הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

זיהוי תמונה וניתוח פרמטרים של מצב רטט בטון המבוסס על מכונת וקטור תמיכה

2.1K צפיות

⸱

DOI:

10.3791/65731

⸱

5 בינואר 2024

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

במאמר זה

סיכום

הפרוטוקול המתואר במאמר זה משתמש בטכניקת היסטוגרמה של שיפוע כיווני כדי לחלץ את המאפיינים של דגימות תמונה קונקרטיות במצבי רטט שונים. היא משתמשת במכונה וקטורית תמיכה ללמידת מכונה, וכתוצאה מכך שיטת זיהוי תמונה עם דרישות אימון מינימליות ודרישות ביצועי מחשב נמוכות.

תקציר

במאמר זה, טכנולוגיית היסטוגרמה של שיפוע כיווני משמשת לחילוץ התכונות של דגימות תמונה קונקרטיות שצולמו תחת מצבי רטט שונים. מכונת וקטור התמיכה (SVM) משמשת ללימוד הקשר בין תכונות התמונה למצב הרטט. תוצאות למידת המכונה משמשות לאחר מכן להערכת ההיתכנות של מצב הרטט הקונקרטי. במקביל, מנגנון ההשפעה של פרמטרי החישוב של היסטוגרמה הדרגתית כיוונית על דיוק הזיהוי מנותח. התוצאות מדגימות את ההיתכנות של שימוש בטכנולוגיית היסטוגרמה של שיפוע כיווני-SVM כדי לזהות את מצב הרטט של בטון. דיוק הזיהוי עולה בתחילה ולאחר מכן יורד ככל שגודל הבלוק של מעבר הצבע הכיווני, או מספר המרווחים הסטטיסטיים גדל. גם דיוק הזיהוי יורד באופן ליניארי עם עליית סף הבינאריות. על ידי שימוש בתמונות לדוגמה ברזולוציה של 1024 פיקסלים x 1024 פיקסלים ומיטוב פרמטרי חילוץ התכונות, ניתן להשיג דיוק זיהוי של 100%.

מבוא

בטון הוא חומר בנייה בסיסי הנמצא בשימוש נרחב בענף הבנייה. במהלך השאיבה, הבטון מפתח לעיתים קרובות חללים הדורשים דחיסה באמצעות רעידות. רעידות לא מספקות עלולות לגרום למשטח בטון חלת דבש, בעוד רעידות מוגזמות עלולות להוביל להפרדת בטון 1,2. איכות פעולת הרטט משפיעה באופן משמעותי על חוזק 3,4,5,6 ועמידות מבני הבטון שנוצרו 7,8. Cai et al.9,10 ערכו מחקר ששילב מחקר ניסיוני עם ניתוח מספרי כדי לחקור את מנגנון ההשפעה של רטט על התיישבות אגרגטים ועמידות בטון. הממצאים גילו כי לזמן הרטט ולחלקיקי האגרגטים יש השפעה מהותית על התיישבות האגרגטים, בעוד שלצפיפות המצרפיים ולצמיגות הפלסטית של החומר הצמנטי יש השפעות מינימליות. רטט גורם לשקיעת אגרגטים בתחתית דגימות הבטון. יתר על כן, ככל שזמן הרטט מתארך, ריכוז יון הכלוריד יורד בתחתית דגימות הבטון תוך עלייה משמעותית ב 9,10 העליון.

כיום, הערכת מצב רטט קונקרטי מסתמכת בעיקר על שיפוט ידני. ככל שענף הבנייה ממשיך להתקדם באמצעות רפורמות חכמות, פעולות רובוטים התגלו ככיוון העתידי11,12. כתוצאה מכך, אתגר מכריע בפעולות רטט חכמות הוא כיצד לאפשר לרובוטים לזהות את מצב הרטט של הבטון.

ההיסטוגרמה של מעבר הצבע המכוון היא טכניקה המשתמשת בשיפוע העוצמה של פיקסלים או בפיזור כיווני הקצוות כמתאר לאפיון הייצוג והצורה של עצמים בתמונות13,14. גישה זו פועלת על תאי הרשת המקומיים של התמונה, ומספקת יציבות איתנה באפיון שינויי תמונה בתנאים גיאומטריים ואופטיים שונים.

Zhou et al.15 הציעו שיטה לחילוץ ישיר של תכונות הדרגתיות כיוונית מתמונות מצב Bayer. גישה זו משמיטה שלבים רבים בחישוב מעבר הצבע הכיווני על-ידי התאמת עמודת מסנן הצבע לאופרטור מעבר הצבע, ובכך מפחיתה באופן משמעותי את הדרישות החישוביות לזיהוי תמונה של מעבר צבע כיווני. הוא ואחרים השתמשו בהיסטוגרמה של שיפוע כיווני כתכונה הבסיסית והשתמשו באלגוריתם האשכולות הממוצע כדי לסווג את מחברי המסילה ולקבוע אם המחברים פגומים. תוצאות הזיהוי הצביעו על כך שההיסטוגרמה של תכונת השיפוע המכוון הפגינה רגישות גבוהה לפגמים במהדק, וענתה על הצרכים של תחזוקת הרכבת ותיקונה. במחקר אחר, Xu et al.17 עיבדו מראש תכונות של תמונות פנים באמצעות סינון גל גאבור והקטינו את הממד של וקטורי תכונות באמצעות קידוד בינארי ואלגוריתם HOG. דיוק הזיהוי הממוצע של השיטה הוא 92.5%.

מכונת וקטור התמיכה (SVM)18 משמשת למיפוי הווקטור למרחב ממדי גבוה ויוצרת היפר-מישור מפריד עם כיוון מתאים כדי למקסם את המרחק בין שני על-מישורים מקבילים. זה מאפשר סיווג של וקטורי תמיכה19. חוקרים שיפרו וייעלו את טכנולוגיית סיווג זו, מה שהוביל ליישומה בתחומים שונים כגון זיהוי תמונה20,21, סיווג טקסט22, חיזוי אמינות23 ואבחון תקלות24.

Li et al.25 פיתחו מודל SVM דו-שלבי לזיהוי דפוסי כשל סייסמי, תוך התמקדות בשלושה מצבי כשל סייסמי. תוצאות הניתוח מצביעות על כך ששיטת ה- SVM הדו-שלבית המוצעת יכולה להשיג דיוק של יותר מ- 90% עבור שלושת מצבי הכשל. Yang et al.26 שילבו אלגוריתם אופטימיזציה עם SVM כדי לדמות את הקשר בין חמשת הפרמטרים העל-קוליים לבין הלחץ של הבטון הטעון. הביצועים של שרת אחסון וירטואלי לא ממוטב אינם משביעי רצון, במיוחד בשלב הלחץ הנמוך. עם זאת, חציית המודל הממוטב על ידי האלגוריתם מניבה תוצאות משופרות, אם כי עם זמני חישוב ארוכים. לשם השוואה, ה-SVM הממוטב לאופטימיזציה של נחיל חלקיקים מקצר משמעותית את זמן החישוב תוך מתן תוצאות סימולציה אופטימליות. Yan et al.27 השתמשו בטכנולוגיית SVM והציגו פונקציית אובדן מדויקת ולא רגישה כדי לחזות את המודולוס האלסטי של בטון בעל חוזק גבוה, תוך השוואת דיוק החיזוי שלו מול מודל הרגרסיה המסורתי ומודל הרשת העצבית. ממצאי המחקר מראים כי טכנולוגיית SVM מייצרת טעות ניבוי קטנה יותר עבור מודולוס אלסטי בהשוואה לשיטות אחרות.

מאמר זה אוסף דוגמאות תמונה של בטון תחת מצבי רטט שונים ומתאר את המצבים השונים של הבטון באמצעות טכניקת היסטוגרמה של שיפוע כיווני. השיפוע הכיווני משמש כווקטור תכונה לאימון ה-SVM, והמחקר מתמקד בכדאיות השימוש בטכנולוגיית היסטוגרמה של שיפוע כיווני-SVM כדי לזהות את מצב הרטט של בטון. בנוסף, המאמר מנתח את מנגנון ההשפעה בין שלושה פרמטרים מרכזיים - סף בינאריזציה, גודל בלוק סטטיסטי של שיפוע כיווני ומספר מרווח סטטיסטי של שיפוע כיווני - בתהליך חילוץ התכונות של היסטוגרמה של שיפוע כיווני ודיוק הזיהוי של שרת אחסון וירטואלי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

1. רכישת תמונה מדגם קונקרטי

  1. הובלת בטון למקום העבודה, שם הוא יישפך על ידי משאית המשאבה.
  2. כדי לצלם תמונות, הפעל את ציוד הצילום על ידי הזזת מתג מקש ההפעלה ימינה והעברתו למצב ON . כוונן את ידית מצב המצלמה למצב אוטומטי ירוק, ודא שעדשת המצלמה מקבילה למשטח הבטון, ולחץ על מקש הצמצם. לכדו 20 דגימות תמונה של בטון לא רוטט, ושמרו אותן בפורמט .jpg ברזולוציית רכישה של 1024 x 1024 פיקסלים, כפי שמודגם באיור 1.
  3. הכניסו את החלק הרוטט של ציוד רטט הבטון (מוט רטט בטון תקע) לתוך הבטון. חבר את ספק הכוח ולאחר מכן הפעל את ציוד רטט הבטון על ידי הגדרתו למצב ON .
  4. כאשר יש התמוטטות כלשהי על פני השטח של הבטון (הנגרמת על ידי רטט הפולט אוויר בתוך הבטון, המוביל לשקיעת אגרגטים פני השטח כדי למלא את הרווחים, וכתוצאה מכך קריסת בטון) ומופיעה מעט בוצה מלטית, יש לשמור את עדשת המצלמה במקביל למשטח הבטון וללחוץ על מקש הצמצם. אספו 20 דגימות תמונה של בטון רוטט, כפי שמוצג באיור 2.
  5. המשך להפעיל את ציוד הרטט. כאשר אין קריסה ברורה על משטח הבטון, לא מופיעה תרחיף צמנטי ולא נוצרות בועות, יש לעצור את תהליך הרטט וללכוד 20 דגימות תמונה של בטון רוטט, כפי שמוצג באיור 3.

2. בינאריזציה אפורה של תמונה לדוגמה

  1. השתמשו בפונקציה imread() של תוכנת MATLAB כדי לקרוא את קובץ .jpg כנתוני תבנית יחידה של 1024 פיקסלים x 1024 פיקסלים x 3 ערוצי צבע, המייצגים את ערכי הערוצים אדום, ירוק וכחול של התמונה.
  2. לאחר מכן, החל את הפונקציה MATLAB rgb2gray כדי להמיר את התמונה לגווני אפור, המסומנים בערך אפור תבנית = rgb2gray (שם קובץ jpg). חשב את הערך האפור של כל פיקסל בהתאם למשוואה (1), ושמור את הערך האפור כנתוני תבנית unit8 של 1024 x 1024.
    GR(i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1)
    כאשר GR(i,j) הוא הערך האפור של נקודת הפיקסל, R(i,j) הוא ערך הערוץ האדום של נקודת הפיקסל, G(i,j) הוא ערך הערוץ הירוק של נקודת הפיקסלים ו- B(i,j) הוא ערך הערוץ הכחול של נקודת הפיקסל.
  3. שנה את הערך הבינארי של ערכי האפור הגדולים מסף הפיקסלים θ ל- 1 והגדר את הערך הבינארי של ערכי האפור הקטן מפיקסל θ ל- 0.
  4. לאחר קבלת התוצאות האפורות הבינאריות, שמור את התוצאה כנתוני תבנית לוגית של 1024 x 1024. במקרה זה, θ מייצג את סף הבינאריות, והערכים שלו הם 50, 100, 150 ו-200 עבור תמונות דגימה קונקרטיות שונות של מצב רטט, כפי שמתואר באיור 5, איור 6 ואיור 7.

3. חישוב ערך עצמי של שיפוע כיווני

  1. חישוב מעבר הצבע הבינארי האופקי והאנכי של כל פיקסל בתמונה באמצעות המשוואה הבאה:28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    כאשר Th הוא השיפוע הבינארי האופקי, Tp הוא השיפוע הבינארי האנכי, R הוא נתוני התבנית הלוגית הבינארית, x הוא מספר השורה של המטריצה הבינארית ו- y הוא מספר העמודה של המטריצה הבינארית.
  2. חישוב הכיוון והגודל של מעבר הצבע הבינארי של כל נקודה באמצעות המשוואה הבאה29
    figure-protocol-1
    כאשר T הוא גודל מעבר הצבע הבינארי, αT הוא כיוון ההדרגתיות הבינארי, Th הוא השיפוע הבינארי האופקי ו- Tp הוא השיפוע הבינארי האנכי.
  3. קבע את גודל גוש פילוח התמונה, המסומן כ- n, כאשר הערך של n הוא [ 1,9]. קבעו את קו הסגמנטציה לכל n פיקסלים בכיוון y לאורך כיוון x, וחלקו למעשה את התמונה ל-n x n בלוקים מרובעים בהתבסס על מיקום קו הסגמנטציה. כל חלקי התמונה שאינם יכולים ליצור גושים מרובעים שלמים יוסרו לאחר מכן.
  4. חלוקת כיוון מעבר צבע בינארי αT (ערך כיוון ההדרגתי הבינארי αT הוא [ 0°, 360°]) לחלקים m, וכתוצאה מכך m כיווני מעבר צבע מרווחים סטטיסטיים. המשך לחשב את הערך הסטטיסטי של מעבר הצבע עבור מרווח הזווית הסטטיסטית של כל בלוק.
    1. בהתבסס על כיוון מעבר הצבע הבינארי של כל פיקסל בגוש, סווגו את הפיקסלים למרווח הזווית הסטטיסטי המתאים של מעבר הצבע של כל כיוון.
    2. סכמו את מעבר הצבע הבינארי של הפיקסלים במרווח הזווית הסטטיסטית של מעבר הצבע של כל כיוון נגד כיוון השעון כדי לקבל את הערך הסטטיסטי של מעבר הצבע של מרווח זה. התוצאות המתקבלות עבור סטטיסטיקות הדרגתיות סטטיסטיות של מעבר צבע של מרווח זווית כיוונית מתוארות באיור 8, איור 9 ואיור 10 עבור גדלי בלוקים n שווים ל- 8, 128 ו- 512, בהתאמה.

4. בניית וקטור תכונת שיפוע כיווני

  1. חלק את הדגימות לאזורי חישוב נדרשים, כאשר כל אזור חישוב מורכב מארבעה בלוקים סמוכים בהתבסס על תוצאות הבלוקים שהתקבלו בשלב 3.3. לדוגמה, בהתחשב בפיקסלים ברזולוציה של 16 x 16 ובגודל בלוק של 4 x 4, התמונה מחולקת ל (16 / 4-1) x ( 16 / 4-1 ) = 9 אזורי חישוב.
  2. חשב את הערך הסטטיסטי של מעבר הצבע הכיווני במרווח זווית של סטטיסטיקת ההדרגתיות של כל בלוק באזור החישוב. לאחר מכן, קבל את וקטור התכונה עם סטטיסטיקת מעבר הצבע הכיווני כרכיב.
  3. שלבו את וקטורי תכונות מעבר הצבע הכיווני מכל אזור חישוב לקבלת וקטור תכונת מעבר הצבע הכיווני של התמונה.

5. הדרכת SVM

  1. בחרו באופן אקראי 42 דגימות משלושת מצבי הרטט כדי ליצור את קבוצת האימון, והשאירו את 18 הדגימות הנותרות כקבוצת הבדיקה.
  2. השתמש בפונקציית fitcecoc של MATLAB לאימון SVM; הפורמט הוא
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    כאשר שרת אחסון וירטואלי הוא מכונת וקטור התמיכה שיש לאמן, trainingFeatures הוא וקטור תכונת השיפוע הכיווני של קבוצת האימון, ו- Trainingeigenvalue הוא הערך האופייני של מצב הרטט של קבוצת האימון. הערכים האופייניים למצב הרטט של בטון לא רוטט, בטון רוטט ובטון רוטט הם 1, 2 ו -3, בהתאמה.
  3. שמור את שרת אחסון וירטואלי שעבר הכשרה באמצעות הפונקציה Save בתבנית .mat.

6. אימות דיוק זיהוי SVM

  1. באמצעות פונקציית החיזוי של MATLAB, הזינו את וקטור תכונת השיפוע הכיווני של תמונת קבוצת הבדיקה לתוך שרת אחסון וירטואלי מאומן כדי לקבל את הערך המחושב של תכונת מצב הרטט עבור כל דגימת בדיקה. הפורמט הוא כדלקמן:
    testgroupcalculateseigenvalues = לחזות (SVM, testFeature)
    כאשר testgroupcalculateseigenvalues הוא הערך המחושב של תכונת מצב הרטט, ו- SVM הוא מכונת וקטור התמיכה שאומנה בשלב 5. testFeature הוא וקטור תכונת מעבר הצבע הכיווני של התמונה לדוגמה של קבוצת הבדיקה.
  2. קבע את תוצאות זיהוי הדגימה של ערכת הבדיקה על-ידי הזנת ערכת הבדיקה לשרת אחסון וירטואלי שהוכשר. ספור את מספר הדגימות שעבורן תוצאות זיהוי ערכת הבדיקה תואמות למצב בפועל, ולאחר מכן חשב את דיוק הזיהוי על-ידי חלוקת מספר הדגימות הנכונות במספר הכולל של דגימות ערכת הבדיקה.
    1. אם דיוק זיהוי הבדיקה גבוה מ- 94%, שקול את זיהוי שרת אחסון וירטואלי כיעיל. אם הוא נמוך מ- 94%, חזור לשלב 1.1 והתאם את סף הבינאריות, גודל הבלוק n ומספר המרווחים הסטטיסטיים של מעבר הצבע הכיווני m.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

פרוטוקול זה נועד לנתח כיצד פרמטרי החישוב התלת-וקטוריים של תכונת השיפוע הכיווני משפיעים על הדיוק של שרת אחסון וירטואלי בזיהוי מצב הרטט הקונקרטי. פרמטרי החישוב העיקריים של וקטור תכונת מעבר הצבע הכיווני כוללים את גודל הבלוק הסטטיסטי של מעבר הצבע הכיווני, מספר מרווחי הזוויות הסטטיסטיות של מעבר הצבע הכיווני וסף האפור הבינארי. סעיף זה משתמש בשלושה פרמטרי חישוב עיקריים כמשתנים לתכנון הבדיקה. רמות פרמטרי הבדיקה מפורטות בטבלה 1. בסך הכל נערכו 100 בדיקות על דגימות תמונה קונקרטיות ברזולוציה של 1024 x 1024 פיקסלים. ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

מאמר זה משתמש במכונת וקטור התמיכה (SVM) כדי ללמוד את תכונות התמונה של דוגמאות שונות של מצבי רטט בטון. בהתבסס על תוצאות למידת המכונה, מוצעת שיטת זיהוי מצב רטט קונקרטית המבוססת על זיהוי תמונה. כדי לשפר את דיוק הזיהוי, חיוני לשלוט בפרמטרים של שלושת השלבים העיקריים: פילוח תמונה, בינאריזציה של תמונה וחילוץ ערך עצמי הדרגתי כיווני. על פי תוצאות הבדיקה, נעשה שימוש בסף בינאריזציה קטן יותר כדי לעבד מראש את תמונת הדגימה הקונקרטית ונעשה שימוש בגודל בלוק פילוח התמונה של 128 פיקסלים x 128 פיקסלים. מספר מעברי הצבע הכיווניים עבור מרווחי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחברים אין מה לחשוף.

תודות

אנו מודים מקרב לב לפרויקט המחקר המדעי השנתי של קבוצת הבנייה העירונית ווהאן 2023 (מס '7) על מימון עבודה זו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מצלמהSONYA6000גודל החיישן הוא 23.5x15.6 מ"מ, רזולוציית הרכישה המקסימלית היא 1440 * 1080, והפיקסל האפקטיבי הוא 24.3 מיליון.
בטוןווהאן בנייה Changxin טכנולוגיה פיתוח ושות', בע"מC30 שאיבת בטוןעל פי התקן של 'תקן בדיקת חוזק בטון והערכה' (GB / T 50107-2010), הערך הסטנדרטי של חוזק דחיסה מעוקב הוא 30 מגה פיקסל שאיבת בטון.
MatlabMathWorksMatlab R2017aממשק התכנות של MATLAB מספק כלי פיתוח לשיפור איכות הקוד, התחזוקה ומקסום הביצועים.
הוא מספק כלים לבניית יישומים באמצעות ממשקים גרפיים מותאמים אישית.
הוא מספק כלים לשילוב אלגוריתמים מבוססי MATLAB עם יישומים ושפות חיצוניות
מעבד מעבד Intel12th Gen Intel(R) Core (TM) i7-12700H @ 2.30GHz64-bit Win11 

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

גלה מאמרים נוספים

היסטוגרמת גרדיאנט כיווניתחילוץ מאפייניםניתוח מצב רעידהדיוק זיהוילמידת מכונהסגמנטציית תמונהאופטימיזציית פרמטרים
זיהוי תמונה וניתוח פרמטרים של מצב רטט בטון המבוסס על מכונת וקטור תמיכה
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.