[发明专利]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

权利要求书

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)。