Page 102 - 2021年第52卷第9期

6
估算筛网尺寸
5 公称直径上限
4
筛网尺寸 3 2

1
0
0 50 100 150 200 250 300 350
岩石颗粒

图 5 样本及结果展示
表 1 块石粒度计算公式准确率验证
公称区间/mm 实测数量 检测数量 准确率/%
0~10 50 50 100
10~16 50 47 94
16~20 50 40 80
20~25 50 40 80
25~31.5 50 46 92
31.5~40 50 43 86
40~50 50 42 84
平均值 50 44 88

程水电站为一等大（I）型工程，其主要建筑物按 1 级建筑物设计。主、副坝均采用混凝土面板堆石
坝，最高月填筑强度和月开挖强度分别达到 78.16 万 m（压实方）、72.42 万 m（自然方）。料场位于上
3
3
水库库岸，基岩类型以白云岩为主，包括燧石岩、灰质岩、细晶岩、硅质条带岩等，形态种类丰
富，具有一定代表性。
3.2 数据集制作 本次研究对上水库库岸 A、B、C 三个开挖区爆破试验场次进行跟进，共计对 9 场
爆破场次的料堆进行拍摄和现场筛分。排除大雨天气致使土料泥化，以及运料车辆误对料物进行加
水处理等意外情况，选取其中 5 场典型工况作为试验场次进行研究。拍摄过程中，为尽量反映出块石
的真实形态，对爆破料堆划定区域，在区域内采取“拍摄料堆-筛分-再次拍摄料堆-再筛分”的方式对
料堆进行逐层式的深度挖掘，每一场次筛分试验的筛分工作量为 4 t 左右。此外为反映出料物的真实
粒度分布，对料堆多个位置进行采样拍摄，减小采样误差。本次研究所拍摄的数据集分辨率较高，
特征较为明显。使用麻省理工学院开发的图像标注工具 Labelme 对样本集进行标签制作，由于现场拍
摄过程中得到的图像数量有限，为防止训练过程出现欠拟合情况，对数据集进行水平镜像、90°翻转
和不同幅度的尺度变换等操作进行增广处理，最终获得训练集 875 张，测试集 105 张，验证集 125
张。原始数据集像素大小为 4928pix ´ 3264pix，为防止训练时间过长，间接给计算机设备 GPU 等硬件
造成负担，基于双线性插值原理将其裁剪为 512pix ´ 512pix 像素的图像。样本集图像和标签一一对
应，如图 6 所示。

4 试验及结果分析

4.1 平台及参数设置 本文迁移学习城市景观（Xception65_cityscapes）数据集作为本次堆石料图像分
割任务的初始化权重，采用“ploy”策略进行训练，参数设置见表 2。试验基于 Ubuntu16.04LTS 操作系

统，计算机配置为 Intel i7 CPU， 16GB 运行内存并配置 NVIDIA GTX 1060Ti 的显卡。算法平台为 Ana⁃
conda3 的 python3.6 版本的编程语言和 tensorflow1.15 版本的深度学习框架。训练过程中总损失函数、激
励层对数损失函数、正则化损失函数分别如图 7—9 所示，其横轴为训练的迭代次数，纵轴为损失函数

— 1108 —