宮興，英紅，姜鵬

(桂林電子科技大學(xué) 建筑與交通工程學(xué)院，廣西 桂林 541004)

0 引 言

車(chē)轍是瀝青路面的主要病害形式，目前瀝青路面車(chē)轍的主要修復(fù)手段為鏟除破損路面后重新攤鋪，成本較高且容易再次受損。車(chē)轍宏觀形態(tài)是由混合料內(nèi)部顆粒復(fù)雜的細(xì)觀運(yùn)動(dòng)累積而成的，因此瀝青路面的壽命與其混合料級(jí)配的合理性息息相關(guān)。

現(xiàn)行的瀝青混合料級(jí)配檢測(cè)方法主要分為實(shí)測(cè)法和圖像處理法兩大類。實(shí)測(cè)法主要有抽提篩分法和燃燒篩分法，但操作繁瑣，費(fèi)時(shí)費(fèi)力[1]；圖像處理技術(shù)逐漸應(yīng)用于交通領(lǐng)域，且在瀝青混合料級(jí)配檢測(cè)方面日趨成熟，較早的一批學(xué)者采用二維指標(biāo)評(píng)價(jià)瀝青混合料的平面級(jí)配。如沙愛(ài)民等[2]基于圖像處理中提取的集料顆粒特征，統(tǒng)計(jì)了各篩孔通過(guò)率，分析了平面級(jí)配與設(shè)計(jì)級(jí)配的誤差并提出差分修正參數(shù)修正平面級(jí)配；在此基礎(chǔ)上，李強(qiáng)等[3]擬合出各粒徑通過(guò)率的回歸方程，修正了平面級(jí)配各粒徑通過(guò)率，使平面級(jí)配與設(shè)計(jì)級(jí)配更加接近；考慮到使用二維參數(shù)評(píng)價(jià)三維級(jí)配存在的誤差較大，吳文亮等[4]和盛燕萍等[5]將集料的二維信息與體視學(xué)方法結(jié)合，推測(cè)三維空間下瀝青混合料級(jí)配的分布，但與設(shè)計(jì)級(jí)配存在較大誤差，仍需引入修正系數(shù)對(duì)誤差進(jìn)行修正；程永春等[6]將CT掃描技術(shù)應(yīng)用到瀝青混合料級(jí)配檢測(cè)中，提高了平面級(jí)配的識(shí)別精度，但成本較高。

神經(jīng)網(wǎng)絡(luò)方法通過(guò)模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的行為特征，調(diào)節(jié)網(wǎng)絡(luò)內(nèi)部節(jié)點(diǎn)之間的相互連接關(guān)系，對(duì)信息進(jìn)行處理[7]。道路工作者們使用神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)瀝青混合料的性能[8-11]，預(yù)測(cè)效果良好。為了通過(guò)圖像處理精確檢測(cè)瀝青混合料的設(shè)計(jì)級(jí)配，本文基于室內(nèi)試驗(yàn)，設(shè)計(jì)了10種級(jí)配，結(jié)合3種篩分方式改進(jìn)了電子篩。在此基礎(chǔ)上，使用BP神經(jīng)網(wǎng)絡(luò)對(duì)每種級(jí)配選取20組圖像處理后的平面級(jí)配作為數(shù)據(jù)分析對(duì)象進(jìn)行訓(xùn)練，探究神經(jīng)網(wǎng)絡(luò)對(duì)瀝青混合料級(jí)配檢測(cè)的準(zhǔn)確性，以期為瀝青混合料的級(jí)配檢測(cè)提供一種新方法。

1 試驗(yàn)方案及試驗(yàn)材料

在圖像處理中，粒徑較小的顆粒會(huì)在形態(tài)學(xué)運(yùn)算后被剔除，導(dǎo)致細(xì)集料的檢測(cè)結(jié)果不準(zhǔn)確，對(duì)級(jí)配的識(shí)別影響較大[12]。因此，本研究只針對(duì)不同級(jí)配瀝青混合料中粒徑大于4.75 mm的粗集料。級(jí)配種類繁多，為使研究范圍覆蓋各種類型級(jí)配，本文參照標(biāo)準(zhǔn)[13]，設(shè)計(jì)多粒級(jí)20型、13型和13C型級(jí)配，并調(diào)整每種級(jí)配中不同粒徑粗集料的比例，調(diào)整比例如表1所示，調(diào)整后的級(jí)配如表2所示。

表1 不同粒徑粗集料比例調(diào)整Tab.1 Adjuslements of the ratios of coarse aggregates with different particle sizes

表2 不同粒徑粗集料比例調(diào)整后的級(jí)配Tab.2 Gradings after adjustements of the ratios of coarse aggregates with different particle sizes

集料為玄武巖，礦粉由石灰?guī)r研磨而成，摻量均為5%，瀝青為普通70號(hào)，最佳含量均為5%。根據(jù)表2中所示級(jí)配，使用車(chē)轍成型機(jī)制作試件，每種級(jí)配成型5個(gè)試件。使用高精度雙面鋸對(duì)試件進(jìn)行切割，每個(gè)試件可獲得4個(gè)矩形截面。切割完成后對(duì)截面進(jìn)行清潔處理，保證截面平整及集料邊緣清晰。使用高精度掃描儀分別對(duì)每個(gè)截面進(jìn)行圖像采集，每個(gè)試件可獲得4張高精度圖片。

2 電子篩分改進(jìn)算法

2.1 圖像處理

圖像處理的目的是從圖像中分離集料，統(tǒng)計(jì)分析后確定瀝青混凝土的平面級(jí)配，但彩色圖像不能直接用于統(tǒng)計(jì)分析，因此，需要用圖像處理技術(shù)對(duì)彩色圖像進(jìn)行處理，將其轉(zhuǎn)換為二值圖像。

本文圖像處理按照以下步驟進(jìn)行：(1)在試件切割過(guò)程中，一些集料的截面區(qū)域會(huì)受到破壞和污染，影響集料分離的完整性，因此采用中值濾波去除圖像中的噪聲，保護(hù)圖像邊緣的不規(guī)則性；(2)OSTU算法通過(guò)雙峰灰度直方圖確定最佳閾值，從而將圖像分為目標(biāo)和背景兩部分，將集料從瀝青砂漿中分離出來(lái)；(3)經(jīng)過(guò)上述處理的集料邊緣會(huì)存在一些細(xì)小的毛刺，且集料內(nèi)部存在一些孔洞，不利于集料幾何特性提取，因此采用形態(tài)學(xué)中的開(kāi)運(yùn)算與閉運(yùn)算對(duì)二值圖像進(jìn)行處理。整個(gè)圖像處理過(guò)程如圖1所示(以20(1)級(jí)配為例)，其中白色為集料顆粒，黑色為瀝青砂漿。

圖1 車(chē)轍試件截面圖像處理效果圖Fig.1 Effects image of cross-section image processing of rutting test piece

2.2 電子篩分改進(jìn)算法及平面級(jí)配識(shí)別

要通過(guò)平面級(jí)配對(duì)設(shè)計(jì)級(jí)配進(jìn)行檢測(cè)，需要將圖像中的各檔粗集料依據(jù)某種指標(biāo)進(jìn)行歸類，即進(jìn)行電子篩分。S.Masad等[14]將集料等效為圓形，提出了等效直徑區(qū)分各粒徑集料；李智[15]提出了使用等效橢圓短軸對(duì)各粒徑集料進(jìn)行篩分。在圖像處理過(guò)程中發(fā)現(xiàn)，僅使用一種電子篩分方式無(wú)法對(duì)形狀各異的集料進(jìn)行篩分，當(dāng)集料截面形狀接近于圓形或正方形時(shí)，使用等效直徑法正確率較高，而當(dāng)截面形狀接近于橢圓或矩形時(shí)，使用等效短軸法正確率較高。此外,對(duì)于針片狀集料截面，只需最小外接矩形的短邊長(zhǎng)能夠通過(guò)篩孔即可。因此,本文以集料截面最小外接矩形的長(zhǎng)邊與短邊之比AR為指標(biāo)，將形狀各異的集料截面劃分為3類(圓狀、橢圓狀、針片狀)。英紅[16]指出，AR=2時(shí)，圓狀集料和橢圓狀的集料區(qū)分正確率較高，數(shù)值較穩(wěn)定。而針片狀顆粒是指粗集料的長(zhǎng)度與厚度之比超過(guò)3∶1的顆粒[17]，因此本文把AR>3的集料截面認(rèn)定為針片狀集料。電子篩分改進(jìn)算法如表3所示，篩分結(jié)果如圖2所示(以級(jí)配13C(1)為例)。

圖2 改進(jìn)電子篩篩分效果Fig.2 Sieving effect of electronic sieving

由于從二值圖像提取出的參數(shù)單位為像素，因此根據(jù)式(1)將粒徑單位統(tǒng)一為像素單位，從而得到粗集料各粒徑辨識(shí)范圍,如表4所示。應(yīng)用時(shí)，按照表3中方法將不同集料分為3類形狀，根據(jù)辨識(shí)范圍將其劃分為不同粒徑，3類形狀不同粒徑篩分結(jié)果之和為圖像中各粒徑粗集料的級(jí)配。比較統(tǒng)計(jì)的平面級(jí)配與設(shè)計(jì)級(jí)配，可得到電子篩分改進(jìn)算法的正確率，各種算法的平均正確率如表5所示。由表5可以看出，使用改進(jìn)算法正確率較高。

表3 電子篩分改進(jìn)算法Tab.3 Improved algorithm of electronic sieving

表4 粗集料各粒徑辨識(shí)范圍Tab.4 Recognition range of coarse aggregate particle size

表5 各算法正確率對(duì)比Tab.5 Comparisons of accuracy of various algorithms

(1)

式中：pixel為像素?cái)?shù)；m為毫米數(shù)；c=25.4；DPI為圖像分辨率。

3 基于BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)級(jí)配檢測(cè)

盡管改進(jìn)的電子篩分算法正確率較高，但與設(shè)計(jì)級(jí)配仍有較大差異，為此，本文構(gòu)建檢測(cè)神經(jīng)網(wǎng)絡(luò)，以平面級(jí)配為樣本，對(duì)設(shè)計(jì)級(jí)配進(jìn)行檢測(cè)。

3.1 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練

將表2中的10種級(jí)配作為測(cè)試對(duì)象，每個(gè)測(cè)試對(duì)象包含5種不同篩孔的通過(guò)率(4.75,9.50,13.20,16.00,19.00 mm)。輸入層的神經(jīng)元為5個(gè)，分別代表平面級(jí)配中4.75～19.00 mm篩孔的通過(guò)率；輸出層的神經(jīng)元為5個(gè)，分別代表設(shè)計(jì)級(jí)配中4.75～19.00 mm篩孔的通過(guò)率。根據(jù)實(shí)際訓(xùn)練情況對(duì)隱藏層的神經(jīng)元數(shù)目進(jìn)行修正，設(shè)定網(wǎng)絡(luò)隱藏層的神經(jīng)元個(gè)數(shù)為15，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 瀝青混合料設(shè)計(jì)級(jí)配檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Structure diagram of asphalt mixture design grading detection network

每個(gè)測(cè)試對(duì)象包含20組樣本數(shù)據(jù)，其中75%的數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，25%的數(shù)據(jù)用于模型測(cè)試。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中，采用共軛梯度法能夠提高神經(jīng)網(wǎng)絡(luò)的收斂速度和精度[18]，因此本文采用共軛梯度法進(jìn)行訓(xùn)練，學(xué)習(xí)速度取0.01，訓(xùn)練最大終止次數(shù)為1 000。在對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，需要對(duì)輸入層和輸出層的數(shù)據(jù)進(jìn)行歸一化處理，將訓(xùn)練數(shù)據(jù)限制在[0,1]，以達(dá)到增加網(wǎng)絡(luò)權(quán)值和閾值對(duì)各因子數(shù)值變化靈敏度的目的，本文使用的歸一化方法如式(2)所示。

(2)

式中：x*為樣本數(shù)據(jù)歸一化后的值；x為樣本原始數(shù)據(jù)值；xmax為樣本數(shù)據(jù)中的最大值；xmin為樣本數(shù)據(jù)中的最小值。

3.2 測(cè)試結(jié)果分析

以10種級(jí)配為測(cè)試對(duì)象，將每個(gè)對(duì)象的16組平面級(jí)配作為訓(xùn)練樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，將每個(gè)對(duì)象的剩余4組平面級(jí)配作為測(cè)試樣本，對(duì)比檢測(cè)級(jí)配與設(shè)計(jì)級(jí)配，結(jié)果如圖4所示。

圖4 各級(jí)配不同粒徑檢測(cè)級(jí)配與設(shè)計(jì)級(jí)配比較示意圖Fig.4 Schematic diagram of the comparison between the prediction gradation and the design gradation of different particle sizes

由圖4可以看出，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)設(shè)計(jì)級(jí)配進(jìn)行檢測(cè)，檢測(cè)結(jié)果較為準(zhǔn)確，其中，20型級(jí)配最大誤差為36.4%(20(1)，13.20 mm)，18.9%(20(2)，13.20 mm)，23.2%(20(3)，4.75 mm)；13型級(jí)配最大誤差為20.75%(13(1)，9.50 mm)，7.6%(13(2)，4.75 mm)，13.2%(13(3)，9.50 mm)；13C型級(jí)配最大誤差為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)。各粒徑的平均正確率分別為88.1%(4.75 mm)，91.2%(9.50 mm)，93.8%(13.20 mm)，95.1%(16.00 mm)，100%(19.00 mm)。使用神經(jīng)網(wǎng)絡(luò)檢測(cè)設(shè)計(jì)級(jí)配的正確率比表5中電子篩分改進(jìn)算法的正確率更高，表明使用神經(jīng)網(wǎng)絡(luò)通過(guò)平面級(jí)配檢測(cè)設(shè)計(jì)級(jí)配具有較高的可行性。

3.3 相關(guān)性分析

為了直觀地分析設(shè)計(jì)值與檢測(cè)值的相關(guān)性，對(duì)10種級(jí)配的設(shè)計(jì)級(jí)配與檢測(cè)級(jí)配進(jìn)行比較分析，結(jié)果如圖5所示。由圖5可以看出，使用神經(jīng)網(wǎng)絡(luò)對(duì)設(shè)計(jì)級(jí)配進(jìn)行檢測(cè)時(shí)，各種級(jí)配的斜率始終接近于1，且相關(guān)系數(shù)R2較大，表明各級(jí)配檢測(cè)值與設(shè)計(jì)值之間的相關(guān)性較好，使用神經(jīng)網(wǎng)絡(luò)能較好地從平面級(jí)配中檢測(cè)設(shè)計(jì)級(jí)配。

圖5 不同級(jí)配檢測(cè)級(jí)配與設(shè)計(jì)級(jí)配相關(guān)性分析Fig.5 Correlation analysis of prediction gradation and design gradation of different gradations

4 結(jié) 論

(1)與等效直徑法和等效橢圓半徑法相比，本文提出的改進(jìn)電子篩分算法具有更高的準(zhǔn)確率，且粒徑越大準(zhǔn)確率越高。

(2)使用BP神經(jīng)網(wǎng)絡(luò)檢測(cè)設(shè)計(jì)級(jí)配，各粒徑的平均正確率分別為88.1%(4.75 mm)，91.2%(9.50 mm)，93.8%(13.20 mm)，95.1%(16.00 mm)，100%(19.00 mm)，準(zhǔn)確率較高。

(3)使用神經(jīng)網(wǎng)絡(luò)對(duì)設(shè)計(jì)級(jí)配進(jìn)行檢測(cè)時(shí)，各種級(jí)配的斜率始終接近1，且相關(guān)系數(shù)較大，表明各級(jí)配檢測(cè)值與設(shè)計(jì)值之間相關(guān)性較好，使用神經(jīng)網(wǎng)絡(luò)能較好地從平面級(jí)配中檢測(cè)設(shè)計(jì)級(jí)配。