サポートベクターマシンによるコンクリート振動状態の画像認識とパラメータ解析

サマリー

この論文で説明するプロトコルは、方向性勾配ヒストグラム技術を利用して、さまざまな振動状態下での具体的な画像サンプルの特性を抽出します。機械学習にサポートベクターマシンを採用することで、学習サンプルを最小限にとどめ、コンピュータ性能の要求が低い画像認識手法を実現しました。

要約

本論文では、指向性勾配ヒストグラム技術を用いて、異なる振動状態で撮影されたコンクリート画像サンプルの特徴を抽出します。サポートベクターマシン(SVM)は、画像の特徴と振動状態の関係を学習するために利用されます。その後、機械学習の結果を使用して、コンクリートの振動状態の実現可能性を評価します。同時に、方向勾配ヒストグラムの計算パラメータが認識精度に及ぼす影響メカニズムを解析する。この結果は、コンクリートの振動状態を特定するために、方向勾配ヒストグラム-SVM技術を使用することの実現可能性を示しています。認識精度は、最初は増加し、その後、方向勾配のブロック サイズ、または統計間隔の数が増えるにつれて減少します。認識精度も、二値化閾値の増加に伴って直線的に低下します。解像度1024ピクセル×1024ピクセルのサンプル画像を使用し、特徴抽出パラメータを最適化することで、100%の認識精度を達成することができます。

概要

コンクリートは、建設業界で広く使用されている基本的な建材です。ポンプ中、コンクリートは振動による圧縮を必要とする空隙を頻繁に発生させます。振動が不十分な場合、コンクリート表面が蜂の巣状になる可能性があり、過度の振動はコンクリートの偏析につながる可能性があります^1,2。振動動作の質は、成形コンクリート構造物^7,8の強度^3,4,5,6および耐久性に大きく影響する。Caiら^9,10は、実験的研究と数値解析を組み合わせた研究を行い、振動が骨材沈下とコンクリートの耐久性に及ぼす影響メカニズムを調査しました。その結果、振動時間と骨材粒子が骨材沈降に大きな影響を与える一方で、骨材密度とセメント系材料の塑性粘度の影響は最小限であることが明らかになりました。振動により、コンクリート試験片の底部に骨材が堆積します。さらに、振動時間が長くなると、塩化物イオン濃度はコンクリート試験片の下部で減少し、上部で有意に増加します^9,10。

現在、コンクリートの振動状態の評価は、主に手作業による判断に頼っています。建設業界がインテリジェントな改革を通じて進歩し続けるにつれて、ロボット操作が将来の方向性として浮上しています^11,12。したがって、インテリジェントな振動操作における重要な課題は、ロボットがコンクリートの振動状態を識別できるようにする方法です。

配向勾配のヒストグラムは、画素の強度勾配またはエッジ方向の分布を記述子として利用して、画像^13,14におけるオブジェクトの表現および形状を特徴付ける技術である。このアプローチは、画像のローカルグリッドセルに作用し、さまざまな幾何学的および光学的条件下での画像変化の特性評価において堅牢な安定性を提供します。

Zhou et ^al.15 は、ベイヤーモード画像から指向性勾配特徴を直接抽出する方法を提案しました。このアプローチでは、カラーフィルター列をグラデーション演算子と一致させることにより、方向性グラデーションを計算する際の多くのステップが省略されるため、方向グラデーション画像認識の計算要件が大幅に削減されます。He et ^al.16 は、方向勾配ヒストグラムを基礎となる特徴として利用し、平均クラスタリング アルゴリズムを使用してレール ファスナーを分類し、ファスナーに欠陥があるかどうかを判断しました。認識の結果、配向勾配特徴のヒストグラムはファスナーの欠陥に対して高い感度を示し、鉄道の保守と修理のニーズを満たしていることが示されました。別の研究では、Xuら¹⁷ は、ガボールウェーブレットフィルタリングを使用して顔画像の特徴を前処理し、バイナリコーディングとHOGアルゴリズムを使用して特徴ベクトルの次元を縮小しました。この方法の平均認識精度は92.5%です。

サポートベクターマシン(SVM)¹⁸は、ベクトルを高次元空間にマッピングするために使用され、2つの平行な超平面間の距離を最大化するために適切な方向を有する分離超平面を確立する。これにより、サポートベ^クター19の分類が可能になる。学者たちはこの分類技術を改良・最適化し、画像認識^20,21、テキスト分類²²、信頼性予測23、故障診断²⁴など、さまざまな分野への応用につながっている。

Li et ^al.25 は、3つの地震破壊モードに焦点を当てて、地震破壊パターン認識のための2段階SVMモデルを開発しました。解析結果は、提案された2段階SVM法が3つの故障モードで90%以上の精度を達成できることを示しています。Yang et ^al.26 は、最適化アルゴリズムをSVMに統合して、5つの超音波パラメータと荷重を受けたコンクリートの応力との関係をシミュレートしました。最適化されていないSVMのパフォーマンスは、特に低ストレスの段階では不十分です。ただし、アルゴリズムによって最適化されたモデルをトラバースすると、計算時間は長くなりますが、結果は改善されます。これに対し、粒子群最適化最適化SVMは、最適なシミュレーション結果を提供しながら、計算時間を大幅に短縮します。Yanら²⁷ は、SVM技術を採用し、高強度コンクリートの弾性率を予測するために精度非感応損失関数を導入し、その予測精度を従来の回帰モデルやニューラルネットワークモデルと比較しました。研究結果は、SVM技術が他の方法と比較して弾性率の予測誤差を小さくすることを示しました。

本稿では、様々な振動状態におけるコンクリートの画像サンプルを収集し、方向勾配ヒストグラム法を用いてコンクリートの異なる状態を記述する。SVMを学習するための特徴ベクトルとして方向性勾配が採用され、本研究では、方向性勾配ヒストグラム-SVM技術を使用してコンクリートの振動状態を特定することの実行可能性に焦点を当てています。さらに、方向性勾配ヒストグラムの特徴抽出プロセスとSVMの認識精度における3つの主要パラメータ(二値化閾値、方向勾配統計ブロックサイズ、方向勾配統計間隔数)の影響メカニズムを解析します。

プロトコル

1. 具体的サンプル画像取得

1. コンクリートを職場に輸送し、ポンプ車で流し込みます。
2. 画像を撮影するには、電源キースイッチを右に動かして ON の位置にして、撮影機器の電源を入れます。カメラのモードノブを緑色の自動モードに調整し、カメラのレンズがコンクリートの表面と平行になっていることを確認してから、 シャッターキーを押します。 図1に示すように、振動していないコンクリートの画像サンプルを20個キャプチャし、1024 x 1024ピクセルの取得解像度で.jpg形式で保存します。
3. コンクリート振動装置(プラグインコンクリート振動棒)の振動部をコンクリートに挿入します。電源を接続し、コンクリート振動装置を ON の位置に設定して電源を入れます。
4. コンクリートの表面に何らかの崩壊があり(振動によってコンクリート内部の空気が排出され、表面の骨材が沈んで隙間を埋め、コンクリートが崩壊します)、セメントスラリーが現れた場合は、カメラのレンズをコンクリートの表面と平行に保ち、 シャッターキーを押します。 図 2 に示すように、振動するコンクリートの画像サンプルを 20 個収集します。
5. 振動装置の操作を続けます。コンクリート表面に明らかな崩壊がなく、セメントスラリーが出現せず、気泡が発生しない場合は、振動プロセスを停止し、 図 3 に示すように、振動したコンクリートの画像サンプルを 20 個キャプチャします。

2.サンプル画像のグレーの2値化

1. MATLAB ソフトウェアの関数 imread() を使用して、イメージの赤、緑、青のチャネル値を表す 1024 ピクセル x 1024 ピクセル x 3 カラー チャネルの単位形式データとして .jpg ファイルを読み取ります。
2. 次に、MATLAB 関数 rgb2gray を適用して、gray value = rgb2gray(jpg file name) の形式で表されるグレースケールにイメージを変換します。式(1)に従って各画素のグレー値を計算し、グレー値を1024×1024のunit8形式のデータとして保存します。
   GR(_i,j) = 0.2989R_(i,j) + 0.587G_(i,j) + 0.114B_(i,j) (1)
   ここで、GR(i,j) はピクセル ポイントのグレー値、R(i,j) はピクセル ポイントの赤チャネル値、G(i,j) はピクセル ポイントの緑チャネル値、B(i,j) はピクセル ポイントの青チャネル値です。
3. ピクセルしきい値 θ より大きいグレー値のバイナリ値を 1 に変更し、θ ピクセルより小さいグレー値のバイナリ値を 0 に設定します。
4. 2 値化されたグレーの結果を取得したら、結果を 1024 x 1024 の論理形式のデータとして保存します。この場合、θは2値化閾値を表し、 その値は、図5、 図6、 および図7に示すように、さまざまな振動状態のコンクリートサンプル画像に対して50、100、150、および200です。

3. 方向勾配固有値の計算

1. 次の式²⁸ を使用して、画像内の各ピクセルの水平方向と垂直方向のバイナリ勾配を計算します
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   ここで、T_h は水平方向の 2 値化勾配、T_p は垂直方向の 2 値化勾配、R は 2 値化された論理形式のデータ、x は 2 値化された行列の行番号、y は 2 値化された行列の列番号です。
2. 次の式²⁹ を使用して、各点のバイナリ勾配の方向とサイズを計算します
   
   ここで、T はバイナリ グラデーション サイズ、α_T はバイナリ グラデーション方向、T_h は水平バイナリ グラデーション、T_p は垂直バイナリ グラデーションです。
3. n の値は [ 1,9] である n で表されるイメージ セグメンテーション ブロックのサイズを決定します。セグメンテーション ラインを x 方向に沿って y 方向に n 個ピクセルごとに設定し、セグメンテーション ラインの位置に基づいてイメージを n x n 個の正方形ブロックに効果的に分割します。その後、完全な正方形のブロックを形成できない画像の部分が削除されます。
4. バイナリ勾配方向 α_T (バイナリ勾配方向 α_T の値は [ 0°, 360°] ) を m 個の部分に分割し、m 方向勾配の統計的角度間隔を求めます。各ブロックの勾配統計角度間隔の勾配統計値の計算に進みます。
   1. ブロック内の各ピクセルのバイナリ勾配方向に基づいて、ピクセルを各方向の適切な勾配統計角度間隔に分類します。
   2. 反時計回りの各方向の勾配統計角度間隔内のピクセルのバイナリ勾配を合計して、その間隔の勾配統計値を取得します。勾配統計角度間隔方向勾配統計で得られた結果は、ブロックサイズnがそれぞれ8、128、および512に等しい場合の図 8、 図9、および 図10 に示されています。

4. 指向性勾配特徴ベクトルの構築

1. サンプルを必要な計算領域に分割し、各計算領域は、手順 3.3 で得られたブロック結果に基づいて 4 つの隣接するブロックで構成されます。例えば、解像度が16×16のピクセルでブロックサイズが4×4の場合、画像は(16/4-1)×(16/4-1)=9個の計算領域に分割されます。
2. 計算領域内の各ブロックの勾配統計の角度間隔内の方向勾配の統計値を計算します。続いて、方向勾配統計を成分として特徴ベクトルを取得します。
3. 各計算領域の方向勾配特徴ベクトルを結合して、イメージの方向勾配特徴ベクトルを取得します。

5. SVMトレーニング

1. 3 つの振動状態から 42 個のサンプルをランダムに選択してトレーニング グループを作成し、残りの 18 個のサンプルをテスト グループとして残します。
2. MATLAB の関数 fitcecoc を SVM 学習に利用します。形式は
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   ここで、SVM は学習対象のサポート ベクター マシン、trainingFeatures は学習グループのイメージの方向勾配特徴ベクトル、Trainingeigenvalue は学習グループの振動状態の特性値です。非振動コンクリート、振動コンクリート、振動コンクリートサンプルの振動状態の特性値は、それぞれ1、2、3である。
3. Save関数を使用して、学習済みのSVMを.mat形式で保存します。

6. SVM認識精度の検証

1. MATLAB の予測関数を使用して、テスト グループのサンプル イメージの方向勾配特徴ベクトルを学習済みの SVM に入力し、各テスト サンプルの振動状態特徴の計算値を取得します。形式は次のとおりです。
   testgroupcalculateseigenvalues = predict (SVM, testFeature)
   ここで、testGroupCalculateseigenValues は振動状態特徴の計算値で、SVM はステップ 5 で学習させたサポート ベクター マシンです。testFeature は、テスト グループのサンプル イメージの方向勾配特徴ベクトルです。
2. 学習済みの SVM にテスト セットをフィードして、テスト セットのサンプル認識結果を決定します。テストセットの認識結果が実際の状態と一致するサンプルの数をカウントし、正しいサンプルの数をテストセットのサンプルの総数で割って認識精度を計算します。
   1. テスト認識精度が 94% より高い場合は、SVM 認識が有効であると考えてください。94% より低い場合は、ステップ 1.1 に戻り、二値化しきい値、ブロック サイズ n、および方向勾配統計間隔の数 m を調整します。

結果

このプロトコルは、方向勾配機能の3ベクトル計算パラメータが、コンクリートの振動状態を識別する際のSVMの精度にどのように影響するかを分析することを目的としています。方向勾配特徴ベクトルの主要な計算パラメータには、方向勾配統計ブロックサイズ、方向勾配統計角度間隔の数、およびバイナリグレーしきい値が含まれます。このセクションでは、3つの主要な計算パラメータを変数として使用してテストを設計します。テスト・パラメータ・レベルの詳細を 表1に示します。解像度 1024 x 1024 ピクセルの具体的な画像サンプルに対して、合計 100 回のテストが実施されました。 表1 に記載のパラメータに対応する試験結果を 表2に示す。

異なるバイナリグレー閾値-SVM認識結果の分析
表2 は、異なる二値化閾値に対するSVMの平均認識精度を示しており、二値化閾値と認識精度の関係を 図4

ディスカッション

本稿では、サポートベクターマシン(SVM)を用いて、様々なコンクリート振動状態サンプルの画像特徴を学習する。機械学習の成果をもとに、画像認識に基づく具体的な振動状態認識手法を提案する。認識精度を高めるには、画像セグメンテーション、画像の二値化、方向勾配固有値抽出の3つの重要なステップのパラメータを制御することが重要です。試験結果によれば、より小さな二値化閾値を用いて具体的なサンプル画像を前処理し、128ピクセル×128ピクセルの画像セグメンテーションブロックサイズを利用する。統計的角度間隔の方向勾配の数は 12 に設定されています。1024 解像度の画像サンプル セットでは、機械学習結果に対して最高の認識精度が達成されます。

建設現場によって環境が大きく異なるため、この方法には精度調整メカニズムがあります。認識精度が要件を満たさない場合、実行可能なソリューションとして上記の3つの主要なパラメータを拡張または縮小し、環境の変化によって引き起こされる認識精度エラーを効果的に軽減できます。この方法は、作業面の照明条件に大きく依存することに注意することが重要です。低照度条件下で撮影すると...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
カメラ	SONY	A6000	センサーサイズは 23.5x15.6mm、最大取得解像度は 1440 * 1080、有効画素は 2,430 万です。
コンクリート	武漢建設長新技術開発有限公司	C30ポンプコンクリート	「コンクリート強度試験評価基準」(GB / T 50107-2010)の基準によると、立方体圧縮強度の標準値は30MPaポンプコンクリートです。
Matlab	MathWorks	Matlab R2017a	MATLABのプログラミングインターフェースは、コード品質、保守性を向上させ、パフォーマンスを最大化するための開発ツールを提供します。 カスタムグラフィカルインターフェースを使用してアプリケーションを構築するためのツールを提供します。 MATLABベースのアルゴリズムを外部のアプリケーションや言語と組み合わせるためのツールを提供します
プロセッサ	Intel	第12世代Intel(R)Core(TM)i7-12700H @ 2.30GHz	64ビットWin11プロセッサ