颗粒粒度的检测是颗粒材料生产过程中的重要一环,粒度参数的精准测量对于规范颗粒生产、准确分析颗粒材料性质具有重要意义。本研究通过计算机视觉技术分析含能片状颗粒图像,检测粒度参数即片状颗粒厚度。颗粒图像的分割作为颗粒粒度检测的前提,其分割效果直接影响颗粒粒度参数的测量精度。传统的图像分割算法和图像语义分割算法都很难将粘连的颗粒样本分割为独立的样本,从而导致现有的图像颗粒检测方法不适合测量粘连颗粒的粒度参数。因此,本文根据卷积神经网络中的实例分割算法提出了一种基于Mask R-CNN网络的粘连颗粒图像分割方法,将密集的颗粒图像分割为独立的颗粒样本,从而实现颗粒粒度参数测量。首先,在片状颗粒样本收集困难的场景下,为了满足深度卷积神经网络对于庞大数据集的要求,设计了一种改进的生成对抗网络模型,扩大颗粒图像数量。为了扩充片状颗粒标签图像数据集,本研究改进了WGAN-GP网络模型结构,并在其损失函数中增加条件熵惩罚因子,提高了生成图像质量。其次在Cycle GAN网络损失函数中加入标识映射损失,利用优化后的Cycle GAN网络实现扩充的颗粒标签图像到真实颗粒图像的转换,使扩充后的颗粒图像能够作为新的数据集训练图像分割网络。在100%的CIFAR-10数据集上进行实验对比,优化后网络输出图像的FID值为23.8,比改进前的模型降低了20.7,在25%的CIFAR-10数据集上,优化后网络输出图像的FID值为29.3,较改进之前降低了24.1。结果表明改进后网络生成的片状颗粒图像质量更好。其次,为了分割堆叠的同类型片状颗粒,提高分割精度,本文在Mask R-CNN网络基础上改进特征提取网络结构,利用Dense Net网络结构替换Res Net结构,提升特征提取能力,并且在该部分结构中融合边缘特征提取子网络,提高特征图在颗粒边缘部分的响应值,增强分割精度。利用不同的网络模型进行实验,改进后的Mask R-CNN网络边框检测部分m AP值提升至91.65%,分割掩码部分m AP值提升至92.83%,分割效果较其他网络均有明显提升。最后,为了精确测量分割后的片状颗粒粒度,通过张正友相机标定算法矫正颗粒图像,同时获得图像尺寸标定系数,利用轮廓拟合方法中的最小外接矩形法获取分割后的颗粒矩形,根据矩形的长度信息描述颗粒的粒度,并结合图像尺寸标定系数获得实际的粒度参数。统计分析千分尺以及Image J软件手动测量结果可知,基于卷积神经网络的颗粒粒度检测方法相对误差小于1.9%,测量精度更高。综上所述,本文提出的基于卷积神经网络的颗粒粒度检测方法能够准确分割粘连片状颗粒,颗粒粒度检测精度较高,对于颗粒产品的制造生产具有重要参考价值。