《Frontiers in Materials》：Eco-friendly pavement raveling detection based on in-situ data and transfer learning
编辑推荐：
路面剥落以表层集料渐进性丢失为特征，对道路耐久性与安全性构成显著挑战。该病害的早期检测与监测对于实施及时养护干预至关重要。本研究采用迁移学习（Transfer Learning, TL）方法实现沥青路面剥落的自动化检测。研究人员使用LS-40便携式三维（3D）
路面剥落以表层集料渐进性丢失为特征，对道路耐久性与安全性构成显著挑战。该病害的早期检测与监测对于实施及时养护干预至关重要。本研究采用迁移学习（Transfer Learning, TL）方法实现沥青路面剥落的自动化检测。研究人员使用LS-40便携式三维（3D）表面分析仪采集了包含530张图像与215张正常路面图像的综合原位（in situ）剥落数据集。经直方图均衡化降噪后，通过镜像与旋转技术将数据集增强至1600张图像。研究人员在四种基础卷积神经网络（Convolutional Neural Network, CNN）结构上进行微调：VGG16、EfficientNet-B0（Eff-B0）、InceptionV3与RegNet。模型采用标准化参数训练，包括输入尺寸224 × 224、批次大小32、200个周期（epoch），并应用正则化与丢弃（Dropout）技术缓解过拟合。优化算法的对比分析表明，在該特定任务中，均方根传播（Root Mean Square Propagation, RMSprop）优于随机梯度下降（Stochastic Gradient Descent, SGD）与自适应矩估计（Adaptive Moment Estimation, Adam）。迁移学习显著提升了所有模型的性能，其中EfficientNet-B0取得了优异结果——在剥落检测中实现了高精度（99.7%）与低能耗。所选模型的曲线下面积（Area Under the Curve, AUC）值均超过0.95，同时迁移学习显著减少了训练时间并增强了特征提取能力，这通过卷积层可视化得以证实。这些发现确立了EfficientNet-B0作为自动化路面检测系统实际部署的最优结构，为智能基础设施养护策略提供了坚实基础。
论文发表于《Frontiers in Materials》。研究背景方面，道路基础设施是现代文明的支柱，路面作为直接接触车辆的临界层，其功能性影响行车安全与经济效益。路面病害主要分为纹理相关、变形相关与裂缝相关，其中剥落（raveling）是沥青路面最常见且具挑战性的纹理类病害之一，表现为细集料丢失进而发展为大颗粒位移，导致纹理粗糙不均。传统人工目视检查与传统路面管理系统（Pavement Management Systems, PMS）存在耗时低效、成本高、覆盖有限、主观性强及安全隐患等问题。尽管深度学习在裂缝与坑槽检测有应用，但针对剥落因其早期纹理变化细微且与正常纹理相似度高，研究相对较少且识别困难。因此，研究人员开展基于迁移学习的卷积神经网络模型对比研究，旨在开发高效准确的沥青路面剥落自动识别方法，以解决小样本数据与复杂纹理条件下的检测难题。
研究人员为开展研究用到的主要关键技术方法包括：使用LS-40便携式三维表面分析仪在校园周边易积水沥青路面采集原位数据，获得530张剥落与215张正常图像；采用直方图均衡化预处理，通过镜像与旋转将数据增强至1600张（剥落与正常各800张），重设尺寸为224 × 224像素并按8:2划分训练与验证集；基于PyTorch框架，选用预训练于ImageNet的VGG16、EfficientNet-B0、InceptionV3、RegNet四种CNN结构，冻结浅层卷积层并替换全连接层为二分类层进行微调；对比SGD、Adam、RMSprop三种优化器，选定RMSprop（学习率10?4，权重衰减10?5，动量0.9），结合L2正则化、Dropout率0.5及早停法防止过拟合；采用准确率、精确率、召回率、F1分数及AUC值评估，辅以五折交叉验证与Grad-CAM可视化分析。
研究结果部分保留小标题并说明如下：
3 Results and analysis
研究人员通过对比原始模型与迁移学习（TL）模型在训练过程中的准确率与损失变化发现，TL模型在10个周期后准确率均超0.95，损失在25个周期后趋于稳定，且Eff-B0与RegNet准确率超0.97，TL显著提升了收敛速度与性能。
3.1 The performance of the CNN models in the original and transfer settings
通过分析VGG16、Eff-B0、InceptionV3、RegNet在原始与TL设置下的性能曲线，研究人员得出TL模型在训练与验证集上的准确率快速上升，损失迅速收敛，其中InceptionV3与Eff-B0损失分别稳定在0.05与0.06以下，VGG16约0.15，表明基于TL的深度学习方法更适用于剥落识别任务。
3.2 Performance comparison and impact of TL on classification accuracy
3.2.1 Image classification results
通过混淆矩阵分析，Eff-B0正确识别全部171张剥落图像与170张正常图像（仅1张误判），VGG16则存在较多误分类。TL模型（Eff-B0、InceptionV3、RegNet）在区分病害与正常图像上表现出高准确性。
3.2.2 Classification performance analysis
研究人员统计指标显示，原始模型中Eff-B0准确率0.924最优，InceptionV3仅0.725；应用TL后所有模型提升显著，Eff-B0达准确率0.997、精确率1.000、召回率0.994、F1分数0.997，RegNet准确率0.983，VGG16提升至0.933，所有模型AUC超0.95。
3.3 Comparative analysis of CNN structures
研究人员对比结构与计算资源发现，VGG16参数量138 M、内存528 MB，资源最密集；Eff-B0仅5.3 M参数、0.39 B FLOPs、25 MB内存、批处理84 ms，兼顾精度与效率；InceptionV3与RegNet居中。层间贡献分析中Eff-B0的MBConv6_Block6对准确率提升达+18.7%。
3.4 TL for enhanced training efficiency and model performance
研究人员记录训练时间，TL使各模型训练时间减少约1分钟（InceptionV3减少17.43秒），证明TL利用预训练权重加速收敛的效率优势。
3.5 Visualization of feature extraction and decision-making mechanisms
通过卷积层可视化，研究人员观察到浅层捕获边缘纹理，中层识别复合纹理与集料边界，深层提取剥落相关高层语义特征（如不规则集料丢失）。Grad-CAM热力图显示TL模型更精准聚焦于剥落区域（集料缺失与松散碎屑），正常图像注意力分布均匀，验证了TL增强特征提取清晰度。
3.6 Discussion: practical deployment considerations and future directions for TL-Based models
研究人员指出TL-Eff-B0因高精度（0.997）、低内存与快推理（RTX 4090上处理1000张图能耗约0.0013 kWh）适于边缘设备与实时应用，并展示了桌面端部署流程（文件上传、预处理、识别与置信度输出）。局限在于当前为二分类，未来可扩展多分类（裂缝、坑槽、车辙）、集成无人机或车载实时监测、适应光照天气变化及增强可解释性。
总结讨论部分与研究结论翻译：讨论部分认为TL-Eff-B0框架因极低理论能耗提供大规模智能路面养护部署的环境友好路径。结论部分指出：研究人员建立了结合常规CNN与TL的剥落识别系统方法，通过优化器对比选定RMSprop并采用早停、增强与正则化策略；TL将模型准确率从0.725–0.924提升至0.933–0.997，Eff-B0达99.7%准确率、1.000精确率、0.994召回率、0.997 F1分数，训练时间缩减约1分钟；可视化揭示分层特征提取机制，Grad-CAM证实TL模型关注病害区域更精准；EfficientNet-B0结合TL在剥落检测中实现高精度（99.7%）与低能耗（每1000张图0.0013 kWh），提供高效环保的智能养护方案；未来可探索多类病害分类、实时监测集成及复杂环境鲁棒性提升。该研究证明了自动化剥落检测在实用养护中的可行性，TL在其他路面病害识别具广泛潜力，推动了智能基础设施管理系统发展。
