Name: 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 (動画) | JoVE Journal
Uploaded: 2024-01-05T13:50:00.000+00:00
Duration: 8 min 27 s
Description: 学ぶ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手法。方向性勾配ヒストグラム特徴抽出により、少ない学習サンプルで高精度な分類を実現し、標準的なノートパソコンでも50秒で処理可能な効率的な機械学習アプローチを解説する。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

この作業に資金を提供してくれた武漢都市建設グループ2023年次科学研究プロジェクト(NO.7)に感謝します。

1. 具体的サンプル画像取得
<ol><li>コンクリートを職場に輸送し、ポンプ車で流し込みます。</li>
	<li>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。</li>
	<li>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。</li>
	<li>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。</li>
	<li>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。</li>
</ol>2.サンプル画像のグレーの2値化
<ol><li>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。</li>
	<li>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。</li>
	<li>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。</li>
	<li>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。</li>
</ol>3. 方向勾配固有値の計算
<ol><li>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 Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y) ここで、Th は水平方向の 2 値化勾配、Tp 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。</li>
	<li>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 <img alt="Equation 1" src="/files/ftp_upload/65731/65371eq01.jpg" style="margin: auto;"> ここで、T はバイナリ グラデーション サイズ、αT はバイナリ グラデーション方向、Th は水平バイナリ グラデーション、Tp は垂直バイナリ グラデーションです。</li>
	<li>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。</li>
	<li>バイナリ勾配方向 αT (バイナリ勾配方向 αT 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。<ol><li>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。</li>
		<li>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。</li>
	</ol></li>
</ol>4. 指向性勾配特徴ベクトルの構築
<ol><li>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。</li>
	<li>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。</li>
	<li>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。</li>
</ol>5. SVMトレーニング
<ol><li>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。</li>
	<li>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。</li>
	<li>Save関数を使用して、学習済みのSVMを.mat形式で保存します。</li>
</ol>6. SVM認識精度の検証
<ol><li>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。</li>
	<li>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。<ol><li>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。</li>
	</ol></li>
</ol>

コンクリートの振動状態を特定するための指向性勾配ヒストグラムとSVM

<ol><li>Jiang, L., Tian, Z., Wang, K., Sun, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimating+the+segregation+of+concrete+under+vibration+based+on+electrical+method%5BTitle%5D)+AND+%22Concrete%22%5BJournal%5D)">Estimating the segregation of concrete under vibration based on electrical method.</a> Concrete. 1, In Chinese 41-44 (2023).</li>
<li>Ren, B., Ye, Z., Wang, D., Wu, B., Tan, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+segregation+degree+of+hardening+concrete+using+improved+Mask+R-CNN%5BTitle%5D)+AND+%22Journal+of+Hydroelectric+Engineering%22%5BJournal%5D)">Evaluation of segregation degree of hardening concrete using improved Mask R-CNN.</a> Journal of Hydroelectric Engineering. 41 (5), In Chinese 93-102 (2022).</li>
<li>Hu, J., Qin, M., Wang, H., Liu, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Study+on+the+influence+of+vibration+frequency+on+the+performance+of+concrete%5BTitle%5D)+AND+%22Highway%22%5BJournal%5D)">Study on the influence of vibration frequency on the performance of concrete.</a> Highway. 65 (12), In Chinese 111-114 (2020).</li>
<li>Bian, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Experimental+study+on+characterization+of+evaluation+indexes+for+vibration+compaction+of+fresh+concrete%5BTitle%5D)+AND+%22Journal+of+Hydroelectric+Engineering%22%5BJournal%5D)">Experimental study on characterization of evaluation indexes for vibration compaction of fresh concrete.</a> Journal of Hydroelectric Engineering. 39 (2), 67-80 (2020).</li>
<li>Liu, Z., Zhou, M., Bai, J., Mou, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Influence+of+vibration+time+on+the+strength+and+homogeneity+of+rubber+concrete%5BTitle%5D)+AND+%22Industrial+Construction%22%5BJournal%5D)">Influence of vibration time on the strength and homogeneity of rubber concrete.</a> Industrial Construction. 42, In Chinese 509-512 (2012).</li>
<li>Cheng, Y., Gou, Z., Wang, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Testing+Investigation+on+Effects+of+Mixing%2C+Vibrating+and+Curing+on+Strength+of+High-Performance+Concrete%5BTitle%5D)+AND+%22Journal+of+Northeastern+University+%28Natural+Science%29%22%5BJournal%5D)">Testing Investigation on Effects of Mixing, Vibrating and Curing on Strength of High-Performance Concrete.</a> Journal of Northeastern University (Natural Science). 31 (12), In Chinese 1790-1793 (2010).</li>
<li>Zhao, Y., Chen, S., Liu, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Influence+mechanism+of+high-frequency+vibration+on+concrete+antifreeze+and+application+in+construction+of+tunnels+in+cold+regions%5BTitle%5D)+AND+%22Industrial+Construction%22%5BJournal%5D)">Influence mechanism of high-frequency vibration on concrete antifreeze and application in construction of tunnels in cold regions.</a> Industrial Construction. 44 (5), In Chinese 101-105 (2014).</li>
<li>Quan, L., Tian, B., Li, S., He, Z., He, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evolution+characteristics+of+flexural+fatigue+performance+of+dense+concrete+consolidated+with+high+frequency+vibration+applied+in+airport+pavement%5BTitle%5D)+AND+%22Journal+of+Traffic+and+Transportation+Engineering%22%5BJournal%5D)">Evolution characteristics of flexural fatigue performance of dense concrete consolidated with high frequency vibration applied in airport pavement.</a> Journal of Traffic and Transportation Engineering. 20 (2), In Chinese 34-45 (2020).</li>
<li>Cai, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Influence+of+coarse+aggregate+settlement+induced+by+vibration+on+long-term+chloride+transport+in+concrete%3A+a+numerical+study%5BTitle%5D)+AND+%22Materials+and+Structures%22%5BJournal%5D)">Influence of coarse aggregate settlement induced by vibration on long-term chloride transport in concrete: a numerical study.</a> Materials and Structures. 55 (9), 1-18 (2022).</li>
<li>Cai, Y., Liu, Q. F., Yu, L., Meng, Z., Avija, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+experimental+and+numerical+investigation+of+coarse+aggregate+settlement+in+fresh+concrete+under+vibration%5BTitle%5D)+AND+%22Cement+and+Concrete+Composites%22%5BJournal%5D)">An experimental and numerical investigation of coarse aggregate settlement in fresh concrete under vibration.</a> Cement and Concrete Composites. 122 (7), 104153(2021).</li>
<li>Wang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+and+application+of+concrete+vibrating+robot+system+for+high+arch+dam%5BTitle%5D)+AND+%22Journal+of+Hydraulic+Engineering%22%5BJournal%5D)">Development and application of concrete vibrating robot system for high arch dam.</a> Journal of Hydraulic Engineering. 53 (6), In Chinese 631-654 (2022).</li>
<li>Chen, C., Li, X., Qiu, Z., Yao, W., Zhu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Research+Progress+of+Construction+Robots%5BTitle%5D)+AND+%22Journal+of+Architecture+and+Civil+Engineering%22%5BJournal%5D)">Research Progress of Construction Robots.</a> Journal of Architecture and Civil Engineering. 39 (4), In Chinese 58-70 (2022).</li>
<li>Shen, H., Zhang, W., Liu, J., Qiu, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+and+Prospect+of+Construction+Robots+for+High+Rise+Buildings%5BTitle%5D)+AND+%22Construction+Technology%22%5BJournal%5D)">Development and Prospect of Construction Robots for High Rise Buildings.</a> Construction Technology. 46 (8), In Chinese 105-108 (2017).</li>
<li>Dalal, N., Triggs, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Histograms+of+Oriented+Gradients+for+Human+Detection%5BTitle%5D)+AND+%22IEEE+Computer+Society+Conference+on+Computer+Vision+%26+Pattern+Recognition%22%5BJournal%5D)">Histograms of Oriented Gradients for Human Detection.</a> IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , San Diego, USA. (2005).</li>
<li>Zhou, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gradient-based+Feature+Extraction+From+Raw+Bayer+Pattern+Images%5BTitle%5D)+AND+%22IEEE+Transactions+on+Image+Processing%22%5BJournal%5D)">Gradient-based Feature Extraction From Raw Bayer Pattern Images.</a> IEEE Transactions on Image Processing. (99), 1(2021).</li>
<li>He, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Railway+Fastener+Defects+Detection+under+Various+Illumination+Conditions+using+Fuzzy+C-Means+Part+Model%5BTitle%5D)+AND+%22Transportation+Research+Record%22%5BJournal%5D)">Railway Fastener Defects Detection under Various Illumination Conditions using Fuzzy C-Means Part Model.</a> Transportation Research Record. 2675 (4), 271-280 (2021).</li>
<li>Xu, X., Quan, C., Ren, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Facial+expression+recognition+based+on+Gabor+Wavelet+transform+and+Histogram+of+Oriented+Gradients%5BTitle%5D)+AND+%22IEEE+International+Conference+on+Mechatronics+%26+Automation%22%5BJournal%5D)">Facial expression recognition based on Gabor Wavelet transform and Histogram of Oriented Gradients.</a> IEEE International Conference on Mechatronics & Automation. , Beijing, China. (2015).</li>
<li>Cortes, C., Vapnik, V. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Support+Vector+Networks%5BTitle%5D)+AND+%22Machine+Learning%22%5BJournal%5D)">Support Vector Networks.</a> Machine Learning. 20 (3), 273-297 (1995).</li>
<li>Burges, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Tutorial+on+Support+Vector+Machines+for+Pattern+Recognition%5BTitle%5D)+AND+%22Data+Mining+and+Knowledge+Discovery%22%5BJournal%5D)">A Tutorial on Support Vector Machines for Pattern Recognition.</a> Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).</li>
<li>Yang, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+Pleurotus+Ostreatus+From+Different+Producing+Areas+Based+on+Mid-Infrared+Spectroscopy+and+Machine+Learning%5BTitle%5D)+AND+%22Spectroscopy+and+Spectral+Analysis%22%5BJournal%5D)">Identification of Pleurotus Ostreatus From Different Producing Areas Based on Mid-Infrared Spectroscopy and Machine Learning.</a> Spectroscopy and Spectral Analysis. 43 (2), In Chinese 577-582 (2023).</li>
<li>Chaabane, S. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Face+recognition+based+on+statistical+features+and+SVM+classifier%29%5BTitle%5D)+AND+%22Multimedia+Tools+and+Applications%22%5BJournal%5D)">Face recognition based on statistical features and SVM classifier).</a> Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).</li>
<li>Saleh, M. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Experiments+with+SVM+to+classify+opinions+in+different+domains%5BTitle%5D)+AND+%22Expert+Systems+with+Applications%22%5BJournal%5D)">Experiments with SVM to classify opinions in different domains.</a> Expert Systems with Applications. 38 (12), 14799-14804 (2011).</li>
<li>Zhang, Y., Liu, Y., Wang, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reliability+Prediction+of+Coal+Mine+Water+Disasters+Emergency+Rescue+System+Based+on+Improved+SVM%5BTitle%5D)+AND+%22Journal+of+Zhengzhou+University+%28Engineering+Science%29%22%5BJournal%5D)">Reliability Prediction of Coal Mine Water Disasters Emergency Rescue System Based on Improved SVM.</a> Journal of Zhengzhou University (Engineering Science). 36 (3), In Chinese 115-119 (2015).</li>
<li>Cao, Y., Song, D., Hu, X., Sun, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fault+Diagnosis+of+Railway+Point+Machine+Based+on+Improved+Time-Domain+Multiscale+Dispersion+Entropy+and+Support+Vector+Machine%5BTitle%5D)+AND+%22Acta+Electronica+Sinica%22%5BJournal%5D)">Fault Diagnosis of Railway Point Machine Based on Improved Time-Domain Multiscale Dispersion Entropy and Support Vector Machine.</a> Acta Electronica Sinica. 51 (1), In Chinese 117-127 (2023).</li>
<li>Li, Q., Yuze, C., Yu, B., Ning, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two-stage+support+vector+machine+method+for+failure+mode+classification+of+reinforced+concrete+columns%5BTitle%5D)+AND+%22Engineering+Mechanics%22%5BJournal%5D)">Two-stage support vector machine method for failure mode classification of reinforced concrete columns.</a> Engineering Mechanics. 39 (2), In Chinese 148-158 (2022).</li>
<li>Yang, Y., Zhang, W., Yu, H., Chai, W., Liu, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analysis+on+the+relationships+between+ultrasonic+parameters+and+the+stress+state+in+loaded+concrete+based+on+improved+support+vector+machines%29%5BTitle%5D)+AND+%22Journal+of+Vibration+and+Shock%22%5BJournal%5D)">Analysis on the relationships between ultrasonic parameters and the stress state in loaded concrete based on improved support vector machines).</a> Journal of Vibration and Shock. 42 (2), In Chinese 175-224 (2023).</li>
<li>Yan, K., Shi, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+elastic+modulus+of+normal+and+high+strength+concrete+by+support+vector+machine%5BTitle%5D)+AND+%22Construction+%26+Building+Materials%22%5BJournal%5D)">Prediction of elastic modulus of normal and high strength concrete by support vector machine.</a> Construction & Building Materials. 24 (8), 1479-1485 (2010).</li>
<li>Hussein, I. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fully-automatic+identification+of+gynaecological+abnormality+using+a+new+adaptive+frequency+filter+and+histogram+of+oriented+gradients+%28HOG%29%5BTitle%5D)+AND+%22Expert+Systems%22%5BJournal%5D)">Fully-automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG).</a> Expert Systems. 39 (3), 12789(2022).</li>
<li>Chandrakala, M., Devi, P. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two-stage+classifier+for+face+recognition+using+HOG+features%5BTitle%5D)+AND+%22Materials+Today%3A+Proceedings%22%5BJournal%5D)">Two-stage classifier for face recognition using HOG features.</a> Materials Today: Proceedings. 47, 5771-5775 (2021).</li>
<li>Long, C., Yichi, Z., Zhangkai, L., Dandan, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Low-Light+Image+Enhancement+Based+on+RAW+Domain+Image%5BTitle%5D)+AND+%22Journal+of+Computer-Aided+Design+%26+Computer+Graphics%22%5BJournal%5D)">Low-Light Image Enhancement Based on RAW Domain Image.</a> Journal of Computer-Aided Design & Computer Graphics. 35 (2), In Chinese 303-311 (2023).</li>
<li>Wang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+and+application+of+concrete+vibrating+robot+system+for+high+arch+dam%5BTitle%5D)+AND+%22Journal+of+Hydraulic+Engineering%22%5BJournal%5D)">Development and application of concrete vibrating robot system for high arch dam.</a> Journal of Hydraulic Engineering. 53 (6), In Chinese 631-654 (2022).</li>
</ol>

著者は何も開示していません。

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、認識精度が低下する場合があります。照明条件への依存性を低減するために、低照度画像強調アルゴリズムが検討されているが30、それらは認識時間とハードウェア要件を著しく増加させる。現在のところ、低照度認識精度と認識効率の両方を保証する効果的な技術はありません。この方法では、配向勾配技術のヒストグラムを使用して、表面の崩壊、セメントスラリーの浮遊、コンクリート振動の過程での気泡など、コンクリートの振動状態の特性を特徴付けます。既存の技術と比較して、このアプローチは必要なサンプル数を大幅に削減し、コンピューターのパフォーマンス要件を下げます。2.30GHzのCPUを搭載したノートPCでは、認識プロセスにより、SVMのトレーニングスペースの区別がわずか15秒で完了します。抽出パラメータが適切に設定されると、認識精度も向上する31。
将来的には、このプロトコルを利用して建設ロボットの振動動作を指令し、コンクリートが目的の振動レベルに達したときに作業をタイムリーに停止できるため、不十分な振動によって引き起こされる品質問題を回避できます。さらに、この手法は、構造の平坦度検出、作業面スラリーの除去、その他の関連プロセスなど、建設現場でのテクスチャ特性に基づいてロボットの動作を変更するように適用できます。

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。

<table><tbody><tr><td>カメラ</td><td>SONY</td><td>A6000</td><td>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。</td></tr><tr><td>コンクリート</td><td>武漢建設長新技術開発有限公司</td><td>C30ポンプコンクリート</td><td>「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。</td></tr><tr><td>Matlab</td><td>MathWorks</td><td>Matlab R2017a</td><td>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</td></tr><tr><td>プロセッサ&nbsp;</td><td>Intel</td><td>第12世代Intel(R)Core(TM)i7-12700H @ 2.30GHz</td><td>64ビットWin11プロセッサ&nbsp;</td></tr></tbody></table>

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

Image Recognition and Parameter Analysis of Concrete Vibration State Based on Support Vector Machine

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。

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。

In this paper, the directional gradient histogram technology is employed to extract the features of concrete image samples captured under different ...

この論文で説明したプロトコルは、方向性勾配ヒストグラム技術を利用して、さまざまな振動セル下での具体的な画像サンプルの特性を抽出しました。機械学習にサポートベクターマシンを採用しているため、学習済みサンプルの要件が最小限で、コンピューターのパフォーマンス要求が低い画像認識手法が得られます。このアプローチにより、必要なサンプル数が大幅に削減され、コンピューターのパフォーマンス要件が軽減されます。2.3ギガヘルツの中央処理装置を備えたラップトップでは、認識プロセスにより、サポートされているベクトルマシンの列車空間の区別がわずか50秒で完了します。128プロジェクトと128プロジェクトの以下の画像セグメンテーションが利用されています。統計的角度逆の方向ベクトルの数は 12 に設定されます。224解像度の画像処理では、機械学習結果に対して最適な認識オカレンスが達成されます。

image-recognition-parameter-analysis-concrete-vibration-state-based

Research

JoVE Journal

Engineering

工学

プロトコルは、フィールド内の歩行者の行動と結果の構造応答のシミュレーションの特徴付けのために提示されています。フィールド・テストは、その場で参加者の間で速度と同期ペーシングレートに識別することを示している人為的な負荷のシミュレーションと検証のための不可欠な入力を構成しています。...

特徴付けインフィールド歩行者の行動に基づいて、人間によって誘発される振動のシミュレーション

この記事では、ミラーの錯覚を使用して機械学習を用いた分析と心理物理手順を組み合わせた2次元平面上に固有受容ドリフトを推定する新規な方法を説明します。...

サポートベクターマシンを利用して2次元平面上の固有受容ドリフトのための可視化手法

ここでは、コンピュータビジョンシステム(CVS)に基づくプロトコルを提示し、多相食品システムの融解挙動を決定します。...

アイスクリームの融解挙動評価のためのコンピュータビジョンシステム

この研究では、音声信号解析と機械学習の手法を採用し、MATLAB...

音声信号処理と機械学習に基づく喘息検出研究

ここでは、鉄筋コンクリート構造物に埋め込まれた単曲圧電トランスデューサと直線圧電トランスデューサを、開回路電圧、発電、蓄電、損傷検出能力を評価することにより、エネルギーハーベスティングと構造の健全性モニタリングのために実験的に比較します。湾曲したトランスデューサは直線型トランスデューサを上回り、実際のアプリケーションでより優れたパフォーマンスを提供します。...

エネルギーハーベスティングと構造健全性モニタリングのための単一湾曲した薄型圧電トランスデューサの可能性の調査

このビデオでは、動的に変化する表面の高密度な 3D 測定を提供するデジタル フリンジ投影技術の基礎について説明します。また、これらの手法に基づく高速バイナリ デフォーカス...

デジタル干渉縞投影技術と高分解能、高速、三次元ビデオ画像

我々は、H 2 O 2 / H 2 O溶液（0.01％-0.5％）またはメタノール溶液で満たされたマイクロ流体チャンバ内でサンプルを照射することにより、親水性又は疎水性の状態にするのSi（001）表面を処理されたHF の現場変更でのプロセスについて報告相対的な低パルスフルエンスのパルスUVレーザーを使用して。...

液体環境におけるパルスUVレーザー照射によるシリコン表面の濡れ性の選択エリア変更

集束イオンビームを用いた電気化学的活性 LiPON ベースの固体リチウム イオン nanobatteries...

その場でテスト用 LiPON ベース固体リチウム イオン Nanobatteries の集束イオンビーム ビーム加工

湾曲したイメージ センサーの変形横 NIPIN フォト トランジスタ アレイを作製する詳細な方法を提案します。薄いシリコン島と伸縮金属反るから構成されるメッシュ フォームを使ってフォト トランジスタ アレイは、柔軟性と延伸を提供します。パラメーター ・...

横 NIPIN フォト トランジスタを用いた柔軟な画像センサーの作製

ここで斜めの部屋の柔らかい空気ネットワーク アクチュエータの作製方法を提案する.アクチュエータは、ソフト...

斜めの部屋に柔らかい空気ネットワーク アクチュエータの作製

学ぶ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手法。方向性勾配ヒストグラム特徴抽出により、少ない学習サンプルで高精度な分類を実現し、標準的なノートパソコンでも50秒で処理可能な効率的な機械学習アプローチを解説する。

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

さらに動画を探す