《Case Studies in Construction Materials》:A multiclass U-Net segmentation pipeline to identify multiple microstructural features in asphalt material volume: Application to high-RAP mixtures
编辑推荐:
本研究提出了一种多类U-Net分割流程,用于在高掺量再生沥青路面(RAP)混合料(HRAP-Ms)的X射线计算机断层扫描(XCT)体积中同时识别多种微观结构相(裂缝和空隙、沥青胶浆、RAP-细集料混合物(RAP-FAM)、RAP粗集料和原生集料),并定性定位疲
本研究提出了一种多类U-Net分割流程,用于在高掺量再生沥青路面(RAP)混合料(HRAP-Ms)的X射线计算机断层扫描(XCT)体积中同时识别多种微观结构相(裂缝和空隙、沥青胶浆、RAP-细集料混合物(RAP-FAM)、RAP粗集料和原生集料),并定性定位疲劳测试试件XCT断层图中的裂缝模式。研究人员开发了一种可扩展的深度学习分割流程,该流程包含定制化的预处理(噪声校正、对比度增强和掩膜)、针对参考混合物的半自动标注(多Otsu阈值法和位平面切片)、针对含60%聚合物改性RAP(PM-RAP)混合物的手动标注与数据增强,以及基于分块训练策略的U-Net模型实现。该模型采用加权类别交叉熵损失函数来缓解类别不平衡问题,并在六类分割任务中实现了平均交并比(mIoU)约0.89的先进分割精度。研究表明,所提出的流程能够克服传统图像分析方法在X射线衰减重叠情况下的局限性,实现了RAP混合物中多个微观结构相的高精度同步分割,为高RAP混合物中损伤演化和相相互作用的定性评估提供了稳健基础。
## 论文解读
### 一、研究背景与问题
在过去几十年中,减少温室气体排放和保护自然资源的迫切需求推动了再生沥青路面(RAP)在道路建设、养护和修复中的广泛应用。多项研究已讨论了高RAP混合料(HRAP-Ms)通过减少原生沥青消耗、保护天然集料资源和避免堆存作业所带来的环境与经济效益。然而,由于对过早开裂和使用寿命缩短的担忧,RAP在沥青路面中的平均用量仍限制在20%左右。这些担忧部分源于对RAP非均质性如何在微观结构层面改变损伤和开裂机制的理解不足。RAP中老化、硬化沥青的重新引入增加了混合料的刚度并可能降低抗疲劳性能。此外,即使原生混合料的体积特性和集料级配得到匹配,RAP与原生相之间的不完全 blending、RAP fractions 间老化沥青含量的变异性以及RAP团簇的存在都会引入材料性质的空间变异性,导致产生应力集中的细观尺度非均质性。因此,微观结构机制控制着裂纹的萌生和扩展,产生相依行为,而这种行为往往无法通过基于均质混合料标定的可用测试程序捕捉。这一局限性推动了先进成像技术在沥青开裂研究中的整合。
X射线计算机断层扫描(XCT)可根据不同密度和/或元素组成材料对X射线衰减的差异重建截面图像。在沥青混合料中,集料具有高衰减(在断层图中呈现亮色),空隙具有低衰减(暗色),沥青胶浆呈现中等衰减值,从而通常能够实现相位区分。然而,将XCT应用于HRAP-Ms这类高度异质的多相材料时,由于识别图像中不同材料相的挑战,应用受到限制。这种识别通常称为分割,常以逐切片方式进行,具有较高的操作员依赖性。为解决这一问题,用于语义分割的卷积神经网络(CNN)可作为操作员手动分割的有效替代方案。在各种CNN语义分割算法中,U-Net模型因其U形架构而被广泛使用,该架构包含捕获上下文信息的收缩路径(编码器)和进行精确定位的对称扩展路径(解码器)。尽管已有研究将U-Net应用于沥青混合料XCT断层图的空隙和集料分割,但这些研究仅限于空隙和集料的分割,未探索其在区分沥青混合料材料相方面的应用。因此,本研究提出了一种多类U-Net流程,能够同时识别多个微观结构相,并定性定位疲劳测试HRAP-M试件XCT断层图中的裂纹模式。
### 二、研究目标与研究内容
本研究隶属于一个更广泛的项目,旨在表面层中使用高掺量聚合物改性RAP(PM-RAP)。主要目标是实现对含PM-RAP的热拌沥青(HMA)试件XCT断层图中不同材料相的准确识别,并定性定位裂纹模式(如有)。裂纹通过间接拉伸循环疲劳(IT-CY)测试引入。研究的沥青类型包括两种不同的RAP团簇尺寸(0-6.3和6.3-10 mm)。研究分为两个主要部分:第一部分聚焦于混合料设计、样品制备、循环疲劳测试和X射线断层扫描三维成像,使用了单一聚合物改性沥青(PMB)类型、两种不同的PM-RAP来源(多孔沥青(PA)和碎石沥青玛蹄脂(SMA))、两种RAP含量以及钢渣(SS)作为原生集料;第二部分聚焦于U-Net分割模型训练和验证数据集的开发,包括标注的XCT断层图,随后是模型实现和推断阶段获得的分割断层图的见解综合。
### 三、关键技术方法
研究人员开发了一套完整的图像处理流程,主要包括以下关键技术:**预处理流程**,包括使用双边滤波器进行噪声校正(结合空间和高斯核)、使用对比度受限自适应直方图均衡化(CLAHE)进行对比度增强以校正残余束硬化伪影,以及使用Hough变换进行圆形掩膜以隔离试件横截面区域;**半自动标注策略**,对参考混合物采用多Otsu阈值法和位平面切片(提取最高有效位)以识别钢渣集料,对含60% PM-RAP的混合物使用Digitalsreeni图像标注工具进行手动标注并应用数据增强(随机旋转、高斯模糊、缩放、亮度/对比度调整等);**U-Net模型实现**,采用编码器-解码器架构(初始16个滤波器逐层倍增),使用加权类别交叉熵损失函数解决类别不平衡问题,并使用内存映射NumPy数组(memmap)实现大数据集的高效训练。训练数据集包含6700张1458×1458像素的二维切片,划分为256×256像素的瓦片,按约76.5%、13.5%和10%的比例分为训练、验证和测试子集。样本包括参考混合物(REF)和含60% PM-RAP的混合物(0/6.3和6.3/10 mm),试件为直径50 mm、高50 mm的岩心样本。
### 四、研究结果
#### 4.1 预处理结果
预处理流程有效缓解了束硬化伪影和灰度不均匀性。在原始图像中,由于束硬化伪影导致的偏移明显,不同材料相之间难以区分;经过预处理后,像素值分布更加均衡,不同材料相之间的对比度得到改善。圆形掩膜清晰地将感兴趣区域(ROI)与试件横截面周围的背景区域分开。
#### 4.2 半自动标注结果
多Otsu阈值分析(对1380张图像执行)表明数据集中可识别四个不同的材料相。阈值1(最低像素值)的分布比阈值2和3更窄,后两者像素值变化更广,使得清晰区分集料边界变得困难。与多Otsu方法相比,位平面切片(MSB)方法在识别集料方面表现出更好的一致性,特别是在较小颗粒和胶浆区域的分离方面。颗粒小于约70 μm(接近断层扫描空间分辨率上限)被排除在集料类别之外而归类为胶浆。对小分割颗粒的统计分析表明,大多数主轴低于0.75 mm,形状主要为椭圆形,表明小颗粒分割具有良好的准确性。
#### 4.3 模型性能评估
U-Net模型在六类分割任务中表现出色。混淆矩阵分析显示,类别间存在明显的像素不平衡,背景(类别0)和粗集料相(钢渣和RAP集料)占据主导。类别0(背景)性能最高(IoU=0.996)。类别3(粗钢渣)也取得了优异的性能(IoU=0.917,F1-score=0.957),这归因于钢渣的高X射线衰减产生的强对比度。类别2(胶浆)与类别3之间存在一定的混淆,可能源于小集料与胶浆相之间的重叠。类别4(RAP粗集料)和类别5(RAP-FAM)是最具挑战性的类别(IoU分别为0.853和0.849),这归因于这些相与周围胶浆的内在相似性以及RAP集料向RAP-FAM区域过渡的弥散边界。
包含背景时,模型的平均IoU为0.890,平均准确率为0.986,平均精确率为0.923,平均召回率为0.962,平均F1-score为0.941。排除背景后(仅考虑类别1至5),平均IoU、准确率、精确率、召回率和F1-score分别为0.868、0.983、0.908、0.954和0.929。值得注意的是,裂缝和空隙(类别1)虽然标注像素有限,但实现了0.991的召回率和0.922的F1-score,表明加权类别交叉熵损失函数有效补偿了类别不平衡问题。训练和验证曲线在约10个周期后稳定,第14周期被选为最终检查点,对应最高的验证性能和验证损失的全局最小值。
#### 4.4 三维空间分布
通过将分割后的二维切片堆叠并使用3D Slicer软件渲染,研究人员成功重建了所有分析混合物的三维ROI。三维渲染显示,所提出的流程能够实现XCT体积的一致多类分割,同时保持各识别相之间的空间关系。细长的低密度特征(被分类为裂缝和空隙)经常沿原生集料边界出现,这一行为在REF、B60_1、S30_1、S60_1和S60_2混合物中尤为明显。渲染体积还清晰揭示了包裹原生集料的薄原生沥青膜与RAP颗粒相关的老化胶浆之间的相互作用,特别是在RAP-FAM相由老化组分主导的混合物中。这些相之间的界面与已识别的裂缝状特征的位置相关联,凸显了评估RAP沥青可用性和HRAP-Ms中共混程度的重要性。
### 五、讨论与结论
研究讨论部分指出,裂缝和空隙被归入单一分割类别,因此不能单独解释为疲劳裂缝;需通过疲劳前后的XCT配准或单独标注来实现裂缝与空隙的严格区分。此外,U-Net基于二维逐切片训练,三维体积通过堆叠分割切片重建,因此面间连续性、裂缝曲折度和三维裂缝网络拓扑未得到独立验证。使用重晶石和钢渣虽提高了XCT相位对比度,但模型向天然集料常规高RAP混合料的直接可移植性需要进一步验证。残余束硬化伪影、CLAHE引起的局部灰度分布改变以及接近XCT分辨率极限的部分体积效应可能影响薄裂缝/空隙特征和相边界的分割。
研究结论表明,所提出的基于U-Net的框架证明了深度学习能够为高度异质沥青混合料的XCT图像提供准确、可扩展且可复现的多类分割解决方案。高IoU、精确率、召回率和F1-score值的组合证实了该方法在主导相和少数相上的鲁棒性。尽管裂缝和空隙被有意归入单一分割类别且无法明确区分,重建体积揭示了与裂缝发展形态学一致的细长且空间连通的特征。该框架为HRAP-M微观结构中损伤演化和相相互作用的定性评估提供了坚实基础。未来工作应聚焦于利用生成的分割体积推导定量微观结构描述符,包括裂缝长度密度、相特异性损伤指标、界面裂缝取向分布和集料形态指标,并将这些描述符与力学和疲劳性能数据相结合,建立将微观结构演变与宏观行为联系起来的预测关系,从而为HRAP-M设计和耐久性优化做出贡献。