È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Riconoscimento dell'immagine e analisi dei parametri dello stato di vibrazione del calcestruzzo basato su Support Vector Machine

2.1K visualizzazioni

⸱

DOI:

10.3791/65731

⸱

5 gennaio 2024

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

In questo articolo

Sommario

Il protocollo descritto in questo documento utilizza la tecnica dell'istogramma del gradiente direzionale per estrarre le caratteristiche di campioni di immagini concrete in vari stati di vibrazione. Impiega una macchina vettoriale di supporto per l'apprendimento automatico, risultando in un metodo di riconoscimento delle immagini con requisiti minimi di campioni di addestramento e basse esigenze di prestazioni del computer.

Abstract

In questo articolo, la tecnologia dell'istogramma a gradiente direzionale viene impiegata per estrarre le caratteristiche di campioni di immagini concrete catturate in diversi stati di vibrazione. La macchina a vettori di supporto (SVM) viene utilizzata per apprendere la relazione tra le caratteristiche dell'immagine e lo stato di vibrazione. I risultati dell'apprendimento automatico vengono successivamente utilizzati per valutare la fattibilità dello stato di vibrazione del calcestruzzo. Contemporaneamente, viene analizzato il meccanismo di influenza dei parametri di calcolo dell'istogramma del gradiente direzionale sull'accuratezza del riconoscimento. I risultati dimostrano la fattibilità dell'utilizzo della tecnologia dell'istogramma del gradiente direzionale-SVM per identificare lo stato di vibrazione del calcestruzzo. L'accuratezza del riconoscimento inizialmente aumenta e poi diminuisce all'aumentare della dimensione del blocco del gradiente direzionale o del numero di intervalli statistici. Anche l'accuratezza del riconoscimento diminuisce linearmente con l'aumentare della soglia di binarizzazione. Utilizzando immagini campione con una risoluzione di 1024 pixel x 1024 pixel e ottimizzando i parametri di estrazione delle feature, è possibile ottenere una precisione di riconoscimento del 100%.

Introduzione

Il calcestruzzo è un materiale da costruzione fondamentale ampiamente utilizzato nel settore delle costruzioni. Durante il pompaggio, il calcestruzzo sviluppa spesso vuoti che richiedono la compattazione attraverso le vibrazioni. Vibrazioni inadeguate possono provocare una superficie in calcestruzzo a nido d'ape, mentre vibrazioni eccessive possono portare alla segregazione del calcestruzzo 1,2. La qualità del funzionamento a vibrazione influisce in modo significativo sulla resistenza 3,4,5,6 e sulla durata delle strutture in calcestruzzo formate 7,8. Cai et al.9,10 hanno condotto uno studio che ha combinato la ricerca sperimentale con l'analisi numerica per indagare il meccanismo di influenza delle vibrazioni sul cedimento degli aggregati e sulla durabilità del calcestruzzo. I risultati hanno rivelato che il tempo di vibrazione e le particelle di aggregato esercitano un impatto sostanziale sulla sedimentazione dell'aggregato, mentre la densità dell'aggregato e la viscosità plastica del materiale a base di cemento hanno effetti minimi. Le vibrazioni provocano la deposizione di aggregati sul fondo dei provini di calcestruzzo. Inoltre, all'aumentare del tempo di vibrazione, la concentrazione di ioni cloruro diminuisce nella parte inferiore dei provini di calcestruzzo mentre aumenta significativamente nella parte superiore 9,10.

Attualmente, la valutazione dello stato vibrazionale del calcestruzzo si basa prevalentemente sul giudizio manuale. Mentre l'industria delle costruzioni continua a progredire attraverso riforme intelligenti, le operazioni robotiche sono emerse come la direzione futura11,12. Di conseguenza, una sfida cruciale nelle operazioni di vibrazione intelligente è come consentire ai robot di identificare lo stato di vibrazione del calcestruzzo.

L'istogramma del gradiente orientato è una tecnica che utilizza il gradiente di intensità dei pixel o la distribuzione delle direzioni dei bordi come descrittore per caratterizzare la rappresentazione e la forma degli oggetti nelle immagini13,14. Questo approccio opera sulle celle della griglia locale dell'immagine, fornendo una solida stabilità nella caratterizzazione dei cambiamenti dell'immagine in varie condizioni geometriche e ottiche.

Zhou et al.15 hanno proposto un metodo per estrarre direttamente le caratteristiche del gradiente direzionale dalle immagini in modalità Bayer. Questo approccio omette numerosi passaggi nel calcolo del gradiente direzionale facendo corrispondere la colonna del filtro colore con l'operatore gradiente, riducendo in modo significativo i requisiti computazionali per il riconoscimento dell'immagine del gradiente direzionale. He et al.16 hanno utilizzato l'istogramma del gradiente direzionale come caratteristica sottostante e hanno impiegato l'algoritmo di clustering medio per classificare gli elementi di fissaggio delle rotaie e determinare se gli elementi di fissaggio sono difettosi. I risultati del riconoscimento hanno indicato che l'istogramma della caratteristica del gradiente orientato mostrava un'elevata sensibilità ai difetti degli elementi di fissaggio, soddisfacendo le esigenze di manutenzione e riparazione ferroviaria. In un altro studio, Xu et al.17 hanno pre-elaborato le caratteristiche dell'immagine del volto utilizzando il filtro wavelet di Gabor e hanno ridotto la dimensione dei vettori delle caratteristiche attraverso la codifica binaria e l'algoritmo HOG. L'accuratezza media di riconoscimento del metodo è del 92,5%.

La macchina a vettori di supporto (SVM)18 viene utilizzata per mappare il vettore in uno spazio ad alta dimensione e stabilisce un iperpiano di separazione con una direzione adatta per massimizzare la distanza tra due iperpiani paralleli. Ciò consente di classificare i vettori di supporto19. Gli studiosi hanno migliorato e ottimizzato questa tecnologia di classificazione, portandola ad applicarsi in vari campi come il riconoscimento delle immagini20,21, la classificazione del testo22, la previsione dell'affidabilità23 e la diagnosi dei guasti24.

Li et al.25 hanno sviluppato un modello SVM a due stadi per il riconoscimento del modello di cedimento sismico, concentrandosi su tre modalità di cedimento sismico. I risultati dell'analisi indicano che il metodo SVM a due stadi proposto può raggiungere un'accuratezza superiore al 90% per le tre modalità di guasto. Yang et al.26 hanno integrato un algoritmo di ottimizzazione con l'SVM per simulare la relazione tra i cinque parametri ultrasonici e la sollecitazione del calcestruzzo caricato. Le prestazioni di una SVM non ottimizzata sono insoddisfacenti, in particolare nella fase a basso stress. Tuttavia, l'attraversamento del modello ottimizzato dall'algoritmo produce risultati migliori, anche se con lunghi tempi di calcolo. In confronto, l'SVM ottimizzato per l'ottimizzazione dello sciame di particelle riduce significativamente il tempo di calcolo, fornendo al contempo risultati di simulazione ottimali. Yan et al.27 hanno utilizzato la tecnologia SVM e hanno introdotto una funzione di perdita insensibile alla precisione per prevedere il modulo elastico del calcestruzzo ad alta resistenza, confrontando la sua accuratezza di previsione con il modello di regressione tradizionale e il modello di rete neurale. I risultati della ricerca dimostrano che la tecnologia SVM produce un errore di previsione minore per il modulo elastico rispetto ad altri metodi.

Questo documento raccoglie campioni di immagini di calcestruzzo in vari stati di vibrazione e descrive i diversi stati del calcestruzzo utilizzando la tecnica dell'istogramma del gradiente direzionale. Il gradiente direzionale viene impiegato come vettore di caratteristiche per l'addestramento dell'SVM e lo studio si concentra sulla fattibilità dell'utilizzo della tecnologia dell'istogramma del gradiente direzionale-SVM per identificare lo stato di vibrazione del calcestruzzo. Inoltre, l'articolo analizza il meccanismo di influenza tra tre parametri chiave - soglia di binarizzazione, dimensione del blocco statistico del gradiente direzionale e numero di intervallo statistico del gradiente direzionale - nel processo di estrazione delle caratteristiche dell'istogramma del gradiente direzionale e l'accuratezza del riconoscimento dell'SVM.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

1. Acquisizione di immagini di campioni concreti

  1. Trasportare il calcestruzzo sul posto di lavoro, dove verrà versato dall'autopompa.
  2. Per acquisire immagini, accendere l'apparecchiatura di ripresa spostando l'interruttore del tasto di accensione verso destra e ruotandolo in posizione ON . Regolare la manopola della modalità della fotocamera sulla modalità automatica verde, assicurandosi che l'obiettivo della fotocamera sia parallelo alla superficie in cemento, quindi premere il tasto dell'otturatore. Acquisisci 20 campioni di immagini di calcestruzzo non vibrato, salvandoli in .jpg formato con una risoluzione di acquisizione di 1024 x 1024 pixel, come illustrato nella Figura 1.
  3. Inserire la parte vibrante dell'attrezzatura vibrante per calcestruzzo (asta vibrante per calcestruzzo plug-in) nel calcestruzzo. Collegare l'alimentazione, quindi accendere l'apparecchiatura di vibrazione del calcestruzzo impostandola in posizione ON .
  4. Quando c'è un collasso sulla superficie del calcestruzzo (causato dalle vibrazioni che scaricano l'aria all'interno del calcestruzzo, portando all'affondamento degli aggregati superficiali per riempire gli spazi vuoti, con conseguente collasso del calcestruzzo) e appare un po' di fango di cemento, tenere l'obiettivo della fotocamera parallelo alla superficie del calcestruzzo e premere il tasto dell'otturatore. Raccogliere 20 campioni di immagini di calcestruzzo vibrante, come mostrato nella Figura 2.
  5. Continuare a utilizzare l'apparecchiatura di vibrazione. Quando non c'è un collasso evidente sulla superficie del calcestruzzo, non appare alcun impasto di cemento e non vengono generate bolle, arrestare il processo di vibrazione e acquisire 20 campioni di immagini di calcestruzzo vibrato, come mostrato nella Figura 3.

2. Binarizzazione grigia dell'immagine di esempio

  1. Utilizza la funzione imread() del software MATLAB per leggere il file .jpg come unità di formato dati di 1024 pixel x 1024 pixel x 3 canali di colore, che rappresentano i valori dei canali rosso, verde e blu dell'immagine.
  2. Successivamente, applica la funzione MATLAB rgb2gray per convertire l'immagine in scala di grigi, indicata dal valore di grigio del formato = rgb2gray(nome file jpg). Calcola il valore di grigio di ogni pixel in base all'equazione (1) e salva il valore di grigio come dati in formato unit8 di 1024 x 1024.
    GR(i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1)
    dove, GR(i,j) è il valore del grigio del punto del pixel, R(i,j) è il valore del canale rosso del punto del pixel, G(i,j) è il valore del canale verde del punto del pixel e B(i,j) è il valore del canale blu del punto del pixel.
  3. Modificare il valore binario dei valori di grigio maggiori della soglia di pixel θ su 1 e impostare il valore binario dei valori di grigio inferiori al pixel θ su 0.
  4. Dopo aver ottenuto i risultati in grigio binario, salvare il risultato come dati in formato logico 1024 x 1024. In questo caso, θ rappresenta la soglia di binarizzazione e i suoi valori sono 50, 100, 150 e 200 per diverse immagini di campioni concreti in stato di vibrazione, come illustrato nella Figura 5, nella Figura 6 e nella Figura 7.

3. Calcolo dell'autovalore del gradiente direzionale

  1. Calcola il gradiente binario orizzontale e verticale di ogni pixel nell'immagine usando la seguente equazione28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    dove Th è il gradiente binario orizzontale, Tp è il gradiente binario verticale, R è il formato logico binarizzato dei dati, x è il numero di riga della matrice binarizzata e y è il numero di colonna della matrice binarizzata.
  2. Calcola la direzione e la dimensione del gradiente binario di ogni punto usando la seguente equazione29
    figure-protocol-1
    dove T è la dimensione del gradiente binario, αT è la direzione del gradiente binario, Th è il gradiente binario orizzontale e Tp è il gradiente binario verticale.
  3. Determinare la dimensione del blocco di segmentazione dell'immagine, indicato come n, dove il valore di n è [ 1,9]. Imposta la linea di segmentazione per ogni n pixel nella direzione y lungo la direzione x, dividendo efficacemente l'immagine in n x n blocchi quadrati in base alla posizione della linea di segmentazione. Tutte le parti dell'immagine che non possono formare blocchi quadrati completi vengono quindi rimosse.
  4. Dividere la direzione del gradiente binario αT (il valore della direzione del gradiente binario αT è [ 0°, 360°]) in m parti, ottenendo intervalli angolari statistici del gradiente direzionale m. Procedere a calcolare il valore statistico del gradiente per l'intervallo dell'angolo statistico del gradiente di ciascun blocco.
    1. In base alla direzione binaria del gradiente di ciascun pixel nel blocco, classificare i pixel nell'intervallo dell'angolo statistico del gradiente appropriato di ciascuna direzione.
    2. Somma il gradiente binario dei pixel nell'intervallo dell'angolo statistico del gradiente di ciascuna direzione in senso antiorario per ottenere il valore statistico del gradiente di tale intervallo. I risultati ottenuti per le statistiche statistiche del gradiente dell'intervallo angolare direzionale sono illustrati nella Figura 8, nella Figura 9 e nella Figura 10 per le dimensioni del blocco n uguali rispettivamente a 8, 128 e 512.

4. Costruzione di un vettore di feature gradiente direzionale

  1. Dividere i campioni in aree di calcolo richieste, in cui ciascuna area di calcolo è costituita da quattro blocchi adiacenti in base ai risultati dei blocchi ottenuti nel passaggio 3.3. Ad esempio, considerando pixel con risoluzione 16 x 16 e una dimensione del blocco di 4 x 4, l'immagine è divisa in (16 / 4-1) x ( 16 / 4-1 ) = 9 aree di calcolo.
  2. Calcola il valore statistico del gradiente direzionale all'interno dell'intervallo angolare delle statistiche del gradiente di ciascun blocco nell'area di calcolo. Successivamente, ottenere il vettore dell'elemento con le statistiche del gradiente direzionale come componente.
  3. Combina i vettori delle feature di gradiente direzionale di ciascuna area di calcolo per ottenere il vettore di feature di sfumatura direzionale dell'immagine.

5. Formazione SVM

  1. Seleziona in modo casuale 42 campioni dai tre stati di vibrazione per creare il gruppo di allenamento, lasciando i restanti 18 campioni come gruppo di test.
  2. Utilizza la funzione fitcecoc di MATLAB per l'addestramento SVM; Il formato è
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    dove SVM è la macchina vettoriale di supporto da addestrare, trainingFeatures è il vettore della feature del gradiente direzionale dell'immagine del gruppo di training e Trainingeigenvalue è il valore caratteristico dello stato di vibrazione del gruppo di training. I valori caratteristici dello stato di vibrazione dei campioni di calcestruzzo non vibrato, calcestruzzo vibrante e calcestruzzo vibrato sono rispettivamente 1, 2 e 3.
  3. Salvare la SVM addestrata utilizzando la funzione Salva in formato .mat.

6. Verifica dell'accuratezza del riconoscimento SVM

  1. Utilizzando la funzione di previsione di MATLAB, immettere il vettore della caratteristica di gradiente direzionale dell'immagine del campione del gruppo di test nell'SVM addestrato per ottenere il valore calcolato della funzione di stato di vibrazione per ciascun campione di test. Il formato è il seguente:
    testgroupcalculateseigenvalues = predict (SVM, testFeature)
    dove testgroupcalculateseigenvalues è il valore calcolato della funzione dello stato di vibrazione e SVM è la macchina del vettore di supporto addestrata nel passaggio 5. testFeature è il vettore della funzione di sfumatura direzionale dell'immagine di esempio del gruppo di test.
  2. Determinare i risultati del riconoscimento del campione del set di test inserendo il set di test nella SVM sottoposta a training. Contare il numero di campioni per i quali i risultati del riconoscimento del set di test corrispondono allo stato effettivo, quindi calcolare l'accuratezza del riconoscimento dividendo il numero di campioni corretti per il numero totale di campioni del set di test.
    1. Se l'accuratezza del riconoscimento del test è superiore al 94%, considerare efficace il riconoscimento SVM. Se è inferiore al 94%, tornare al passaggio 1.1 e regolare la soglia di binarizzazione, la dimensione del blocco n e il numero di intervalli statistici del gradiente direzionale m.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Questo protocollo ha lo scopo di analizzare come i parametri di calcolo a tre vettori della caratteristica del gradiente direzionale influenzino l'accuratezza della SVM nell'identificazione dello stato di vibrazione del calcestruzzo. I parametri di calcolo principali del vettore di feature del gradiente direzionale includono la dimensione del blocco statistico del gradiente direzionale, il numero di intervalli angolari statistici del gradiente direzionale e la soglia di grigio binario. In questa sezione vengono utilizzat...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Questo documento utilizza la macchina a vettori di supporto (SVM) per apprendere le caratteristiche dell'immagine di vari campioni di stato di vibrazione del calcestruzzo. Sulla base dei risultati dell'apprendimento automatico, viene proposto un metodo concreto di riconoscimento dello stato di vibrazione basato sul riconoscimento delle immagini. Per migliorare l'accuratezza del riconoscimento, è fondamentale controllare i parametri dei tre passaggi chiave: segmentazione dell'immagine, binarizzazione dell'immagine ed estr...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno nulla da rivelare.

Ringraziamenti

Ringraziamo con gratitudine il progetto di ricerca scientifica annuale (NO.7) del Wuhan Urban Construction Group 2023 per aver finanziato questo lavoro.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
fotocameraSONYA6000La dimensione del sensore è 23,5x15,6 mm, la risoluzione massima di acquisizione è 1440 * 1080 e il pixel effettivo è 24,3 milioni.
calcestruzzoWuhan Construction Changxin Technology Development Co., Ltd.C30 pompaggio calcestruzzoSecondo lo standard di ' test di resistenza del calcestruzzo e standard di valutazione ' ( GB / T 50107-2010 ), il valore standard della resistenza alla compressione cubica è di 30 MPa pompando calcestruzzo.
MatlabMathWorksMatlab R2017a: l'interfaccia di programmazione di MATLAB fornisce strumenti di sviluppo per migliorare la qualità del codice, la manutenibilità e massimizzare le prestazioni.
Fornisce strumenti per la creazione di applicazioni utilizzando interfacce grafiche personalizzate.
Fornisce strumenti per combinare algoritmi basati su MATLAB con applicazioni e linguaggi esterni
Processore IntelIntel(R) Core (TM) i7-12700H @ 2,30GHz64-bit Win11 di 12a generazione 

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Esplora altri articoli

Istogramma del Gradiente DirezionaleEstrazione delle CaratteristicheAnalisi dello Stato di VibrazioneAccuratezza del RiconoscimentoApprendimento AutomaticoSegmentazione delle ImmaginiOttimizzazione dei Parametri
Riconoscimento dell'immagine e analisi dei parametri dello stato di vibrazione del calcestruzzo basato su Support Vector Machine
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.