基于支持向量机的混凝土振捣状态图像识别与参数分析

摘要

本文所述方案利用方向梯度直方图技术，提取不同振动状态下混凝土图像样本的特征。该方法采用支持向量机进行机器学习，从而实现一种对训练样本需求少、计算机性能要求低的图像识别方法。

摘要

本文采用方向梯度直方图技术提取在不同振动状态下拍摄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，并基于机器学习结果评估混凝土振动状态识别的可行性。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制。结果表明，采用方向梯度直方图-SVM技术识别混凝土振动状态是可行的。随着方向梯度的分块尺寸或统计区间数量的增加，识别精度先升高后降低；随着二值化阈值的增加，识别精度呈线性下降趋势。通过使用分辨率为1024像素 × 1024像素的样本图像并优化特征提取参数，可实现100%的识别精度。

引言

混凝土是建筑行业中广泛使用的一种基础建筑材料。在泵送过程中，混凝土常会产生空隙，需要通过振动进行密实。振动不足可能导致混凝土表面出现蜂窝状结构，而过度振动则可能引起混凝土离析^1,2。振捣操作的质量对成型混凝土结构的强度^3,4,5,6和耐久性^7,8具有显著影响。Cai 等人^9,10开展了一项结合实验研究与数值分析的工作，以探究振动对骨料沉降及混凝土耐久性的影响机制。研究结果表明，振动时间与骨料颗粒对骨料沉降具有显著影响，而骨料密度和水泥基材料的塑性黏度影响较小。振动会导致骨料在混凝土试件底部沉积；此外，随着振动时间的增加，混凝土试件底部的氯离子浓度降低，而顶部的氯离子浓度则显著升高^9,10。

目前，混凝土振捣状态的评估主要依赖人工判断。随着建筑行业通过智能化改革不断进步，机器人作业已成为未来发展方向^11,12。因此，智能振捣作业中的一个关键挑战是如何使机器人能够识别混凝土的振捣状态。

方向梯度直方图是一种利用像素的强度梯度或边缘方向分布作为描述符，以表征图像中物体表示和形状的技术^13,14。该方法在图像的局部网格单元上进行操作，能够在各种几何和光学条件下稳定地表征图像变化。

Zhou 等人¹⁵提出了一种直接从 Bayer 模式图像中提取方向梯度特征的方法。该方法通过将彩色滤波阵列的列与梯度算子相匹配，省略了计算方向梯度时的多个步骤，从而显著降低了方向梯度图像识别的计算需求。He 等人¹⁶以方向梯度直方图为底层特征，采用均值聚类算法对轨枕扣件进行分类，并判断扣件是否存在缺陷。识别结果表明，方向梯度特征直方图对扣件缺陷具有高敏感性，能够满足铁路养护维修的需求。在另一项研究中，Xu 等人¹⁷利用 Gabor 小波滤波对人脸图像特征进行预处理，并通过二值编码和 HOG 算法降低特征向量的维度。该方法的平均识别准确率达到 92.5%。

支持向量机（SVM）¹⁸ 用于将向量映射到高维空间，并建立一个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。这使得支持向量的分类成为可能¹⁹。学者们对该分类技术进行了改进和优化，促使其在图像识别^20,21、文本分类²²、可靠性预测²³以及故障诊断²⁴等多个领域得到应用。

Li 等人²⁵开发了一种用于地震破坏模式识别的两阶段支持向量机（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SVM方法在三种破坏模式上的识别准确率可超过90%。Yang 等人²⁶将优化算法与SVM相结合，以模拟五个超声参数与受载混凝土应力之间的关系。未优化的SVM性能不理想，特别是在低应力阶段。然而，通过算法优化模型后可获得更优结果，但计算耗时较长。相比之下，采用粒子群优化算法优化的SVM在显著减少计算时间的同时，实现了最优的模拟效果。Yan 等人²⁷应用SVM技术并引入一种对精度不敏感的损失函数，用于预测高强混凝土的弹性模量，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技术在弹性模量预测中具有更小的预测误差。

本文采集了混凝土在不同振动状态下的图像样本，并利用方向梯度直方图技术描述混凝土的不同状态。将方向梯度作为特征向量用于训练支持向量机（SVM），研究重点在于探讨使用方向梯度直方图-SVM技术识别混凝土振动状态的可行性。此外，本文还分析了在方向梯度直方图特征提取过程中，三个关键参数——二值化阈值、方向梯度统计块大小和方向梯度统计区间数量——对SVM识别精度的影响机制。

方案

1. 混凝土样品图像采集

1. 将混凝土运送至工作地点，由泵车进行浇筑。
2. 开启拍摄设备，将电源钥匙开关向右拨动并转至ON位置。将相机模式旋钮调至绿色自动模式，确保相机镜头与混凝土表面平行，然后按下Shutter Key。采集20张未振捣混凝土的图像样本，以1024 × 1024像素的采集分辨率保存为.jpg格式，如图1所示。
3. 将混凝土振捣设备的振动部分（插入式混凝土振捣棒）插入混凝土中。接通电源，然后将混凝土振捣设备调至ON位置以启动设备。
4. 当混凝土表面出现一定程度的塌陷（由于振动使混凝土内部空气排出，导致表层骨料下沉填充空隙，从而引起混凝土塌陷），并有少量水泥浆析出时，保持相机镜头与混凝土表面平行，按下Shutter Key。采集20张振捣中混凝土的图像样本，如图2所示。
5. 继续运行振捣设备。当混凝土表面无明显塌陷、无水泥浆析出且无气泡产生时，停止振捣过程，并采集20张已振捣混凝土的图像样本，如图3所示。

2. 样本图像灰度二值化

1. 使用 MATLAB 软件中的 imread() 函数读取 .jpg 文件，将其作为 1024 像素 × 1024 像素 × 3 个颜色通道的单位格式数据，分别表示图像的红色、绿色和蓝色通道值。
2. 接下来，应用 MATLAB 函数 rgb2gray 将图像转换为灰度图像，表示为格式 gray value = rgb2gray(jpg 文件名)。根据公式 (1) 计算每个像素的灰度值，并将灰度值保存为 1024 × 1024 的 uint8 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) 表示像素点的灰度值，R(i,j) 表示像素点的红色通道值，G(i,j) 表示像素点的绿色通道值，B(i,j) 表示像素点的蓝色通道值。
3. 将灰度值大于像素阈值 θ 的二进制值设为 1，将灰度值小于 θ 的像素的二进制值设为 0。
4. 获得二值化灰度结果后，将结果保存为 1024 × 1024 的逻辑格式数据。此处，θ 表示二值化阈值，对于不同振动状态的混凝土样本图像，其取值分别为 50、100、150 和 200，如 图 5、图 6 和 图 7 所示。

3. 方向梯度特征值的计算

1. 使用以下公式计算图像中每个像素的水平和垂直二值梯度²⁸
   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. 使用以下公式计算每个点的二值梯度方向和大小²⁹
   
   其中，T 为二元梯度大小，α_T 是二元梯度方向，T_h 是水平二元梯度，而 T_p 是垂直二元梯度。
3. 确定图像分割块的大小，记为 n，其中 n 的取值范围为 [1,9]。沿 x 方向对 y 方向上每隔 n 个像素设置分割线，从而根据分割线的位置将图像划分为 n × n 的方形块。无法构成完整方形块的图像部分将被移除。
4. 二元梯度方向分割 α_T 二值梯度方向α的值_T 是 [ 0°, 360°将]) 分成 m 个部分，得到 m 个方向梯度统计角度区间。接着计算每个块的梯度统计角度区间的梯度统计值。
   1. 根据每个像素在块内的二进制梯度方向，将像素分类至各方向相应的梯度统计角度区间。
   2. 将每个方向在逆时针方向上的梯度统计角度区间内像素的二值梯度求和，得到该区间的梯度统计值。所获得的梯度统计角度区间方向梯度统计结果如图所示。 图8, 图9，以及 图10 对于块大小 n 分别等于 8、128 和 512 的情况。

4. 构建方向梯度特征向量

1. 根据步骤3.3获得的块结果，将样本划分为所需的计算区域，每个计算区域由四个相邻的块组成。例如，考虑16 × 16分辨率像素和4 × 4的块大小，则图像被划分为 (16 / 4 - 1) × (16 / 4 - 1) = 9 个计算区域。
2. 计算每个计算区域内各块梯度统计中角度区间内的方向梯度统计值，随后获得以方向梯度统计为分量的特征向量。
3. 合并来自各个计算区域的方向梯度特征向量，得到图像的方向梯度特征向量。

5. 支持向量机训练

1. 从三种振动状态中随机选取42个样本作为训练组，剩余的18个样本作为测试组。
2. 使用MATLAB中的fitcecoc函数进行支持向量机（SVM）训练，格式为
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   其中SVM为待训练的支持向量机，trainingFeatures为训练组图像的方向梯度特征向量，Trainingeigenvalue为训练组振动状态的特征值。未振动混凝土、振动中混凝土和已振动混凝土样本的振动状态特征值分别为1、2和3。
3. 使用Save函数将训练好的SVM以.mat格式保存。

6. 验证SVM识别准确率

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至训练好的支持向量机（SVM），以获得每个测试样本的振动状态特征计算值。格式如下：
   testgroupcalculateseigenvalues = predict (SVM, testFeature)
   其中，testgroupcalculateseigenvalues 为振动状态特征的计算值，SVM 为步骤 5 中训练得到的支持向量机，testFeature 为测试组样本图像的方向梯度特征向量。
2. 将测试集输入训练好的 SVM，确定测试集样本的识别结果。统计测试集识别结果与实际状态一致的样本数量，再将正确样本数除以测试集样本总数，计算识别准确率。
   1. 若测试识别准确率高于 94%，则认为 SVM 识别有效；若低于 94%，则返回步骤 1.1，调整二值化阈值、块大小 n 以及方向梯度统计区间数 m。

结果

本方案旨在分析方向梯度特征的三个向量计算参数对支持向量机（SVM）识别混凝土振捣状态准确率的影响。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量以及二值化灰度阈值。本节以这三个主要计算参数作为变量设计实验，各实验参数水平详见表1。实验共对100组分辨率为1024 × 1024像素的混凝土图像样本进行了测试，对应表1中参数的实验结果列于表2中。

不同二值化灰度阈值下SVM识别结果的分析
表2展示了支持向量机（SVM）在不同二值化阈值下的平均识别准确率，图4则可视化了二值化阈值与识别准确率之间的关系。当分块大小和统计区间数量固定时，随着二值化阈值的增加，SVM的识别准确率总体呈现下降趋势。值得注意的是，当二值化阈值处于100至150范围内时，识别准确率显著下降。需要进一步研究以明确这一现象背后的原因及其对SVM划分计算的...

讨论

本文利用支持向量机（SVM）学习各类混凝土振捣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混凝土振捣状态识别方法。为提高识别准确率，关键在于控制图像分割、图像二值化和方向梯度特征值提取这三个关键步骤的参数。根据测试结果，采用较小的二值化阈值对混凝土样本图像进行预处理，图像分割的块大小设置为128像素 × 128像素，方向梯度的统计角度区间数量设为12。在分辨率为1024的图像样本集中，机器学习结果达到了最佳的识别准确率。

由于不同施工现场的环境存在显著差异，该方法设有精度调节机制。当识别精度无法满足要求时，可通过扩展或缩减上述三个关键参数作为有效解决方案，从而显著缓解因环境变化引起的识别精度误差。需要注意的是，该方法对作业面的光照条件依赖性较强。在低照度条件下采集图像可能导致识别精度下降。为降低对光照条件的依赖，已有研究探索采用低照度图像增强算法³⁰，但此类方法会显著增加识别时间和硬件需求。目前尚无有效技术能够同时保障低照度下的识别精度与识别效率。该方法采用方向梯度直方图技术来表征混凝土振捣状态的特征，包括表面塌陷、...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
相机	SONY	A6000	传感器尺寸为23.5×15.6 mm，最大采集分辨率为1440 × 1080，有效像素为2430万。
混凝土	武汉建工长新科技发展有限公司	C30泵送混凝土	根据《混凝土强度检验评定标准》（GB/T 50107-2010）的规定，该混凝土的立方体抗压强度标准值为30 MPa的泵送混凝土。
Matlab	MathWorks	Matlab R2017a	MATLAB的编程接口提供了用于提高代码质量、可维护性以及最大化性能的开发工具。 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集成的工具
处理器	Intel	12代 Intel(R) Core(TM) i7-12700H @ 2.30GHz	64位 Win11 处理器