基于卷积神经网络的粗粒土填料级配识别方法及应用系统

摘要

本发明涉及基于卷积神经网络的粗粒土填料级配识别方法及应用系统，构建第一神经网络和若干第二神经网络；采集现场的填料图像，采用第一神经网络输出粒径范围的分类结果；将填料图像及分类结果输入到对应粒径范围的第二神经网络，获得各单一粒径范围粗粒土的质量；统计各种粒径范围粗粒土的质量分布，获得级配及级配曲线。本发明通过第一神经网络获得粒径范围，通过对应的第二神经网络获得单一粒径组的总质量，提升了质量计算的准确性，进而保证了级配计算的准确性。多个第二神经网络并行处理，保证了第二神经网络训练效率和现场处理效率。自动化程度高，无需复杂的图像处理算法，无需人工干预，不依赖操作人员的经验，环境适应性强，精度高。

权利要求

1.一种基于卷积神经网络的粗粒土填料级配自动识别方法，其特征在于，包括：采集包含各种粒径的粗粒土颗粒的填料图像，并标注粒径范围，形成第一样本库；以包含单一粒径范围的粗粒土颗粒的填料图像并标注质量作为样本，构建包含各种粒径范围样本的第二样本库；

构建第一神经网络并采用第一样本库中的样本训练；

构建若干第二神经网络分别采用第二样本库中不同粒径范围的粗粒土颗粒的填料图像作为样本进行训练；

通过统计模块的概率统计算法，统计各种粒径范围粗粒土的质量分布，输出级配及级配曲线；

将第一神经网络、第二神经网络、统计模块一并封装成能够独立运行的程序；

采集路基填筑碾压施工现场的填料图像，经封装后的第一神经网络处理后输出颗粒的粒径范围分类结果，将施工现场的填料图像以及粒径范围的分类结果输入到对应粒径范围封装后的第二神经网络，获得施工现场的填料图像中不同的粒径范围信息及其对应的粗粒土的颗粒质量；封装后的统计模块输出级配及级配曲线；

所述第二样本库为人为配制多组只含有一种粒径范围颗粒的粗粒土填料，在不同位置、不同角度拍摄获得。

2.根据权利要求1所述的基于卷积神经网络的粗粒土填料级配自动识别方法，其特征在于，第一神经网络包括三个卷积层、三个全连接层及分类器；前两个卷积层均经过修正的线性单元或ReLU来删除负值，再经过最大池化层进行降采样；前两个全连接层采用ReLU来删除负值，最终通过分类器输出粒径范围的分类结果。

3.根据权利要求1所述的基于卷积神经网络的粗粒土填料级配自动识别方法，其特征在于，第一神经网络的训练包括：(1)第一样本库选择训练图像、验证图像和测试图像；输入训练图像；

(2)初始化第一神经网络中的参数；

(3)进行一轮训练；

(4)判断误差等级是否被接受，如果被接受，则输出训练模型；如果不被接受，则进入步骤(5)；

(5)设置迭代次数为0；

(6)判断迭代次数是否为到达最大迭代次数，如果没有，则进入步骤(7)；如果到达，则使用验证图像进行验证，返回步骤(4)；

(7)将测试图像输入到第一神经网络，第一神经网络输出结果，计算输出误差，提高测试图片的清晰度或对测试图片去噪，将迭代次数加1，返回步骤(6)。

4.根据权利要求1或2所述的基于卷积神经网络的粗粒土填料级配自动识别方法，其特征在于，第二神经网络包括三个卷积层和三个全连接层；前两个卷积层均经过修正的线性单元或ReLU来删除负值，再经过最大池化层进行降采样；前两个全连接层采用ReLU来删除负值，输出通过分类器输出质量。

5.根据权利要求4所述的基于卷积神经网络的粗粒土填料级配自动识别方法，其特征在于，第二神经网络的训练包括：(1)从第二样本库中选择同一种粒径范围的图像作为训练图像、验证图像和测试图像；

输入训练图像；

(2)初始化第二神经网络中的参数；

(3)进行一轮训练；

(4)判断误差等级是否被接受，即输出粒径质量误差是否被接受，如果被接受，则输出训练模型结束训练；如果不被接受，则进入步骤(5)；

(5)设置迭代次数为0；

(6)判断迭代次数是否为到达最大迭代次数，如果没有，则进入步骤(7)；如果到达，则使用验证图像进行验证，返回步骤(4)；

(7)将测试图像输入到第二神经网络，第二经网络输出结果，计算输出误差，提高测试图片的清晰度或对测试图片去噪，将迭代次数加1，返回步骤(6)。

6.一种基于卷积神经网络的粗粒土填料级配识别系统，其特征在于，包括采集模块、第一神经网络模块、若干第二神经网络模块和统计模块；

采集模块采集施工现场的填料图像；

第一神经网络模块基于采集施工现场的填料图像输出不同粒径范围的分类结果，将计算获得的粒径范围以及施工现场的填料图像输入到对应粒径范围的第二神经网络模块；

各个第二神经网络模块输出所输入的施工现场的填料图像中粗粒土颗粒的粒径信息及质量；

统计模块统计各个第二神经网络模块输出的颗粒粒径信息及质量，获得各种粒径范围内粗粒土颗粒的质量分布，输出级配及级配曲线；

所述第一神经网络模块内置第一神经网络；采集包含各种粒径范围的粗粒土颗粒的填料图像，并标注粒径范围，形成第一样本库；所述第一神经网络采用第一样本库中的样本训练获得；

所述第二神经网络模块内置第二神经网络；以包含单一粒径范围的粗粒土颗粒的填料图像作为样本，构建包含各种粒径范围样本的第二样本库；各个第二神经网络分别采用第二样本库中不同粒径范围的粗粒土颗粒的填料图像作为的样本进行训练获得。

7.根据权利要求6所述的基于卷积神经网络的粗粒土填料级配识别系统，其特征在于，第一神经网络包括三个卷积层、三个全连接层及分类器；前两个卷积层均经过修正的线性单元或ReLU来删除负值，再经过最大池化层进行降采样；前两个全连接层采用ReLU来删除负值，最终通过分类器输出粒径范围的分类结果；

第二神经网络包括三个卷积层和三个全连接层，前两个卷积层均经过修正的线性单元或ReLU来删除负值，再经过最大池化层进行降采样；前两个全连接层采用ReLU来删除负值，输出通过分类器输出质量。

说明书

基于卷积神经网络的粗粒土填料级配识别方法及应用系统

技术领域

[0001] 本发明涉及粗粒土路基填筑碾压施工及其质量控制技术领域，尤其涉及基于卷积神经网络的粗粒土填料级配识别方法及应用系统。

背景技术

[0002] 粗粒土填料作为铁路道床和路基的重要组成部分，是由大小不等的粗细颗粒组成，颗粒粒径范围较大，粗细颗粒特性差异较大，一般为单粒结构，小颗粒填补了大颗粒所形成的空隙，级配良好的粗粒土比级配不良的粗粒土密实度更高，在填筑碾压施工时也更容易被压实。粗粒土的级配较大地影响着铁路道床和路基的强度、稳定性、变形性和耐久性等服役性能。随着铁路运输业的快速发展，铁路基础设施的建造、运营管理、养护维修等方面越来越趋于智能化，级配作为粗粒土填料的重要物理指标，长期以来主要依赖人工或机械筛分方法加以确定，随着铁路路基在填筑过程中逐渐引入智能碾压技术和设备，如何实时、快速、智能、高效、准确地识别碾压前后粗粒土填料的级配并用于预测其模量、阻尼等力学参数，以便填筑施工时实时、智能、准确地评价碾压质量，是智能碾压填筑技术的关键。

[0003] 目前粗颗粒土级配主要采用筛分法确定，根据规范给定的筛孔大小及其组合，对需要确定级配的粗粒土进行筛分，依据留在各个筛孔上的颗粒质量比确定该粗粒土的级配曲线。尽管这种方法技术成熟、应用广泛、操作简单，但该方法比较耗时、效率低，而且需对粗粒土进行采样筛分，筛分过程中粗颗粒的磨耗、破碎以及筛孔的变形可改变粗粒土的原始级配。人工或机械筛分时，将填料按筛孔大小顺序逐个过筛，需使填料在筛面上同时有水平及竖直方向的连续振动，使小于筛孔尺寸的填料颗粒通过筛孔，直至1min内通过筛孔的质量小于筛面上残余质量的0.1%为止。当采用摇筛机筛分时，应在摇筛机筛分后再由人工逐个补筛，将筛出通过的颗粒并入下一号筛，和下一号筛中的试样一起过筛，顺序进行直到各号筛全部筛完为止。应确认1min内通过筛孔的质量确实小于筛上残余量的0.1%，称取每个筛上的筛余量，精确至总质量的0.1%，分计筛余百分率精确至0.1%，累计筛余百分率精确至0.1%，各号筛的通过百分率精确至0.1%。根据各筛孔的累积通过百分率绘制级配图以确定粗颗粒土的级配。筛分法主要有以下缺点：

[0004] （1）常规筛分试验需要采集现场不同位置处的土样进行试验，会破坏现场土体的完整性及工作状态，且耗时费力，因此不能实现铁路路基智能碾压期间的粗颗粒土级配的实时、快速、高效和智能识别。

[0005] （2）筛分试验耗时较长，效率较低，不能实现智能、自动和快速的识别和分析。

[0006] （3）筛分的过程中，由于振筛机的振动，会造成部分粗颗粒的破碎进而影响结果的精确性。

[0007] （4）筛孔在长时间的使用过程中会发生一定程度的变形，造成试验误差。

[0008] 随着技术的不断发展，也出现了一些基于数字图像识别的填料级配确定方法。以Wipfrag软件为代表的图像分析法通常用于测定碎石的粒径大小，最终直接输出级配曲线，该软件可以得到精确度较低的结果。精度较低的主要原因是较多的细颗粒土的存在对粗颗粒土的分析造成了一定的干扰。ImageJ软件也可以进行图像分割，然后利用Excel计算每个颗粒的粒径大小，但其结果的精度也较低，主要是由于图像分割有较大的误差。另外，级配曲线所描述的是颗粒粒径与颗粒质量之间的关系，而图像分析获得的是颗粒粒径或颗粒二维面积与颗粒个数之间的直接关系，如何实现这两种关系之间的转换，仍待解决。

发明内容

[0009] 针对目前级配确定存在耗时长、扰动现场状态、需要人工干预等问题，提出了基于深度学习卷积神经网络的粗粒土填料级配识别方法及应用系统，通过获取一定数量的图像样本进行训练，经过较大样本库的训练后，完成卷积神经网络（CNN）的建立，并将其应用于铁路路基的智能碾压填筑施工现场，实时、快速、智能、高效、准确地识别路基填筑碾压前后粗粒土填料的级配，实时评价智能碾压填筑的质量。

[0010] 为达到上述目的，本发明提供了一种基于卷积神经网络的粗粒土填料级配自动识别方法，包括：

[0011] 采集包含各种粒径的粗粒土颗粒的填料图像，并标注粒径范围，形成第一样本库；以包含单一粒径范围的粗粒土颗粒的填料图像并标注质量作为样本，构建包含各种粒径范围样本的第二样本库；

[0012] 构建第一神经网络并采用第一样本库中的样本训练；

[0013] 构建若干第二神经网络分别采用第二样本库中不同粒径范围的粗粒土颗粒的填料图像作为样本进行训练；

[0014] 通过统计模块的概率统计算法，统计各种粒径范围粗粒土的质量分布，输出级配及级配曲线；

[0015] 将第一神经网络、第二神经网络、统计模块一并封装成能够独立运行的程序；

[0016] 采集路基填筑碾压施工现场的填料图像，经封装后的第一神经网络处理后输出颗粒的粒径范围分类结果，将施工现场的填料图像以及粒径范围的分类结果输入到对应粒径范围封装后的第二神经网络，获得施工现场的填料图像中不同的粒径范围信息及其对应的粗粒土的颗粒质量；封装后的统计模块输出级配及级配曲线。

[0017] 进一步地，所述第二样本库为人为配制多组只含有一种粒径范围颗粒的粗粒土填料，在不同位置、不同角度拍摄获得。

[0018] 进一步地，第一神经网络包括三个卷积层、三个全连接层及分类器；前两个卷积层均经过修正的线性单元或ReLU来删除负值，再经过最大池化层进行降采样；前两个全连接层采用ReLU来删除负值，最终通过分类器输出粒径范围的分类结果。

[0019] 进一步地，第一神经网络的训练包括：

[0020] （1）第一样本库选择训练图像、验证图像和测试图像；输入训练图像；

[0021] （2）初始化第一神经网络中的参数；

[0022] （3）进行一轮训练；

[0023] （4）判断误差等级是否被接受，如果被接受，则输出训练模型；如果不被接受，则进入步骤（5）；

[0024] （5）设置迭代次数为0；

[0025] （6）判断迭代次数是否为到达最大迭代次数，如果没有，则进入步骤（7）；如果到达，则使用验证图像进行验证，返回步骤（4）；

[0026] （7）将测试图像输入到第一神经网络，第一神经网络输出结果，计算输出误差，提高测试图片的清晰度或对测试图片去噪，将迭代次数加1，返回步骤（6）。

[0027] 进一步地，第二神经网络包括三个卷积层和三个全连接层；前两个卷积层均经过修正的线性单元或ReLU来删除负值，再经过最大池化层进行降采样；前两个全连接层采用ReLU来删除负值，输出通过分类器输出质量。

[0028] 进一步地，第二神经网络的训练包括：

[0029] （1）从第二样本库中选择同一种粒径范围的图像作为训练图像、验证图像和测试图像；输入训练图像；

[0030] （2）初始化第二神经网络中的参数；

[0031] （3）进行一轮训练；

[0032] （4）判断误差等级是否被接受，即输出粒径质量误差是否被接受，如果被接受，则输出训练模型结束训练；如果不被接受，则进入步骤（5）；

[0033] （5）设置迭代次数为0；

[0034] （6）判断迭代次数是否为到达最大迭代次数，如果没有，则进入步骤（7）；如果到达，则使用验证图像进行验证，返回步骤（4）；

[0035] （7）将测试图像输入到第二神经网络，第二经网络输出结果，计算输出误差，提高测试图片的清晰度或对测试图片去噪，将迭代次数加1，返回步骤（6）。

[0036] 本发明另一方面提供一种基于卷积神经网络粗粒土填料级配识别系统，包括采集模块、第一神经网络模块、若干第二神经网络模块和统计模块；

[0037] 采集模块采集施工现场的填料图像；

[0038] 第一神经网络模块基于采集施工现场的填料图像输出不同粒径范围的分类结果，将计算获得的粒径范围以及施工现场的填料图像输入到对应粒径范围的第二神经网络模块；

[0039] 各个第二神经网络模块输出所输入的施工现场的填料图像中粗粒土颗粒的粒径信息及质量；

[0040] 统计模块统计各个第二神经网络模块输出的颗粒粒径信息及质量，获得各种粒径范围内粗粒土颗粒的质量分布，输出级配及级配曲线。

[0041] 进一步地，所述第一神经网络模块内置第一神经网络；采集包含各种粒径范围的粗粒土颗粒的填料图像，并标注粒径范围，形成第一样本库；所述第一神经网络采用第一样本库中的样本训练获得。

[0042] 进一步地，所述第二神经网络模块内置第二神经网络；以包含单一粒径范围的粗粒土颗粒的填料图像作为样本，构建包含各种粒径范围样本的第二样本库；各个第二神经网络分别采用第二样本库中不同粒径范围的粗粒土颗粒的填料图像作为的样本进行训练获得。

[0043] 进一步地，第一神经网络包括三个卷积层、三个全连接层及分类器；前两个卷积层均经过修正的线性单元或ReLU来删除负值，再经过最大池化层进行降采样；前两个全连接层采用ReLU来删除负值，最终通过分类器输出粒径范围的分类结果；

[0044] 第二神经网络包括三个卷积层和三个全连接层，前两个卷积层均经过修正的线性单元或ReLU来删除负值，再经过最大池化层进行降采样；前两个全连接层采用ReLU来删除负值，输出通过分类器输出质量。

[0045] 本发明的上述技术方案具有如下有益的技术效果：

[0046] （1）本发明通过第一神经网络获得所述粗粒土填料图像中颗粒的粒径范围，通过对应的第二神经网络获得各粒径范围内颗粒的质量，提升了质量计算的准确性，进而保证了级配计算的准确性。多个第二神经网络并行处理，保证了第二神经网络训练效率和现场处理效率。

[0047] （2）本发明的基于深度学习卷积神经网络的粗粒土填料级配识别方法及应用系统适应性强，最初的建模过程，可能需要一定的时间和精力，然而，一旦初始训练完成，就可以使用迁移学习来完善模型，以适应可能具有与原始训练场景有些不同特征的条件。

[0048] （3）本发明的基于深度学习卷积神经网络的粗粒土填料级配识别方法及应用系统,识别效率高，在现场处理图像速度快。根据初步研究结果，对现场图像进行分析和分类应该不会超过几秒钟，可以实现级配的实时快速识别。该方法可以以本地化或分布式模式（或两者）部署。只需适度的计算能力即可将训练完善的模型应用于路基填筑碾压施工现场所采集的填料图像。因此，级配识别可以通过安装在现场碾压设备上的系统即时计算，也可以将图像发送到集中式或云端系统进行处理。

[0049] （4）自动化程度高，其他经典的图像处理方法，如目标检测等，通常涉及到人-人或人-机交互作用。当程序实现时，本发明提出的系统将是完全自动的，无需人工干预。

[0050] （5）本发明基于拍摄的图像和深度学习卷积神经网络架构及其参数进行神经网络的建立及训练，最终获取级配识别模型，并可在现场的应用中实现样本库的进一步扩大，进而实现模型的不断验证及完善。可以进一步增大级配类别的范围而提高模型的精确度，随着训练次数的增加计算速度也会进一步提高。

附图说明

[0051] 图1是第一神经网络架构；

[0052] 图2是第二神经网络架构；

[0053] 图3为第一神经网络训练流程示意图；

[0054] 图4为第一、第二神经网络工作示意图；

[0055] 图5为实施例中第一、第二神经网络训练、处理流程。

具体实施方式

[0056] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

[0057] 本发明提供一种基于深度学习卷积神经网络的粗粒土路基填料级配识别方法，用于评估粗粒土填料尺寸分布（级配）。

[0058] 一、构建训练样本库

[0059] 从不同的角度、位置等拍摄同一级配的粗粒土填料，采集不同粒径的粗粒土填料图像；按照不同角度拍摄各种级配下的粗粒土填料组合的图像，形成覆盖各种不同尺寸、不同角度、不同级配组合的粗粒土填料图像库。同一图像的不同部分也可以分割为多个子图像样本；并对各种粒径的粗粒土颗粒的填料图像中按照粒径范围进行标注形成第一样本库。人为配制只含有一种粒径组的粗粒土填料，按照不同角度拍摄各种粒径下的粗粒土填料图像，形成覆盖各种不同尺寸不同角度、不同粒径组的粗粒土填料图像库，并对各个粒径组的粗粒土颗粒的填料图像的质量进行标注，形成第二样本库。

[0060] 二、构建第一神经网络并训练

[0061] 结合图1，采用三个卷积层进行特征提取，前两个卷积层后面是一个经过修正的线性单元或ReLU来删除负值，最大池化层(Pooling layer)总结通过每一步卷积发现的特性，在三个卷积层之后有三个全连接层，前两个全连接层采用ReLU来删除负值。最终通过分类器输出粒径范围的分类结果。

[0062] 第一神经网络的输入为（灰度为32*32）采集的填料图像，通过第一神经网络辨识图像中的粒径范围，输出图像中的粒径范围。

[0063] 采用第一样本库中的样本进行训练，结合图3，训练的流程包括：

[0064] （1）第一样本库包括训练图像、验证图像和测试图像，其比例为7:2:1；输入训练图像；

[0065] （2）初始化第一神经网络中的参数；

[0066] （3）进行第一轮训练；在第一轮训练过程中采用模型设置的初始参数进行迭代计算，并进行第一次对比验证；

[0067] （4）判断误差等级是否被接受，即粒径的范围判断结果是否被接受，如果被接受，则输出训练模型并结束训练；如果不被接受，则进入步骤（5）；

[0068] （5）调整训练参数，并将迭代次数设置为0；这里所提到的模型参数不仅包括卷积神经网络(CNN)架构（例如层数、大小和在每一层的内核数量等），也包括在训练过程中用来测量误差的损失函数、学习速率参数，还包括输入图像在网络训练之前的灰度转换和去噪等简单处理。可以通过增大或者减小这些参数来实现调整。

[0069] （6）判断迭代次数是否为到达最大迭代次数，如果没有，则进入步骤（7）；如果到达，则使用验证图像进行验证，返回步骤（4）；

[0070] （7）将测试图像输入第一神经网络并输出结果，计算输出误差，调整图片质量，将迭代次数加1，返回步骤（6）。

[0071] 调整图片质量主要是对像素、噪声等进行处理，虽无需涉及复杂的图像处理算法和技术，但可使神经网络对图像的识别能够更加精准。

[0072] 训练后获得满足误差要求的第一神经网络，对第一样本库中的样本进行粒径范围的分类，在现场应用时，对现场采集的填料图像进行粒径范围的分类和划分。

[0073] 为了获得准确度较高的机器学习结果，图像样本的数量必须足够大。初期探索过程中，使用了200张源图像(大约3600 x 2400分辨率)来进行每个层次的分析，从中提取了大约8000张子图像作为第一样本库。

[0074] 针对每个级配类别随机保留一定百分比的图像样本进行验证，目前本方案建议训练图像、验证图像和测试图像比例为7:2:1。

[0075] 三、构建第二神经网络并训练

[0076] 图2为本发明第二神经网络的神经网络架构。该架构是一个有三个卷积层的相对简单的体系结构，前两个层后面是一个经过修正的线性单元或ReLU来删除负值，最大池化层(Pooling layer)总结通过每一步卷积发现的特性，在卷积层之后有三个全连接层。最终输出颗粒的总质量。模型的输入是一个像素为32x32的灰度图像，输出为与图像中粗粒土颗粒的质量；

[0077] 第二神经网络为多个，每个模型对应一种粒径范围，针对一种粒径范围的图像进行识别。

[0078] 人为配制只含有一种粒径组颗粒的粗粒土，采用高清相机在不同位置、不同角度拍摄多组照片。各个粒径组都需配制一定数量的样本，人工标注质量。

[0079] 每种粒径范围的第二神经网络分别通过样本进行训练，训练过程相同，包括：

[0080] （1）从第二样本库中选择一种粒径范围的图像作为训练图像、验证图像和测试图像；比例为7:2:1；输入训练图像；

[0081] （2）初始化第二神经网络中的参数；

[0082] （3）进行一轮训练；

[0083] （4）判断误差等级是否被接受，即输出粒径质量误差是否被接受，如果被接受，则输出训练模型结束训练；如果不被接受，则进入步骤（5）；

[0084] （5）调整训练参数，设置迭代次数为0；

[0085] （6）判断迭代次数是否为到达最大迭代次数，如果没有，则进入步骤（7）；如果到达，则使用验证图像进行验证，返回步骤（4）；

[0086] （7）将测试图像输入到第二神经网络，第二经网络输出结果，计算输出误差，调整图片质量，将迭代次数加1，返回步骤（6）。

[0087] 在一个实施例中，质量是在训练阶段用作输入信息，通过输入的质量信息，根据重度的换算可以得知该粒径组颗粒的体积，假定颗粒的第三个尺寸为该粒径组最大粒径与最小粒径之和的一半，第二神经网络可以进一步计算出该粒径组颗粒的面积，进而求得颗粒面积占图像面积的比例。根据这些训练信息，在验证及应用过程中，第二神经网络通过输入的图像可以识别出单个粒径范围组在混合粒径图像中的面积，然后通过颗粒面积占比算出单个粒径范围的颗粒面积，再换算出体积以及质量，并输出所述粒径组颗粒的粒径信息和质量。

[0088] 在另一实施例中，第二样本库中并不标注质量，而是通过第二神经网络计算获得。

[0089] 具体的操作过程为：

[0090] 将只含有单一粒径范围的粗颗粒填料图像输入神经网络，神经网络采用一系列的圆形模板对图像中的颗粒进行拟合，模板的直径大致等于颗粒长轴与短轴均值时认为拟合成功。当圆形模板到达与其拟合成功的颗粒中心位置时停留在该位置，神经网络采用下一个圆形模板对图像中的其余颗粒进行拟合，拟合会自动越过已经拟合完成的颗粒，直至能够识别的颗粒被全部拟合时拟合过程结束。

[0091] 通过计算拟合圆形的面积算出所有颗粒的总面积，假定颗粒的第三个尺寸为该粒径组最大粒径与最小粒径之和的一半，进而求得颗粒的总体积，采用重度计算该图像中颗粒的总质量。

[0092] 四、统计模块

[0093] 根据各个第二神经网络输出的质量，获得各种粒径的质量分布，即级配，绘制质量随粒径的变化曲线，即级配曲线。

[0094] 级配计算采用嵌入算法，例如深度学习中的概率统计算法。

[0095] 利用第二神经神经网络计算各粒径组颗粒的质量，并计算出各粒径组颗粒质量的占比。

[0096] 通过各粒径组颗粒质量占比的统计，输出级配信息及级配曲线。

[0097] 结合图5，在一个实施例中粒径分为n组，4.75-9.5 mm,9.5-19 mm,19-22.4mm，22.4-30mm…第一神经网络，识别图像的粒径范围为4.75-22.4mm，将原始图像分别输出给粒径范围所对应的第二神经网络，也就是图5中的4.75-9.4mm,9.5-19mm,19-22.4mm三个第二神经网络。第二神经网络分析获得每种粒径范围的质量并输出。由统计模块统计后获得级配和级配曲线。

[0098] 使用两种级配类别（它们的颗粒分布非常相似）进行训练，该模型获得的最佳准确率可以达到93%，已经进行了大约12000张图像的训练和以及3000张图像的验证，随着样本容量的进一步增加，该模型的准确率将会进一步提高。实际使用过程中，可以根据需要选择一定数量的级配曲线并配置填料样本，获取图像并用于训练神经网络。

[0099] 五、模型导出

[0100] 将经过训练之后满足精度要求的，第一神经网络、若干第二神经网络以及统计模块导出封装，并用于现场分析中。

[0101] 六、基于卷积神经网络的粗粒土路基填料级配识别系统

[0102] 基于卷积神经网络的粗粒土路基填料级配识别系统包括采集模块、第一神经网络模块、若干第二神经网络模块和统计模块，结合图4。

[0103] 所述采集模块获取智能碾压设备工作前后压实填料的图像；

[0104] 第一神经网络模块输出的粒径范围的分类结果，用每组单个粒径范围刺激并调用对应粒径的第二神经网络模块；

[0105] 第二神经网络模块输出该粒径的粗粒土颗粒的粒径信息及质量；

[0106] 统计模块统计各个第二神经网络输出的颗粒粒径信息及质量，获得各种粒径内粗粒土颗粒的质量分布，即级配，绘制质量随粒径的变化曲线，即级配曲线。

[0107] 还可以包括通讯模块将结果发送给实验员，或者现场设备可通过无线网络获取和发送图像，分析过程也可以基于服务器实现实时自动化处理。

[0108] 通过模型计算分析不同压实阶段的级配信息。与真实的级配类别进行对比，若误差满足要求则输出分析结果，若不满足要求则返回CNN网络的训练过程，重新进行训练以提高准确度，直至模型能以较高的准确度分析计算出不同压实过程中的级配信息。

[0109] 现场主要应用该模型，若得出的结果误差过大时，再进行训练，实现模型优化。

[0110] 深度学习的最新发展在土木工程和铁路工程界引起了极大的反响，但是该领域的研究仍处于早期阶段。大多数已发表的论文和已申报的专利都描述了在现实环境中不容易应用的实验室研究。一个问题是，创建大量标记的训练数据耗费巨大，本发明提出的方法在受控条件下容易识别特定的颗粒级配。要获得一个级配的200幅图像，只需要一两个小时。现代数码相机的高分辨率和大尺寸图像意味着可以从一张照片中提取几十个子集。此外，机器学习框架通常为数据扩充提供便利，并可以通过对原始数据的各种转换生成新的训练图像。

[0111] 训练模型是一个缓慢的过程，但该方法将学习与应用分离开来。同时，采用所谓的转移学习方法，该方法以受过训练的模型为起点，然后学习渐进式改进。在现场运行期间，可以有效地优化模型。已经训练好的模型可以快速和便捷地采用新的图像库进行持续训练并不断提高准确度和扩大应用范围，训练过程无需从头再来。

[0112] 综上所述，本发明涉及基于卷积神经网络的粗粒土填料级配识别方法及应用系统，构建第一神经网络和若干第二神经网络；采集现场的填料图像，采用第一神经网络输出的粒径范围的分类结果；将原始图像以及粒径范围输入到对应粒径范围的第二神经网络，获得现场的输入该组图像中粗粒土的质量；统计各种粒径范围粗粒土的质量分布，获得级配及级配曲线。本发明通过第一神经网络获得粒径范围，通过对应的第二神经网络获得该粒径的质量，提升了质量计算的准确性，进而保证了级配计算的准确性。多个第二神经网络并行处理，保证了第二神经网络训练效率和现场处理效率。自动化程度高，无需复杂的图像处理算法，无需人工干预，不依赖操作人员的经验，环境适应性强，精度高。

[0113] 应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。