一种基于注意力机制的实例分割技术的自动化机器视觉方法，用于测量粗骨料的分级情况

《Engineering Applications of Artificial Intelligence》：An automated machine-vision method for coarse aggregate gradation measurement using attention-based instance segmentation

　　•开发了一个从像素级图像矫正到实例分割和颗粒大小计算的渐变流程。•通过集成注意力机制和路径融合技术，改进的实例分割网络能够精细地识别小型颗粒。•引入了一种基于Guldinus定理的新型颗粒体积 estimation方法。•该完整框架实现了颗粒大小分布的连续检测。

引言
随着建筑行业现代化和数字化的不断推进，对建筑材料的质量要求变得越来越严格。作为建筑工程中的主要材料，混凝土的性能直接关系到整个结构的安全性和长期耐久性（B. Chen等人，2023；Erdal等人，2013；Gautam等人，2017）。骨料级配是指骨料中不同尺寸颗粒的比例分布（Fang等人，2019）。级配不仅决定了混凝土的密度和不透水性，还显著影响其抗冻性和整体强度（Liu等人，2022；Moaf等人，2023）。骨料级配的偏差或不均匀性可能导致混凝土内部形成空洞或薄弱区域，从而降低材料性能，甚至引发潜在的结构安全问题（Horak等人，2022；Pallapothu等人，2023）。因此，准确且实时地获取骨料级配信息已成为混凝土质量控制的核心任务。

传统上，骨料级配测试方法主要依赖基于接触的技术，如筛分和称重（S. Chen等人，2023；Javid等人，2025）。尽管这些方法在工程实践中得到广泛应用，但它们存在一些缺点。首先，这些程序需要大量的人工干预，不仅降低了效率，还在样品处理和测量过程中引入了人为误差。其次，通常需要多轮筛分，无法实现实时或连续检测。第三，在传统的人工筛分工作中，数据采集、结果记录和后续处理通常是分离的，缺乏实时反馈能力。因此，生产中的潜在问题无法及时发现和调整，增加了操作风险和生产成本。

为了提高骨料的分割性能，研究人员越来越多地引入数字传感和图像分析技术来增强颗粒的轮廓提取。从传感数据中准确提取骨料轮廓信息是可靠确定级配曲线的关键前提。对于激光点云数据，可以直接从点云的空间坐标获取颗粒形态（Arrieta和Zhang，2024）。Engin和Maerz（2019）使用激光点云数据直接提取了实空间坐标下的颗粒轮廓特征。对于基于图像的数据，必须直接从二维骨料图像计算颗粒大小。Yang Zhang等人（2024）提出了一种基于局部采样的砂级配检测方法，该方法利用柔性振动板均匀分散砂颗粒并实现随机局部采样，然后通过基于阈值的分割方法将像素信息转化为大小估计。虽然基于点云的方法在颗粒大小计算方面有优势，但它们需要高精度的数据采集，这限制了其在现场条件下的应用。相比之下，基于图像的方法通过像素分析确定颗粒形态和大小；然而，现有方法往往忽略了骨料的三维特性，仅关注二维图像信息，这可能在重量和体积估计中引入分析误差。

除了信息采集之外，研究人员还探索了从信息挖掘和颗粒特征解释角度进行的计算机辅助分级分析方法。Kwan等人（1999）使用数字图像技术分析了骨料颗粒，与手动筛分相比提高了效率。然而，该方法对图像质量有严格要求，并且难以准确区分细小或重叠的颗粒。随着计算机科学的发展，已经开发了多种自动分级分析方法。Chang等人（2025）应用激光点云技术进行骨料分割，实现了粗骨料级配的三维表面分析。Yang等人（2023）通过3D激光扫描捕捉了粗骨料轮廓，并提出了一种多阈值分割方法。他们进一步开发了一个GA-LightGBM模型进行级配识别，并使用遗传算法优化了其参数，取得了令人满意的结果。Kheradmandi和Radenberg（2024）利用3D扫描捕捉颗粒形态并评估了基于3D的特征识别性能。尽管激光点云方法能够准确描述骨料形态，但检测速度相对较慢，且对重叠颗粒的识别仍然不足。

随着机器学习的快速发展，智能算法越来越多地应用于各种感知任务（Soni等人，2025；Sun等人，2016；Yang等人，2024）；特别是随着图像处理技术的进步（Abubakar等人，2026；Wang等人，2026），基于图像的处理方法在各个领域得到了广泛应用（Chen等人，2016，2024；Yao等人，2025）。基于深度学习的方法已成为骨料级配检测的主要技术途径。深度学习的显著进步彻底改变了图像识别和处理，使其成为混凝土骨料级配检测不可或缺的工具（Chen等人，2018；Noh等人，2015；Shelhamer等人，2017）。深度学习模型可以从大型数据集中自动提取多尺度特征，并进行高度优化的模式识别，显著提高了准确性和效率（R. Zhang等人，2023）。因此，基于深度学习的方法已成为骨料级配分析的研究热点（Guerrieri等人，2018；Liu等人，2026；Qin等人，2023）。这些模型可以从图像中学习颗粒的特征，如形状、大小和数量，从而自动生成骨料级配曲线（Bessa等人，2012；Jiang等人，2024）。Fan等人（2022）提出了一种基于深度学习的方法进行自动级配估计，其中神经网络从分割后的骨料图像中提取颗粒特征以计算级配曲线。这种方法有效减少了人工干预，提高了计算速度和精度。

表1比较了不同的骨料分割方法。总体而言，现有研究在骨料分割、颗粒大小识别和自动化级配预测方面取得了实质性进展。然而，在使用单目相机进行骨料级配识别方面仍存在明显的研究空白：如何有效地将单视图图像分割结果与通过显式几何测量和质量转换工作流表达的级配曲线联系起来。大多数现有的基于深度学习的方法主要集中在提高颗粒检测或分割精度、提取二维尺寸特征或直接预测级配曲线。然而，从分割轮廓到实际颗粒大小、体积和质量的中间转换通常被简化或隐含在模型中。尽管CT、点云、双目视觉和多视图成像可以提供更丰富的三维信息，但这些方法通常需要更复杂的采集系统，这限制了它们在低成本和现场骨料质量控制中的适用性。因此，本研究旨在开发一个简洁的单目相机检测框架，该框架不仅能准确分割紧密堆积的粗骨料颗粒，还能将二维图像信息转换为具有物理意义的颗粒体积和质量估计。这使得基于质量的级配分析与标准筛分测试结果可以直接比较。

为了克服上述限制，本研究基于机器视觉和监督学习开发了一个自动粗骨料分割和级配分析框架。所提出的方法首先通过图像校正建立像素尺度与实际物理尺寸之间的映射关系。然后使用改进的Mask R-CNN模型对紧密堆积的粗骨料进行颗粒级实例分割。在获得分割后的颗粒轮廓后，使用PCA-MBR方法估计颗粒大小，并进一步引入Guldinus定理来近似颗粒体积。估计的体积随后转换为质量贡献，从而生成可与标准筛分测试结果比较的质量百分比级配曲线。通过这种工作流程，所提出的方法将二维图像感知结果与几何上可解释的三维颗粒体积和质量估计联系起来，提供了一种低成本且非接触式的粗骨料级配分析方案。本研究的主要贡献如下：i. 通过结合图像校正、改进的基于Mask R-CNN的实例分割和颗粒大小估计，开发了一个自动粗骨料级配分析框架；ii. 通过结合基于PCA-MBR的几何拟合和Guldinus定理，提出了一种颗粒体积和质量估计策略，实现了从二维轮廓信息到三维体积特性的转换；iii. 建立了一种基于质量百分比的级配曲线生成方法，并通过标准筛分测试结果进行了验证，证明了所提出的非接触式方法在实际粗骨料级配分析中的可行性。

本文的结构如下：第2节介绍所提出方法的理论基础，第3节描述了本研究使用的数据集，第4节展示了实验验证和结果，第5节讨论了模型性能，第6节提出了结论。

方法论
本研究建立了一个自动化机器视觉框架，用于将骨料图像转换为基于质量百分比的级配曲线。该框架集成了图像校正、实例分割、基于轮廓的颗粒大小估计、基于Guldinus定理的体积近似以及基于质量的级配计算。本节介绍了所提出的粗骨料级配测量方法的数学原理、分割模型和计算工作流程。

数据集描述
构建高质量的数据集是高效检测和分割任务的基础。为了准确确定粗骨料的颗粒大小分布，建立一个包含具有不同颗粒大小、形状、密度和尺寸的骨料的图像数据集是非常重要的。每个骨料实例都必须在像素级别进行精确标注，以确保分割精度。数据集开发过程主要涉及数据采集。

案例研究
为了评估通过图像分析在实际工程应用中生成的骨料级配曲线的可靠性，在天梅路项目TJ5段的现场实验室进行了比较分级实验。传统筛分方法按照现行中国标准进行，通过连续的筛孔尺寸进行机械筛分，以获得每个筛孔的累计通过百分比。

讨论
本研究专注于在单目机器视觉条件下粗骨料的基于质量百分比的级配计算，并建立了一个覆盖图像校正、颗粒实例识别、颗粒大小特征、体积估计和质量级配输出的连续分析框架。当前基于单目图像的级配计算的一个关键挑战是，二维图像可以直接提供平面观察结果，如颗粒边界、投影面积等。

结论
本研究提出了一种用于混凝土骨料级配测量的非接触式机器视觉框架，集成了图像校正、基于深度学习的实例分割、基于PCA-MBR的颗粒大小估计以及基于Guldinus定理的体积近似。与主要关注颗粒检测或二维尺寸提取的现有研究不同，本研究的主要创新在于引入了一种基于几何的计算路径，将单目相机骨料…

作者贡献声明
Kaiwen Liu：撰写——初稿、可视化、验证、方法论、调查、形式分析、概念化。
Ping Wang：监督、调查、概念化。
Hao Bai：撰写——审阅与编辑、验证、数据管理。
Zongyu Zhang：撰写——初稿、项目管理、数据管理。
Jie Gou：概念化。
Junfeng Zhu：调查、形式分析。
Ji Wang：验证、数据管理。

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢
我们感谢国家重点研发计划项目（项目编号2023YFB2603704）的资助支持。