基于機(jī)器視覺的建筑垃圾填料物質(zhì)組分圖像分析方法

謝康 陳曉斌? 堯俊凱 蘇謙 陳龍 吳夢(mèng)黎

(1.中南大學(xué) 土木工程學(xué)院,湖南 長(zhǎng)沙 410083；2.中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司，北京 100081；3.西南交通大學(xué) 土木工程學(xué)院，四川 成都 610000)

隨著我國(guó)城市化水平不斷加快，建筑業(yè)得到了迅猛發(fā)展，但由此帶來的建筑垃圾也與日俱增[1-3]。資源短缺、環(huán)境污染已成為我國(guó)可持續(xù)發(fā)展的制約瓶頸。將建筑垃圾資源化利用，不僅有利于節(jié)材減棄，進(jìn)而產(chǎn)生客觀的社會(huì)、經(jīng)濟(jì)效益，而且對(duì)環(huán)境保護(hù)和資源的優(yōu)化利用起到重要的推進(jìn)作用。其中建筑垃圾資源化利用的一個(gè)重要方面就是作為路基填料[4-5]，我國(guó)公路、鐵路建設(shè)正處于高峰期，將混凝土塊、廢砂石、水泥制品及基坑廢土等建筑垃圾再生填埋都能應(yīng)用于路基填筑工程，不僅可以大大減小對(duì)砂石等天然填料的開采，而且建筑垃圾將會(huì)得到充分的資源化利用[6]。

建筑垃圾是天然石材、粘土磚、瀝青顆粒以及其他材料(例如玻璃、木材和塑料)的混合物[7]。由于產(chǎn)生位置的不同，建筑拆除廢物的組成具有多樣性[8]。此外，使用的破碎技術(shù)也會(huì)影響細(xì)粉含量和附著砂漿的比例[9]。由于在建筑混凝土制造中，使用嚴(yán)格質(zhì)量的原材料至關(guān)重要，因此，再生填料的這種成分多樣性是限制再生填料增值的主要原因。同時(shí)現(xiàn)有的建筑垃圾中較多的成分都是屬于可以用于再循環(huán)或者重新利用的材料。但是這些材料，具有諸多不利的工程特征，轉(zhuǎn)化為再生填料以后，與天然的填料相比還是有很大的差別[10]。為了保證路基填筑過程中安全性與穩(wěn)定性，在選擇建筑垃圾作為路基填料時(shí)，需要將建筑垃圾中的性能較好混凝土塊、磚瓦塊和碎石等再生填料篩選出來，以保證廢渣路基填料具有較好的物理力學(xué)性能。

相關(guān)國(guó)內(nèi)外學(xué)者已將建筑垃圾再生填料作為路基填料進(jìn)行了大量的應(yīng)用研究。徐寶龍[11]認(rèn)為建筑垃圾土雖具有上述不良性狀，但同時(shí)也具備了作為道路建筑材料的基本特性。Mahon等[12]研究了建筑垃圾作為填充物的特質(zhì)，建議不同的分類垃圾、不同的材料應(yīng)采用不同的技術(shù)對(duì)其進(jìn)行技術(shù)提煉。萬(wàn)惠文等[13]圍繞建筑垃圾再循環(huán)的利用途徑，重點(diǎn)對(duì)再生骨料與再生磚瓦進(jìn)行了詳細(xì)的評(píng)估，認(rèn)為其均滿足路基填充的要求；Sobhan[14]研究了再生骨料能夠提高路基因反復(fù)荷載而需的疲勞性能，驗(yàn)證了再生骨料是能夠用于高級(jí)公路路基中的；Jonathan等[15]開展了垃圾雜填土的抗剪性能試驗(yàn)，為將垃圾雜填土用作路基回填料提供了參考依據(jù)；馮碩[16]剖析了和建筑渣土有關(guān)的基本性能以及建筑渣土某些力學(xué)性能，研究得出建筑渣土可用于道路路基工程中，并基于實(shí)際工程闡述了建筑渣土用于道路路基的施工工藝。姚志雄[17]提出了建筑渣土符合路基填料規(guī)定的標(biāo)準(zhǔn)。因此，將建筑垃圾作為路基填料具有廣泛的應(yīng)用前景。

建筑垃圾的處理主要分為分選和加工破碎[18]，其中分選是建筑垃圾處理的關(guān)鍵步驟。與常規(guī)路基填料砂礫和灰土相比，建筑垃圾填料的特殊之處，就在于其組成成分的復(fù)雜性以及顆粒分布的不均勻性。首先通過分選將建筑垃圾中的無用料剔除，分離出可用的混凝土塊、磚瓦塊和碎石，其次才將分選出來的物料進(jìn)行加工破碎，獲得不同粒徑組分的再生填料。本研究中主要是分離并保留再生材料中的混凝土塊、磚瓦塊和碎石作為路基填料。

深度學(xué)習(xí)是一種使用深度神經(jīng)網(wǎng)絡(luò)(DNN)對(duì)數(shù)據(jù)集進(jìn)行分析和建模的機(jī)器學(xué)習(xí)方法。用于圖像分類的深度神經(jīng)網(wǎng)絡(luò)稱為卷積神經(jīng)網(wǎng)絡(luò)(CNN)。鑒于目前建筑垃圾篩選多采用人工篩選法進(jìn)行獲取，該方法耗時(shí)耗力，往往會(huì)限制建筑垃圾的二次利用應(yīng)用前景。本文中提出了一種基于深度學(xué)習(xí)的實(shí)時(shí)自動(dòng)確定建筑廢物成分的方法。首先，創(chuàng)建了一個(gè)包含再生骨料圖像的帶標(biāo)簽的數(shù)據(jù)集，并在該數(shù)據(jù)集上進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。此外，自定義了一種常見CNN以改善其性能。經(jīng)過訓(xùn)練后，CNN可以在再生填料圖片上識(shí)別出每個(gè)顆粒，并分析整個(gè)樣本的成分。最后，提出了一種根據(jù)其圖像估算每個(gè)顆粒質(zhì)量的方法。

1 試驗(yàn)材料及成分分析

本研究用到具有代表性的建筑垃圾，保證建筑垃圾中存在較多的性質(zhì)較為穩(wěn)定的惰性物料，主要包括：基坑土、混凝土塊以及碎石，其中混凝土塊、碎石等在經(jīng)過篩選后均可作為路基填料[10]。文中建筑垃圾取自中南大學(xué)校園內(nèi)巖土實(shí)驗(yàn)室的拆除垃圾，如圖1所示。

圖1 建筑垃圾Fig.1 Construction waste

現(xiàn)場(chǎng)建筑垃圾中含有大量的廢棄混凝土塊、磚塊等固體成分，同時(shí)還可能含有其他的有害成分。本文中主要分4步對(duì)建筑垃圾進(jìn)行處理：(1)采用鐵錘將粒徑最大的磚塊、混凝土塊進(jìn)行預(yù)破碎；(2)將進(jìn)行預(yù)破碎的建筑垃圾倒入破碎機(jī)中進(jìn)行碾碎，得到粒徑小于31.5 mm的填料；(3)將破碎的惰性材料吹干；(4)將以上階段處理后的材料，經(jīng)過拍照系統(tǒng)和深度學(xué)習(xí)系統(tǒng)篩分分選，才能得到最終有價(jià)值的路基填料。

2 卷積神經(jīng)網(wǎng)絡(luò)算法

卷積神經(jīng)網(wǎng)絡(luò)(CNN)[19]是用于圖像分析的深度神經(jīng)網(wǎng)絡(luò)。為了正確地將圖像進(jìn)行分類，需要首先從帶標(biāo)簽的數(shù)據(jù)集中學(xué)習(xí)。其中，帶標(biāo)簽的數(shù)據(jù)集包含許多已經(jīng)分類并賦予標(biāo)簽的圖像。

學(xué)習(xí)過程包括訓(xùn)練和驗(yàn)證兩個(gè)階段。在訓(xùn)練階段中，CNN接收?qǐng)D像并更新其濾波器的參數(shù)。此階段，濾波器學(xué)著提取相關(guān)的視覺特征，以區(qū)分不同標(biāo)簽的圖像。在驗(yàn)證階段中，CNN接收與訓(xùn)練階段圖像不同的圖像，來評(píng)估CNN的泛化能力。此外，在驗(yàn)證階段中，濾波器的權(quán)重不會(huì)更新。

本文選擇殘差網(wǎng)絡(luò)ResNet[20]作為基礎(chǔ)CNN架構(gòu)。當(dāng)在標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行測(cè)試時(shí)，34層殘差網(wǎng)絡(luò)ResNet34(RN34)的錯(cuò)誤率低于舊的CNN(VGG等)。此外，RN34所需的算力僅為VGG的5%。

50層殘差網(wǎng)絡(luò)ResNet50(RN50)是RN34的一種變體。RN50中的每個(gè)構(gòu)造塊都具有3個(gè)卷積，且比RN34中的相應(yīng)卷積輸出的特征圖更多。為了增加輸出的特征圖的數(shù)量，并限制所需的算力和內(nèi)存的增加，RN50中的每個(gè)構(gòu)造塊都具有瓶頸配置。當(dāng)在ImageNet上進(jìn)行測(cè)試時(shí)，RN50的錯(cuò)誤率比RN34更低，而所需的算力僅略有增加。

圖2(a)展示了基于使用完全預(yù)激活的經(jīng)典ResNet34網(wǎng)絡(luò)的C-RN34體系結(jié)構(gòu)。其主要區(qū)別在于C-RN34使用了深度可分離卷積(DSC[21])。與標(biāo)準(zhǔn)卷積相比，DSC所需的參數(shù)更少，因此計(jì)算量更小，但準(zhǔn)確性僅略微下降。因此，不同于RN50的可能導(dǎo)致特征丟失的瓶頸策略，C-RN34增加了RN34的特征圖的數(shù)量。

在輸入層后，第1層為跨度為2的7×7卷積，然后是1層3×3卷積。這兩個(gè)卷積均有128個(gè)濾波器。在C-RN34中，相同階段的特征圖數(shù)量分別為256、512、768和1 024。與RN50相比，階段4和階段5的特征圖較少。因此，C-RN34中的參數(shù)總數(shù)(約2 080萬(wàn))近似于RN50的參數(shù)總數(shù)(約2 360萬(wàn))。但是，C-RN34中的每一階段仍比RN34中的相應(yīng)階段的特征圖更多。此外，在C-RN34網(wǎng)絡(luò)的末端，全局平均池層和分類層之間添加了2 048個(gè)神經(jīng)元的全連接層。

C-RN34的構(gòu)造塊(下采樣塊(圖2(b))和恒等塊(圖2(c)))也有所不同。在經(jīng)典ResNet中，在階段3、4和5開始時(shí)，使用跨度為2的1×1卷積對(duì)特征圖進(jìn)行下采樣。但是，當(dāng)使用跨度卷積進(jìn)行下采樣時(shí)，會(huì)導(dǎo)致原始信息丟失。在C-RN34中，在下采樣塊中使用跨度為2的3×3 DSC。下采樣塊可以輸出空間尺寸為初始一半的特征圖。最后，在每個(gè)塊的末尾添加了一個(gè)壓縮-激勵(lì)塊[22]，CNN只選擇相關(guān)的特征圖。

圖2 模型架構(gòu)(圖中H,W,D表示輸入圖像的高度、寬度和深度)Fig.2 Model architecture(H,W,D in the figure represent the height,width,and depth of the input image)

3 再生填料組分圖像分析方法

3.1 創(chuàng)建標(biāo)簽數(shù)據(jù)集

3.1.1 樣本準(zhǔn)備和人工篩選

本文中研究對(duì)象為粒徑0～31.5 mm的再生填料。再生填料通常被細(xì)小物質(zhì)所覆蓋，掩蓋其顏色和質(zhì)地。因此，為了對(duì)再生填料進(jìn)行識(shí)別，首先需要用水沖洗掉覆蓋的物質(zhì)。其次，將其在105 ℃的干燥箱中干燥。然后，將其篩選為4～10 mm和10～31.5 mm的兩個(gè)部分，由于0～4 mm的顆粒太小而無法人工篩選，故不計(jì)入再生填料的成分。

然后，對(duì)再生填料進(jìn)行人工篩選。NF EN 933-11標(biāo)準(zhǔn)定義了人工篩選的流程以及再生填料的成分類別。但其中一些成分較為混雜，不適合使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類，仍需將一些再生填料的成分進(jìn)行細(xì)分。例如，天然石材類可分為6個(gè)子類：“石灰石”，“玄武巖”，“石英石”，“硅質(zhì)石”，“沖積石”和“板巖”。表1列出了再生填料的類別和對(duì)應(yīng)的細(xì)分子類，圖3為每個(gè)子類中存在的顆粒示例。

表1 NF EN 933-11標(biāo)準(zhǔn)定義的再生骨料分類及其子類Table 1 NF EN 933-11 classification of reclaimed aggregate and its subclasses as defined in the standard

圖3 子類顆粒示例Fig.3 Subclass particle example

NF EN 933-11標(biāo)準(zhǔn)規(guī)定任何含有砂漿的成分均屬于混凝土成分。這主要是由于天然石材和附著的砂漿的比例不同，導(dǎo)致混凝土類中的元素混雜。同時(shí)，諸多混凝土也主要由天然骨料組成，其表面覆蓋有少量砂漿，故與天然石材非常相似。

3.1.2 試驗(yàn)裝置

為了確定所需的成分，利用圖4所示的設(shè)備拍攝了300多張圖像。

圖4 試驗(yàn)設(shè)備Fig.4 Testing equipment

組件1：一臺(tái)分辨率為2 400萬(wàn)像素(6 000×4 000像素)的富士X-T20相機(jī)及兩個(gè)鏡頭：富士能XF60mm F2.4 R Macro和富士能XF35mm F2 R WR。由于設(shè)備精度原因，無法拍攝直徑小于4 mm的顆粒。

組件2：將照相機(jī)穩(wěn)定固定的一個(gè)可調(diào)距離的復(fù)制架。

組件3：兩個(gè)由256個(gè)LED組成的燈，主要提供可控的照明條件。其具有均勻的散光性和良好的顯色性。LED燈臂安裝在復(fù)印機(jī)支架上，并垂直于每個(gè)LED燈的平面。將燈放置在透明塑料板上方45 cm處。此外，燈的側(cè)面與復(fù)制架底座的側(cè)面平行。將亮度設(shè)置為最大值時(shí)，色溫為5 600 K。

組件4：高出底座10 cm的一個(gè)透明玻璃板，可以衰減再生骨料在背景產(chǎn)生陰影程度。此外，放置再生骨料時(shí)，必須保證相鄰顆粒之間沒有任何接觸。陰影的減少和顆粒的特定擺放可提高識(shí)別單個(gè)顆粒的能力。

組件5：不同于再生骨料中常見顏色的背景顏色(如藍(lán)色)，以提高圖像處理時(shí)單個(gè)顆粒的識(shí)別能力。

3.1.3 單顆粒的提取

為了建立數(shù)據(jù)集，共采樣了約43 kg的4～31.5 mm再生填料，并根據(jù)子類別進(jìn)行了手動(dòng)篩選和拍攝，如圖5(a)所示。然后，測(cè)量了圖片上所有顆粒的總質(zhì)量。其中，采樣的質(zhì)量是標(biāo)準(zhǔn)中定義的最小值(10 kg)的4倍以上。為了節(jié)省時(shí)間成本，此處不對(duì)顆粒進(jìn)行單獨(dú)稱重。文中共拍攝了360多張照片，使用在實(shí)驗(yàn)室開發(fā)的基于數(shù)學(xué)形態(tài)學(xué)的軟件分別提取了36 000多個(gè)顆粒，如圖6所示。步驟如下：

圖5 圖像處理過程Fig.5 Image processing

圖6 提取的顆粒Fig.6 Extracted particle

在CIE LUV顏色空間中通過閾值法進(jìn)行二值化。由于RGB顏色空間僅考慮顏色差異，不適用于將淺色的填料從背景中正確分離；

通過交替的順序形態(tài)濾波器進(jìn)行過濾來去除噪聲。圖5(b)為經(jīng)過二值化和濾波的圖像示例；

通過標(biāo)記控制的分水嶺算法[23]對(duì)顆粒進(jìn)行自動(dòng)分割。為了識(shí)別可能相互接觸的顆粒，將二值圖像距離函數(shù)的擴(kuò)展最大值作為標(biāo)記。圖5(c)展示了一個(gè)分割圖像的例子。

人工識(shí)別圖像上每個(gè)顆粒所屬的子類。

自動(dòng)識(shí)別每個(gè)顆粒，并生成易于識(shí)別的背景。在此步驟之后，獲取每個(gè)顆粒的幾何特征(如短軸和主軸的長(zhǎng)度，邊界框的位置和尺寸，投影面積和周長(zhǎng)等)。通過評(píng)估細(xì)長(zhǎng)度、扁平度、球形度、粗糙度等參數(shù)，可以計(jì)算再生填料的形狀。

統(tǒng)計(jì)36 000個(gè)顆粒圖像的子類分布，如圖7所示。由于一些子類包含難以找到的元素，子類的分布并不平均。其中，“石英石”，“玻璃”和“其他”數(shù)量最少。這種分布的不均勻會(huì)影響CNN的精度。

圖7 子類的顆粒數(shù)量分布Fig.7 Particle number distribution of subclasses

3.1.4 創(chuàng)建訓(xùn)練集和驗(yàn)證集

文中使用的自定義卷積神經(jīng)網(wǎng)絡(luò)要求圖像大小固定。因此，需要調(diào)整上一節(jié)提取的單個(gè)再生填料的圖像尺寸。為了保留良好的圖像分辨率，并保持合理的計(jì)算時(shí)間，設(shè)置尺寸為256×256像素。小于該尺寸的顆粒保持不變，而較大的顆粒圖像則縮放至該尺寸。如果生成的邊界框的尺寸小于256個(gè)像素，則對(duì)填充丟失的像素進(jìn)行填充。對(duì)于屬于4～10 mm分類的顆粒，只有超過11.1 mm時(shí)才會(huì)縮放。而對(duì)于10～31.5 mm的顆粒，縮小之前的最大長(zhǎng)度為21.3 mm。

此外，為了防止CNN產(chǎn)生偏差，在訓(xùn)練和驗(yàn)證集中，需將再生填料的每個(gè)子類設(shè)置為相同數(shù)量。因此，可以使用數(shù)據(jù)增強(qiáng)技術(shù)補(bǔ)充數(shù)量不足的子類。然而，這種擴(kuò)充具有局限性。由于特征需要被識(shí)別，通過拉伸或更改顏色來修改顆粒不可行。為了使訓(xùn)練集中每個(gè)類別的圖像數(shù)量均為2 000，驗(yàn)證集中均為500，本文對(duì)圖像進(jìn)行了隨機(jī)噪聲增加、隨機(jī)旋轉(zhuǎn)及隨機(jī)伽馬校正，來獲得數(shù)據(jù)集。

由于數(shù)量較少，未使用子類Ru03、Ru06、Rg和X02-X05創(chuàng)建帶標(biāo)簽的數(shù)據(jù)集。且上述數(shù)據(jù)增強(qiáng)技術(shù)并不適用。此外，玻璃碎片(Rg)是透明的，難以提取。數(shù)據(jù)集共有22 500張帶標(biāo)簽圖像：9個(gè)子類(Rc，Ru01，Ru02，Ru04，Ru05，Rb01，Rb02，Ra和X01)的數(shù)據(jù)集各包含2 500張圖像。其中，訓(xùn)練集用于修改CNN的參數(shù)，來提高分類的準(zhǔn)確性。驗(yàn)證集用于測(cè)試CNN的泛化能力，即不同于訓(xùn)練集顆粒的分類能力。故驗(yàn)證集中的顆粒與訓(xùn)練集中的顆粒不同。圖8展示了部分帶標(biāo)簽的再生骨料數(shù)據(jù)集。

圖8 帶標(biāo)簽的再生骨料數(shù)據(jù)集Fig.8 Data set of labeled recycled aggregate

3.2 質(zhì)量估計(jì)

如上所述，經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)能夠根據(jù)圖像預(yù)測(cè)再生填料的性質(zhì)。此外，提取單個(gè)再生骨料圖像的軟件記錄了每個(gè)顆粒的幾何特征，如圖9所示。但是，根據(jù)標(biāo)準(zhǔn)，通過人工篩選獲得的再生骨料的成分是通過質(zhì)量給出的。因此，為了將本文提出的方法與標(biāo)準(zhǔn)的人工篩選法進(jìn)行比較，需要估計(jì)圖像中的顆粒質(zhì)量。

圖9 顆粒與其幾何特征Fig.9 Particles and their geometric characteristics

顆粒i的質(zhì)量mi可以如下表示：

mi=Vi×ρi

(1)

式中:ρi為顆粒密度,g/cm3；Vi為顆粒體積,cm3，可以表示為：

Vi=Si×Le,i

(2)

其中:Le,i是考慮了顆粒的不規(guī)則形狀的等效厚度,cm;Si是投影表面積,cm2。在具有統(tǒng)計(jì)意義的形狀相同的骨料樣本中，顆粒的平均厚度與片狀度成正比，且與片狀常數(shù)成正比[23]。因此，可用Le,i表示顆粒的短軸長(zhǎng)度Lmin,i與形狀因子(F)的乘積，即片狀常數(shù)。此外，在給定的子類別k中，所有顆粒都具有相同的密度(ρk)和相同的形狀，因此具有相同的形狀因子(Fk)。因此mi可以表示為

mi=Si×Lmin,i×ρk

(3)

由于不可能單獨(dú)測(cè)量每個(gè)顆粒的質(zhì)量，本文測(cè)量給定子類別k(表示為Mjk)的每張照片j的所有顆粒的總質(zhì)量。最終，對(duì)于每個(gè)子類別k，可以估計(jì)Fk和ρk之間的乘積：

(4)

4 結(jié)果分析

4.1 圖像分類

4.1.1 標(biāo)準(zhǔn)和自定義ResNet34的比較

使用第2節(jié)中創(chuàng)建的帶標(biāo)簽的數(shù)據(jù)集，對(duì)標(biāo)準(zhǔn)ResNet50架構(gòu)(RN50)和自定義架構(gòu)(C-RN34)進(jìn)行了測(cè)試。數(shù)據(jù)集包含22 500張?jiān)跀?shù)據(jù)擴(kuò)充后的9組均勻分布的圖像。標(biāo)記的數(shù)據(jù)集分為兩組：

1)訓(xùn)練集(每個(gè)子類2 000張圖像)

2)驗(yàn)證集(每個(gè)子類500張圖像)

其中，用驗(yàn)證集包含的顆粒與訓(xùn)練集包含的顆粒不同。

CNN的學(xué)習(xí)是一個(gè)迭代的過程。在每次迭代期間，CNN都會(huì)進(jìn)行一次訓(xùn)練和一次驗(yàn)證。在每次迭代結(jié)束時(shí)，評(píng)估訓(xùn)練和驗(yàn)證的精確度。當(dāng)CNN達(dá)到其最大驗(yàn)證精度時(shí)，迭代停止。

由于CNN的迭代僅根據(jù)訓(xùn)練集的數(shù)據(jù)修改參數(shù)，訓(xùn)練精度均高于相應(yīng)的驗(yàn)證精度。但是，如果這種精度差異太大，則意味著CNN過于貼合某個(gè)特定的訓(xùn)練集，因此無法正確地預(yù)測(cè)其他圖像，即發(fā)生過度擬合。為了避免過度擬合，可以采用Dropout[24]等正則化方法。這可以在每次迭代后隨機(jī)斷開特定百分比的神經(jīng)元連接，防止某些神經(jīng)元在數(shù)據(jù)集上專一化。本文對(duì)兩種神經(jīng)網(wǎng)絡(luò)架構(gòu)，在全局平均池化層后采用了20%、40%和60%的Dropout比率。其中，40%的Dropout比率的驗(yàn)證準(zhǔn)確性最高，故圖10僅展示40%Dropout的訓(xùn)練和驗(yàn)證曲線。此外，設(shè)置RN50的初始學(xué)習(xí)率為0.04，設(shè)置C-RN34的初始學(xué)習(xí)率為0.1。如果連續(xù)5次訓(xùn)練，損失值都沒有減少，則將學(xué)習(xí)率減半，直至最小值0.000 01。這使得損失函數(shù)可以在一定時(shí)間內(nèi)收斂到最小。

圖10 不同模型訓(xùn)練精度對(duì)比Fig.10 Comparison of training accuracy of different models

圖10展示了訓(xùn)練測(cè)試超過250次迭代的訓(xùn)練和驗(yàn)證準(zhǔn)確度的對(duì)比圖。虛線表示訓(xùn)練曲線，而實(shí)線表示驗(yàn)證曲線。

經(jīng)過100次迭代后，訓(xùn)練準(zhǔn)確性均趨于100%。其中，Dropout率為40%的標(biāo)準(zhǔn)ResNet50架構(gòu)發(fā)生了過度擬合。其驗(yàn)證準(zhǔn)確性僅為90%左右，最高為92.0%。

而同樣40%Dropout比率的自定義ResNet34架構(gòu)比RN50_D40更優(yōu)，其驗(yàn)證精度可達(dá)97.1%。對(duì)比缺少Dropout率的C-RN34_D0，可以發(fā)現(xiàn)，C-RN34_D40的驗(yàn)證精度始終大于C-RN34_D0，即40%的Dropout效果顯著。綜上，使用40%Dropout的C-RN34模型表現(xiàn)最優(yōu)，因此后續(xù)研究使用該模型。

4.1.2 混淆矩陣

為了分析C-RN34_D40的預(yù)測(cè)，可以使用混淆矩陣，如圖11所示。其縱軸為顆粒的真實(shí)子類，橫軸為驗(yàn)證集中的預(yù)測(cè)結(jié)果。對(duì)角線的數(shù)值即為正確預(yù)測(cè)的百分比。

圖11 混淆矩陣Fig.11 Confusion matrix

可以看出，除了混凝土(Rc)為93%和石灰石(Ru01)為94%外，其他子類的驗(yàn)證精確度都在96%至100%之間。由于天然石材可用于制造混凝土，混凝土顆粒與天然石材會(huì)有預(yù)測(cè)誤差。在天然石材中，由于外觀上類似淺色砂漿，導(dǎo)致石灰石的混淆率最高。另外，在人工篩選過程時(shí)也可能會(huì)產(chǎn)生類似的混淆。

此外，該分類是根據(jù)NF EN 933-11標(biāo)準(zhǔn)進(jìn)行的。因此，如果僅考慮類別，則相同類別的顆粒之間的混淆不算入誤差，因此驗(yàn)證準(zhǔn)確性會(huì)更高，如石灰石(Ru01)、硅質(zhì)石(Ru04)都屬于天然石(Ru)類。

4.2 基于深度學(xué)習(xí)圖像分析的性能

再生填料的組成即每個(gè)子類的質(zhì)量比例。測(cè)試批為3 kg的4～31.5 mm 的填料骨料，小于標(biāo)準(zhǔn)最小質(zhì)量的10 kg。由于測(cè)試深度學(xué)習(xí)需使用可以表示9個(gè)子類的不同于標(biāo)記數(shù)據(jù)集的再生填料，因此，它包含較少的混凝土顆粒和石灰石。

測(cè)試批中的再生填料需通過篩選超過4 mm的顆粒，并沖洗表面的細(xì)粉。然后，進(jìn)行人工篩選作為組成成分參考。之后，對(duì)測(cè)試再生填料進(jìn)行拍攝，并使用3.1.3節(jié)中的軟件提取單個(gè)顆粒及其幾何特征。還可以人工識(shí)別每個(gè)顆粒的子類別，通過與人工篩選得到的分類對(duì)比，評(píng)估卷積神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確性。需要注意的是本文所提出的方法是在人工識(shí)別分類的基礎(chǔ)上，對(duì)已有的圖像進(jìn)行標(biāo)注，確認(rèn)圖像的真實(shí)值，這一點(diǎn)與人工識(shí)別相同。人工識(shí)別需要對(duì)所有圖像進(jìn)行識(shí)別，任務(wù)量大、耗時(shí)久且容易出錯(cuò)。而本文提出的方法僅需要對(duì)訓(xùn)練集上的圖像進(jìn)行標(biāo)注，通過訓(xùn)練模型后即可以對(duì)之后的圖像進(jìn)行快速準(zhǔn)確的預(yù)測(cè)，節(jié)省時(shí)間和人力成本。

為了通過深度學(xué)習(xí)方法確定組成成分，有兩個(gè)主要步驟。首先，對(duì)每個(gè)再生填料的圖像進(jìn)行分類。這可以確定再生填料中每種顆粒的性質(zhì)。第2步是估計(jì)每種顆粒的質(zhì)量。

4.2.1 測(cè)試集圖像分類

前文提取的單個(gè)顆粒的圖像被送到C-RN34_D40卷積神經(jīng)網(wǎng)絡(luò)，來預(yù)測(cè)顆粒的子類別。其分類的精確度為91.7%，低于驗(yàn)證集的97.1%。這是由于數(shù)據(jù)集中每個(gè)子類數(shù)量相同，但測(cè)試集中具有更多的混凝土和石灰石顆粒。這兩個(gè)子類由于其元素之間的混淆而具有最高錯(cuò)誤率，這與混淆矩陣得到的結(jié)果相一致。因此，增加Ru和Ru01顆粒的數(shù)量，會(huì)增加誤差、降低分類的準(zhǔn)確性。

4.2.2 測(cè)試集單顆粒質(zhì)量

為了確定每種顆粒的質(zhì)量，確定了9個(gè)子類的形狀因子常數(shù)Fk·ρk，如表2所示。

表2 9個(gè)子類的形狀因子常數(shù)Table 2 Shape factor constants of the 9 subclasses

假設(shè)顆粒在特定的子類中具有相同的形狀和密度，則根據(jù)Fk·ρk常數(shù)與顆粒的子類和幾何數(shù)據(jù)，可以通過式(3)估算每個(gè)顆粒的質(zhì)量。

圖12展示了人工篩選和深度學(xué)習(xí)得到的質(zhì)量成分對(duì)比，其中混凝土顆粒(Rc)和石灰石(Ru01)的預(yù)測(cè)差異較大，約為5.6%和4.2%，而其余子類的預(yù)測(cè)差異均小于2%。此外，由于再生填料主要包含混凝土顆粒和石灰石，Rc和Ru01之間的混淆也會(huì)降低計(jì)算精度。

圖12 人工篩選法與深度學(xué)習(xí)法對(duì)比Fig.12 Comparison of manual screening method and deep learning method

因此，可對(duì)錯(cuò)誤分類的顆粒進(jìn)行進(jìn)一步訓(xùn)練。由于Rc和Ru01對(duì)紫外線和紅外線的反應(yīng)不同，因此在這兩種光背景下，兩種顆粒的圖像差異較大，而數(shù)據(jù)集中的圖像數(shù)量也可以增加。

5 結(jié)論

鑒于目前建筑垃圾篩選多采用耗時(shí)耗力的人工篩選法進(jìn)行獲取，本文提出一種基于深度學(xué)習(xí)的實(shí)時(shí)自動(dòng)確定建筑廢物成分的方法。該方法通過卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行圖像分析，可以自動(dòng)實(shí)時(shí)地獲取再生填料組成，而回收平臺(tái)可以根據(jù)獲取的成分質(zhì)量對(duì)其進(jìn)行分級(jí)。

對(duì)再生填料進(jìn)行篩選得到大于4 mm的顆粒，沖洗掉表面阻礙識(shí)別的細(xì)粉，并通過人工篩選拍照記錄，創(chuàng)建了一個(gè)包含36 000張單個(gè)再生填料圖像的帶標(biāo)簽數(shù)據(jù)集。利用數(shù)據(jù)集對(duì)ResNet50架構(gòu)進(jìn)行測(cè)試，發(fā)現(xiàn)其容易發(fā)生過度擬合。即使采用了Dropout正則化，ResNet50架構(gòu)的最大驗(yàn)證精度仍低于92%。因此，本文提出了自定義的ResNet34架構(gòu)，通過Dropout正則化，其驗(yàn)證精度可達(dá)97%；由于再生填料的組成通過子類的質(zhì)量比例表示，本文還提出了一種根據(jù)子類和尺寸估算顆粒質(zhì)量的方法。除混凝土顆粒和石灰石外，其估算結(jié)果與人工測(cè)量的質(zhì)量相差不足2%。本文基于深度學(xué)習(xí)系統(tǒng)可對(duì)建筑垃圾進(jìn)行系統(tǒng)詳細(xì)的篩選，使最終得到的垃圾成分具有較高的使用價(jià)值，對(duì)建筑垃圾回填路基工程的推廣應(yīng)用具有重要意義。