机器学习在红外光谱沥青品牌识别中的应用

马子嵘

(福建省交通科研院有限公司,福州 350004)

1 引言

改性沥青是在基质沥青品质基础上的改性，性能优良的基质沥青是改性沥青路用性能优良的重要保障。在沥青生产方面很少有造假现象，但经过第三方“二次加工”的改性沥青则不一样。由于最终用户仅接收成品改性沥青，对基质沥青无法监管，以次充好、勾兑造假以及品牌造假等现象频现。目前检测单位一般只对到场的改性沥青检测，而对基质沥青的真假伪劣情况无从知晓，难以管理。

为了保证沥青路面质量，更好地服务公路建设发展，通过技术手段实现对基质沥青品牌的识别具有十分重要的现实意义。红外光谱技术能够对材料物质结构特性进行便捷、快速、高效的研究分析。近年来，该技术被广泛应用于沥青材料的研究上。

2 目标与试验方法

2.1 目标

各种化合物都具有其特征的红外光谱，沥青也不例外，可以通过对其的特殊官能团红外光谱分析进行定性分析和定量测定[1，2]。通过对不同品牌沥青的红外测试，开展谱图数据库建设工作，建立沥青红外指纹谱图快速检测系统，用于识别沥青品牌，避免沥青品牌假冒、混兑调和、以次充好的问题。

2.2 仪器设备

采用德国布鲁克TENSOR Ⅱ型红外光谱仪与纯金刚石晶体ATR配件。在红外谱图绘制方面采用OPUS软件。

2.3 试验方法

使用ATR配件，将沥青样品用不同方式制成厚薄较均匀的薄膜状，直接置于设备的测量窗上进行测试。试验中总共采用了固态压膜成型法、溶剂法与熔融成膜法3种方法。最终确定采用第三种方法即熔融成膜法进行。具体方法为：将沥青样本135℃加热搅拌均匀后，放至70℃烘箱内保温待用。加热金属样品匙，在不同取样位置，点取沥青并均匀涂抹在金刚石样品窗上后，进行测试[3]。

采用该法进行沥青样本的红外谱图绘制，整个测试过程步骤少，操作简单；一次试验后采用煤油与无水乙醇进行清洁试验窗与样品台的工作，安全便捷；试验背景单一，即背景的差异性对沥青样本的红外谱图数据影响非常小；试验中仅需要考虑水汽与二氧化碳的影响即可。从结果上看，测试的精确度很高，重复性与复现性好。

3 数据处理

3.1 数据获取

实验室收集了多种品牌大量的沥青样本。对每个样品在5个不同位置取样，进行4000 cm-1～400cm-1波段的测试，绘制红外谱图。

3.2 数据分析

仪器输出的红外光谱图，横坐标为波数，总计2520个波数，纵坐标为吸光度。全谱吸光度样本量：110×5,即550个样本，特征量即波数，2520个。

从红外光谱图来看，各品牌沥青无法通过人眼进行区分，需要借助数据分析算法实现品牌鉴别。同时，样本数据集不均衡，4个品牌沥青的样本量分布为70∶17∶10∶3，绝大多数常见的机器学习算法对于不平衡数据集都不能很好地工作，分类判决总会倾向于多数类,导致了对少数类样本的识别率低下；另外该数据集呈现出明显的低样本高特征量的特征，特征量为2520个，是样本量的4.58倍，导致无法使用通用的分析工具如SPSS直接建模。

针对上述问题，解决方案如下：

使用Octave软件进行数据的处理、分析工作；

采用特征构造的方法实现降维，对原始特征进行优化、组合，将组合后的特征作为新特征输入模型。拟采用的两种特征构造方法为：主成分分析(PCA)、峰面积替代特征峰数据；

采用分类器集成的方式，即通过结合多个分类器的输出，来增强分类器准确率；

将多分类问题，即原来的四分类问题转化为二分类问题，属于A品牌的归为正类，其他类归为负类。

3.3 数据处理

3.3.1波段积分计算峰面积，生成峰面积样本数据集

运用光谱仪自带的OPUS软件，针对沥青选取了10个特殊峰段，如“2990-2878”、“1636-1546”、“825-787”等峰段采用A、B两种方法进行积分计算，得到峰面积结果。结果大量数据分析，A方法比B方法的差异性更大，对不同沥青有更强的判断能力，最终应用A方法来处理。

3.3.2使用Z-score标准化方法对数据进行归一化处理。3.3.3主成分分析，对原始特征进行降维重构

S_lambda(i)>= 0.99，计算结果K=9，即提取前9个新的特征代替原始特征，累积贡献率分别为：0.69447、0.91346、 0.93802、0.95825、0.97033、0.97897、0.98389、0.98746、0.99018。

3.3.4将样本数据集按7∶3的比例随机划分训练集、测试集

经过数据预处理，得到6份数据集：吸光度训练集、吸光度测试集；吸光度PCA训练集、吸光度PCA测试集；峰面积训练集、峰面积测试集。

4 机器学习模型及应用

4.1 目的

在对现有样本建模的基础上，找到可以进行品牌准确分类的模型。当新样本入库时，能够快速鉴别其品牌属性。

4.2 建模思路

多个分类器集成的方式，对适用的分类器算法逐一进行训练、测试。根据训练集、测试集的准确率，进行初步筛选，剔除欠拟合或过拟合，且无法调优的模型；再对保留下来的分类器算法进行集成。

4.3 模型选择及构建

初步选定8个模型：基于吸光度PCA数据的逻辑回归、多项式逻辑回归模型、神经网络模型、FISHER判别分析模型；基于峰面积数据的多元线性逻辑回归模型、多元非线性逻辑回归模型、FISHER判别分析模型；考虑到神经网络作为近年来发展最快速的机器学习模型，具备较强的学习能力，能够支持低样本高特征量的数据集，因此尝试对原始特征即基于吸光度数据建立神经网络模型[4-6]。

神经网络模型：采用3层神经网络，即两层隐藏层+一层输出层。其中隐藏层的神经元数量作为超参数，在建模过程中进行调优，输出层神经元数量为1；激活函数采用sigmoid函数。因为样本量较少，直接使用全样本批次梯度下降算法，优化网络参数。

逻辑回归模型：逻辑回归(Logistic Regression)是机器学习中的一种分类模型，由于算法的简单和高效，在实际中应用非常广泛。首先，生成特征量的线性函数；其次，将其作为sigmoid函数的参数建立相应的决策函数，当计算结果大于等于阈值，视为正类，否则为负类；最后通过梯队下降算法进行参数求解。通过逻辑回归分析，可以判别一个新样本属于A品牌的概率。

多项式逻辑回归模型：在逻辑回归模型的基础上进行改进，尝试增加模型容量，即提升算法的复杂度，为样本添加二项式特征项。

FISHER判别分析模型：在已知研究对象分成若干类型，且已取得各种类型的一批已知样品的观测数据，在此基础上根据某些准则建立判别式，确定的原则是使两类间的类间离差最大，而类内离差最小；当建立了判别式以后，可以将新样品的特征值代入判别式求出Y值，然后与判别临界值对比归类。

针对神经网络、逻辑回归模型，均采用梯队下降算法进行参数求解。模型中涉及的超参数分别有神经网络层数、隐藏层神经元数量、正则化了λ、分界阈值。本文采用验证集训练以上超参数，最终确定的超参数为：神经网络隐藏层为2、神经元数量为5、正则化λ依次为0.005(吸光度PCA+神经网络)、0.01(吸光度神经网络)、0.01(峰面积逻辑回归)、1(峰面积多项式逻辑回归)、分界阈值为0.7。

4.4 模型评估

经过训练、验证和测试，最终生成8个模型的准确率，见表1。

表1 模型评估

吸光度PCA的逻辑回归模型训练集准确率为89%、验证集为65%，吸光度PCA的FISHER判别模型准确率仅为66.7%，模型欠拟合，不予采用；

吸光度PCA的多项式逻辑回归模型，训练集准确率达到98%，验证集仅为35%，说明该模型出现过拟合，只有继续需要增加样本量才能进行优化；

其它5个模型均有不错的表现，训练集、验证集准确率均较高。因此将这5个模型进行进一步的集成。

4.5 分类器集成

分类器集成即通过构建并结合多个学习器来完成学习任务，也被称为多分类器系统。可以获得比单一学习器更加显著的泛化性能。

一般结构是：先产生一组“个体学习器”，再用某种策略将它们结合起来。结合策略主要有平均法、投票法和学习法等。本文要解决的是分类问题，因此使用投票法选择输出最多的类，即少数服从多数。

4.6 模型应用

建模完成后项目组先后收集了两次共计10个沥青样本，每个样品依例在5个不同位置取样，编制盲样进行红外光谱绘制，并采用以上5个分类器集成的模型进行分类，输出结果均与实际值一致，准确率达到100%。

5 结论及发展方向

采用红外光谱分析技术和机器学习算法，对入库沥青进行特征提取及品牌识别。经过模型验证，机器学习算法能够正确识别沥青品牌。在实际应用环境中能够发挥打击不良商家，保护正规厂商利益的作用，同时避免客户使用假冒伪劣产品，确保工程质量。

但是沥青品牌众多，样本的收集需要与沥青厂商直接对接，且市面上没有沥青品牌开放数据库，样本数据的收集具有一定的难度。因此，后续会在逐步收集、完善各品牌沥青谱图数据库的同时，进一步探索小样本量特别是单样本量的品牌鉴别模型，借鉴目前深度学习较为成熟的人脸识别领域中的一次学习算法，在下阶段多品牌小样本的条件下，尝试探索Siamese网络在沥青红外光谱品牌识别方面，进行迁移学习的可能性。