杨占忠

（中国海洋大学，山东 青岛 266000）

油石比作为沥青混合料质量控制的关键因素，是拌和站保证生产质量和控制生产成本的主要指标[1]。油石比大小直接影响沥青路面的高温稳定性、低温抗裂性和水稳定性等路用性能。油石比偏小容易导致沥青路面出现裂缝病害，影响其低温抗裂性；而油石比偏大容易出现车辙，影响沥青路面的高温稳定性。因此，实现快速检测油石比对控制沥青混合料质量是极其重要的。

1 数据采集

本文选择粗、细集料均为石灰岩，填料为矿粉，沥青为70 号沥青。集料使用前经过筛分、水洗、烘干后按集料试验规程对原材料进行性能检测，结果表明所有试验指标均满足规定的技术要求。选择细粒式密级配沥青混合料AC-13C，设计沥青混合料级配如表1 所示。

表1 沥青混合料级配方案

通过马歇尔试验法进行配合比设计，可知最佳油石比为4.2%。热拌沥青混合料的频度和质量要求，沥青混合料拌合机需要通过离心分离法或者射线法测定实际生产油石比，其中对于高速公路而言，最大允许偏差为±0.3%。为实现对沥青混合料油石比的实时监控，及时发现不符合要求的油石比，以±0.3%为间隔，确定试验方案的油石比为3.8%、4.2%和4.6%。其中油石比3.8%与4.6%均不满足生产要求。试验采用智能沥青混合料拌合机，混合料级配如表1 所示，拌和温度155℃，拌和时间为180s，拌和AC-13C 沥青混合料。

在采集油石比数据集过程中，严格控制采集条件，确保光线均匀一致，拍摄角度垂直向下，固定相机的高度和焦距，共获得油石比为3.8%、4.2%和4.6%三个数据集。油石比数据集图像特征具有类间差别大、类内差异小的特点，符合识别研究特点。为保证数据集质量，对数据集进行筛选和裁剪等处理，每个数据集保留500 张照片，其中70%的图像用于训练，30%的图像用于验证。

2 AlexNet 网络训练与识别

AlexNet 网络最先由Krizhevsky 提出，其权值共享网络结构类似于生物神经网络，在降低网络模型复杂度的同时，减少了权值的数量，对处理多维图像更具优势[2]。AlexNet增添了数据增强、Dropout 和ReLU 激活函数，提高了传统的分类效果。

AlexNet 卷积神经网络模型训练过程中，学习率控制模型的学习进度，学习率过低，会导致网络收敛缓慢，学习效率降低；学习率过大，则参数更新幅度加剧，导致网络收敛到局部最优点，或者损失值直接开始增加。通过优化训练参数，当LearRate 为1×，MiniBatchsize 为32，Epochs 为30，获得最佳识别效果。模型训练对应训练曲线如图1 所示。

图1 AlexNet模型训练过程

基于迁移学习的AlexNet 神经网络在对油石比的识别中，随着训练迭代次数的增加，训练与验证损失逐渐减少，训练与验证准确率随之上升，在迭代次数达到320 次后，验证准确率趋于稳定，最终达到89.33%。

3 结语

本文利用AlexNe 卷积神经网络对三种油石比数据集进行迁移学习，通过优化识别参数，得到最佳验证识别准确率。本文提出新的快速分类检测油石比方法，改善传统油石比检测的弊端，为实现实时监控生产过程沥青混合料油石比做出了重要探索。