基于YOLOX-MobileNetV3模型的路面病害智能识别研究

目前处理探地雷达(GroundPenetrating Radar,GPR)数据主要依赖于人工,容易造成病害识别误判、漏判率大、速度慢等问题,因此GPR智能目标识别已成为近几年的研究热点。本文提出基于卷积神经网络中的YOLOX-MobileNetV3模型来实现路面病害自动识别,利用三维数据的高信息量和深度学习智能提取特征的优势,实现路面病害的智能化识别。首先对三维探地雷达得到的GPR图片进行预处理,然后以3∶1的训练集和测试集数量比例对数据进行3轮训练和测试,并利用平均精确度、全类平均精确度、精确度、召回率、F1值、平均漏检率等指标来评价3次训练和测试的结果。结果表明:YOLOX-MobileNetV3模型的训练损失权重平均为5.014,测试准确率平均为61.35%。该模型识别路面结构病害尤其是裂缝、层间黏结不良的准确率较高。同时随着训练与测试轮数的增加,其精确度也会随之增加,召回率会随之减小。由此可见,YOLOX-MobileNetV3模型能够实现路面病害自动识别。

废机油再生SBS改性沥青性能及再生机理

为研究废机油对老化苯乙烯-丁二烯-苯乙烯嵌段共聚物(styrence-butadiene-styrene,SBS)改性沥青的再生效果及再生机理。采用沥青加速老化试验模拟长期老化过程制备老化SBS改性沥青,分别添加不同含量的废机油制备再生沥青,并结合沥青物理性能、流变性能试验评价再生SBS改性沥青性能。在此基础上,采用红外光谱试验、4组分分析试验、荧光显微分析试验探究废机油再生SBS改性沥青机理。研究结果表明:老化后SBS改性沥青针入度与延度降低,软化点与黏度增加,废机油的掺入将会增加老化SBS改性沥青针入度与延度,降低软化点与黏度,且与废机油掺量成正比;废机油的使用将会降低再生SBS改性沥青的高温流变性能,提高再生SBS改性沥青的疲劳寿命;废机油能够降低老化SBS改性沥青劲度模量,对蠕变速率指标影响不显著;SBS改性沥青在老化过程中SBS发生破坏,沥青中的羰基与亚砜基含量增加,而废机油的掺入将会降低老化沥青中羰基与亚砜基含量,属于物理再生过程;SBS改性沥青老化后,饱和分、芳香分含量减少,胶质、沥青质含量增加,而废机油掺入后影响则反之;废机油的掺加将会使断裂的SBS分子部分溶胀,恢复沥青性能。