Page 128 - 水利学报2021年第52卷第3期

分析边缘检测模型与 DO-CNN 模型级配检测结果，与标准筛分法所得真实级配相比，边缘检测
模型误差明显偏大，其结果的平均绝对百分比误差最大值为 19.46%，且边缘检测模型对 10 mm 及
5mm 以下颗粒含量的检测结果较为接近，无法作为 5 mm 以下颗粒含量的判断依据。深度阈值卷积模
型在图像识别过程中产生了部分颗粒信息丢失的现象，其识别结果较原始图像产生了一定的误差，
但通过神经网络的训练修正，级配检测结果的误差明显减小，与真实值较为接近，平均绝对百分比
误差最大值为 2.45%。对 5 mm 以下颗粒含量，模型最大识别误差为 1.1%，同样具有较高的准确率。

表 3 DO-CNN 模型与阈值化模型检测结果评价

验证组 1 验证组 2
评价指标
DO-CNN 模型 边缘检测模型 DO-CNN 模型 边缘检测模型
平均绝对百分比误差（MAPE） 2.45% 17.98% 2.12% 19.46%
决定系数（R ） 0.997 0.890 0.998 0.840
2
100
100
80 验证组 1-真实值 80 验证组 1-真实值
验证组 1-边缘检测识别结果
验证组 1-DO-CNN 识别结果
级配/% 40 级配/% 60
60
40
20
20
0 0
10 1 10 1
粒径/mm 粒径/mm
（a） 验证组 1DO-CNN 模型检测结果 （b） 验证组 1 边缘检测模型结果
100 100
验证组 2-真实值
80 验证组 2-真实值 80 验证组 2-边缘检测识别结果
验证组 2-DO-CNN 识别结果 60
级配/% 40 级配/% 40
60
20 20
0 0
10 1 10 1
粒径/mm 粒径/mm
（c） 验证组 2DO-CNN 模型检测结果 （d） 验证组 2 边缘检测模型结果
图 10 DO-CNN 模型与阈值化模型级配检测结果

5 结论与讨论

本文结合基于最大类间方差的边缘检测算法与卷积神经网络，建立了土石料级配智能检测的深
度阈值卷积模型（DO-CNN），并通过标准筛分试验获取土石料图像及级配数据用于模型训练与验
证，以平均绝对百分比误差（MAPE）及决定系数（R ）评价了模型检测效果。研究证明，DO-CNN 模型
2
基于最大类间方差法进行图像快速分割与边缘检测，结合卷积神经网络保证级配检测的准确性与稳
定性，实现了基于图像的土石料级配快速检测。成果表明，采用图像识别技术可近似确定筑坝砂、
砾和堆石料的级配，能满足施工现场质量控制过程中快速、高效的需求。作为图像识别方法在确定
筑坝材料颗粒级配中应用的基础性研究，本文取得了与级配真实值相近的研究成果，但仍属于初步
研究阶段，后续还需进一步完善技术细节以投入生产实践。对模型总结及后续研究方向讨论如下：
（1）深度阈值卷积模型（DO-CNN）能够实现基于土石料图像的级配快速检测，且检测结果准确率较
高，对于 5 mm 以下土石料颗粒，模型检测效果同样较好；（2）DO-CNN 模型基于深度学习模型建
立，其准确率受样本数量与质量的影响，在工程应用过程中需对现场进行一定量的土石料图像采
样，以进行模型初期训练，而后随着检测的进行，样本数量不断增加，模型检测精度也将不断提
— 378 —