摘要：本研究探讨了基于红外光谱与人工智能（AI）识别技术的沥青材料快速检测方法。通过分析红外光谱技术在监测沥青氧化程度、老化状态以及溯源和品质鉴定方面的应用，以及支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）和卷积神经网络（CNN）等 AI 方法在红外光谱数据分析中的优势，设计了一系列试验验证了该技术的可行性和有效性。研究结果表明，该方法在提高检测效率、保持检测精度方面具有显著优势，但同时也存在一定的局限性。未来研究将致力于优化算法、扩大数据库、提高模型泛化能力，以实现技术的全面推广和广泛应用。

关键词：红外光谱；人工智能；沥青材料；快速检测

1 红外光谱技术原理及其在沥青材料检测中的应用

红外光谱技术是基于物质分子对特定波长红外光的吸收特性发展起来的一种分析方法。当红外光照射到物质上时，分子内的化学键会发生振动和转动，吸收特定频率的红外光。每种化学键都有其独特的吸收特征，这使得红外光谱成为识别物质组成和结构的重要工具[1]。在沥青材料检测中，红外光谱技术能够有效表征沥青的化学组成和分子结构特征。

红外光谱技术在沥青材料检测中的应用主要体现在以下几个方面：首先，可以通过特征吸收峰的位置和强度变化来监测沥青的氧化程度和老化状态；其次，结合定量分析方法，能够测定沥青中各组分的相对含量；最后，通过对不同来源沥青样品的光谱特征进行比较，可以实现沥青材料的溯源和品质鉴定。值得注意的是，红外光谱技术具有无损检测、快速分析和可重复性强等优点，特别适合用于现场快速筛查和质量监控。

2 基于 AI 的沥青材料红外光谱数据分析方法

在沥青材料的红外光谱数据分析中，人工智能技术的应用显著提升了数据处理的效率和准确性。常用的人工智能方法主要包括支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）以及卷积神经网络（CNN）等。这些方法各自具有独特的优势和适用场景，能够从不同角度挖掘红外光谱数据中的潜在信息。支持向量机（SVM）是一种常用的监督学习算法，特别适用于高维空间中的分类问题[2]。在沥青材料检测中，SVM 可以有效区分不同类型的沥青样品，即使它们的光谱特征差异较小。通过构建最优分类超平面，SVM 能够在保持较高分类准确率的同时，最大限度地减少过拟合风险。此外，核函数的选择（如线性核、多项式核或径向基函数核）也会影响模型的分类性能。人工神经网络（ANN）则以其强大的非线性映射能力著称。多层感知器（MLP）作为一种典型的前馈神经网络结构，能够通过逐层训练的方式提取红外光谱数据中的深层特征。在沥青材料分析中，ANN 模型可以自动学习光谱特征与材料性质之间的复杂关系，从而实现对沥青性能参数的精确预测。然而，ANN模型的训练过程较为耗时，且需要较大的样本量来避免过拟合问题。随机森林（RF）是一种基于决策树的集成学习方法，具有较强的鲁棒性和泛化能力。在沥青材料检测中，RF 模型可以通过计算特征重要性来筛选出最具代表性的光谱波段，从而简化模型结构并提高预测精度。此外，RF 模型还具有天然的抗噪声能力，能够有效应对光谱数据中常见的干扰因素。卷积神经网络（CNN）作为一种专门用于处理图像和序列数据的深度学习方法，在红外光谱数据分析中展现出独特优势。通过设计合适的卷积层和池化层结构，CNN 能够自动提取光谱数据中的局部特征和全局模式。特别是在处理复杂的沥青混合料光谱数据时，CNN 模型能够更好地捕捉不同组分之间的相互作用关系。然而，CNN 模型的训练需要大量标注数据，并且计算资源消耗较大[3]。

3 试验过程与结果分析

为了验证基于红外光谱与AI 识别的沥青材料快速检测技术的可行性和有效性，我们设计了一系列系统化的试验研究。试验选用来自不同产地的 30 种沥青样品，包括道路石油沥青、改性沥青和再生沥青三种类型，每种类型分别取 10 个样品。所有样品均按照标准规范制备成厚度一致的薄膜样品，以确保光谱采集的一致性。试验采用傅里叶变换红外光谱仪（FTIR）进行数据采集，每个样品采集 16 次扫描并进行平均处理[4]。为消除环境因素影响，试验在恒温恒湿条件下进行，同时采用背景扣除和基线校正等预处理方法提高数据质量。数据处理阶段，首先使用主成分分析（PCA）对原始光谱数据进行降维处理，保留 9 5 % 以上的方差信息。然后将处理后的数据划分为训练集（ 70 % ）和测试集（ 30 % ），用于构建和验证 AI 模型。试验分别采用了支持向量机（SVM）、人工神经网络（ANN）和卷积神经网络（CNN）三种算法进行分类和回归分析。

试验结果表明，SVM 模型在沥青类型分类任务中表现最佳，整体分类准确率达到 9 6 . 3 % ，其中道路石油沥青、改性沥青和再生沥青的分类准确率分别为 9 8 . 2 % 、 9 4 . 5 % 和 。在沥青性能参数预测方面，ANN 模型展现了较强的能力，对针入度、软化点和延度等关键指标的预测误差分别控制在 ± 2 . 1 % 、 和 ± 3 . 5 m m 以内。而 CNN模型在处理复杂光谱数据时表现出色，尤其在区分相似沥青样品时具有明显优势。

为进一步验证方法的可靠性，我们选取了5 种未知来源的沥青样品进行盲测。试验结果与试验室传统方法测定值对比显示，红外光谱—AI 识别技术的预测误差均在可接受范围内，证明了该方法在实际应用中的可行性。此外，与传统检测方法相比，该技术的检测时间缩短至原来的 1/10，大大提高了检测效率。

4 优势与缺点分析

基于红外光谱与 AI 识别的沥青材料快速检测技术相较于传统方法展现出显著优势。首要优势在于检测效率的大幅提升，整个检测过程可在 5-10 分钟内完成，而传统方法通常需要几个小时甚至几天。其次，该技术实现了非破坏性检测，能够保持样品的完整性和代表性，这对于某些特殊应用场景尤为重要。此外，通过建立标准化数据库和智能算法模型，可以实现检测结果的自动化判断和质量等级划分，降低了人为因素的影响。

然而，这项技术也存在一些局限性。首先是对样品制备的要求较高，样品的厚度、均匀性和表面状态等都会影响光谱数据的质量，这需要严格的操作规范和经验积累。其次，尽管 AI 模型具有强大的学习能力，但在面对新类型或极端条件下的沥青样品时，可能会出现预测偏差，这需要持续更新和优化模型。另外，仪器设备的成本和维护要求相对较高，可能限制其在部分地区的推广应用。

为克服这些局限性，未来可以从多个方向进行改进。一方面，通过开发便携式红外光谱仪和优化采样技术，可以提高现场检测的便捷性；另一方面，建立更大规模的光谱数据库，并引入迁移学习等先进技术，可以增强模型的适应能力和泛化性能。同时，结合其他检测手段（如拉曼光谱、X 射线衍射等）形成互补，有望进一步提升检测的准确性和可靠性。

5 结语

基于红外光谱与 AI 识别的沥青材料快速检测技术代表了现代材料检测领域的重要发展方向。本文研究表明，该技术不仅能够显著提高检测效率，还能保持较高的检测精度，为沥青材料的质量控制提供了创新解决方案。然而，要实现这项技术的全面推广和广泛应用，仍需在多个方面进行深入探索和改进。未来研究应着重关注以下方向：首先，开发更加智能的自适应算法，使检测系统能够自动调整参数以适应不同类型的沥青样品；其次，构建覆盖更广泛样品类型的标准化光谱数据库，提高模型的普适性；再次，研究如何将这项技术与区块链等新兴技术结合，实现检测数据的透明化和可追溯性。此外，还需要加强与其他检测方法的协同研究，形成多层次、全方位的沥青材料质量监控体系。

参考文献

[1]王安娜,翁辉,涂杰文,等.沥青红外光谱指纹识别快速检测系统及其工程应用[J].交通科技与管理,2025,6(06):34-36.

[2]钱晓彬,吕成林.沥青路面摊铺质量的实时检测技术及应用研究[J].四川水泥,2025,(02):260-262.

[3]叶静.快速检测方法在乳化沥青残留物含量试验检测中的应用[J].中国高新科技,2024,(23):61-62+65.

[4]杨青鸽.沥青及改性沥青快速检测中红外光谱技术的应用研究[J].交通世界,2023,(19):30-32.