[论文解读] Learning to Sieve: Prediction of Grading Curves from Images of Concrete Aggregate

Max Coenen, D. Beyer+2 more|arXiv (Cornell University)|Apr 7, 2022

Infrastructure Maintenance and Monitoring参考文献 16被引用 8

一句话总结

本文提出一种深度学习方法 AggNet，通过多尺度特征编码器处理不同粒径（0.125–32 毫米）的混凝土骨料颗粒，从高分辨率图像中预测骨料级配曲线。该方法在数据增强下实现了 95.5% 的总体准确率，优于人类专家，并提出了一个包含 1,000 多张图像的新型公开数据集，附带机械筛分的基准结果，支持混凝土配合比的实时调整。

ABSTRACT

A large component of the building material concrete consists of aggregate with varying particle sizes between 0.125 and 32 mm. Its actual size distribution significantly affects the quality characteristics of the final concrete in both, the fresh and hardened states. The usually unknown variations in the size distribution of the aggregate particles, which can be large especially when using recycled aggregate materials, are typically compensated by an increased usage of cement which, however, has severe negative impacts on economical and ecological aspects of the concrete production. In order to allow a precise control of the target properties of the concrete, unknown variations in the size distribution have to be quantified to enable a proper adaptation of the concrete's mixture design in real time. To this end, this paper proposes a deep learning based method for the determination of concrete aggregate grading curves. In this context, we propose a network architecture applying multi-scale feature extraction modules in order to handle the strongly diverse object sizes of the particles. Furthermore, we propose and publish a novel dataset of concrete aggregate used for the quantitative evaluation of our method.

研究动机与目标

• 为解决混凝土生产中缺乏实时、准确的级配曲线估算问题，特别是针对高变异性的再生骨料。
• 通过实现基于图像的自动化级配预测，减少对人工筛分和过量水泥使用的依赖。
• 开发一种能够处理混凝土骨料中广泛粒径范围（0.125–32 毫米）的鲁棒深度学习模型。
• 创建并发布一个高质量、公开可用的混凝土骨料图像数据集，附带机械筛分得到的基准级配曲线。
• 通过在线检测骨料级配分布的变化，实现实时混凝土配合比设计的自适应调整。

提出的方法

• 提出 AggNet，一种具有多尺度特征编码器的卷积神经网络（CNN），用于在截然不同的颗粒尺寸间提取判别性特征。
• 采用多尺度特征提取模块，捕捉局部与全局模式，提升在异质骨料图像上的性能表现。
• 使用地面采样距离（GSD）为 8 px/mm 的高分辨率图像，尽管实验中为提高计算效率采用较低的 GSD（如 2 px/mm）。
• 在训练过程中应用数据增强技术，以提升泛化能力并减少在相似级配曲线之间的误分类。
• 使用包含 1,000 多张原始混凝土骨料图像的新数据集进行模型训练与评估，每张图像均标注有机械筛分得到的基准级配曲线。
• 将模型性能与人类专家分类结果进行对比，以分析错误模式和模型局限性。

实验结果

研究问题

• RQ1 深度学习模型能否从图像中准确预测混凝土骨料的级配曲线，即使颗粒尺寸在 0.125 毫米至 32 毫米之间存在显著差异？
• RQ2 与标准 CNN 相比，多尺度特征提取在级配曲线预测中的性能提升程度如何？
• RQ3 数据增强在多大程度上减少了具有相似但不同粒径分布的级配曲线之间的误分类？
• RQ4 深度学习模型在分类骨料级配曲线时的错误模式与人类专家相比如何？
• RQ5 所提出的方法是否能够实现实时、在线的混凝土配合比监测与自适应调整，基于骨料变异性的检测？

主要发现

• 采用数据增强的 AggNet:MS 模型在相同分类任务中实现了 95.5% 的总体准确率，显著优于人类专家的 62.8% 准确率。
• 数据增强显著提升了模型性能，减少了在具有相似粒径组分但比例不同的级配曲线之间的误分类。
• 在 C16 与 C32 类之间仍存在最大错误率（13.2% 的误分类），表明识别细小粗颗粒组分存在困难。
• 多尺度编码器模块显著增强了在不同粒径范围内的特征提取能力，从而提升了相对于基线模型的性能。
• 人类专家主要因粒度（如细 vs. 中等）或最大颗粒尺寸（如 8 毫米 vs. 16 毫米）混淆而产生错误，这一模式在模型错误中亦有体现，表明中间级配曲线本身存在固有的视觉模糊性。
• 所提出的 1,000 多张高分辨率图像数据集，附带基准级配曲线，现已公开，可为未来自动化骨料表征研究提供基准和研究支持。