基于卷积神经网络(Convolutional Neural Network, CNN)利用图像预测再生稳定土(Recycled Stabilized Soils)粒径分布(Particle Size Distribution, PSD)
《International Journal of Geo-Engineering》:Image-based prediction of particle size distribution in recycled stabilized soils using convolutional neural networks
编辑推荐:
摘要:本研究提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的方法,用于估算由Ao黏土、纸污泥灰基稳定剂(Paper–Sludge–Ash-based Stabilizer, PSAS)及高炉矿渣水泥B型(Blas
摘要:本研究提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的方法,用于估算由Ao黏土、纸污泥灰基稳定剂(Paper–Sludge–Ash-based Stabilizer, PSAS)及高炉矿渣水泥B型(Blast Furnace Slag Cement type B, BFCB)组成的再生稳定土(Recycled Stabilized Soils)的粒径分布(Particle Size Distribution, PSD)。该方法解决了传统PSD分析中因含湿量高、含细颗粒再生土难以评估而耗时过长的问题。研究人员建立了包含1080张多粒级混合样品图像、4000张合成(Merged)样品图像及10张单粒级分样图像并配对错筛分法测得的PSD的综合图像数据库,构建了轻量化CNN模型,可从低分辨率(112×112像素)土壤图像预测PSD。为保证物理一致性,模型输出各标准筛孔对应的留存质量百分率,经后处理得到累积PSD曲线。与传统图像分析法不同,CNN方法能有效应对由含水、颗粒内孔隙(Intraparticle Porosity)及不规则颗粒形状引起的视觉变异。训练后模型精度较高:95%测试图像的判定系数(Coefficient of Determination, R2)高于90%,平均绝对误差(Mean Absolute Error, MAE)为0.0158;即便对小于像素分辨率的细颗粒亦可准确预测,表明CNN学到了超出颗粒轮廓的纹理与亮度模式信息。除完整PSD曲线外,CNN对细料(Fines)、砂(Sand)、砾石(Gravel)含量的关键分类参数预测R2*亦超过91%。该基于图像的无损技术可为建筑污泥再生设施现场质检提供快速质控方案。
本研究发表于《International Journal of Geo-Engineering》。
研究背景与意义
传统建筑废弃污泥再生稳定土(Recycled Stabilized Soils)的品质控制常检测无侧限抗压强度或圆锥指数,但反映水力特性的关键参数——粒径分布(Particle Size Distribution, PSD)——因传统筛分法耗时且受含湿黏聚性影响、激光衍射对不规则颗粒精度差、动态图像分析(Dynamic Image Analysis, DIA)需烘干分散会破坏再生土原始团聚结构且受粗粒超限制约,难以在现场快速获得。再生稳定土含由固化剂胶结形成的絮凝团粒,具不规则外形、颗粒内孔隙(Intraparticle Porosity)及高内含水量,使光学成像受亮度、阴影及反射率变化干扰,传统基于边缘提取的图像分析法失效。已有CNN用于天然土PSD预测的研究,但尚未在组成与形态迥异的再生稳定土中验证。因此研究人员开展本研究,旨在建立基于CNN的图像化PSD无损快速预测框架,服务于再生土生产设施的实时质控,并为后续渗透系数估算提供基础。
主要关键技术方法
研究人员制备含Ao黏土(液限wL=40.7%,塑限wP=23.7%,CL级)、纸污泥灰基稳定剂(PSAS, 掺3%干质量)及高炉矿渣水泥B型(BFCB, 掺5%或10%干质量)的模拟再生土试样,设置9种初始含水率(0.1–0.9 wL)及两种养护条件(密封7 d / 密封6 d+10% CO2碳化24 h, 25℃)。图像采集:试样松散倾入24×18×3 cm托盘,Canon EOS Kiss X10相机距样面28 cm垂直拍摄10×10 cm区域(4000×4000像素RGB),双光源减影,每配比重复装填拍摄30次得多粒级混合图像;过10级套筛(26.5–0.075 mm)获单粒级分样并拍摄;将单粒级图像裁剪拼合为2×2与4×4合成(Merged)图像作数据增强。PSD获取:试样不做烘干直接按日本地質学会JGS 0131筛析获对应PSD标签。预处理:原图下采样至112×112像素(像元尺寸0.892 mm),灰度归一化至[0,1]。数据集划分:训练集含多粒级、单粒级及合成图像(再按7∶3分为训练与验证),测试集仅含多粒级图像(180张)。自建轻量化CNN(约655万参数):卷积块提取纹理特征→全局平均/最大池化→全连接层→输出层11节点对应各筛留存质量百分率,Softmax激活使和为1;损失函数为各筛留存质量百分率的平均绝对误差(Mean Absolute Error, MAE);优化器Adam;超参数(学习率、批大小、滤波器数等)网格寻优;以判定系数R2及R2*评价PSD曲线与细料/砂/砾石含量预测精度;对照实验采用灰度共生矩阵(Gray-Level Co-occurrence Matrix, GLCM)提取纹理+多层感知机(Multilayer Perceptron, MLP)预测PSD。
研究结果
Materials and sample preparation(材料与试样制备)
研究人员按设定配比混匀Ao黏土(不同初始含水率)、PSAS(3%干质量比)及BFCB(5%或10%干质量比),分两组养护——密封7 d或先密封6 d再CO2碳化1 d(pH由≈12降至≈8.6)。再生土颗粒因化学胶结呈不规则形貌及颗粒内孔隙,随粒径增大更显著;含水率升高使粗粒比例增加、细料减少,BFCB掺量提高与碳化略使级配变细。
Database construction from recycled soil(再生土数据库构建)
(1)多粒级混合样品图像与PSD:36种配比各拍30次得1080张,对应未烘干筛析PSD。(2)单粒级分样图像与PSD:10个筛分级配范围对应10张图像,PSD按筛分级定义。(3)合成(Merged)样品图像与PSD:单粒级图裁剪拼接为2×2(共2000张)和4×4(共2000张)合成图像,依子图体积占比与实测堆积密度(各粒级0.96–1.05 g/cm3)算质量百分比得PSD。最终建库含1080+10+4000张图像及配对PSD标签;原图降采样112×112像素,训练/验证/测试严格分开。
CNN model development for PSD detection(PSD检测的CNN模型开发)
研究人员设计轻量化CNN(6.55M参数,远少于VGG16/AlexNet/ResNet等),含卷积块(多滤波器提取局部纹理、Max/Average Pooling降维保特征)与全连接块(Flatten→ReLU隐层→Softmax输出11筛留存质量百分率,和为1,后处理累加得通过百分率即PSD曲线)。以MAE为损失函数,Adam优化,超参数遍历调优至验证损失<0.02收敛。评价指标:R2=1?∑(yas?yps)2/∑(yas??a)2,辅以均方误差(Mean Squared Error, MSE);细料(Fines, <0.075 mm)、砂(Sand, 0.075–2 mm)、砾石(Gravel, >2 mm)含量由预测PSD曲线换算,以R2*、MAE*、MSE*评价。
Results and discussion(结果与讨论)
—Evaluation of CNN model performance on PSD curves(CNN模型对PSD曲线的预测性能评价):测试集180张图中95%(171张)达高准确度(R2≥90%),仅1张低准确度(R2<90%),8张中等(80%≤R2<90%);平均RMSE=0.0264,MAE=0.0158,优于已有文献CNN法。各粒级预测误差(MAE 0.01–0.04)无显著差异,表明CNN可凭纹理/亮度模式(非仅凭颗粒边缘提取)预测小于像素分辨率(0.892 mm>>0.075 mm)的细粒含量。特征图(Feature Map)显示初层卷积滤波器分别对大颗粒边缘与小颗粒表面亮度/像素密度激活,池化层保留主导空间特征助区分粒级。与传统灰度共生矩阵(GLCM)–多层感知机(MLP)对照:GLCM–MLP仅91.67%测试图达高准确度,MAE与RMSE均高于CNN,证实CNN更能捕捉再生土异质孔隙与湿度反射特征。
—Evaluation of CNN model performance for fines, sand, and gravel contents(CNN模型对细料、砂及砾石含量的预测性能评价):由预测PSD导出细料(Fc)、砂(Sc)、砾石(Gc)含量,与筛析值比对得细料MAE*=0.0264、MSE*=0.0018、R2*=91.39%;砂MAE*=0.0350、MSE*=0.0021、R2*=91.37%;砾石MAE*=0.0523、MSE*=0.0045、R2*=94.41%。额外对市售再生土(未知配比、小样本)预测Fc、Sc、Gc与筛析结果趋势相符,说明各再生土设施自建数据库后可通用本架构。
讨论与结论翻译(Conclusions)
研究人员得出以下结论:(1)构建了含1080张多粒级混合图像、10张单粒级分样图像及4000张合成图像且配对错未烘干筛析PSD的图像数据库;基于预处理112×112像素图像训练的轻量化CNN,95%测试图R2>0.90,平均RMSE=0.0264、MAE=0.0158,较既有CNN基PSD估算法显著提升。(2)所提方法在包括小于像素分辨率细粒的宽粒级范围内表现稳健;特征图分析表明CNN不只依赖显式边界检测,还能解译亮度与纹理特征,这对具不规则形状、颗粒内孔隙及湿度相关反射变异的再生土颗粒分析至关重要。(3)除PSD曲线外,CNN对细料、砂及砾石含量之R2*分别达91.39%、91.37%及94.41%,上述指标是再生土分类及评估土木再利用潜力的关键。该基于图像深度学习之法可在颗粒形态不均及含水变异性强条件下对再生土PSD作快速无损评估,各再生土生产设施只需依自身原料建库即可直接应用此架构,可作为跨再生土基质粒径估算之通用框架,未来可通过扩充多样样本及嵌入实时系统进一步推动现场质控与可持续资源循环。