Page 53 - 2025年第56卷第10期
P. 53
采用 SVR 算法建立视觉识别级配到实际级配的推理模型：将视觉识别级配用作模型输入，以筛分
测得的 12 个级配值作为模型输出，将样本按照 0.85∶0.15 的比例划分为训练集和测试集。训练参数设
置与 4.2.1 节一致，经训练，上游堆石料级配推理模型的参数 C 和 σ 分别为 45.80、0.1652，过渡料的
2
分别为 28.82、0.4657。
推理模型精度分析。图 15 为测试集推理和筛分级配的
表 3 测试集的检测误差 单位：%
对比，过渡料和上游堆石料的决定系数 R 分别为 0.9943 和
2
堆石料类型 MAE MAPE
0.9965，表明级配推理模型的具有较高的精度。过渡料和上
游堆石料级配推理模型测试集的检测误差如表 3，两个模型 上游堆石料 1.51 8.08
的测试误差 MAE 分别为 1.51% 和 1.86%。在实际工程中，堆 过渡料 1.86 6.63
石料级配需控制在设计包络线范围内，其允许范围较宽泛。
例如，该工程中，粒径小于 5、20、100 mm 的过渡料重量百分数控制范围分别为 17% ~ 34%、35% ~
53%、67% ~ 88%，上游堆石料分别为 0 ~ 20%、11% ~ 36%、32% ~ 63%。本方法检测的 MAE 远小于
对应粒径控制范围的上下限之差，模型精度满足工程需求。
图 15 测试集推理和筛分级配的对比
5.2 系统运行结果分析 选取了 4 辆上坝料运输车作为跟踪对象，安装 RFID 标签，并抓拍料斗内的
填料影像，实现了堆石料级配推理。系统上线运行 3 个月，共计检测 1856 个车次。在实际应用中，逐
车筛分级配难以实施。鉴于此，本研究通过对比同时段筛分评估结果（合格与否）与系统推理结果的一
致性，验证系统检测的准确性。一致性指标即为推理正确次数占总推理次数的比例。图 16 为 2024 年 7
月上游堆石料和过渡料的级配推理结果，同时段的筛分结果如图 17 所示。本系统的检测结果与筛分结
果在整体趋势及细节特征上均呈现出良好的一致性；一致性指标显示，在系统运行 3 个月内，该指标
为 100%。
5.3 上坝料级配检测覆盖率与效率对比 根据 《碾压式土石坝施工规范》（DL/T 5129—2013），堆石
图 16 级配检测结果
— 1300 —
