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。
本文内容
摘要
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
- 将混凝土运送至工作地点，由泵车进行浇筑。
- 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。
- 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。
- 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。
- 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
- 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。
- 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。 - 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。
- 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
- 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
Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
其中 Th 是水平二值化梯度，Tp 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。 - 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，αT 是二元梯度方向，Th 是水平二元梯度，而 Tp 是垂直二元梯度。 - 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。
- 二元梯度方向分割 αT 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。
- 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。
- 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
- 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。
- 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。
- 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
- 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。
- 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。 - 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
- 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。 - 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。
- 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划分计算的影响。
本节按照步骤2.1所述方法及步骤3.1所述实验设计，对未振动混凝土、振动中混凝土和已振动混凝土的图像样本进行二值化处理。所采用的二值化灰度阈值分别为50、100、150、200和250，得到每种状态下对应的二值化灰度图像，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，未振动混凝土图像样本的二值图像中的白色区域显著减少。当二值化阈值为250时，二值图像几乎呈纯黑色。在图6中，振动状态下混凝土图像样本的二值灰度图像随二值化阈值的变化趋势与未振动混凝土样本相似，但其白色区域的减少更为明显。此外，图7展示了黑色部分与白色区域的组合，反映了不同振动状态下混凝土表面的纹理特征。振动后混凝土的二值灰度图像也随着二值化阈值的降低而减小。例如，当二值化阈值设为50和100时，振动后混凝土的二值灰度图像趋于白色；当阈值为150时，其形态与其他两种状态相似；但当阈值超过150时，二值图像趋于黑色。值得注意的是，当二值化阈值介于100至150之间时，二值图像的特征发生显著变化。
本文中的特征向量提取依赖于图像样本的方向梯度。将二值化阈值从50增加到100会减少黑白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结果，因为方向梯度依赖于每个像素之间像素值的变化。较大的接触面积会导致支持向量机（SVM）特征向量中0分量的数量减少，从而使混凝土振动状态特征的表示更加全面。识别准确率随二值化阈值的变化，主要源于方向梯度特征向量中0分量数量的改变。此外，当二值化阈值从150升高到250时，二值图像样本中的白色区域显著减少。因此，相应的识别准确率也大幅下降，进一步验证了这一规律。
不同方向梯度统计块大小-SVM识别结果
本节计算了表2中所示不同方向梯度统计的统计块大小识别准确率。随后，计算了各个方向梯度统计的统计块大小识别准确率的平均值。结果如图8所示。
图8 展示了支持向量机（SVM）对1024分辨率混凝土图像样本的识别率与方向梯度统计块大小之间的关系。该关系可用公式（2）表示。
y=0.09+0.144x-0.01x2 (2)
图像样本的特征向量通过块扫描方法计算得到20。同时，当块尺寸较小时，特征向量表征二值图像的局部特异性。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，从而使特征向量中出现大量0分量。因此，这些高比例的0分量会对支持向量机（SVM）分类造成显著干扰，导致识别准确率下降，特别是对于分辨率为1024像素且块大小为8像素的图像。
随着块尺寸的增加，特征向量所反映的局部特异性逐渐减弱，特征向量转而表征图像样本的区域特异性，如图10所示。因此，特征向量中0分量的数量减少，从而在支持向量机（SVM）的分类过程中降低了干扰，进而提高了SVM的识别准确率。
然而，当块大小进一步增加并超过32像素时，特征向量中0分量的数量会持续减少。但这也导致支持向量机（SVM）训练集特征向量的维度降低。此时，对SVM识别精度的影响主要源于特征维度的不足。尽管如此，该特征向量仍能在一定程度上捕捉到混凝土图像的特异性。如图11所示，当块大小扩大到一定程度时，不同振动状态下混凝土图像样本各块内的方向梯度特征仍表现出显著差异。这一现象解释了为何当块尺寸过大时识别精度会下降，尽管下降幅度相对较小。
方向梯度统计角度区间数-SVM识别结果
本节计算了表2中所示方向梯度统计区间数量的识别准确率。随后，计算了方向梯度统计区间数量的平均识别准确率。结果如图12所示。
从图12可以看出，随着方向梯度统计区间的数量增加，支持向量机对混凝土振捣状态的识别准确率先上升后下降。该关系可用公式（3）表示
y = -0.45 + 0.2x - 0.007x2 (3)
梯度方向统计区间数量与识别准确率之间的相互影响机制源于图像特征提取参数的变化，这会导致特征向量对图像样本具体表征能力的改变。本节截取了中等振动程度混凝土的部分图像样本，在网格大小为4的条件下，分别设置梯度方向统计区间数量为6、9、12和15，计算得到方向梯度特征结果，如图13所示。
如图13A、B所示，当方向梯度统计区间的数量设置为6时，每个区间的大小为60°。考虑到计算块大小为4×4，每个块包含16个像素。当区间尺寸较大时，多个像素的方向梯度会落入同一区间内，导致图像样本特征向量中0分量的数量增加。这会影响支持向量机（SVM）的训练结果和识别准确率。然而，当方向梯度统计区间的数量为9时，角度划分更为精细，减少了某个区间内无像素的情况，从而降低了图像样本特征向量中0分量的数量，提升了特征向量对图像特异性的表征能力。然而，通过比较图13C与图13D可见，当方向梯度统计区间的数量从12增加到15时，方向梯度特征计算结果中区间内像素数为0的情况反而增多。结果导致特征向量对样本图像特异性的表征能力下降。这种表征能力的降低归因于方向梯度统计区间尺寸的进一步减小：原本仅含一个像素的区间被划分为两个区间，其中一个区间含有单个像素，另一个则为空区间。因此，空区间的数量增加导致特征向量中0分量增多，最终造成识别准确率下降。
图 1：未振动混凝土的图像。 未进行振动操作时采集的泵送混凝土图像。 请点击此处查看此图的放大版本。
图2：振动混凝土图像。 泵送混凝土振动操作中的图像样本。 请点击此处查看此图的放大版本。
图3：振动后混凝土样品图像。 混凝土泵送振动操作完成后获取的图像样本。 请点击此处查看此图的放大版本。
图4：二值化阈值与识别准确率的关系。 二值化阈值对支持向量机（SVM）识别准确率的影响。请点击此处查看该图的放大版本。
图5：未振动混凝土的二值灰度图像。 在设置不同二值化阈值时，未振动混凝土图像的二值化处理结果。（A）二值化阈值为50。（B）二值化阈值为100。（C）二值化阈值为150。（D）二值化阈值为200。（E）二值化阈值为250。 请点击此处查看此图的放大版本。
图6：振动混凝土的二值化灰度图像。 在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）二值化阈值为50。（B）二值化阈值为100。（C）二值化阈值为150。（D）二值化阈值为200。（E）二值化阈值为250。 请点击此处查看此图的放大版本。
图7：振动混凝土的二值灰度图像。在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）二值化阈值为50。（B）二值化阈值为100。（C）二值化阈值为150。（D）二值化阈值为200。（E）二值化阈值为250。请点击此处查看此图的放大版本。
图8：方向梯度统计块大小-识别准确率关系图。 方向梯度统计块大小对支持向量机（SVM）识别准确率的影响。请点击此处查看该图的放大版本。
图9：区块大小为8像素时方向梯度特征提取结果的示意图。当区块大小为8像素时，三种振动状态方向下的梯度特征结果。（A）未振动混凝土，（B）振动中混凝土，（C）已振动混凝土。请点击此处查看此图的放大版本。
图10：块大小为128像素时方向梯度特征提取结果的示意图。 当块大小为128像素时，梯度特征在三种振动状态方向上的结果分别为：（A）未振动混凝土，（B）振动中混凝土，（C）已振动混凝土。请点击此处查看该图的放大版本。
图11：块大小为512像素时，不同振动状态下混凝土样本图像的方向梯度提取结果。 当块大小为512像素时，梯度特征在三种振动状态方向上呈现不同结果。（A）未振动混凝土，（B）振动中混凝土，（C）已振动混凝土。请点击此处查看该图的放大版本。
图12方向性梯度统计区间数识别准确率关系 方向性梯度统计区间数的影响r 支持向量机识别准确率 请点击此处以查看此图的放大版本。
图13：不同方向梯度统计区间数量的方向梯度特征计算结果。 当设定不同的方向梯度统计区间时，获得样本的方向梯度特征结果。（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。 请点击此处查看该图的放大版本。
表1：SVM识别测试因子水平。 分析方向梯度特征向量的计算参数对SVM识别混凝土振动状态准确率的影响。 请点击此处下载该表格。
表2：方向梯度直方图参数分析测试结果。 根据表1中的测试方案，获得识别准确率结果。请点击此处下载该表格。
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、水泥浆上浮以及混凝土振捣过程中的气泡情况。与现有技术相比，该方法显著减少了所需样本数量，并降低了对计算机性能的要求。在配备2.30 GHz CPU的笔记本电脑上，识别过程可在仅15秒内完成支持向量机（SVM）的训练空间区分。当提取参数设置适当时，识别精度亦可进一步提升31。
未来，该方案可用于控制施工机器人的振动作业，在混凝土达到所需振动程度时及时停止操作，从而避免因振动不足导致的质量问题。此外，该方法还可根据施工现场的质地特征调整机器人作业，例如结构平整度检测、工作面浆料清除及其他相关工序。
披露
作者无任何利益冲突需要披露。
致谢
我们衷心感谢武汉城市建设集团2023年度科研项目（编号7）对本工作的资助。
材料
| 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 |
参考文献
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , San Diego, USA. (2005).
- Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1(2021).
- 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).
- 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).
- Cortes, C., Vapnik, V. N. Support Vector Networks. Machine Learning. 20 (3), 273-297 (1995).
- Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
- 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).
- Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
- Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
- 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).
- 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).
重印与许可
标签
