基于机器学习和颗粒形态特征的集料分类机制研究

Aggregate is the main component in asphalt pavement material. The asphalt mixture composed of different shape aggregates has a significant influence on pavement life and performance. Therefore, it is necessary to study the classification method of aggregate particles based on shape features. The development of machine learning can help to obtain more accurate data of aggregate particles. The progress of neural network can provide technical support for the automatic classification of aggregate particles. Based on the preliminary study on the morphological characteristics of coarse aggregate, basic research on aggregate classification based on machine learning and particle morphological characteristic will be carried out in this project. The detailed plan includes: establish aggregate particle data set for classification model construction; acquire and preprocess particle image so as to prepare for aggregate feature extraction; extract aggregate particle characteristics and select characteristic parameters for classification; optimize the neural network model to achieve aggregate classification; evaluate the classification results. This project aims to classify the aggregates according to its morphological characteristics based on machine learning. It makes it possible to realize road refinement construction, providing theoretical support for further optimizing asphalt mixture gradation and scientific basis for modern pavement performance improvement.

在沥青路面材料组成中，集料用量最大，由不同形态集料颗粒组成的混合料对沥青路面使用寿命和路用性能有显著影响。因此，有必要研究依据形态特征的集料颗粒分类方法。机器学习的发展可以辅助获得更精准的集料颗粒真实数据，神经网络的进展可为集料颗粒自动分类提供技术保障。在前期研究粗集料颗粒形态特征检测的基础上，本项目将进一步开展基于机器学习和颗粒形态特征的集料分类方法的应用基础研究工作。具体内容包括：建立集料颗粒数据集，用于分类模型的构建；集料颗粒图像采集与预处理，为集料特征提取做好准备；提取集料颗粒特征，并选择用于分类的特征参数；优化神经网络模型实现集料颗粒分类；对分类结果进行评价。本项目旨在基于机器学习依据集料颗粒的形态特征对其进行分类，使道路精细化施工成为可能，为进一步优化沥青混合料级配提供理论支撑，为提高现代道路使用性能提供科学依据。

集料的形态特征对沥青混合料的工程特性有着非常重要的影响，直接关系到沥青混合料空间骨架的构建以及沥青砂浆与集料间的相互作用效应，进而影响到沥青混合料的耐久性、工作和易性与力学强度，最终对沥青路面的综合路用性能起到重要影响。本项目基于机器学习技术依据颗粒形状特征对集料分类方法进行了深入研究。. 本项目首先通过现行规范的筛分法和人工预判分类标注，建立了不同形态的集料颗粒数据集；其次搭建了主要包含数据获取模块、运动控制模块、数据传输模块和状态指示模块的数据采集平台，实现了数据集中集料颗粒原始数据的采集，对三维数据进行了形态学滤波处理、图像分割等数据预处理操作，得到单颗的集料数据并实现集料三维数据的可视化；接着提取集料颗粒的52个特征参数，使用卡方检验法、互信息法和基于树模型的融合方法分析形状特征的重要性，提取并选择最能反映集料颗粒形状本质特征的28个数据项，实现集料颗粒的三维特征选择；最后基于机器学习算法，以集料形状特征参数和类别为数据集对XGBoost模型进行改进，构建了有效的集料分类神经网络模型，实现依据颗粒形态特征的集料分类，试验结果表明优化后的XGBoost模型最终准确度为77.82%，可以满足施工现场的需求。. 本项目的研究成果实现了对集料形状快速准确的检测与分类，为集料自动化分类方法提供了一定的理论依据，对于推进沥青混合料生产领域的自动化应用进程具有重要的实际意义。