在沥青混合料中,集料的外形特征通过影响混合料各个方面的性能,进而对路用性能产生影响。因此,应当对集料的外形特征进行深入的研究。近些年卷积神经网络(Convolutional Neural Network,CNN)成为了众多学科的研究新方向。其在图形识别领域也表现出了优越性,发挥着越来越重要的角色。本研究将卷积神经网络运用到集料的二维外形特征分类识别上,引入了一种新的方法研究集料外形、根据集料外形特征进行分类,对评价粗集料加工是否符合要求、指导集料级配走向可调、可控、数字化及精确化都有着重要的意义;对更好的研究集料外形特征及其对沥青混合料路用性能的影响也有着重要的意义。论文的主要思路是根据对集料外形特征的研究,首先选取形状指数作为集料外形特征分类的依据,结合平时常见的规则多边形的形状指数结果将集料分为4类。根据集料外形分类结果及集料信息提取需求,设计出包含两个卷积层、两个池化层、两个全连接层和一个softmax层的七层集料外形特征识别卷积神经网络,将其运用在集料的二维形态特征分类上。通过调节网络参数,用评价指标讨论各个网络模型对集料外形特征的识别效果。然后对集料进行二分类、并选取集料的棱角-纹理系数作为新的集料外形分类指标对集料进行三分类,判断集料外形特征识别模型是否可以广泛应用在集料外形分类方面。主要的研究内容及成果包含以下几个方面:1、根据集料外形特征及其分类目标,提出采用包含两个卷积层、两个池化层、两个全连接层,一个softmax层的七层卷积神经网络来解决集料外形特征提取及分类问题。2、在网络模型A的基础上,通过改变学习率、每批次训练图片的数量、卷积核大小及数量、网络层数、验证集占训练集比例等参数,用训练精度、验证精度、过拟合率及验证损失、训练时间五个指标对各个网络模型进行评价。得出:学习率采用0.0001、每批次训练图片数量为8张或128张、卷积核大小为3×3、卷积核数量为16个及以上、网络深度为2(网络模型有两个卷积层、两个池化层)、验证集占训练集0.2(网络模型用于训练的图片大于等于1920张)时,网络模型的训练准确率、验证准确率分别能达到99.22%、94.38%以上。3、从测试集随机测试的120个集料的测试结果得出:测试的集料分类结果概率95%以上的占50%,测试的集料分类结果概率90%以上的占73%,测试的集料分类结果概率85%以上的占83%。集料外形特征识别模型的召回率R为90.83%。4、本文选取集料的形状指数F和集料的纹理-参数AT对同一批集料分别进行四分类、二分类和三分类处理,用基于卷积神经网络的集料外形特征识别模型进行训练。由模型的训练结果和测试结果判断其可以应用在集料外形分类方面。因此本文对研究集料外形、对集料外形特征进行分类引入了一种新的方法,其优势在于其可在在无需人工干预的情况下自动读取集料照片输出分类结果、准确率高。