Method Article

التعرف على الصور وتحليل المعلمات لحالة اهتزاز الخرسانة بناء على آلة ناقل الدعم

DOI:

10.3791/65731

⸱

January 5th, 2024

 ,  ,  ,  , 
1Wuhan University, 2Wuhan Construction Engineering Group Co. Ltd.

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يستخدم البروتوكول الموصوف في هذا البحث تقنية الرسم البياني للتدرج الاتجاهي لاستخراج خصائص عينات الصور الخرسانية تحت حالات الاهتزاز المختلفة. يستخدم آلة متجه دعم للتعلم الآلي ، مما يؤدي إلى طريقة التعرف على الصور مع الحد الأدنى من متطلبات عينة التدريب ومتطلبات أداء الكمبيوتر المنخفضة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في هذا البحث ، تم استخدام تقنية الرسم البياني للتدرج الاتجاهي لاستخراج ميزات عينات الصور الخرسانية الملتقطة تحت حالات اهتزاز مختلفة. يتم استخدام آلة متجه الدعم (SVM) لمعرفة العلاقة بين ميزات الصورة وحالة الاهتزاز. يتم استخدام نتائج التعلم الآلي لاحقا لتقييم جدوى حالة اهتزاز الخرسانة. في الوقت نفسه ، يتم تحليل آلية تأثير معلمات حساب الرسم البياني للتدرج الاتجاهي على دقة التعرف. توضح النتائج جدوى استخدام تقنية الرسم البياني للتدرج الاتجاهي-SVM لتحديد حالة اهتزاز الخرسانة. تزداد دقة التعرف في البداية ثم تنخفض مع زيادة حجم كتلة التدرج الاتجاهي ، أو زيادة عدد الفواصل الإحصائية. تنخفض دقة التعرف أيضا خطيا مع زيادة عتبة الثنائية. باستخدام عينة من الصور بدقة 1024 بكسل × 1024 بكسل وتحسين معلمات استخراج الميزات ، يمكن تحقيق دقة التعرف بنسبة 100٪.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الخرسانة هي مادة بناء أساسية تستخدم على نطاق واسع في صناعة البناء والتشييد. أثناء الضخ ، تقوم الخرسانة بشكل متكرر بتطوير فراغات تتطلب الضغط من خلال الاهتزاز. قد يؤدي الاهتزاز غير الكافي إلى سطح خرساني على شكل قرص العسل ، بينما يمكن أن يؤدي الاهتزاز المفرط إلى فصل الخرسانة 1,2. تؤثر جودة تشغيل الاهتزاز بشكل كبير على قوة3،4،5،6 ومتانة الهياكل الخرسانية المشكلة7،8. أجرى Cai et al.9,10 دراسة جمعت بين البحث التجريبي والتحليل العددي للتحقيق في آلية تأثير الاهتزاز على تسوية الركام ومتانة الخرسانة. كشفت النتائج أن وقت الاهتزاز وجزيئات الركام لها تأثير كبير على الاستقرار الكلي ، في حين أن الكثافة الكلية ولزوجة البلاستيك للمواد القائمة على الأسمنت لها تأثيرات ضئيلة. يتسبب الاهتزاز في ترسب الركام في الجزء السفلي من العينات الخرسانية. علاوة على ذلك ، مع زيادة وقت الاهتزاز ، ينخفض تركيز أيون الكلوريد في الجزء السفلي من العينات الخرسانية بينما يزداد بشكل كبير في الجزء العلوي 9,10.

حاليا ، يعتمد تقييم حالة الاهتزاز الخرساني في الغالب على الحكم اليدوي. مع استمرار تقدم صناعة البناء من خلال الإصلاحات الذكية ، برزت عمليات الروبوت كاتجاه مستقبلي11,12. وبالتالي ، فإن التحدي الحاسم في عمليات الاهتزاز الذكية هو كيفية تمكين الروبوتات من تحديد حالة اهتزاز الخرسانة.

الرسم البياني للتدرج الموجه هو تقنية تستخدم تدرج شدة البكسل أو توزيع اتجاهات الحواف كواصف لتوصيف تمثيل وشكل الكائنات في الصور13,14. يعمل هذا النهج على خلايا الشبكة المحلية للصورة ، مما يوفر استقرارا قويا في توصيف تغييرات الصورة في ظل ظروف هندسية وبصرية مختلفة.

اقترح Zhou et al.15 طريقة لاستخراج ميزات التدرج الاتجاهي مباشرة من صور وضع باير. يحذف هذا الأسلوب العديد من الخطوات في حساب التدرج الاتجاهي عن طريق مطابقة عمود مرشح اللون مع عامل التدرج ، وبالتالي تقليل المتطلبات الحسابية للتعرف على صورة التدرج الاتجاهي بشكل كبير. استخدم He et al.16 الرسم البياني للتدرج الاتجاهي كميزة أساسية واستخدم خوارزمية التجميع المتوسطة لتصنيف مثبتات السكك الحديدية وتحديد ما إذا كانت السحابات معيبة. أشارت نتائج التعرف إلى أن الرسم البياني لميزة التدرج الموجه أظهر حساسية عالية لعيوب السحابة ، مما يلبي احتياجات صيانة وإصلاح السكك الحديدية. في دراسة أخرى ، قام Xu et al.17 بمعالجة ميزات صورة الوجه مسبقا باستخدام ترشيح مويجات Gabor وتقليل أبعاد متجهات الميزات من خلال الترميز الثنائي وخوارزمية HOG. متوسط دقة التعرف على الطريقة هو 92.5٪.

يتم استخدام آلة متجه الدعم (SVM) 18 لتعيين المتجه في مساحة عالية الأبعاد وإنشاء مستوى فائق منفصل مع اتجاه مناسب لزيادة المسافة بين مستويين متوازيين متوازيين. هذا يسمح لتصنيف ناقلات الدعم19. قام العلماء بتحسين وتحسين تقنية التصنيف هذه ، مما أدى إلى تطبيقها في مجالات مختلفة مثل التعرف على الصور20،21 ، وتصنيف النص22 ، والتنبؤ بالموثوقية23 ، وتشخيص الأخطاء24.

طور Li et al.25 نموذج SVM من مرحلتين للتعرف على نمط الفشل الزلزالي ، مع التركيز على ثلاثة أوضاع للفشل الزلزالي. تشير نتائج التحليل إلى أن طريقة SVM المقترحة على مرحلتين يمكن أن تحقق دقة تزيد عن 90٪ لأوضاع الفشل الثلاثة. قام Yang et al.26 بدمج خوارزمية التحسين مع SVM لمحاكاة العلاقة بين المعلمات الخمسة بالموجات فوق الصوتية وضغط الخرسانة المحملة. أداء SVM غير المحسن غير مرض ، لا سيما في مرحلة الضغط المنخفض. ومع ذلك ، فإن اجتياز النموذج المحسن بواسطة الخوارزمية يؤدي إلى نتائج محسنة ، وإن كان ذلك مع أوقات حساب طويلة. وبالمقارنة ، فإن تحسين سرب الجسيمات SVM يقلل بشكل كبير من وقت الحساب مع تقديم نتائج محاكاة مثالية. استخدم Yan et al.27 تقنية SVM وقدم وظيفة فقدان غير حساسة بدقة للتنبؤ بمعامل المرونة للخرسانة عالية القوة ، ومقارنة دقة التنبؤ بها مقابل نموذج الانحدار التقليدي ونموذج الشبكة العصبية. توضح نتائج البحث أن تقنية SVM تنتج خطأ تنبؤ أصغر لمعامل المرونة مقارنة بالطرق الأخرى.

يجمع هذا البحث عينات صور من الخرسانة تحت حالات اهتزاز مختلفة ويصف الحالات المختلفة للخرسانة باستخدام تقنية الرسم البياني للتدرج الاتجاهي. تم استخدام التدرج الاتجاهي كمتجه مميز لتدريب SVM ، وتركز الدراسة على جدوى استخدام تقنية الرسم البياني للتدرج الاتجاهي-SVM لتحديد حالة اهتزاز الخرسانة. بالإضافة إلى ذلك ، تحلل الورقة آلية التأثير بين ثلاثة معلمات رئيسية - عتبة التدرج ، وحجم الكتلة الإحصائية للتدرج الاتجاهي ، ورقم الفاصل الزمني الإحصائي للتدرج الاتجاهي - في عملية استخراج الميزة للمدرج التكراري للتدرج الاتجاهي ودقة التعرف على SVM.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. الحصول على صورة عينة ملموسة

  1. نقل الخرسانة إلى مكان العمل ، حيث سيتم صبها بواسطة شاحنة المضخة.
  2. لالتقاط الصور ، قم بتشغيل جهاز التصوير عن طريق تحريك مفتاح مفتاح التشغيل إلى اليمين وتحويله إلى وضع التشغيل . اضبط مقبض وضع الكاميرا على الوضع التلقائي الأخضر، وتأكد من أن عدسة الكاميرا موازية للسطح الخرساني، واضغط على مفتاح الغالق. التقط 20 عينة صورة من الخرسانة غير المهتزة ، واحفظها بتنسيق .jpg بدقة اكتساب تبلغ 1024 × 1024 بكسل ، كما هو موضح في الشكل 1.
  3. أدخل الجزء الاهتزازي من معدات اهتزاز الخرسانة (قضيب اهتزاز الخرسانة الإضافي) في الخرسانة. قم بتوصيل مصدر الطاقة ، ثم قم بتشغيل معدات الاهتزاز الخرسانية عن طريق ضبطها على وضع التشغيل .
  4. عندما يكون هناك بعض الانهيار على سطح الخرسانة (ناتج عن اهتزاز تفريغ الهواء داخل الخرسانة ، مما يؤدي إلى غرق الركام السطحي لملء الفجوات ، مما يؤدي إلى انهيار الخرسانة) ويظهر بعض ملاط الأسمنت ، احتفظ بعدسة الكاميرا موازية لسطح الخرسانة واضغط على مفتاح الغالق. اجمع 20 عينة صورة للخرسانة المهتزة، كما هو موضح في الشكل 2.
  5. استمر في تشغيل معدات الاهتزاز. عندما لا يكون هناك انهيار واضح على سطح الخرسانة ، لا يظهر ملاط أسمنتي ، ولا يتم إنشاء فقاعات ، وإيقاف عملية الاهتزاز ، والتقاط 20 عينة صورة من الخرسانة المهتزة ، كما هو موضح في الشكل 3.

2. عينة صورة ثنائية رمادية

  1. استخدم وظيفة imread() لبرنامج MATLAB لقراءة ملف .jpg كبيانات تنسيق الوحدة 1024 بكسل × 1024 بكسل × 3 قنوات ملونة ، تمثل قيم القناة الحمراء والخضراء والزرقاء للصورة.
  2. بعد ذلك ، قم بتطبيق وظيفة MATLAB rgb2gray لتحويل الصورة إلى تدرج الرمادي ، والتي يشار إليها بالتنسيق قيمة الرمادي = rgb2gray (اسم ملف jpg). احسب القيمة الرمادية لكل بكسل وفقا للمعادلة (1) ، واحفظ القيمة الرمادية كبيانات تنسيق unit8 1024 × 1024.
    GR (i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1)
    حيث ، GR (i، j) هي القيمة الرمادية لنقطة البكسل ، R (i ، j) هي قيمة القناة الحمراء لنقطة البكسل ، G (i ، j) هي قيمة القناة الخضراء لنقطة البكسل ، و B (i ، j) هي قيمة القناة الزرقاء لنقطة البكسل.
  3. قم بتغيير القيمة الثنائية للقيم الرمادية الأكبر من عتبة البكسل θ إلى 1 واضبط القيمة الثنائية للقيم الرمادية الأقل من θ pixel إلى 0.
  4. بعد الحصول على النتائج الرمادية ثنائية ، احفظ النتيجة كبيانات تنسيق منطقي 1024 × 1024. في هذه الحالة ، تمثل θ عتبة الازدواجية ، وقيمها هي 50 و 100 و 150 و 200 لصور عينة ملموسة مختلفة لحالة الاهتزاز ، كما هو موضح في الشكل 5 والشكل 6 والشكل 7.

3. حساب القيمة الذاتية للتدرج الاتجاهي

  1. احسب التدرج الثنائي الأفقي والرأسي لكل بكسل في الصورة باستخدام المعادلة التالية28
    Tp = R (x، y + 1) - R (x، y - 1)، Th = R (x + 1، y) - R (x-1، y)
    حيث Th هو التدرج الأفقي الثنائي ، Tp هو التدرج الرأسي الثنائي ، R هي بيانات التنسيق المنطقي الثنائي ، x هو رقم صف المصفوفة الثنائية ، و y هو رقم عمود المصفوفة الثنائية.
  2. احسب اتجاه التدرج الثنائي وحجم كل نقطة باستخدام المعادلة التالية29
    figure-protocol-1
    حيث T هو حجم التدرج الثنائي ، αT هو اتجاه التدرج الثنائي ، Th هو التدرج الثنائي الأفقي ، و Tp هو التدرج الثنائي الرأسي.
  3. حدد حجم كتلة تجزئة الصورة ، المشار إليها ب n ، حيث تكون قيمة n [1،9]. اضبط خط التجزئة لكل n بكسل في الاتجاه y على طول اتجاه x ، وتقسيم الصورة بشكل فعال إلى كتل مربعة n x n بناء على موضع خط التجزئة. ثم تتم إزالة أي أجزاء من الصورة لا يمكن أن تشكل كتل مربعة كاملة.
  4. اتجاه التدرج الثنائي للتقسيم αT (قيمة اتجاه التدرج الثنائي αT هي [0 درجة ، 360 درجة]) إلى أجزاء m ، مما ينتج عنه فترات زاوية إحصائية للتدرج الاتجاهي m. تابع حساب القيمة الإحصائية المتدرجة للفاصل الزمني لزاوية التدرج الإحصائي لكل كتلة.
    1. بناء على اتجاه التدرج الثنائي لكل بكسل في الكتلة ، قم بتصنيف وحدات البكسل إلى فاصل زاوية إحصائي متدرج مناسب لكل اتجاه.
    2. اجمع التدرج الثنائي للبيكسلات في فاصل الزاوية الإحصائية المتدرجة لكل اتجاه في اتجاه عقارب الساعة للحصول على قيمة التدرج الإحصائية لتلك الفترة. النتائج التي تم الحصول عليها لإحصائيات التدرج الاتجاهي لفاصل الزاوية الإحصائية المتدرجة موضحة في الشكل 8 والشكل 9 والشكل 10 لأحجام الكتل n تساوي 8 و 128 و 512 على التوالي.

4. بناء متجه ميزة التدرج الاتجاهي

  1. قسم العينات إلى مناطق الحساب المطلوبة، حيث تتكون كل منطقة حساب من أربع كتل متجاورة استنادا إلى نتائج الكتلة التي تم الحصول عليها في الخطوة 3.3. على سبيل المثال ، بالنظر إلى دقة 16 × 16 بكسل وحجم كتلة 4 × 4 ، يتم تقسيم الصورة إلى (16 / 4-1) × (16 / 4-1) = 9 مناطق حسابية.
  2. احسب القيمة الإحصائية للتدرج الاتجاهي ضمن الفاصل الزمني لزاوية إحصائيات التدرج لكل كتلة في منطقة الحساب. بعد ذلك ، احصل على متجه المعلم مع إحصائيات التدرج الاتجاهي كمكون.
  3. ادمج متجهات معالم التدرج الاتجاهي من كل منطقة حسابية للحصول على متجه معلم التدرج الاتجاهي للصورة.

5. تدريب SVM

  1. حدد عشوائيا 42 عينة من حالات الاهتزاز الثلاث لإنشاء مجموعة التدريب ، مع ترك العينات ال 18 المتبقية كمجموعة اختبار.
  2. الاستفادة من وظيفة fitcecoc من MATLAB لتدريب SVM ؛ التنسيق هو
    SVM = fitcecoc (ميزات التدريب ، قيمة التدريب)
    حيث SVM هي آلة متجه الدعم التي سيتم تدريبها ، وميزات التدريب هي متجه ميزة التدرج الاتجاهي لمجموعة التدريب ، و Trainingeigenvalue هي القيمة المميزة لحالة الاهتزاز لمجموعة التدريب. القيم المميزة لحالة الاهتزاز للخرسانة غير المهتزة والخرسانة الاهتزازية وعينات الخرسانة المهتزة هي 1 و 2 و 3 على التوالي.
  3. احفظ SVM المدرب باستخدام وظيفة حفظ بتنسيق .mat.

6. التحقق من دقة التعرف على SVM

  1. باستخدام وظيفة التنبؤ في MATLAB ، أدخل متجه ميزة التدرج الاتجاهي لصورة عينة مجموعة الاختبار في SVM المدرب للحصول على القيمة المحسوبة لميزة حالة الاهتزاز لكل عينة اختبار. التنسيق كما يلي:
    testgroupcalculateseigenvalues = التنبؤ (SVM، testFeature)
    حيث testgroupcalculateseigenvalues هي القيمة المحسوبة لميزة حالة الاهتزاز ، و SVM هي آلة متجه الدعم المدربة في الخطوة 5. testFeature هو متجه معلم التدرج الاتجاهي لصورة عينة مجموعة الاختبار.
  2. حدد نتائج التعرف على عينة مجموعة الاختبار عن طريق تغذية مجموعة الاختبار في SVM المدرب. احسب عدد العينات التي تتطابق نتائج التعرف على مجموعة الاختبار الخاصة بها مع الحالة الفعلية، ثم احسب دقة التعرف بقسمة عدد العينات الصحيحة على إجمالي عدد عينات مجموعة الاختبار.
    1. إذا كانت دقة التعرف على الاختبار أعلى من 94٪ ، فاعتبر التعرف على SVM فعالا. إذا كان أقل من 94٪ ، فارجع إلى الخطوة 1.1 واضبط عتبة التقسيم وحجم الكتلة n وعدد الفواصل الإحصائية للتدرج الاتجاهي m.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يهدف هذا البروتوكول إلى تحليل كيفية تأثير معلمات الحساب ثلاثية المتجهات لميزة التدرج الاتجاهي على دقة SVM في تحديد حالة اهتزاز الخرسانة. تتضمن معلمات الحساب الأساسية لمتجه معلم التدرج الاتجاهي حجم الكتلة الإحصائية للتدرج الاتجاهي وعدد فترات الزاوية الإحصائية للتدرج الاتجاهي والعتبة الرمادية الثنائية. يستخدم هذا القسم ثلاثة معلمات حسابية رئيسية كمتغيرات لتصميم الاختبار. يتم تفصيل مستويات معلمات الاختبار في الجدول 1. تم إجراء ما مجموعه 100 اختبار على عينات صور ملموسة بدقة 1024 × 1024 بكسل. يتم عرض نتائج الاختبار المقابلة للمعلمات الموضحة في الجدول 1 في الجدول 2.

تحليل نتائج التعرف على عتبة الرمادي الثنائية المختلفة - SVM
يعرض الجدول 2 متوسط دقة التعرف على SVM لعتبات البينار المختلفة ، ويتم تصور العلاقة بين عتبة البينار ودقة التعرف في الشكل 4. عندما يتم إصلاح حجم الكتلة وعدد الفواصل الإحصائية ، تظهر دقة التعرف على SVM بشكل عام اتجاها تنازليا مع زيادة في عتبة الثنائية. والجدير بالذكر أن دقة التعرف تنخفض بشكل كبير عندما تقع عتبة الازدواجية في نطاق 100 إلى 150. هناك حاجة إلى مزيد من التحقيق لفهم الأسباب الكامنة وراء هذه الظاهرة وتأثيرها على حساب تقسيم SVM.

في هذا القسم ، باتباع الطريقة الموضحة في الخطوة 2.1 والتصميم التجريبي الموضح في الخطوة 3.1 ، يتم تجميع عينات الصور للخرسانة غير المهتزة والخرسانة المهتزة والخرسانة المهتزة. العتبات الرمادية ثنائية المستخدمة هي 50 و 100 و 150 و 200 و 250 ، مما ينتج عنه صور رمادية ثنائية لكل حالة ، كما هو موضح في الشكل 5 والشكل 6 والشكل 7.

كما هو موضح في الشكل 5 ، مع انخفاض عتبة الازدواجية ، تقل المساحة البيضاء في الصورة الثنائية لعينة الصورة الخرسانية غير المهتزة بشكل كبير. عند عتبة ثنائية تبلغ 250 ، تبدو الصورة الثنائية سوداء نقية. في الشكل 6 ، يشبه الاتجاه المتغير للصورة الرمادية الثنائية لعينة الصورة الخرسانية المهتزة مع عتبة الازدواجية اتجاه عينة الخرسانة غير المهتزة ، لكن تقليل المساحة البيضاء يكون أكثر وضوحا في عينة الصورة الخرسانية المهتزة. علاوة على ذلك ، يوضح الشكل 7 الجمع بين الجزء الأسود والمساحات البيضاء ، مما يعكس خصائص نسيج السطح للخرسانة في حالات الاهتزاز المختلفة. تتناقص الصورة الرمادية الثنائية للخرسانة المهتزة أيضا مع انخفاض عتبة الثنائية. على سبيل المثال ، عندما يتم تعيين عتبة binarization إلى 50 و 100 ، تميل الصورة الرمادية الثنائية للخرسانة المهتزة إلى أن تكون بيضاء. عند عتبة 150 ، يبدو مشابها للولايتين الأخريين ، ولكن عندما تتجاوز العتبة 150 ، تميل الصورة الثنائية إلى أن تكون سوداء. والجدير بالذكر أنه عندما تكون عتبة الازدواجية بين 100 و 150 ، تحدث تغييرات كبيرة في ميزات الصورة الثنائية.

يعتمد استخراج متجه الميزة في هذا البحث على التدرج الاتجاهي لعينات الصور. تؤدي زيادة عتبة التقسيم من 50 إلى 100 إلى تقليل مساحة التلامس بين وحدات البكسل البيضاء والسوداء. يؤثر هذا التخفيض على إحصائيات التدرج الاتجاهي للبكسل لأنه يعتمد على تغيير قيمة البكسل بين كل بكسل. ينتج عن منطقة التلامس الأكبر أقل من 0 مكون في متجه معلم SVM ، مما يجعل تمثيل خصائص حالة اهتزاز الخرسانة أكثر شمولا. يرجع التغيير في دقة التعرف مع عتبة التدرج في المقام الأول إلى التغيير في عدد المكونات 0 في متجه معلم التدرج الاتجاهي. علاوة على ذلك ، عندما يتم رفع عتبة binarization من 150 إلى 250 ، يتم تقليل المساحة البيضاء لعينة الصورة الثنائية بشكل كبير. وبالتالي ، فإن دقة التعرف المقابلة تتضاءل أيضا إلى حد كبير ، مما يدعم هذه القاعدة.

نتائج التعرف على حجم الكتلة الإحصائية المتدرجة الاتجاهية المختلفة - SVM
في هذا القسم ، يتم حساب دقة تحديد حجم الكتلة الإحصائية لإحصاءات التدرج في اتجاهات مختلفة ، كما هو موضح في الجدول 2 . بعد ذلك ، يتم حساب متوسط قيمة دقة تحديد حجم الكتلة الإحصائية لإحصاءات التدرج في كل اتجاه. النتائج موضحة في الشكل 8.

يوضح الشكل 8 العلاقة بين التعرف على SVM لعينات الصور الملموسة ذات الدقة 1024 وحجم الكتلة الإحصائية للتدرج الاتجاهي. يمكن التعبير عن هذه العلاقة بالمعادلة (2).

ص = 0.09 + 0.144 × - 0.01 ×2 (2)

يتم حساب متجه معلم عينة الصورة بطريقة كنسالكتلة 20. وفي الوقت نفسه ، عندما تكون الكتلة صغيرة ، يميز متجه الميزة الخصوصية المحلية للصورة الثنائية. ينتج عن هذا صور عينة ملموسة لحالات اهتزاز مختلفة لها خصوصية محلية متشابهة ، مما يؤدي إلى عدد كبير من المكونات 0 في متجه الميزة. وبالتالي ، فإن هذا العدد الكبير من المكونات 0 يسبب تداخلا كبيرا في قسم SVM ، مما يؤدي إلى انخفاض دقة التعرف ، خاصة بالنسبة للصور ذات 1024 بكسل بحجم كتلة 8 بكسل.

مع زيادة حجم الكتلة ، تتضاءل الخصوصية المحلية التي يعكسها متجه الميزة تدريجيا ، ويميز متجه الميزة الخصوصية الإقليمية لعينة الصورة ، كما هو موضح في الشكل 10. وبالتالي ، ينخفض عدد المكونات 0 في متجه الميزة ، مما يؤدي إلى تداخل أقل أثناء عملية تقسيم SVM. وبالتالي ، تتحسن دقة التعرف على SVM.

ومع ذلك ، عند زيادة حجم الكتلة ، بما يتجاوز 32 بكسل ، يستمر عدد المكونات 0 في متجه الميزة في الانخفاض. ولكنه يؤدي أيضا إلى تقليل بعد متجه الميزة لمجموعة تدريب SVM. في هذه المرحلة ، ينبع التأثير على دقة التعرف على SVM بشكل أساسي من عدم وجود أبعاد للميزة. ومع ذلك ، لا يزال ناقل الميزة قادرا على التقاط درجة معينة من الخصوصية في الصورة الملموسة. كما هو موضح في الشكل 11 ، عندما يتم توسيع حجم الكتلة إلى حد معين ، فإن ميزات التدرج الاتجاهي في كل كتلة من عينات الصور الخرسانية ذات حالات الاهتزاز المختلفة لا تزال تظهر اختلافات كبيرة. تفسر هذه الملاحظة سبب انخفاض دقة التعرف عندما يصبح حجم الكتلة كبيرا بشكل مفرط ، على الرغم من أن الانخفاض صغير نسبيا.

التدرج الاتجاهي الإحصائي رقم الفاصل الزمني للزاوية - نتائج التعرف على SVM
في هذا القسم ، يتم حساب دقة التعرف على عدد التدرجات الاتجاهية الفواصل الإحصائية المعروضة في الجدول 2 . بعد ذلك ، يتم حساب متوسط دقة التعرف على عدد التدرجات الاتجاهية الفواصل الإحصائية. النتائج موضحة في الشكل 12.

من الشكل 12 ، من الواضح أنه مع زيادة عدد الفواصل الإحصائية للتدرج الاتجاهي ، ترتفع دقة التعرف على SVM لحالة اهتزاز الخرسانة في البداية ثم تنخفض. يمكن التعبير عن هذه العلاقة بالمعادلة (3)

ص = -0.45 + 0.2 × - 0.007 ×2 (3)

ترجع آلية التأثير بين عدد الفواصل الإحصائية لاتجاه التدرج ودقة التعرف إلى التغيير في معلمات استخراج معالم الصورة. يؤدي هذا إلى تحول في قدرة التوصيف المحددة لمتجهات المعالم لعينات الصورة. في هذا القسم ، يتم اعتراض جزء من عينات الصور للخرسانة ذات الاهتزاز المعتدل. يتم الحصول على نتائج حساب خصائص التدرج الاتجاهي عندما يكون حجم الشبكة 4 ، ويتم تعيين عدد الفواصل الإحصائية للتدرج الاتجاهي على 6 و 9 و 12 و 15 ، كما هو موضح في الشكل 13.

كما هو موضح في الشكل 13A ، B ، عندما يتم ضبط عدد الفواصل الإحصائية للتدرج الاتجاهي على 6 ، يكون حجم كل فاصل زمني 60 درجة. بالنظر إلى أن حجم كتلة الحساب هو 4 × 4 ، فهناك 16 بكسل في كل كتلة. مع أحجام الفاصل الزمني الأكبر ، يقع التدرج الاتجاهي لوحدات البكسل المتعددة ضمن فترة زمنية واحدة. يؤدي هذا إلى زيادة عدد المكونات 0 في متجه المعالم لعينات الصور عندما يكون حجم الفاصل الزمني أكبر. وبالتالي ، فإنه يؤثر على نتائج التدريب ودقة التعرف على SVM. ومع ذلك ، عندما يكون عدد التدرجات الاتجاهية الفواصل الإحصائية 9 ، يصبح تقسيم الزاوية أكثر دقة ، مما يؤدي إلى تقليل المواقف التي لا توجد فيها وحدات بكسل داخل فترة زمنية. وبالتالي ، يتم أيضا تقليل عدد المكونات 0 في متجه المعلم لعينات الصور ، مما يؤدي إلى تحسين قدرة التمثيل الخاصة بالصورة لمتجه المعلم. ومع ذلك ، عند المقارنة مع الشكل 13C والشكل 13D ، عندما يزداد عدد الفواصل الإحصائية للتدرج الاتجاهي من 12 إلى 15 ، يزداد عدد وحدات البكسل التي تحتوي على 0 في الفاصل الزمني لنتائج حساب ميزة التدرج الاتجاهي. نتيجة لذلك ، تقل قدرة متجه المعلم على توصيف خصوصية صورة العينة. ويعزى هذا الانخفاض في القدرة على التوصيف إلى الانخفاض الإضافي في حجم الفاصل الزمني الإحصائي للتدرج الاتجاهي. على وجه التحديد ، يتم الآن تقسيم الفاصل الزمني الذي يحتوي على بكسل واحد فقط إلى فترتين: واحدة ببكسل واحد والأخرى كفاصل فارغ. وبالتالي ، فإن الزيادة في عدد الفواصل الزمنية الفارغة تؤدي إلى المزيد من المكونات 0 في متجه الميزة ، مما يؤدي في النهاية إلى انخفاض دقة التعرف.

figure-results-1
الشكل 1: صورة للخرسانة غير المهتزة. صور الخرسانة التي يتم ضخها والتي يتم التقاطها دون تشغيل الاهتزاز. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: صورة للخرسانة المهتزة. عينات الصورة في عملية ضخ اهتزاز الخرسانة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: صورة لعينة الخرسانة المهتزة. عينات الصورة عند اكتمال عملية ضخ اهتزاز الخرسانة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: علاقة دقة التعرف على عتبة الثنائية. تأثير عتبة الازدواجية على دقة التعرف على SVM. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: صورة ثنائية بتدرج الرمادي للخرسانة غير المهتزة. نتائج معالجة البينار للصور الخرسانية غير المهتزة عند تعيين عتبات مختلفة للبينار. (أ) عتبة الثنائي عند 50. (ب) عتبة الثنائي عند 100. (ج) عتبة الثنائي عند 150. (د) عتبة التجميع عند 200. (ه) عتبة الثنائي عند 250. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-6
الشكل 6: صورة ثنائية ذات تدرج رمادي للخرسانة المهتزة. نتائج معالجة الازدواجية لاهتزاز الصور الملموسة عند تعيين عتبات ثنائية مختلفة. (أ) عتبة الثنائي عند 50. (ب) عتبة الثنائي عند 100. (ج) عتبة البينار عند 150. (د) عتبة التجميع عند 200. (ه) عتبة الثنائي عند 250. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-7
الشكل 7: صورة ثنائية ذات تدرج رمادي للخرسانة المهتزة. نتائج معالجة الازدواجية للصورة الخرسانية المهتزة عند تعيين عتبات مختلفة للثنائية. (أ) عتبة الثنائي عند 50. (ب) عتبة الثنائي عند 100. (ج) عتبة الثنائي عند 150. (د) عتبة التجميع عند 200. (ه) عتبة الثنائي عند 250. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-8
الشكل 8: مخطط دقة التعرف على حجم الكتلة الإحصائية المتدرجة الاتجاهية. تأثير حجم الكتلة الإحصائية المتدرجة الاتجاهية على دقة التعرف على SVM. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-9
الشكل 9: رسم تخطيطي لحجم الكتلة 8 بكسل نتائج استخراج ميزة التدرج الاتجاهي. ينتج عن ميزة التدرج ثلاثة أنواع من اتجاه حالة الاهتزاز عندما يكون حجم الكتلة 8 بكسل. أ: الخرسانة غير المهتزة، ب: الخرسانة المهتزة، ج: الخرسانة المهتزة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-10
الشكل 10: رسم تخطيطي لحجم الكتلة 128 بكسل نتائج استخراج ميزة التدرج الاتجاهي. ينتج عن ميزة التدرج ثلاثة أنواع من اتجاه حالة الاهتزاز عندما يكون حجم الكتلة 128 بكسل. أ: الخرسانة غير المهتزة، ب: الخرسانة المهتزة، ج: الخرسانة المهتزة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-11
الشكل 11: نتائج استخراج التدرج الاتجاهي لصور عينات الخرسانة في حالات اهتزاز مختلفة بحجم كتلة 512 بكسل. ينتج عن ميزة التدرج ثلاثة أنواع من اتجاه حالة الاهتزاز عندما يكون حجم الكتلة 512 بكسل. أ: الخرسانة غير المهتزة، ب: الخرسانة المهتزة، ج: الخرسانة المهتزة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-12
الشكل 12: علاقة دقة التعرف على رقم الفاصل الزمني الإحصائي المتدرج الاتجاهي. تأثير الفاصل الزمني الإحصائي للتدرج الاتجاهي number على دقة التعرف على SVM الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-13
الشكل 13: نتائج حساب خصائص التدرج الاتجاهي لعدد الفواصل الإحصائية المختلفة للتدرج الاتجاهي. يتم الحصول على نتائج خصائص التدرج الاتجاهي للعينة عند تعيين فترات إحصائية مختلفة للتدرج الاتجاهي. أ: 6 فترات إحصائية للتدرج الاتجاهي، ب: 9 فترات إحصائية للتدرج الاتجاهي، ج: 12 فترة إحصائية للتدرج الاتجاهي، د: 15 فترة إحصائية للتدرج الاتجاهي. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

الجدول 1: مستوى عامل اختبار تحديد SVM. يتم تحليل تأثير معلمات الحساب لمتجه ميزة التدرج الاتجاهي على دقة SVM لتحديد حالة اهتزاز الخرسانة. الرجاء الضغط هنا لتنزيل هذا الجدول.

الجدول 2: نتائج اختبار تحليل معلمة الرسم البياني للتدرج الاتجاهي. بناء على مخطط الاختبار في الجدول 1 ، يتم الحصول على نتائج دقة التعرف. الرجاء الضغط هنا لتنزيل هذا الجدول.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يستخدم هذا البحث آلة ناقل الدعم (SVM) لمعرفة ميزات الصورة لعينات حالة اهتزاز الخرسانة المختلفة. بناء على نتائج التعلم الآلي ، يتم اقتراح طريقة ملموسة للتعرف على حالة الاهتزاز بناء على التعرف على الصور. لتعزيز دقة التعرف ، من الأهمية بمكان التحكم في معلمات الخطوات الرئيسية الثلاث: تجزئة الصورة ، وثنائية الصورة ، واستخراج القيمة الذاتية للتدرج الاتجاهي. وفقا لنتائج الاختبار ، يتم استخدام عتبة ثنائية أصغر للمعالجة المسبقة لصورة العينة الملموسة ، ويتم استخدام حجم كتلة تجزئة الصورة البالغ 128 بكسل × 128 بكسل. يتم تعيين عدد التدرجات الاتجاهية لفترات الزاوية الإحصائية إلى 12. في مجموعة عينات الصور بدقة 1024 ، يتم تحقيق أفضل دقة التعرف على نتائج التعلم الآلي.

نظرا للاختلافات الكبيرة في البيئة عبر مواقع البناء المختلفة ، فإن هذه الطريقة لها آلية ضبط الدقة. عندما تفشل دقة التعرف في تلبية المتطلبات ، يمكن توسيع المعلمات الرئيسية الثلاثة المذكورة أعلاه أو تقليلها كحل قابل للتطبيق ، مما يخفف بشكل فعال من أخطاء دقة التعرف الناتجة عن التغيرات البيئية. من المهم ملاحظة أن هذه الطريقة تعتمد بشكل كبير على ظروف الإضاءة لوجه العمل. قد يؤدي التقاط الصور في ظل ظروف الإضاءة المنخفضة إلى انخفاض دقة التعرف. لتقليل الاعتماد على ظروف الإضاءة ، تم استكشاف خوارزميات تحسين صورة الإضاءةالمنخفضة 30 ، لكنها تزيد بشكل كبير من وقت التعرف ومتطلبات الأجهزة. في الوقت الحالي ، لا توجد تقنية فعالة تضمن دقة التعرف على الإضاءة المنخفضة وكفاءة التعرف. تستخدم هذه الطريقة الرسم البياني لتقنية التدرج الموجه لتوصيف خصائص حالة اهتزاز الخرسانة ، بما في ذلك انهيار السطح ، وتطفو ملاط الأسمنت ، والفقاعات في عملية اهتزاز الخرسانة. بالمقارنة مع التقنيات الحالية ، يقلل هذا النهج بشكل كبير من عدد العينات المطلوبة ويقلل من متطلبات أداء الكمبيوتر. مع جهاز كمبيوتر محمول مزود بوحدة معالجة مركزية بسرعة 2.30 جيجاهرتز ، تكمل عملية التعرف تمايز مساحة التدريب ل SVM في غضون 15 ثانية فقط. عندما يتم تعيين معلمات الاستخراج بشكل مناسب ، يتم أيضا تحسين دقة التعرف31.

في المستقبل ، يمكن استخدام هذا البروتوكول لقيادة عملية الاهتزاز لروبوت البناء ، مما يسمح بإيقاف العمليات في الوقت المناسب عندما تصل الخرسانة إلى المستوى المطلوب من الاهتزاز ، وبالتالي تجنب مشكلات الجودة الناتجة عن الاهتزاز غير الكافي. بالإضافة إلى ذلك ، يمكن تكييف الطريقة لتعديل عمليات الروبوت بناء على خصائص النسيج في موقع البناء ، مثل اكتشاف التسطيح الهيكلي ، وإزالة ملاط وجه العمل ، والعمليات الأخرى ذات الصلة.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ليس لدى المؤلفين ما يكشفون عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نشكر بامتنان مشروع البحث العلمي السنوي لمجموعة ووهان للإنشاءات الحضرية لعام 2023 (رقم 7) لتمويل هذا العمل.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
الكاميراSONYA6000حجم المستشعر 23.5 × 15.6 مم ، ودقة الاستحواذ القصوى 1440 * 1080 ، والبكسل الفعال 24.3 مليون.
الخرسانةووهان البناء Changxin التكنولوجيا التنمية المحدودةC30 ضخ الخرسانةوفقا لمعيار "معيار اختبار وتقييم قوة الخرسانة" (GB / T 50107-2010) ، فإن القيمة القياسية لقوة الضغط المكعبة هي 30 ميجا باسكال لضخ الخرسانة.
MatlabMathWorksMatlab R2017aأدوات تطوير لتحسين جودة الكود وقابلية الصيانة وزيادة الأداء.
يوفر أدوات لبناء التطبيقات باستخدام واجهات رسومية مخصصة.
يوفر أدوات للجمع بين الخوارزميات المستندة إلى MATLAB والتطبيقات واللغات الخارجية
Processor معالج IntelGen 12th Intel(R) Core (TM) i7-12700H @ 2.30GHz64-bit Win11
توفر واجهة برمجة

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Jiang, L., Tian, Z., Wang, K., Sun, X. Estimating the segregation of concrete under vibration based on electrical method. Concrete. 1, In Chinese 41-44 (2023).
  2. Ren, B., Ye, Z., Wang, D., Wu, B., Tan, Y. Evaluation of segregation degree of hardening concrete using improved Mask R-CNN. Journal of Hydroelectric Engineering. 41 (5), In Chinese 93-102 (2022).
  3. Hu, J., Qin, M., Wang, H., Liu, K. Study on the influence of vibration frequency on the performance of concrete. Highway. 65 (12), In Chinese 111-114 (2020).
  4. Bian, C., et al. Experimental study on characterization of evaluation indexes for vibration compaction of fresh concrete. Journal of Hydroelectric Engineering. 39 (2), 67-80 (2020).
  5. Liu, Z., Zhou, M., Bai, J., Mou, S. Influence of vibration time on the strength and homogeneity of rubber concrete. Industrial Construction. 42, In Chinese 509-512 (2012).
  6. Cheng, Y., Gou, Z., Wang, Y. Testing Investigation on Effects of Mixing, Vibrating and Curing on Strength of High-Performance Concrete. Journal of Northeastern University (Natural Science). 31 (12), In Chinese 1790-1793 (2010).
  7. Zhao, Y., Chen, S., Liu, Z. Influence mechanism of high-frequency vibration on concrete antifreeze and application in construction of tunnels in cold regions. Industrial Construction. 44 (5), In Chinese 101-105 (2014).
  8. Quan, L., Tian, B., Li, S., He, Z., He, K. Evolution characteristics of flexural fatigue performance of dense concrete consolidated with high frequency vibration applied in airport pavement. Journal of Traffic and Transportation Engineering. 20 (2), In Chinese 34-45 (2020).
  9. Cai, Y., et al. Influence of coarse aggregate settlement induced by vibration on long-term chloride transport in concrete: a numerical study. Materials and Structures. 55 (9), 1-18 (2022).
  10. Cai, Y., Liu, Q. F., Yu, L., Meng, Z., Avija, B. An experimental and numerical investigation of coarse aggregate settlement in fresh concrete under vibration. Cement and Concrete Composites. 122 (7), 104153(2021).
  11. Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), In Chinese 631-654 (2022).
  12. Chen, C., Li, X., Qiu, Z., Yao, W., Zhu, H. Research Progress of Construction Robots. Journal of Architecture and Civil Engineering. 39 (4), In Chinese 58-70 (2022).
  13. Shen, H., Zhang, W., Liu, J., Qiu, K. Development and Prospect of Construction Robots for High Rise Buildings. Construction Technology. 46 (8), In Chinese 105-108 (2017).
  14. Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , San Diego, USA. (2005).
  15. Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1(2021).
  16. He, B., et al. Railway Fastener Defects Detection under Various Illumination Conditions using Fuzzy C-Means Part Model. Transportation Research Record. 2675 (4), 271-280 (2021).
  17. Xu, X., Quan, C., Ren, F. Facial expression recognition based on Gabor Wavelet transform and Histogram of Oriented Gradients. IEEE International Conference on Mechatronics & Automation. , Beijing, China. (2015).
  18. Cortes, C., Vapnik, V. N. Support Vector Networks. Machine Learning. 20 (3), 273-297 (1995).
  19. Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
  20. Yang, C., et al. Identification of Pleurotus Ostreatus From Different Producing Areas Based on Mid-Infrared Spectroscopy and Machine Learning. Spectroscopy and Spectral Analysis. 43 (2), In Chinese 577-582 (2023).
  21. Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
  22. Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
  23. Zhang, Y., Liu, Y., Wang, J. Reliability Prediction of Coal Mine Water Disasters Emergency Rescue System Based on Improved SVM. Journal of Zhengzhou University (Engineering Science). 36 (3), In Chinese 115-119 (2015).
  24. Cao, Y., Song, D., Hu, X., Sun, Y. Fault Diagnosis of Railway Point Machine Based on Improved Time-Domain Multiscale Dispersion Entropy and Support Vector Machine. Acta Electronica Sinica. 51 (1), In Chinese 117-127 (2023).
  25. Li, Q., Yuze, C., Yu, B., Ning, C. Two-stage support vector machine method for failure mode classification of reinforced concrete columns. Engineering Mechanics. 39 (2), In Chinese 148-158 (2022).
  26. Yang, Y., Zhang, W., Yu, H., Chai, W., Liu, D. Analysis on the relationships between ultrasonic parameters and the stress state in loaded concrete based on improved support vector machines). Journal of Vibration and Shock. 42 (2), In Chinese 175-224 (2023).
  27. Yan, K., Shi, C. Prediction of elastic modulus of normal and high strength concrete by support vector machine. Construction & Building Materials. 24 (8), 1479-1485 (2010).
  28. Hussein, I. J., et al. Fully-automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG). Expert Systems. 39 (3), 12789(2022).
  29. Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
  30. Long, C., Yichi, Z., Zhangkai, L., Dandan, D. Low-Light Image Enhancement Based on RAW Domain Image. Journal of Computer-Aided Design & Computer Graphics. 35 (2), In Chinese 303-311 (2023).
  31. Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), In Chinese 631-654 (2022).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Image RecognitionConcrete VibrationSupport Vector MachineDirectional Gradient HistogramFeature ExtractionVibration State AnalysisRecognition AccuracyMachine LearningImage SegmentationParameter Optimization

Related Articles