向科峰 張津晨 劉自紅

摘要：水泥生產(chǎn)過程中需要實(shí)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(diào)整滯后的現(xiàn)狀，基于深度學(xué)習(xí)搭建并優(yōu)化了水泥顆粒圖像分割網(wǎng)絡(luò)模型。實(shí)驗(yàn)表明：基于深度學(xué)習(xí)的水泥顆粒圖像分割網(wǎng)絡(luò)模型對水泥顆粒圖像的分割精度達(dá)98%、分割準(zhǔn)確度達(dá)94%，與離線檢測的誤差在8%以內(nèi)。提高了分割精度和檢測效率，滿足水泥生產(chǎn)中過程控制智能化和信息化要求。

關(guān)鍵詞：深度學(xué)習(xí)圖像分割顆粒檢測水泥

中圖分類號：TB44文獻(xiàn)標(biāo)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(chǎn)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(diào)整生產(chǎn)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(fēng)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(jìn)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(jìn)行檢測，將檢測結(jié)果與粉料的SEM圖像對比來驗(yàn)證該方法的準(zhǔn)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(yīng)當(dāng)從粒度檢測的重復(fù)性、真實(shí)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(shù)具有檢測范圍更廣、檢測參數(shù)更為全面的優(yōu)點(diǎn)。

在圖像法檢測技術(shù)方面，張國英等［9-10］提出了基于自適應(yīng)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(shí)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(jié)、邊緣弱化以及細(xì)小顆粒的分割效果不理想。近幾年，深度學(xué)習(xí)被廣泛應(yīng)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(wǎng)絡(luò)來對眼底血管圖像進(jìn)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(jié)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(xué)習(xí)的圖像法檢測技術(shù)，以期實(shí)現(xiàn)水泥生產(chǎn)過程中水泥顆粒質(zhì)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(jīng)過粉磨后的水泥質(zhì)地疏松、粒度細(xì)小、易黏結(jié)，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(wù)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(biāo)簽作為數(shù)據(jù)集。本文采用專業(yè)圖像采集設(shè)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(jīng)數(shù)據(jù)集標(biāo)注軟件labelme手動標(biāo)記的水泥顆粒圖像數(shù)據(jù)標(biāo)簽如圖2所示，結(jié)合原圖像和標(biāo)簽數(shù)據(jù)組成兩個目標(biāo)任務(wù)數(shù)據(jù)集。針對水泥顆粒的小樣本問題，對數(shù)據(jù)集進(jìn)行增強(qiáng)，實(shí)現(xiàn)數(shù)據(jù)集的擴(kuò)張，以便于提高訓(xùn)練模型的泛化性能，結(jié)果如圖3所示。

1.2網(wǎng)絡(luò)結(jié)構(gòu)

顆粒邊界的分割是采用圖像法對水泥顆粒進(jìn)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(jié)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(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行優(yōu)化改進(jìn)以實(shí)現(xiàn)水泥顆粒圖像的精準(zhǔn)分割，然后根據(jù)顆粒分割結(jié)果進(jìn)行幾何參數(shù)的提取與統(tǒng)計(jì)分析。

1.2.1U-Net++網(wǎng)絡(luò)

U-Net++網(wǎng)絡(luò)模型是在U-Net基礎(chǔ)上改進(jìn)后所得。U-Net網(wǎng)絡(luò)通過4次下采樣操作后再進(jìn)行上采樣，使得網(wǎng)絡(luò)僅能夠抓取到圖片的深層特點(diǎn)從而忽略淺層特征。而U-Net++網(wǎng)絡(luò)模型在下采樣操作的同時進(jìn)行上采樣，整體結(jié)構(gòu)通過長短連接把1～4層的U-Net都結(jié)合在一起。如圖4所示，U-Net++網(wǎng)絡(luò)把每一次上采樣的結(jié)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(jìn)行串聯(lián)，這種交互式網(wǎng)絡(luò)結(jié)構(gòu)對圖像分割更為精細(xì)。因?yàn)閁-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(xì)節(jié)以及微小顆粒等特征經(jīng)過幾輪下采樣后會導(dǎo)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(jìn)的U-Net++網(wǎng)絡(luò)

對比兩種網(wǎng)絡(luò)結(jié)構(gòu)對水泥顆粒的分割效果后發(fā)現(xiàn)，U-Net++結(jié)構(gòu)的網(wǎng)絡(luò)模型對圖像的淺層及深層特征具有較強(qiáng)的提取能力，但U-Net++網(wǎng)絡(luò)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(wǎng)絡(luò)模型中，再將ECA（注意力集中機(jī)制）模塊加入到殘差U-Net網(wǎng)絡(luò)架構(gòu)的卷積層末端中，優(yōu)化后的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。

改進(jìn)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?qū)崿F(xiàn)對層數(shù)更深的網(wǎng)絡(luò)訓(xùn)練并能克服由于網(wǎng)絡(luò)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(yīng)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(wǎng)絡(luò)對水泥顆粒的分割性能。

1.3殘差模塊

殘差模塊通過在網(wǎng)絡(luò)模型內(nèi)部結(jié)構(gòu)中增加跳躍連接實(shí)現(xiàn)模型復(fù)雜度的動態(tài)調(diào)整，且跳躍連接在促進(jìn)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(chǔ)上，針對水泥顆粒圖像分割缺乏細(xì)節(jié)表征能力的情況，將網(wǎng)絡(luò)主干更換成ResNet。如圖6所示，殘差網(wǎng)絡(luò)工作的主要機(jī)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(jī)制

原始U-Net網(wǎng)絡(luò)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(jī)制）模塊加入到殘差U-Net++網(wǎng)絡(luò)架構(gòu)中，構(gòu)成ECA殘差U-Net++。ECA模塊在經(jīng)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?fù)ǖ纴慝@取局部跨通道交互信息?；谕ǖ赖淖⒁饬袡C(jī)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(nèi)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(wǎng)絡(luò)結(jié)構(gòu)發(fā)生變化，本文在卷積結(jié)尾時插入ECA模塊用作預(yù)訓(xùn)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(wǎng)絡(luò)結(jié)構(gòu)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(guān)且與C存在某種映射關(guān)系。ECA通過k=5個臨近通道計(jì)算得到，由于通道數(shù)通常為2的指數(shù)倍，在本文中設(shè)置與k線性相關(guān)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?jīng)Q定［19］：

2結(jié)果與分析

2.1網(wǎng)絡(luò)模型訓(xùn)練

為檢驗(yàn)所選用網(wǎng)絡(luò)對水泥顆粒圖像的分割效果，分別在U-Net，U-Net++及改進(jìn)后的U-Net++網(wǎng)絡(luò)模型下對相同的800張水泥顆粒圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，測試集為200張水泥顆粒圖像，觀察網(wǎng)絡(luò)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(shí)驗(yàn)條件，在對水泥顆粒數(shù)據(jù)集訓(xùn)練過程中將學(xué)習(xí)率的原始值設(shè)置為0.0001并且采用Adam算法對其進(jìn)行優(yōu)化，損失函數(shù)選用二元交叉熵?fù)p失函數(shù)。

式中：Loss為訓(xùn)練過程中的損失值；yi為被檢測樣本i的標(biāo)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(wǎng)絡(luò)模型對水泥顆粒數(shù)據(jù)集進(jìn)行訓(xùn)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(jìn)后的方法在訓(xùn)練時的損失值相對于另外兩種網(wǎng)絡(luò)更小，而且收斂速度更快。表明引入殘差模塊和ECA模塊使網(wǎng)絡(luò)的性能更優(yōu)且加快了訓(xùn)練的收斂速度。

2.2網(wǎng)絡(luò)模型的性能對比

使用U-Net，U-Net++及改進(jìn)后的U-Net++網(wǎng)絡(luò)模型對隨機(jī)選取的水泥顆粒圖像進(jìn)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(shí)現(xiàn)對細(xì)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小；本文模型不僅能達(dá)到前兩種模型的分割效果，在分割細(xì)節(jié)上表現(xiàn)更加精細(xì)，能將有少許黏結(jié)的微小顆粒分割開來，分割效果明顯提升。

為進(jìn)一步驗(yàn)證本文方法的分割效果，將改進(jìn)后U-Net++模型以及兩種基礎(chǔ)模型同時對水泥顆粒測試集圖片進(jìn)行分割測試驗(yàn)證，測試結(jié)果的精度、準(zhǔn)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(jìn)行多次數(shù)值分析及求平均的統(tǒng)計(jì)結(jié)果。從表1可以看出，本文方法的分割精度達(dá)98%以上，準(zhǔn)確率達(dá)94%以上，優(yōu)于對比網(wǎng)絡(luò)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(biāo)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(zhǔn)。

2.3幾何參數(shù)提取結(jié)果分析

在進(jìn)行水泥顆粒檢測過程中，待檢測樣品圖片經(jīng)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(jìn)行標(biāo)記并依次排號，最終得到圖11（b）所示結(jié)果，在此基礎(chǔ)上，對分割出來的水泥顆粒通過相關(guān)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(jīng)過刻度標(biāo)定得到相應(yīng)的實(shí)際參數(shù)。

經(jīng)過網(wǎng)絡(luò)模型分割識別出的水泥顆粒相關(guān)幾何參數(shù)與實(shí)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(jī)抽取了20個水泥顆粒進(jìn)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(jìn)行對比。經(jīng)過對比分析，粒徑檢測誤差平均值在5%以內(nèi)，長寬比檢測誤差平均值在7%以內(nèi)，圓形度檢測誤差平均值在2%以內(nèi)，能夠達(dá)到檢測要求。

為進(jìn)一步驗(yàn)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(zhì)量合格的水泥顆粒進(jìn)行4次檢測，統(tǒng)計(jì)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(nèi)檢測誤差最大不超過5%，且檢測45μm篩余值也達(dá)到了合格標(biāo)準(zhǔn)，表明本文檢測方法具備一定的準(zhǔn)確性和穩(wěn)定性，能夠?yàn)樗嗌a(chǎn)過程實(shí)現(xiàn)數(shù)據(jù)采集分析、進(jìn)一步自動化改造提升產(chǎn)能提供可靠的顆粒檢測數(shù)據(jù)。

3結(jié)論

本文搭建了基于深度學(xué)習(xí)的水泥顆粒檢測網(wǎng)絡(luò)模型，通過圖像法實(shí)現(xiàn)水泥顆粒分割和幾何參數(shù)提取，得到以下結(jié)論：（1）以U-Net++為基礎(chǔ)，通過引入殘差模塊以及注意力集中機(jī)制對網(wǎng)絡(luò)性能進(jìn)行優(yōu)化，實(shí)現(xiàn)了水泥顆粒圖像的像素級分割，分割精度提升至98%、準(zhǔn)確率提升至94%，解決了顆粒黏結(jié)難以分割的問題以及細(xì)小顆粒漏分割的問題。（2）在像素級分割的基礎(chǔ)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(zhuǎn)化為實(shí)際尺寸，并將數(shù)據(jù)可視化為圖表，模型檢測結(jié)果與人工檢測結(jié)果相比誤差在8%以內(nèi)，達(dá)到水泥生產(chǎn)的質(zhì)量控制要求。

參考文獻(xiàn)

［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(xué)會.第六屆全國顆粒測試學(xué)術(shù)會議論文集，2005：131-134.

［2］汪富軍，陳洪光.水泥質(zhì)量波動對混凝土強(qiáng)度和耐久性的影響［J］.隧道建設(shè)，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(shù)，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(jī)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(shù)，2001（3）：33-34.

［8］祁明鎰.沉降技術(shù)的粒度分析［J］.武漢鋼鐵學(xué)院學(xué)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(xiàng)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(xué)鵬，王遠(yuǎn)軍．采用密集多尺度卷積網(wǎng)絡(luò)的胰腺分割方法［J/OL］．小型微型計(jì)算機(jī)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(yīng)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(xué)優(yōu)化處理的標(biāo)記符分水嶺礦石圖像分割［J］.科學(xué)技術(shù)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(xué)學(xué)報（自然科學(xué)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.