基于卷积神经网络的砂石骨料分类模型

杨仕容 苏 明 王 珩

（贵州师范大学,大数据与计算机科学学院，贵阳 550025）

0 引言

砂石骨料是混凝土最大的原材料，主要起填充和骨架作用，砂石质量是影响混凝土质量的关键因素[1]，对混凝土的力学性能、渗透性、抗冻性、耐久性、开裂敏感性等性能都有着显著的影响。

由于砂石骨料颗粒的随机性和海量性，目前在学术领域中，是以砂石骨料特性对混凝土性能的影响来展开砂石骨料质量研究工作。如李北星[2]等人针对骨料的特征进行研究，得出粗糙度较大的砂石骨料有利于提高混凝土的耐磨性；周尚志[3]等人通过实验得到骨料越大对混凝土的裂纹扩展的阻止作用就越大；李永鹏[4]等人分析了细集料的细度模数对混杂纤维混凝土性能的影响；Rocco CG[5]等人分析了集料形状对混凝土力学性能的影响；Meddah MS[6]等人阐述了粗骨料的含量和粒度分布对混凝土抗压强度的影响；在行业实践中，相关国家标准文件[7,8]对砂石质量主要以针片状颗粒含量、细度模数、颗粒级配等相对指标进行评价。

不管在学术领域还是在行业实践中均未找到砂石质量一个明确的检测方法。因此，急需找到一种有效的关于砂石骨料质量检测方法来控制混凝土性能。

1 卷积神经网络结构设计

1.1 网络结构

神经网络擅长挖掘大量输入数据之间的抽象特征，具有良好的自学习能力、泛化能力、容错能力。因为网络的复杂度与深度对硬件设备有较高要求，需要耗费较长时间来训练模型，针对砂石骨料数据维度不高，且在行业执行中需要能快速检测砂石骨料品质，本文参考LeNet-5[9]网络结构，对其做一些改进，向网络结构中添加层，寻找最优的激活函数，提出适应砂石骨料数据分类的网络模型。本文采用7 层网络结构，即卷积层1、池化层1，卷积层2、池化层2、压平层（Flatten）、全连接层和输出层，将这些层按顺序连接，得到的网络结构图如图1所示。

图1 网络结构

1.2 网络训练

1.2.1 激活函数的选择

在网络结构中，每个神经元都会接上一个非线性激活函数，可增强模型的学习能力，解决非线性问题能力[10]。常见的激活函数一般有：sigmoid 函数、tanh 函数、relu 函数、SoftPlus 激活函数等；其曲线见下图2所示：

图2 常见激活函数曲线

就对本文砂石骨料数据而言，同样的网络结构，选择不同的激活函数，模型的在测试集和验证集上的准确率如下图3所示：

图3 不同激活函数模型准确率

实验得到选择sigmoid 函数为激活函数时，模型验证集与测试集上的准确率相差较大且处于欠拟合状态；relu 函数为激活函数时，准确率较低且模型处于欠拟合状态；tanh 函数为激活函数时，测试集与验证集上准确率已收敛，且验证集准确率已达到0.97 以上。通过实验对比几种激活函数的应用效果，针对砂石骨料数据选择tanh 函数更有效，其函数式如下所示：

1.2.2 模型调参

用于训练模型的砂石骨料数据样本较多，选择mini-batch 梯度下降法，mini-batch 结合了批量梯度下降法和随机梯度下降法的优势，将若干个样本的平均梯度作为更新方向。经过多次调参，本文的batch_size 为128，模型分类效果达到最优。

由于网络中需要训练的参数较多，为了防止过拟合现象，在全连接层后添加了Dropout 层，Dropout[11]层对于每个训练样本，以概率0.5 选择网络某些隐含层节点是否有效，丢失的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来（权重参数暂时不更新），因为下次样本输入时它可能又得工作了（如图5所示），这样的工作机制迫使每一个神经元学习到有效的特征。

图5 Dropout 工作示意图

2 实验结果分析

2.1 数据集

本文实验数据是由BT-2900 干法图像粒度粒形分析系统（如图6所示）采集，该系统采集时能加料均匀且自动调整流量，采样速度达3500 次/秒，系统能自动将不清晰和有粘连的样本筛选出去，保证样本的有效性。

图6 BT-2900 干法图像粒度粒形分析系统

采集的骨料数据分别有7 个属性，分别是骨料投影面积、颗粒投影面积等效圆直径、颗粒投影面积外接矩形长、颗粒投影面积外接矩形宽、骨料投影面积长径比（长宽比）、骨料投影面积周长、圆度。其中数据分为3 个类别，分别是标准砂（由艾思欧标准砂公司出品），精品砂(由企业提供)，普砂(由企业提供)。其中精品砂和普砂为机制砂，精品砂粒形好、级配好、针片状含量低，是由人工筛分出来；普砂粒形多棱角，大部分为片状或针状、级配差。由于没有单颗砂石的标签，采取200 颗砂石数据作为整体，打一个标签，其中精品砂为0 类，标准砂为1 类，普砂为2 类。训练数据集占总数据的80%，训练集的样本有23698 组，测试集有5925 组，验证集数据有5222 组。

2.2 结果分析

本文是基于Keras 深度学习框架搭建砂石骨料分类网络模型。首先，用训练集数据训练模型，在训练集上准确达到98.84%，用测试集测试模型，在测试集上的准确率达到了98.83%，其混淆矩阵如下表：

表1 测试集混淆矩阵

用验证集数据对模型进行分类预测，验证模型的可靠性，其分类结果见表2所示：

表2 砂石骨料分类验证结果

由以上结果可看出，整体对砂石骨料的验证准确率达到了99.17%以上，检测时间花费3.97s，模型可以实现对砂石骨料品质分类的任务。

以往研究都是以混凝土性能出发，从而研究对砂石骨料的质量要求，本文是以大量砂石骨料的物理性质展开研究，提出基于卷积神经网络的质量分类方法，模型训练好后，能快速有效的对数据进行检测分类。

3 总结

在LeNet-5 网络结构基础上，结合砂石骨料数据，本文提出了砂石骨料分类模型，利用卷积对砂石骨料颗粒间的特征提取，在3 种类型（精品砂、标准砂、普砂）的砂石分类中取得了良好的结果。实验表明所提出的砂石骨料分类模型是网络结构简单和可靠有效的方法。