钙质砂作为岛礁工程中常见的特殊岩土材料，其颗粒形态不规则和内孔隙丰富。因此，本研究旨在建立一种用于钙质砂的智能颗粒形状分类准则，并进一步利用基于图像的机器学习（ML）技术实现其颗粒自主识别和分类。首先，通过显微摄影获得了大量钙质砂单颗粒的图像，以建立ML算法的数据集。采用图像处理和分析技术，测量了圆度、圆形度、长宽比和凹凸度等关键形状参数。随后，应用无监督的ML算法，即K-means聚类，对这些形状参数进行自主分类，以确定钙质砂的最佳分类方式。最后，基于这些成功分类的颗粒形状，使用两种有监督的卷积神经网络（CNN）算法，即Alexnet和YOLO-V3，进行训练和应用，以自动识别和分类不同类型图像中的钙质土壤的单个颗粒或多颗粒组合。预测结果显示了ML算法在钙质砂形态分类中的准确性和效率。

钙质砂,目标检测,颗粒形态,机器学习