Page 98 - 2021年第52卷第9期

归一化算法对矿石料堆图像进行形态分割，提高了原方法的准确度，但是却没有解决算法自身复杂
度高，归一化最小值求解困难的问题。
目前堆石料粒度检测研究领域中，大多采用上述传统形态学算法模型进行图像分割，虽然这些
算法在一定程度下能取得较好的结果，但由于图像信息的复杂性，使得这些算法仍表现出计算复
杂、噪声敏感、模型泛化程度低等缺陷 ［9-11］ 。近年来，深度学习在计算机视觉领域的发展十分迅速，
卷积神经网络（Convolutional Neural Network，CNN）在图像识别 ［12］ 、图像分类 ［13］ 领域均取得了不错的
成绩，Long 等 ［14］ 提出了全卷积网络（Fully Convolutional Networks，FCN）更是实现了图像的像素级分
割。Chen 等 ［15-17］ 所提出的 deeplab 系列网络延续全卷积网络的架构，并加入空洞卷积结构扩大滤波器
感受野。其中 Deeplabv3+是该系列网络模型的最新版本，它在编码器结构的基础上上加入解码模
块，并采用空洞空间金字塔模块（Atrous Spatial Pyramid Pooling，ASPP）来解决图像尺度不同的问题。
在没有经过任何后续处理的情况下，Deeplabv3+模型在 PASCAL VOC 2012 数据集和 Cityscapes 数据集
上的平均交并比 （MIoU） 分别达到 89%和 82.1%。
但是，考虑到堆石料图像仅能反应块石的平面特征参数，对于评价块石的三维粒度存在一定误
差，一些学者尝试建立块石的平面特征与三维体量特征之间的联系。Fernlund 等 ［18］ 从图像中分析重建
料堆块石的质量和体积，以研究其对粒度分布曲线的影响。A1-thyabat 等 ［19-20］ 通过对等面积圆直径和
平均 Feret 直径两个参数的测量，来估计颗粒的筛级粒度分布。这种方法对颗粒平面几何特征转化为
三维特征提供了一定的思路，但没有说明其它特征参数对粒度的关联程度。Zhang 等 ［21］ 通过对 9 组平
面参数进行研究后得出结论，选择等效椭圆短轴与最佳拟合矩阵宽度可以最大程度表征样本的三维
粒度，精确度分别达到 86.43%和 85.39%。文献［22-23］采用三维激光扫描系统对矿石堆石料进行形
状特征提取，进而采用自动分析软件计算粒度分布曲线，但研究中发现尺寸估计时设备易受环境因
素干扰，扫描分辨率影响较大。
针对传统图像分割方法诸如边缘检测 ［24］ 、分水岭算法 ［25］ 等易产生过分割、欠分割问题，本文首
先通过拍摄获取料堆图像，制作出堆石料图像数据集，并构建基于迁移学习的 Deeplabv3+模型和
DenseCRF 算法结合的方法，实现堆石料特征的自主学习，提高图像分割的精度。然后基于 NCFS 算
法 ［26］ 对 30 组块石二维形态特征参数进行关联性计算，找出与块石三维粒度相关性最高的二维特征参
数，并表征出块石的三维粒度公式，从而解决以往相关领域研究中缺乏建立二维特征参数与三维粒
度之间关联性的问题 ［25］ 。最后采用 MATLAB 软件计算各图像块石的三维粒度，绘制粒度分布曲线，
并通过工程实例验证了本方法的准确性和实用性。

2 研究方法

2.1 方法概述 堆石坝爆破料堆在图像中的形态大体为单独的块状物体，岩石个体之间形状、体积

等物理特征差异性较大，边界处大多呈现完整轮廓状，并形成缝隙，表现出一定的二维分布特征。
基于图像的粒度分布两个关键问题分别为：（1）图像二维特征的获取；（2）二维特征参数表征块石三
维粒度。本文方法可分为 4 个阶段：（1）数据集制作阶段：针对施工现场不同场次料堆进行数据采
集，获取数据集图像。对图像进行标注、裁剪及增广等预处理，获得图像与标签样本，并将其分成
训练集、验证集和测试集；（2）特征提取阶段：将训练集原图与标签输入基于迁移学习的 Deeplabv3+
模型训练，获得训练权重；（3）特征优化阶段：将 Deeplabv3+模型分割出的特征图作为初步提取结
果，与 DenseCRF 算法结合进行进一步优化，得到最终的特征图；（4）粒度检测阶段：基于 NCFS 算法
进行块石特征计算，形成平面特征参数对块石三维粒度转换，从而构造出块石三维粒度分布公式，
并基于 MATLAB 语言设计开发数字图像粒度检测系统。整体流程如图 1 所示。
2.2 基于迁移学习的 Deeplabv3+模型 传统的机器学习方法中，为了确保训练得到的权重具有较高
的准确率和可靠性，通常具有 2 个最基本的特点：（1）模型所使用的训练集、验证集和测试集需满足
基于同分布的假设。（2）数据集的数量足够多，可以保证训练过程模型对数据特点的充分学习 ［27］ 。实

— 1104 —