Method Article

Beeldherkenning en parameteranalyse van de trillingstoestand van beton op basis van de ondersteuningsvectormachine

DOI:

10.3791/65731

⸱

January 5th, 2024

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

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het protocol dat in dit artikel wordt beschreven, maakt gebruik van de directionele gradiënthistogramtechniek om de kenmerken van concrete beeldmonsters onder verschillende trillingstoestanden te extraheren. Het maakt gebruik van een ondersteunende vectormachine voor machine learning, wat resulteert in een beeldherkenningsmethode met minimale vereisten voor trainingsmonsters en lage eisen aan computerprestaties.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In dit artikel wordt de directionele gradiënthistogramtechnologie gebruikt om de kenmerken van concrete beeldmonsters te extraheren die zijn vastgelegd onder verschillende trillingstoestanden. De ondersteuningsvectormachine (SVM) wordt gebruikt om de relatie tussen beeldkenmerken en trillingstoestand te leren. De resultaten van de machine learning worden vervolgens gebruikt om de haalbaarheid van de trillingstoestand van het beton te beoordelen. Tegelijkertijd wordt het beïnvloedingsmechanisme van de berekeningsparameters van het directionele gradiënthistogram op de herkenningsnauwkeurigheid geanalyseerd. De resultaten tonen de haalbaarheid aan van het gebruik van de directionele gradiënt histogram-SVM-technologie om de trillingstoestand van beton te identificeren. De herkenningsnauwkeurigheid neemt aanvankelijk toe en neemt vervolgens af naarmate de blokgrootte van het richtingsverloop of het aantal statistische intervallen toeneemt. De herkenningsnauwkeurigheid neemt ook lineair af met de verhoging van de binarisatiedrempel. Door gebruik te maken van voorbeeldafbeeldingen met een resolutie van 1024 pixels x 1024 pixels en het optimaliseren van de parameters voor het extraheren van functies, kan een herkenningsnauwkeurigheid van 100% worden bereikt.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Beton is een fundamenteel bouwmateriaal dat veel wordt gebruikt in de bouwsector. Tijdens het pompen ontwikkelt het beton vaak holtes die verdichting vereisen door middel van trillingen. Onvoldoende trillingen kunnen leiden tot een honingraatbetonoppervlak, terwijl overmatige trillingen kunnen leiden tot betonscheiding 1,2. De kwaliteit van de trilwerking heeft een aanzienlijke invloed op de sterkte 3,4,5,6 en duurzaamheid van de gevormde betonconstructies 7,8. Cai et al.9,10 voerden een studie uit die experimenteel onderzoek combineerde met numerieke analyse om het invloedsmechanisme van trillingen op de zetting van aggregaten en de duurzaamheid van beton te onderzoeken. De bevindingen toonden aan dat trillingstijd en aggregaatdeeltjes een substantiële invloed hebben op de aggregaatzetting, terwijl de aggregaatdichtheid en de plastische viscositeit van het op cement gebaseerde materiaal minimale effecten hebben. Trillingen veroorzaken aggregaatafzetting aan de onderkant van de betonmonsters. Bovendien, naarmate de trillingstijd toeneemt, neemt de chloride-ionenconcentratie af aan de onderkant van de betonmonsters, terwijl deze aanzienlijk toeneemt aan de bovenkant 9,10.

Momenteel is de beoordeling van de trillingstoestand van beton voornamelijk gebaseerd op handmatige beoordeling. Terwijl de bouwsector vooruitgang blijft boeken door middel van intelligente hervormingen, zijn robotoperaties naar voren gekomen als de toekomstige richting11,12. Een cruciale uitdaging bij intelligente trillingsbewerkingen is dan ook hoe robots de trillingstoestand van beton kunnen identificeren.

Het histogram van de georiënteerde gradiënt is een techniek die de intensiteitsgradiënt van pixels of de verdeling van randrichtingen gebruikt als een descriptor om de weergave en vorm van objecten in afbeeldingen te karakteriseren13,14. Deze benadering werkt op de lokale rastercellen van het beeld en biedt robuuste stabiliteit bij het karakteriseren van beeldveranderingen onder verschillende geometrische en optische omstandigheden.

Zhou et al.15 stelden een methode voor om direct richtingsverloopkenmerken te extraheren uit afbeeldingen in de Bayer-modus. Bij deze benadering worden tal van stappen bij het berekenen van het directionele verloop weggelaten door de kolom met het kleurenfilter af te stemmen op de verloopoperator, waardoor de rekenvereisten voor beeldherkenning met directioneel verloop aanzienlijk worden verminderd. Hij et al.16 gebruikten het histogram van de richtingsgradiënt als onderliggend kenmerk en gebruikten het gemiddelde clusteralgoritme om railbevestigingen te classificeren en te bepalen of de bevestigingsmiddelen defect zijn. De herkenningsresultaten gaven aan dat het histogram van de georiënteerde gradiëntfunctie een hoge gevoeligheid vertoonde voor defecten aan bevestigingsmiddelen, wat voldeed aan de behoeften van spoorwegonderhoud en -reparatie. In een andere studie hebben Xu et al.17 gezichtsbeeldkenmerken voorbewerkt met behulp van Gabor-waveletfiltering en de dimensie van kenmerkvectoren verkleind door middel van binaire codering en het HOG-algoritme. De gemiddelde herkenningsnauwkeurigheid van de methode is 92,5%.

De ondersteunende vectormachine (SVM)18 wordt gebruikt om de vector in een hoogdimensionale ruimte in kaart te brengen en een scheidend hypervlak tot stand te brengen met een geschikte richting om de afstand tussen twee parallelle hypervlakken te maximaliseren. Dit maakt de classificatie van ondersteuningsvectoren19 mogelijk. Geleerden hebben deze classificatietechnologie verbeterd en geoptimaliseerd, wat heeft geleid tot de toepassing ervan op verschillende gebieden, zoals beeldherkenning20,21, tekstclassificatie22, betrouwbaarheidsvoorspelling23 en foutdiagnose24.

Li et al.25 ontwikkelden een tweetraps SVM-model voor seismische faalpatroonherkenning, met de nadruk op drie seismische faalmodi. De analyseresultaten geven aan dat de voorgestelde tweetraps SVM-methode een nauwkeurigheid van meer dan 90% kan bereiken voor de drie storingsmodi. Yang et al.26 integreerden een optimalisatie-algoritme met de SVM om de relatie tussen de vijf ultrasone parameters en de spanning van het geladen beton te simuleren. De prestaties van een niet-geoptimaliseerde SVM zijn onbevredigend, vooral in de fase met weinig stress. Het doorlopen van het model dat door het algoritme is geoptimaliseerd, levert echter betere resultaten op, zij het met lange rekentijden. Ter vergelijking: de door de deeltjeszwerm geoptimaliseerde SVM verkort de berekeningstijd aanzienlijk en levert optimale simulatieresultaten op. Yan et al.27 gebruikten SVM-technologie en introduceerden een precisie-ongevoelige verliesfunctie om de elastische modulus van hogesterktebeton te voorspellen, waarbij de voorspellingsnauwkeurigheid werd vergeleken met het traditionele regressiemodel en het neurale netwerkmodel. De onderzoeksresultaten tonen aan dat de SVM-technologie een kleinere voorspellingsfout voor elastische modulus oplevert in vergelijking met andere methoden.

Dit artikel verzamelt beeldmonsters van beton onder verschillende trillingstoestanden en beschrijft de verschillende toestanden van het beton met behulp van de directionele gradiënthistogramtechniek. De directionele gradiënt wordt gebruikt als een kenmerkvector voor het trainen van de SVM, en de studie richt zich op de haalbaarheid van het gebruik van de directionele gradiënt histogram-SVM-technologie om de trillingstoestand van beton te identificeren. Daarnaast analyseert het artikel het beïnvloedingsmechanisme tussen drie belangrijke parameters - binarisatiedrempel, directionele gradiënt statistische blokgrootte en directionele gradiënt statistische intervalnummer - in het functie-extractieproces van het directionele gradiënthistogram en de herkenningsnauwkeurigheid van de SVM.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Concrete beeldacquisitie

  1. Transporteer beton naar de werkplaats, waar het door de pompwagen wordt gestort.
  2. Om beelden vast te leggen, schakelt u de opnameapparatuur in door de aan/uit-schakelaar naar rechts te bewegen en in de AAN-stand te draaien. Zet de modusknop van de camera in de groene automatische modus, zorg ervoor dat de cameralens evenwijdig is aan het betonnen oppervlak en druk op de sluitertoets. Leg 20 beeldmonsters vast van niet-getrild beton en sla ze op in .jpg formaat met een acquisitieresolutie van 1024 x 1024 pixels, zoals geïllustreerd in afbeelding 1.
  3. Steek het trillende deel van de betontrilapparatuur (plug-in betonnen trilstaaf) in het beton. Sluit de voeding aan en schakel vervolgens de betontrilapparatuur in door deze in de AAN-stand te zetten.
  4. Wanneer er enige instorting is op het oppervlak van het beton (veroorzaakt door de trilling die lucht in het beton afvoert, wat leidt tot het zinken van oppervlakteaggregaten om de openingen op te vullen, wat resulteert in het instorten van beton) en er wat cementslurry verschijnt, houdt u de cameralens evenwijdig aan het betonoppervlak en drukt u op de ontspanknop. Verzamel 20 beeldmonsters van trillend beton, zoals weergegeven in afbeelding 2.
  5. Ga door met het bedienen van de trilapparatuur. Wanneer er geen duidelijke instorting op het betonoppervlak is, er geen cementslurry verschijnt en er geen luchtbellen worden gegenereerd, stopt u het trillingsproces en legt u 20 beeldmonsters van getrild beton vast, zoals weergegeven in figuur 3.

2. Voorbeeld van een grijze binarisatie van een afbeelding

  1. Gebruik de imread()-functie van MATLAB-software om het .jpg-bestand te lezen als de eenheidsindelingsgegevens van 1024 pixels x 1024 pixels x 3 kleurkanalen, die de rode, groene en blauwe kanaalwaarden van de afbeelding vertegenwoordigen.
  2. Pas vervolgens de MATLAB-functie toe rgb2gray om de afbeelding naar grijswaarden te converteren, aangeduid met de indeling grijswaarde = rgb2gray(jpg-bestandsnaam). Bereken de grijswaarde van elke pixel volgens vergelijking (1) en sla de grijswaarde op als de unit8-indelingsgegevens van 1024 x 1024.
    GR(i,j) = 0,2989R(i,j) + 0,587G(i,j) + 0,114B(i,j) (1)
    waarbij GR(i,j) de grijze waarde van het pixelpunt is, R(i,j) de rode kanaalwaarde van het pixelpunt, G(i,j) de groene kanaalwaarde van het pixelpunt en B(i,j) de blauwe kanaalwaarde van het pixelpunt.
  3. Wijzig de binaire waarde van de grijswaarden groter dan de pixeldrempel θ in 1 en stel de binaire waarde van de grijswaarden kleiner dan de θ pixel in op 0.
  4. Nadat u de gebinariseerde grijze resultaten hebt verkregen, slaat u de uitkomst op als gegevens in logische indeling van 1024 x 1024. In dit geval vertegenwoordigt θ de binarisatiedrempel en de waarden zijn 50, 100, 150 en 200 voor concrete voorbeeldafbeeldingen met verschillende trillingstoestanden, zoals weergegeven in afbeelding 5, afbeelding 6 en afbeelding 7.

3. Berekening van de eigenwaarde van de richtingsgradiënt

  1. Bereken het horizontale en verticale binaire verloop van elke pixel in de afbeelding met behulp van de volgende vergelijking28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    waarbij Th de horizontale gebinariseerde gradiënt is, Tp de verticale gebinariseerde gradiënt, R de gebinariseerde logische notatiegegevens, x het rijnummer van de gebinariseerde matrix en y het kolomnummer van de gebinariseerde matrix.
  2. Bereken de binaire gradiëntrichting en -grootte van elk punt met behulp van de volgende vergelijking29
    figure-protocol-1
    waarbij T de binaire gradiëntgrootte is, αT de binaire gradiëntrichting, Th de horizontale binaire gradiënt en Tp de verticale binaire gradiënt.
  3. Bepaal de grootte van het afbeeldingssegmentatieblok, aangeduid als n, waarbij de waarde van n [ 1,9] is. Stel de segmentatielijn voor elke n pixel in de y-richting langs de x-richting in, waardoor de afbeelding effectief wordt verdeeld in n x n vierkante blokken op basis van de positie van de segmentatielijn. Alle delen van de afbeelding die geen volledige vierkante blokken kunnen vormen, worden vervolgens verwijderd.
  4. Verdeling binaire gradiëntrichting αT (waarde van de binaire gradiëntrichting αT is [ 0°, 360°]) in m delen, resulterend in m directionele gradiënt statistische hoekintervallen. Ga verder met het berekenen van de statistische verloopwaarde voor het statistische interval van de gradiënthoek van elk blok.
    1. Op basis van de binaire gradiëntrichting van elke pixel in het blok, classificeert u de pixels in het juiste statistische gradiënthoekinterval van elke richting.
    2. Tel de binaire gradiënt van de pixels in het statistische verloophoekinterval van elke richting tegen de klok in op om de statistische gradiëntwaarde van dat interval te verkrijgen. De verkregen resultaten voor gradiënt statistische hoek interval directionele gradiënt statistieken zijn weergegeven in Figuur 8, Figuur 9 en Figuur 10 voor blokgroottes n gelijk aan respectievelijk 8, 128 en 512 .

4. Construeren van directionele gradiëntkenvector

  1. Verdeel de monsters in de vereiste berekeningsgebieden, waarbij elk berekeningsgebied bestaat uit vier aangrenzende blokken op basis van de blokresultaten die in stap 3.3 zijn verkregen. Bijvoorbeeld, uitgaande van pixels met een resolutie van 16 x 16 en een blokgrootte van 4 x 4, wordt de afbeelding verdeeld in (16 / 4-1) x ( 16 / 4-1 ) = 9 berekeningsgebieden.
  2. Bereken de statistische waarde van de richtingsgradiënt binnen het hoekinterval van de gradiëntstatistieken van elk blok in het berekeningsgebied. Verkrijg vervolgens de kenmerkvector met de directionele gradiëntstatistieken als component.
  3. Combineer de vectoren van de richtingsverloopfunctie van elk berekeningsgebied om de vectoren van de richtingsgradiënt van de afbeelding te verkrijgen.

5. SVM-opleiding

  1. Selecteer willekeurig 42 monsters uit de drie trillingstoestanden om de trainingsgroep te maken, waarbij de resterende 18 monsters als testgroep overblijven.
  2. Gebruik de fitcecoc-functie van MATLAB voor SVM-training; Het formaat is
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    waarbij SVM de ondersteuningsvectormachine is die moet worden getraind, trainingFeatures de vectorfunctie van de richtingsgradiënt van de trainingsgroep en de eigenwaarde van de trainingsgroep de karakteristieke waarde van de trillingstoestand van de trainingsgroep. De karakteristieke waarden van de trillingstoestand van de monsters van niet-getrild beton, trilbeton en getrild beton zijn respectievelijk 1, 2 en 3.
  3. Sla de getrainde SVM op met behulp van de functie Opslaan in .mat-indeling.

6. Verificatie van de nauwkeurigheid van SVM-herkenning

  1. Voer met behulp van de voorspellingsfunctie van MATLAB de directionele gradiëntfunctievector van de testgroepmonsterafbeelding in de getrainde SVM in om de berekende waarde van de trillingstoestandsfunctie voor elk testmonster te verkrijgen. Het formaat is als volgt:
    testgroupcalculateseigenvalues = voorspellen (SVM, testFeature)
    waarbij testgroupcalculateseigenvalues de berekende waarde van de trillingstoestandsfunctie is en SVM de ondersteuningsvectormachine is die in stap 5 is getraind. testFeature is de directionele gradiëntfunctievector van de voorbeeldafbeelding van de testgroep.
  2. Bepaal de resultaten van de monsterherkenning van de testset door de testset in de getrainde SVM in te voeren. Tel het aantal monsters waarvoor de herkenningsresultaten van de testset overeenkomen met de werkelijke toestand en bereken vervolgens de herkenningsnauwkeurigheid door het aantal juiste monsters te delen door het totale aantal monsters van de testset.
    1. Als de nauwkeurigheid van de testherkenning hoger is dan 94%, beschouw de SVM-herkenning als effectief. Als het lager is dan 94%, keer dan terug naar stap 1.1 en pas de binarisatiedrempel, blokgrootte n en het aantal statistische intervallen met richtingsgradiënt m aan.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit protocol heeft tot doel te analyseren hoe de berekeningsparameters met drie vectoren van de directionele gradiëntfunctie de nauwkeurigheid van de SVM beïnvloeden bij het identificeren van de trillingstoestand van het beton. De primaire berekeningsparameters van de richtingsgradiëntfunctievector omvatten de statistische blokgrootte van de directionele gradiënt, het aantal statistische hoekintervallen met directionele gradiënt en de binaire grijze drempel. In dit gedeelte worden drie belangrijke berekeningsparameters gebruikt als variabelen om de test te ontwerpen. De niveaus van de testparameters worden gedetailleerd beschreven in tabel 1. In totaal werden 100 tests uitgevoerd op concrete beeldmonsters met een resolutie van 1024 x 1024 pixels. De testresultaten die overeenkomen met de in tabel 1 beschreven parameters zijn weergegeven in tabel 2.

Analyse van verschillende binaire grijze drempel-SVM-herkenningsresultaten
Tabel 2 toont de gemiddelde herkenningsnauwkeurigheid van de SVM voor verschillende binarisatiedrempels, en de relatie tussen de binarisatiedrempel en de herkenningsnauwkeurigheid wordt gevisualiseerd in figuur 4. Wanneer de blokgrootte en het aantal statistische intervallen zijn vastgelegd, vertoont de herkenningsnauwkeurigheid van de SVM over het algemeen een dalende trend met een toename van de binarisatiedrempel. Met name de herkenningsnauwkeurigheid neemt aanzienlijk af wanneer de binarisatiedrempel binnen het bereik van 100 tot 150 valt. Verder onderzoek is nodig om de redenen achter dit fenomeen en de impact ervan op de berekening van de SVM te begrijpen.

In deze sectie worden, volgens de methode beschreven in stap 2.1 en de experimentele opzet beschreven in stap 3.1, de beeldmonsters van niet-getrild beton, vibrerend beton en getrild beton gebinariseerd. De gebruikte gebinariseerde grijze drempels zijn 50, 100, 150, 200 en 250, wat resulteert in gebinariseerde grijze afbeeldingen voor elke staat, zoals weergegeven in afbeelding 5, afbeelding 6 en afbeelding 7.

Zoals geïllustreerd in figuur 5, neemt het witte gebied in het binaire beeld van het niet-getrilde betonbeeldmonster aanzienlijk af naarmate de binarisatiedrempel afneemt. Bij een binarisatiedrempel van 250 lijkt het binaire beeld puur zwart te zijn. In figuur 6 is de veranderende trend van het binaire grijze beeld van het trillende betonbeeldmonster met de binarisatiedrempel vergelijkbaar met die van het niet-getrilde betonmonster, maar de vermindering van het witte gebied is meer uitgesproken in het beeldmonster van trillende beton. Bovendien illustreert figuur 7 de combinatie van het zwarte deel en de witte gebieden, die de oppervlaktetextuurkenmerken van beton in verschillende trillingstoestanden weerspiegelen. Het binaire grijze beeld van trilbeton neemt ook af met een afnemende binarisatiedrempel. Wanneer de binarisatiedrempel bijvoorbeeld is ingesteld op 50 en 100, is het binaire grijze beeld van getrild beton meestal wit. Bij een drempel van 150 lijkt het vergelijkbaar met de andere twee toestanden, maar wanneer de drempel hoger is dan 150, is het binaire beeld meestal zwart. Met name wanneer de binarisatiedrempel tussen 100 en 150 ligt, treden er significante veranderingen op in de binaire beeldkenmerken.

De extractie van kenmerkvectoren in dit artikel is gebaseerd op de directionele gradiënt van afbeeldingsmonsters. Door de binarisatiedrempel te verhogen van 50 naar 100 wordt het contactoppervlak tussen witte en zwarte pixels verkleind. Deze reductie heeft invloed op de statistieken van het pixelrichtingsverloop, omdat dit afhankelijk is van de pixelwaardeverandering tussen elke pixel. Een groter contactoppervlak resulteert in minder dan 0 componenten in de SVM-kenmerkvector, waardoor de weergave van de trillingstoestandskenmerken van beton uitgebreider wordt. De verandering in herkenningsnauwkeurigheid met de binarisatiedrempel is voornamelijk te wijten aan de verandering in het aantal 0-componenten in de directionele gradiëntkenvector. Bovendien, wanneer de binarisatiedrempel wordt verhoogd van 150 naar 250, wordt het witte gebied van het binaire beeldmonster aanzienlijk verkleind. Bijgevolg wordt ook de bijbehorende herkenningsnauwkeurigheid sterk verminderd, wat deze regel verder ondersteunt.

Verschillende directionele gradiënt statistische blokgrootte-SVM-herkenningsresultaten
In deze sectie wordt de statistische nauwkeurigheid van de identificatie van de blokgrootte van gradiëntstatistieken in verschillende richtingen, zoals weergegeven in tabel 2, berekend. Vervolgens wordt de gemiddelde waarde van de statistische blokgrootte-identificatienauwkeurigheid van gradiëntstatistieken in elke richting berekend. De resultaten worden geïllustreerd in figuur 8.

Figuur 8 toont de relatie tussen de herkenning van de SVM voor concrete beeldmonsters met een resolutie van 1024 en de statistische blokgrootte van de directionele gradiënt. Dit verband kan worden uitgedrukt door vergelijking (2).

y=0,09+0,144x-0,01x2 (2)

De voorbeeldfunctievector van de afbeelding wordt berekend met behulp van de blokveegmethode20. Ondertussen, wanneer het blok klein is, karakteriseert de kenmerkvector de lokale specificiteit van het binaire beeld. Dit resulteert in concrete voorbeeldbeelden van verschillende trillingstoestanden met een vergelijkbare lokale specificiteit, wat leidt tot een aanzienlijk aantal 0-componenten in de kenmerkvector. Bijgevolg veroorzaakt dit hoge aantal 0-componenten aanzienlijke interferentie in de SVM-divisie, wat leidt tot een verminderde herkenningsnauwkeurigheid, met name voor afbeeldingen van 1024 pixels met een blokgrootte van 8 pixels.

Naarmate de blokgrootte toeneemt, neemt de lokale specificiteit die door de kenmerkvector wordt weerspiegeld geleidelijk af en karakteriseert de kenmerkvector de regionale specificiteit van het afbeeldingsmonster, zoals geïllustreerd in figuur 10. Bijgevolg neemt het aantal 0-componenten in de kenmerkvector af, wat leidt tot minder interferentie tijdens het delingsproces van de SVM. Daardoor verbetert de herkenningsnauwkeurigheid van de SVM.

Wanneer de blokgrootte echter verder wordt vergroot, meer dan 32 pixels, blijft het aantal 0-componenten in de kenmerkvector afnemen. Maar het leidt ook tot een vermindering van de dimensie van de functievector van de SVM-trainingsset. Op dit moment komt de impact op de herkenningsnauwkeurigheid van de SVM voornamelijk voort uit het ontbreken van functieafmetingen. Toch slaagt de kenmerkvector er nog steeds in om een zekere mate van specificiteit in het concrete beeld vast te leggen. Zoals geïllustreerd in figuur 11, vertonen de richtingsgradiëntkenmerken in elk blok van concrete beeldmonsters met verschillende trillingstoestanden nog steeds significante verschillen wanneer de blokgrootte tot op zekere hoogte wordt uitgebreid. Deze observatie verklaart waarom de herkenningsnauwkeurigheid afneemt wanneer de blokgrootte buitensporig groot wordt, hoewel de afname relatief klein is.

Directionele gradiënt statistische hoek interval nummer-SVM herkenningsresultaten
In deze sectie wordt de herkenningsnauwkeurigheid berekend van het aantal statistische intervallen met richtingsgradiënten zoals weergegeven in tabel 2 . Vervolgens wordt de gemiddelde herkenningsnauwkeurigheid van het aantal statistische intervallen met richtingsgradiënten berekend. De resultaten worden geïllustreerd in figuur 12.

Uit figuur 12 blijkt dat naarmate het aantal statistische intervallen met richtingsgradiënt toeneemt, de herkenningsnauwkeurigheid van de SVM voor de trillingstoestand van het beton aanvankelijk toeneemt en vervolgens afneemt. Deze relatie kan worden uitgedrukt door vergelijking (3)

y=-0,45+0,2x-0,007x2 (3)

Het beïnvloedingsmechanisme tussen het aantal statistische intervallen van de gradiëntrichting en de herkenningsnauwkeurigheid is te wijten aan de verandering in de parameters voor het extraheren van beeldkenmerken. Dit veroorzaakt een verschuiving in het specifieke karakteriseringsvermogen van kenmerkvectoren voor afbeeldingsmonsters. In dit gedeelte wordt een deel van de beeldmonsters van matig getrild beton onderschept. De berekeningsresultaten van de richtingsgradiëntkarakteristieken worden verkregen wanneer de rastergrootte 4 is en het aantal statistische intervallen voor richtingsgradiënt is ingesteld op 6, 9, 12 en 15, zoals geïllustreerd in figuur 13.

Zoals weergegeven in figuur 13A,B, is de grootte van elk interval 60° wanneer het aantal statistische intervallen met richtingsgradiënt is ingesteld op 6. Aangezien de rekenblokgrootte 4x4 is, zijn er 16 pixels in elk blok. Bij grotere intervalgroottes valt de directionele gradiënt van meerdere pixels binnen één interval. Dit leidt tot een toename van het aantal 0-componenten in de kenmerkvector van afbeeldingsvoorbeelden wanneer de intervalgrootte groter is. Bijgevolg heeft het invloed op de trainingsresultaten en de herkenningsnauwkeurigheid van de SVM. Wanneer het aantal statistische intervallen voor richtingsverlopen echter 9 is, wordt de hoekverdeling verfijnder, wat leidt tot een vermindering van situaties waarin er geen pixels binnen een interval zijn. Bijgevolg wordt ook het aantal 0-componenten in de kenmerkvector van afbeeldingsvoorbeelden verminderd, wat resulteert in een verbeterd beeldspecifiek representatievermogen van de kenmerkvector. Echter, bij vergelijking met Figuur 13C en Figuur 13D, wanneer het aantal statistische intervallen voor directionele gradiënt toeneemt van 12 naar 15, neemt het aantal pixels met 0 in het interval van de berekeningsresultaten van de directionele gradiëntfunctie toe. Als gevolg hiervan neemt het vermogen van de kenmerkvector om de specificiteit van het voorbeeldbeeld te karakteriseren af. Deze vermindering van het karakteriseringsvermogen wordt toegeschreven aan de verdere afname van de omvang van het statistische interval voor directionele gradiënt. Concreet is het interval met slechts één pixel nu verdeeld in twee intervallen: een met een enkele pixel en een andere als een leeg interval. Bijgevolg leidt de toename van het aantal lege intervallen tot meer 0-componenten in de kenmerkvector, wat uiteindelijk resulteert in een afname van de herkenningsnauwkeurigheid.

figure-results-1
Figuur 1: Afbeelding van niet-getrild beton. Beelden van gepompt beton gemaakt zonder trilwerking. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-2
Figuur 2: Afbeelding van trillend beton. Beeldvoorbeelden bij het trillen van pompbeton. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-3
Figuur 3: Afbeelding van een monster van getrild beton. Beeldvoorbeelden wanneer de trilfunctie van het pompen van beton is voltooid. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 4: Nauwkeurigheidsrelatie tussen binarisatiedrempel en herkenning. De invloed van de binarisatiedrempel op de herkenningsnauwkeurigheid van SVM. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-5
Figuur 5: Binair grijswaardenbeeld van niet-getrild beton. De binarisatieverwerking resulteert in niet-getrilde betonbeelden wanneer verschillende binarisatiedrempels zijn ingesteld. (A) Binarisatiedrempel op 50. (B) Binarisatiedrempel op 100. (C) Binarisatiedrempel op 150. (D) Binarisatiedrempel op 200. (E) Binarisatiedrempel op 250. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-6
Figuur 6: Binair grijswaardenbeeld van trillend beton. De binarisatieverwerking resulteert in trillende betonbeelden wanneer verschillende binarisatiedrempels zijn ingesteld. (A) Binarisatiedrempel op 50. (B) Binarisatiedrempel op 100. (C) De binarisatiedrempel op 150. (D) Binarisatiedrempel op 200. (E) Binarisatiedrempel op 250. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-7
Figuur 7: Binair grijswaardenbeeld van trilbeton. De binarisatieverwerkingsresultaten van getrild betonbeeld wanneer verschillende binarisatiedrempels worden ingesteld. (A) Binarisatiedrempel op 50. (B) Binarisatiedrempel op 100. (C) Binarisatiedrempel op 150. (D) Binarisatiedrempel op 200. (E) Binarisatiedrempel op 250. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-8
Figuur 8: Diagram van de nauwkeurigheid van de herkenning van de richtingsgradiënt, de statistische blokgrootte-herkenning. De invloed van de statistische blokgrootte van directionele gradiënt op de herkenningsnauwkeurigheid van SVM. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-9
Figuur 9: Schematisch diagram van de resultaten van de extractie van objecten met een blokgrootte van 8 pixels met directionele gradiënt. De gradiëntfunctie resulteert in drie soorten trillingstoestandsrichting wanneer de blokgrootte 8 pixels is. (A) niet-getrild beton, (B) trilbeton, (C) trilbeton. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-10
Figuur 10: Schematisch diagram van de resultaten van de extractie van objecten met een blokgrootte van 128 pixels met directionele gradiënt. De gradiëntfunctie resulteert in drie soorten trillingstoestandsrichting wanneer de blokgrootte 128 pixels is. (A) niet-getrild beton, (B) trilbeton, (C) trilbeton. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-11
Figuur 11: Directionele gradiëntextractieresultaten van concrete voorbeeldbeelden in verschillende trillingstoestanden met een blokgrootte van 512 pixels. De gradiëntfunctie resulteert in drie soorten trillingstoestandsrichting wanneer de blokgrootte 512 pixels is. (A) niet-getrild beton, (B) trilbeton, (C) trilbeton. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-12
Figuur 12: Directionele gradiënt statistische interval nummerherkenning nauwkeurigheidsrelatie. De invloed van het aantal statistische intervallen met richtingsgradiëntop de herkenningsnauwkeurigheid van SVM Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-13
Figuur 13: Berekeningsresultaten van de richtingsgradiëntkarakteristieken van het aantal verschillende statistische intervallen met richtingsgradiënt. De resultaten van de richtingsgradiëntkarakteristieken van de steekproef worden verkregen wanneer verschillende statistische intervallen voor richtingsgradiënten worden ingesteld. (A) 6 statistische intervallen voor richtingsgradiënt, (B) 9 statistische intervallen voor directionele gradiënt, (C) 12 statistische intervallen voor directionele gradiënt, (D) 15 statistische intervallen voor directionele gradiënt. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 1: Niveau van de SVM-identificatietestfactor. De invloed van de berekeningsparameters van de directionele gradiëntkenvector op de nauwkeurigheid van de SVM om de trillingstoestand van het beton te identificeren, wordt geanalyseerd. Klik hier om deze tabel te downloaden.

Tabel 2: Testresultaten van de analyse van de histogramparameter met directionele gradiënt. Op basis van het testschema in tabel 1 worden de resultaten van de herkenningsnauwkeurigheid verkregen. Klik hier om deze tabel te downloaden.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit artikel maakt gebruik van de ondersteuningsvectormachine (SVM) om de beeldkenmerken van verschillende monsters van betontrillingen te leren. Op basis van de resultaten van machine learning wordt een concrete methode voor het herkennen van de trillingstoestand op basis van beeldherkenning voorgesteld. Om de nauwkeurigheid van de herkenning te verbeteren, is het van cruciaal belang om de parameters van de drie belangrijkste stappen te beheersen: beeldsegmentatie, beeldbinarisatie en directionele gradiënt-eigenwaarde-extractie. Volgens de testresultaten wordt een kleinere binarisatiedrempel gebruikt om de concrete voorbeeldafbeelding voor te bewerken en wordt de blokgrootte van de afbeeldingssegmentatie van 128 pixels x 128 pixels gebruikt. Het aantal richtingsgradiënten voor statistische hoekintervallen is ingesteld op 12. In de beeldvoorbeeldset met een resolutie van 1024 wordt de beste herkenningsnauwkeurigheid voor machine learning-resultaten bereikt.

Vanwege de aanzienlijke variaties in de omgeving op verschillende bouwplaatsen, heeft deze methode een mechanisme voor het aanpassen van de nauwkeurigheid. Wanneer de herkenningsnauwkeurigheid niet aan de vereisten voldoet, kunnen de drie hierboven genoemde belangrijke parameters worden uitgebreid of verlaagd als een haalbare oplossing, waardoor fouten in de herkenningsnauwkeurigheid die worden veroorzaakt door veranderingen in de omgeving effectief worden beperkt. Het is belangrijk op te merken dat deze methode sterk afhankelijk is van de verlichtingsomstandigheden van het werkvlak. Het vastleggen van beelden bij weinig licht kan leiden tot een afname van de herkenningsnauwkeurigheid. Om de afhankelijkheid van verlichtingsomstandigheden te verminderen, zijn algoritmen voor beeldverbetering bij weinig licht onderzocht30, maar ze verhogen de herkenningstijd en hardwarevereisten aanzienlijk. Momenteel is er geen effectieve technologie die zowel de nauwkeurigheid van de herkenning bij lage verlichting als de efficiëntie van de herkenning garandeert. Deze methode maakt gebruik van het histogram van georiënteerde gradiënttechnologie om de kenmerken van de trillingstoestand van het beton te karakteriseren, waaronder het instorten van het oppervlak, drijvende cementslurry en bellen tijdens het proces van betontrillingen. In vergelijking met bestaande technologieën vermindert deze aanpak het aantal benodigde monsters aanzienlijk en verlaagt het de prestatie-eisen van de computer. Met een laptop die is uitgerust met een 2,30 GHz CPU, voltooit het herkenningsproces de differentiatie van de trainingsruimte van de SVM binnen slechts 15 seconden. Wanneer de extractieparameters op de juiste manier zijn ingesteld, wordt ook de herkenningsnauwkeurigheid verbeterd31.

In de toekomst kan dit protocol worden gebruikt om de trillingswerking van de bouwrobot te regelen, waardoor de werkzaamheden tijdig kunnen worden stopgezet wanneer het beton het gewenste trillingsniveau bereikt, waardoor kwaliteitsproblemen als gevolg van onvoldoende trillingen worden voorkomen. Bovendien kan de methode worden aangepast om robotbewerkingen aan te passen op basis van textuurkenmerken op de bouwplaats, zoals detectie van structurele vlakheid, verwijdering van slurry in het werkvlak en andere gerelateerde processen.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben niets te onthullen.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

We danken Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) dankbaar voor de financiering van dit werk.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
cameraSONYA6000De sensorgrootte is 23.5x15.6mm, de maximale acquisitie resolutie is 1440 * 1080, en het effectieve aantal pixels is 24,3 miljoen.
betonWuhan Construction Changxin Technology Development Co., Ltd.C30 pompbetonVolgens de norm van ' betonsterkte test en evaluatie standaard ' ( GB / T 50107-2010 ), is de standaardwaarde van de kubieke druksterkte 30 MPa pompbeton.
MatlabMathWorksMatlab R2017aMATLAB's programmeerinterface biedt ontwikkelingstools voor het verbeteren van de codekwaliteit, onderhoudbaarheid en het maximaliseren van de prestaties.
Het biedt tools voor het bouwen van applicaties met aangepaste grafische interfaces.
Het biedt tools voor het combineren van MATLAB-gebaseerde algoritmen met externe applicaties en talen
Processor Intel12th Gen Intel(R) Core (TM) i7-12700H @ 2.30GHz64-bit Win11 processor 

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Image RecognitionConcrete VibrationSupport Vector MachineDirectional Gradient HistogramFeature ExtractionVibration State AnalysisRecognition AccuracyMachine LearningImage SegmentationParameter Optimization

Related Articles