结合深度学习和NCFS算法的堆石料粒度分布智能检测方法

针对目前堆石坝施工过程中人工筛分试验无法实现爆堆料物粒度快速检测以及现有粒度检测模型准确度低、泛化能力差等问题,提出了一种基于深度学习模型与邻域分量特征(Neighborhood Component Feature Selec⁃tion,NCFS)算法相结合的堆石坝料物粒度数字筛分检测方法,该方法可以通过拍摄料堆图像快速检测料堆粒度分布。为了提高深度学习模型的精确度,提出将基于迁移学习的Deeplabv3+模型和稠密条件随机场算法(Dense⁃CRF)结合用于图像训练学习和优化;在料堆二维特征到三维粒度分布转换方面,提出基于NCFS算法的块石二维平面参数对三维粒度的表征公式,并采用MATLAB语言编制了相应的软件加以实现。句容抽水蓄能电站工程现场爆破料堆图像采集和筛分试验分析的结果表明:所提方法是可行的,且相比其他方法,在特征提取以及粒度检测精度上均有所提高。

一种基于Mask R-CNN和分水岭算法的岩石颗粒图像分割方法

针对传统的岩石颗粒图像分割方法存在过分割、欠分割、需要人工调整大量参数等问题,提出了一种基于Mask R-CNN和分水岭算法的岩石颗粒图像分割方法,首先利用改进的CNN方法防止大块岩石出现过分割,接着使用提出的算法R对CNN分割出来的掩码图像和原图像进行融合,最后利用改进的分水岭算法对融合后的图像进行分割,在避免过分割的同时防止细骨料区域出现欠分割。将此方法与传统的颗粒图像分割方法应用于某堆石坝工程中,结果表明该方法有效避免了传统方法中存在的问题,实现了岩石颗粒图像的实时、精准分割,应用效果较好。