Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Reconocimiento de imágenes y análisis de parámetros del estado de vibración del hormigón basado en la máquina de vectores de soporte

2.1K visualizaciones

⸱

DOI:

10.3791/65731

⸱

5 de enero de 2024

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

En este artículo

Resumen

El protocolo descrito en este artículo utiliza la técnica de histograma de gradiente direccional para extraer las características de muestras de imágenes concretas bajo varios estados de vibración. Emplea una máquina de vectores de soporte para el aprendizaje automático, lo que da como resultado un método de reconocimiento de imágenes con requisitos mínimos de muestra de entrenamiento y bajas demandas de rendimiento informático.

Resumen

En este artículo, se emplea la tecnología de histograma de gradiente direccional para extraer las características de muestras de imágenes concretas capturadas bajo diferentes estados de vibración. La máquina de vectores de soporte (SVM) se utiliza para aprender la relación entre las características de la imagen y el estado de vibración. Los resultados del aprendizaje automático se utilizan posteriormente para evaluar la viabilidad del estado de vibración del hormigón. Simultáneamente, se analiza el mecanismo de influencia de los parámetros de cálculo del histograma de gradiente direccional en la precisión del reconocimiento. Los resultados demuestran la viabilidad de utilizar la tecnología de histograma de gradiente direccional-SVM para identificar el estado de vibración del hormigón. La precisión del reconocimiento aumenta inicialmente y luego disminuye a medida que aumenta el tamaño del bloque del gradiente direccional o el número de intervalos estadísticos. La precisión del reconocimiento también disminuye linealmente con el aumento del umbral de binarización. Mediante el uso de imágenes de muestra con una resolución de 1024 píxeles x 1024 píxeles y la optimización de los parámetros de extracción de características, se puede lograr una precisión de reconocimiento del 100%.

Introducción

El hormigón es un material de construcción fundamental muy utilizado en la industria de la construcción. Durante el bombeo, el hormigón con frecuencia desarrolla huecos que requieren compactación a través de la vibración. Una vibración inadecuada puede dar lugar a una superficie de hormigón en forma de panal, mientras que una vibración excesiva puede provocar la segregación del hormigón 1,2. La calidad de la operación de vibración afecta significativamente la resistencia 3,4,5,6 y la durabilidad de las estructuras de hormigón conformado 7,8. Cai et al.9,10 realizaron un estudio que combinó la investigación experimental con el análisis numérico para investigar el mecanismo de influencia de la vibración en el asentamiento de los áridos y la durabilidad del hormigón. Los hallazgos revelaron que el tiempo de vibración y las partículas agregadas ejercen un impacto sustancial en el asentamiento de agregados, mientras que la densidad agregada y la viscosidad plástica del material a base de cemento tienen efectos mínimos. La vibración provoca la deposición de agregados en la parte inferior de las muestras de hormigón. Además, a medida que aumenta el tiempo de vibración, la concentración de iones cloruro disminuye en la parte inferior de las probetas de hormigón, mientras que aumenta significativamente en la parte superior 9,10.

En la actualidad, la evaluación del estado de vibración del hormigón se basa principalmente en el juicio manual. A medida que la industria de la construcción continúa progresando a través de reformas inteligentes, las operaciones robóticas han surgido como la dirección futura11,12. En consecuencia, un desafío crucial en las operaciones de vibración inteligente es cómo permitir que los robots identifiquen el estado de vibración del hormigón.

El histograma del gradiente orientado es una técnica que utiliza el gradiente de intensidad de píxeles o la distribución de direcciones de borde como descriptor para caracterizar la representación y forma de los objetos en las imágenes 13,14. Este enfoque opera en las celdas de la cuadrícula local de la imagen, lo que proporciona una estabilidad sólida en la caracterización de los cambios de imagen en diversas condiciones geométricas y ópticas.

Zhou et al.15 propusieron un método para extraer directamente características de gradiente direccional de imágenes en modo Bayer. Este enfoque omite numerosos pasos en el cálculo del gradiente direccional al hacer coincidir la columna de filtro de color con el operador de gradiente, lo que reduce significativamente los requisitos computacionales para el reconocimiento de imágenes de gradiente direccional. He et al.16 utilizaron el histograma de gradiente direccional como característica subyacente y emplearon el algoritmo de agrupamiento de medias para clasificar los sujetadores de riel y determinar si los sujetadores están defectuosos. Los resultados del reconocimiento indicaron que el histograma de la característica de gradiente orientado exhibía una alta sensibilidad a los defectos de los sujetadores, satisfaciendo las necesidades de mantenimiento y reparación ferroviaria. En otro estudio, Xu et al.17 preprocesaron las características de las imágenes faciales utilizando el filtrado de ondículas de Gabor y redujeron la dimensión de los vectores de características a través de la codificación binaria y el algoritmo HOG. La precisión media de reconocimiento del método es del 92,5%.

La máquina de vectores de soporte (SVM)18 se utiliza para mapear el vector en un espacio de alta dimensión y establece un hiperplano de separación con una dirección adecuada para maximizar la distancia entre dos hiperplanos paralelos. Esto permite clasificar los vectores de soporte19. Los estudiosos han mejorado y optimizado esta tecnología de clasificación, lo que ha llevado a su aplicación en diversos campos, como el reconocimiento de imágenes20,21, la clasificación de texto22, la predicción de fiabilidad23 y el diagnóstico de fallos24.

Li et al.25 desarrollaron un modelo SVM de dos etapas para el reconocimiento de patrones de fallas sísmicas, centrándose en tres modos de fallas sísmicas. Los resultados del análisis indican que el método SVM de dos etapas propuesto puede lograr una precisión superior al 90% para los tres modos de fallo. Yang et al.26 integraron un algoritmo de optimización con el SVM para simular la relación entre los cinco parámetros ultrasónicos y la tensión del hormigón cargado. El rendimiento de una SVM no optimizada no es satisfactorio, especialmente en la etapa de bajo estrés. Sin embargo, recorrer el modelo optimizado por el algoritmo produce resultados mejorados, aunque con largos tiempos de cálculo. En comparación, la SVM optimizada para la optimización del enjambre de partículas reduce significativamente el tiempo de cálculo al tiempo que ofrece resultados de simulación óptimos. Yan et al.27 emplearon la tecnología SVM e introdujeron una función de pérdida insensible a la precisión para predecir el módulo elástico del hormigón de alta resistencia, comparando su precisión de predicción con el modelo de regresión tradicional y el modelo de red neuronal. Los resultados de la investigación demuestran que la tecnología SVM produce un error de predicción menor para el módulo elástico en comparación con otros métodos.

Este artículo recoge muestras de imágenes de hormigón bajo varios estados de vibración y describe los diferentes estados del hormigón utilizando la técnica de histograma de gradiente direccional. El gradiente direccional se emplea como un vector de características para entrenar el SVM, y el estudio se centra en la viabilidad de utilizar la tecnología de histograma de gradiente direccional-SVM para identificar el estado de vibración del hormigón. Además, el artículo analiza el mecanismo de influencia entre tres parámetros clave (umbral de binarización, tamaño de bloque estadístico de gradiente direccional y número de intervalo estadístico de gradiente direccional) en el proceso de extracción de características del histograma de gradiente direccional y la precisión de reconocimiento de la SVM.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

1. Adquisición de imágenes de muestras concretas

  1. Transportar el hormigón al lugar de trabajo, donde será vertido por el camión bomba.
  2. Para capturar imágenes, encienda el equipo de disparo moviendo el interruptor de la tecla de encendido hacia la derecha y girándolo a la posición ON . Ajuste la perilla de modo de la cámara al modo automático verde, asegurándose de que la lente de la cámara esté paralela a la superficie de concreto, y presione la tecla del obturador. Capture 20 muestras de imágenes de hormigón no vibrado, guardándolas en formato .jpg con una resolución de adquisición de 1024 x 1024 píxeles, como se ilustra en la Figura 1.
  3. Inserte la parte vibratoria del equipo de vibración de hormigón (varilla vibratoria de hormigón enchufable) en el hormigón. Conecte la fuente de alimentación y, a continuación, encienda el equipo de vibración de hormigón colocándolo en la posición ON .
  4. Cuando hay algún colapso en la superficie del concreto (causado por la vibración que descarga el aire dentro del concreto, lo que lleva al hundimiento de los agregados de la superficie para llenar los huecos, lo que resulta en el colapso del concreto) y aparece algo de lechada de cemento, mantenga la lente de la cámara paralela a la superficie del concreto y presione la tecla del obturador. Recoja 20 muestras de imágenes de concreto vibrante, como se muestra en la Figura 2.
  5. Continúe operando el equipo de vibración. Cuando no hay un colapso obvio en la superficie del concreto, no aparece lechada de cemento y no se generan burbujas, detenga el proceso de vibración y capture 20 muestras de imágenes de concreto vibrado, como se muestra en la Figura 3.

2. Binarización de grises de imagen de muestra

  1. Utilice la función imread() del software MATLAB para leer el archivo .jpg como los datos de formato de unidad de 1024 píxeles x 1024 píxeles x 3 canales de color, que representan los valores de canal rojo, verde y azul de la imagen.
  2. A continuación, aplique la función rgb2gray de MATLAB para convertir la imagen a escala de grises, indicada por el formato gray value = rgb2gray(nombre de archivo jpg). Calcule el valor de gris de cada píxel de acuerdo con la ecuación (1) y guarde el valor de gris como los datos de formato unit8 de 1024 x 1024.
    GR(i,j) = 0,2989R(i,j) + 0,587G(i,j) + 0,114B(i,j) (1)
    donde, GR(i,j) es el valor de gris del punto de píxel, R(i,j) es el valor del canal rojo del punto de píxel, G(i,j) es el valor del canal verde del punto de píxel y B(i,j) es el valor del canal azul del punto de píxel.
  3. Modifique el valor binario de los valores de gris mayores que el umbral de píxeles θ en 1 y establezca el valor binario de los valores de gris menores que el píxel θ en 0.
  4. Después de obtener los resultados de gris binarizado, guarde el resultado como datos de formato lógico de 1024 x 1024. En este caso, θ representa el umbral de binarización y sus valores son 50, 100, 150 y 200 para diferentes imágenes de muestra concretas en estado de vibración, como se muestra en la Figura 5, la Figura 6 y la Figura 7.

3. Cálculo del valor propio del gradiente direccional

  1. Calcule el gradiente binario horizontal y vertical de cada píxel de la imagen utilizando la siguiente ecuación28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    donde Th es el gradiente binarizado horizontal, Tp es el gradiente binarizado vertical, R son los datos de formato lógico binarizados, x es el número de fila de la matriz binarizada e y es el número de columna de la matriz binarizada.
  2. Calcule la dirección y el tamaño del gradiente binario de cada punto usando la siguiente ecuación29
    figure-protocol-1
    donde T es el tamaño del gradiente binario, αT es la dirección del gradiente binario, Th es el gradiente binario horizontal y Tp es el gradiente binario vertical.
  3. Determine el tamaño del bloque de segmentación de imágenes, denotado como n, donde el valor de n es [ 1,9]. Establezca la línea de segmentación para cada n píxel en la dirección y a lo largo de la dirección x, dividiendo efectivamente la imagen en n x n bloques cuadrados en función de la posición de la línea de segmentación. A continuación, se eliminan las partes de la imagen que no puedan formar bloques cuadrados completos.
  4. Divida la dirección del gradiente binario αT (el valor de la dirección del gradiente binario αT es [ 0°, 360°]) en m partes, lo que da como resultado m intervalos de ángulo estadístico de gradiente direccional. Proceda a calcular el valor estadístico de gradiente para el intervalo de ángulo estadístico de gradiente de cada bloque.
    1. En función de la dirección de gradiente binario de cada píxel del bloque, clasifique los píxeles en el intervalo de ángulo estadístico de gradiente adecuado de cada dirección.
    2. Sume el gradiente binario de los píxeles en el intervalo de ángulo estadístico de gradiente de cada dirección en sentido contrario a las agujas del reloj para obtener el valor estadístico de gradiente de ese intervalo. Los resultados obtenidos para las estadísticas de gradiente direccional del intervalo de ángulo estadístico de gradiente se representan en la Figura 8, la Figura 9 y la Figura 10 para tamaños de bloque n iguales a 8, 128 y 512, respectivamente.

4. Construcción de vector de características de gradiente direccional

  1. Divida las muestras en áreas de cálculo requeridas, donde cada área de cálculo consta de cuatro bloques adyacentes en función de los resultados de bloques obtenidos en el paso 3.3. Por ejemplo, considerando píxeles de resolución de 16 x 16 y un tamaño de bloque de 4 x 4, la imagen se divide en (16 / 4-1) x (16 / 4-1) = 9 áreas de cálculo.
  2. Calcule el valor estadístico del gradiente direccional dentro del intervalo de ángulo de las estadísticas de gradiente de cada bloque en el área de cálculo. Posteriormente, obtenga el vector de características con las estadísticas de gradiente direccional como componente.
  3. Combine los vectores de entidades de degradado direccional de cada área de cálculo para obtener el vector de entidades de degradado direccional de la imagen.

5. Formación SVM

  1. Seleccione aleatoriamente 42 muestras de los tres estados de vibración para crear el grupo de entrenamiento, dejando las 18 muestras restantes como grupo de prueba.
  2. Utilizar la función fitcecoc de MATLAB para el entrenamiento de SVM; El formato es
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    donde SVM es la máquina de vectores de soporte que se va a entrenar, trainingFeatures es el vector de características de gradiente direccional de la imagen del grupo de entrenamiento y Trainingeigenvalue es el valor característico del estado de vibración del grupo de entrenamiento. Los valores característicos del estado de vibración de las muestras de hormigón no vibrado, hormigón vibrante y hormigón vibrado son 1, 2 y 3, respectivamente.
  3. Guarde la SVM entrenada mediante la función Guardar en formato .mat.

6. Verificación de la precisión del reconocimiento de SVM

  1. Con la función de predicción de MATLAB, introduzca el vector de características de gradiente direccional de la imagen de muestra del grupo de prueba en la SVM entrenada para obtener el valor calculado de la característica de estado de vibración para cada muestra de prueba. El formato es el siguiente:
    testgroupcalculateseigenvalues = predict (SVM, testFeature)
    donde testgroupcalculateseigenvalues es el valor calculado de la entidad de estado de vibración y SVM es la máquina de vectores de soporte entrenada en el paso 5. testFeature es el vector de características de gradiente direccional de la imagen de ejemplo del grupo de prueba.
  2. Determine los resultados del reconocimiento de muestras del conjunto de pruebas introduciendo el conjunto de pruebas en la SVM entrenada. Cuente el número de muestras para las que los resultados del reconocimiento del conjunto de pruebas coinciden con el estado real y, a continuación, calcule la precisión del reconocimiento dividiendo el número de muestras correctas por el número total de muestras del conjunto de pruebas.
    1. Si la precisión del reconocimiento de la prueba es superior al 94 %, considere que el reconocimiento de SVM es eficaz. Si es inferior al 94 %, vuelva al paso 1.1 y ajuste el umbral de binarización, el tamaño del bloque n y el número de intervalos estadísticos de gradiente direccional m.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Este protocolo tiene como objetivo analizar cómo los parámetros de cálculo de tres vectores de la característica de gradiente direccional afectan la precisión de la SVM en la identificación del estado de vibración del hormigón. Los parámetros de cálculo principales del vector de entidades de gradiente direccional incluyen el tamaño del bloque estadístico de gradiente direccional, el número de intervalos de ángulo estadístico de gradiente direccional y el umbral de gris binario. En esta sección se utilizan tres parámetros...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Este artículo utiliza la máquina de vectores de soporte (SVM) para aprender las características de la imagen de varias muestras de estado de vibración del hormigón. Sobre la base de los resultados del aprendizaje automático, se propone un método concreto de reconocimiento del estado de vibración basado en el reconocimiento de imágenes. Para mejorar la precisión del reconocimiento, es crucial controlar los parámetros de los tres pasos clave: segmentación de imágenes, binarización de imágenes y extracción de valores propio...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen nada que revelar.

Agradecimientos

Agradecemos al Proyecto Anual de Investigación Científica (NO.7) del Grupo de Construcción Urbana de Wuhan 2023 por financiar este trabajo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
cámaraSONYA6000El tamaño del sensor es de 23,5x15,6 mm, la resolución máxima de adquisición es de 1440 * 1080 y el píxel efectivo es de 24,3 millones.
hormigónWuhan Construcción Changxin Technology Development Co., Ltd.Bombeo de hormigón C30De acuerdo con el estándar de 'estándar de evaluación y prueba de resistencia del hormigón' ( GB / T 50107-2010 ), el valor estándar de la resistencia a la compresión cúbica es de 30 MPa de bombeo de hormigón.
MatlabMathWorksMatlab R2017a, la interfaz de programación de MATLAB, proporciona herramientas de desarrollo para mejorar la calidad del código, la capacidad de mantenimiento y maximizar el rendimiento.
Proporciona herramientas para crear aplicaciones utilizando interfaces gráficas personalizadas.
Proporciona herramientas para combinar algoritmos basados en MATLAB con aplicaciones y lenguajes externos
.Procesador IntelIntel(R) Core (TM) i7-12700H de 12.ª generación @ 2.30GHzWin11 de 64 bits 

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Explorar más artículos

Histograma de Gradiente DireccionalExtracción de CaracterísticasAnálisis del Estado de VibraciónPrecisión de ReconocimientoAprendizaje AutomáticoSegmentación de ImágenesOptimización de Parámetros
Reconocimiento de imágenes y análisis de parámetros del estado de vibración del hormigón basado en la máquina de vectores de soporte
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.