基于搜索分析深度学习网络(SaNet)的粗粒土级配识别.pdfVIP

第46卷第9期岩土工程学报Vol.46No.9

2024年…9月ChineseJournalofGeotechnicalEngineeringSep.2024

DOI：10.11779/CJG

基于搜索分析深度学习网络(SaNet)的粗粒土级配识别

*

庞元恩，石国栋，段煜，姚敏，吉浩泽，罗鸣，李茂彪，李旭

(北京交通大学城市地下工程教育部重点实验室，北京100044)

摘要：粗粒土广泛应用于路基、土石坝等填方工程中，然而传统筛分法耗时低效,无法满足级配快速的质量检测需求。

为解决上述问题，构建了黄河粉土、石英砂粗粒土“图像-级配”关系数据库，共22380张图像；针对二维图像与三维

级配的不匹配的矛盾，构建了任意图像输入数量的搜索-分析网络（searcher-analyzernetwork，SaNet），基于该网络训

练所得模型精度随图像数的增加稳定提升，黄河粉土，石英砂的级配识别平均误差分别为1.63%，1.21%，拟合优度分

别为0.995，0.992。结果表明：基于SaNet架构构建的机器学习模型具有较高的级配识别精度，能够满足填方工程中实

时无损的级配检测需求。

关键词：粗粒土；级配；卷积神经网络；搜索-分析网络；深度学习；图像识别

中图分类号：TU411文献标识码：A文章编号：1000-4548(2024)09-1984-10

作者简介：庞元恩(2002—)，男，学士，主要从事机器学习在岩土工程应用等方面研究。E-mail：yuanenpang@。

Gradationrecognitionofcoarse-grainedsoilbasedonsearcher-analyzer

deeplearningnetwork(SaNet)

PANGYuanen,SHIGuodong,DUANYu,YAOMin,JIHaoze,LUOMing,LIMaobiao,LIXu

(KeyLaboratoryofUrbanUndergroundEngineeringofMinistryofEducation,BeijingJiaotongUniversity,Beijing100044,China)

Abstract:Thecoarse-grainedsoiliswidelyusedinembankments,earth-rockdamsandotherfillprojects.However,the

traditionalsievingmethodistime-consumingandinefficient,failingtomeettherapidqualitytestingrequirementsforgradation.

Toaddresstheseissues,animage-gradationrelationaldatabaseisestablishedforyellowriversiltandquartzsand

coarse-grainedsoil,comprising22380photos.Inresponsetothemismatchbetweentwo-dime