緣，以恢復(fù)顆粒形狀的方式，實(shí)現(xiàn)顆粒區(qū)域劃分。最后采用Canny邊緣檢測(cè)算法進(jìn)行輪廓檢測(cè)，即可獲得顆粒的形狀信息。對(duì)不規(guī)則的多邊形土石料輪廓，常采用橢圓擬合，以其短軸長(zhǎng)度作為顆?？赏ㄟ^篩分孔徑的最小直徑［33-35］，以此劃分各顆粒所屬粒徑范圍。針對(duì)同一料場(chǎng)獲取的土石料，其母巖巖性能夠基本保持相似，故假設(shè)樣本密度均勻且一致，分析不同粒徑范圍內(nèi)顆粒的多邊形面積信息及其占比，即可得到初始級(jí)配數(shù)據(jù)。

圖5 DO-CNN模型中的圖像識(shí)別過程

圖6 同一級(jí)配下翻整后形成的土石料圖像及級(jí)配識(shí)別結(jié)果

由圖5可知，由于圖像識(shí)別算法的限制，在圖像形態(tài)學(xué)處理過程中，代表邊緣及陰影區(qū)域的黑色部分增加，部分顆粒信息丟失，識(shí)別結(jié)果與原始圖像存在一定的差異。故初始級(jí)配雖能體現(xiàn)級(jí)配分布的基本規(guī)律，但仍存在部分誤差。為降低信息丟失對(duì)識(shí)別結(jié)果的影響，模型設(shè)置多次不同強(qiáng)度的腐蝕與膨脹，對(duì)各強(qiáng)度下的顆粒輪廓進(jìn)行求交分析，保留交集為空的顆粒輪廓，從而在消除黏連現(xiàn)象的同時(shí)補(bǔ)充因形態(tài)學(xué)處理丟失的信息，減小圖像處理導(dǎo)致的誤差。同時(shí)，土石料在運(yùn)輸過程中不可避免的產(chǎn)生翻滾、遮蓋現(xiàn)象，導(dǎo)致同一級(jí)配的土石料顆粒分布狀態(tài)有所差異，相應(yīng)圖像經(jīng)識(shí)別所得級(jí)配結(jié)果也不相同。如圖6（a）與圖6（b）為同一級(jí)配條件下，經(jīng)翻整處理形成的土石料圖像，對(duì)應(yīng)圖像識(shí)別所得級(jí)配如圖6（c）所示，顯然顆粒分布狀態(tài)的差異也將導(dǎo)致級(jí)配檢測(cè)的誤差。為解決圖像識(shí)別算法及顆粒分布狀態(tài)導(dǎo)致的誤差，采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)識(shí)別所得級(jí)配進(jìn)行訓(xùn)練修正。

3.3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練經(jīng)試驗(yàn)驗(yàn)證，20次翻整處理后的土石料能夠基本代表同一級(jí)配條件下，土石料的不同分布狀態(tài)［12］，故對(duì)同一組土石料，本文采用經(jīng)20 次翻整形成的圖像作為一組識(shí)別樣本。在試驗(yàn)中，對(duì)土石料取1、5、10、20、30、40、45、50、55和60 mm，共10種控制粒徑，對(duì)應(yīng)10種粒徑范圍的級(jí)配數(shù)據(jù)。通過基于閾值化的邊緣檢測(cè)算法獲得各圖像對(duì)應(yīng)初始級(jí)配，排列同組樣本的初始級(jí)配，形成規(guī)模為20×10 的數(shù)據(jù)矩陣，作為模型訓(xùn)練樣本。以篩分試驗(yàn)獲取的真實(shí)級(jí)配形成1×10的數(shù)據(jù)矩陣，作為訓(xùn)練樣本的學(xué)習(xí)目標(biāo)。通過卷積神經(jīng)網(wǎng)絡(luò)，對(duì)各組訓(xùn)練樣本與學(xué)習(xí)目標(biāo)進(jìn)行對(duì)比分析，實(shí)現(xiàn)對(duì)初始級(jí)配的修正。需要說明的是，在測(cè)試與實(shí)際使用階段，已訓(xùn)練完成的模型可直接對(duì)一張未經(jīng)翻整的土石料圖像進(jìn)行檢測(cè)，并對(duì)檢測(cè)結(jié)果進(jìn)行修正，得到準(zhǔn)確的級(jí)配數(shù)據(jù)。

在訓(xùn)練過程中，因樣本數(shù)據(jù)規(guī)格較小，經(jīng)多層卷積后形成的特征矩陣會(huì)快速縮小，導(dǎo)致邊緣數(shù)據(jù)特征丟失。故DO-CNN 模型在卷積過程中，對(duì)各中間隱含層特征矩陣邊緣以0 進(jìn)行填充（Pad?ding），防止特征矩陣縮小過快。對(duì)卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果采用均方差損失函數(shù)（Mean Square Error Loss，MSELoss）進(jìn)行誤差分析，其計(jì)算如下式（12）所示：

式中：E為均方差損失；e為全連接層輸出的預(yù)測(cè)結(jié)果；y為真實(shí)值；n為所有輸出結(jié)果的總數(shù)量。

通過誤差反向傳播與權(quán)重調(diào)整，即獲得訓(xùn)練完成的DO-CNN 模型。深度閾值卷積模型中的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 DO-CNN模型中的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.4 模型評(píng)價(jià)采用平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）及決定系數(shù)（Rsquared，R2）作為深度閾值卷積模型的評(píng)價(jià)指標(biāo)，其計(jì)算如式（13）、式（14）所示。平均絕對(duì)百分比誤差代表了誤差相對(duì)于真實(shí)值的大小，值越小誤差越小。決定系數(shù)R2取值范圍0～1，代表了結(jié)果的可靠程度，值越大結(jié)果越可靠。模型評(píng)價(jià)指標(biāo)計(jì)算時(shí)，因程序?qū)τ? mm及60 mm以下顆粒含量采用了預(yù)設(shè)定的方式，故不參與模型評(píng)價(jià)計(jì)算。

式中：n為樣本數(shù)量；yi為第i個(gè)樣本真實(shí)值；為第i個(gè)預(yù)測(cè)值；為樣本的平均值。

4 深度閾值卷積模型檢驗(yàn)與分析

4.1 試驗(yàn)設(shè)計(jì)為驗(yàn)證深度閾值卷積模型的準(zhǔn)確性，采用篩分試驗(yàn)獲取土石料真實(shí)級(jí)配并采集圖像。本文共進(jìn)行18組不同級(jí)配條件下的標(biāo)準(zhǔn)篩分試驗(yàn)，每組土石料翻整20次，獲得18×20張不同的土石料圖像。以其中16組圖像作為模型訓(xùn)練樣本，其余2組用于模型驗(yàn)證。經(jīng)篩分試驗(yàn)獲得的18組篩分級(jí)配如圖8所示。

圖8 18組標(biāo)準(zhǔn)篩分法所得級(jí)配曲線

4.2 模型參數(shù)選擇DO-CNN模型在訓(xùn)練過程中的主要參數(shù)包括：epoch，代表模型訓(xùn)練過程中樣本數(shù)據(jù)遍歷次數(shù)，其取值大小與樣本的多樣性有關(guān)；iteration，代表一次遍歷過程中的迭代次數(shù)，主要影響到模型訓(xùn)練效率；batch-size，代表每次遍歷過程中投入的樣本個(gè)數(shù)，主要影響到模型對(duì)樣本的概化能力與模型的優(yōu)化程度，其取值一般為2n；file-number，代表參與訓(xùn)練的樣本總組數(shù)，即樣本數(shù)量的大?。籰earning-rate，代表神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率，主要影響到模型的精度與訓(xùn)練效率，對(duì)訓(xùn)練完成的模型，learning-rate 不再產(chǎn)生影響，在訓(xùn)練過程中取值為0.0005。神經(jīng)網(wǎng)絡(luò)參數(shù)依靠模型預(yù)測(cè)結(jié)果的準(zhǔn)確率進(jìn)行選擇，其最優(yōu)參數(shù)并非為某一固定組合，對(duì)DO-CNN模型，主要為對(duì)參數(shù)epoch與batchsize 的選擇，故對(duì)epoch 設(shè)置了小、一般、大、極大4 種不同的級(jí)別，即5、10、20、40 作為備選參數(shù)，batch-size取4、8、16作為備選參數(shù)。為驗(yàn)證神經(jīng)網(wǎng)絡(luò)中各參數(shù)對(duì)模型影響的一般規(guī)律，采用控制變量原則設(shè)置對(duì)照方案9組，并對(duì)比各方案對(duì)同一樣本的檢測(cè)結(jié)果，具體參數(shù)設(shè)置及級(jí)配檢測(cè)結(jié)果評(píng)價(jià)如表1所示。

表1 9種方案下的試驗(yàn)參數(shù)設(shè)置及級(jí)配檢測(cè)結(jié)果評(píng)價(jià)

對(duì)比9種方案下的模型檢測(cè)結(jié)果可知：當(dāng)訓(xùn)練樣本數(shù)量較少時(shí)，即file-number取值為8時(shí)，方案7誤差明顯偏大；當(dāng)epoch 與batch-size 取值較適合時(shí)，參數(shù)iteration對(duì)模型結(jié)果影響較小，兩者同時(shí)偏大時(shí)，模型對(duì)于樣本數(shù)據(jù)分布特征的提取能力下降，方案8誤差增大；方案9在方案8的基礎(chǔ)上繼續(xù)增大epoch，雖然結(jié)果誤差較小，但訓(xùn)練所需時(shí)間成倍增長(zhǎng)；其他各組誤差均處在較小的范圍內(nèi)，符合神經(jīng)網(wǎng)絡(luò)參數(shù)選擇的一般規(guī)律。方案4檢測(cè)結(jié)果誤差最小，考慮到計(jì)算效率與準(zhǔn)確度，以方案4對(duì)應(yīng)模型參數(shù)進(jìn)行深度閾值卷積模型訓(xùn)練與檢測(cè)。

4.3 模型檢測(cè)結(jié)果通過對(duì)16組共320張圖像的識(shí)別與訓(xùn)練，DO-CNN模型能夠總結(jié)圖像識(shí)別結(jié)果的誤差特征及同一級(jí)配條件下，不同顆粒分布狀態(tài)的土石料級(jí)配分布規(guī)律。為驗(yàn)證模型的檢測(cè)效果，以標(biāo)準(zhǔn)篩分試驗(yàn)所得級(jí)配真實(shí)值為評(píng)判依據(jù)，采用訓(xùn)練過的DO-CNN 模型對(duì)2組未參與訓(xùn)練的土石料圖像進(jìn)行級(jí)配檢測(cè)。同時(shí)，因目前尚未有較成熟的方法可實(shí)現(xiàn)土石料圖像的準(zhǔn)確識(shí)別，故僅以基于最大類間方差法的邊緣檢測(cè)模型對(duì)同一驗(yàn)證樣本進(jìn)行檢測(cè)，以作為DO-CNN模型的對(duì)照，其結(jié)果如表2所示。DO-CNN模型圖像識(shí)別結(jié)果如圖9所示。

表2 DO-CNN模型與閾值化模型級(jí)配檢測(cè)結(jié)果

圖9 DO-CNN模型圖像識(shí)別結(jié)果

4.4 結(jié)果對(duì)比與分析由4.3節(jié)可知，分別采用深度閾值卷積模型與基于閾值化的邊緣檢測(cè)模型對(duì)2組土石料圖像進(jìn)行檢測(cè)，所得級(jí)配曲線如圖10所示。兩種模型級(jí)配檢測(cè)結(jié)果的平均絕對(duì)百分比誤差（MAPE）與決定系數(shù)（R2）如表3所示。

分析邊緣檢測(cè)模型與DO-CNN 模型級(jí)配檢測(cè)結(jié)果，與標(biāo)準(zhǔn)篩分法所得真實(shí)級(jí)配相比，邊緣檢測(cè)模型誤差明顯偏大，其結(jié)果的平均絕對(duì)百分比誤差最大值為19.46%，且邊緣檢測(cè)模型對(duì)10 mm 及5mm以下顆粒含量的檢測(cè)結(jié)果較為接近，無法作為5 mm以下顆粒含量的判斷依據(jù)。深度閾值卷積模型在圖像識(shí)別過程中產(chǎn)生了部分顆粒信息丟失的現(xiàn)象，其識(shí)別結(jié)果較原始圖像產(chǎn)生了一定的誤差，但通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練修正，級(jí)配檢測(cè)結(jié)果的誤差明顯減小，與真實(shí)值較為接近，平均絕對(duì)百分比誤差最大值為2.45%。對(duì)5 mm以下顆粒含量，模型最大識(shí)別誤差為1.1%，同樣具有較高的準(zhǔn)確率。

表3 DO-CNN模型與閾值化模型檢測(cè)結(jié)果評(píng)價(jià)

圖10 DO-CNN模型與閾值化模型級(jí)配檢測(cè)結(jié)果

5 結(jié)論與討論

本文結(jié)合基于最大類間方差的邊緣檢測(cè)算法與卷積神經(jīng)網(wǎng)絡(luò)，建立了土石料級(jí)配智能檢測(cè)的深度閾值卷積模型（DO-CNN），并通過標(biāo)準(zhǔn)篩分試驗(yàn)獲取土石料圖像及級(jí)配數(shù)據(jù)用于模型訓(xùn)練與驗(yàn)證，以平均絕對(duì)百分比誤差（MAPE）及決定系數(shù)（R2）評(píng)價(jià)了模型檢測(cè)效果。研究證明，DO-CNN模型基于最大類間方差法進(jìn)行圖像快速分割與邊緣檢測(cè)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)保證級(jí)配檢測(cè)的準(zhǔn)確性與穩(wěn)定性，實(shí)現(xiàn)了基于圖像的土石料級(jí)配快速檢測(cè)。成果表明，采用圖像識(shí)別技術(shù)可近似確定筑壩砂、礫和堆石料的級(jí)配，能滿足施工現(xiàn)場(chǎng)質(zhì)量控制過程中快速、高效的需求。作為圖像識(shí)別方法在確定筑壩材料顆粒級(jí)配中應(yīng)用的基礎(chǔ)性研究，本文取得了與級(jí)配真實(shí)值相近的研究成果，但仍屬于初步研究階段，后續(xù)還需進(jìn)一步完善技術(shù)細(xì)節(jié)以投入生產(chǎn)實(shí)踐。對(duì)模型總結(jié)及后續(xù)研究方向討論如下：（1）深度閾值卷積模型（DO-CNN）能夠?qū)崿F(xiàn)基于土石料圖像的級(jí)配快速檢測(cè)，且檢測(cè)結(jié)果準(zhǔn)確率較高，對(duì)于5 mm 以下土石料顆粒，模型檢測(cè)效果同樣較好；（2）DO-CNN 模型基于深度學(xué)習(xí)模型建立，其準(zhǔn)確率受樣本數(shù)量與質(zhì)量的影響，在工程應(yīng)用過程中需對(duì)現(xiàn)場(chǎng)進(jìn)行一定量的土石料圖像采樣，以進(jìn)行模型初期訓(xùn)練，而后隨著檢測(cè)的進(jìn)行，樣本數(shù)量不斷增加，模型檢測(cè)精度也將不斷提高；（3）本文在研究過程中采用1～60 mm粒徑范圍內(nèi)大小較為均勻的土石料顆粒，未考慮在實(shí)際工程可能出現(xiàn)的極小顆粒與極大顆粒混合的粒徑不均勻情況，有待結(jié)合工程現(xiàn)場(chǎng)情況進(jìn)行研究與改進(jìn)；（4）含水量對(duì)土石料形態(tài)有重要影響，不同含水狀態(tài)下土石料呈現(xiàn)的圖像各不相同，同時(shí)拍攝角度與光照等因素也會(huì)導(dǎo)致圖像差異，不同的土石料圖像對(duì)圖像識(shí)別算法提出了更高要求。未來將從含水量、圖像采集環(huán)境、改進(jìn)圖像識(shí)別算法等方向進(jìn)一步研究，以增強(qiáng)模型的實(shí)用性與適用性。