Page 57 - 2022年第53卷第10期

于二维形态特征的级配转换两部分组成 ［１０］ ，适合于施工现场级配检测，受到了众多学者的研究。
一些学者提出采用基于经典图像分割技术的二维图像形态级配检测方法，如张国英 ［１１］ 、于沭 ［１２］
等通过采用图像分割技术实现了颗粒的二维轮廓提取，而后采用椭球拟合获取颗粒的三维体积模型，
建立了颗粒的粒度检测与分析系统；蔡改贫等 ［１３］ 采用基于分水岭分割算法对在线采集到的矿石颗粒进
行形态提取，然后采用击中与击不中算法统计不同粒径的矿石颗粒数量，实现了矿石粒度的在线实时
检测；宫兴等 ［１４］ 采用基于阈值化分割的方法实现了对沥青混合料的平面形态提取，然后提出了将沥青
混合料的平面级配作为输入，设计级配作为模型的输出，建立了 ＢＰ神经网络来对沥青混合料的设计
级配进行检测，为级配检测提供了新的思路。以上基于经典图像分割技术的级配检测方法虽然识别速
度快，但是识别结果高度依赖于关键参数的手动选择，对参数的选取较为敏感，若参数选取不当会导
致欠分割或过分割 的现象，此外 针对 复杂 成像 条件 以 及粘 连 颗 粒 图 像 的 分 割 精 度 仍 需 进 一 步 的 提
高 ［１５］ 。近年来，随着深度学习的异军突起，基于深度卷积神经网络（ＤｅｅｐＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ，
ＤＣＮＮ）的图像分割方法在计算机视觉和医学图像分析领域占据主导地位，也为土石坝料二维图像轮廓
提取带来了新的机遇。该方法通过建立深度学习神经网络模型可以自动提取隐含的抽象特征，获取泛
化能力强的形态特征，从而自主解决经典图像处理方法的限制 ［１６］ ，与经典的图像分割算法相比，分割
精度有了极大的提升。不少学者也逐渐提出了很多复杂的以及不同方法组合的算法来提高分割的精
度 ［１６ － １９］ ，虽然分割精度高，但是该些方法的效率较低，对计算机的硬件性能要求较高，分割的准确率
高度依赖于模型结构设计和样本标记，而土石料图像中存在的颗粒数量较多，人工标记颗粒轮廓的过
程费时费力，模型训练耗时时间长。相比深度学习的方法而言，目前实际工程中常采用基于经典图像
分割技术的二维图像形态级配检测方法。
综上所述虽然图像识别技术在诸多工程领域得到了广泛的应用，但是该技术在土石坝坝料级配智
能检测方面却鲜有相关研究，主要原因如下：（ １）坝料颗粒粒径大小差异大，形状也各不相同；（２）所
拍摄的图像含有杂质，会有重叠、噪声和伪影，且图像往往受到光照不一致的影响，导致图像的亮度
不均衡；（ ３）图像在拍摄过程中需要固定焦距或者一定的比例尺，没有明显的边界，将使颗粒尺寸的
分析变得异常困难。这些外界的干扰降低了目标与背景的对比度，严重影响了土石坝坝料图像的有效
分析。因此，坝料级配智能检测既是一项富有挑战性的任务，又是目前亟待解决的工程问题。考虑到
实际施工现场的环境条件以及检测效率，本文采用基于二维图像形态提取转换的级配检测方法来实现
土石坝坝料的级配智能检测，本文方法整体的逻辑框架如图 １所示。首先提出了采用融合空间信息的
直觉模糊 Ｃ均值（ＳＩＦＣＭ）算法实现了土石坝坝料的图像分割，有效改善了标准模糊 Ｃ均值算法对噪声
敏感的缺陷，然后采用了椭球体积来重构土石坝料的三维体积形态，最后建立了 ＢＰ神经网络模型修
正图像识别获取的级配曲线以获得真实条件下坝料的级配特征参数，从而获得 ４个坝料合格性评价指
标：最大粒径、Ｐ５含量、曲率系数 Ｃ和不均匀系数 Ｃ，为坝料合格性快速判别和建立坝料碾压施工
ｕ
ｃ
过程实时压实质量多层次综合评价模型提供了重要的输入信息。

２ 二维图像形态提取

２．１ 图像获取的条件 在水利水电工程中，大坝填筑料的粒径组成是影响工程施工质量的重要因素，
工程设计中对坝料的级配有明确的要求。采用图像识别技术对常规的土石坝坝料级配分析时，需要对
坝料的数字图像进行图像分割获取颗粒轮廓，进而确定坝料级配特征。因此数字图像的获取对级配特
征的识别分析至关重要。
本研究中，在获取数字图像时，需要在施工现场摊铺结束后的坝料上放置 １ｍ × １ｍ的铁框作为比
例标尺框，拍摄图像时要有较为充足的光照条件，保证拍摄图像的位置处于比例标尺框正上方，尽量
避免比例标尺框内存在阴影，尽可能的提高数字图像的整体质量，最大程度上为图像识别减少外界干
扰的影响。如图 ２所示，现场拍摄的图像经过编制的程序处理可实现比例标尺框内图像的快速提取。
通过将比例标尺框真实尺寸和图片像素对比，可建立真实尺寸与图像像素间的转换关系，实现图像中

１
— １ ９ ５ —