两级识别神经网络技术论文

编者按：光学字符识别（OCR），是将图像中的文字识别为可编辑的文字的技术。OCR技术极大地推动了纸质书籍数字化的进程，使得浩如烟海的存量书籍转化为数字版本成为可能，是数字化图书馆建立过程中当之无愧的最大功臣。今天小编为大家精心挑选了关于《两级识别神经网络技术论文 (精选3篇)》，仅供参考，希望能够帮助到大家。

两级识别神经网络技术论文 篇1：

浅析计算机人工智能识别技术应用

【摘 要】伴随信息技术的迅猛发展及计算机的广泛普及，近年来人工智能在诸多行业领域得到推广，由此也要求计算机要具备更强劲的视觉、语言感知等能力，进而为人们生活、工作创造更多的便利。现阶段我国人工智能识别技术得到了广泛的应用，但在实际应用中依旧存在诸多问题，倘若不解决这些问题势必会对计算机人工智能识别技术的应用带来不利影响。文章通过阐述人工智能识别技术及人工智能识别系统，对计算机人工智能识别技术的实践应用展开探讨，旨在为研究如何促进计算机人工智能识别技术的科学合理应用提供一些思路。

【关键词】计算机;人工智能识别技术;应用

0 引言

伴隨现代社会的不断发展，计算机技术得以不断推陈出新，由此很大程度上推动了计算机人工智能识别技术的不断发展完善，并在诸多行业领域得到推广，为人们生活、工作创造了诸多便利。近年来，计算机人工智能识别技术应用范围不断推广，诸如智能语音识别、机器人、人工神经等领域，均以计算机技术为前提，推进了对计算机人工智能识别技术的发展、应用，使现代社会发展需求得到极大满足。相较于其他计算机技术，人工智能识别技术表现出极佳的发展前景，可为人类带来诸多便利。当前人工智能识别技术的发展时间还不长，应用操作还不成熟，所以解决计算机人工智能识别技术应用中的各种问题，是今后该门学科健康稳定发展的重中之重。由此可见，对计算机人工智能识别技术应用开展研究，有着十分重要的现实意义。

1 人工智能识别技术概述

人工智能识别技术，指的是依托计算机对人类智能进行模拟，使计算机依据人类的思维方式开展功能性表达的一项先进技术。例如，通过应用指纹识别技术，便可在出入口处实现指纹密码扫描，有效识别工作人员身份，避免工作人员迟到或早退，防止闲杂人士进入等。将此类人工智能识别技术应用于生活、工作中，一方面可降低人力资源的损耗，另一方面可提高人们的工作效率。和一些发达国家相比，我国人工智能识别技术仍处在发展起步阶段，近年来我国不断加强与发达国家的交流合作，由此使得我国人工智能识别技术实现了一定发展。然而在我国人工智能识别技术发展与应用中，同样凸显出一系列不足，这是我国与发达国家科学技术之间存在的差距，也是我国现阶段亟待解决的问题。

2 人工智能识别系统概述

识别系统指的是借助计算机以替代人类或帮助人类去感知外部信息，即为一种对人类感知能力的仿真模拟。近年来，众多智能产品中也纷纷引入该方面的功能，诸如智能手机中的指纹识别解锁功能、脸部识别解锁功能、机场安检的人耳识别技术，等等。此类功能表面上显得尤为复杂繁琐，然而倘若进行一概而论的话，均是通过计算机人工智能识别技术得以实现的。它们研究的是计算机人工智能识别系统的建立，借助计算机系统来对人类感官进行模拟，以实现外部信息的识别、分析，进一步将非电信号转化成计算机系统能够识别的电信号。现今，识别系统在人们日常生活、工作中已随处可见，主要包括有语音识别、指纹识别、图像识别、人脸识别、染色体识别、机器人视觉识别等。其中，机器人视觉识别亦可称为机器视觉，可将其划分为低层视觉、高层视觉两大层次，前者指的是对视觉图像开展预处理，如纹理分析、边缘检测、曲面色彩、立体造型等，其主要目的在于使对象得到凸显。后者指的是对对象进行理解，显而易见，要想实现高层视觉目的，必须掌握与对象相关的各项信息。图像识别即为计算机结合采集图像的特性，匹配出与图像特性相符的对象，进一步识别出图像“是什么”的技术。而对于染色体识别而言，因为染色体特征中有着大量时变信息，所以传统识别手段在识别时存在一定不足。而通过将模糊神经网络运用至染色体识别中，并借助两级网络结构，便可收获良好的识别效果。

3 计算机人工智能识别技术的实践应用

伴随现代社会的飞速发展，计算机技术得以不断创新发展，众多先进技术推陈出新，被广泛应用于不同行业领域中，以满足当前社会的发展需求。近年来，我国计算机人工智能技术发展脚步不断加快，并在诸多行业中得到推广，进一步推动了我国科技的发展进步，为人们生活、工作带来了极大便利，满足社会发展的实际需求。在此背景下，计算机人工智能识别技术相关研发人员应当紧紧跟随时代前进步伐，不断开拓创新，加强对国内外先进技术的学习借鉴，不断推进对计算机人工智能识别技术的科学合理应用。对于进一步促进计算机人工智能识别技术的健康稳定发展，可以从下述几个方面切入。

3.1 语音识别技术的实践应用

计算机语音识别技术即为让计算机系统可识别人类的语言、思维，并且可按照人类的语言、思维开展相关的分析与操作。语音识别技术是研发人工智能中开展人机对话、人机交互的一项核心技术，同时众多国家将其作为开展人工智能研发的重要内容。伴随计算机语音识别技术在众多智能产品中的推广，使其表现出诸多优势，诸如语音通信、声控电话等。在语音识别技术的实践应用时，应当对其周围环境的各种声音予以排除，以防止对技术应用造成干扰。如果在声音嘈杂环境下对其进行应用，势必会使其语音识别功能受到一定制约，对其操作造成不利影响。倘若不得不在嘈杂环境下开展语音识别，可采用降噪麦克开展语音输入。

3.2 人脸识别技术的实践应用

计算机人脸识别技术即为依托计算机技术对人脸各关键特征部位进行有效分析、识别，通过采集人的各种脸部表情信息存储至数据库中，然后就人脸各关键特征部位与对应脸部表情开展有效比较，并开展分析识别。近年来，计算机人脸识别技术取得了一定的发展成效，不过在实践应用中依旧存在一些不足，诸如，在发型、妆容、外界环境等因素影响下，会降低人脸识别技术应用的准确性。将人脸识别技术应用于识别陌生面孔，其准确性还有待进一步提高，特别是一些有着相似面容的人，普通人可以识别，而开展计算机技术识别及开展视觉图像采集则存在一定难度，难以对他们的特征进行有效描述。

3.3 指纹识别技术的实践应用

每个人的指纹均是不同的，由此为指纹识别提供了有力依据，依托指纹纹路图案、不同交叉点及断点等开展分析识别，可实现对用户身份的有效识别。指纹识别存在其特有的优势，然而也同样存在不足之处，即由于人的指纹总是会不经意地留在任何地方，通过对该部分留存指纹的采集利用，同样可完成指纹识别操作，进而为指纹识别准确性带来不利影响。再加上一些人缺乏明显的指纹特征，无法实现指纹成像，进而难以开展指纹识别，这同样是指纹识别技术实践应用所需解决的一大难题。

3.4 人工神经网络的实践应用

人工神经网络近年来得到广泛推广，该项技术是借助现阶段先进的处理单元开展有效连接，进一步构建起健全的网络系统，这一系统可理解为对人脑的简化与模拟，因而可实现一般的人脑功能及逻辑思维功能，可实现对当前相关实际需求的有效满足。人工神经网络又可称之为神经网络，依托对人脑神经系统进行模拟，以建立起可实现人脑相关功能的模拟系统，依据人脑的运行原理，依托人工神经网络处理一系列单元，诸如当前较为普遍的人工神经元、电子元件、处理与案件等。在人工神经网络实践应用中，通常是借助实际的神经元，经由对知识的存储、读取，进一步开展理想的处理，最终实现对各项需求的有效满足。

4 结语

总而言之，计算机人工智能识别技术现如今已在人们生活、工作中得到广泛推广，不仅可对商品信息进行准确扫描，获取商品价格，还可实现对指纹、声音、人脸进行有效鉴定，识别用户身份，为人们生活、工作创造了极大便利。某种意义上而言，人工智能识别技术是计算机技术的一次革命性發展，推动了计算机不断趋向于自动化、智能化。因而，计算机人工智能识别技术相关研发人员必须革新思想观念，努力钻研、总结经验，提高对人工智能识别技术及人工智能识别系统内涵特征的有效认识，推进对计算机人工智能识别技术的科学合理应用，积极促进计算机人工智能识别技术的健康稳定发展。

参 考 文 献

[1]王小红.计算机人工智能识别技术的应用瓶颈分析[J].科技创新与应用，2016(8)：89.

[2]武嘉琪.计算机人工智能技术的发展与应用研究[J].信息与电脑，2016(7)：103-104.

[3]黄鑫.分析计算机人工智能识别技术的应用瓶颈[J].数字技术与应用，2016(7)：244.

[4]马子恒.计算机人工智能的识别技术类型和应用[J].电子技术与软件工程，2018(4)：253.

[5]郭长虹.计算机人工智能识别技术应用瓶颈分析[J].电子世界，2018(23)：83，85.

[6]张春涛.计算机人工智能识别技术应用研究[J].中国新通信，2018，20(22)：156.

[7]吕萌.计算机人工智能识别技术类型及其应用[J].电子技术与软件工程，2018(20)：249.

[责任编辑：陈泽琦]

作者：耿斌

两级识别神经网络技术论文 篇2：

图像魔术师

编者按：光学字符识别(OCR)，是将图像中的文字识别为可编辑的文字的技术。OCR技术极大地推动了纸质书籍数字化的进程，使得浩如烟海的存量书籍转化为数字版本成为可能，是数字化图书馆建立过程中当之无愧的最大功臣。当OCR技术插上人工智能的翅膀，更是將应用拓展到很多行业，如场景文字识别、手写识别、车牌识别、证件识别、汽车VIN码识别、发票识别、智能交通……使相应领域的工作方式和效率得到了前所未有的革新。因此，我们将分两期探讨光学字符识别(OCR)的发展以及使用。

OCR(Optical Character Recognition，光学字符识别)是指电子设备(如扫描仪或数码相机)检查字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程，即采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。传统的OCR技术已经发展了几十年，如今在人工智能(AI)的推动下，OCR技术又焕发出了新的活力。

● 汉字OCR发展沿革

我国使用汉字的历史源远流长，汉字的识别远比数字、西文要棘手，主要体现在以下三个方面。

1.数量庞大

和10个数字、26个英文字母相比较，汉字的数量可以说是一个天文数字。1994年出版的《中华字海》收录了87019个汉字，目前计算机上最全的字库，收录了91251个汉字。国标GB2312-80字符集有6763个汉字，其中一级汉字3755个，使用频度已经覆盖99.7%的使用范围，二级汉字3008个，两级汉字总使用频度达到了99.99%。所以，目前主要解决一级汉字的识别。即使这样，汉字识别也属于大类别数的模式识别问题。

2.结构复杂

汉字的结构性很强。汉字可以看作是部件的组合，称之为偏旁、部首或字根，是笔画的有意义的组合。笔画和部首的排列组合，构成了结构异常复杂的汉字。

3.相似字多

很多汉字之间差别很小，有些仅表现为某一个笔画位置或形态的微小变化。这些汉字即使由人来识别也容易出错，机器识别的难度可想而知。

正是由于这些原因，汉字的识别一直落后于西文。国际上最早展开对汉字识别的研究是在1966年，BIM公司发表了第一篇关于印刷体汉字识别的论文，利用简单的模板匹配法，能够识别1000个印刷体汉字。

1977年东芝综合研究所研制出可以识别2000个单体印刷汉字的识别系统;20世纪80年代初期，日本武藏野电气研究所研制出可以识别2300个多体汉字的印刷体汉字识别系统，识别率达到99.88%，识别速度大于100字/秒。

我国对汉字识别的研究主要分为三个阶段：①探索阶段(1979—1985年)。我国对汉字的识别研究是从20世纪90年代开始的，研制出了模拟识别软件和系统，发表了一些论文成果，为汉字的识别打下了坚实的基础。②研制阶段(1986—1988年)。这三年是汉字识别技术研究的高潮期，总共有11个单位进行了14次印刷体汉字识别的成果鉴定，识别率高达99.5%以上，识别速度达到10～14字/秒。由于印刷体文字形状发生了变化，软件的适应性和抗干扰性比较差，实际上识别率是比较差的，还达不到实用的效果。③实用阶段(1989年至今)。国家高技术研究发展计划(863计划)、国家重点科技攻关计划、国家自然科学基金和军事基础研究基金都对印刷体汉字识别这一研究课题给予了极大的重视和大力的支持。目前，印刷体汉字识别和联机手写汉字识别走向实用化，其技术水平和当前世界最高水平并驾齐驱。清华大学电子工程系研制由清华紫光集团推出的TH-OCR、汉王集团推出的汉王OCR、尚书OCR，是我国印刷体汉字识别领域的翘楚。

2016年，阿尔法狗与世界冠军李世石在围棋领域的惊世骇俗的一战，极大地推动了人工智能研究的热潮，以深度学习、卷积神经网络技术为代表的人工智能思想，在各个领域都得到了研究和应用。OCR技术在人工智能的推动下，进入了一个新的发展阶段。和传统OCR聚焦在印刷体汉字识别上不同，人工智能助推下的OCR对手写体的识别更上一层楼，在各种不同复杂背景环境下的文字识别也进入实用阶段。iOS15刚刚推出的图片识别文字(Live Text)功能，就是苹果公司人工智能研究的成果。我国互联网科技公司也扎堆人工智能跑道，百度、搜狗、腾讯、有道等都推出了OCR接口，可供我们使用或软件调用。可以预见，类似Live Text功能的软件将很快普及，各种复杂环境下的文字识别(场景文字识别)将不断提高识别率和识别速度，达到好用、易用的目的。

● 传统汉字OCR原理

目前现存大量传统汉字OCR软件的技术线路如下图所示。

1.文件管理

通过扫描仪、手机、相机等仪器采集需要识别的文字图片。

2.图像增强

图像增强即是对图像的成像进行修正，特别是手机、相机拍摄的图片，如果不进行修正，将极大地影响文字识别率。处理过程包括灰度化、二值化、几何变换(透视、扭曲、旋转等)、畸变校正、图像增强和光线校正、图像平滑、行字切分等。

(1)灰度化

我们得到的文字图片大多是彩色的，无疑会有很多干扰信息，对文字识别很不利。通过灰度化处理，将原本由三维描述的像素点映射为一维描述的像素点，可以排除多余的干扰。

(2)二值化

所谓二值化，就是把灰度值图像信号转化为只有黑和白的二值图像信号，将汉字从图像中分离出来。通常先确定像素的阈值，然后用像素的值和阈值比较，确定这个像素点为1或0。如果阈值太小，保留的信息过多，许多无用信息就会干扰以后的处理;如果阈值太大，则会丢失正常的信息，最终使得文字信息不完整，无法准确识别。

(3)行字切分

传统OCR主要采用模式匹配来进行汉字识别，所以要将图像中的文字首先切分成行(列)，再将单个汉字抠出来，以和模式库中的文字进行比对。

3.汉字识别

汉字识别的关键是建立一个科学的特征库，通过图像预处理后，提取出汉字的特征，再和特征库进行比对，匹配上就完成了汉字的识别。汉字有哪些特征可供提取呢?

(1)结构特征

结构特征包括抽取笔画法和松弛匹配法。抽取笔画法是利用汉字的结构信息来进行汉字的联机识别;松弛匹配法是基于全局特征的匹配方法，抽取边界线段，将这些边界线段组成临近线段表，然后用松弛匹配操作，完成边与边的匹配。

(2)统计特征

①特征点：主要是利用字符点阵中一些有代表性的黑点、白点作为特征来区分不同的字符。特征点包括笔画骨架线的端点、折点、歧点和交点。这个方法能压缩特征库的容量，识别的适应性强、直观性好。

②笔段特征：汉字笔画由笔段组成，笔段可以看作是一定方向、长度和宽度的矩形段。利用笔段之间的关系组成特征对汉字进行识别，对多体汉字的识别效果较好。

当然，汉字的多样性和图像的不同特点决定了在汉字识别过程中，提取特征要根据实际情况来选择或者组合几个特征，以达到更好的效果。

4.编辑

目前的OCR都无法达到百分之百正确识别，通常识别完以后，都要提供一些方法对文字进行编辑修改。一般OCR软件都会提供对照修改或自动修改功能。对照修改就是观察识别错误的文字，将光标定位到错误处，界面会同时显示对应的图像位置，从而根据图像来修改文字。自动修改则是基于语义理解，结合上下文信息进行校正。语义理解是人工智能领域一个亟待突破的难点，目前的自动修改还只能作为一个参考来使用。

通过编辑的文字最终可以导出到文本文件(TXT)或RTF文档中。如果只需要文字进行排版，可以导出到文本文件中，如果想保留更多的格式信息，则RTF文档是一个不错的选择，从而可以在Word等软件中进一步编辑。

● PC机实用OCR软件指南

传统汉字OCR软件，大多是收费软件，或者随扫描仪随机提供。其中清华文通TH-OCR、汉王PDF OCR是国产扫描仪自带得最多的OCR软件。需要注意的是，对传统汉字OCR技术的研究从20世纪80年代末开始已经非常成熟，文字识别率已经非常高，所以，这些软件已经长期没有得到更新，但不影响它的实用性。在国际上声誉最高的是ABBYY FineReader，它是一款功能最强大的OCR软件，能将纸质文档、扫描件和PDF精确转换为Word、Excel。在处理PDF文档时，与数字方式生成的PDF文档相同，使用内嵌的OCR功能，可以无差别处理包含扫描件在内的任何PDF文档。它可以在同一工作流程中对各种文档进行数字化检索、编辑、保护，共享和协作变得更加容易，已经超出了普通OCR软件的范畴。

随着人工智能技术在OCR领域的普及，深度学习使得OCR从传统的印刷体光学字符识别走向了场景文字识别。一些开源小软件通过调用互联网大公司提供的接口提供OCR服务，能非常方便地解决某些领域的难题。

1.汉王PDF OCR

汉王集团除了OCR搭上了人工智能的快车，在手写识别、自然语言识别、人脸及生物特征识别等方面也得到了很大的发展。OCR方面，除了印刷体字符识别外，还在手写体字符识别、自然场景拍照识别、公式字符识别、复杂表格识别、卡片识别、票据识别等方面具有一定的优势。

如果我们需要把大量纸质文件数字化，汉王PDF OCR还是非常快捷方便的。

①输入：点击“文件”菜单，可以直接打开图像文件，或者选择联机的扫描仪扫描纸质文件。

②图像增强：如果扫描或拍照的文件有倾斜现象，可以在“编辑”菜单的“自动倾斜校正”中进行校正。如果效果不理想，“编辑”菜单下还提供“手工倾斜校正”。因为软件多年没有更新，图像增强方面提供的功能非常有限，特别是手机拍照产生的畸变无法校正，是这款软件的遗憾。

③版面分析：在“识别”菜单下有“版面分析”功能(快捷键F5)，对图像中的文字进行切片。如果识别有错误，可以手工拖动红框进行修改。如果版面比较复杂，可以点击选中相应的板块，在“识别-修改栏属性”中设置相应的栏目为图像、表格、横排、竖排，为接下来的文字识别提供更好的识别率。

④文字识别：单击菜单“识别-开始识别”(快捷键F8)，就会在中间栏显示识别结果，速度很快。

⑤文字编辑：在识别结果中，系统判定可能有错误的文字会用红色显示。点击识别错误的地方，相应文字的上面一行会用黄色显示扫描的这一行文字以作为对照，同时图像也会自动定位到相应的位置，并用红框框出正在修改的文字，以供修改时参考。同时，文本栏上方还会对光标所在文字提供修改意见，如果有正确的字，单击鼠标可以将文本修改过来，非常方便、直观。

⑥输出：点击“输出-到指定格式文件”，有TXT、RTF、HTML、XLS四种格式可以选。如果要保留原来的排版，输出成RTF格式，然后就可以用Word打开，继续完成排版工作。比较遗憾的是，虽然版式能大体保留下来，但每一行文字会作为一个段落。可以选中一个自然段，通过Word的“替换”功能(组合键Ctrl+H)，在“查找内容”输入“^p”(或在下面的“特殊格式”中选中“段落标记”，会自动输入“^p”)，让“替换为”留空，单击“全部替换”，就会把本段中多余的换行去掉。

汉王PDF OCR虽然较长时间没有更新，但还是能满足大量扫描文件识别的要求，如教材的数字化等。同时，软件还提供直接打开PDF文件，并能直接将文字化的PDF转化为RTF文件的功能，除了每行后会有一个段落标记外基本上能比较完美地复原PDF文档的版式。

2.天若OCR

天若OCR是一款开源软件，它本身并不具备OCR功能，而是通过调用各大OCR公司提供的接口来进行文字识别。因为要调用网络上提供的接口才能识别文字，所以它必须联网才能工作。它的最大用处是将计算机屏幕上能显示的文字识别出来，而不管这些文字是真正的文字(如各种网文、文库)还是图片、PDF文档，只要屏幕上能显示，都可以将其变为可编辑的文字。

天若OCR軟件非常简洁，启动后只有一个浮动工具栏和一个类似空白记事本的界面。按“F4”键(或单击浮动工具栏的“T”)，鼠标变成一个“十”字，右下将放大鼠标所在位置的图像。按下鼠标左键，拖动鼠标选中需要识别的文字，松开鼠标以后，识别结果就出现在主界面中，可以进一步修改。最后点击“docx”按钮，就能将文字导出到一个Word文档中，印刷体的识别率几乎达到百分之百。和汉王等传统OCR软件相比，天若能准确进行段落识别，再也不会在每行后面多出一个段落标记。它的缺点是对排版格式保留得不是很好，不适合于纸质文档数字化。

有了这款软件，我们可以解决几个主要问题：

①复制某些不方便复制的文档。我们在网上找到某些有用的文字时，经常被限制复制，需要注册会员、VIP等。有了这款软件，可以轻松完成复制文字任务。

②PDF转文字。微软Office 2013以后的版本都支持编辑PDF，可很多计算机还停留在Office 2007甚至Office 2003的版本。通过这款软件，不管是文字还是图片格式的PDF文档，都可以轻松转换成可编辑文本。

③图片文字识别。这个是OCR软件的基本功能，可以直接打开图片进行识别。

④表格、公式、竖排文本等复杂文本识别。复杂文本识别需调用收费接口或专用接口，需要下载天若专业版，收费使用。

随着人工智能技术的发展，深度学习和神经网络的研究与各行各业的结合，OCR也插上了飞翔的翅膀。从传统的汉字识别，到现在的图文混排和多语种混排的版面分析、版面理解和版面恢复，复杂场景下文字的识别等，都得到了极大的发展。多种多样专用识别系统的出现，标志着印刷体汉字识别技术的应用领域得到了广阔的扩展。

作者：刘宗凡

两级识别神经网络技术论文 篇3：

基于级联卷积神经网络的沥青混凝土吸水状况推测方法

摘要：针对传统推测方法在复杂环境下无法实现数据共享，使数据重复出现，导致吸水状况推测精准度低的问题，文章提出了基于级联卷积神经网络的沥青混凝土吸水状况推测方法。根据沥青混凝土结构，确定三级网络推测形式：通过第一级网络依据级联卷积神经网络推测原理，分析吸水率与常压、正压环境关系，确定压力对混凝土的吸水影响，获取沥青混凝土吸水率;通过第二、三级网络可过滤不符合实际的情况，剔除大量冗余数据，避免重复数据出现。由实验结果可知，使用该方法在常压环境下与标准值最大误差为0.5%，在正压环境下与标准值一致，具有精准推测效果。

关键词：级联卷积神经网络;沥青混凝土;吸水状况;推测

0 引言

长期暴露在自然环境下的沥青路面常年受到降雨影响，雨水逐渐渗透到沥青混凝土内部，长此以往会造成沥青路面破裂、剥落等病害发生。如果沥青路面积水无法有效快速排除，会在其表面形成一层水膜，当高速行驶车辆穿过水膜时，会降低轮胎与路面摩擦力，车辆瞬间会产生横向漂移，存在一定的危险系数。因此，对沥青混凝土吸水状况进行推测研究是具有必要性的。

文献[1]提出一种基于结构特征和纹理特征的沥青混凝土吸水状况推测方法，预处理沥青混凝土吸水数据，检测吸水方向边缘，并利用沥青混凝土结构特征推测吸水状况;文献[2]提取沥青混凝土结构特征并构建特征向量，通过贝叶斯分类器精确推测沥青混凝土吸水状况;文献[3]提出基于角点回归全卷积神经网络的沥青混凝土吸水状况推测方法，该方法能够在标准数据上有效推测。然而，上述三种方法在正常环境下较适用，但是在环境复杂的条件下，受到压强影响，无法实现数据共享，使数据重复出现，导致气压发生变化时，吸水状况推测结果并不精准。因此，本文提出了基于级联卷积神经网络的沥青混凝土吸水状况推测方法。

卷积神经网络能够自动选取最优特征提取算子，利用多层级联方式检测沥青混凝土结构，首先采用轻量级的卷积神经网络快速过滤掉大量的非沥青混凝土吸水区域数据，之后采用复杂卷积神经网络推测沥青混凝土吸水状况。

1 级联卷积神经网络推测原理

基于级联卷积神经网络的沥青混凝土吸水状况推测框架层级设计为三级，其推测示意图如图1所示。

图1(b)为第一级网络与沥青混凝土结构基础推测框图;图1(c)中第二级网络是沥青混凝土结构基础推测框图的进一步强化结果;图1(d)中第三级网络是对沥青混凝土各层结构推测框图进行筛选与数据回归的结果。

輸入第一张推测图像时，为了应对不同结构部分，需对推测图像进行尺度变换，获取图片尺度缩放集合[4]。每张图片推测流程如图2所示。

推测框是依次通过不同级网络，推测沥青混凝土吸水情况并得到推测混凝土结构[5]。重新调整前一级推测框对应的图片大小，并将调整结果传送到下一级中再次推测判别，在第三个级层输出吸水状况推测结果。

第二级主要任务是对第一级沥青混凝土吸水状况推测不符合实际情况的结果过滤。第二级网络为一个多任务分类网络，其结构如图3所示。

与第一级网络目标不同，第二级中所生成的吸水状况推测框数量有所减少，剔除多余数据，只针对吸水结构推测其回归框[6]。在第二级网络结构中存在较多神经单元，大大增加了第二级网络的拟合性。与第一级网络类似，第二级网络是对吸水状况相对误差展开推测的[7]。

第三级为推测框架最后一个阶段，其作用是承接第二级结果，并过滤多余数据，因此，该级将推测精度作为参照结果[8]。与前两级不同，第三级网络结构中使用全连接层，有效保证了推测精度。

2 沥青混凝土吸水状况推测

依据级联卷积神经网络推测原理，可确定三级网络推测结果，第一级网络推测结果可获取图片尺度缩放集合，该集合内数据包括沥青混凝土吸水率数据;第二、三级网络推测结果是过滤不符合实际的情况，减小推测误差，保证推测精度。因此，依据该原理，研究含水率与浸水压力关系，由此推测沥青混凝土吸水状况。

2.1 第一级推测

建立的级联卷积神经网络结构如图4所示。

由图4可知，该网络中存在2个分类器，均是卷积神经网络，其中一个为高分辨率训练样本，另一个是低分辨率训练样本[9]。将256×256像素小尺寸图像作为输入样本直接输入该网络中作为训练和测试样本，之后进行卷积和赤化操作，推测沥青混凝土吸水状况。

沥青混凝土含水率与不同空气压力之间的关系如表1所示。

由表1可知，常压环境下，基于级联卷积神经网络推测方法，随着压力增加，吸水率由2.50%增加到3.80%，增加速度较慢;正压环境下，基于级联卷积神经网络推测方法，随着压力增加，吸水率也随之缓慢增加。

使用级联卷积神经网络推测方法可推测出，当沥青混凝土外部环境压力出现变化时，渗透性会随之变化。当沥青混凝土处于常压环境下，水流在外部压力作用下向混凝土内部渗入的速度较慢，随之而来的还有空气，空气逐渐使连通孔隙饱和，沥青混凝土吸水率不再变化[10];当沥青混凝土处于正压环境下，水流在外部压力作用下向混凝土内部逐渐渗入，使沥青混凝土吸水率增大。

2.2 第二、三级推测

调节卷积核权值与偏值参数，使得网络输出结果与实际结果最为接近。由于卷积核和偏值在网络训练前是随机赋予的，因此，输出结果与实际结果存在一定的偏差。

为了减少偏差，在训练中采用前反馈算法，流程如图5所示。

通过基于级联卷积神经网络的二、三级推测，减小推测误差，保证推测精度。

3 实验分析

为了验证基于级联卷积神经网络的沥青混凝土吸水状况推测方法的合理性，进行实验验证分析。

3.1 沥青混凝土路面结构

以广西某高速公路为例，该路面采用“渗透+密封”的结构形式设计沥青混凝土路面防水层，工程区多雨，设计人员把预防水害放在第一位。除了作为致密结构层的表面层、中层表面层和底层表面层外，还可提供稳定的砾石基层。“渗透+密封”防水结构层可防止雨水不断从表层渗入基层。具体结构组合优化方法如下：

(1)主线路填土及土质挖方路段。该路段的路面结构为：第一层为厚度为6 cm的AC-13型防滑面层;第二层为厚度为6.5 cm的AC-20型面层;第三层为厚度为6 cm的AC-25型底层;表层厚度为0.6 cm的浆料密封层和5.5%水泥稳定碎石上基层。本工程主干高填方和匝道路面的结构设计也符合上述标准，即厚度为15 cm的5%水泥稳定碎石和厚度为20 cm的4.5%水泥稳定碎石。

(2)主线路石方开挖路段。该路段路面结构面层至下层完全一致，主要是由厚度仅为10 cm的4.5%水泥稳定碎石基层组成的。

3.2 实验材料及级配选择

3.2.1 实验材料

使用AH-70#沥青，表1显示了其主要性能，确定了最优油石比为5.0%。用马歇尔标准试件进行了试验，沥青混凝土的表观密度为2.39 g/cm3，其最大理论相对密度为2.53 g/cm3，孔隙率为5.6%。AH-70#型号沥青性能指标如表2所示。

3.2.2 级配选择

SC-10级配是一种粗骨料级配，其依靠较多粗骨料形成一个骨架。为确保级配的高温稳定性和致密性，必须对细骨料进行充分填充。SAC-10级配具有碎石含量高、细集料多的特点。在应力吸收层中采用该级配，抗弯抗拉能力较强(见表3)。

使用改性I-D型沥青作为应力吸收层基础材料，粗细集料都是石灰岩，依据该选择结果设置实验指标。

3.3 实验指标

用称重法测定沥青混凝土含水率，分别记录浸渍前和浸渍后沥青混凝土质量m1、m2，浸渍一段时间后的样品吸水率用式(3)计算。

Wt=m2-m1m1×100%(3)

根据式(3)计算出浸渍一段时间后沥青混凝土含水量，将其作为吸水率测定指标。

3.4 实验结果与分析

使用基于结构特征和纹理特征的沥青混凝土吸水状况推测方法，即Q2，利用沥青混凝土结构特征推测吸水状况;基于贝叶斯分类器推测方法，即Q3，提取沥青混凝土结构特征并构建特征向量，由此推测混凝土吸水状况;基于角点回归全卷积神经网络推测方法，即Q4，在标准数据上利用全卷积神经网络推测混凝土吸水状况。传统上这三种方法在复杂环境下，出现大量冗余数据，导致沥青混凝土吸水状况推测精准度较低，而使用基于级联卷积神经网络推测方法，即Q1，其推测结果更加精准。

为了验证该点，分别从含水率、吸水率两方面，将这4种方法进行对比分析。

3.4.1 含水率

将含水率作为测试指标，分别使用四种方法推测沥青混凝土吸水状况，对比结果如表4所示。

由表4可知，在浸渍前5 g时，使用四种方法得到的浸渍后结果与标准值一致，其余情况下，只有使用Q1方法与标准值一致。剩下三种方法与标准值存在较大误差，含水率计算结果并不精准。

通过上述分析可知，使用基于级联卷积神经网络推测方法含水率推测结果与实际值一致，说明该方法推测结果较为精准。

3.4.2 吸水率

(1)常压吸水率。分别使用四种方法分析沥青混凝土常压吸水率，结果如图6所示。

由图6可知，在常压环境下，使用基于级联卷积神经网络推测方法与标准值相差较小，最大误差为0.5%;而使用基于结构特征和纹理特征的沥青混凝土吸水状况推测方法、基于贝叶斯分类器推测方法、基于角点回归全卷积神经网络推测方法与标准值相差较大，最大误差依次为4.5%、5.5%、5.9%。

(2)正压吸水率。分别使用四种方法分析沥青混凝土正压吸水率，结果如图7所示。

由图7可知，在正压环境下，使用基于级联卷积神经网络推测方法与标准值基本一致，误差为0;而使用基于结构特征和纹理特征的沥青混凝土吸水状况推测方法、基于贝叶斯分类器推测方法、基于角點回归全卷积神经网络推测方法与标准值相差较大，最大误差依次为7%、6%、6%。

通过上述分析结果可知，以往使用的基于结构特征和纹理特征的沥青混凝土吸水状况推测方法、基于贝叶斯分类器推测方法、基于角点回归全卷积神经网络推测方法在复杂环境下，无法实现数据共享，使数据重复出现，导致气压发生变化时，无法精准推测吸水率。而使用基于级联卷积神经网络推测方法，通过级联卷积神经网络识别图像中的有效数据信息，不会出现冗余数据，在无重复数据支持下，具有精准推测结果。

4 结语

本文针对沥青混凝土吸水状况，提出了基于级联卷积神经网络的推测方法。由实验验证结果可知，随着浸泡时间的延长，密级配沥青混凝土的含水率逐渐增加，初期增长迅速，后期扩散缓慢;分别在常压和正压环境下测试沥青混凝土吸水状况，发现基于级联卷积神经网络推测与标准值基本一致。

由于实验只选用了AH-70#沥青混凝土，所以研究结果并不具有全面性。为了进一步证明该方法比其他方法更能精准推测出沥青混凝土吸水状况，在今后研究项目中，应对其他类型沥青混凝土展开详细研究。

参考文献：

[1]王朋辉，胡永彪，田明锐，等.基于图像纹理的沥青路面坑槽识别及提取[J].计算机应用研究，2018，35(5)：1 596-1 600.

[2]王晓孟，石永奎，郝 建.基于贝叶斯分类器的直接顶稳定性的预测方法研究[J].煤炭技术，2018，37(2)：86-88.

[3]温作林，申永刚，苏 建，等.基于卷积神经网络的混凝土裂缝识别[J].低温建筑技术，2019，41(6)：9-12，21.

[4]程亨达，陈焕新，李正飞，等.多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络[J].制冷学报，2020，41(1)：40-47.

[5]谭 聪，李宗利，韩进生，等.不同强度等级和尺寸混凝土自由吸水规律研究[J].混凝土，2019(11)：34-38.

[6]纪 锋，陈亮亮，张 鹏，等.再生混凝土吸水率与强度的相关性研究[J].长江科学院院报，2019，36(3)：139-144.

[7]孙红军，谢晓杰，王永贵.基于ANSYS的旧水泥混凝土路面沥青加铺层应力状态研究[J].公路工程，2020，45(1)：173-177，211.

[8]田 园，郭乙霏，郭利霞，等.强吸水再生预处理对混凝土抗冻性影响研究[J].人民黄河，2019，41(4)：135-138，147.

[9]姜 骞，石 亮，崔 巩，等.过度振捣对海工混凝土构件吸水率的影响研究[J].新型建筑材料，2018，45(10)：6-9.

[10]郑春乐，拾方治，李秀君.旧混凝土板粒石化再生骨料吸水特性研究[J].上海理工大学学报，2018，40(5)：70-75.

作者：李家胜