Page 65 - 2022年第53卷第10期

图 １１ 测试集中某原始图像和分割结果

表 ２ 图像识别修正级配与试验级配间误差

控制粒径?ｍｍ ２００ １００ ８０ ６０ ４０ ２０ １０ ５
试验 ＧＱＰ?％ ８４．３０ ７０．８０ ６３．００ ５７．７０ ４４．９０ ３１．８０ ２１．２０ １６．６０
修正 ＧＱＰ?％ ８２．５２ ６８．０５ ６１．０７ ５５．０７ ４２．７６ ３０．５１ ２１．０６ １６．２２
相对误差?％ ２．１１ ３．８９ ３．０６ ４．５５ ４．７６ ４．０６ ０．６６ ２．２８

上述通过本文提出的 ＳＩＦＣＭ＿ＢＰ算法的级配智能识别修正模型可以在大坝坝料进场之前快速识别
坝料 ５～２００ｍｍ的级配曲线，为了进一步补全级配曲线中丢失的部分，本文将图像识别得到的曲线与
施工现场挖坑检测获得的试验级配数据库中的曲线依次进行比对，以两条曲线各粒径绝对误差的累计
和作为目标函数 ｆ（ｘ），可以表示为：
ｎ
ｆ（ｘ） ＝ ∑ ＧＱＰ″ － ＧＱＰ ｉ （１７）
ｉ
ｉ ＝１
式中：ｄ＝ ５ｍｍ，ｄ＝ １０ｍｍ，…，ｄ ＝ ２００ｍｍ；ＧＱＰ″为粒径 ｄ对应的图像识别修正后获得的级配质
１ ２ ｎ ｉ ｉ
量百分比；ＧＱＰ为粒径 ｄ对应的现场试验获得的级配质量百分比。选取目标函数 ｆ（ｘ）达到最小值时对
ｉ
ｉ
应的试验级配曲线来补全本文图像识别获得的级配曲线中丢失的粒径小于 ５ｍｍ以及大于 ２００ｍｍ的部
分级配数据，补全后的级配曲线如图 １２（ｂ）所示。通过对级配曲线进行特征分析，可以得到用于坝料
合格性检测的 ４个指标：最大粒径、Ｐ５含量、曲率系数 Ｃ和不均匀系数 Ｃ。
ｃ ｕ

图 １２ 图像识别获取的级配曲线

３．３ 相关问题讨论 本文建立了基于 ＳＩＦＣＭ＿ＢＰ算法的级配智能识别修正模型，实现了坝料级配特征
参数的快速可靠获取，并在此基础上完成了坝料的合格性检测。虽然取得了一定的成果，但是本文提
出的基于数字图像的坝料合格性快速检测方法仍处于初步研究阶段。由于本文选取的挖坑检测资料和
图像均来自主次堆石区，图像中以较大的石块居多，因此在土石料级配曲线求解时，选取的最小过筛

２
— １ ０ ３ —