李细荣，万思兰，林 硕

（1.闽南师范大学 物理与信息工程学院，福建 漳州 363000；2.闽南师范大学 文学院，福建 漳州 363000）

0 引言

近年来我国基建工程快速发展，而地基土影响整个工程建设质量，地基土密实度是评价地基土质量是否达标的重要参数。当前检测地基土密实度主要方法[1]有环刀法和核子密度仪法。由于核子密度仪法中的射线影响健康而较少用，环刀法使用过程中需要随机采样，同时会损坏部分地基土，效率也不高。神经网络和光电成像方法是一种无损检测方法，可以避免破坏地基，从而保护地基的质量，也可以实现实时检测。该方法在生物、医学、航空等领域应用较多，如许冠军[2]用激光图像提取残缺指纹，许莉莉[3]用面光源在皮肤组织中传输蒙特卡罗模拟计算，何鹏等[4]用光电图像进行直升机对地侦察图像的大地定位测量研究，王健[5]利用光电图像进行无人机自主测速，林睿[6]利用光电图像改进激光单缝衍射实验，而在地基土密实度检测方面鲜有应用。为实现地基土密实度的无损检测，本文提出一种基于神经网络和光电成像方法，并组建地基土密实度的光电成像系统装置，利用地基土关联特征训练BP神经网络模型以及预测地基土密实度，最后通过实验对文中所提方法进行验证，证明该方法的可行性。

1 检测理论

不同密实度的地基土，其对光散射几率和吸收几率也有区别，密实度大的地基土，其发生散射几率大，吸收几率就小，那么从地基土组织表面漫反射出的光强度也就越多；反之，密实度小的地基土，其发生的吸收几率大，散射几率就小，那么从地基土组织表面漫反射出的光强度也就越少。从而采集到的地基土光电图像纹理也就有区别。利用光电图像方法对地基密实度检测，就是运用不同密实度的地基土，在地基土组织表面散射光强也不同。图1 是一个光子散射简图，是方向的单位矢量，r处的单位长度是ld，单位面积是Ad；ω′为方向的立体角，是任意方向到单元体积的单位矢量，I()为r处沿方向的散射强度。其数学模型为[7]：

图1 光子散射简图

2 检测系统的组成

试验检测系统由海康威视CCD工业相机、深湛氦氖激光器（波长632.8 nm）、透镜和宏基台式电脑组成，如图2所示。通过环刀采集不同密实度的地基土，然后将采集的土样置于封闭的木箱子中，激光近似垂直照射在地基土表面上，通过电脑采集光电图像，如图3所示。按照事先编好的序号顺序采集图像，并用图像处理软件Matlab对光电图像进行处理。

图2 检测系统

图3 光电图像

3 图像特征参数提取

由于地基土组织的光电图像特征含有地基土密实度信息，且密实度不同，地基土表面的散射强度也不一样，从而图像的灰度和灰度梯度有区别，因此分别采用基于灰度直方图算法提取标准差、均值、三阶矩、熵、一致性和平滑度6个图像纹理特征参数以及基于灰度共生矩的算法提取大小梯度优势、灰度和梯度平均、灰度和梯度分析不均匀性、灰度和梯度方差、梯度和灰度熵、逆差距、惯性、相关、能量和混合熵15个图像纹理特征参数[9-12]。所以，选取与地基土密实度相关的21个光电图像纹理特征为预测模型的输入参数。

按照表1和表2分别提取均值、标准差、平滑度等21个特征。

表1 基于灰度直方图统计方法的纹理特征

表2 基于灰度-梯度共生矩阵的纹理特征

为提高神经网络模型处理速度。利用主成分分析（Principal Component Analysis，PCA）将原数据进行降维处理[8]，PCA方法在确保原数据丢失最少的情况下可以将高维数据降为低维数据，并用低维数据替代原数据。因此经过PCA处理，将21个光电图像纹理特征减少到4个主成分特征因子，因为这4个主成分因子贡献率达到95.7%，可以代替原特征数据作为神经网络的输入。

4 模型建立与结果分析

BP神经网络模型是一种多层前馈型预测网络，有输入层、隐含层和输出层，而本方法通过提取图像的4 个特征关联地基土密实度1个特征。4个特征可以作为输入层，1个特征可以作为输出层，符合BP神经网络模型预测特点。本文选取4个主成分因子数据建立BP神经网络模型，由于有4个主成分因子（即神经网络模型输入层节点数为4个），1个地基土密实度特征（即神经网络模型输出节点数为1）。那么神经网络模型的隐含层节点数相对应是9。神经网络模型的期望误差、训练的最大次数和学习速率参数值分别设定0.000 1、1 000，0.05，隐含层和输出层函数分别为tansig 和logsig[13-15]。如图4 所示，从神经网络模型训练误差曲线图上可以看出，神经网络模型经过8步的训练学习后就达到所期望的误差10-4。最后模型的密实度预测值与环刀法结果比较平均相对误差8.08%，如图5所示。结果表明，神经网络预测精度基本上可以用于地基土密实度检测。

图4 误差曲线

图5 2种方法的相对误差

5 验证预测模型

采用相同的试验方法步骤随机选用20个地基土试样，同时通过检测系统预测地基土密实度，并将其预测结果与环刀法测量结果进行对比，如图6所示，其预测值的平均相对误差9.36%。结果表明，基于神经网络和光电成像的地基土密实度检测方法是可行的。

图6 预测模型的相对误差

6 结论

本文提出一种基于神经网络和光电成像检测地基土密实度方法，建立地基土密实度光电成像技术检测系统。通过灰度直方图和灰度共生矩的算法提取地基土光电图像纹理特征参量；同时通过主成分法减少特征参数，并建立地基土密实度预测模型，其预测结果与工程上常用环刀法结果比较表明，建立的神经网络预测精度可行。通过另外采集数据对预测模型进行验证比较分析，验证文中方法的可行性。相对于环刀法，该方法可以较好避免破坏地基，提高操作效率，还可以用来实时检测。