Page 32 - 水利学报2025年第56卷第4期

进行手动标注。根据现场施工状态，图像内的各部分被划分为 “摊铺中” 和 “碾压中” 两类。其中，
“摊铺中” 代表此部分正在由平仓机进行摊铺作业，尚未经历碾压工序；“碾压中” 代表此部分已由
平仓机完成摊铺工序，正由碾压机进行碾压作业。在同一图像中，可能同时存在上述两种施工状态，
实验中选择使用多边形对不同的施工状态进行标注。每个多边形代表此多边形覆盖区域内的施工状态
唯一，每张图像中可能存在多个多边形。标注工作邀请现场施工经验丰富的技术员人工标注，使用开
源标注工具 ｌａｂｅｌｍｅ完成，如图 ６所示。全部实验过程由单台图 形工 作站 完 成，主要 配置 为 英伟达
ＱｕａｄｒｏＡ５０００显卡（１６ＧＢ显存）和英特尔 Ｘｅｏｎ（Ｒ）Ｇｏｌｄ处理器（１２８ＧＢ内存）。

注：红色、蓝色和绿色框分别代表摊铺机、碾压机和运输车，黄色和紫色半透明框分别代表摊铺和碾压区域。
图 ５ 某碾压混凝土坝坝面施工图像数据集

图 ６ 使用 Ｌａｂｅｌｍｅ标注工具进行数据集标签准备过程

［３３］
４．２ 仓面施工状态分析 本文选择深度学习中常用的先进算法 Ｙｏｌａｃｔ 、ＭａｓｋＲ － ＣＮＮ ［３４］ 、Ｃａｓｃａｄｅ
ＭａｓｋＲ － ＣＮＮ ［３５］ 分别与所用方法效果进行对比。按照神经网络一般训练流程，３．２节中的深度学习算
法 ＱｕｅｒｙＩｎｓｔ和选用的对比算法完成基本配置、反向传播更新参数等工作，其基本参数如表 １所示。模
型训练过程基本参数设置如表 ２所示。根据 ＣＯＣＯ数据集 ［３６］ 标准，网络训练结果按照不同交并比（ＩｏＵ）
范围内和不同检测框数量上限下的平均精确率（ｍＡＰ）和平均召回率（ｍＡＲ）作为评价标准，其结果能够反
映预测结果与真实情况之间的偏差。本文所采用的 ＱｕｅｒｙＩｎｓｔ方法和其他方法的定量分析结果如表 ３所
示。实验结果表明，所选的 Ｙｏｌａｃｔ、ＭａｓｋＲ － ＣＮＮ、ＣａｓｃａｄｅＭａｓｋＲ － ＣＮＮ和 ＱｕｅｒｙＩｎｓｔ模型在交并比为 ０．５

— ４ ５ —
０