基于全卷積網(wǎng)絡(luò)的砂石圖像粒徑檢測(cè)

朱大慶，曹 國(guó)

(南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，江蘇 南京 210094)

0 引 言

近年來(lái)，隨著土木工程產(chǎn)業(yè)的快速發(fā)展，國(guó)內(nèi)外各類建筑行業(yè)對(duì)砂石的需求量不斷增多，從高樓建筑到高速公路建造均對(duì)砂石粒徑有一定的規(guī)格要求。不同粒徑的碎石按照一定比例混合起來(lái)，達(dá)到符合要求的密實(shí)度，則稱這些碎石為級(jí)配碎石[1]。在對(duì)不同粒徑大小的砂石進(jìn)行混合之前，首先要做的是要獲得砂石的粒徑大小。因此，良好的砂石粒徑檢測(cè)方法對(duì)后期的砂石混合精確度起著至關(guān)重要的影響，也對(duì)鋪設(shè)的高速公路質(zhì)量以及樓房質(zhì)量有著決定性的影響[2]。傳統(tǒng)的砂石粒徑檢測(cè)方法是通過(guò)人工抽樣進(jìn)行檢測(cè)，耗時(shí)費(fèi)力；或者是通過(guò)工業(yè)砂石篩分機(jī)[3]進(jìn)行篩分，獲得的結(jié)果較為粗略，并不能獲得砂石粒徑的精確大小數(shù)據(jù)，因此會(huì)影響后期的砂石級(jí)配的精度。

除了使用上述人工或者工業(yè)砂石篩分機(jī)方法，也可以從計(jì)算機(jī)視覺(jué)的角度出發(fā)，利用傳統(tǒng)的圖像分割技術(shù)對(duì)砂石圖像進(jìn)行砂石目標(biāo)分割，然后計(jì)算砂石的粒徑大小。傳統(tǒng)的圖像分割方法主要有基于閾值的分割方法[4]、基于區(qū)域的分割方法[5]以及基于邊緣的分割方法[6]等。閾值分割方法適用于分割目標(biāo)與背景像素差異較大的圖像，而本文處理的砂石圖像，砂石目標(biāo)互相遮擋，被遮蓋的砂石目標(biāo)成為了表面砂石目標(biāo)的背景，因此前景與背景的差異很小，所以無(wú)法選定一個(gè)合適的閾值將砂石目標(biāo)準(zhǔn)確地分割開(kāi)來(lái)。分水嶺分割方法是常見(jiàn)的區(qū)域分割方法，由于砂石緊密粘連，不符合目標(biāo)區(qū)域封閉且獨(dú)立的條件，因此該類分割方法對(duì)于砂石圖像的分割效果也較差?；谶吘壍姆指罘椒ㄍㄟ^(guò)邊緣像素與背景像素間的梯度差異來(lái)解決分割問(wèn)題，對(duì)于緊密粘連的砂石，無(wú)法獲得魯棒的邊緣線，因此無(wú)法進(jìn)行后續(xù)的砂石粒徑計(jì)算操作。

傳統(tǒng)圖像分割方法可以適用于常見(jiàn)的普通圖像分割任務(wù)，但對(duì)緊密相連的復(fù)雜砂石圖像分割效果均不理想。為此，本文從深度學(xué)習(xí)角度出發(fā)，使用基于全卷積網(wǎng)絡(luò)的分割模型對(duì)砂石圖像進(jìn)行分割，獲得更好的分割效果。目前在深度學(xué)習(xí)領(lǐng)域可以對(duì)圖像進(jìn)行目標(biāo)分割的方法中，主要是基于語(yǔ)義分割的全卷積網(wǎng)絡(luò)(FCN)[7]以及在其基礎(chǔ)上發(fā)展的醫(yī)學(xué)圖像領(lǐng)域的U型網(wǎng)絡(luò)(U-Net)[8]等。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)能夠?qū)D片進(jìn)行分類[9-13]，而FCN可以對(duì)圖像進(jìn)行像素級(jí)的分類，解決了語(yǔ)義級(jí)別的圖像分割(Semantic Segmentation)問(wèn)題。通常CNN網(wǎng)絡(luò)在卷積層之后會(huì)接上若干個(gè)全連接層(Fully connected layer)，將卷積層產(chǎn)生的特征圖映射成一個(gè)固定長(zhǎng)度的特征向量。而全卷積網(wǎng)絡(luò)與CNN不同，F(xiàn)CN把CNN最后的全連接層換成卷積層，輸出的是一張標(biāo)記好的圖片。除了全連接層，使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行語(yǔ)義分割存在的一個(gè)問(wèn)題是池化層(Pooling layer)的存在造成了像素位置信息的丟失，但是，語(yǔ)義分割又需要保留像素的位置信息。為了解決這一問(wèn)題，在醫(yī)學(xué)圖像分割領(lǐng)域，出現(xiàn)了一種基于編碼器-解碼器結(jié)構(gòu)的U-Net網(wǎng)絡(luò)。U-Net約有20個(gè)卷積層，4個(gè)下采樣，4個(gè)上采樣，整個(gè)網(wǎng)絡(luò)沒(méi)有全連接層，只有卷積和上下采樣，網(wǎng)絡(luò)形狀似U型，故得名U型網(wǎng)絡(luò)。FCN可以對(duì)常見(jiàn)的圖像目標(biāo)進(jìn)行語(yǔ)義分割，U-Net可以對(duì)醫(yī)學(xué)圖像進(jìn)行分割，然而，對(duì)于本文研究的砂石目標(biāo)，由于其體積微小、緊密粘連且存在相互遮擋，所以現(xiàn)如今的FCN、U-Net等分割模型在砂石圖像的目標(biāo)分割任務(wù)上，效果并不令人滿意。

本文通過(guò)兩階段深度學(xué)習(xí)網(wǎng)絡(luò)模型(分割模型、分離模型)進(jìn)行砂石目標(biāo)的分割和分離，可以將砂石目標(biāo)很好地分割開(kāi)，得到每個(gè)獨(dú)立的砂石目標(biāo)，提升了計(jì)算砂石粒徑大小的精度。

1 方法過(guò)程總述

本文最終目的為獲得砂石粒徑大小，在粒徑計(jì)算之前，首先要做的是將砂石目標(biāo)分割開(kāi)來(lái)，所以實(shí)驗(yàn)過(guò)程總體上分為2個(gè)部分：砂石分割和粒徑計(jì)算。

對(duì)于砂石分割部分，首先構(gòu)建一個(gè)砂石分割網(wǎng)絡(luò)模型，在訓(xùn)練模型階段，選取部分原圖手工標(biāo)記砂石目標(biāo)邊緣作為分割模型的訓(xùn)練樣本，訓(xùn)練完成后得到砂石分割模型；在檢測(cè)階段，將原圖直接經(jīng)過(guò)分割模型處理，再經(jīng)過(guò)形態(tài)學(xué)處理后得到初次分割結(jié)果圖。然后再構(gòu)建一個(gè)砂石分離模型，在模型訓(xùn)練階段，選取部分初次分割結(jié)果圖手工標(biāo)記砂石粘連處的凹點(diǎn)作為分離模型的訓(xùn)練樣本，訓(xùn)練完成后得到砂石分離模型；在檢測(cè)階段，將初次分割結(jié)果圖經(jīng)過(guò)分離模型處理后得到自動(dòng)標(biāo)記了凹點(diǎn)的結(jié)果圖，經(jīng)過(guò)凹點(diǎn)匹配得到最終分割且分離的結(jié)果圖。

對(duì)于粒徑計(jì)算部分，對(duì)得到的最終分割且分離的結(jié)果圖，計(jì)算砂石目標(biāo)的最長(zhǎng)徑，取均值后得到砂石圖像的平均粒徑大小。砂石圖像粒徑檢測(cè)的總體流程如圖1所示。

圖1 砂石粒徑檢測(cè)方法流程圖

2 砂石目標(biāo)分割與分離

2.1 分割模型

在進(jìn)行砂石粒徑大小計(jì)算之前，需要先將砂石目標(biāo)分割開(kāi)，本文構(gòu)建了如圖2所示的基于全卷積的神經(jīng)網(wǎng)絡(luò)，用于砂石目標(biāo)的分割任務(wù)，它是由4個(gè)數(shù)據(jù)輸入層(Data)、6個(gè)卷積層(Convolution)、6個(gè)激活層(Activation function)、1個(gè)輸出層(Output)和1個(gè)計(jì)算損失層(Loss)串聯(lián)而成。

其中卷積層中使用的參數(shù)Output為該卷積層中卷積核的個(gè)數(shù)，也是輸出的數(shù)量；Pad為是否對(duì)輸入image進(jìn)行padding操作，此處根據(jù)所用的卷積核大小選用不同的padding大小，可以保證卷積操作所得的特征圖(feature map)與原圖尺寸一致；Conv_kernel為卷積核的內(nèi)核大?。籗tride為卷積核的步長(zhǎng)；Weight為權(quán)值的初始化方法，本模型中使用了高斯分布初始化權(quán)值(gaussian)；Bias為偏置項(xiàng)的初始化方法，本模型中使用了constant，且值為0。對(duì)于卷積層的參數(shù)配置詳情，如表1所示。

圖2 砂石目標(biāo)分割模型結(jié)構(gòu)圖

表1 卷積層中各個(gè)參數(shù)配置表

其中在激活層中，對(duì)輸入數(shù)據(jù)進(jìn)行激活操作(即函數(shù)變換)，本模型的激活函數(shù)采用線性整流函數(shù)(ReLU)[14]，其函數(shù)表達(dá)式為：

f(x)=max (0,x)

(1)

在神經(jīng)網(wǎng)絡(luò)中ReLU作為神經(jīng)元的激活函數(shù)，定義了將神經(jīng)元在線性變換wTx+b之后的非線性輸出結(jié)果，也就是說(shuō)，對(duì)于神經(jīng)元的來(lái)自上一層網(wǎng)絡(luò)的輸入向量x，使用ReLU激活函數(shù)的神經(jīng)元的輸出為：

max (0,wTx+b)

(2)

在計(jì)算損失層(Loss)中，計(jì)算模型得到的結(jié)果score與真實(shí)結(jié)果label之間的誤差，本模型采用Caffe中的SoftmaxWithLoss，即多項(xiàng)邏輯損失層(Multinomial Logistic Loss Layer)和Softmax層。

對(duì)獲得的原始砂石圖像，預(yù)處理后隨機(jī)抽取部分圖像作為訓(xùn)練樣本，使用Photoshop進(jìn)行手工標(biāo)記砂石目標(biāo)的邊緣，作為訓(xùn)練集標(biāo)簽。通過(guò)如圖2所示的分割模型的訓(xùn)練學(xué)習(xí)，測(cè)試后可以得到如圖3所示的分割結(jié)果圖，其中圖3(b)為模型直接得出的結(jié)果圖，圖3(c)為對(duì)圖3(b)進(jìn)行二值化處理[15]以及形態(tài)學(xué)操作[16]后的效果圖，以此作為初次分割結(jié)果圖。

圖3 砂石目標(biāo)分割結(jié)果圖

2.2 分離模型

在分割模型處理后，對(duì)得到的初次分割效果圖的研究發(fā)現(xiàn)，結(jié)果圖中仍有很多砂石目標(biāo)粘連在一起，這將無(wú)法進(jìn)行后續(xù)的砂石粒徑計(jì)算工作，所以本文構(gòu)建了如圖4所示的基于全卷積網(wǎng)絡(luò)的分離模型，用于砂石目標(biāo)的分離任務(wù)。由于分離模型的模型結(jié)構(gòu)與參數(shù)配置和分割模型相同，所以在本節(jié)不再重復(fù)介紹。在分離模型中，輸入圖像為初次分割效果圖，輸出圖像為模型自動(dòng)標(biāo)記了凹點(diǎn)的結(jié)果圖。其中凹點(diǎn)是指砂石目標(biāo)粘連處的轉(zhuǎn)折點(diǎn)，標(biāo)記粘連處的一對(duì)凹點(diǎn)，將這對(duì)凹點(diǎn)連接即可實(shí)現(xiàn)粘連的分離效果。

圖4 砂石目標(biāo)分離模型結(jié)構(gòu)圖

對(duì)分割模型獲得的初次分割效果圖，隨機(jī)選取部分圖像作為訓(xùn)練樣本，手工標(biāo)記砂石目標(biāo)粘連處的凹點(diǎn)，作為分離模型的訓(xùn)練集標(biāo)簽，通過(guò)如圖4所示的分離模型訓(xùn)練學(xué)習(xí)，測(cè)試后可以得到如圖5所示的自動(dòng)標(biāo)記了凹點(diǎn)的結(jié)果圖，其中圖5(a)為手工標(biāo)記的凹點(diǎn)，圖5(b)為模型自動(dòng)標(biāo)記凹點(diǎn)的結(jié)果圖。由圖中可以看到模型能夠準(zhǔn)確地標(biāo)記出砂石圖像中的凹點(diǎn)。

當(dāng)通過(guò)分離模型自動(dòng)獲得砂石目標(biāo)的凹點(diǎn)之后，需要做的就是將凹點(diǎn)配對(duì)連接[17]，實(shí)現(xiàn)砂石目標(biāo)的最終分割且分離的效果。對(duì)于得到的砂石凹點(diǎn)圖，首先去掉不在砂石邊緣上的無(wú)效凹點(diǎn)，再將距離非常接近的凹點(diǎn)過(guò)濾為一個(gè)凹點(diǎn)，然后根據(jù)“凹點(diǎn)匹配規(guī)則”進(jìn)行凹點(diǎn)配對(duì)[18-19]。對(duì)于凹點(diǎn)匹配規(guī)則，如圖6所示，點(diǎn)A1、A2分別為2個(gè)凹點(diǎn)，向量A1M1、A1N1分別為凹點(diǎn)A1前后2邊邊界的切線，向量A2M2、A2N2分別為凹點(diǎn)A2前后2邊邊界的切線。如果凹點(diǎn)A1、A2是一對(duì)凹點(diǎn)對(duì)，則應(yīng)滿足以下條件：凹點(diǎn)A1、A2連線在向量A1M1與向量A1N1的夾角和向量A2M2與向量A2N2的夾角之間。滿足此配對(duì)條件的2個(gè)凹點(diǎn)將其歸類為一對(duì)，凹點(diǎn)配對(duì)成功。將一對(duì)凹點(diǎn)間的連線作為砂石粘連處的分割線，最終實(shí)現(xiàn)砂石粘連的分離效果。

(a) 手工標(biāo)記 (b) 自動(dòng)標(biāo)記圖5 砂石目標(biāo)凹點(diǎn)標(biāo)記圖

圖6 凹點(diǎn)匹配規(guī)則示意圖

至此砂石圖像的分割、分離操作已完成，得到了分割最終的效果圖如圖7所示。圖中分別使用橢圓和矩形標(biāo)記出2處對(duì)應(yīng)位置的砂石分離結(jié)果作為示例，其他位置的分離結(jié)果與示例類似。其中圖7(a)為初次分割結(jié)果圖，發(fā)現(xiàn)很多砂石粘連在一起，圖7(b)為最終分割且分離的結(jié)果圖，對(duì)比發(fā)現(xiàn)大部分的粘連處均已實(shí)現(xiàn)目標(biāo)分離。

(a) 初次分割結(jié)果 (b) 最終分割且分離的結(jié)果圖7 砂石目標(biāo)最終分割分離結(jié)果圖

2.3 網(wǎng)絡(luò)訓(xùn)練

本實(shí)驗(yàn)所使用的砂石圖像數(shù)據(jù)集均為手工拍照采集，共12張砂石圖像，其中選取6張圖像進(jìn)行手工標(biāo)記作為訓(xùn)練樣本。

訓(xùn)練時(shí)使用的參數(shù)test_iter為完成一次測(cè)試需要的迭代次數(shù)；test_interval為測(cè)試間隔；base_lr為基礎(chǔ)學(xué)習(xí)率，在參數(shù)梯度下降優(yōu)化的過(guò)程中，學(xué)習(xí)率會(huì)有所調(diào)整；lr_policy為學(xué)習(xí)率在梯度優(yōu)化過(guò)程中的變化策略，本次訓(xùn)練采用的是“step”，因此還需要一個(gè)stepsize參數(shù)，表示學(xué)習(xí)率變化的頻率，momentum表示上一次梯度更新的權(quán)重；weight_decay表示權(quán)重衰減，用于防止過(guò)擬合；gamma表示學(xué)習(xí)率變化指數(shù)。對(duì)于網(wǎng)絡(luò)訓(xùn)練過(guò)程中的參數(shù)配置詳情，如表2所示。

表2 網(wǎng)絡(luò)訓(xùn)練參數(shù)配置表

3 砂石目標(biāo)最長(zhǎng)徑計(jì)算

當(dāng)分割且分離完成得到最終效果圖后，就可以計(jì)算砂石目標(biāo)的最長(zhǎng)徑了[20-21]。對(duì)于分割分離結(jié)果圖，獲得圖像中每個(gè)砂石目標(biāo)的邊界后[22]，對(duì)于每一個(gè)砂石目標(biāo)邊界，邊界上的所有像素點(diǎn)記為一個(gè)集合U。對(duì)于集合U中的每一個(gè)像素點(diǎn)i，使用歐氏距離公式計(jì)算i到集合U中其余像素點(diǎn)的距離，取最大值，作為從i出發(fā)到砂石目標(biāo)邊界的最遠(yuǎn)距離，記為L(zhǎng)(i)。對(duì)于集合U中所有像素點(diǎn)的最遠(yuǎn)距離，取其最大值作為集合U所成邊界的最大直徑，記為max(L(i))。由此，max(L(i))即為每個(gè)砂石目標(biāo)邊界的最長(zhǎng)徑。

值得注意的是，由于砂石目標(biāo)存在緊密相連且相互遮擋的情況，所以砂石圖像中的那些非常小的砂石個(gè)體并不能代表真實(shí)數(shù)據(jù)，因此需要有所舍棄。本實(shí)驗(yàn)中，當(dāng)獲得一張分割分離效果圖中所有砂石目標(biāo)的最長(zhǎng)徑后，一方面舍棄最長(zhǎng)徑max(L(i))小于10個(gè)像素值的砂石目標(biāo)，另一方面，在剩余的砂石目標(biāo)中，按最長(zhǎng)徑max(L(i))從大到小排序，取其前70%的最長(zhǎng)徑數(shù)據(jù)作為有效數(shù)據(jù)。圖8展示了獲得砂石最長(zhǎng)徑后的效果圖。

圖8 砂石目標(biāo)最長(zhǎng)徑效果圖

4 實(shí)驗(yàn)結(jié)果分析

4.1 數(shù)據(jù)集

本實(shí)驗(yàn)的研究對(duì)象為砂石圖像，由于目前已有的對(duì)砂石圖像的研究并不多，并沒(méi)有公共數(shù)據(jù)集，所以本實(shí)驗(yàn)所用的砂石圖像均為手工拍照獲得。共12張砂石圖像，圖像尺寸為1296×972，由于圖像尺寸較大且圖像中的砂石目標(biāo)眾多且緊密粘連，所以12張圖像數(shù)據(jù)已足夠?qū)嶒?yàn)所用。實(shí)驗(yàn)拍攝器材使用?？迪鄼C(jī)，型號(hào)為MV-CE100-30DC。為了保證本實(shí)驗(yàn)方法能夠具有較高的魯棒性，拍攝圖像來(lái)自于不同場(chǎng)景下的砂石樣本，其光照條件、砂石本身顏色差異、砂石顆粒尺寸等因素均互不相同。

4.2 評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)雖然以砂石分割過(guò)程為研究重點(diǎn)，但最終目的為計(jì)算砂石粒徑大小，所以對(duì)實(shí)驗(yàn)結(jié)果的評(píng)價(jià)分為2個(gè)部分：砂石分割準(zhǔn)確度評(píng)價(jià)和砂石粒徑計(jì)算精確度評(píng)價(jià)。

1)在砂石分割準(zhǔn)確度評(píng)價(jià)方面，本文采用了重疊率來(lái)度量砂石圖像分割模型的性能[23]。重疊率表示分割預(yù)測(cè)砂石區(qū)域與真實(shí)標(biāo)記砂石區(qū)域之間的重疊比例，重疊率計(jì)算方式為：

(3)

其中，AR表示本實(shí)驗(yàn)網(wǎng)絡(luò)預(yù)測(cè)的砂石目標(biāo)區(qū)域(Result Area)，AGT表示實(shí)際的砂石目標(biāo)區(qū)域(Ground Truth Area)，此分割結(jié)果對(duì)應(yīng)的Ground Truth為手工標(biāo)記砂石目標(biāo)獲得。使用Photoshop對(duì)砂石目標(biāo)邊緣進(jìn)行標(biāo)記，將砂石個(gè)體與模糊不清的無(wú)效背景區(qū)分開(kāi)，然后對(duì)標(biāo)記圖進(jìn)行二值化，砂石目標(biāo)為白色，無(wú)效背景為黑色，最終得到的砂石個(gè)體相互獨(dú)立的圖像作為Ground Truth。Score越大，表明預(yù)測(cè)砂石目標(biāo)區(qū)域與實(shí)際砂石目標(biāo)區(qū)域的重疊部分越多，表示分割越接近真實(shí)，即分割效果越好。

2)砂石粒徑計(jì)算精確度評(píng)價(jià)方面，本文采用了計(jì)算誤差來(lái)表示砂石粒徑計(jì)算結(jié)果與真實(shí)結(jié)果間的差距，單位為像素，計(jì)算誤差的計(jì)算方式為：

error = |NumR-NumT|

(4)

其中，NumR表示計(jì)算結(jié)果數(shù)據(jù)(Result Number)，NumT為砂石粒徑大小真實(shí)數(shù)據(jù)(True Number)。其中計(jì)算結(jié)果數(shù)據(jù)，由本實(shí)驗(yàn)運(yùn)行結(jié)束后自動(dòng)獲得，數(shù)據(jù)形式為砂石目標(biāo)的最長(zhǎng)徑所占的像素?cái)?shù)。而砂石粒徑大小真實(shí)數(shù)據(jù)，為人工抽樣測(cè)量獲得。人工測(cè)量時(shí)，使用3個(gè)人分別對(duì)采集到的6張砂石樣本測(cè)試圖，每張圖像隨機(jī)抽取60顆砂石目標(biāo)，對(duì)抽取到的砂石樣本進(jìn)行人工測(cè)量其最長(zhǎng)徑所占像素?cái)?shù)，取這3×60顆砂石樣本測(cè)量所得數(shù)據(jù)的均值作為本張圖像的粒徑平均真實(shí)大小。對(duì)于“砂石圖像最長(zhǎng)徑所占像素?cái)?shù)”的人工測(cè)量方法，使用Windows系統(tǒng)下自帶的“畫(huà)圖”軟件，標(biāo)記出砂石顆粒兩端的像素坐標(biāo)，即可計(jì)算得到“砂石顆粒最長(zhǎng)徑所占像素?cái)?shù)”。

4.3 結(jié)果分析

在砂石分割效果上，為了體現(xiàn)本實(shí)驗(yàn)方法中砂石圖像分割分離效果的優(yōu)越性，將本文方法和U-Net分割網(wǎng)絡(luò)進(jìn)行了對(duì)比。圖9展示了2張不同批次的砂石圖像在使用本文方法和U-Net網(wǎng)絡(luò)方法分割效果的對(duì)比。圖中分別以矩形和橢圓標(biāo)記出分割效果對(duì)比示例，其他位置的效果對(duì)比與示例類似。由圖中可見(jiàn)，本文方法基本上可以分割且分離粘連的砂石目標(biāo)，而使用U-Net網(wǎng)絡(luò)分割方法，大部分砂石目標(biāo)模糊且依舊粘連在一起，因此無(wú)法進(jìn)行后續(xù)的粒徑計(jì)算工作，由此可以體現(xiàn)出本文分割方法的優(yōu)越性。

(a) 原圖 (b) 本文方法 (c) U-Net網(wǎng)絡(luò)分割方法圖9 不同方法分割效果對(duì)比

為了量化體現(xiàn)本文方法的有效性，表3展示了6張測(cè)試圖的分割重疊率和砂石粒徑計(jì)算結(jié)果。在分割重疊率方面，對(duì)比可以發(fā)現(xiàn)U-Net網(wǎng)絡(luò)分割重疊率均小于兩階段分割方法，這正是從量化的角度說(shuō)明了在砂石圖像的分割能力上U-Net網(wǎng)絡(luò)弱于兩階段分割法。從表中可以發(fā)現(xiàn)3號(hào)圖像和4號(hào)圖像砂石粒徑最大，其分割結(jié)果重疊率最高，算法計(jì)算所得粒徑大小與手工測(cè)量粒徑大小誤差最小；而5號(hào)圖像和6號(hào)圖像砂石粒徑最小，其分割結(jié)果重疊率最低，算法計(jì)算所得粒徑大小與手工測(cè)量粒徑大小誤差最大。由此可以得出的結(jié)論是，當(dāng)砂石顆粒較大時(shí)，分割效果較好，粒徑計(jì)算結(jié)果也較為準(zhǔn)確；相反，當(dāng)砂石顆粒較小時(shí)，分割效果較差，粒徑計(jì)算結(jié)果的誤差也較大。雖然5號(hào)圖像和6號(hào)圖像的計(jì)算誤差較大，但綜合來(lái)看，整體的計(jì)算誤差均能控制在10個(gè)像素之內(nèi)，由此可見(jiàn)本文方法計(jì)算砂石粒徑大小較為精確。

表3 砂石分割結(jié)果與粒徑計(jì)算統(tǒng)計(jì)表

對(duì)于本文實(shí)驗(yàn)的分割算法時(shí)間性能分析方面，在實(shí)驗(yàn)中，使用的計(jì)算機(jī)硬件設(shè)備CPU為Intel八代I5、GPU為NVIDIA GeForce GTX 1080Ti。對(duì)于6張尺寸為1296×972的測(cè)試圖像，兩階段分割法平均每張砂石圖像測(cè)試時(shí)間為：分割階段1.3 s、分離階段1.1 s，而U-Net網(wǎng)絡(luò)平均每張砂石圖像測(cè)試時(shí)間為3.1 s。與U-Net網(wǎng)絡(luò)相比，兩階段分割法由于網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)簡(jiǎn)單，只有6層卷積層，而U-Net網(wǎng)絡(luò)包括了編碼、解碼等一系列操作，所以兩階段分割法的平均運(yùn)行速度要快于U-Net網(wǎng)絡(luò)。因此可以說(shuō)明本文的兩階段分割算法能夠快速分割砂石目標(biāo)。

5 結(jié)束語(yǔ)

本文提出了一種基于全卷積網(wǎng)絡(luò)的砂石圖像粒徑檢測(cè)方法，能夠快速分割砂石目標(biāo)，并準(zhǔn)確計(jì)算出砂石粒徑大小。在砂石目標(biāo)分割效果方面，使用其他現(xiàn)有的傳統(tǒng)方法或者深度網(wǎng)絡(luò)模型，分割結(jié)束后仍然有大量的砂石個(gè)體粘連在一起，而本文方法創(chuàng)新點(diǎn)在于使用2次網(wǎng)絡(luò)，先將砂石目標(biāo)進(jìn)行分割，但由于砂石目標(biāo)緊密粘連，初次分割效果并不理想，所以需要對(duì)網(wǎng)絡(luò)模型進(jìn)行再訓(xùn)練，將已經(jīng)分割的砂石目標(biāo)進(jìn)行分離，最終得到分割且分離完成的砂石目標(biāo)。在砂石粒徑大小計(jì)算方面，計(jì)算精度雖然受砂石顆粒大小的影響，但依舊可以控制在可接受范圍內(nèi)，計(jì)算精度較為準(zhǔn)確。

本文方法已按“基于深度學(xué)習(xí)的砂石圖像粒徑檢測(cè)方法”申請(qǐng)專利(專利號(hào)：201910201075.9)，而且還可以應(yīng)用于細(xì)胞檢測(cè)及計(jì)數(shù)，接下來(lái)的研究重點(diǎn)將會(huì)放在更加微小的砂石目標(biāo)圖像的分割任務(wù)上，嘗試優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，以期獲得更好的微小目標(biāo)分割效果。