Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Bilderkennung und Parameteranalyse des Betonschwingungszustandes auf Basis der Support Vector Machine

2.1K Aufrufe

⸱

DOI:

10.3791/65731

⸱

5. Januar 2024

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

In diesem Artikel

Zusammenfassung

Das in dieser Arbeit beschriebene Protokoll verwendet die Technik des Richtungsgradientenhistogramms, um die Eigenschaften von Betonbildproben unter verschiedenen Schwingungszuständen zu extrahieren. Es verwendet eine Support-Vektor-Maschine für maschinelles Lernen, was zu einer Bilderkennungsmethode mit minimalen Anforderungen an das Trainingsgebiet und geringen Anforderungen an die Computerleistung führt.

Zusammenfassung

In dieser Arbeit wird die Richtungsgradienten-Histogramm-Technologie verwendet, um die Merkmale von Betonbildproben zu extrahieren, die unter verschiedenen Schwingungszuständen aufgenommen wurden. Die Support Vector Machine (SVM) wird verwendet, um die Beziehung zwischen Bildmerkmalen und Schwingungszustand zu lernen. Die Ergebnisse des maschinellen Lernens werden anschließend verwendet, um die Machbarkeit des konkreten Schwingungszustands zu beurteilen. Gleichzeitig wird der Einflussmechanismus der Berechnungsparameter des Richtungsgradientenhistogramms auf die Erkennungsgenauigkeit analysiert. Die Ergebnisse zeigen, dass es möglich ist, die Richtungsgradienten-Histogramm-SVM-Technologie zur Identifizierung des Schwingungszustands von Beton zu verwenden. Die Erkennungsgenauigkeit nimmt zunächst zu und dann ab, wenn die Blockgröße des Richtungsgradienten oder die Anzahl der statistischen Intervalle zunimmt. Auch die Erkennungsgenauigkeit nimmt linear mit zunehmender Binarisierungsschwelle ab. Durch die Verwendung von Beispielbildern mit einer Auflösung von 1024 x 1024 Pixeln und die Optimierung der Merkmalsextraktionsparameter kann eine Erkennungsgenauigkeit von 100% erreicht werden.

Einleitung

Beton ist ein grundlegender Baustoff, der in der Bauindustrie weit verbreitet ist. Während des Pumpens bildet der Beton häufig Hohlräume, die durch Vibrationen verdichtet werden müssen. Unzureichende Vibrationen können zu einer wabenförmigen Betonoberfläche führen, während übermäßige Vibrationen zu einer Betonseigerung führen können 1,2. Die Qualität des Vibrationsbetriebs hat einen erheblichen Einfluss auf die Festigkeit 3,4,5,6 und die Dauerhaftigkeit der geformten Betonkonstruktionen 7,8. Cai et al.9,10 führten eine Studie durch, die experimentelle Forschung mit numerischer Analyse kombinierte, um den Einflussmechanismus von Schwingungen auf die Setzung von Gesteinskörnungen und die Dauerhaftigkeit von Beton zu untersuchen. Die Ergebnisse zeigten, dass die Schwingungszeit und die Gesteinskörnungen einen erheblichen Einfluss auf die Setzung der Gesteinskörnung haben, während die Dichte der Gesteinskörnung und die plastische Viskosität des zementbasierten Materials nur minimale Auswirkungen haben. Durch Vibrationen kommt es zu Gesteinskörnungen am Boden der Betonproben. Darüber hinaus nimmt mit zunehmender Schwingungszeit die Chloridionenkonzentration an der Unterseite der Betonproben ab, während sie an der Oberseite deutlich zunimmt 9,10.

Derzeit beruht die Beurteilung des Schwingungszustands von Beton überwiegend auf manueller Beurteilung. Während die Bauindustrie weiterhin intelligente Reformen durchläuft, hat sich der Roboterbetrieb als die zukünftige Richtung herauskristallisiert11,12. Eine entscheidende Herausforderung bei intelligenten Vibrationsoperationen besteht daher darin, Roboter in die Lage zu versetzen, den Schwingungszustand von Beton zu erkennen.

Das Histogramm des orientierten Gradienten ist eine Technik, die den Intensitätsgradienten von Pixeln oder die Verteilung von Kantenrichtungen als Deskriptor verwendet, um die Darstellung und Form von Objekten in den Bildern13, 14 zu charakterisieren. Dieser Ansatz arbeitet mit den lokalen Gitterzellen des Bildes und bietet eine robuste Stabilität bei der Charakterisierung von Bildänderungen unter verschiedenen geometrischen und optischen Bedingungen.

Zhou et al.15 schlugen eine Methode zur direkten Extraktion von Richtungsgradientenmerkmalen aus Bayer-Mode-Bildern vor. Bei diesem Ansatz entfallen zahlreiche Schritte bei der Berechnung des Richtungsgradienten, indem die Farbfilterspalte mit dem Gradientenoperator abgeglichen wird, wodurch der Rechenaufwand für die Bilderkennung des Richtungsgradienten erheblich reduziert wird. Er et al.16 verwendeten das Richtungsgradientenhistogramm als zugrunde liegendes Merkmal und verwendeten den Mittelwert-Clustering-Algorithmus, um Schienenbefestigungen zu klassifizieren und festzustellen, ob die Verbindungselemente defekt sind. Die Erkennungsergebnisse zeigten, dass das Histogramm des orientierten Gradientenmerkmals eine hohe Empfindlichkeit gegenüber Befestigungsfehlern aufwies und den Anforderungen der Eisenbahnwartung und -reparatur entsprach. In einer anderen Studie haben Xu et al.17 Gesichtsbildmerkmale mit Hilfe der Gabor-Wavelet-Filterung vorverarbeitet und die Dimension der Merkmalsvektoren durch binäre Kodierung und den HOG-Algorithmus reduziert. Die durchschnittliche Erkennungsgenauigkeit des Verfahrens liegt bei 92,5 %.

Die Support Vector Machine (SVM)18 wird verwendet, um den Vektor in einen hochdimensionalen Raum abzubilden und eine trennende Hyperebene mit einer geeigneten Richtung zu etablieren, um den Abstand zwischen zwei parallelen Hyperebenen zu maximieren. Dies ermöglicht die Klassifizierung von Stützvektoren19. Wissenschaftler haben diese Klassifikationstechnologie verbessert und optimiert, was zu ihrer Anwendung in verschiedenen Bereichen wie der Bilderkennung20,21, der Textklassifizierung22, der Zuverlässigkeitsvorhersage23 und der Fehlerdiagnose24 geführt hat.

Li et al.25 entwickelten ein zweistufiges SVM-Modell zur Erkennung von seismischen Versagensmustern, das sich auf drei seismische Versagensmodi konzentriert. Die Analyseergebnisse deuten darauf hin, dass die vorgeschlagene zweistufige SVM-Methode eine Genauigkeit von mehr als 90 % für die drei Fehlermodi erreichen kann. Yang et al.26 integrierten einen Optimierungsalgorithmus in das SVM, um die Beziehung zwischen den fünf Ultraschallparametern und der Spannung des belasteten Betons zu simulieren. Die Leistung einer nicht optimierten SVM ist unbefriedigend, insbesondere in der Low-Stress-Phase. Das Durchlaufen des durch den Algorithmus optimierten Modells führt jedoch zu besseren Ergebnissen, wenn auch mit langen Rechenzeiten. Im Vergleich dazu reduziert die für die Partikelschwarmoptimierung optimierte SVM die Rechenzeit erheblich und liefert gleichzeitig optimale Simulationsergebnisse. Yan et al.27 setzten die SVM-Technologie ein und führten eine präzisionsunempfindliche Verlustfunktion ein, um den Elastizitätsmodul von hochfestem Beton vorherzusagen und seine Vorhersagegenauigkeit mit dem traditionellen Regressionsmodell und dem neuronalen Netzwerkmodell zu vergleichen. Die Forschungsergebnisse zeigen, dass die SVM-Technologie im Vergleich zu anderen Methoden einen geringeren Vorhersagefehler für den Elastizitätsmodul erzeugt.

In dieser Arbeit werden Bildproben von Beton unter verschiedenen Schwingungszuständen gesammelt und die verschiedenen Zustände des Betons mit Hilfe der Richtungsgradienten-Histogramm-Technik beschrieben. Der Richtungsgradient wird als Merkmalsvektor für das Training des SVM verwendet, und die Studie konzentriert sich auf die Durchführbarkeit der Verwendung der Richtungsgradienten-Histogramm-SVM-Technologie zur Identifizierung des Schwingungszustands von Beton. Darüber hinaus analysiert die Arbeit den Einflussmechanismus zwischen drei Schlüsselparametern - Binarisierungsschwelle, statistische Blockgröße des Richtungsgradienten und Anzahl des statistischen Intervalls des Richtungsgradienten - im Merkmalsextraktionsprozess des Richtungsgradientenhistogramms und der Erkennungsgenauigkeit der SVM.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

1. Konkrete Beispielbildaufnahme

  1. Transportieren Sie den Beton zum Arbeitsplatz, wo er mit dem Pumpenwagen gegossen wird.
  2. Um Bilder aufzunehmen, schalten Sie die Aufnahmeausrüstung ein, indem Sie den Ein-/Ausschalter nach rechts bewegen und in die Position ON drehen. Stellen Sie den Modusknopf der Kamera auf den grünen Automatikmodus ein, stellen Sie sicher, dass das Kameraobjektiv parallel zur Betonoberfläche ist, und drücken Sie den Auslöser. Erfassen Sie 20 Bildproben von nicht vibriertem Beton und speichern Sie sie im .jpg Format mit einer Aufnahmeauflösung von 1024 x 1024 Pixeln, wie in Abbildung 1 dargestellt.
  3. Setzen Sie den Rüttelteil des Betonrüttelgerätes (steckbare Betonrüttelstange) in den Beton ein. Schließen Sie die Stromversorgung an und schalten Sie dann das Betonvibrationsgerät ein, indem Sie es in die Position ON stellen.
  4. Wenn die Oberfläche des Betons zusammenbricht (verursacht durch die Vibrationen, die Luft in den Beton abgeben, was zum Absinken von Oberflächenzuschlagstoffen führt, um die Lücken zu füllen, was zum Einsturz des Betons führt) und etwas Zementschlamm erscheint, halten Sie das Kameraobjektiv parallel zur Betonoberfläche und drücken Sie den Auslöser. Sammeln Sie 20 Bildproben von vibrierendem Beton, wie in Abbildung 2 dargestellt.
  5. Betreiben Sie das Vibrationsgerät weiter. Wenn es keinen offensichtlichen Kollaps auf der Betonoberfläche gibt, keine Zementschlämme auftritt und keine Blasen entstehen, stoppen Sie den Vibrationsprozess und erfassen Sie 20 Bildproben von Rüttelbeton, wie in Abbildung 3 dargestellt.

2. Beispiel für eine graue Binarisierung des Bildes

  1. Verwenden Sie die Funktion imread() der MATLAB-Software, um die .jpg Datei als Einheitsformatdaten von 1024 Pixel x 1024 Pixel x 3 Farbkanälen zu lesen, die die Rot-, Grün- und Blaukanalwerte des Bildes darstellen.
  2. Wenden Sie als Nächstes die MATLAB-Funktion rgb2gray an, um das Bild in Graustufen zu konvertieren, die durch den Grauwert des Formats = rgb2gray (jpg-Dateiname) gekennzeichnet sind. Berechnen Sie den Grauwert jedes Pixels gemäß Gleichung (1) und speichern Sie den Grauwert als unit8-Formatdaten von 1024 x 1024.
    GR(i,j) = 0,2989R(i,j) + 0,587G(i,j) + 0,114B(i,j) (1)
    Dabei ist GR(i,j) der Grauwert des Pixelpunktes, R(i,j) der Rotkanalwert des Pixelpunktes, G(i,j) der Grünkanalwert des Pixelpunkts und B(i,j) der Blaukanalwert des Pixelpunkts.
  3. Ändern Sie den Binärwert der Grauwerte, die größer als der Pixelschwellenwert θ sind, auf 1 und setzen Sie den Binärwert der Grauwerte kleiner als das θ-Pixel auf 0.
  4. Nachdem Sie die binarisierten grauen Ergebnisse erhalten haben, speichern Sie das Ergebnis als Daten im logischen Format 1024 x 1024. In diesem Fall stellt θ den Binarisierungsschwellenwert dar, und seine Werte sind 50, 100, 150 und 200 für Betonprobenbilder mit unterschiedlichen Schwingzuständen, wie in Abbildung 5, Abbildung 6 und Abbildung 7 dargestellt.

3. Berechnung des Eigenwerts des Richtungsgradienten

  1. Berechnen Sie den horizontalen und vertikalen binären Farbverlauf jedes Pixels im Bild mit der folgenden Gleichung28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    wobei Th der horizontale binarisierte Farbverlauf, Tp der vertikale binarisierte Farbverlauf, R die binarisierten logischen Formatdaten, x die Zeilennummer der binarisierten Matrix und y die Spaltennummer der binarisierten Matrix ist.
  2. Berechnen Sie die binäre Gradientenrichtung und -größe jedes Punktes mit der folgenden Gleichung29
    figure-protocol-1
    wobei T die Größe des binären Farbverlaufs, αT die Richtung des binären Farbverlaufs, Th der horizontale binäre Farbverlauf und Tp der vertikale binäre Farbverlauf ist.
  3. Bestimmen Sie die Größe des Bildsegmentierungsblocks, der als n bezeichnet wird, wobei der Wert von n [ 1,9] ist. Legen Sie die Segmentierungslinie für jedes n Pixel in y-Richtung entlang der x-Richtung fest, wodurch das Bild basierend auf der Position der Segmentierungslinie effektiv in n x n quadratische Blöcke unterteilt wird. Alle Teile des Bildes, die keine vollständigen quadratischen Blöcke bilden können, werden dann entfernt.
  4. Unterteilen Sie die binäre Gradientenrichtung αT (der Wert der binären Gradientenrichtung αT ist [ 0°, 360°]) in m Teile, was zu statistischen Winkelintervallen für m Richtungsgradienten führt. Fahren Sie mit der Berechnung des statistischen Gradientenwerts für das statistische Gradientenwinkelintervall jedes Blocks fort.
    1. Klassifizieren Sie die Pixel basierend auf der binären Verlaufsrichtung jedes Pixels im Block in das entsprechende statistische Gradientenwinkelintervall jeder Richtung.
    2. Summieren Sie den binären Farbverlauf der Pixel im statistischen Gradientenwinkelintervall jeder Richtung gegen den Uhrzeigersinn, um den statistischen Gradientenwert dieses Intervalls zu erhalten. Die erhaltenen Ergebnisse für die gerichtete Gradientenstatistik des statistischen Winkelintervalls sind in Abbildung 8, Abbildung 9 und Abbildung 10 für Blockgrößen n gleich 8, 128 bzw. 512 dargestellt.

4. Konstruieren eines Richtungsgradienten-Feature-Vektors

  1. Unterteilen Sie die Stichproben in erforderliche Berechnungsbereiche, wobei jeder Berechnungsbereich aus vier benachbarten Blöcken besteht, die auf den in Schritt 3.3 erhaltenen Blockergebnissen basieren. Bei einer Auflösung von 16 x 16 Pixeln und einer Blockgröße von 4 x 4 wird das Bild in (16 / 4-1) x ( 16 / 4-1 ) = 9 Berechnungsbereiche unterteilt.
  2. Berechnen Sie den statistischen Wert des Richtungsgradienten innerhalb des Winkelintervalls der Gradientenstatistik jedes Blocks im Berechnungsbereich. Rufen Sie anschließend den Feature-Vektor mit der Richtungsgradientenstatistik als Komponente ab.
  3. Kombinieren Sie die Richtungsverlaufs-Feature-Vektoren aus jedem Berechnungsbereich, um den Richtungsgradienten-Feature-Vektor des Bildes zu erhalten.

5. SVM-Schulung

  1. Wählen Sie nach dem Zufallsprinzip 42 Proben aus den drei Schwingungszuständen aus, um die Trainingsgruppe zu erstellen, und lassen Sie die restlichen 18 Proben als Testgruppe.
  2. Nutzen Sie die fitcecoc-Funktion von MATLAB für das SVM-Training. Das Format ist
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    Dabei ist SVM die zu trainierende Support-Vektor-Maschine, trainingFeatures ist der Richtungsgradienten-Feature-Vektor der Trainingsgruppe und Trainingeigenvalue ist der charakteristische Wert des Vibrationszustands der Trainingsgruppe. Die Kennwerte des Schwingungszustandes der nicht vibrierten Beton-, Vibrationsbeton- und Rüttelbetonproben sind 1, 2 bzw. 3.
  3. Speichern Sie die trainierte SVM mit der Funktion Speichern im .mat-Format.

6. Überprüfung der Genauigkeit der SVM-Erkennung

  1. Geben Sie mithilfe der Vorhersagefunktion von MATLAB den Richtungsgradienten-Feature-Vektor des Musterbildes der Testgruppe in die trainierte SVM ein, um den berechneten Wert des Schwingungszustandsmerkmals für jede Testprobe zu erhalten. Das Format ist wie folgt:
    testgroupcalculateseigenvalues = vorhersagen (SVM, testFeature)
    Dabei ist TestGroupCalculatesEigenValues der berechnete Wert der Schwingungszustandsfunktion und SVM die in Schritt 5 trainierte Support-Vektor-Maschine. testFeature ist der Richtungsgradienten-Feature-Vektor des Beispielbilds der Testgruppe.
  2. Ermitteln Sie die Ergebnisse der Testsatz-Sample-Erkennung, indem Sie den Testsatz in die trainierte SVM einspeisen. Zählen Sie die Anzahl der Stichproben, für die die Testsatzerkennungsergebnisse mit dem tatsächlichen Zustand übereinstimmen, und berechnen Sie dann die Erkennungsgenauigkeit, indem Sie die Anzahl der richtigen Stichproben durch die Gesamtzahl der Testsatzstichproben dividieren.
    1. Wenn die Genauigkeit der Testerkennung höher als 94 % ist, betrachten Sie die SVM-Erkennung als effektiv. Wenn sie kleiner als 94 % ist, kehren Sie zu Schritt 1.1 zurück und passen Sie den Binarisierungsschwellenwert, die Blockgröße n und die Anzahl der gerichteten Gradientenintervalle m an.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Dieses Protokoll zielt darauf ab, zu analysieren, wie sich die Drei-Vektor-Berechnungsparameter des Richtungsgradientenmerkmals auf die Genauigkeit der SVM bei der Identifizierung des Betonschwingungszustands auswirken. Zu den primären Berechnungsparametern des Richtungsgradienten-Feature-Vektors gehören die statistische Blockgröße des Richtungsgradienten, die Anzahl der gerichteten Gradienten-Winkelintervalle und der binäre graue Schwellenwert. In diesem Abschnitt werden drei Hauptberechnungsparameter als Variablen verw...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

In dieser Arbeit wird die Support Vector Machine (SVM) verwendet, um die Bildeigenschaften verschiedener Betonschwingungszustandsproben zu erlernen. Basierend auf den Ergebnissen des maschinellen Lernens wird eine konkrete Methode zur Erkennung von Schwingungszuständen auf Basis von Bilderkennung vorgeschlagen. Um die Erkennungsgenauigkeit zu erhöhen, ist es entscheidend, die Parameter der drei Schlüsselschritte zu kontrollieren: Bildsegmentierung, Bildbinarisierung und Richtungsgradienten-Eigenwertextraktion. Entspreche...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben nichts zu verraten.

Danksagungen

Wir danken dem Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) für die Finanzierung dieser Arbeit.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
KameraSONYA6000Die Sensorgröße beträgt 23,5 x 15,6 mm, die maximale Aufnahmeauflösung 1440 * 1080 und das effektive Pixel 24,3 Millionen.
BetonWuhan Construction Changxin Technology Development Co., Ltd.C30 Pumpen von BetonGemäß der Norm "Betonfestigkeitsprüf- und Bewertungsnorm" (GB / T 50107-2010) beträgt der Standardwert der kubischen Druckfestigkeit 30 MPa beim Pumpen von Beton.
MatlabMathWorksvon Matlab R2017abietet Entwicklungswerkzeuge zur Verbesserung der Codequalität, der Wartbarkeit und der Maximierung der Leistung.
Sie bietet Werkzeuge zum Erstellen von Anwendungen mit benutzerdefinierten grafischen Oberflächen.
Sie bietet Werkzeuge zum Kombinieren von MATLAB-basierten Algorithmen mit externen Anwendungen und Sprachen
Prozessor IntelIntel(R) Core (TM) i7-12700H der 12. Generation @ 2,30 GHz64-Bit-Win11-Prozessor 
Die Programmierschnittstelle

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Weitere Artikel entdecken

Direktionales GradientenhistogrammMerkmalsextraktionAnalyse des VibrationszustandsErkennungsgenauigkeitMaschinelles LernenBildsegmentierungParameteroptimierung
Bilderkennung und Parameteranalyse des Betonschwingungszustandes auf Basis der Support Vector Machine
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.