针对实现输入数字图像纹理参数即可获得沥青路面平均构造深度的目标，首先，使用智能手机和自制暗箱采集沥青路面数字图像，从预处理后的数字图像中提取像素参数及灰度共生矩阵特征参数共11个特征。结合Pearson相关系数、随机森林（RF）和轻量的梯度提升机（LightGBM）的特征重要性融合结果，筛选出6个最佳特征参数作为预测模型的输入数据集。其次，采用三维激光扫描仪采集相对应的沥青路面三维点云数据，提出一种模拟铺沙面的平均构造深度计算方法。本文采用广义回归神经网络（GRNN）、RF和LightGBM三种机器学习方法构建沥青路面平均构造深度预测模型，同时利用网格搜索算法优化超参数，选取R2、MAE、RMSE量化评价不同模型的预测性能。结果表明，GRNN、RF和LightGBM三种预测模型对路面平均构造深度的预测效果均较好，R2均达到0.85，其中LightGBM模型的综合评价最优，R2为0.9436，比其他模型分别高3.2111%、9.3048%。

1 数据采集与预处理
1.1数据采集
1.2 数据预处理
2 数据集的构建与分析
2.1 数字图像纹理参数
2.1.1 像素参数
2.1.2 基于灰度共生矩阵的纹理特征参数
2.2 平均构造深度计算
2.3 特征筛选
3 平均构造深度预测模型
3.1 参数调优
3.2 预测结果对比与分析
3.3 模型评估
4 结论

英红,朱嘉丽,覃云涛,等.基于点云与图像的沥青路面构造深度预测模型[J/OL].太原理工大学学报,1-14[2025-01-13].http://kns.cnki.net/kcms/detail/14.1220.n.20241231.1649.002.html.