Page 123 - 水利学报2021年第52卷第3期

3 深度阈值卷积模型构建

3.1 模型框架 深度阈值卷积模型通过阈值化算法对土石料图像进行快速分割，基于边缘检测算法

提取图像中颗粒的轮廓信息，统计分析颗粒轮廓信息，即得到初始级配数据。以初始级配作为卷积
神经网络的输入并进行模型训练，对初始级配误差进行修正，得到准确的级配数据，即实现了基于
图像的土石料级配快速检测。模型的运行逻辑框架如图 4 所示。

图 4 深度阈值卷积模型逻辑框架
3.2 图像数据采集与识别 不同岩性的土石料之间有明显的色泽、形状差异，其图像识别的结果也

具有差别。本文采用工程中广泛使用，色彩较为灰暗，对图像识别难度较高的灰岩石料作为土石料
典型样本，以验证模型的识别效果。
结合实际工程环境与模型建立的需求，对土石料试样进行一定比例缩小 ［31-32］ ，以 60 mm 作为最大控
制粒径，1 mm 作为最小控制粒径，为简化数据处理过程，取 1 mm 以下颗粒含量占总体的 0%，60 mm 以
下颗粒含量占总体的 100%。采用筛分机进行标准筛分试验，获得土石料图像及其对应的真实级配，
考虑施工现场环境，采用 ACA1920-50GC 型工业相机作为图像采集工具，同时为减小光照条件影
响，设置辅助照明系统以确保图像亮度与清晰度 ［12］ 。
DO-CNN 模型基于开源图像处理函数库 OpenCV，采用阈值化与边缘检测算法对土石料图像进行
识别，过程如图 5 所示，主要包括：（1）采用最大类间方差法确定最佳阈值，划分颗粒区域；（2）确定
腐蚀与膨胀结构单元，对阈值化图像进行腐蚀与膨胀的形态学处理，确定土石料边缘；（3）对土石料
图像进行 Canny 边缘检测；（4）提取并分析土石料颗粒轮廓信息。
在图像处理过程中，为保证模型识别的准确性，首先对图像进行预处理，使得图像具有统一规
格，减小图像因光照、角度等噪声信息影响。然后采用最大类间方差法进行阈值化处理，如图 5（b）
所示，此时土石料颗粒间存在大量的黏连现象，代表目标颗粒的白色区域之间相互贯通，无法对颗
粒范围进行准确划分。为解决颗粒之间的黏连，采用图像腐蚀，即缩小土石料所处区域，再通过图
像膨胀，即扩张各区域边缘，以恢复颗粒形状的方式，实现颗粒区域划分。最后采用 Canny 边缘检测
算法进行轮廓检测，即可获得颗粒的形状信息。对不规则的多边形土石料轮廓，常采用椭圆拟合，
以其短轴长度作为颗粒可通过筛分孔径的最小直径 ［33-35］ ，以此划分各颗粒所属粒径范围。针对同一料
场获取的土石料，其母岩岩性能够基本保持相似，故假设样本密度均匀且一致，分析不同粒径范围

— 373 —