基于深度学习的水泥颗粒检测方法

向科峰 张津晨 刘自红

摘要：水泥生产过程中需要实时检测水泥颗粒粒径、圆度等几何参数。针对粒度离线检测效率低、参数调整滞后的现状，基于深度学习搭建并优化了水泥颗粒图像分割网络模型。实验表明：基于深度学习的水泥颗粒图像分割网络模型对水泥颗粒图像的分割精度达98%、分割准确度达94%，与离线检测的误差在8%以内。提高了分割精度和检测效率，满足水泥生产中过程控制智能化和信息化要求。

关键词：深度学习图像分割颗粒检测水泥

中图分类号：TB44文献标志码：A文章编号：1671-8755（2023）01-0098-07

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

Keywords：Deeplearning;Imagesegmentation;Particletesting;Cement

水泥的几何特征对其性能有重要影响［1-2］。传统的生产方法就是将水泥生料粉磨后再通过筛分分选出所需颗粒大小的水泥，但这种方法效率低下且易造成筛孔堵塞，无法快捷地通过控制系统调整生产参数。采用气流分级的方法可以从根本上解决传统筛分中筛孔易堵塞的问题［2-3］，但受入料水分、分级风速等不确定因素的影响，分级效果会有一定的波动，因此需要对分级效果进行检测。针对水泥颗粒的检测问题，杨道媛等［4］深入研究了英国马尔文激光粒度分析仪的工作原理，并对不同粒径粉料颗粒进行检测，将检测结果与粉料的SEM图像对比来验证该方法的准确性［5-6］。张福根等［7-8］基于沉降分析法、电阻法等检测原理，提出应当从粒度检测的重复性、真实性、易操作性等多个角度去评估其检测性能。上述检测方法存在检测范围较小、检测参数单一等问题，而图像法检测技术具有检测范围更广、检测参数更为全面的优点。

在图像法检测技术方面，张国英等［9-10］提出了基于自适应阈值化的矿石图像分割方法，能够更好抑制矿石表面的噪声信息，实现堆叠状态下的矿石图像阈值化分割。但传统的图像分割方法对于颗粒黏结、边缘弱化以及细小颗粒的分割效果不理想。近几年，深度学习被广泛应用在图像的分类以及图像的分割问题上［11-13］，为水泥颗粒的图像法检测提供了一种可能。Harangi等［14］使用深度卷积网络来对眼底血管图像进行分割，分割效果相对于传统的图像处理方法更好［15-17］，而眼底血管图像与水泥颗粒图像均存在黏结重叠的问题，且二者都是分割检测中的二分类问题。因此，本文提出一种基于深度学习的图像法检测技术，以期实现水泥生产过程中水泥颗粒质量检测的智能化与信息化。

1图像分割算法

1.1数据集制作

水泥颗粒图像法检测的对象是水泥生料颗粒。经过粉磨后的水泥质地疏松、粒度细小、易黏结，水泥颗粒的分割识别与其他微小颗粒的分割识别相比更加困难。因此，在使用图像法检测微小颗粒的分割任务中水泥颗粒的分割识别更具代表性。

水泥颗粒的分割采用全监督的方式，需要一定数量水泥颗粒样品图的标签作为数据集。本文采用专业图像采集设备获取水泥颗粒图制作数据集。

原始图片及根据尺寸要求裁剪的局部512×512像素图片如图1所示。经数据集标注软件labelme手动标记的水泥颗粒图像数据标签如图2所示，结合原图像和标签数据组成两个目标任务数据集。针对水泥颗粒的小样本问题，对数据集进行增强，实现数据集的扩张，以便于提高訓练模型的泛化性能，结果如图3所示。

1.2网络结构

颗粒边界的分割是采用图像法对水泥颗粒进行几何参数检测的核心，但水泥颗粒图中有重叠、图片模糊以及颗粒间边缘黏结的情况。传统图像分割方法例如阈值分割、分水岭等算法无法精确地将水泥颗粒分割出来。本文在U-Net++网络模型的基础上进行优化改进以实现水泥颗粒图像的精准分割，然后根据颗粒分割结果进行几何参数的提取与统计分析。

1.2.1U-Net++网络

U-Net++网络模型是在U-Net基础上改进后所得。U-Net网络通过4次下采样操作后再进行上采样，使得网络仅能够抓取到图片的深层特点从而忽略浅层特征。而U-Net++网络模型在下采样操作的同时进行上采样，整体结构通过长短连接把1～4层的U-Net都结合在一起。如图4所示，U-Net++网络把每一次上采样的结果（X0，1，X0，2，X0，3，X0，4）都连接起来以便于获得不同层次的特征，它能够掌握每一层特征并判别分析所需求的特征信息。U-Net++模型与U-Net模型的区别在于上采样出现在模型的编码器部分。模型中交互式的跳跃连接将各个卷积模块进行串联，这种交互式网络结构对图像分割更为精细。因为U-Net模型针对尺寸不一致的水泥颗粒的特征提取具备一定的差异性，特别是对细节以及微小颗粒等特征经过几轮下采样后会导致分割效果较差，因而U-Net++这种交互式模型更适用于水泥颗粒的分割检测。

1.2.2改进的U-Net++网络

对比两种网络结构对水泥颗粒的分割效果后发现，U-Net++结构的网络模型对图像的浅层及深层特征具有较强的提取能力，但U-Net++网络模型同样存在卷积感受视野范围有限、提取水泥颗粒边缘及完整的图像特征不足的問题。针对以上问题，本文引入ResNet-34模块到U-Net++网络模型中，再将ECA（注意力集中机制）模块加入到残差U-Net网络架构的卷积层末端中，优化后的网络模型结构如图5所示。

改进后的U-Net++模型延续了U-Net模型原有的主要框架，残差模块的引入能够实现对层数更深的网络训练并能克服由于网络层数加深造成的参数过多和梯度弥散问题;ECA模块可以根据通道数自适应卷积核大小，凭借其防止降维能力及跨通道交互能力，提升网络对水泥颗粒的分割性能。

1.3残差模块

残差模块通过在网络模型内部结构中增加跳跃连接实现模型复杂度的动态调整，且跳跃连接在促进信息传播的同时不会退化，解决性能退化以及梯度爆炸等问题。

本文在原有的U-Net以及U-Net++的基础上，针对水泥颗粒图像分割缺乏细节表征能力的情况，将网络主干更换成ResNet。如图6所示，残差网络工作的主要机制是通过短连接直接把输入数据叠加至卷积末端，其最终输出可以表示为［18］：

1.4ECA注意力集中机制

原始U-Net网络中的卷积感受视野范围有限，因此提取出的水泥颗粒边缘及完整的图像特征不足。为解决该问题，将图7所示的ECA（注意力集中机制）模块加入到残差U-Net++网络架构中，构成ECA残差U-Net++。ECA模块在经过没有降低维数的通道级全局平均池化（GAP）之后，凭借每个通道以及它的k个附近相邻通道来获取局部跨通道交互信息。基于通道的注意力集中机制是凭借k个1D卷积操作完成跨通道交互功能，k是卷积的内核尺寸参数，特征图的维度为［C，H，W］，σ代表使用的是ReLue激活函数。

为避免残差模块下的网络结构发生变化，本文在卷积结尾时插入ECA模块用作预训练参数。在ECA模块里，k的值会直接影响通道局部交互的范围大小，而且不同网络结构以及在通道数不一致的时候k的选取也会大相径庭。k的取值与通道数C的数值密切相关且与C存在某种映射关系。ECA通过k=5个临近通道计算得到，由于通道数通常为2的指数倍，在本文中设置与k线性相关的参数b=1，γ=2，||odd代表k只能取奇数，故k的值最终由下式决定［19］：

2结果与分析

2.1网络模型训练

为检验所选用网络对水泥颗粒图像的分割效果，分别在U-Net，U-Net++及改进后的U-Net++网络模型下对相同的800张水泥颗粒图像数据集进行训练，测试集为200张水泥颗粒图像，观察网络模型对测试集水泥颗粒图像的分割效果。

根据水泥颗粒二分类问题的使用需求和实验条件，在对水泥颗粒数据集训练过程中将学习率的原始值设置为0.0001并且采用Adam算法对其进行优化，损失函数选用二元交叉熵损失函数。

式中：Loss为训练过程中的损失值；yi为被检测样本i的标签；pi为被检测样本i检测为正类的概率；N代表需要识别的样本数量（N=1）。

采用3种不同网络模型对水泥颗粒数据集进行训练，其损失值随着迭代次数增加的变化趋势如图8所示。从曲线在迭代次数增加后的走势可以看出，改进后的方法在训练时的损失值相对于另外两种网络更小，而且收敛速度更快。表明引入残差模块和ECA模块使网络的性能更优且加快了训练的收敛速度。

2.2网络模型的性能对比

使用U-Net，U-Net++及改进后的U-Net++网络模型对随机选取的水泥颗粒图像进行分割，得到图9所示的分割效果对比图。

从图9可以看出，U-Net模型以及U-Net++模型能够基本实现对细小水泥颗粒的边界分割且受背景以及颗粒图像边缘模糊影响较小；本文模型不仅能达到前两种模型的分割效果，在分割细节上表现更加精细，能将有少许黏结的微小颗粒分割开来，分割效果明显提升。

为进一步验证本文方法的分割效果，将改进后U-Net++模型以及两种基础模型同时对水泥颗粒测试集图片进行分割测试验证，测试结果的精度、准确率和召回率如表1所示，其数据是分别对U-Net，U-Net++和本文图像分割方法进行多次数值分析及求平均的统计结果。从表1可以看出，本文方法的分割精度达98%以上，准确率达94%以上，优于对比网络模型。从图10的mIoU曲线可以看出，在迭代过程中本文模型收敛更快，且mIoU指数在迭代10次左右趋于平稳，平均指标相比于U-Net提升约8%，表明本文模型对水泥颗粒的分割更加精准。

2.3几何参数提取结果分析

在进行水泥颗粒检测过程中，待检测样品图片经过本文搭建的算法模型从图11（a）中将水泥颗粒分割开来，再选取bwlabel等库函数将单个水泥颗粒划分出来进行标记并依次排号，最终得到图11（b）所示结果，在此基础上，对分割出来的水泥颗粒通过相关库函数拟合得出其具体几何参数，如粒径、长宽比、圆度等，最后对所得到的像素尺寸经过刻度标定得到相应的实际参数。

经过网络模型分割识别出的水泥颗粒相关几何参数与实际人工描绘的颗粒几何参数具有一定误差。如图12、图13、图14所示，本文从不同的检测图片中随机抽取了20个水泥颗粒进行检测，得到粒径以及圆形度几何参数并且与人工检测所得的数据进行对比。经过对比分析，粒径检测误差平均值在5%以内，长宽比检测误差平均值在7%以内，圆形度检测误差平均值在2%以内，能够达到检测要求。

为进一步验证本文方法对于水泥颗粒粒度分布检测的稳定性，对同一批次质量合格的水泥颗粒进行4次检测，统计得到如图15所示的水泥粒度分布数据图。4次检测所得粒径分布数据曲线吻合度较高，其不同粒级区间内检测误差最大不超过5%，且检测45μm筛余值也达到了合格标准，表明本文检测方法具备一定的准确性和稳定性，能够为水泥生产过程实现数据采集分析、进一步自动化改造提升产能提供可靠的颗粒检测数据。

3结论

本文搭建了基于深度学习的水泥颗粒检测网络模型，通过图像法实现水泥颗粒分割和几何参数提取，得到以下结论：（1）以U-Net++为基础，通过引入残差模块以及注意力集中机制对网络性能进行优化，实现了水泥颗粒图像的像素级分割，分割精度提升至98%、准确率提升至94%，解决了颗粒黏结难以分割的问题以及细小颗粒漏分割的问题。（2）在像素级分割的基础上，采用算法拟合得出水泥颗粒的等效粒径、圆度、长宽比等几何参数，再将颗粒像素信息转化为实际尺寸，并将数据可视化为图表，模型检测结果与人工检测结果相比误差在8%以内，达到水泥生产的质量控制要求。

参考文献

［1］蔡红，王明宏，李冷.颗粒几何特性对水泥性能的影响［C］∥中国颗粒学会.第六届全国颗粒测试学术会议论文集，2005：131-134.

［2］汪富军，陈洪光.水泥质量波动对混凝土强度和耐久性的影响［J］.隧道建设，2009，29（6）：648-649.

［3］董青云.颗粒特性对水泥性能的影响及分析方法［J］.四川水泥，2001（1）：9-12.

［4］楊道媛，马成良，孙宏魏，等.马尔文激光粒度分析仪粒度检测方法及其优化研究［J］.中国粉体技术，2002，8（5）：27-30.

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

［6］李胜利，崔鹏，罗海斌.激光衍射法和机械筛分法测定PVC树脂粒径分布的对比［J］.聚氯乙烯，2020，48（9）：28-30.

［7］张福根，荣跃龙.粒度性能评价方法探讨［J］.中国粉体技术，2001（3）：33-34.

［8］祁明镒.沉降技术的粒度分析［J］.武汉钢铁学院学报，1983（2）：12-26.

［9］谢雅君，张国英.混配矿石图像的分割优化及级配检测算法［J］.有色金属：矿山部分，2019，71（6）：110-115.

［10］许文祥，张国英，蒋焱，等.基于二项分布的双窗OTSU的矿石分割模型［J］.有色金属：矿山部分，2019，71（3）：96-102.

［11］张学鹏，王远军．采用密集多尺度卷积网络的胰腺分割方法［J/OL］．小型微型计算机系统.（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］李鸿翔，王晓丽，阳春华，等.基于GAN-UNet的矿石图像分割方法［J］.控制理论与应用，2021，38（9）：1393-1398.

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

［15］蔡改贫，刘占，汪龙，等.基于形态学优化处理的标记符分水岭矿石图像分割［J］.科学技术与工程，2020，20（23）：9497-9502.

［16］柳小波，张育维.基于U-Net和Res_UNet模型的传送带矿石图像分割方法［J］.东北大学学报（自然科学版），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.