摘" 要： 使用近紅外光譜技術(shù)對(duì)瀝青混合料的老化程度進(jìn)行快速有效評(píng)估，對(duì)于瀝青道路養(yǎng)護(hù)具有重要意義。為了實(shí)現(xiàn)不同老化程度瀝青混合料的快速準(zhǔn)確分類，提出一種基于一維殘差卷積神經(jīng)網(wǎng)絡(luò)（1D?ResNet）的瀝青混合料光譜分類方法。該方法是在卷積神經(jīng)網(wǎng)絡(luò)鏈?zhǔn)浇Y(jié)構(gòu)的基礎(chǔ)上引入殘差模塊來(lái)構(gòu)建1D?ResNet分類模型。首先對(duì)近紅外光譜數(shù)據(jù)間隔平均，并進(jìn)行二階導(dǎo)數(shù)（2nd D）及標(biāo)準(zhǔn)正態(tài)變量變換（SNV）預(yù)處理；然后將歸一化的平均光譜、2nd D光譜及SNV光譜進(jìn)行光譜序列融合；最后將融合光譜數(shù)據(jù)作為模型的輸入，實(shí)現(xiàn)對(duì)不同老化程度瀝青混合料的分類。實(shí)驗(yàn)結(jié)果表明：對(duì)光譜數(shù)據(jù)進(jìn)行間隔平均后，1D?ResNet模型分類準(zhǔn)確率為88.38%，采用光譜序列融合后分類準(zhǔn)確率達(dá)98.86%，能夠?qū)崿F(xiàn)對(duì)瀝青混合料的準(zhǔn)確分類識(shí)別。

關(guān)鍵詞： 瀝青混合料； 光譜分類； 一維殘差卷積神經(jīng)網(wǎng)絡(luò)； 光譜預(yù)處理； 序列融合； 間隔平均法

中圖分類號(hào)： TN247?34" " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " "文章編號(hào)： 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(guò)程中會(huì)發(fā)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(guān)[2]。瀝青混合料老化程度決定道路養(yǎng)護(hù)時(shí)機(jī)，傳統(tǒng)的老化檢測(cè)方法需對(duì)路面取樣進(jìn)行化學(xué)分析，既耗時(shí)又會(huì)對(duì)瀝青道路造成一定的破壞[3]。近紅外光譜技術(shù)可對(duì)物質(zhì)進(jìn)行實(shí)時(shí)無(wú)損檢測(cè)分析[4]，已廣泛應(yīng)用于農(nóng)業(yè)、石油化工、藥品、食品等研究領(lǐng)域[5?8]。因此，可以使用近紅外光譜技術(shù)實(shí)現(xiàn)瀝青混合料老化程度的快速無(wú)損檢測(cè)，這有助于制定科學(xué)合理的道路維護(hù)策略，提高工作效率。

近年來(lái)，許多學(xué)者對(duì)瀝青混合料路用性能快速檢測(cè)進(jìn)行了相關(guān)研究。例如，文獻(xiàn)[9]以路面狀況指數(shù)作為預(yù)測(cè)指標(biāo)，使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)瀝青路面的大修時(shí)機(jī)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(duì)路面全部狀況進(jìn)行分析。文獻(xiàn)[10]將近紅外光譜技術(shù)與支持向量機(jī)結(jié)合，實(shí)現(xiàn)了對(duì)瀝青混合料的分類預(yù)測(cè)。但當(dāng)每個(gè)類訓(xùn)練樣本數(shù)量相同時(shí)，該方法預(yù)測(cè)效果欠佳。文獻(xiàn)[11]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）算法識(shí)別不同瀝青路面裂縫，取得了良好的效果。但將該方法的鏈?zhǔn)骄W(wǎng)絡(luò)結(jié)構(gòu)直接應(yīng)用到瀝青混合料光譜分類識(shí)別中，出現(xiàn)了淺層特征丟失的問(wèn)題。而殘差模塊被認(rèn)為是解決這一問(wèn)題的有效方法[12]，因此，本文在CNN結(jié)構(gòu)中引入殘差模塊，提出一種基于一維殘差卷積神經(jīng)網(wǎng)絡(luò)（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(jìn)行光譜序列融合，再用融合后的光譜數(shù)據(jù)作為模型輸入，實(shí)現(xiàn)對(duì)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(jīng)網(wǎng)絡(luò)分類模型

CNN有著局部感知、權(quán)值共享和自動(dòng)特征提取的特點(diǎn)[13]，可對(duì)數(shù)據(jù)進(jìn)行特征提取及分類預(yù)測(cè)。其能夠?qū)?fù)雜數(shù)據(jù)進(jìn)行特征提取和分類輸出的關(guān)鍵在于網(wǎng)絡(luò)的隱藏層，隱藏層中各層功能為：輸入光譜數(shù)據(jù)經(jīng)過(guò)卷積層（Convolutional）進(jìn)行特征提?。蝗缓蠼?jīng)過(guò)最大池化層（Max pooling）進(jìn)行降采樣處理，實(shí)現(xiàn)對(duì)卷積層提取特征的降維；全連接層將特征融合并實(shí)現(xiàn)分類輸出，主要包括壓平層（Flatten）和稠密層（Dense），多維數(shù)據(jù)經(jīng)過(guò)壓平層變?yōu)橐痪S數(shù)據(jù)，稠密層可實(shí)現(xiàn)對(duì)提取特征與目標(biāo)輸出的映射。

殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其通過(guò)跳躍連接將網(wǎng)絡(luò)結(jié)構(gòu)中的淺層特征與深層特征融合疊加，可以實(shí)現(xiàn)網(wǎng)絡(luò)中信息跨通道傳遞，增強(qiáng)網(wǎng)絡(luò)特征提取的能力[14]，從而避免訓(xùn)練過(guò)程中淺層特征丟失的情況。

將殘差模塊引入CNN后，可以增強(qiáng)網(wǎng)絡(luò)的特征提取能力，從而進(jìn)一步提取瀝青混合料光譜中的有效特征信息。同時(shí)，殘差模塊具有信息跨通道傳遞的能力，可以使網(wǎng)絡(luò)具有更好的穩(wěn)定性和魯棒性。為了對(duì)瀝青混合料光譜特征進(jìn)行有效提取及分類輸出，設(shè)計(jì)了一個(gè)1D?ResNet分類模型，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

1D?ResNet分類模型就是在CNN鏈?zhǔn)骄W(wǎng)絡(luò)基礎(chǔ)上引入殘差模塊，通過(guò)卷積模塊和殘差卷積模塊共同實(shí)現(xiàn)對(duì)混合料光譜的特征提取，然后應(yīng)用Softmax網(wǎng)絡(luò)實(shí)現(xiàn)分類輸出。1D?ResNet分類模型相關(guān)參數(shù)如表1所示。

為防止模型訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合，在每一次卷積之后進(jìn)行批量歸一化（BatchNorm），在網(wǎng)絡(luò)中使用Dropout函數(shù)，在每批次訓(xùn)練過(guò)程中使[12]的隱藏層節(jié)點(diǎn)變?yōu)?，選用ReLU函數(shù)為卷積層的激活函數(shù)，設(shè)置初始學(xué)習(xí)率為0.001，迭代次數(shù)為500次，同時(shí)使用隨機(jī)梯度下降（Stochastic Gradient Descent， SGD）算法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

1.2" 光譜預(yù)處理方法

瀝青混合料是一種包含瀝青、礦粉、集料等物質(zhì)的復(fù)雜混合物[15]，其近紅外光譜信號(hào)包含化學(xué)成分吸收信息和光散射特性，前者與樣品自身化學(xué)成分相關(guān)，后者是由發(fā)射光與樣品物理復(fù)雜結(jié)構(gòu)相互作用下產(chǎn)生的噪聲信號(hào)。因此在構(gòu)建模型前，需要進(jìn)行預(yù)處理來(lái)去除光譜數(shù)據(jù)中與化學(xué)成分無(wú)關(guān)的噪聲信號(hào)，主要使用以下方法。

式中：[xk]是第[k]個(gè)光譜值；[g]是窗口寬度。

標(biāo)準(zhǔn)正態(tài)變量變換（Standard Normal Variable， SNV）可消除樣品不均勻產(chǎn)生的光譜散射噪聲。對(duì)光譜數(shù)據(jù)[x1×m]的SNV公式如下：

單一的光譜預(yù)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(dǎo)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(lái)保留不同預(yù)處理方法的互補(bǔ)信息，如圖3所示。首先使用間隔平均方法將原始光譜X0變?yōu)槠骄庾VX1，然后通過(guò)2nd D和SNV預(yù)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(yù)處理造成的數(shù)據(jù)統(tǒng)計(jì)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(shù)據(jù)作為網(wǎng)絡(luò)輸入，然后通過(guò)1D?ResNet算法對(duì)光譜數(shù)據(jù)進(jìn)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(wǎng)絡(luò)提取特征及分類的能力相結(jié)合，以構(gòu)建瀝青混合料的分類識(shí)別模型。

將訓(xùn)練集和預(yù)測(cè)集的識(shí)別準(zhǔn)確率作為模型評(píng)價(jià)指標(biāo)，識(shí)別準(zhǔn)確率[PA]表示為：

式中：[NC]為樣品中識(shí)別準(zhǔn)確的樣本數(shù)；[N]為樣品的樣本總數(shù)。

2" 實(shí)驗(yàn)結(jié)果及分析

2.1" 實(shí)驗(yàn)材料與測(cè)量方法

為驗(yàn)證基于1D?ResNet的瀝青混合料光譜分類識(shí)別方法的有效性，采用不同老化程度的瀝青混合料作為實(shí)驗(yàn)對(duì)象。實(shí)驗(yàn)樣品按照國(guó)家標(biāo)準(zhǔn)（JTG E20—2011）中制作方法（T0702—2011）制作，使用電熱恒溫鼓風(fēng)干燥箱，按表2中方法制作不同老化程度試件。

根據(jù)美國(guó)公路戰(zhàn)略研究計(jì)劃的研究，短期老化大致相當(dāng)于瀝青混合料拌合后運(yùn)送到施工現(xiàn)場(chǎng)鋪設(shè)過(guò)程的老化，而對(duì)試件進(jìn)行長(zhǎng)期老化就是模擬瀝青路面實(shí)際使用過(guò)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(chǎn)）進(jìn)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(cè)器約5 mm。按照如圖4所示的方法測(cè)量每個(gè)樣品試件多點(diǎn)位（24點(diǎn)）的近紅外光譜信息，再對(duì)采集的光譜數(shù)據(jù)按圖5所示進(jìn)行間隔平均。表3為不同角度間隔的光譜數(shù)量，最終每個(gè)樣品獲得28條光譜，100個(gè)樣品，共采集2 800條光譜。光譜數(shù)據(jù)采用隨機(jī)劃分進(jìn)行模型訓(xùn)練，訓(xùn)練集∶測(cè)試集為3∶1。

2.2" 光譜預(yù)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(shù)據(jù)。對(duì)比圖6a）和圖6b）可以看出，間隔平均以后，瀝青混合料光譜數(shù)據(jù)更加集中，說(shuō)明經(jīng)過(guò)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(chǎn)生的散射噪聲；從圖6c）可以看出經(jīng)過(guò)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(jīng)過(guò)SNV處理后，光譜的重合度變高，進(jìn)一步削弱了散射噪聲對(duì)樣品光譜信息的影響。

2.3" 模型結(jié)果與分析

表4給出了單一預(yù)處理方法與SSF方法的1D?ResNet網(wǎng)絡(luò)模型分類效果。通過(guò)表4可知：相比于采用原始光譜數(shù)據(jù)作為輸入，利用間隔平均方法處理原始光譜后，1D?ResNet模型準(zhǔn)確率提升明顯，訓(xùn)練集效果提高18.81%，測(cè)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(shù)據(jù)后，削弱了光譜的散射噪聲；對(duì)平均光譜采用2nd D及SNV進(jìn)行預(yù)處理后，網(wǎng)絡(luò)模型的訓(xùn)練集準(zhǔn)確率達(dá)到100%，測(cè)試集準(zhǔn)確率分別為91.85%、92.71%，證明經(jīng)過(guò)預(yù)處理后可以進(jìn)一步削弱散射噪聲的影響，使網(wǎng)絡(luò)模型對(duì)瀝青混合料的分類能力得到明顯提升；當(dāng)采用SSF方法對(duì)光譜特征進(jìn)行融合后，1D?ResNet網(wǎng)絡(luò)模型訓(xùn)練集準(zhǔn)確率為100%，測(cè)試集準(zhǔn)確率為98.86%，說(shuō)明采用該方法能夠很好地削弱光譜中的散射信號(hào)，并將光譜經(jīng)過(guò)預(yù)處理后的互補(bǔ)信息融合，從而提高模型的分類能力。

2.4" 不同模型對(duì)比

為進(jìn)一步驗(yàn)證所提方法的效果與優(yōu)勢(shì)，將經(jīng)過(guò)SSF方法處理的光譜數(shù)據(jù)作為輸入，對(duì)比分析采用文獻(xiàn)[9]方法、文獻(xiàn)[10]方法、文獻(xiàn)[11]方法及本文所提方法對(duì)老化瀝青混合料的分類效果，具體測(cè)試準(zhǔn)確率如表5所示。

表5表明，本文所構(gòu)建的模型對(duì)瀝青混合料分類效果最好，準(zhǔn)確率達(dá)98.86%。相比于文獻(xiàn)[11]方法，引入殘差網(wǎng)絡(luò)后，訓(xùn)練集與測(cè)試集準(zhǔn)確率都提升超過(guò)10%，表明在傳統(tǒng)CNN模型基礎(chǔ)上引入殘差模塊可以進(jìn)一步提取光譜特征信息，融合到深層網(wǎng)絡(luò)結(jié)構(gòu)中，能夠保留更多有利于校準(zhǔn)模型的光譜特征。同時(shí)從表中可以看出，采用深度學(xué)習(xí)方法的分類效果均優(yōu)于采用傳統(tǒng)機(jī)器學(xué)習(xí)方法（文獻(xiàn)[9]與文獻(xiàn)[10]方法）。

由此可知，本文設(shè)計(jì)的分類方法效果優(yōu)于其他3種方法，可以為相關(guān)類似樣品應(yīng)用光譜技術(shù)做快速檢測(cè)提供一個(gè)新的參考方向。

3" 結(jié)" 論

針對(duì)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(jīng)網(wǎng)絡(luò)的分類模型。

首先對(duì)采集的近紅外光譜進(jìn)行間隔平均，然后將平均光譜、2nd D光譜、SNV光譜歸一化后進(jìn)行光譜序列融合，最后將融合光譜數(shù)據(jù)作為模型輸入，實(shí)現(xiàn)對(duì)不同老化程度瀝青混合料的分類。

分析結(jié)果表明：在對(duì)不同老化程度瀝青混合料分類過(guò)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(yōu)于采用原始光譜信息；與傳統(tǒng)單一光譜預(yù)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(shuō)明融合不同處理方法能夠很好地去除影響模型精度的無(wú)關(guān)散射信息，并保留更多有利于校準(zhǔn)模型的互補(bǔ)信息；與BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)及CNN相比，所提的1D?ResNet模型具有更加可靠的分類效果，能夠?qū)崿F(xiàn)對(duì)不同老化程度瀝青混合料的準(zhǔn)確分類。

注：本文通訊作者為王晉軍。

參考文獻(xiàn)

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

[2] 屈鑫，丁鶴洋，汪海年.道路瀝青老化評(píng)價(jià)方法研究進(jìn)展[J].中國(guó)公路學(xué)報(bào)，2022，35（6）：205?220.

[3] 嚴(yán)園.基于紅外光譜的道路瀝青老化性能表征及疲勞壽命預(yù)估[D].武漢：武漢科技大學(xué)，2021.

[4] 褚小立，陳瀑，李敬巖，等.近紅外光譜分析技術(shù)的最新進(jìn)展與展望[J].分析測(cè)試學(xué)報(bào)，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(jí)方法研究[J].現(xiàn)代電子技術(shù)，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(shí)機(jī)預(yù)測(cè)方法研究[J].工程建設(shè)，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(jīng)網(wǎng)絡(luò)的瀝青路面裂縫識(shí)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(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)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(duì)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(jiǎn)介：王晉軍（1996—），男，山西大同人，碩士研究生，研究方向?yàn)楣庾V檢測(cè)及信息處理分析。

周興林（1965—），男，湖北監(jiān)利人，博士研究生，教授，研究方向?yàn)橄冗M(jìn)檢測(cè)技術(shù)與應(yīng)用。

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

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（51778509）；國(guó)家科學(xué)自然基金項(xiàng)目（51827812）