基于AlexNet 的瀝青混合料油石比識別研究

楊占忠

（中國海洋大學(xué)，山東 青島 266000）

油石比作為瀝青混合料質(zhì)量控制的關(guān)鍵因素，是拌和站保證生產(chǎn)質(zhì)量和控制生產(chǎn)成本的主要指標[1]。油石比大小直接影響瀝青路面的高溫穩(wěn)定性、低溫抗裂性和水穩(wěn)定性等路用性能。油石比偏小容易導(dǎo)致瀝青路面出現(xiàn)裂縫病害，影響其低溫抗裂性；而油石比偏大容易出現(xiàn)車轍，影響瀝青路面的高溫穩(wěn)定性。因此，實現(xiàn)快速檢測油石比對控制瀝青混合料質(zhì)量是極其重要的。

1 數(shù)據(jù)采集

本文選擇粗、細集料均為石灰?guī)r，填料為礦粉，瀝青為70 號瀝青。集料使用前經(jīng)過篩分、水洗、烘干后按集料試驗規(guī)程對原材料進行性能檢測，結(jié)果表明所有試驗指標均滿足規(guī)定的技術(shù)要求。選擇細粒式密級配瀝青混合料AC-13C，設(shè)計瀝青混合料級配如表1 所示。

表1 瀝青混合料級配方案

通過馬歇爾試驗法進行配合比設(shè)計，可知最佳油石比為4.2%。熱拌瀝青混合料的頻度和質(zhì)量要求，瀝青混合料拌合機需要通過離心分離法或者射線法測定實際生產(chǎn)油石比，其中對于高速公路而言，最大允許偏差為±0.3%。為實現(xiàn)對瀝青混合料油石比的實時監(jiān)控，及時發(fā)現(xiàn)不符合要求的油石比，以±0.3%為間隔，確定試驗方案的油石比為3.8%、4.2%和4.6%。其中油石比3.8%與4.6%均不滿足生產(chǎn)要求。試驗采用智能瀝青混合料拌合機，混合料級配如表1 所示，拌和溫度155℃，拌和時間為180s，拌和AC-13C 瀝青混合料。

在采集油石比數(shù)據(jù)集過程中，嚴格控制采集條件，確保光線均勻一致，拍攝角度垂直向下，固定相機的高度和焦距，共獲得油石比為3.8%、4.2%和4.6%三個數(shù)據(jù)集。油石比數(shù)據(jù)集圖像特征具有類間差別大、類內(nèi)差異小的特點，符合識別研究特點。為保證數(shù)據(jù)集質(zhì)量，對數(shù)據(jù)集進行篩選和裁剪等處理，每個數(shù)據(jù)集保留500 張照片，其中70%的圖像用于訓(xùn)練，30%的圖像用于驗證。

2 AlexNet 網(wǎng)絡(luò)訓(xùn)練與識別

AlexNet 網(wǎng)絡(luò)最先由Krizhevsky 提出，其權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)類似于生物神經(jīng)網(wǎng)絡(luò)，在降低網(wǎng)絡(luò)模型復(fù)雜度的同時，減少了權(quán)值的數(shù)量，對處理多維圖像更具優(yōu)勢[2]。AlexNet增添了數(shù)據(jù)增強、Dropout 和ReLU 激活函數(shù)，提高了傳統(tǒng)的分類效果。

AlexNet 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程中，學(xué)習率控制模型的學(xué)習進度，學(xué)習率過低，會導(dǎo)致網(wǎng)絡(luò)收斂緩慢，學(xué)習效率降低；學(xué)習率過大，則參數(shù)更新幅度加劇，導(dǎo)致網(wǎng)絡(luò)收斂到局部最優(yōu)點，或者損失值直接開始增加。通過優(yōu)化訓(xùn)練參數(shù)，當LearRate 為1×，MiniBatchsize 為32，Epochs 為30，獲得最佳識別效果。模型訓(xùn)練對應(yīng)訓(xùn)練曲線如圖1 所示。

圖1 AlexNet模型訓(xùn)練過程

基于遷移學(xué)習的AlexNet 神經(jīng)網(wǎng)絡(luò)在對油石比的識別中，隨著訓(xùn)練迭代次數(shù)的增加，訓(xùn)練與驗證損失逐漸減少，訓(xùn)練與驗證準確率隨之上升，在迭代次數(shù)達到320 次后，驗證準確率趨于穩(wěn)定，最終達到89.33%。

3 結(jié)語

本文利用AlexNe 卷積神經(jīng)網(wǎng)絡(luò)對三種油石比數(shù)據(jù)集進行遷移學(xué)習，通過優(yōu)化識別參數(shù)，得到最佳驗證識別準確率。本文提出新的快速分類檢測油石比方法，改善傳統(tǒng)油石比檢測的弊端，為實現(xiàn)實時監(jiān)控生產(chǎn)過程瀝青混合料油石比做出了重要探索。