基于深度學習的水泥顆粒檢測方法

向科峰 張津晨 劉自紅

摘要：水泥生產過程中需要實時檢測水泥顆粒粒徑、圓度等幾何參數(shù)。針對粒度離線檢測效率低、參數(shù)調整滯后的現(xiàn)狀，基于深度學習搭建并優(yōu)化了水泥顆粒圖像分割網絡模型。實驗表明：基于深度學習的水泥顆粒圖像分割網絡模型對水泥顆粒圖像的分割精度達98%、分割準確度達94%，與離線檢測的誤差在8%以內。提高了分割精度和檢測效率，滿足水泥生產中過程控制智能化和信息化要求。

關鍵詞：深度學習圖像分割顆粒檢測水泥

中圖分類號：TB44文獻標志碼：A文章編號：1671-8755（2023）01-0098-07

Abstract：Intheprocessofcementproduction，geometricparameterssuchascementparticlesizeandroundnessneedtobemeasuredinrealtime.Aimingatthelowefficiencyofgranularityofflinedetectionandthelagofparameteradjustment，thecementparticleimagesegmentationnetworkmodelwasbuiltandoptimizedbasedondeeplearning.Theexperimentshowsthatthesegmentationprecisionforcementparticleimagesofcementparticleimagesegmentationnetworkmodelbasedondeeplearningis98%，thesegmentationaccuracyis94%，andtheerrorwithofflinedetectionislessthan8%.Thedetectionmethodimprovesthesegmentationprecisionanddetectionefficiency，andcanmeettherequirementsofintellectualizedandinformationbasedprocesscontrolincementproduction.

Keywords：Deeplearning;Imagesegmentation;Particletesting;Cement

水泥的幾何特征對其性能有重要影響［1-2］。傳統(tǒng)的生產方法就是將水泥生料粉磨后再通過篩分分選出所需顆粒大小的水泥，但這種方法效率低下且易造成篩孔堵塞，無法快捷地通過控制系統(tǒng)調整生產參數(shù)。采用氣流分級的方法可以從根本上解決傳統(tǒng)篩分中篩孔易堵塞的問題［2-3］，但受入料水分、分級風速等不確定因素的影響，分級效果會有一定的波動，因此需要對分級效果進行檢測。針對水泥顆粒的檢測問題，楊道媛等［4］深入研究了英國馬爾文激光粒度分析儀的工作原理，并對不同粒徑粉料顆粒進行檢測，將檢測結果與粉料的SEM圖像對比來驗證該方法的準確性［5-6］。張福根等［7-8］基于沉降分析法、電阻法等檢測原理，提出應當從粒度檢測的重復性、真實性、易操作性等多個角度去評估其檢測性能。上述檢測方法存在檢測范圍較小、檢測參數(shù)單一等問題，而圖像法檢測技術具有檢測范圍更廣、檢測參數(shù)更為全面的優(yōu)點。

在圖像法檢測技術方面，張國英等［9-10］提出了基于自適應閾值化的礦石圖像分割方法，能夠更好抑制礦石表面的噪聲信息，實現(xiàn)堆疊狀態(tài)下的礦石圖像閾值化分割。但傳統(tǒng)的圖像分割方法對于顆粒黏結、邊緣弱化以及細小顆粒的分割效果不理想。近幾年，深度學習被廣泛應用在圖像的分類以及圖像的分割問題上［11-13］，為水泥顆粒的圖像法檢測提供了一種可能。Harangi等［14］使用深度卷積網絡來對眼底血管圖像進行分割，分割效果相對于傳統(tǒng)的圖像處理方法更好［15-17］，而眼底血管圖像與水泥顆粒圖像均存在黏結重疊的問題，且二者都是分割檢測中的二分類問題。因此，本文提出一種基于深度學習的圖像法檢測技術，以期實現(xiàn)水泥生產過程中水泥顆粒質量檢測的智能化與信息化。

1圖像分割算法

1.1數(shù)據(jù)集制作

水泥顆粒圖像法檢測的對象是水泥生料顆粒。經過粉磨后的水泥質地疏松、粒度細小、易黏結，水泥顆粒的分割識別與其他微小顆粒的分割識別相比更加困難。因此，在使用圖像法檢測微小顆粒的分割任務中水泥顆粒的分割識別更具代表性。

水泥顆粒的分割采用全監(jiān)督的方式，需要一定數(shù)量水泥顆粒樣品圖的標簽作為數(shù)據(jù)集。本文采用專業(yè)圖像采集設備獲取水泥顆粒圖制作數(shù)據(jù)集。

原始圖片及根據(jù)尺寸要求裁剪的局部512×512像素圖片如圖1所示。經數(shù)據(jù)集標注軟件labelme手動標記的水泥顆粒圖像數(shù)據(jù)標簽如圖2所示，結合原圖像和標簽數(shù)據(jù)組成兩個目標任務數(shù)據(jù)集。針對水泥顆粒的小樣本問題，對數(shù)據(jù)集進行增強，實現(xiàn)數(shù)據(jù)集的擴張，以便于提高訓練模型的泛化性能，結果如圖3所示。

1.2網絡結構

顆粒邊界的分割是采用圖像法對水泥顆粒進行幾何參數(shù)檢測的核心，但水泥顆粒圖中有重疊、圖片模糊以及顆粒間邊緣黏結的情況。傳統(tǒng)圖像分割方法例如閾值分割、分水嶺等算法無法精確地將水泥顆粒分割出來。本文在U-Net++網絡模型的基礎上進行優(yōu)化改進以實現(xiàn)水泥顆粒圖像的精準分割，然后根據(jù)顆粒分割結果進行幾何參數(shù)的提取與統(tǒng)計分析。

1.2.1U-Net++網絡

U-Net++網絡模型是在U-Net基礎上改進后所得。U-Net網絡通過4次下采樣操作后再進行上采樣，使得網絡僅能夠抓取到圖片的深層特點從而忽略淺層特征。而U-Net++網絡模型在下采樣操作的同時進行上采樣，整體結構通過長短連接把1～4層的U-Net都結合在一起。如圖4所示，U-Net++網絡把每一次上采樣的結果（X0，1，X0，2，X0，3，X0，4）都連接起來以便于獲得不同層次的特征，它能夠掌握每一層特征并判別分析所需求的特征信息。U-Net++模型與U-Net模型的區(qū)別在于上采樣出現(xiàn)在模型的編碼器部分。模型中交互式的跳躍連接將各個卷積模塊進行串聯(lián)，這種交互式網絡結構對圖像分割更為精細。因為U-Net模型針對尺寸不一致的水泥顆粒的特征提取具備一定的差異性，特別是對細節(jié)以及微小顆粒等特征經過幾輪下采樣后會導致分割效果較差，因而U-Net++這種交互式模型更適用于水泥顆粒的分割檢測。

1.2.2改進的U-Net++網絡

對比兩種網絡結構對水泥顆粒的分割效果后發(fā)現(xiàn)，U-Net++結構的網絡模型對圖像的淺層及深層特征具有較強的提取能力，但U-Net++網絡模型同樣存在卷積感受視野范圍有限、提取水泥顆粒邊緣及完整的圖像特征不足的問題。針對以上問題，本文引入ResNet-34模塊到U-Net++網絡模型中，再將ECA（注意力集中機制）模塊加入到殘差U-Net網絡架構的卷積層末端中，優(yōu)化后的網絡模型結構如圖5所示。

改進后的U-Net++模型延續(xù)了U-Net模型原有的主要框架，殘差模塊的引入能夠實現(xiàn)對層數(shù)更深的網絡訓練并能克服由于網絡層數(shù)加深造成的參數(shù)過多和梯度彌散問題;ECA模塊可以根據(jù)通道數(shù)自適應卷積核大小，憑借其防止降維能力及跨通道交互能力，提升網絡對水泥顆粒的分割性能。

1.3殘差模塊

殘差模塊通過在網絡模型內部結構中增加跳躍連接實現(xiàn)模型復雜度的動態(tài)調整，且跳躍連接在促進信息傳播的同時不會退化，解決性能退化以及梯度爆炸等問題。

本文在原有的U-Net以及U-Net++的基礎上，針對水泥顆粒圖像分割缺乏細節(jié)表征能力的情況，將網絡主干更換成ResNet。如圖6所示，殘差網絡工作的主要機制是通過短連接直接把輸入數(shù)據(jù)疊加至卷積末端，其最終輸出可以表示為［18］：

1.4ECA注意力集中機制

原始U-Net網絡中的卷積感受視野范圍有限，因此提取出的水泥顆粒邊緣及完整的圖像特征不足。為解決該問題，將圖7所示的ECA（注意力集中機制）模塊加入到殘差U-Net++網絡架構中，構成ECA殘差U-Net++。ECA模塊在經過沒有降低維數(shù)的通道級全局平均池化（GAP）之后，憑借每個通道以及它的k個附近相鄰通道來獲取局部跨通道交互信息。基于通道的注意力集中機制是憑借k個1D卷積操作完成跨通道交互功能，k是卷積的內核尺寸參數(shù)，特征圖的維度為［C，H，W］，σ代表使用的是ReLue激活函數(shù)。

為避免殘差模塊下的網絡結構發(fā)生變化，本文在卷積結尾時插入ECA模塊用作預訓練參數(shù)。在ECA模塊里，k的值會直接影響通道局部交互的范圍大小，而且不同網絡結構以及在通道數(shù)不一致的時候k的選取也會大相徑庭。k的取值與通道數(shù)C的數(shù)值密切相關且與C存在某種映射關系。ECA通過k=5個臨近通道計算得到，由于通道數(shù)通常為2的指數(shù)倍，在本文中設置與k線性相關的參數(shù)b=1，γ=2，||odd代表k只能取奇數(shù)，故k的值最終由下式決定［19］：

2結果與分析

2.1網絡模型訓練

為檢驗所選用網絡對水泥顆粒圖像的分割效果，分別在U-Net，U-Net++及改進后的U-Net++網絡模型下對相同的800張水泥顆粒圖像數(shù)據(jù)集進行訓練，測試集為200張水泥顆粒圖像，觀察網絡模型對測試集水泥顆粒圖像的分割效果。

根據(jù)水泥顆粒二分類問題的使用需求和實驗條件，在對水泥顆粒數(shù)據(jù)集訓練過程中將學習率的原始值設置為0.0001并且采用Adam算法對其進行優(yōu)化，損失函數(shù)選用二元交叉熵損失函數(shù)。

式中：Loss為訓練過程中的損失值；yi為被檢測樣本i的標簽；pi為被檢測樣本i檢測為正類的概率；N代表需要識別的樣本數(shù)量（N=1）。

采用3種不同網絡模型對水泥顆粒數(shù)據(jù)集進行訓練，其損失值隨著迭代次數(shù)增加的變化趨勢如圖8所示。從曲線在迭代次數(shù)增加后的走勢可以看出，改進后的方法在訓練時的損失值相對于另外兩種網絡更小，而且收斂速度更快。表明引入殘差模塊和ECA模塊使網絡的性能更優(yōu)且加快了訓練的收斂速度。

2.2網絡模型的性能對比

使用U-Net，U-Net++及改進后的U-Net++網絡模型對隨機選取的水泥顆粒圖像進行分割，得到圖9所示的分割效果對比圖。

從圖9可以看出，U-Net模型以及U-Net++模型能夠基本實現(xiàn)對細小水泥顆粒的邊界分割且受背景以及顆粒圖像邊緣模糊影響較??；本文模型不僅能達到前兩種模型的分割效果，在分割細節(jié)上表現(xiàn)更加精細，能將有少許黏結的微小顆粒分割開來，分割效果明顯提升。

為進一步驗證本文方法的分割效果，將改進后U-Net++模型以及兩種基礎模型同時對水泥顆粒測試集圖片進行分割測試驗證，測試結果的精度、準確率和召回率如表1所示，其數(shù)據(jù)是分別對U-Net，U-Net++和本文圖像分割方法進行多次數(shù)值分析及求平均的統(tǒng)計結果。從表1可以看出，本文方法的分割精度達98%以上，準確率達94%以上，優(yōu)于對比網絡模型。從圖10的mIoU曲線可以看出，在迭代過程中本文模型收斂更快，且mIoU指數(shù)在迭代10次左右趨于平穩(wěn)，平均指標相比于U-Net提升約8%，表明本文模型對水泥顆粒的分割更加精準。

2.3幾何參數(shù)提取結果分析

在進行水泥顆粒檢測過程中，待檢測樣品圖片經過本文搭建的算法模型從圖11（a）中將水泥顆粒分割開來，再選取bwlabel等庫函數(shù)將單個水泥顆粒劃分出來進行標記并依次排號，最終得到圖11（b）所示結果，在此基礎上，對分割出來的水泥顆粒通過相關庫函數(shù)擬合得出其具體幾何參數(shù)，如粒徑、長寬比、圓度等，最后對所得到的像素尺寸經過刻度標定得到相應的實際參數(shù)。

經過網絡模型分割識別出的水泥顆粒相關幾何參數(shù)與實際人工描繪的顆粒幾何參數(shù)具有一定誤差。如圖12、圖13、圖14所示，本文從不同的檢測圖片中隨機抽取了20個水泥顆粒進行檢測，得到粒徑以及圓形度幾何參數(shù)并且與人工檢測所得的數(shù)據(jù)進行對比。經過對比分析，粒徑檢測誤差平均值在5%以內，長寬比檢測誤差平均值在7%以內，圓形度檢測誤差平均值在2%以內，能夠達到檢測要求。

為進一步驗證本文方法對于水泥顆粒粒度分布檢測的穩(wěn)定性，對同一批次質量合格的水泥顆粒進行4次檢測，統(tǒng)計得到如圖15所示的水泥粒度分布數(shù)據(jù)圖。4次檢測所得粒徑分布數(shù)據(jù)曲線吻合度較高，其不同粒級區(qū)間內檢測誤差最大不超過5%，且檢測45μm篩余值也達到了合格標準，表明本文檢測方法具備一定的準確性和穩(wěn)定性，能夠為水泥生產過程實現(xiàn)數(shù)據(jù)采集分析、進一步自動化改造提升產能提供可靠的顆粒檢測數(shù)據(jù)。

3結論

本文搭建了基于深度學習的水泥顆粒檢測網絡模型，通過圖像法實現(xiàn)水泥顆粒分割和幾何參數(shù)提取，得到以下結論：（1）以U-Net++為基礎，通過引入殘差模塊以及注意力集中機制對網絡性能進行優(yōu)化，實現(xiàn)了水泥顆粒圖像的像素級分割，分割精度提升至98%、準確率提升至94%，解決了顆粒黏結難以分割的問題以及細小顆粒漏分割的問題。（2）在像素級分割的基礎上，采用算法擬合得出水泥顆粒的等效粒徑、圓度、長寬比等幾何參數(shù)，再將顆粒像素信息轉化為實際尺寸，并將數(shù)據(jù)可視化為圖表，模型檢測結果與人工檢測結果相比誤差在8%以內，達到水泥生產的質量控制要求。

參考文獻

［1］蔡紅，王明宏，李冷.顆粒幾何特性對水泥性能的影響［C］∥中國顆粒學會.第六屆全國顆粒測試學術會議論文集，2005：131-134.

［2］汪富軍，陳洪光.水泥質量波動對混凝土強度和耐久性的影響［J］.隧道建設，2009，29（6）：648-649.

［3］董青云.顆粒特性對水泥性能的影響及分析方法［J］.四川水泥，2001（1）：9-12.

［4］楊道媛，馬成良，孫宏魏，等.馬爾文激光粒度分析儀粒度檢測方法及其優(yōu)化研究［J］.中國粉體技術，2002，8（5）：27-30.

［5］GERASIMOVAM，EREMINAOV，CHERKASOVAMV，etal.Applicationofparticlesizeanalysisinvariousindustries［C］∥JournalofPhysics：ConferenceSeries.IOPPublishing，2021：1728（1）：012003.

［6］李勝利，崔鵬，羅海斌.激光衍射法和機械篩分法測定PVC樹脂粒徑分布的對比［J］.聚氯乙烯，2020，48（9）：28-30.

［7］張福根，榮躍龍.粒度性能評價方法探討［J］.中國粉體技術，2001（3）：33-34.

［8］祁明鎰.沉降技術的粒度分析［J］.武漢鋼鐵學院學報，1983（2）：12-26.

［9］謝雅君，張國英.混配礦石圖像的分割優(yōu)化及級配檢測算法［J］.有色金屬：礦山部分，2019，71（6）：110-115.

［10］許文祥，張國英，蔣焱，等.基于二項分布的雙窗OTSU的礦石分割模型［J］.有色金屬：礦山部分，2019，71（3）：96-102.

［11］張學鵬，王遠軍．采用密集多尺度卷積網絡的胰腺分割方法［J/OL］．小型微型計算機系統(tǒng).（2021-11-09）.https：∥kns.cnki.net/kcms/detail/21.1106.TP.20211109.1016.002.html.

［12］KRIZHEVSKYA，SUTSKEVERI，HINTONGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks［J］.AdvancesinNeuralInformationProcessingSystems，2012，9（1）：1097-1105.

［13］李鴻翔，王曉麗，陽春華，等.基于GAN-UNet的礦石圖像分割方法［J］.控制理論與應用，2021，38（9）：1393-1398.

［14］HARANGIB，TOTHJ，HAJDUA.Fusionofdeepconvolutionalneuralnetworksformicroaneurysmdetectionincolorfundusimages［C］∥201840thAnnualInternationalConferenceoftheIEEEEngineeringinMedicineandBiologySociety（EMBC）.IEEE，2018：3705-3708.

［15］蔡改貧，劉占，汪龍，等.基于形態(tài)學優(yōu)化處理的標記符分水嶺礦石圖像分割［J］.科學技術與工程，2020，20（23）：9497-9502.

［16］柳小波，張育維.基于U-Net和Res_UNet模型的傳送帶礦石圖像分割方法［J］.東北大學學報（自然科學版），2019，40（11）：1623-1629.

［17］HEK，ZHANGX，RENS，etal.Deepresiduallearningforimagerecognition［C］∥ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2016：770-778.

［18］LIUX，ZHANGY，JINGH，etal.OreimagesegmentationmethodusingU-NetandRes_Unetconvolutionalnetworks［J］.RSCAdvances，2020，10（16）：9396-9406.

［19］WANGQ，WUB，ZHUP，etal.ECA-Net：Efficientchannelattentionfordeepconvolutionalneuralnetworks［C］∥ProceedingoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2020：1910.03151.