煌览期刊-论文发表、查重有保障。

基于AlexNet的沥青混合料油石比识别研究

发布时间:2021-05-16 21:44:30.0

引言:现如今,人工智能算法和图象处理技术性愈来愈多地运用在工程项目行业,特别是在病害检验和质量管理层面。传统式的油石比检验方式存有费时间费力,环境污染等难题,不可以立即具体指导生产制造。根据此,文中运用AlexNet卷积网络实体模型,优化训练主要参数,使网络模型具备鉴别不一样油石比的工作能力,完成沥青混合料油石比归类鉴别。

关键字:沥青混合料;AlexNet;油石比;图像识别技术

0前言

油石比做为沥青混合料质量管理的首要条件,是拌合站确保生产制造品质和操纵产品成本的关键指标值不正确:引入源找不到。油石比尺寸立即危害沥青道路的高溫可靠性、超低温粘聚性和水可靠性等路用性能。油石比偏小非常容易造成沥青道路发生缝隙病害,危害其超低温粘聚性;而油石比偏大非常容易发生沥青路面,危害沥青道路的高溫可靠性。因而,完成快速检测油石比对操纵沥青混合料品质是至关重要的。

1数据收集

文中挑选粗、细沥青混合料均为玄武岩,填充料为矿渣微粉,沥清为70号沥清。沥青混合料应用前历经筛选、水清洗、风干后按沥青混合料实验技术规范对原料开展性能检验,结果显示全部实验指标值均达到要求的技术标准。挑选细砂式密级配沥青混合料AC-13C,设计方案沥青混合料配合比如表1所显示。

表1沥青混合料配合比计划方案

圆孔筛规格/mm

16

13.2

9.5

4.75

2.36

1.18

0.6

0.3

0.15

0.075

圆孔筛成功率/%

100

95.4

79

53.1

34.3

24.9

15

9.1

6.6

4.1

根据马歇尔试验法开展砂浆配合比设计方案,得知最好油石比为4.2%。热拌沥青混合料的频率和品质规定,沥青混合料拌和机必须根据离心分离机法或是放射线测定方法具体生产制造油石比,在其中针对高速路来讲,较大容许误差为±0.3%。为完成对沥青混合料油石比的实时监控系统,及时处理不符合规定的油石比,以±0.3%为间距,明确试验方案的油石比为3.8%、4.2%和4.6%。在其中油石比3.8%与4.6%均不符合生产制造规定。实验选用智能化沥青混合料拌和机,混和料配合比如表1所显示,搅拌溫度155℃,搅拌時间为180s,搅拌AC-13C沥青混合料。

在收集油石比数据全过程中,严控收集标准,保证 光源匀称一致,拍摄手法竖直往下,固定不动照相机的高宽比和镜头焦距,共得到油石比为3.8%、4.2%和4.6%三个数据。油石比数据图象特点具备类间区别大、类内差别小的特性,合乎鉴别科学研究特性。为确保数据集品质,对数据开展挑选和剪裁等解决,每一个数据保存500张相片,在其中70%的图象用以训炼,30%的图象用以认证。

2AlexNet互联网训炼与鉴别

AlexNet互联网最开始由Krizhevsky明确提出,其权重值分享网络构造类似微生物神经元网络,在减少网络模型复杂性的另外,降低了权重值的总数,对解决多维图象更具有优点不正确:引入源找不到。AlexNet增加了数据增强、Dropout和ReLU激活函数,提升 了传统式的归类实际效果。

AlexNet卷积和神经元网络实体模型训炼全过程中,学习培训率能实体模型的课程学习,学习率过低,会造成互联网收敛性迟缓,学习效果减少;学习率过大,则主要参数升级力度加重,造成互联网收敛性到部分最优势,或是损害值立即逐渐提升。根据优化训练主要参数,当LearRate为1×,MiniBatchsize为32,Epochs为30,取得最好鉴别实际效果。实体模型训炼相匹配训炼曲线图如图2所显示。

图2AlexNet实体模型训炼全过程

根据迁移学习的AlexNet神经元网络在对油石比的鉴别中,伴随着训炼迭代更新频次的提升,训炼与认证损害慢慢降低,训炼与认证准确度随着升高,在迭代更新频次做到320次能,认证准确度保持稳定,最后做到89.33%。

3结果

文中运用AlexNe卷积和神经元网络对三种油石比数据开展迁移学习,根据提升鉴别主要参数,获得最好认证鉴别准确度。文中明确提出新的迅速归类检验油石比方式,改进传统式油石比检验的缺点,为完成实时监控系统生产过程沥青混合料油石比作出了关键探寻。

100%安全可靠
9:00-22:00在线支持
支付宝特邀商家
不成功全额退款