在大型巖土工程項目（如填石壩）中，填料的粒級控制是確保結構安全和耐久性的關鍵因素[1]、[2]、[3]、[4]、[5]。然而，傳統的粒級檢測主要依賴于人工篩分和稱重，這一過程勞動強度大、效率低，且無法滿足現代工程對高頻實時監測和施工智能的需求[6]。因此，實現填石料粒級的自動分析具有重要意義。準確的粒級數據不僅確保符合設計規范，還直接影響填石層的滲透性、壓縮性和界面行為——這些都是影響基礎設施使用壽命和安全性的關鍵因素。

目前，一些自動粒級檢測方法利用圖像識別技術。通過提取圖像中顆粒的長軸和短軸尺寸，將顆粒簡化為橢球體模型，并據此估計體積[7]、[8]、[9]、[10]。例如：范等人[11]提出了一種基于改進的Mask R-CNN的填石料粒級檢測方法，該方法結合了ResNeXt101和擠壓激勵模塊，平均精度達到0.934，交并比達到0.879，現場粒級分析可在60秒內完成，有效支持土石壩的建設；范等人[12]提出了一種基于無人機圖像的巖石材料粒級檢測方法，構建了Rock-net模型以實現多尺度巖石材料分割，并進一步使用Crested Porcupine Optimizer（CPO）優化的XGBoost構建了回歸預測模型（CPO-XGB），以捕捉形態特征與空間粒級之間的非線性關系，R2為0.977，處理速度為12.8 FPS。該方法具有很好的泛化能力，適用于不同粒徑范圍的檢測；周等人[13]提出了一種基于視頻圖像識別的巖石材料粒級檢測方法，通過視頻采集設備和識別算法實現了動態連續檢測，準確率達到93%；姚等人[14]提出了一種基于紅外圖像的巖石材料粒級檢測方法，結合了圖像增強和改進的分水嶺算法實現顆粒分割和識別，實際測量顯示卵石和碎石的粒級檢測平均誤差分別為4%和5%；龐等人[15]提出了一種基于CNN的巖石切割顆粒尺寸分布識別方法，構建了圖像數據集并優化了模型結構，最終R2達到0.923。

盡管上述圖像識別方法在分割精度和效率方面取得了顯著進展，但由于它們本質上是二維投影，難以捕捉顆粒的高度信息，也無法真正恢復復雜不規則顆粒的三維形狀，從而導致體積估計出現系統偏差，進而影響粒級分析的可靠性[16]、[17]。相比之下，3D點云技術可以捕獲更豐富的空間幾何信息，為提高體積估計的準確性提供了新的可能性[18]、[19]、[20]、[21]、[22]。現有研究在實驗條件下通過單獨掃描獲得了完整的顆粒點云并計算了其體積以進行粒級分析。例如：Faramarzi.H和Esmaeili[23]提出了一種基于激光點云識別碎石顆粒尺寸的方法，他們使用合成數據訓練深度模型實現了3D顆粒分割，三組測量點云的平均識別準確率超過92%。該方法不依賴于RGB信息，適用于復雜光照環境；Mineo等人[24]提出了一種基于TLS點云估計巖石塊體積的方法，使用CloudCompare半自動處理數據，不穩定巖石塊的體積估計結果符合對數正態分布，準確率為95%；楊等人[25]提出了一種基于3D點云的粗集料粒級自動檢測方法，結合ISRNet模型實現了顆粒尺寸分類，0–10 mm和10–20 mm粒徑范圍內的準確率分別為99.12%和98.89%，粒級評估的最大誤差為1.63%。Ding等人[26]提出了一種等效顆粒尺寸的方法，并通過將3D掃描與監督學習相結合建立了預測框架，實現了粗集料形態和粒級特征的準確表征和預測。盡管最近基于學習的方法嘗試從2D或部分3D數據估計體積，但它們通常將體積預測視為黑盒回歸任務。這些方法嚴重依賴于大規模訓練數據集，缺乏物理可解釋性，許多方法采用簡化的形狀假設或在實際施工環境中需要多視圖成像設置，這并不實用。必須強調的是，大多數現有研究是在實驗室環境中獲得的完整點云上進行的——這與實際堆場場景中普遍存在的顆粒遮擋情況截然不同。在這種現場條件下，激光掃描通常只能捕獲表面點云，導致“2.5D”不完整數據。盡管2.5D點云因遮擋而不完整，但它仍然保留了真實的三維空間坐標信息，這與傳統圖像識別中基于透視投影的二維輪廓表達方式本質不同。

認識到這一獨特特性，一些研究開始探索2.5D表示在3D幾何推斷中的潛力。Hamid Ashfaq等人[27]提出了一種利用2.5D特征（如輪廓、深度和表面法線）的機器學習方法，可以從單張RGB圖像高效重建3D形狀，展示了如何利用有限的幾何線索進行體積估計。類似地，Spreitzer等人[28]進一步推進了這一方向，采用SfM攝影測量技術生成2.5D體積模型，揭示了由于凸包近似而產生的系統高估誤差；值得注意的是，他們創新性地提出使用2.5D和3D體積之間的差異作為估計顆粒介質孔隙率的代理。同時，姚等人[29]采用由深度和表面法線圖組成的2.5D草圖作為中間表示，以橋接2D圖像和3D點云，通過學習的潛在空間映射實現單圖像3D重建——這種方法明確解決了遮擋區域的不確定性問題。這些努力共同表明，只要采用適當的建模策略，可以從不完整的2.5D觀測中推斷出有意義的3D信息。然而，盡管取得了這些進展，但在實際工程環境中直接從2.5D點云預測完整顆粒體積的方法仍存在關鍵空白。

因此，本文提出了一種基于不完整點云特征和可解釋機器學習的顆粒體積預測方法，建立了填石料自動粒級檢測的全面技術流程。

主要貢獻如下：

(1)

構建了一個包含400對2.5D和完整3D顆粒的數據集，提取了多尺度幾何特征以支持模型訓練和驗證；

(2)

提出了一種基于LightGBM的體積預測框架，利用2.5D點云中的3D幾何信息，在遮擋條件下顯著提高了準確率；

(3)

實施了SHAP可解釋性分析，以識別關鍵預測特征，提高了模型的透明度和適用性；

(4)

開發了一種可在現場部署的自動粒級檢測工作流程，并通過實驗驗證確認所有粒徑范圍的檢測誤差均低于2%。