基于深度阈值卷积模型的土石料级配智能检测方法研究
土石料级配合理性直接影响土石坝的力学特性与抗渗性能,当前级配检测主要依靠人工筛分试验,无法实现大规模快速检测.传统图像识别算法不符合土石料级配检测的精度要求,深度学习图像识别算法需要海量人工标记的训练样本,难以满足工程实际需求.本文结合传统图像识别中基于最大类间方差的边缘检测算法与卷积神经网络深度学习模型,研究了土石料图像识别与级配数据智能分析相结合的级配检测方法,建立了可实现级配快速检测的深度阈值卷积模型(Deep Otsu Convolutional Neural Network,DO-CNN),提高了级配检测的精度,并以灰岩石料为典型样本,通过18组标准筛分试验获取土石料级配数据及图像,进行模型训练与验证.结果表明:与仅使用基于最大类间方差法的边缘检测模型相比,DO-CNN模型能够极大提高级配检测的准确率与稳定性,实现基于图像的土石料级配快速检测.对于5mm以下细小土石料颗粒,模型识别精度同样较高.
土石料级配、深度阈值卷积模型、筛分试验、细小黏连颗粒、图像识别、土石坝
52
TV41(水工材料)
国家重点研发计划项目;中国水利水电科学研究院基本科研项目
2021-05-07(万方平台首次上网日期,不代表论文的发表时间)
共12页
369-380