基于BP神经网络的沥青混合料级配检测研究

宫兴，英红，姜鹏

(桂林电子科技大学 建筑与交通工程学院，广西 桂林 541004)

0 引 言

车辙是沥青路面的主要病害形式，目前沥青路面车辙的主要修复手段为铲除破损路面后重新摊铺，成本较高且容易再次受损。车辙宏观形态是由混合料内部颗粒复杂的细观运动累积而成的，因此沥青路面的寿命与其混合料级配的合理性息息相关。

现行的沥青混合料级配检测方法主要分为实测法和图像处理法两大类。实测法主要有抽提筛分法和燃烧筛分法，但操作繁琐，费时费力[1]；图像处理技术逐渐应用于交通领域，且在沥青混合料级配检测方面日趋成熟，较早的一批学者采用二维指标评价沥青混合料的平面级配。如沙爱民等[2]基于图像处理中提取的集料颗粒特征，统计了各筛孔通过率，分析了平面级配与设计级配的误差并提出差分修正参数修正平面级配；在此基础上，李强等[3]拟合出各粒径通过率的回归方程，修正了平面级配各粒径通过率，使平面级配与设计级配更加接近；考虑到使用二维参数评价三维级配存在的误差较大，吴文亮等[4]和盛燕萍等[5]将集料的二维信息与体视学方法结合，推测三维空间下沥青混合料级配的分布，但与设计级配存在较大误差，仍需引入修正系数对误差进行修正；程永春等[6]将CT扫描技术应用到沥青混合料级配检测中，提高了平面级配的识别精度，但成本较高。

神经网络方法通过模仿动物神经网络的行为特征，调节网络内部节点之间的相互连接关系，对信息进行处理[7]。道路工作者们使用神经网络方法预测沥青混合料的性能[8-11]，预测效果良好。为了通过图像处理精确检测沥青混合料的设计级配，本文基于室内试验，设计了10种级配，结合3种筛分方式改进了电子筛。在此基础上，使用BP神经网络对每种级配选取20组图像处理后的平面级配作为数据分析对象进行训练，探究神经网络对沥青混合料级配检测的准确性，以期为沥青混合料的级配检测提供一种新方法。

1 试验方案及试验材料

在图像处理中，粒径较小的颗粒会在形态学运算后被剔除，导致细集料的检测结果不准确，对级配的识别影响较大[12]。因此，本研究只针对不同级配沥青混合料中粒径大于4.75 mm的粗集料。级配种类繁多，为使研究范围覆盖各种类型级配，本文参照标准[13]，设计多粒级20型、13型和13C型级配，并调整每种级配中不同粒径粗集料的比例，调整比例如表1所示，调整后的级配如表2所示。

表1 不同粒径粗集料比例调整Tab.1 Adjuslements of the ratios of coarse aggregates with different particle sizes

表2 不同粒径粗集料比例调整后的级配Tab.2 Gradings after adjustements of the ratios of coarse aggregates with different particle sizes

集料为玄武岩，矿粉由石灰岩研磨而成，掺量均为5%，沥青为普通70号，最佳含量均为5%。根据表2中所示级配，使用车辙成型机制作试件，每种级配成型5个试件。使用高精度双面锯对试件进行切割，每个试件可获得4个矩形截面。切割完成后对截面进行清洁处理，保证截面平整及集料边缘清晰。使用高精度扫描仪分别对每个截面进行图像采集，每个试件可获得4张高精度图片。

2 电子筛分改进算法

2.1 图像处理

图像处理的目的是从图像中分离集料，统计分析后确定沥青混凝土的平面级配，但彩色图像不能直接用于统计分析，因此，需要用图像处理技术对彩色图像进行处理，将其转换为二值图像。

本文图像处理按照以下步骤进行：(1)在试件切割过程中，一些集料的截面区域会受到破坏和污染，影响集料分离的完整性，因此采用中值滤波去除图像中的噪声，保护图像边缘的不规则性；(2)OSTU算法通过双峰灰度直方图确定最佳阈值，从而将图像分为目标和背景两部分，将集料从沥青砂浆中分离出来；(3)经过上述处理的集料边缘会存在一些细小的毛刺，且集料内部存在一些孔洞，不利于集料几何特性提取，因此采用形态学中的开运算与闭运算对二值图像进行处理。整个图像处理过程如图1所示(以20(1)级配为例)，其中白色为集料颗粒，黑色为沥青砂浆。

图1 车辙试件截面图像处理效果图Fig.1 Effects image of cross-section image processing of rutting test piece

2.2 电子筛分改进算法及平面级配识别

要通过平面级配对设计级配进行检测，需要将图像中的各档粗集料依据某种指标进行归类，即进行电子筛分。S.Masad等[14]将集料等效为圆形，提出了等效直径区分各粒径集料；李智[15]提出了使用等效椭圆短轴对各粒径集料进行筛分。在图像处理过程中发现，仅使用一种电子筛分方式无法对形状各异的集料进行筛分，当集料截面形状接近于圆形或正方形时，使用等效直径法正确率较高，而当截面形状接近于椭圆或矩形时，使用等效短轴法正确率较高。此外,对于针片状集料截面，只需最小外接矩形的短边长能够通过筛孔即可。因此,本文以集料截面最小外接矩形的长边与短边之比AR为指标，将形状各异的集料截面划分为3类(圆状、椭圆状、针片状)。英红[16]指出，AR=2时，圆状集料和椭圆状的集料区分正确率较高，数值较稳定。而针片状颗粒是指粗集料的长度与厚度之比超过3∶1的颗粒[17]，因此本文把AR>3的集料截面认定为针片状集料。电子筛分改进算法如表3所示，筛分结果如图2所示(以级配13C(1)为例)。

图2 改进电子筛筛分效果Fig.2 Sieving effect of electronic sieving

由于从二值图像提取出的参数单位为像素，因此根据式(1)将粒径单位统一为像素单位，从而得到粗集料各粒径辨识范围,如表4所示。应用时，按照表3中方法将不同集料分为3类形状，根据辨识范围将其划分为不同粒径，3类形状不同粒径筛分结果之和为图像中各粒径粗集料的级配。比较统计的平面级配与设计级配，可得到电子筛分改进算法的正确率，各种算法的平均正确率如表5所示。由表5可以看出，使用改进算法正确率较高。

表3 电子筛分改进算法Tab.3 Improved algorithm of electronic sieving

表4 粗集料各粒径辨识范围Tab.4 Recognition range of coarse aggregate particle size

表5 各算法正确率对比Tab.5 Comparisons of accuracy of various algorithms

(1)

式中：pixel为像素数；m为毫米数；c=25.4；DPI为图像分辨率。

3 基于BP神经网络的设计级配检测

尽管改进的电子筛分算法正确率较高，但与设计级配仍有较大差异，为此，本文构建检测神经网络，以平面级配为样本，对设计级配进行检测。

3.1 神经网络设计与训练

将表2中的10种级配作为测试对象，每个测试对象包含5种不同筛孔的通过率(4.75,9.50,13.20,16.00,19.00 mm)。输入层的神经元为5个，分别代表平面级配中4.75～19.00 mm筛孔的通过率；输出层的神经元为5个，分别代表设计级配中4.75～19.00 mm筛孔的通过率。根据实际训练情况对隐藏层的神经元数目进行修正，设定网络隐藏层的神经元个数为15，整个网络结构如图3所示。

图3 沥青混合料设计级配检测网络结构图Fig.3 Structure diagram of asphalt mixture design grading detection network

每个测试对象包含20组样本数据，其中75%的数据用于神经网络训练，25%的数据用于模型测试。神经网络预测中，采用共轭梯度法能够提高神经网络的收敛速度和精度[18]，因此本文采用共轭梯度法进行训练，学习速度取0.01，训练最大终止次数为1 000。在对神经网络进行训练之前，需要对输入层和输出层的数据进行归一化处理，将训练数据限制在[0,1]，以达到增加网络权值和阈值对各因子数值变化灵敏度的目的，本文使用的归一化方法如式(2)所示。

(2)

式中：x*为样本数据归一化后的值；x为样本原始数据值；xmax为样本数据中的最大值；xmin为样本数据中的最小值。

3.2 测试结果分析

以10种级配为测试对象，将每个对象的16组平面级配作为训练样本进行神经网络训练，将每个对象的剩余4组平面级配作为测试样本，对比检测级配与设计级配，结果如图4所示。

图4 各级配不同粒径检测级配与设计级配比较示意图Fig.4 Schematic diagram of the comparison between the prediction gradation and the design gradation of different particle sizes

由图4可以看出，通过神经网络对设计级配进行检测，检测结果较为准确，其中，20型级配最大误差为36.4%(20(1)，13.20 mm)，18.9%(20(2)，13.20 mm)，23.2%(20(3)，4.75 mm)；13型级配最大误差为20.75%(13(1)，9.50 mm)，7.6%(13(2)，4.75 mm)，13.2%(13(3)，9.50 mm)；13C型级配最大误差为22.8%(13C(1)，4.75 mm)，14.5%(13C(2)，9.50 mm)，8.8%(13C(3)，4.75 mm)，10.7%(13C(4)，4.75 mm)。各粒径的平均正确率分别为88.1%(4.75 mm)，91.2%(9.50 mm)，93.8%(13.20 mm)，95.1%(16.00 mm)，100%(19.00 mm)。使用神经网络检测设计级配的正确率比表5中电子筛分改进算法的正确率更高，表明使用神经网络通过平面级配检测设计级配具有较高的可行性。

3.3 相关性分析

为了直观地分析设计值与检测值的相关性，对10种级配的设计级配与检测级配进行比较分析，结果如图5所示。由图5可以看出，使用神经网络对设计级配进行检测时，各种级配的斜率始终接近于1，且相关系数R2较大，表明各级配检测值与设计值之间的相关性较好，使用神经网络能较好地从平面级配中检测设计级配。

图5 不同级配检测级配与设计级配相关性分析Fig.5 Correlation analysis of prediction gradation and design gradation of different gradations

4 结 论

(1)与等效直径法和等效椭圆半径法相比，本文提出的改进电子筛分算法具有更高的准确率，且粒径越大准确率越高。

(2)使用BP神经网络检测设计级配，各粒径的平均正确率分别为88.1%(4.75 mm)，91.2%(9.50 mm)，93.8%(13.20 mm)，95.1%(16.00 mm)，100%(19.00 mm)，准确率较高。

(3)使用神经网络对设计级配进行检测时，各种级配的斜率始终接近1，且相关系数较大，表明各级配检测值与设计值之间相关性较好，使用神经网络能较好地从平面级配中检测设计级配。