- 1、本文档共77页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
摘要
机制砂是机制砂混凝土的细骨料,其石粉含量决定机制砂混凝土的强度、粘聚性、
耐久性等性能,因此,对机制砂石粉进行检测具有十分重要的研究意义。鉴于人工智能
深度学习技术在图像处理领域取得了良好的成就,相对传统的石粉检测方法,能够规避
操作繁琐、耗时久、准确率低且难以量化等缺点。因此本文将深度学习技术应用于机制
砂石粉检测及量化工作中,提出一种基于深度神经网络的机制砂石粉分割及量化方法,
以提高机制砂的检测效率及精度。
首先,通过研究发现现有石粉检测方法存在步骤繁琐、效率低等问题,故针对机制
砂颗粒小、形状各异、石粉分布不规则等特征,以UNet模型为基础框架,以卷积层为
改进对象,提出一种基于深度残差卷积和可适应卷积块优化的机制砂石粉分割模型RA-
UNet。RA-UNet是以语义分割的形式区分石粉与背景,完成对石粉的分割任务。其中,
原始数据由光学显微镜设备进行拍摄及预处理,通过模型训练及对比试验表明:RA-
UNet模型较UNet模型在分割精度上得到有效提升。
其次,针对RA-UNet模型存在的误检和漏检情况,本文以跳跃连接部分为改进对
象,结合残差连接和注意力机制模块,在RA-UNet基础上设计网络模型结构RA2-UNet,
能够增强浅层特征信息的同时重点学习有用的特征信息,以达到提升检测精度的目的。
试验结果表明:RA2-UNet模型较UNet模型及RA-UNet模型在精确率上分别提升5.85%
和1.06%,分割效果得到进一步改善。
最后,本文在机制砂石粉分割结果的基础上,分别得到机制砂表面附着石粉和散落
石粉的量化结果。以国标亚甲蓝方法为基准,利用多元线性回归模型得出机制砂表面附
着石粉量和散落石粉量与亚甲蓝值的映射关系。结果表明:多元线性回归模型的显著值
R2=0,呈强相关性,证明本文提出的石粉检测方法的有效性。
综上所述,本文先提出RA2-UNet模型完成对机制砂石粉的分割任务,后利用多元
线性回归模型得出机制砂石粉的量化结果,为机制砂质量自动化检验领域提供一定的参
考价值。
关键词:石粉量化,UNet模型,深度残差卷积,可适应卷积,注意力机制
I
Abstract
Machine-madesandisthefineaggregateofmachine-madesandconcrete,anditsstone
powdercontentdeterminesthestrength,workability,durabilityandotherpropertiesof
machine-madesandconcrete.Therefore,thedetectionofmachine-madesandandstonepowder
isofgreatresearchsignificance.Inviewofthegoodachievementsofartificialintelligencedeep
learningtechnologyinthefieldofimageprocessing,comparedwithtraditionalstonepowder
detectionmethods,itcanavoidthedisadvantagesofcumbersomeoperation,time-consuming,
lowaccuracyanddifficulttoquantify.Therefore,inthisthesis,deeplearningtechnologyis
appliedtothedetectionandquantificationofmachine-madesandandstonepowder,anda
segmentationandquantificationmethodofmachine-madesandandstonepowderbasedon
deepneuralnetw
文档评论(0)