Page 119 - 水利学报2021年第52卷第3期

水 利 学 报

2021 年 3 月 SHUILI XUEBAO 第 52 卷 第 3 期

文章编号：0559-9350（2021）03-0369-12

基于深度阈值卷积模型的土石料级配智能检测方法研究

雷雨萌 ，陈祖煜 ，于 沭 ，温彦锋 ，王玉杰 ，李炎隆 1
2
2
1，2
2
1
（1. 西安理工大学 省部共建西北旱区生态水利国家重点实验室，陕西 西安 710048；
2. 中国水利水电科学研究院 岩土工程研究所，北京 100048）
摘要：土石料级配合理性直接影响土石坝的力学特性与抗渗性能，当前级配检测主要依靠人工筛分试验，无法实
现大规模快速检测。传统图像识别算法不符合土石料级配检测的精度要求，深度学习图像识别算法需要海量人工
标记的训练样本，难以满足工程实际需求。本文结合传统图像识别中基于最大类间方差的边缘检测算法与卷积神
经网络深度学习模型，研究了土石料图像识别与级配数据智能分析相结合的级配检测方法，建立了可实现级配快
速检测的深度阈值卷积模型（Deep Otsu Convolutional Neural Network，DO-CNN），提高了级配检测的精度，并以
灰岩石料为典型样本，通过 18 组标准筛分试验获取土石料级配数据及图像，进行模型训练与验证。结果表明：
与仅使用基于最大类间方差法的边缘检测模型相比，DO-CNN 模型能够极大提高级配检测的准确率与稳定性，实
现基于图像的土石料级配快速检测。对于 5 mm 以下细小土石料颗粒，模型识别精度同样较高。
关键词：土石料级配；深度阈值卷积模型；筛分试验；细小黏连颗粒；图像识别；土石坝
中图分类号：TV41 文献标识码：A doi：10.13243/j.cnki.slxb.20200499

1 研究背景

［1］
土石料的级配性状直接影响到土石坝的力学特性与抗渗性能 。在坝体施工质量控制过程中，级
［2］
［3］
配检测具有重要意义 。传统级配检测主要采用筛分法 ，通过人工采样与筛分机筛分，计算得到级
配数据，该过程较为耗时，难以满足机械化施工过程中快速、高效的需求。随着计算机科学的发
展，图像识别作为一种新的检测手段，逐渐在众多领域中广泛应用，为土石料的级配检测方法研究
提供了新的方向。
通过图像识别技术实现土石料级配检测，关键在于获取图像中颗粒的形状信息，并转换为级配
［5］
［4］
数据。在目标物体形状提取与级配分析方面，国内外学者进行了大量研究。覃茜等 、王宇等 通过
［6］
断层扫描技术，在 CT 图像的基础上实现了混凝土内部孔隙大小、形状的检测。涂新斌等 通过图像
［7］
提取了土体颗粒的轮廓，并对不规则的颗粒形状进行了参数化描述。徐文杰等 基于数字图像技术
［8］
分离了土石混合体中的块体，并通过块体轮廓建立了细观结构模型。Ding 等 通过二维切片图像重
建了沥青混凝土的三维模型，论证了骨料在二维截面中的级配分布与三维状态下的真实级配分布
之间的相似关系。Leonardo 等 ［9］ 基于阈值化与分水岭算法，实现了基于图像的沥青混凝土级配检
测。Shilin 等 ［10］ 通过图像识别分析了筑坝材料的级配分布，并结合遗传算法与 BP（Back Propagation）
神经网络，建立了识别结果与真实级配分布之间的隐式关系，评估了图像识别的准确性。吕超等 ［11］
通过扫描电镜获取砂土颗粒图像，在阈值化算法的基础上实现了毫米级以下的级配识别。于沭等 ［12］
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

收稿日期：2020-07-13；网络首发时间：2021-03-05
网络首发地址：https://kns.cnki.net/kcms/detail/11.1882.TV.20210305.0937.001.html
基金项目：国家重点研发计划项目（2018YFC0407103）；中国水利水电科学研究院基本科研项目（GE0145B0112017）
作者简介：雷雨萌（1996-），硕士生，主要从事基于人工智能的图像识别与数据分析研究。E-mail：ymlei1017@qq.com
通讯作者：于沭（1983-），教授级高级工程师，主要从事土石坝安全及风险防控研究。E-mail：yushu@iwhr.com
— 369 —