Page 66 - 2022年第53卷第10期

尺寸为 ５ｍｍ，通过本文方法可以修正补全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。但是对于粉土、黏土来说，其粒径尺寸太小，难以利用常规堆石坝主堆区爆破
料、砂砾石料数字图像获取技术进行级配特征识别的图像分析。本文在后续的研究过程中，将在已有成
果基础上，尝试利用电镜扫描等技术开展粉土、黏土颗粒级配特征获取的数字图像分析方法研究。
此外由于实际工程中，一个单元工程碾压结束后只进行一个挖坑质量检测，因此本文收集到的现
场挖坑检测获得的试验级配数据和对应位置处的数字图像数据量较少，修正模型的预测精度还有待进
一步的提升。随着单元工程不断填筑碾压完成，图像识别获得的级配数据以及挖坑检测获得的试验级
配数据会不断积累，用于级配修正模型训练的数据库会变得逐渐丰富和完善，这样通过本文方法获得
的图像识别结果更加接近于真实条件下的坝料全级配特征曲线，对于本文图像识别未能得到的坝料缺
失部分级配的补全精度也会逐步的提高，因此本文方法具有不断进化学习的工程优势。本文图像识别
方法是基于经典图像分割技术基础上改进的二维图像形态级配检测方法，虽然识别速度快，识别精度
有所提高，但是一些关键参数的选择仍然依赖于人工选取，若想进一步提升识别精度，可尝试采用基
于深度卷积神经网络的图像分割方法进行工程实例应用，并在人工标记颗粒轮廓方面寻找新的快速标
记方法，以解决该方法耗时长的弊端，更有利于在实际工程中的应用。
另外，需要说明的是，在实际工程中，堆石坝坝料的开采是需要进行爆破试验完成的，试验前会
综合考虑岩体强度和结构面发育程度等因素对爆破参数（如炮孔间距、装药量、引爆延时等）进行调
整，保证开采得到的堆石料能够最大程度上满足坝料级配的要求。然而本文坝料合格性检测是在坝料
均匀摊铺后通过对采集到的数字图像进行智能识别得到的级配参数，因此，暂未考虑岩石分类及岩性
的影响。在后续的研究中，将收集堆石料料场结构面发育及岩石强度特性的信息，对料场开采区域的
岩石分类及岩性进行确定，然后在级配的学习进化方面考虑堆石料颗粒特性（形状特性）参数与级配特
征参数的自适应与自生长的优化能力。

４ 结论

在土石坝填筑工程中，坝料的级配特性一般都是在碾压完成之后进行挖坑检测得到的，级配不合
格的坝料难以在出料场以及摊铺碾压过程中及时清理出场，造成施工机械和人工的浪费。针对现有级
配智能感知技术较差的问题，本文提出了一种 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，为合理有效地检测坝料的合格性提供了新的技术手段。主要结论如下：
（ １）采用了空间滤波和同态滤波相融合的技术为土石坝坝料的快速准确分割提供了技术支撑；经
设计的 ＨＦ１同态滤波器处理后的图像对于大颗粒坝料以及粘连颗粒的识别效果较好；ＨＦ２同态滤波器
处理后的图像不仅修正补全了伪阴影面积而且对图像中小颗粒坝料前景区域的识别有了整体提高，综
合使用两种同态滤波器可以提高图像识别的整体精度。
（ ２）针对 ＦＣＭ算法进行图像分割时结果易受到噪声以及伪阴影影响的缺陷，本文在标准 ＦＣＭ 算
法的基础上考虑了空间信息对聚类结果的影响，将空间信息以空间函数的形式纳入隶属度矩阵中，然
后引入直觉模糊集中的直觉指数和非隶属度函数，更好的反映聚类的模糊问题，较大幅度的提高了算
法对噪声的鲁棒性。与标准的 ＦＣＭ算法相比，图像的分割精度有了明显的提升。
（３）在获得土石坝料图像的二维形态特征后，通过建立等效椭球体积的方法实现了土石坝料的三
维体积重构，获得了基于图像识别技术的坝料级配曲线，然后建立了基于 ＢＰ神经网络的级配修正模
型，提高了坝料级配智能检测结果的准确性。对本文 ＳＩＦＣＭ＿ＢＰ模型获得的级配曲线进行特征分析，
最终获得评价坝料合格性 ４个指标：最大粒径、Ｐ５含量、曲率系数 Ｃ和不均匀系数 Ｃ，为坝料合格
ｃ ｕ
性快速判别和本文后续建立坝料压实质量多层次综合评价模型提供了基础信息，有利于施工前的坝料
质量控制与施工过程的质量评价。

０
— １ ２ ４ —