[发明专利]基于深度阈值卷积模型的土石料级配检测方法

说明书

本发明公开了一种基于深度阈值卷积模型的土石料级配检测方法，该方法包括获取土石料图像数据，对土石料图像进行预处理，对预处理后的土石料图像提取初始级配数据，构建深度阈值卷积模型并进行训练，利用训练后的深度阈值卷积模型对初始级配数据修正得到土石料级配数据。本发明通过阈值化方法对土石料图像进行快速分割与轮廓提取，并对提取的轮廓特征进行统计分析得到初始级配数据；再以获取的初始级配数据为样本，构建深度阈值卷积模型对阈值化图像识别结果误差进行修正，得到准确的级配数据，从而实现基于图像的土石料级配快速检测，显著提高图像识别的稳定性与准确率。

技术领域

本发明涉及土石料级配检测技术领域，具体涉及一种基于深度阈值卷积模型的土石料级配检测方法。

背景技术

土石料级配是研究土石坝性能的基本参数，级配质量的优劣直接影响到坝体的抗渗与稳定性能。在坝堤施工质量控制过程中，土石料级配现场快速检测对于保证工程安全具有重要意义。而传统土石料级配检测主要采用筛分法，通过人工采样结合筛分机试验获取，工序复杂，过程耗时，难以满足施工过程中实时、快速的需求。随着计算机科学的发展，数字图像技术为土石料级配快速检测提供了新的技术和方法。

基于数字图像技术的土石料级配检测关键在于对土石料颗粒形状特征提取，以及形状特征与质量之间的转换。涂新斌等通过二维图像提取颗粒形态参数，对不规则形状的土石料颗粒形状进行描述。万成等引入颗粒平均粒度与均匀度指数，依靠阈值化方法对粗骨料粒径均匀性进行了定量描述。沙爱民等在阈值化基础上，对识别误差采用差分修正，实现了基于图像的沥青混合料矿料级配检测。于沭等基于阈值化与边缘检测算法，建立了土石料级配快速检测系统，实现了工业级的级配快速检测。前述几位学者均采用了基于传统图像识别技术的特征提取方法，识别速度快但精度不足，而随着人工智能的发展，图像中目标物体二维形状特征量化提取方法研究取得了新的进展。Jonathan等提出全卷积神经网络(Fully Convolutional Networks，FCN)，将原有神经网络全连接层修改为卷积层，通过反卷积的方式使得神经网络输出判定从一维数据分类提升到二维数据分类，实现了图像中各像素点的识别，为基于图像的深度学习提供了方向。何凯明等通过残差学习设计残差神经网络(Deep Residual Network，ResNet)，解决了神经网络在反向传播时的梯度消失或梯度爆炸问题，加深了神经网络深度的同时提高了图像识别的准确率，并在此基础上提出了Mask-RCNN图像识别模型，通过设置输出层掩膜预测分支，将图像中物体轮廓分割提升至像素级，为不同种类物体的识别分割提供了迁移学习的基础。传统图像识别技术与基于深度学习的图像识别技术的发展，均为基于图像的土石料级配检测提供了理论依据与技术支持。

土石料中5mm粒径以下颗粒含量对于级配合理性具有重要的意义。我国相关规范对土石坝体不同部位5mm以下颗粒含量作出了20％～50％之间的不同规定。对于5mm以下颗粒含量的判定为土石料级配识别中的关键，而5mm粒径以下的颗粒反映在土石料图像中呈现出细小、粘连、形状不规则、堆叠现象严重的特征。对于粘连颗粒图像，传统图像识别主要采用基于阈值化、边缘检测和分水岭算法的方式，深度学习图像识别主要采用基于FCN、VGG、ResNet、GAN模型的语义分割方法。在采用不同算法试验后发现：针对土石料图像，传统识别方法精度较差，尤其是对5mm粒径以下颗粒识别困难。深度学习图像识别方法通过样本标记提取特征，其识别精度主要依靠于样本数量与样本标记质量，而土石料图像中存在大量的土石料颗粒，样本标记过程复杂，且模型运算对计算机硬件要求较高，方法限制较大。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于深度阈值卷积模型的土石料级配检测方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于深度阈值卷积模型的土石料级配检测方法，包括以下步骤：

S1、获取土石料图像数据；

S2、对土石料图像进行预处理；