基于卷积神经网络的粗粒土级配识别方法及电子设备技术

本公开提供了一种基于卷积神经网络的粗粒土级配识别方法及电子设备，其中方法包括：采集不同级配下第一粗粒土的表面图像，其中，级配为粗粒土中各粒径范围粗粒土的重量占比；构建待训练级配识别网络，待训练级配识别网络包括第一神经网络和第二神经网络，第一神经网络对应为卷积神经网络；从每一级配下第一粗粒土的表面图像中选择训练图像，基于多张训练图像，分别训练第一神经网络和第二神经网络，得到已训练级配识别网络；将同一级配下第二粗粒土的多张表面图像输入至已训练级配识别网络中，识别第二粗粒土中各粒径范围粗粒土的重量占比。本公开在不同级配情况下可以采用相同的训练过程，泛用性强，借助迁移学习可以实现新情况下的快速应用。情况下的快速应用。情况下的快速应用。

【技术实现步骤摘要】
基于卷积神经网络的粗粒土级配识别方法及电子设备


[0001]本公开涉及粗粒土路基工程
，具体涉及一种基于卷积神经网络的粗粒土级配识别方法及电子设备。

技术介绍

[0002]在土石坝填筑施工过程中，常常将不同粒径的坝料按照一定比例混合起来，通过不同的碾压工艺，使坝料达到符合要求的密实度，以满足上部结构对填方的要求，土石坝料的级配特征参数直接影响坝料填筑的压实质量。
[0003]目前，土石坝料的级配特性或者颗粒组成通常是在填筑碾压结束后采用基于二维图像形态提取转换的级配检测方法得到的，该方法由颗粒二维图像轮廓提取和基于二维形态特征的级配转换两部分组成，先提出二维图像轮廓，再依据轮廓的面积等信息还原出真实信息。然而，这种级配检测方法在不同级配情况下采用的算法和参数均不相同，算法和参数的选取过程繁琐，无法快速由一种级配情况迁移到另一种情况。
[0004]针对相关技术中在不同级配情况下无法快速由一种级配情况迁移到另一种情况的问题，目前尚未提出有效的技术解决方案。

技术实现思路

[0005]本公开的主要目的在于提供一种基于卷积神经网络的粗粒土级配识别方法及装置，以解决相关技术中在不同级配情况下无法快速由一种级配情况迁移到另一种情况的问题。
[0006]为了实现上述目的，本公开的第一方面提供了一种基于卷积神经网络的粗粒土级配识别方法，包括：
[0007]采集不同级配下第一粗粒土的表面图像，其中，第一粗粒土为用于训练神经网络的粗粒土，级配为粗粒土中各粒径范围粗粒土的重量占比；r/>[0008]构建待训练级配识别网络，其中，待训练级配识别网络包括第一神经网络和第二神经网络，第一神经网络对应为卷积神经网络；
[0009]从每一级配下第一粗粒土的表面图像中选择训练图像，基于多张训练图像，分别训练第一神经网络和第二神经网络，得到已训练级配识别网络；以及
[0010]将同一级配下第二粗粒土的多张表面图像输入至已训练级配识别网络中，识别第二粗粒土中各粒径范围粗粒土的重量占比。
[0011]可选地，采集不同级配下第一粗粒土的表面图像包括：
[0012]采集同一级配下第一粗粒土的多张表面图像；
[0013]依次采集多个不同级配的第一粗粒土的多张表面图像，得到所有级配下第一粗粒土的所有表面图像。
[0014]可选地，从每一级配下第一粗粒土的表面图像中选择训练图像，基于多张训练图像，分别训练第一神经网络和第二神经网络，得到已训练级配识别网络，包括：
[0015]将所有级配下第一粗粒土的所有表面图像按照预设比例划分为训练集、验证集和测试集，将训练集中的表面图像作为训练图像；
[0016]基于多张训练图像，训练第一神经网络；
[0017]在第一神经网络训练完成后，训练第二神经网络；
[0018]基于训练完成后的第一神经网络和第二神经网络，得到已训练级配识别网络。
[0019]进一步地，基于多张训练图像，训练第一神经网络，包括：
[0020](1)在第一神经网络所对应卷积神经网络的全连接层后添加Softmax层；
[0021](2)初始化第一神经网络的网络参数；
[0022](3)设置计数器为0；
[0023](4)从训练集中随机抽取与第一批大小数量相同的多张训练图像，将训练图像转化为灰度图，大小设置为224x224像素，并依次进行概率均为0.5的水平翻转和垂直翻转，得到多张处理后的训练图像；
[0024](5)将多张处理后的训练图像输入第一神经网络，对级配进行预测，以绝对误差损失作为损失函数，更新模型；
[0025](6)将步骤(4)中的训练集替换为验证集，对验证集执行步骤(4)，计算预测损失，如果预测损失为历史最小值，则保存模型，并设置计数器为0；否则，将计数器加1；
[0026](7)重复执行步骤(5)～(6)，直至计数器达到第一阈值，得到训练完成后的第一神经网络。
[0027]进一步地，在第一神经网络训练完成后，训练第二神经网络，包括：
[0028](1)将训练后的第一神经网络根据全连接层分为两个部分，其中，将训练后的第一神经网络中全连接层之前的部分作为搜查者，将训练后的第一神经网络中的全连接层及全连接层后的Softmax层作为分析者后半部分，冻结搜查者中的网络参数；
[0029](2)初始化分析者前半部分的网络参数；
[0030](3)设置计数器为0；
[0031](4)从训练集中随机抽取与第二批大小数量相同的a张训练图像，产生介于1～a之间的随机数m，从每个级配的a张训练图像中随机抽取m张训练图像，将训练图像转化为灰度图，大小设置为224x224像素，并依次进行概率均为0.5的水平翻转和垂直翻转，得到多张处理后的训练图像；
[0032](5)将多张处理后的训练图像输入第二神经网络，对级配进行预测，以绝对误差损失作为损失函数，更新模型；
[0033](6)将步骤(4)中的训练集替换为验证集，对验证集执行步骤(4)，计算预测损失，如果预测损失为历史最小值，则保存模型，并设置计数器为0；否则，将计数器加1；
[0034](7)重复执行步骤(5)～(6)，直至计数器达到第二阈值，得到训练完成后的第二神经网络，将训练的第二神经网络作为分析者前半部分。
[0035]进一步地，基于训练完成后的第一神经网络和第二神经网络，得到已训练级配识别网络，包括：
[0036]在搜查者后依次连接分析者前半部分和分析者后半部分；
[0037]在分析者前半部分和分析者后半部分之间依次设置Softmax层、与随机抽取的训练图像相同数量的乘法器和一个加法器，得到已训练级配识别网络。
[0038]可选地，将同一级配下第二粗粒土的多张表面图像输入至已训练级配识别网络中，识别第二粗粒土中各粒径范围粗粒土的重量占比，包括：
[0039]将同一级配下第二粗粒土的多张表面图像输入至已训练级配识别网络的搜查者中，利用搜查者从多张表面图像中提取对应的特征，并将特征输入至分析者前半部分；
[0040]利用分析者前半部分确定各个特征对应的权重，并将权重输入至Softmax层；
[0041]利用Softmax层将所有特征对应的权重归一化，得到各个特征对应的归一化权重值，其中，各个特征对应的归一化权重值和为1；
[0042]将各个特征分别乘以对应的归一化权重值后相加，得到的向量作为分析者后半部分的输入；以及
[0043]利用分析者后半部分输出第二粗粒土中各粒径范围粗粒土的重量占比。
[0044]进一步地，将同一级配下第二粗粒土的多张表面图像输入至已训练级配识别网络中，识别第二粗粒土中各粒径范围粗粒土的重量占比，包括：
[0045]H
i
'＝Searcher(X
i
)
[0046]H
i
＝H
i
'softmax(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的粗粒土级配识别方法，其特征在于，包括：采集不同级配下第一粗粒土的表面图像，其中，所述第一粗粒土为用于训练神经网络的粗粒土，所述级配为粗粒土中各粒径范围粗粒土的重量占比；构建待训练级配识别网络，其中，所述待训练级配识别网络包括第一神经网络和第二神经网络，所述第一神经网络对应为卷积神经网络；从每一级配下所述第一粗粒土的表面图像中选择训练图像，基于多张所述训练图像，分别训练所述第一神经网络和所述第二神经网络，得到已训练级配识别网络；以及将同一级配下第二粗粒土的多张表面图像输入至所述已训练级配识别网络中，识别所述第二粗粒土中各粒径范围粗粒土的重量占比。2.根据权利要求1所述的方法，其特征在于，所述采集不同级配下第一粗粒土的表面图像包括：采集同一级配下所述第一粗粒土的多张表面图像；依次采集多个不同级配的第一粗粒土的多张表面图像，得到所有级配下第一粗粒土的所有表面图像。3.根据权利要求1所述的方法，其特征在于，所述从每一级配下所述第一粗粒土的表面图像中选择训练图像，基于多张所述训练图像，分别训练所述第一神经网络和所述第二神经网络，得到已训练级配识别网络，包括：将所有级配下第一粗粒土的所有表面图像按照预设比例划分为训练集、验证集和测试集，将所述训练集中的表面图像作为训练图像；基于多张所述训练图像，训练所述第一神经网络；在第一神经网络训练完成后，训练所述第二神经网络；基于训练完成后的第一神经网络和第二神经网络，得到已训练级配识别网络。4.根据权利要求3所述的方法，其特征在于，所述基于多张所述训练图像，训练所述第一神经网络，包括：(1)在所述第一神经网络所对应卷积神经网络的全连接层后添加Softmax层；(2)初始化所述第一神经网络的网络参数；(3)设置计数器为0；(4)从所述训练集中随机抽取与第一批大小数量相同的多张训练图像，将所述训练图像转化为灰度图，大小设置为224x224像素，并依次进行概率均为0.5的水平翻转和垂直翻转，得到多张处理后的训练图像；(5)将多张处理后的训练图像输入所述第一神经网络，对级配进行预测，以绝对误差损失作为损失函数，更新模型；(6)将步骤(4)中的训练集替换为验证集，对所述验证集执行步骤(4)，计算预测损失，如果所述预测损失为历史最小值，则保存所述模型，并设置所述计数器为0；否则，将所述计数器加1；(7)重复执行步骤(5)～(6)，直至计数器达到第一阈值，得到训练完成后的第一神经网络。5.根据权利要求3所述的方法，其特征在于，所述在第一神经网络训练完成后，训练所述第二神经网络，包括：
(1)将训练后的第一神经网络根据全连接层分为两个部分，其中，将训练后的第一神经网络中全连接层之前的部分作为搜查者，将训练后的第一神经网络中的全连接层及所述全连接层后的Softmax层作为分析者后半部分，冻结所述搜查者中的网络参数；(2)初始化分析者前半部分的网络参数；(3)设置计数器为0；(4)从所述训练集中随机抽取与第二批大小数量相同的a张训练图像，产生介于1～a之间的随机数m，从每个级配的a张训练图像中随机抽取m张训练图像，将所述训练图像转化为灰度图，大小设置为224x224像素，并依次进行概率均为0.5的水平翻转和垂直翻转，得到多张处理后的训练图像；(5)将多张处理后的训练图像输入第二神经网络，对级配进行预测，以绝对误差损失作为损失函数，更新模型；(6)将步骤(4)中的训练集替换为验证集，对所述验证集执行步骤(4)，计算...

【专利技术属性】
技术研发人员：庞元恩，李旭，董子开，姚敏，石国栋，段煜，杜赛朝，赵宇飞，刘彪，王玉杰，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：