基于1D?ResNet的瀝青混合料光譜分類識別方法

摘" 要： 使用近紅外光譜技術對瀝青混合料的老化程度進行快速有效評估，對于瀝青道路養護具有重要意義。為了實現不同老化程度瀝青混合料的快速準確分類，提出一種基于一維殘差卷積神經網絡（1D?ResNet）的瀝青混合料光譜分類方法。該方法是在卷積神經網絡鏈式結構的基礎上引入殘差模塊來構建1D?ResNet分類模型。首先對近紅外光譜數據間隔平均，并進行二階導數（2nd D）及標準正態變量變換（SNV）預處理；然后將歸一化的平均光譜、2nd D光譜及SNV光譜進行光譜序列融合；最后將融合光譜數據作為模型的輸入，實現對不同老化程度瀝青混合料的分類。實驗結果表明：對光譜數據進行間隔平均后，1D?ResNet模型分類準確率為88.38%，采用光譜序列融合后分類準確率達98.86%，能夠實現對瀝青混合料的準確分類識別。

關鍵詞： 瀝青混合料； 光譜分類； 一維殘差卷積神經網絡； 光譜預處理； 序列融合； 間隔平均法

中圖分類號： TN247?34" " " " " " " " " " " " " " 文獻標識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2025）08?0139?06

Method of asphalt mixture spectral classification and recognition based on 1D?ResNet

WANG Jinjun， ZHOU Xinglin

（School of Mechanical and Automation， Wuhan University of Science and Technology， Wuhan 430081， China）

Abstract： Using near?infrared spectroscopy technology to quickly and effectively evaluate the aging degree of asphalt mixture is of great significance for asphalt road maintenance. In order to realize the fast and accurate classification of asphalt mixtures with different aging degrees， a method of asphalt mixtures spectral classification based on one?dimensional residual convolutional neural network （1D?ResNet） is proposed. In this method， the residual module is introduced on the basis of the chain structure of convolutional neural network to construct the 1D?ResNet classification model. The interval of near?infrared spectral data is averaged and preprocessed with second derivative （2nd D） and standard normal variable （SNV）. The spectral sequence fusion is performed on normalized average spectra， 2nd D spectra， and SNV spectra. The fused spectral data is used as input for the model to realize the classification of asphalt mixtures with different degrees of aging. The experimental results show that the classification accuracy of 1D?ResNet model is 88.38% after interval averaging of spectral data， and the classification accuracy is 98.86% after spectral sequence fusion， which can accurately realize the classification and recognition of asphalt mixture.

Keywords： asphalt mixture; spectral classification; one?dimensional residual convolutional neural network; spectral preprocessing; sequence fusion; interval averaging method

0" 引" 言

瀝青混合料在道路的施工和后期使用過程中會發生老化[1]，而瀝青路面的使用壽命與混合料的老化程度息息相關[2]。瀝青混合料老化程度決定道路養護時機，傳統的老化檢測方法需對路面取樣進行化學分析，既耗時又會對瀝青道路造成一定的破壞[3]。近紅外光譜技術可對物質進行實時無損檢測分析[4]，已廣泛應用于農業、石油化工、藥品、食品等研究領域[5?8]。因此，可以使用近紅外光譜技術實現瀝青混合料老化程度的快速無損檢測，這有助于制定科學合理的道路維護策略，提高工作效率。

近年來，許多學者對瀝青混合料路用性能快速檢測進行了相關研究。例如，文獻[9]以路面狀況指數作為預測指標，使用BP神經網絡預測瀝青路面的大修時機并取得了較好的效果，但該方法容易受主觀因素影響，需要對路面全部狀況進行分析。文獻[10]將近紅外光譜技術與支持向量機結合，實現了對瀝青混合料的分類預測。但當每個類訓練樣本數量相同時，該方法預測效果欠佳。文獻[11]應用卷積神經網絡（Convolutional Neural Network， CNN）算法識別不同瀝青路面裂縫，取得了良好的效果。但將該方法的鏈式網絡結構直接應用到瀝青混合料光譜分類識別中，出現了淺層特征丟失的問題。而殘差模塊被認為是解決這一問題的有效方法[12]，因此，本文在CNN結構中引入殘差模塊，提出一種基于一維殘差卷積神經網絡（One?dimensional Residual Convolutional Neural Network， 1D?ResNet）的分類模型，將歸一化平均光譜、2nd D光譜及SNV光譜進行光譜序列融合，再用融合后的光譜數據作為模型輸入，實現對不同老化程度瀝青混合料的分類。

1" 原理與方法

1.1" 殘差卷積神經網絡分類模型

CNN有著局部感知、權值共享和自動特征提取的特點[13]，可對數據進行特征提取及分類預測。其能夠對復雜數據進行特征提取和分類輸出的關鍵在于網絡的隱藏層，隱藏層中各層功能為：輸入光譜數據經過卷積層（Convolutional）進行特征提取；然后經過最大池化層（Max pooling）進行降采樣處理，實現對卷積層提取特征的降維；全連接層將特征融合并實現分類輸出，主要包括壓平層（Flatten）和稠密層（Dense），多維數據經過壓平層變為一維數據，稠密層可實現對提取特征與目標輸出的映射。

殘差網絡結構如圖1所示，其通過跳躍連接將網絡結構中的淺層特征與深層特征融合疊加，可以實現網絡中信息跨通道傳遞，增強網絡特征提取的能力[14]，從而避免訓練過程中淺層特征丟失的情況。

將殘差模塊引入CNN后，可以增強網絡的特征提取能力，從而進一步提取瀝青混合料光譜中的有效特征信息。同時，殘差模塊具有信息跨通道傳遞的能力，可以使網絡具有更好的穩定性和魯棒性。為了對瀝青混合料光譜特征進行有效提取及分類輸出，設計了一個1D?ResNet分類模型，網絡結構如圖2所示。

1D?ResNet分類模型就是在CNN鏈式網絡基礎上引入殘差模塊，通過卷積模塊和殘差卷積模塊共同實現對混合料光譜的特征提取，然后應用Softmax網絡實現分類輸出。1D?ResNet分類模型相關參數如表1所示。

為防止模型訓練過程中出現過擬合，在每一次卷積之后進行批量歸一化（BatchNorm），在網絡中使用Dropout函數，在每批次訓練過程中使[12]的隱藏層節點變為0，選用ReLU函數為卷積層的激活函數，設置初始學習率為0.001，迭代次數為500次，同時使用隨機梯度下降（Stochastic Gradient Descent， SGD）算法對網絡進行優化。

1.2" 光譜預處理方法

瀝青混合料是一種包含瀝青、礦粉、集料等物質的復雜混合物[15]，其近紅外光譜信號包含化學成分吸收信息和光散射特性，前者與樣品自身化學成分相關，后者是由發射光與樣品物理復雜結構相互作用下產生的噪聲信號。因此在構建模型前，需要進行預處理來去除光譜數據中與化學成分無關的噪聲信號，主要使用以下方法。

式中：[xk]是第[k]個光譜值；[g]是窗口寬度。

標準正態變量變換（Standard Normal Variable， SNV）可消除樣品不均勻產生的光譜散射噪聲。對光譜數據[x1×m]的SNV公式如下：

單一的光譜預處理雖然可以在一定程度上消除樣品光譜中的散射噪聲，但也可能導致有用信息丟失，因此本文提出采用光譜序列融合（Spectral Sequence Fusion， SSF）方法來保留不同預處理方法的互補信息，如圖3所示。首先使用間隔平均方法將原始光譜X0變為平均光譜X1，然后通過2nd D和SNV預處理X1得到光譜X2和X3，接著采用最大最小歸一化解決由于使用不同預處理造成的數據統計分布差異，最后將歸一化后的光譜依次拼接，形成序列融合光譜X。

將SSF方法處理的光譜數據作為網絡輸入，然后通過1D?ResNet算法對光譜數據進行特征提取及分類輸出，最后將SSF方法處理光譜信息的能力和1D?ResNet網絡提取特征及分類的能力相結合，以構建瀝青混合料的分類識別模型。

將訓練集和預測集的識別準確率作為模型評價指標，識別準確率[PA]表示為：

式中：[NC]為樣品中識別準確的樣本數；[N]為樣品的樣本總數。

2" 實驗結果及分析

2.1" 實驗材料與測量方法

為驗證基于1D?ResNet的瀝青混合料光譜分類識別方法的有效性，采用不同老化程度的瀝青混合料作為實驗對象。實驗樣品按照國家標準（JTG E20—2011）中制作方法（T0702—2011）制作，使用電熱恒溫鼓風干燥箱，按表2中方法制作不同老化程度試件。

根據美國公路戰略研究計劃的研究，短期老化大致相當于瀝青混合料拌合后運送到施工現場鋪設過程的老化，而對試件進行長期老化就是模擬瀝青路面實際使用過程的老化。樣品光譜使用SCIO Mini近紅外光譜儀（由Consumer Physics公司生產）進行采集，采集波段為740～1 070 nm，采樣間隔為1 nm，采集方式為漫反射，樣品距光電探測器約5 mm。按照如圖4所示的方法測量每個樣品試件多點位（24點）的近紅外光譜信息，再對采集的光譜數據按圖5所示進行間隔平均。表3為不同角度間隔的光譜數量，最終每個樣品獲得28條光譜，100個樣品，共采集2 800條光譜。光譜數據采用隨機劃分進行模型訓練，訓練集∶測試集為3∶1。

2.2" 光譜預處理分析

圖6為瀝青混合料的原始光譜、平均光譜、2nd D光譜及SNV光譜數據。對比圖6a）和圖6b）可以看出，間隔平均以后，瀝青混合料光譜數據更加集中，說明經過間隔平均可以消除部分因樣品表面凹凸不平造成光程變化而產生的散射噪聲；從圖6c）可以看出經過2nd D處理后，基線及背景的干擾有所減少；從圖6d）可以看出經過SNV處理后，光譜的重合度變高，進一步削弱了散射噪聲對樣品光譜信息的影響。

2.3" 模型結果與分析

表4給出了單一預處理方法與SSF方法的1D?ResNet網絡模型分類效果。通過表4可知：相比于采用原始光譜數據作為輸入，利用間隔平均方法處理原始光譜后，1D?ResNet模型準確率提升明顯，訓練集效果提高18.81%，測試集效果提高33.81%，證明了使用間隔平均方法處理瀝青混合料光譜數據后，削弱了光譜的散射噪聲；對平均光譜采用2nd D及SNV進行預處理后，網絡模型的訓練集準確率達到100%，測試集準確率分別為91.85%、92.71%，證明經過預處理后可以進一步削弱散射噪聲的影響，使網絡模型對瀝青混合料的分類能力得到明顯提升；當采用SSF方法對光譜特征進行融合后，1D?ResNet網絡模型訓練集準確率為100%，測試集準確率為98.86%，說明采用該方法能夠很好地削弱光譜中的散射信號，并將光譜經過預處理后的互補信息融合，從而提高模型的分類能力。

2.4" 不同模型對比

為進一步驗證所提方法的效果與優勢，將經過SSF方法處理的光譜數據作為輸入，對比分析采用文獻[9]方法、文獻[10]方法、文獻[11]方法及本文所提方法對老化瀝青混合料的分類效果，具體測試準確率如表5所示。

表5表明，本文所構建的模型對瀝青混合料分類效果最好，準確率達98.86%。相比于文獻[11]方法，引入殘差網絡后，訓練集與測試集準確率都提升超過10%，表明在傳統CNN模型基礎上引入殘差模塊可以進一步提取光譜特征信息，融合到深層網絡結構中，能夠保留更多有利于校準模型的光譜特征。同時從表中可以看出，采用深度學習方法的分類效果均優于采用傳統機器學習方法（文獻[9]與文獻[10]方法）。

由此可知，本文設計的分類方法效果優于其他3種方法，可以為相關類似樣品應用光譜技術做快速檢測提供一個新的參考方向。

3" 結" 論

針對瀝青混合料的光譜特性，本文提出了一種基于一維殘差卷積神經網絡的分類模型。

首先對采集的近紅外光譜進行間隔平均，然后將平均光譜、2nd D光譜、SNV光譜歸一化后進行光譜序列融合，最后將融合光譜數據作為模型輸入，實現對不同老化程度瀝青混合料的分類。

分析結果表明：在對不同老化程度瀝青混合料分類過程中，采集樣品光譜后使用間隔平均方法處理光譜信息，模型的分類效果明顯優于采用原始光譜信息；與傳統單一光譜預處理方法相比，本文提出的SSF方法融合光譜特征后的分類模型效果更好，說明融合不同處理方法能夠很好地去除影響模型精度的無關散射信息，并保留更多有利于校準模型的互補信息；與BP神經網絡、支持向量機及CNN相比，所提的1D?ResNet模型具有更加可靠的分類效果，能夠實現對不同老化程度瀝青混合料的準確分類。

注：本文通訊作者為王晉軍。

參考文獻

[1] 張文剛，師郡.瀝青混合料室內加速熱氧老化特性與預估[J].科學技術與工程，2017，17（24）：279?282.

[2] 屈鑫，丁鶴洋，汪海年.道路瀝青老化評價方法研究進展[J].中國公路學報，2022，35（6）：205?220.

[3] 嚴園.基于紅外光譜的道路瀝青老化性能表征及疲勞壽命預估[D].武漢：武漢科技大學，2021.

[4] 褚小立，陳瀑，李敬巖，等.近紅外光譜分析技術的最新進展與展望[J].分析測試學報，2020，39（10）：1181?1188.

[5] 孫祥洪，羅智勇.基于一維殘差卷積的煙葉分級方法研究[J].現代電子技術，2024，47（2）：165?170.

[6] YU H J， WANG X J， SHEN F， et al. Novel automatic model construction method for the rapid characterization of petroleum properties from near?infrared spectroscopy [J]. Fuel， 2022， 316： 123101.

[7] ZHENG A B， YANG H H， PAN X P， et al. Identifying multi?class drugs by using near?infrared spectroscopy and variational auto?encoding modeling [J]. Spectroscopy and spectral analysis， 2020， 40（12）： 3946?3952.

[8] HE H J， WANG Y， ZHANG M， et al. Rapid determination of reducing sugar content in sweet potatoes using NIR spectra [J]. Journal of food composition and analysis， 2022， 111： 104641.

[9] 王立路，于金良，成高立.瀝青路面大修時機預測方法研究[J].工程建設，2022，54（6）：73?78.

[10] JAHANGIRI B， BARRI K， H. ALAVI A， et al. A molecular sensing method integrated with support vector machines to characterize asphalt mixtures [J]. Measurement， 2021， 179： 109528.

[11] 李永緒，謝政專，唐文娟.基于卷積神經網絡的瀝青路面裂縫識別方法[J].西部交通科技，2020（6）：19?22.

[12] 郭玥秀，楊偉，劉琦，等.殘差網絡研究綜述[J].計算機應用研究，2020，37（5）：1292?1297.

[13] MISHRA P， BIANCOLILLO A， ROGER J M， et al. New data preprocessing trends based on ensemble of multiple preprocessing techniques [J]. TrAC trends in analytical chemistry， 2020， 132： 116045.

[14] HUANG Y L， MENG S Y， ZHAO P， et al. Wood quality of Chinese zither panel based on convolutional neural network and near?infrared spectroscopy [J]. Applied optics， 2019， 58（18）： 5122?5127.

[15] 熊政勇，吳江林，車春海，等.粗集料顆粒形狀對瀝青混合料性能的影響[J].公路交通科技，2023，40（8）：22?28.

作者簡介：王晉軍（1996—），男，山西大同人，碩士研究生，研究方向為光譜檢測及信息處理分析。

周興林（1965—），男，湖北監利人，博士研究生，教授，研究方向為先進檢測技術與應用。

收稿日期：2024?06?04" " " " " "修回日期：2024?07?10

基金項目：國家自然科學基金項目（51778509）；國家科學自然基金項目（51827812）