Page 97 - 2021年第52卷第9期

水 利 学 报

2021 年 9 月 SHUILI XUEBAO 第 52 卷 第 9 期

文章编号：0559-9350（2021）09-1103-13

结合深度学习和 NCFS 算法的堆石料粒度分布智能检测方法

王仁超 ，连嘉欣 ，邸 阔 1，2
1
1
（1. 天津大学 水利工程仿真与安全国家重点试验室，天津 300350；2. 天津大学 前沿技术研究院，天津 301700）

摘要：针对目前堆石坝施工过程中人工筛分试验无法实现爆堆料物粒度快速检测以及现有粒度检测模型准确度
低、泛化能力差等问题，提出了一种基于深度学习模型与邻域分量特征（Neighborhood Component Feature Selec⁃
tion，NCFS）算法相结合的堆石坝料物粒度数字筛分检测方法，该方法可以通过拍摄料堆图像快速检测料堆粒度
分布。为了提高深度学习模型的精确度，提出将基于迁移学习的 Deeplabv3+模型和稠密条件随机场算法（Dense⁃
CRF）结合用于图像训练学习和优化；在料堆二维特征到三维粒度分布转换方面，提出基于 NCFS 算法的块石二维
平面参数对三维粒度的表征公式，并采用 MATLAB 语言编制了相应的软件加以实现。句容抽水蓄能电站工程现
场爆破料堆图像采集和筛分试验分析的结果表明：所提方法是可行的，且相比其他方法，在特征提取以及粒度检
测精度上均有所提高。
关键词：堆石坝粒度检测；深度学习；Deeplabv3+模型；稠密条件随机场；NCFS 算法
中图分类号：TU411； TV641.4 文献标识码：A doi：10.13243/j.cnki.slxb.20200806

1 研究背景

［1］
堆石坝填筑料物通常指山体爆破所得岩块经过二次破碎得到的岩石碎块集合体 ，其粒度（颗粒
［3］
［2］
的大小）不仅影响铲装效率 ，还影响着坝体的压实质量 。受到岩体自身结构、裂隙发育程度、炸
［4］
药参数信息等因素影响 ，料物爆破后的粒度大小难以精确控制，需要进行筛分试验验证。现阶段施
工过程中，往往根据典型料场的代表性部位以及填筑部位要求，进行一定量的现场筛分试验。堆石
坝料物筛分试验大多采用人工或机械筛分，这种传统的筛分方法需要投入一定的人力、物力、场地
等，同时需要花费较长的时间，难以适应工程全过程、精细化控制需求。因此，寻求一种快捷、高
效的堆石料粒度检测方法是堆石坝坝料开采质量控制迫切需要解决的问题之一。
以往学者针对堆石料粒度检测的研究大多以分析料堆图像的方式展开，实现步骤包括：（1）对料
堆图像中块石的形态进行分割；（2）根据提取出的块石形状计算粒度大小；（3）绘制粒度分布曲线。
文献［5］提出了一种改进的分水岭变换方法对矿石料堆图像进行分割，并采用 MATLAB 软件计算粒度
分布情况，绘制粒度分布曲线。然而，作者在结论中指出，受制于分水岭算法的噪声敏感性，研究
内容仅能简单进行块石颗粒的实时处理，缺乏实用性。文献［6］通过双重形态重建的方法对铁矿料堆
颗粒图像进行分割，并采用圆扫描方法对多个数量重叠的颗粒进行进一步的分割提取，该方法对于
图像分割的准确度可以达到 94.3%。然而论文所使用的数据集样本为人工挑选的 40 张图像（20 张块石
稀疏的图像、20 块石密集的图像），而非自然状态下的料物分布图像，绘制出的粒度分布曲线结果存
［7］
在一定主观干预。Sereshki 等 等提出了自动确定岩石颗粒边界的算法，与手动划定岩石边界的传统
［8］
软件包算法相比省去了手动调参的繁琐环节，得到的粒度分布曲线也更加精确。Gao 等基于改进的

收稿日期：2020-10-04；网络首发时间：2021-08-11
网络首发地址：http：/kns.cnki.net/kcms/detail/11.1882.TV.20210810.1549.001.html
/
作者简介：王仁超（1963-），教授，博导，主要从事水利工程智能化施工、计算机仿真研究。E-mail：renchao1881@vip.sina.com
通讯作者：连嘉欣（1995-），硕士生，主要从事人工智能算法与数据分析研究。E-mail：2018205290@tju.edu.cn
— 1103 —