Page 51 - 2025年第56卷第10期
P. 51
图 12 视觉识别级配、推理级配与筛分级配曲线的对比
4.2.2 结果分析 通过对比视觉识别、推理与筛分级配（图 12），评估级配视觉推理的可行性，检测误
差如表 2。
表 2 视觉识别和推理级配与筛分级配的误差比较 单位：%
试验组
平均值
1 2 3 4
MAE MAPE MAE MAPE MAE MAPE MAE MAPE MAE MAPE
视觉级配 19.32 52.16 23.21 55.85 19.06 52.49 21.31 53.67 20.73 53.54
推理级配 1.13 7.16 1.67 4.65 0.47 5.00 1.48 6.54 1.19 5.84
（1）视觉识别级配和筛分级配对比。两者曲线趋势高度相关，表明在固定观测模式下，考虑颗粒
堆叠的视觉识别级配能有效反映堆石料实际级配特征，为级配推理提供依据。然而，二者在数值上差
异显著，MAE 和 MAPE 的平均值分别为 20.73% 与 53.54%，最大值达 23.21% 与 55.85%。这种差异主要
源于视觉影像仅捕获表面颗粒，层间遮挡导致观测不完整，凸显了实际级配推理的必要性。
（2）推理级配和筛分级配对比。图 12 中推理模型得到的级配曲线与筛分结果高度一致，误差显著
降低。MAE 和 MAPE 的平均值分别为 1.19% 和 5.84%，最大值分别仅为 1.67%、7.16%，相比视觉识别
结果，MAE 和 MAPE 的平均降幅分别为 94.26%、89.09%，最大误差降幅为 92.80%、87.18%。这表明，
推理模型通过学习视觉识别级配与实际级配的相关性，有效补偿了层间遮挡造成的差异，验证了级配
视觉推理方法的可行性与有效性。
5 工程实例
以某水电站工程为例开展现场应用研究。该工程挡水建筑物为混凝土面板堆石坝，坝体填筑工程
— 1298 —
