基于深度卷積神經(jīng)網(wǎng)絡的熟料顆粒方法研究.pdf

1、水泥是一種重要的資源性和影響國民經(jīng)濟發(fā)展的基礎性產(chǎn)品，作為基礎材料，廣泛應用在民用建筑、橋梁公路建設、水利建設、工業(yè)建筑等的人們生活的方方面面。其中間產(chǎn)品熟料的質(zhì)量監(jiān)控和評估是保證水泥質(zhì)量的重要環(huán)節(jié)，但是目前國內(nèi)水泥廠停留在人工干預、采樣分析方式，非常耗時耗力，故本文設計了一種基于機器視覺的熟料顆粒粒度檢測算法。
　　本文在借鑒結合傳統(tǒng)選礦領域中的顆粒粒度檢測算法的基礎上，首次引入深度卷積網(wǎng)絡UNet算法對熟料顆粒圖像進行分割，并

2、在此基礎上做出了改進，提升了顆粒分割的準確率，最后，利用一些典型的顆粒大小特征來對分割圖像進行顆粒粒度分布估計。本文的主要研究內(nèi)容及成果如下:
　　1.引入深度卷積網(wǎng)絡UNet算法對熟料顆粒圖像進行分割。傳統(tǒng)顆粒圖像分割算法需要復雜、專業(yè)的步驟設計和精細的參數(shù)調(diào)節(jié)，且魯棒性不夠好，不同風格的顆粒圖像分割需要不同的算法流程。而對于深度卷積網(wǎng)絡算法，對不同種顆粒圖像的分割的算法流程是一致的，需要人工調(diào)節(jié)的參數(shù)少。
　　2.UNe

3、t算法框架的搭建、訓練和測試。利用基于Tensorflow的Keras工具搭建了UNet算法框架，將訓練集數(shù)據(jù)進行簡單的預處理后結合人工手繪的標簽圖像進行訓練，訓練之后，利用測試集來驗證UNet算法的顆粒分割效果，并進行量化統(tǒng)計。最后，使用網(wǎng)上下載的兩張與熟料顆粒不同風格的顆粒圖像來檢驗了UNet算法的知識遷移特性。
　　3.UNet算法的改進。基于加深網(wǎng)絡層和損失函數(shù)這兩點對UNet算法進行了改進:將預訓練好的VGG16網(wǎng)絡作為