基于支撑矢量机的混凝土振动状态图像识别与参数分析

Summary

本文所述的协议利用定向梯度直方图技术提取了各种振动状态下混凝土图像样品的特征。它采用支持向量机进行机器学习，从而产生了一种具有最小训练样本要求和低计算机性能要求的图像识别方法。

Abstract

本文采用定向梯度直方图技术提取了不同振动状态下捕获的混凝土图像样本的特征。利用支持向量机（SVM）学习图像特征与振动状态之间的关系。机器学习结果随后用于评估混凝土振动状态的可行性。同时，分析了方向梯度直方图计算参数对识别精度的影响机理。结果验证了采用定向梯度直方图-SVM技术识别混凝土振动状态的可行性。识别准确率最初随着方向梯度的块大小或统计间隔数量的增加而增加，然后逐渐降低。识别准确率也随着二值化阈值的增加而线性降低。通过使用分辨率为1024 x 1024像素的样本图像并优化特征提取参数，可以达到100%的识别准确率。

Introduction

混凝土是建筑行业广泛使用的基本建筑材料。在泵送过程中，混凝土经常产生空隙，需要通过振动压实。振动不足可能导致混凝土表面呈蜂窝状，而过度振动会导致混凝土离体 ^1,2。振动操作的质量显着影响成型混凝土结构的强度 3,4,5,6 和耐久性 ^7,8。Cai等^[9,10]将实验研究与数值分析相结合，研究了振动对骨料沉降和混凝土耐久性的影响机制。结果表明，振动时间和骨料颗粒对骨料沉降有很大影响，而骨料密度和水泥基材料的塑性粘度影响最小。振动导致骨料沉积在混凝土试样的底部。此外，随着振动时间的增加，混凝土试样底部的氯离子浓度降低，而顶部的氯离子浓度^{显着增加9,10}。

目前，混凝土振动状态的评估主要依赖于人工判断。随着建筑业通过智能化改革不断进步，机器人操作已成为未来的发展方向^11,12。因此，智能振动操作的一个关键挑战是如何使机器人能够识别混凝土的振动状态。

定向梯度直方图是一种利用像素的强度梯度或边缘方向的分布作为描述符来表征图像中物体的表示和形状的技术^13,14。这种方法在图像的局部网格单元上运行，在表征各种几何和光学条件下的图像变化时提供了强大的稳定性。

周等^[15 提出了一种直接从拜耳模式图像中提取方向梯度特征的方法。通过将滤色器列与渐变算子进行匹配，这种方法省略了计算定向梯度的许多步骤，从而大大降低了定向渐变图像识别的计算要求。He et ^al.16 利用方向梯度直方图作为底层特征，采用平均聚类算法对钢轨紧固件进行分类，确定紧固件是否存在缺陷。识别结果表明，定向梯度特征直方图对紧固件缺陷具有较高的敏感性，满足铁路养护和维修的需要。在另一项研究中，Xu 等人 ¹⁷ 使用 Gabor 小波滤波对人脸图像特征进行了预处理，并通过二进制编码和 HOG 算法降低了特征向量的维度。该方法的平均识别准确率为92.5%。

支持向量机（SVM）¹⁸用于将向量映射到高维空间中，并建立具有合适方向的分离超平面，以最大化两个平行超平面之间的距离。这允许对支持向量^{进行分类 19}.学者们对这种分类技术进行了改进和优化，使其在图像识别^20,21，文本分类²²，可靠性预测²³和故障诊断²⁴等各个领域得到应用。

Li等^[25 ]开发了用于地震破坏模式识别的两阶段SVM模型，重点关注三种地震破坏模式。分析结果表明，所提出的两阶段支持向量机方法在3种失效模式下均能达到90%以上的准确率。Yang等^[26 ]将优化算法与支持向量机相结合，模拟了5个超声参数与加载混凝土应力之间的关系。未优化的 SVM 的性能不尽如人意，尤其是在低应力阶段。然而，遍历由算法优化的模型会产生更好的结果，尽管计算时间很长。相比之下，粒子群优化优化的 SVM 显著缩短了计算时间，同时提供了最佳的仿真结果。Yan等^[27 ]采用支持向量机技术，引入精度不敏感损失函数对高强混凝土的弹性模量进行预测，并将其预测精度与传统回归模型和神经网络模型进行比较。研究结果表明，与其他方法相比，SVM技术对弹性模量的预测误差更小。

本文收集了混凝土在各种振动状态下的图像样本，并利用定向梯度直方图技术描述了混凝土的不同状态。将定向梯度作为特征向量进行定向训练，重点关注使用定向梯度直方图-支持向量图技术识别混凝土振动状态的可行性。此外，还分析了方向梯度直方图特征提取过程中的二值化阈值、方向梯度统计块大小和方向梯度统计区间数这三个关键参数之间的影响机制，以及支持向量机的识别精度。

Protocol

1.具体样品图像采集

1. 将混凝土运输到工作场所，由泵车浇筑。
2. 要拍摄图像，请通过向右移动电源键开关并将其转到 ON 位置来打开拍摄设备。将相机的模式旋钮调整到绿色自动模式，确保相机镜头与混凝土表面平行，然后按 下快门键。捕获 20 个非振动混凝土的图像样本，将它们保存为采集分辨率为 1024 x 1024 像素的.jpg格式，如 图 1 所示。
3. 将混凝土振动设备的振动部分（插入式混凝土振动杆）插入混凝土中。连接电源，然后通过将其设置为 ON 位置来打开混凝土振动设备。
4. 当混凝土表面出现一些坍塌（由混凝土内部释放空气的振动引起，导致表面骨料下沉以填充缝隙，导致混凝土坍塌）并出现一些水泥浆时，保持相机镜头平行于混凝土表面并按 下快门键。收集 20 个振动混凝土的图像样本，如 图 2 所示。
5. 继续操作振动设备。当混凝土表面无明显塌陷时，不出现水泥浆，不产生气泡，停止振动过程，采集20张振动混凝土图像样本，如 图3所示。

2. 样本图像灰度二值化

1. 利用 MATLAB 软件的 imread（） 函数将 .jpg 文件读取为 1024 像素 x 1024 像素 x 3 个颜色通道的单位格式数据，表示图像的红色、绿色和蓝色通道值。
2. 接下来，应用 MATLAB 函数 rgb2gray 将图像转换为灰度，用格式 gray value = rgb2gray（jpg file name） 表示。根据公式（1）计算每个像素的灰度值，并将灰度值保存为1024 x 1024的unit8格式数据。
   GR_（i，j） = 0.2989R_（i，j） + 0.587G_（i，j） + 0.114B_（i，j） （1）
   其中，GR（i，j） 是像素点的灰度值，R（i，j） 是像素点的红色通道值，G（i，j） 是像素点的绿色通道值，B（i，j） 是像素点的蓝色通道值。
3. 将大于像素阈值 θ 的灰度值的二进制值更改为 1，并将小于 θ 像素的灰度值的二进制值设置为 0。
4. 获得二值灰度结果后，将结果另存为 1024 x 1024 逻辑格式数据。在本例中，θ 表示二值化阈值，对于不同振动状态的混凝土样品图像，其值分别为 50、100、150 和 200，如 图 5、 图 6 和 图 7 所示。

3. 定向梯度特征值的计算

1. 使用以下公式²⁸ 计算图像中每个像素的水平和垂直二进制梯度
   T_p = R（x， y + 1） - R（x， y - 1）， T_h = R（x+1， y） - R（x-1， y）
   其中 T_h 是水平二值化梯度，T_p 是垂直二值化梯度，R 是二值化逻辑格式数据，x 是二值化矩阵的行号，y 是二值化矩阵的列号。
2. 使用以下公式²⁹ 计算每个点的二进制梯度方向和大小
   
   其中 T 是二进制梯度大小，α_T 是二进制梯度方向，T_h 是水平二进制梯度，T_p 是垂直二进制梯度。
3. 确定图像分割块的大小，表示为 n，其中 n 的值为 [ 1,9]。沿 x 方向在 y 方向上设置每个 n 像素的分割线，根据分割线的位置有效地将图像分成 n x n 个正方形块。然后，图像中无法形成完整方形块的任何部分都将被删除。
4. 将_T α二进制梯度方向（_T α二进制梯度方向的值为 [ 0°， 360°]）划分为 m 个部分，得到 m 个方向梯度统计角度区间。继续计算每个块的梯度统计角度间隔的梯度统计值。
   1. 根据块中每个像素的二进制梯度方向，将像素分类为每个方向的适当梯度统计角度区间。
   2. 将每个方向的梯度统计角度间隔内像素在逆时针方向上的二进制梯度求和，得到该间隔的梯度统计值。 图 8、 图 9 和 图 10 分别描绘了块大小 n 等于 8、128 和 512 的梯度统计角度间隔方向梯度统计的结果。

4. 构建定向梯度特征向量

1. 将样本划分为所需的计算区域，其中每个计算区域由四个相邻的模块组成，基于步骤 3.3 中获得的模块结果。例如，考虑 16 x 16 分辨率像素和 4 x 4 的块大小，图像分为 （16 / 4-1） x （ 16 / 4-1 ） = 9 个计算区域。
2. 计算计算区域内各块的梯度统计量的角度间隔内的方向梯度统计值。随后，得到以方向梯度统计量为分量的特征向量。
3. 组合来自每个计算区域的方向梯度特征向量，以获得图像的方向梯度特征向量。

5. 支持向量机培训

1. 从三种振动状态中随机选择 42 个样本创建训练组，剩余 18 个样本作为测试组。
2. 利用 MATLAB 的 fitcecoc 功能进行 SVM 训练;格式是
   SVM = fitcecoc （trainingFeatures， Trainingeigenvalue）
   其中SVM为待训练的支持向量机，trainingFeatures为训练组图像定向梯度特征向量，Trainingeigenvalue为训练组振动状态的特征值。非振动混凝土、振动混凝土和振动混凝土样品的振动状态特征值分别为 1、2 和 3。
3. 使用 Save 函数以 .mat 格式保存经过训练的 SVM 。

6. SVM识别精度的验证

1. 使用 MATLAB 的预测函数，将测试组样本图像的方向梯度特征向量输入到经过训练的 SVM 中，以获得每个测试样本的振动状态特征的计算值。格式如下:
   testgroupcalculateseigenvalues = predict （SVM， testFeature）
   其中 testgroupcalculatesegenvalues 是振动状态特征的计算值，SVM 是在步骤 5 中训练的支持向量机。testFeature 是测试组样本图像的方向梯度特征向量。
2. 通过将测试集输入到经过训练的 SVM 中来确定测试集样本识别结果。计算测试集识别结果与实际状态匹配的样本数，然后通过将正确样本数除以测试集样本总数来计算识别准确率。
   1. 如果测试识别准确率高于 94%，则认为 SVM 识别有效。如果低于 94%，则返回步骤 1.1 并调整二值化阈值、块大小 n 和方向梯度统计区间数 m。

Results

该协议旨在分析方向梯度特征的三向量计算参数如何影响支持向量机识别混凝土振动状态的精度。方向梯度特征向量的主要计算参数包括方向梯度统计块大小、方向梯度统计角度区间数和二进制格雷阈值。本节使用三个主要计算参数作为变量来设计测试。测试参数级别详见 表 1。对分辨率为 1024 x 1024 像素的混凝土图像样本共进行了 100 次测试。与 表1 中描述的参数相对应的测试结果如 表2所示。

不同二元灰度阈值-SVM识别结果分析
表2 显示了SVM在不同二值化阈值下的平均识别精度，二值化阈值与识别准确率的关系如 图4所示。当块大小和统计区间数固定时，SVM的识别准确率通常呈下降趋势，并随着二值化阈值的增加而下降。值得注意的是，当二值化阈值落在 100 到 150 的范围内时，识别准确率会显着降低。需要进一步调查以了解这种现象背后的原因及其对SVM除法计算的影响。

在本节中，按照步骤2.1中描述的方法和步骤3.1中描述的实验设计，对非振动混凝土、振动混凝土和振动混凝土的图像样本进行二值化。使用的二值灰度阈值为 50、100、150、200 和 250，因此每个状态都有二值灰度图像，如 图 5、 图 6 和 图 7 所示。

如 图5所示，随着二值化阈值的降低，非振动混凝土图像样品的二值图像中的白色区域显着减少。在二值化阈值 250 时，二值图像显示为纯黑色。 在图6中，具有二值化阈值的振动混凝土图像样本的二元灰度图像的变化趋势与非振动混凝土样本相似，但振动混凝土图像样本的白色区域减少更为明显。此外， 图7 显示了黑色部分和白色区域的组合，反映了混凝土在不同振动状态下的表面纹理特征。振动混凝土的二进制灰度图像也随着二值化阈值的降低而减小。例如，当二值化阈值设置为 50 和 100 时，振动混凝土的二进制灰色图像趋于白色。在阈值为 150 时，它看起来与其他两种状态相似，但当阈值超过 150 时，二进制图像趋于黑色。值得注意的是，当二值化阈值介于 100 和 150 之间时，二值图像特征会发生显著变化。

本文的特征向量提取依赖于图像样本的定向梯度。将二值化阈值从 50 增加到 100 可减少白色和黑色像素之间的接触面积。这种减少会影响像素方向梯度的统计信息，因为它取决于每个像素之间的像素值变化。接触面积越大，SVM 特征向量中的分量就越少于 0，因此混凝土振动状态特征的表示更加全面。二值化阈值对识别精度的变化主要是由于方向梯度特征向量中 0 个分量数量的变化。此外，当二值化阈值从 150 提高到 250 时，二值图像样本的白色区域显着减少。因此，相应的识别精度也大大降低，进一步支持了这一规则。

不同方向梯度统计块大小-SVM识别结果
本节计算了梯度统计在不同方向上的统计块大小识别精度，如 表2 所示。随后，计算梯度统计在各个方向上的统计块大小识别精度的平均值;结果如 图 8 所示。

图 8 演示了 1024 分辨率混凝土图像样本的 SVM 识别与定向梯度的统计块大小之间的关系。这种关系可以用公式（2）来表示。

y=0.09+0.144x-0.01x² （2）

通过块扫描方法²⁰计算图像样本特征向量。同时，当块较小时，特征向量表征二进制图像的局部特异性。这导致不同振动状态的具体样本图像具有相似的局部特异性，导致特征向量中有大量 0 个分量。因此，如此多的 0 分量会对 SVM 分割造成大量干扰，导致识别精度降低，特别是对于块大小为 8 像素的 1024 像素图像。

随着块大小的增加，特征向量所反映的局部特异性逐渐减弱，特征向量表征图像样本的区域特异性，如 图10所示。因此，特征向量中的 0 个分量数量减少，从而减少了 SVM 分裂过程中的干扰。因此，SVM的识别精度提高了。

但是，当块大小进一步增加，超过 32 像素时，特征向量中 0 个分量的数量继续减少。但它也会导致 SVM 训练集的特征向量维度减少。在这一点上，对SVM识别精度的影响主要源于特征维度的缺失。尽管如此，特征向量仍然设法在具体图像中捕获一定程度的特异性。如 图11所示，当块尺寸扩大到一定程度时，具有不同振动状态的混凝土图像样本中每个块的定向梯度特征仍表现出显著差异。这一观察结果解释了为什么当块大小变得过大时识别准确率会降低，尽管下降幅度相对较小。

定向梯度统计角度区间数-SVM识别结果
在本节中，计算 了表2 中所示的方向梯度统计区间数量的识别精度。随后，计算方向梯度统计区间数的平均识别精度。结果如 图 12 所示。

从 图 12 中可以明显看出，随着方向梯度统计区间数量的增加，支持向量机对混凝土振动状态的识别精度先上升，然后下降。这种关系可以用公式（3）表示

y=-0.45+0.2x-0.007x² （3）

梯度方向统计区间数与识别精度之间的影响机制是由于图像特征提取参数的变化。这导致图像样本的特征向量的特定表征能力发生变化。在本节中，截获了中度振动混凝土的部分图像样本。当网格大小为4时，方向梯度特性的计算结果为6、9、12和15，如 图13所示。

如图13A，B所示，当方向梯度统计区间数设置为6时，每个区间的大小为60°。考虑到计算块大小为 4x4，每个块中有 16 个像素。对于较大的间隔大小，多个像素的方向梯度落在单个间隔内。当区间大小较大时，这会导致图像样本的特征向量中 0 个分量的数量增加。因此，它会影响支持向量机的训练结果和识别精度。但是，当方向梯度统计区间数为 9 时，角度划分变得更加精细，从而减少区间内没有像素的情况。因此，图像样本的特征向量中 0 个分量的数量也减少了，从而提高了特征向量的图像特定表示能力。然而，与图13C和图13D相比，当方向梯度统计区间数从12增加到15时，方向梯度特征计算结果区间中0的像素数增加。因此，特征向量表征样本图像特异性的能力降低。这种表征能力的降低归因于方向梯度统计区间大小的进一步减小。具体来说，只有一个像素的间隔现在分为两个区间:一个是单个像素，另一个是空区间。因此，空间隔数量的增加会导致特征向量中出现更多的 0 分量，最终导致识别精度降低。

图 1:非振动混凝土的图像。 在没有振动操作的情况下拍摄的泵送混凝土图像。 请点击这里查看此图的较大版本.

图2:振动混凝土的图像。 泵送混凝土振动操作中的图像样本。 请点击这里查看此图的较大版本.

图3:振动混凝土样品的图像。 泵送混凝土振动操作完成时的图像样本。 请点击这里查看此图的较大版本.

图4:二值化阈值-识别准确率关系。 二值化阈值对支持向量机识别精度的影响。 请点击这里查看此图的较大版本.

图 5:非振动混凝土的二进制灰度图像。 设置不同二值化阈值时非振动混凝土图像的二值化处理结果。（A） 二进制门槛为50。（B） 二进制门槛为100。（C） 二进制门槛为150。（D） 二进制门槛为200。（E） 二进制门槛为250。 请点击这里查看此图的较大版本.

图 6:振动混凝土的二进制灰度图像。 设置不同二值化阈值时振动混凝土图像的二值化处理结果。（A） 二进制门槛为50。（B） 二进制门槛为100。（C） 150 处的二值化阈值。（D） 二进制门槛为200。（E） 二进制门槛为250。 请点击这里查看此图的较大版本.

图 7:振动混凝土的二进制灰度图像。 设置不同二值化阈值时振动混凝土图像的二值化处理结果。（A） 二进制门槛为50。（B） 二进制门槛为100。（C） 二进制门槛为150。（D） 二进制门槛为200。（E） 二进制门槛为250。 请点击这里查看此图的较大版本.

图 8:定向梯度统计块大小识别精度图。 方向梯度统计块大小对支持向量机识别精度的影响。 请点击这里查看此图的较大版本.

图 9:块大小为 8 像素的定向梯度特征提取结果示意图。 当块大小为 8 像素时，梯度特征会产生三种振动状态方向。（A）非振动混凝土，（B）振动混凝土，（C）振动混凝土。 请点击这里查看此图的较大版本.

图 10:块大小为 128 像素的定向梯度特征提取结果示意图。 当块大小为 128 像素时，梯度特征会产生三种振动状态方向。（A）非振动混凝土，（B）振动混凝土，（C）振动混凝土。 请点击这里查看此图的较大版本.

图 11:块大小为 512 像素的不同振动状态下混凝土样品图像的定向梯度提取结果。 当块大小为 512 像素时，梯度特征会产生三种振动状态方向。（A）非振动混凝土，（B）振动混凝土，（C）振动混凝土。 请点击这里查看此图的较大版本.

图12:方向梯度统计区间数字识别精度关系。 方向梯度统计区间number 对支持向机识别精度的影响 请点击此处查看此图的较大版本.

图13:不同定向梯度统计区间数量定向梯度特性的计算结果。 在设置不同的定向梯度统计区间时，得到样本的定向梯度特征结果。（A） 6 个方向梯度统计区间，（B） 9 个方向梯度统计区间，（C） 12 个方向梯度统计区间，（D） 15 个方向梯度统计区间。 请点击这里查看此图的较大版本.

表 1:SVM 识别测试因子水平。 分析了方向梯度特征矢量的计算参数对支持向机识别混凝土振动状态精度的影响。 请按此下载此表格。

表2:方向梯度直方图参数分析测试结果。 基于 表1中的测试方案，得到了识别准确率结果。 请按此下载此表格。

Discussion

本文利用支持向量机（SVM）学习各种混凝土振动状态样本的图像特征。基于机器学习结果，提出了一种基于图像识别的具体振动状态识别方法。为了提高识别精度，控制图像分割、图像二值化和定向梯度特征值提取这三个关键步骤的参数至关重要。根据测试结果，采用较小的二值化阈值对具体样品图像进行预处理，并利用128 pixels x 128 pixel的图像分割块大小。统计角度区间的方向梯度数设置为 12。在 1024 分辨率的图像样本集中，机器学习结果的识别精度最高。

由于不同施工现场的环境差异很大，该方法具有精度调整机制。当识别精度达不到要求时，可以扩大或降低上述三个关键参数作为可行的解决方案，有效缓解环境变化导致的识别精度误差。需要注意的是，这种方法在很大程度上依赖于工作面的照明条件。在低照度条件下捕获图像可能会导致识别精度下降。为了减少对照明条件的依赖，已经探索了³⁰个低照明图像增强算法，但它们显着增加了识别时间和硬件要求。目前，尚无有效的技术能同时保证低照明识别精度和识别效率。该方法利用定向梯度技术直方图来表征混凝土振动状态的特征，包括混凝土振动过程中的表面塌陷、水泥浆漂浮和气泡。与现有技术相比，这种方法大大减少了所需的样本数量，并降低了计算机性能要求。使用配备 2.30 GHz CPU 的笔记本电脑，识别过程只需 15 秒即可完成 SVM 的训练空间差异。当适当设置提取参数时，识别精度也有所提高³¹.

将来，该协议可用于指挥建筑机器人的振动操作，允许在混凝土达到所需的振动水平时及时停止操作，从而避免因振动不足而导致的质量问题。此外，该方法还可以根据施工现场的纹理特性修改机器人操作，例如结构平整度检测、工作面泥浆去除和其他相关过程。

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
相机	SONY	A6000	传感器尺寸为 23.5x15.6mm，最大采集分辨率为 1440 * 1080，有效像素为 2430 万。
混凝土	武汉建设昌鑫科技发展有限公司	C30 泵送混凝土	根据《混凝土强度试验和评价标准》（GB/T 50107-2010）的标准，立方抗压强度的标准值为 30 MPa 泵送混凝土。
Matlab	MathWorks	Matlab R2017a	MATLAB的编程接口为提高代码质量、可维护性和最大化性能提供了开发工具。 它提供了使用自定义图形界面构建应用程序的工具。 它提供了将基于MATLAB的算法与外部应用程序和语言相结合的工具
处理器	英特尔	第 12 代英特尔® 酷睿 （TM） i7-12700H @ 2.30GHz	64 位 Win11 处理器