编辑推荐：
为解决传统摩擦测量局限性及现有模型泛化性不足等问题，研究人员开展沥青路面抗滑性能预测研究。结合 2D 傅里叶变换与 Transformer 网络，对 3D 纹理多尺度分解，发现 Transformer 网络性能更优，为路面性能评估提供新方法。
在现代交通体系中，道路安全始终是公众关注的核心议题之一。沥青路面作为最常见的道路铺装形式，其摩擦性能直接关系到车辆制动距离、操控稳定性以及雨天排水能力等关键安全指标。然而，传统的直接摩擦测量方法，如英国摆式仪（BPT）、动态摩擦测试仪（DFT）等，往往只能获取局部区域的摩擦数据，无法实现对大面积路面性能的连续评估，且结果易受环境因素干扰。与此同时，基于机器学习的间接预测模型虽能通过表面纹理分析推断摩擦性能，但大多依赖人工设计特征，难以捕捉不同尺度纹理（如宏观纹理与微观纹理）对摩擦的复杂影响，且传统卷积神经网络（CNN）因感受野限制，难以建模长距离纹理关联，导致模型泛化能力不足。如何突破 “局部测量” 与 “特征依赖” 的双重瓶颈，实现沥青路面摩擦性能的快速、精准、全尺度预测，成为道路工程领域亟待解决的关键问题。
为攻克上述难题，国内研究团队开展了一项具有创新性的研究。研究团队基于激光扫描技术与深度学习理论，构建了一种融合二维傅里叶变换（2D Fourier Transform）与 Transformer 网络的混合预测模型，相关成果发表在《Engineering Applications of Artificial Intelligence》。该研究旨在通过多尺度纹理分解与全局特征建模，揭示沥青路面纹理波长与摩擦性能的内在关联，为大规模路面安全评估提供高效工具。
研究人员主要采用了以下关键技术方法：首先，利用 LS-40s 三维激光纹理测量设备，采集了室外道路与室内车辙板共 5950 组高精度 3D 纹理数据，并通过双边滤波与中位绝对偏差法进行去噪处理；同时，使用 BM-III 型摆式摩擦仪同步测量摩擦系数作为标签数据。其次，通过随机旋转裁剪实现纹理分割，生成 5650 组训练样本。核心技术环节在于通过 2D 傅里叶变换将纹理图像从空间域转换至频率域，依据波长（λ）划分为不同尺度区间，经逆傅里叶变换后得到多尺度纹理数据。最后，分别采用 VGG16、ResNet34 与 Transformer 网络作为特征提取器，通过全连接层融合多尺度特征，实现摩擦系数的回归预测。
结果分析
研究对数据集进行 8:1:1 的训练 - 验证 - 测试划分，并采用均方误差（MSE）评估模型性能。结果显示，VGG16 网络因缺乏残差连接，收敛速度较慢且存在过拟合迹象；ResNet34 通过残差结构提升了训练效率，但在捕捉长距离纹理依赖方面仍显不足；而 Transformer 网络凭借自注意力机制，能够有效建模不同尺度纹理的全局关联，其平均绝对误差（MAE）低至 3.7178，决定系数（R2）达 0.9461，显著优于传统 CNN 模型。进一步通过消融实验验证了多尺度分解的必要性，发现融合 4 个尺度区间（λ1-λ4）的特征时模型性能最佳，表明不同波长纹理对摩擦的贡献具有显著差异性。
结论与讨论
该研究首次将傅里叶变换的多尺度分析能力与 Transformer 的全局建模优势相结合，为沥青路面摩擦性能预测提供了全新的技术路径。实验表明，所提模型能够有效解析纹理波长与摩擦性能的映射关系，突破了传统方法对局部特征的依赖，在复杂路面条件下展现出更强的泛化能力。研究成果不仅为道路养护部门提供了一种非接触式、高效的大面积评估手段，也为深度学习在交通工程领域的跨尺度应用提供了方法论参考。值得关注的是，该模型通过显式建模多尺度纹理特征，在一定程度上缓解了深度学习的 “黑箱” 问题，提升了预测结果的可解释性，这对工程实践中的模型信任度构建具有重要意义。未来研究可进一步拓展至多模态数据融合（如结合气象数据、交通荷载历史），以进一步提升模型的环境适应性与预测精度。
