CN112884739B - 一种基于深度学习网络的堆石体填筑密实度快速检测方法 - Google Patents

Abstract

本发明提出了一种基于深度学习网络的堆石体填筑密实度快速检测方法,采用无人机航拍堆石坝填筑过程中的碾压作业面，通过卷积神经网络进行图像处理，获得其颗粒级配曲线，根据颗粒堆积预测模型预测最小孔隙比。采用该方法对在建堆石坝工程的堆石体填筑密实度进行快速检测，实时跟踪检测填筑碾压质量。该方法仅需要通过无人机或其他设备拍摄堆石坝碾压作业面，采用深度学习算法对照片进行图像处理，结合颗粒堆积预测模型，即可检测堆石体填筑密实度，工程实践证明该检测方法高效便捷、检测精度较高，具有较强的工程应用推广价值。

Description

一种基于深度学习网络的堆石体填筑密实度快速检测方法

技术领域

本发明属于水利水电工程和岩土工程领域，尤其涉及一种基于深度学习网络的堆石体填筑密实度快速检测方法。

背景技术

堆石坝工程的坝体填筑密实度会影响着大坝的变形和稳定，当填筑密实度较差时甚至会危及大坝安全，因此在堆石坝填筑碾压过程中对堆石体填筑密实度进行快速检测具有重要意义。

目前常用的堆石体填筑密实度检测方法可分为直接法和间接法两类。直接法主要为坑测法，需要在已经填筑碾压好的坝体表面测点进行开挖取样，因此监测费时费力，且会干扰现场施工、影响施工进度。对于不同土质材料需要运用不同测量方法，如灌砂法需要用均匀颗粒砂检测，环刀法只能用于测定不含砾石或碎石的细粒土的现场密实度。坑测法取样难度大，且对坝体碾压作业面破坏较大，且受到施工环境条件制约，只能对少量部位进行检测，其结果无法反应坝体其他部位的填筑密实度。因此，虽然坑测法检测结果相对准确可靠，但该方法检测效率低、代表性差、耗时费力、耗资大且具有不可逆的破坏，限制了其在堆石坝填筑密实度检测中的应用。

间接法如压实沉降观测法、振动碾加装速度计法、控制碾压参数法、静弹模法、动弹模法等，属于无损检测，但它们只能定性地评价堆石体的压实程度，因此在工程实践中也具有很大的局限性。核子密度仪法通过放射性元素穿过物质的衰减观测来推算其密度，但由于实用要求较高，且超标放射物对人体有害，而导致使用范围受限。面波法利用具有不同压实密度、弹模等层状介质的频散特性和传播速度与岩土物理力学性质的相关性，达到地层构造反演分析的目的，但由于密度的变化对频散曲线影响较小，且该方法对一米以内的表层检测误差大，故使用范围受到一定限制。附加质量法将堆石体等效为质弹模型，通过施加不同级数的附加质量块，测试对应的堆石体振动频率，进而分析堆石体的参振质量以及密度。但附加质量法的重复性较差，不同高度的锤击震源、下雨前后以及附加质量块偏移距的变化等都会影响堆石体振动主频的测量结果，且其模型中忽略阻尼因素和附加质量块与堆石体之间的非刚性连接，大大的限制了附加质量法的应用范围。

综上所述，目前常用的堆石体填筑密实度检测方法都存在一定的局限性。近年来，深度学习算法在解决影响因素众多、变量关系复杂的问题方面有突出的优势，基于深度学习的图像处理技术目前已经运用于许多领域，并取得了较好的应用效果，机器学习算法在解决影响因素众多、变量关系复杂的问题方面有突出的优势。因此本发明引入基于深度学习的图像处理技术，实现堆石体填筑密实度的快速检测。将有规律的图像等数据输入，通过卷积神经网络中卷积层与池化层的建立，提取更全面的输入特征，并减少后续运算所需时间，反复训练调整权重消除误差，达到输入输出结果的对应转换识别的目的。无人机拍摄采集堆石体碾压作业面图片，输入深度学习网络，通过卷积、池化等操作，将高维图像信息转化为堆石体级配信息。将提取的堆石体级配信息输入到颗粒堆积模型即可得到堆石体的密实度。

发明内容

为了解决上述问题，本发明提供了一种快速、无损、准确、实时的堆石体密实度检测方法，该方法首先通过无人机摄影和深度学习图像处理获得堆石坝碾压作业面不同部位的堆石体级配信息，然后将堆石体级配信息输入到颗粒堆积模型，即可预测该部位的填筑密度。该方法的核心是通过大量的堆石体碾压作业面的图像和堆石体级配信息构造数据集，训练卷积神经网络，使其能够从无人机航拍的堆石坝碾压作业面照片中提取到堆石体级配信息。基于无人机摄影和深度学习图像处理的堆石体填筑密实度快速检测方法，其特征在于，包括以下步骤：

步骤1：建立包含堆石体表面图像与堆石体级配信息的深度学习数据集；

步骤2：构建卷积神经网络，构建卷积神经网络损失函数模型，通过深度学习数据集进行优化训练得到训练后深度学习模型；

步骤3：使用无人机航拍堆石坝碾压作业面，通过训练后卷积神经网络处理航拍图像，获得堆石体级配信息；

步骤4：根据不同粒径颗粒间的堆积方式，推导连续级配堆石体的颗粒堆积模型，预测堆石体的密实度

步骤5：结合预测值与实测值对颗粒堆积模型进行进一步优化，通过遗传算法在参数空间寻找最优颗粒堆积模型参数。

作为优选，所述步骤1具体为：

步骤1.1，对试验堆石料过筛，设定给定堆石料的颗粒级配信息,level_i％表示第m组试样中，小于粒径为的颗粒质量累计百分含量，/>

步骤1.2，倒入一个足够大的箱体内，模拟现场堆石体的填筑碾压过程，拍摄堆石体表面的图像，多次重复碾压拍照，获得同一堆石体的N张堆石体表面的图像；

步骤1.3，改变堆石料的级配，重复步骤1.1-1.2；

依次将拍摄的不同级配堆石体的表面照片利用MATLAB将RGB图像或彩色图转换为灰度图像，并进一步将灰度图像进行线性标准化处理，将图像灰度值按标准缩放至0-1，得到标准化图像；

步骤1.4，在标准化图像中按照一定比例随机划分为深度学习模型的训练集和测试集；

所述深度学习模型数据集为：

data_m,n(x,y)

m∈[1,M],n∈[1,N],x∈[1,K],y∈[1,L],i∈[1,P],其中，data_m,n(x,y)为第m组颗粒级配下第n幅堆石体标准化处理后表面图像中第x行第y列的像素，M为颗粒级配的组数，N为同组堆石体表面像的数目，K为堆石体表面标准化图像的行数，L为堆石体表面标准化图像的列数,m为第m组颗粒级配,P为实验者拟定的特征点数目，质量分数取值level_i％表示第m组颗粒级配下粒径尺寸小于/>的颗粒质量分数，/>为第m组颗粒级配下质量分数为level_i％时对应的粒径尺寸，item_m表示第m组颗粒级配下的标签。

作为优选，步骤2所述卷积神经网络由输入层、卷积层、池化层、平坦层、全连接输出层依次串联级联构成；

所述输入层，将深度学习模型数据集中第m组颗粒级配下第n幅堆石体标准化处理后表面图像即data_m,n输入所述卷积层；

所述卷积层，包括卷积与激活两个部分，前者由多个卷积核构成，对深度学习模型数据集中第m组颗粒级配下第n幅堆石体标准化处理后表面图像(下文简称data_m,n标准化图像)进行特征提取，得到多个图像通道；后者在卷积产生的多个图像通道上采用激活函数处理运算；

其中激活函数采用线性整流函数(ReLU)，当神经刺激大于临界值会接受刺激产生反应，定义输入端神经元经过变换以后的非线性输出向量结果；

表示对于输入数据x的权重矩阵运算；

B反应神经元容易被激活程度的偏差值；

卷积层运算后输出data_m,n标准化图像经过卷积激活处理的多通道变换特征图像至池化层；

池化层，对于data_m,n标准化图像的多通道变换特征图像进行缩减采样，采用average pooling进行平均池化，对卷积后的图像局部像素信息进行进一步总结，缩减每个图像尺寸，得到缩减尺寸的data_m,n标准化图像的多通道变换特征图像；

同时，在池化层中引入dropout函数，其核心思想是在每次迭代中依概率去掉某些对应神经元，避免出现过度拟合现象；

将未被dropout舍弃的缩减尺寸的data_m,n标准化图像的多通道变换特征图像输入平坦层；

平坦层，将池化后的data_m,n标准化图像的多通道变换特征图像转换为一维向量；

输出平坦层转化后的一维向量到全连接层进行类神经网络处理；

全连接输出层，类神经网络进行处理，全连接层采用公式如下所示；

output＝σ(W·x+b)

上式中，x为二维灰度数组展开后的一维向量，W和b分别为输出层的权值矩阵和偏置值，σ为sigmoid激活函数；

输出得到的ouput为一个长度n的向量，向量中每一个指标均大于等于0小于等于1，因此需要对指标进行线性缩放到颗粒粒径的尺度；

线性缩放后得到对应百分比下的过筛粒径，

表示小于该粒径的颗粒质量分数为i％；

建立关于数据集data_m，n(x，y)中m组颗粒级配下所有得到的预测结果和试验标签item_m中的/>的损失函数，如下所示；

m∈[1，M],i∈[1，P]计算模型预测误差，通过误差逆向传播方法和网络自动求导，对全连接输出层中网络参数W和b进行优化，降低网络预测误差直至训练收敛。

作为优选，所述步骤4具体为：

将获得的堆石体级配特征参数等效划分若干粒径组，定义各组的等效粒径及相关参数，计算各个单一粒径组的局部孔隙比。

将粒径小于主体粒径的颗粒均作为填充颗粒，将粒径大于主体粒径的颗粒均作为嵌入颗粒，依次假定各个粒径组为整体中的主体粒径组，试算出现的整体密实度，其中的最大值即为能量耗散最小，最准确的密实度。

步骤4.1：对堆石体粒径组进行划分，将连续级配的堆石体等效为多元颗粒集合体，将其划分为若干粒径组，假定组内堆石颗粒粒径相同。

步骤4.2：粒径组分段点粒径从大到小依次为d₁,d₂,d₃…d_n,d_n+1，并满足：

将粒径小于d_m的颗粒质量占总质量比例记为ω_m(m＝1，2,…,n+1，0≤ω_m≤1)。

步骤4.3：将每一段粒径范围内的堆石颗粒视为单一粒径组，以上下分段点粒径的几何平均值作为该段的等效粒径，第i(i＝1，2，…，n)粒径组颗粒的等效粒径为：

步骤4.4：第i粒径组堆石颗粒质量占总质量的比例记为y_i：

y_i＝(ω_i-ω_i+1)*100％

步骤4.5：颗粒堆积模型即是通过颗粒集合体的组成特征得到颗粒集合体的整体孔隙比。颗粒集合体的整体孔隙比e定义为：

式中V_v为颗粒集合体的孔隙体积，V_si为第i粒径组的颗粒体积。

步骤4.6：第i粒径组的孔隙体积V_vi确定后即可求得整体孔隙比。定义第i粒径组的局部孔隙比

步骤4.7：基于多元颗粒集合体的两种混合机制：由小颗粒填充大颗粒骨架的填充机制；由大颗粒嵌入小颗粒构成的骨架的嵌入机制。在多元颗粒集合体中二者往往同时存在。

当第j粒径组作为填充颗粒时，局部孔隙比的计算公式为：

当第j粒径组作为嵌入颗粒时，局部孔隙比的计算公式为：

a_j与b_j表示第j粒径组中将“填充系数”与“嵌入系数。

e_j表示第j粒径组自身孔隙比。

步骤4.8：在多元颗粒集合体中，存在某个自身孔隙e_j与其局部孔隙比相等的粒径组，将其视为主体粒径组，将粒径小于主体粒径的颗粒均作为填充颗粒，将粒径大于主体粒径的颗粒均作为嵌入颗粒，第i粒径组中得到颗粒集合体孔隙比Eⁱ的表达式：

上式右侧第一项对应各嵌入颗粒的粒径组(d_j>d_i)。

第二项对应主体粒径组。

第三项对应各填充颗粒的粒径组(d_j<d_i)。

与/>表示对应于主体粒径组为第i粒径组中将“填充系数”与“嵌入系数。

y_j与y_i表示对应第j粒径组与主体粒径组的体积分数。

步骤4.9：“填充系数”“嵌入系数”/>是粒径比的函数，计算公式如下：

d_j与d_i表示第j粒径组与主体粒径组的等效粒径。

p与s为与颗粒形状有关材料参数。

步骤4.10：在颗粒集合体中，每一粒径组对应粒径都可能成为主体粒径，即存在n个试算值，在考虑掺混过程中能量消耗最少的因素，可以发现对应出现的孔隙比试算结果e_i出现的概率最大；故

e＝max(e_i)(i＝1,2,…,n)。

作为优选，所述步骤5具体为：

步骤5.1：对于真实条件下的粗粒土，同一来源与种类的土粒其孔隙比与粒径变化呈现一定规律性，假定其关系为：

e＝αd^β

步骤5.2：颗粒堆积模型中待定参数p、s、α、β均与颗粒形状有关，常采用参数优化算法通过反演获取其模型参数。采用遗传算法，先对种群初始化计算，在参数空间内搜索产生N组随机参数组合。

步骤5.3：将各组参数带入颗粒堆积模型，计算适应度参数值；将反应个体适应度目标函数取为k个样本孔隙比的预测值与实测值均方根误差，最优参数解应使目标函数达到最小值：

k为样本数量，为样本j的实测孔隙比，E_j为样本j的模型预测孔隙比。

步骤5.4：采用轮盘赌选择方法，使适应度高的个体有更高概率进入下一代。

步骤5.5：将选出的个体交换基因，使差异度较高的基因片段有更大的交叉概率，产生新的参数组合。

步骤5.6：随机改变某个个体基因，将新的个体添加入新群体。

步骤5.7：控制演化代数作为标准控制进行迭代演化，完成后输出结果，否则转回步骤5.4步。

步骤5.8：将最优解参数带入颗粒堆积模型，获得堆石体填筑料最小孔隙比。

本发明优点在于，可以在不损伤堆石体的情况下，方便快捷地对堆石体填筑密实度开展检测，在工程运行中仅需要利用无人机对堆石体表面进行拍照，使用条件简单，检测流程方便快捷、不干扰施工进程且成本较低。可以更方便的对于堆石体局部区域展开检测。在颗粒堆积模型的多次使用与优化中，能够进一步提高精度。

附图说明

图1：为基于深度学习网络的堆石体填筑密实度快速检测方法流程图。

图2：为堆石坝现场碾压照片。

图3：为无人机采集试验堆石料二维图像示意图。

图4：为深度学习网络架构示意图。

图5：为将连续的级配曲线等效为若干组单一粒径组的集合示意图。

图6：为大粒径颗粒“嵌入”小粒径颗粒整体示意图。

图7：为小粒径颗粒“填入”大粒径颗粒整体示意图。

具体实施方式

以下对本发明所涉及的一种基于深度学习网络的堆石体填筑密实度快速检测方法作详细阐述。以下实施例中为详细阐述的部分属于现有技术。

步骤1：建立包含堆石体表面图像与堆石体级配信息的深度学习数据集。

步骤1.1，对试验堆石料过筛，设定给定堆石料的颗粒级配信息,level_i％表示第m组试样中，小于粒径为的颗粒质量累计百分含量，/>

步骤1.2，倒入一个足够大的箱体内，模拟现场堆石体的填筑碾压过程，拍摄堆石体表面的图像，多次重复碾压拍照，获得同一堆石体N＝100张堆石体表面的图像。

步骤1.3，改变堆石料的颗粒级配，重复步骤1.1-1.2，获得M＝50组不同级配的堆石体表面图像。

依次将拍摄的不同级配堆石体的表面照片利用MATLAB将RGB图像或彩色图转换为灰度图像，并进一步将灰度图像进行线性标准化处理，将图像灰度值按标准缩放至0-1，得到标准化图像；

步骤1.4，在标准化图像中按照一定比例随机划分为深度学习模型的训练集和测试集；所述深度学习模型数据集为：

data_m,n(x,y)

m∈[1,M],n∈[1,N],x∈[1,K],y∈[1,L],i∈[1,P],其中，data_m,n(x,y)为第m组颗粒级配下第n幅堆石体标准化处理后表面图像中第x行第y列的像素，M＝50为颗粒级配的组数，N＝100为同组堆石体表面像的数目，K＝1920为堆石体表面标准化图像的行数，L＝1080为堆石体表面标准化图像的列数,m为第m组颗粒级配,P为实验者拟定的特征点数目，质量分数取值level_i％表示第m组颗粒级配下粒径尺寸小于/>的颗粒质量分数，/>为第m组颗粒级配下质量分数为level_i％时对应的粒径尺寸，item_m表示第m组颗粒级配下的标签。

步骤2：构建卷积神经网络，构建卷积神经网络损失函数模型，通过深度学习数据集进行优化训练得到训练后深度学习模型；

步骤2所述卷积神经网络由输入层、卷积层、池化层、平坦层、全连接输出层依次串联级联构成；

所述输入层，将深度学习模型数据集中第m组颗粒级配下第n幅堆石体标准化处理后表面图像即data_m,n输入所述卷积层；

所述卷积层，包括卷积与激活两个部分，前者由多个卷积核构成，对深度学习模型数据集中第m组颗粒级配下第n幅堆石体标准化处理后表面图像(下文简称data_m,n标准化图像)进行特征提取，得到多个图像通道；后者在卷积产生的多个图像通道上采用激活函数处理运算；

其中激活函数采用线性整流函数(ReLU)，当神经刺激大于临界值会接受刺激产生反应，定义输入端神经元经过变换以后的非线性输出向量结果；

表示对于输入数据x的权重矩阵运算；

B反应神经元容易被激活程度的偏差值；

卷积层运算后输出data_m,n标准化图像经过卷积激活处理的多通道变换特征图像至池化层；

池化层，对于data_m,n标准化图像的多通道变换特征图像进行缩减采样，采用average pooling进行平均池化，对卷积后的图像局部像素信息进行进一步总结，缩减每个图像尺寸，得到缩减尺寸的data_m,n标准化图像的多通道变换特征图像；

同时，在池化层中引入dropout函数，其核心思想是在每次迭代中依概率去掉某些对应神经元，避免出现过度拟合现象；取dropout函数值为0.25，随机放弃25％的神经元。

取dropout函数值为0.25，随机放弃25％的神经元。

将未被dropout舍弃的缩减尺寸的data_m,n标准化图像的多通道变换特征图像输入平坦层；

平坦层，将池化后的data_m,n标准化图像的多通道变换特征图像转换为一维向量；

输出平坦层转化后的一维向量到全连接层进行类神经网络处理；

全连接输出层，类神经网络进行处理，全连接层采用公式如下所示；

output＝σ(W·x+b)

上式中，x为二维灰度数组展开后的一维向量，W和b分别为输出层的权值矩阵和偏置值，σ为sigmoid激活函数；

输出得到的ouput为一个长度n的向量，向量中每一个指标均大于等于0小于等于1，因此需要对指标进行线性缩放到颗粒粒径的尺度；

线性缩放后得到对应百分比下的过筛粒径，

表示小于该粒径的颗粒质量分数为i％；

建立关于数据集data_m,n(x,y)中m组颗粒级配下所有得到的预测结果和试验标签item_m中的/>的损失函数，如下所示；

m∈[1,M],i∈[1,P]

计算模型预测误差，通过误差逆向传播方法和网络自动求导，对全连接输出层中网络参数W和b进行优化，降低网络预测误差直至训练收敛。

步骤3：使用无人机航拍堆石坝碾压作业面，通过训练后卷积神经网络处理航拍图像，获得堆石体级配信息。

步骤4：根据不同粒径颗粒间的堆积方式，推导连续级配堆石体的颗粒堆积模型，预测堆石体的密实度。

将获得的堆石体级配特征参数等效划分若干粒径组，定义各组的等效粒径及相关参数，计算各个单一粒径组的局部孔隙比；

将粒径小于主体粒径的颗粒均作为填充颗粒，将粒径大于主体粒径的颗粒均作为嵌入颗粒，依次假定各个粒径组为整体中的主体粒径组，试算出现的整体密实度，其中的最大值即为能量耗散最小，最准确的密实度；

步骤4.1：对堆石体粒径组进行划分，将连续级配的堆石体等效为多元颗粒集合体，将其划分为若干粒径组，假定组内堆石颗粒粒径相同；

步骤4.2：粒径组分段点粒径从大到小依次为d₁,d₂,d₃…d_n,d_n+1，并满足：

将粒径小于d_m的颗粒质量占总质量比例记为ω_m(m＝1,2,…,n+1，0≤ω_m≤1)；

步骤4.3：将每一段粒径范围内的堆石颗粒视为单一粒径组，以上下分段点粒径的几何平均值作为该段的等效粒径，第i(i＝1,2,…,n)粒径组颗粒的等效粒径为：

步骤4.4：第i粒径组堆石颗粒质量占总质量的比例记为y_i：

y_i＝(ω_i-ω_i+1)*100％

步骤4.5：颗粒堆积模型即是通过颗粒集合体的组成特征得到颗粒集合体的整体孔隙比；颗粒集合体的整体孔隙比e定义为：

式中V_v为颗粒集合体的孔隙体积，V_si为第i粒径组的颗粒体积；

步骤4.6：第i粒径组的孔隙体积V_vi确定后即可求得整体孔隙比；定义第i粒径组的局部孔隙比

步骤4.7：基于多元颗粒集合体的两种混合机制：由小颗粒填充大颗粒骨架的填充机制；由大颗粒嵌入小颗粒构成的骨架的嵌入机制；在多元颗粒集合体中二者往往同时存在；

当第j粒径组作为填充颗粒时，局部孔隙比的计算公式为：

当第j粒径组作为嵌入颗粒时，局部孔隙比的计算公式为：

a_j与b_j表示第j粒径组中将“填充系数”与“嵌入系数；

e_j表示第j粒径组自身孔隙比；

步骤4.8：在多元颗粒集合体中，存在某个自身孔隙e_j与其局部孔隙比相等的粒径组，将其视为主体粒径组，将粒径小于主体粒径的颗粒均作为填充颗粒，将粒径大于主体粒径的颗粒均作为嵌入颗粒，第i粒径组中得到颗粒集合体孔隙比Eⁱ的表达式：

上式右侧第一项对应各嵌入颗粒的粒径组(d_j>d_i)；

第二项对应主体粒径组；

第三项对应各填充颗粒的粒径组(d_j<d_i)；

与/>表示对应于主体粒径组为第i粒径组中将“填充系数”与“嵌入系数；

y_j与y_i表示对应第j粒径组与主体粒径组的体积分数；

步骤4.9：“填充系数”“嵌入系数”/>是粒径比的函数，计算公式如下：

d_j与d_i表示第j粒径组与主体粒径组的等效粒径；

p与s为与颗粒形状有关材料参数；

步骤4.10：在颗粒集合体中，每一粒径组对应粒径都可能成为主体粒径，即存在n个试算值，在考虑掺混过程中能量消耗最少的因素，可以发现对应出现的孔隙比试算结果e_i出现的概率最大；故

e＝max(e_i)(i＝1,2,…,n)。

步骤5：结合预测值与实测值对颗粒堆积模型进行进一步优化，通过遗传算法在参数空间寻找最优颗粒堆积模型参数。

步骤5.1：对于真实条件下的粗粒土，同一来源与种类的土粒其孔隙比与粒径变化呈现一定规律性，假定其关系为：

e＝αd^β

步骤5.2：颗粒堆积模型中待定参数p、s、α、β均与颗粒形状有关，常采用参数优化算法通过反演获取其模型参数。采用遗传算法，先对种群初始化计算，在参数空间内搜索产生N组随机参数组合。

步骤5.3：将各组参数带入颗粒堆积模型，计算适应度参数值；将反应个体适应度目标函数取为k个样本孔隙比的预测值与实测值均方根误差，最优参数解应使目标函数达到最小值：

k为样本数量，为样本j的实测孔隙比，E_j为样本j的模型预测孔隙比。

步骤5.4：采用轮盘赌选择方法，使适应度高的个体有更高概率进入下一代。

步骤5.5：将选出的个体交换基因，使差异度较高的基因片段有更大的交叉概率，产生新的参数组合。

步骤5.6：随机改变某个个体基因，将新的个体添加入新群体。

步骤5.7：控制演化代数作为标准控制进行迭代演化，完成后输出结果，否则转回步骤5.4步。

步骤5.8：将最优解参数带入颗粒堆积模型，获得堆石体填筑料最小孔隙比。

本发明所涉及的一种基于深度学习网络的堆石体填筑密实度快速检测方法包括以下五个实施步骤：首先设定试验料堆石体级配信息与试验料堆石体表面图像，形成规模较大的数据集；采用该数据集训练卷积神经网络模型直至误差收敛；通过无人机摄影，获得堆石坝碾压作业面的图像；通过卷积神经网络进行图像处理得到堆石体级配曲线特征参数；将卷积神经网络处理得到的堆石体级配信息带入颗粒堆积模型；得到当前无人机拍摄部位的堆石体密实度。采用少量的坑测法密实度检测结果，对颗粒堆积模型的参数进行反演分析调优。

以上实施例仅是对本发明技术方案所做的举例说明。本发明所涉及的一种基于深度学习网络的堆石体填筑密实度快速检测方法并不仅仅限定于在以上实施例中所描述的过程，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明所要求保护的范围内。

Claims (2)

1.一种基于深度学习网络的堆石体填筑密实度快速检测方法，其特征在于，包括以下步骤：

步骤1：建立包含堆石体表面图像与堆石体级配信息的深度学习数据集；

步骤2：构建卷积神经网络，构建卷积神经网络损失函数模型，通过深度学习数据集进行优化训练得到训练后深度学习模型；

步骤3：使用无人机航拍堆石坝碾压作业面，通过训练后卷积神经网络处理航拍图像，获得堆石体级配信息；

步骤4：根据不同粒径颗粒间的堆积方式，推导连续级配堆石体的颗粒堆积模型，预测堆石体的密实度；

步骤5：结合预测值与实测值对颗粒堆积模型进行进一步优化，通过遗传算法在参数空间寻找最优颗粒堆积模型参数；

步骤2所述卷积神经网络由输入层、卷积层、池化层、平坦层、全连接输出层依次串联级联构成；

所述输入层，将深度学习模型数据集中第m组颗粒级配下第n幅堆石体标准化处理后表面图像即data_a,b输入所述卷积层；

所述卷积层，包括卷积与激活两个部分，前者由多个卷积核构成，对深度学习模型数据集中第m组颗粒级配下第n幅堆石体标准化处理后表面图像，即data_a,b标准化图像，进行特征提取，得到多个图像通道；后者在卷积产生的多个图像通道上采用激活函数处理运算；

其中激活函数采用线性整流函数ReLU，当神经刺激大于临界值会接受刺激产生反应，定义输入端神经元经过变换以后的非线性输出向量结果；

表示对于输入数据x的权重矩阵运算；

B反应神经元容易被激活程度的偏差值；

卷积层运算后输出data_a,c标准化图像经过卷积激活处理的多通道变换特征图像至池化层；

池化层，对于data_a,c标准化图像的多通道变换特征图像进行缩减采样，采用averagepooling进行平均池化，对卷积后的图像局部像素信息进行进一步总结，缩减每个图像尺寸，得到缩减尺寸的data_a,c标准化图像的多通道变换特征图像；

同时，在池化层中引入dropout函数，其核心思想是在每次迭代中依概率去掉某些对应神经元，避免出现过度拟合现象；

将未被dropout舍弃的缩减尺寸的data_a,c标准化图像的多通道变换特征图像输入平坦层；

平坦层，将池化后的data_a,c标准化图像的多通道变换特征图像转换为一维向量；

输出平坦层转化后的一维向量到全连接层进行类神经网络处理；

全连接输出层，类神经网络进行处理，全连接层采用公式如下所示；

output＝σ(W·x+b)

上式中，x为二维灰度数组展开后的一维向量，W和b分别为输出层的权值矩阵和偏置值，σ为sigmoid激活函数；

输出得到的ouput为n的向量，向量中每一个指标均大于等于0小于等于1，因此需要对指标进行线性缩放到颗粒粒径的尺度；

线性缩放后得到对应百分比下的过筛粒径，具体如下：

建立关于数据集data_a,c(x,y)中m组颗粒级配下所有得到的和试验标签item_a中的的损失函数，如下所示；

a∈[1,M],i∈[1,P]计算模型预测误差，通过误差逆向传播方法和网络自动求导，对全连接输出层中网络参数W和b进行优化，降低网络预测误差直至训练收敛；

所述步骤4具体为：

将获得的堆石体级配特征参数等效划分若干粒径组，定义各组的等效粒径及相关参数，计算各个单一粒径组的局部孔隙比；

将粒径小于主体粒径的颗粒均作为填充颗粒，将粒径大于主体粒径的颗粒均作为嵌入颗粒，依次假定各个粒径组为整体中的主体粒径组，试算出现的整体密实度，其中的最大值即为能量耗散最小，最准确的密实度；

步骤4.1：对堆石体粒径组进行划分，将连续级配的堆石体等效为多元颗粒集合体，将其划分为若干粒径组，假定组内堆石颗粒粒径相同；

步骤4.2：粒径组分段点粒径从大到小依次为d₁,d₂,d₃…d_n,d_n+1，并满足：

将粒径小于d_m的颗粒质量占总质量比例记为ω_m，m＝1,2,…,n+1，0≤ω_m≤1；

步骤4.3：将每一段粒径范围内的堆石颗粒视为单一粒径组，以上下分段点粒径的几何平均值作为该段的等效粒径，第i，i＝1,2,…,n，粒径组颗粒的等效粒径为：

步骤4.4：第i粒径组堆石颗粒质量占总质量的比例记为y_i：

y_i＝(ω_i-ω_i+1)*100％

步骤4.5：颗粒堆积模型即是通过颗粒集合体的组成特征得到颗粒集合体的整体孔隙比；颗粒集合体的整体孔隙比e定义为：

式中V_v为颗粒集合体的孔隙体积，V_si为第i粒径组的颗粒体积；

步骤4.6：第i粒径组的孔隙体积V_vi确定后即可求得整体孔隙比；定义第i粒径组的局部孔隙比

步骤4.7：基于多元颗粒集合体的两种混合机制：由小颗粒填充大颗粒骨架的填充机制；由大颗粒嵌入小颗粒构成的骨架的嵌入机制；在多元颗粒集合体中二者往往同时存在；

当第j粒径组作为填充颗粒时，局部孔隙比的计算公式为：

当第j粒径组作为嵌入颗粒时，局部孔隙比的计算公式为：

a_j与b_j表示第j粒径组中将“填充系数”与“嵌入系数；

e_j表示第j粒径组自身孔隙比；

步骤4.8：在多元颗粒集合体中，存在某个自身孔隙e_j与其局部孔隙比相等的粒径组，将其视为主体粒径组，将粒径小于主体粒径的颗粒均作为填充颗粒，将粒径大于主体粒径的颗粒均作为嵌入颗粒，第i粒径组中得到颗粒集合体孔隙比Eⁱ的表达式：

上式右侧第一项对应各嵌入颗粒的粒径组，d_j>d_i；

第二项对应主体粒径组；

第三项对应各填充颗粒的粒径组，d_j<d_i；

与/>表示对应于主体粒径组为第i粒径组中将“填充系数”与“嵌入系数；

y_j与y_i表示对应第j粒径组与主体粒径组的体积分数；

步骤4.9：“填充系数”“嵌入系数”/>是粒径比的函数，计算公式如下：

d_j与d_i表示第j粒径组与主体粒径组的等效粒径；

p与s为与颗粒形状有关材料参数；

步骤4.10：在颗粒集合体中，每一粒径组对应粒径都可能成为主体粒径，即存在n个试算值，在考虑掺混过程中能量消耗最少的因素，发现对应出现的孔隙比试算结果e_i出现的概率最大；

e＝max(e_i)，i＝1，2，…，n

所述步骤5具体为：

步骤5.1：对于真实条件下的粗粒土，同一来源与种类的土粒其孔隙比与粒径变化呈现一定规律性，假定其关系为：

e＝αd^β

步骤5.2：颗粒堆积模型中待定参数p、s、α、β均与颗粒形状有关，采用参数优化算法通过反演获取其模型参数；采用遗传算法，先对种群初始化计算，在参数空间内搜索产生N组随机参数组合；

步骤5.3：将各组参数带入颗粒堆积模型，计算适应度参数值；将反应个体适应度目标函数取为k个样本孔隙比的预测值与实测值均方根误差，最优参数解使目标函数达到最小值：

k为样本数量，为样本q的实测孔隙比，E_q为样本q的模型预测孔隙比；

步骤5.4：采用轮盘赌选择方法，使适应度高的个体有更高概率进入下一代；

步骤5.5：将选出的个体交换基因，使差异度较高的基因片段有更大的交叉概率，产生新的参数组合；

步骤5.6：随机改变某个个体基因，将新的个体添加入新群体；

步骤5.7：控制演化代数作为标准控制进行迭代演化，完成后输出结果，否则转回步骤5.4步；

步骤5.8：将最优解参数带入颗粒堆积模型，获得堆石体填筑料最小孔隙比。

2.根据权利要求1所述的基于深度学习网络的堆石体填筑密实度快速检测方法，其特征在于，

所述步骤1具体为：

步骤1.1，对试验堆石料过筛，设定给定堆石料的颗粒级配信息,level_i％表示第m组试样中，小于粒径为的颗粒质量累计百分含量，/>

步骤1.2，倒入一个足够大的箱体内，模拟现场堆石体的填筑碾压过程，拍摄堆石体表面的图像，多次重复碾压拍照，获得同一堆石体的N张堆石体表面的图像；

步骤1.3，改变堆石料的级配，重复步骤1.1-1.2；

依次将拍摄的不同级配堆石体的表面照片利用MATLAB将RGB图像或彩色图转换为灰度图像，并进一步将灰度图像进行线性标准化处理，将图像灰度值按标准缩放至0-1，得到标准化图像；

步骤1.4，在标准化图像中按照一定比例随机划分为深度学习模型的训练集和测试集；

所述深度学习模型数据集为：

data_m，n(x，y)

其中，data_m,n(x,y)为第m组颗粒级配下第n幅堆石体标准化处理后表面图像中第x行第y列的像素，M为颗粒级配的组数，N为同组堆石体表面像的数目，K为堆石体表面标准化图像的行数，L为堆石体表面标准化图像的列数,m为第m组颗粒级配,P为实验者拟定的特征点数目，质量分数取值level_i％表示第m组颗粒级配下粒径尺寸小于的颗粒质量分数，为第m组颗粒级配下质量分数为level_i％时对应的粒径尺寸，item_m表示第m组颗粒级配下的标签。