Page 104 - 2021年第52卷第9期
P. 104

现潮湿的状态。从图像特征提取结果可以看出,本文提出的方法相比 U-net 和 FCN-8S 两种网络模型
               可更加有效的提取出了岩石完整形态,且由于结合了 DenseCRF 方法,解决了 Deeplabv3+模型上采样
               过程中特征图信息丢失问题,并有效恢复了图中标尺的轮廓。
                   表 3 为 6 张测试集图像的分割结果精度评价表。可以看出,FCN-8S 模型、U-net 模型和 Deep⁃
               labv3+模型在平均精度、召回率、F 值和平均交并比四种精度的平均表现相比本文方法均有较大差
               距。此外,与仅采用 Deeplabv3+模型的分割结果相比,将基于迁移学习的 Deeplabv3+网络模型与
               DenseCRF 模型结合,6 张图像在总体精度、召回率、F 值和平均交并比几项指标上的平均表现分别提
               高了 4.22%、4.72%、0.05、0.17%。计算结果表明,本文方法在 4 项精度指标上表现最佳,平均精度
               达到 82.22%,平均召回率达到 89%,平均 F 值达到 0.86,平均交并比的平均值达到 75.82%。


                                                   表 3  测试结果精度评价
                    评价指标           方法        切片 1     切片 2     切片 3    切片 4     切片 5     切片 6     平均值
                                  U-net       83.49   80.54    73.38    68.47   88.66    80.38    80.82
                                  FCN-8s      82.50   68.51    72.43    60.50   74.68    71.05    73.29
                   Precision/%
                                 Deeplabv3+   78.67   81.79    79.65    67.65   79.74    80.50    78.00
                                 本文方法         83.03   84.60    81.53    77.78   83.84    82.54    82.22
                                  U-net       76.88   81.85    82.85    70.81   74.83    74.82    77.01
                                  FCN-8s      78.83   75.85    80.76    71.85   78.80    76.80    77.15
                    Recall/%
                                 Deeplabv3+   88.48   91.55    88.41    76.48   76.39    84.35    84.28
                                 本文方法         90.93   94.23    91.78    79.37   88.45    89.23    89.00
                                  U-net       0.80     0.81    0.83     0.70     0.80     0.78     0.79
                                  FCN-8s      0.80     0.72    0.82     0.66     0.77     0.74     0.75
                      F 值
                                 Deeplabv3+   0.83     0.86    0.84     0.72     0.78     0.82     0.81
                                 本文方法         0.87     0.89    0.86     0.79     0.86     0.86     0.86
                                  U-net       69.02   75.49    75.22    64.14   74.39    73.98    72.04
                                  FCN-8s      71.67   73.28    75.86    61.55   71.08    76.44    71.65
                    MIoU/%
                                 Deeplabv3+   75.14   76.11    80.68    66.08   77.90    77.96    75.65
                                 本文方法         76.29   77.44    79.21    71.13   78.82    72.05    75.82

                   本 文 对 所 使 用 的 5 场 筛 分 试 验 数 据 集 , 共 计
                                                                          表 4  测试集整体精度对比
              105 张测试图像进行整体精度评价,结果如表 4 所
              示。结果显示,本文方法的 MIoU 值达到 77.98%,                            方法                 MIoU 值/%
              对 比 其 它 三 种 方 法 分 别 提 高 了 4.67% 、 3.1% 、                FCN-8S               73.31
                                                                      U-net                74.88
              3.41% , 证 明 本 方 法 的 性 能 要 优 于 FCN-8S、
                                                                    Deeplabv3+             74.57
              U-net、Deeplabv3+三种方法,可以更加有效的提取
                                                                     本文方法                  77.98
              岩石的图像粒度特征信息。
              4.2.2  粒度检测结果分析           基于 NCFS 算法得出堆石料图像平面特征参数与三维粒度之间的转换关
              系,利用 MATLAB R2019a 软件集成的图像处理工具箱、信号处理工具箱、统计学习工具箱以及 GUI
              设计功能等模块,开发了堆石料粒度分布检测系统,系统运行主界面如图 11 所示。针对 5 场试验,
              为检验本文方法的工程适用性,将本文方法得到的粒度检测值与实际筛分得到的实测值数据对比,
              如表 5 所示,根据表 5 数据绘制出粒度级配曲线如图 12 所示。表 6 展示了筛级和各粒度区间的误差
              值,以便进行直观分析。
                   根 据 表 5、 表 6 中 的 误 差 分 析 数 据 得 出 , 5 场 试 验 中 粒 度 区 间 的 最 大 误 差 值 分 别 为 : 5.96%、
              5.33%、4.80%、1.48%、5.24%,平均误差值分别为 1.99%、1.82%、2.31%、0.85%和 2.11%。查阅文
              献 [36-38] 并参考句容抽水蓄能电站场内设计施工方案,本文方法得到的各粒度区间最大误差百分比
              均小于 10%,符合工程需求,具有一定的实用性。


                 — 1110  —
   99   100   101   102   103   104   105   106   107   108   109