Rozpoznawanie obrazu i analiza parametrów stanu drgań betonu w oparciu o maszynę wektorów nośnych

Summary

Protokół opisany w tym artykule wykorzystuje technikę histogramu gradientu kierunkowego do wyodrębnienia cech próbek konkretnych obrazów w różnych stanach wibracji. Wykorzystuje maszynę wektorów nośnych do uczenia maszynowego, co skutkuje metodą rozpoznawania obrazu z minimalnymi wymaganiami dotyczącymi próbek treningowych i niskimi wymaganiami dotyczącymi wydajności komputera.

Abstract

W tym artykule technologia histogramu gradientu kierunkowego jest wykorzystywana do wyodrębniania cech próbek konkretnych obrazów uchwyconych w różnych stanach wibracji. Maszyna wektorów nośnych (SVM) jest wykorzystywana do uczenia się zależności między cechami obrazu a stanem drgań. Wyniki uczenia maszynowego są następnie wykorzystywane do oceny wykonalności stanu drgań betonu. Jednocześnie analizowany jest mechanizm wpływu parametrów obliczeniowych histogramu gradientu kierunkowego na dokładność rozpoznawania. Wyniki wskazują na możliwość wykorzystania technologii histogramu gradientu kierunkowego-SVM do identyfikacji stanu drgań betonu. Dokładność rozpoznawania początkowo wzrasta, a następnie maleje wraz ze wzrostem rozmiaru bloku gradientu kierunkowego lub liczby interwałów statystycznych. Dokładność rozpoznawania również maleje liniowo wraz ze wzrostem progu binaryzacji. Korzystając z przykładowych obrazów o rozdzielczości 1024 pikseli x 1024 pikseli i optymalizując parametry wyodrębniania cech, można osiągnąć dokładność rozpoznawania na poziomie 100%.

Introduction

jest podstawowym materiałem budowlanym szeroko stosowanym w budownictwie. Podczas pompowania w często powstają puste przestrzenie, które wymagają zagęszczenia poprzez wibracje. Nieodpowiednie wibracje mogą skutkować powierzchnią betonu o strukturze plastra miodu, podczas gdy nadmierne wibracje mogą prowadzić do segregacji betonu^1,2. Jakość działania wibracji znacząco wpływa na wytrzymałość^3,4,5,6 oraz trwałość formowanych konstrukcji^7,8. Cai et al.^9,10 przeprowadzili badanie, w którym połączyli badania eksperymentalne z analizą numeryczną w celu zbadania mechanizmu wpływu drgań na osiadanie kruszywa i trwałość betonu. Wyniki wykazały, że czas drgań i cząstki kruszywa wywierają znaczący wpływ na osiadanie kruszywa, podczas gdy gęstość kruszywa i lepkość plastyczna materiału na bazie cementu mają minimalny wpływ. Wibracje powodują osadzanie się kruszywa na dnie próbek. Co więcej, wraz ze wzrostem czasu wibracji, stężenie jonów chlorkowych zmniejsza się na dole próbek, a znacznie wzrasta na górze^9,10.

Obecnie, ocena stanu drgań betonu opiera się głównie na ręcznej ocenie. W miarę jak branża budowlana rozwija się dzięki inteligentnym reformom, operacje robotyczne stały się przyszłym kierunkiem^11,12. W związku z tym kluczowym wyzwaniem w inteligentnych operacjach wibracyjnych jest to, w jaki sposób umożliwić robotom identyfikację stanu drgań betonu.

Histogram zorientowanego gradientu to technika, która wykorzystuje intensywność gradientu pikseli lub rozkład kierunków krawędzi jako deskryptor do scharakteryzowania reprezentacji i kształtu obiektów na obrazach^13,14. Podejście to działa na lokalnych komórkach siatki obrazu, zapewniając solidną stabilność w charakteryzowaniu zmian obrazu w różnych warunkach geometrycznych i optycznych.

Zhou et al.¹⁵ zaproponowali metodę bezpośredniego wyodrębniania cech gradientu kierunkowego z obrazów w trybie Bayera. Takie podejście pomija wiele kroków w obliczaniu gradientu kierunkowego poprzez dopasowanie kolumny filtru kolorów do operatora gradientu, co znacznie zmniejsza wymagania obliczeniowe dotyczące rozpoznawania gradientu kierunkowego. He et al.¹⁶ wykorzystali histogram gradientu kierunkowego jako podstawową cechę i zastosowali algorytm grupowania średnich do klasyfikacji łączników szyn i określenia, czy łączniki są wadliwe. Wyniki rozpoznania wykazały, że histogram cechy gradientu zorientowanego wykazywał wysoką wrażliwość na wady elementów złącznych, spełniając potrzeby w zakresie konserwacji i napraw kolei. W innym badaniu Xu i in.¹⁷ wstępnie przetworzyli cechy obrazu twarzy za pomocą filtrowania falkowego Gabora i zmniejszyli wymiar wektorów cech za pomocą kodowania binarnego i algorytmu HOG. Średnia dokładność rozpoznawania metody wynosi 92,5%.

Maszyna wektorów nośnych (SVM)¹⁸ służy do mapowania wektora na przestrzeń wielowymiarową i ustanawia oddzielającą hiperpłaszczyznę o odpowiednim kierunku, aby zmaksymalizować odległość między dwoma równoległymi hiperpłaszczyznami. Pozwala to na klasyfikację wektorów podporowych¹⁹. Uczeni udoskonalili i zoptymalizowali tę technologię klasyfikacji, co doprowadziło do jej zastosowania w różnych dziedzinach, takich jak rozpoznawanie obrazów^20,21, klasyfikacja tekstu²², przewidywanie niezawodności²³ i diagnozowanie błędów²⁴.

Li et al.²⁵ opracowali dwustopniowy model SVM do rozpoznawania wzorców uszkodzeń sejsmicznych, skupiając się na trzech trybach zniszczenia sejsmicznego. Wyniki analizy wskazują, że proponowana dwustopniowa metoda SVM może osiągnąć ponad 90% dokładności dla trzech trybów awarii. Yang et al.²⁶ zintegrowali algorytm optymalizacyjny z SVM, aby symulować związek między pięcioma parametrami ultradźwiękowymi a naprężeniami obciążonego betonu. Wydajność niezoptymalizowanej maszyny SVM jest niezadowalająca, szczególnie w fazie niskiego stresu. Jednak przechodzenie przez model zoptymalizowany przez algorytm daje lepsze wyniki, choć przy długim czasie obliczeń. Dla porównania, zoptymalizowana pod kątem roju cząstek SVM znacznie skraca czas obliczeń, zapewniając jednocześnie optymalne wyniki symulacji. Yan et al.²⁷ zastosowali technologię SVM i wprowadzili funkcję strat niewrażliwych na precyzję, aby przewidzieć moduł sprężystości betonu o wysokiej wytrzymałości, porównując jego dokładność przewidywania z tradycyjnym modelem regresji i modelem sieci neuronowej. Wyniki badań pokazują, że technologia SVM powoduje mniejszy błąd przewidywania modułu sprężystości w porównaniu z innymi metodami.

Ten artykuł zbiera próbki obrazów betonu w różnych stanach wibracji i opisuje różne stany betonu za pomocą techniki histogramu gradientu kierunkowego. Gradient kierunkowy jest wykorzystywany jako wektor cech do trenowania SVM, a badanie koncentruje się na możliwości wykorzystania technologii histogramu gradientu kierunkowego-SVM do identyfikacji stanu drgań betonu. Ponadto w artykule przeanalizowano mechanizm wpływu między trzema kluczowymi parametrami - progiem binaryzacji, rozmiarem bloku statystycznego gradientu kierunkowego i numerem interwału statystycznego gradientu kierunkowego - w procesie ekstrakcji cech histogramu gradientu kierunkowego i dokładności rozpoznawania SVM.

Protocol

1. Akwizycja obrazu próbki betonu

1. Przetransportuj do miejsca pracy, gdzie zostanie on wylany przez ciężarówkę z pompą.
2. Aby robić zdjęcia, włącz sprzęt do fotografowania, przesuwając przełącznik kluczykowy zasilania w prawo i obracając go do pozycji ON. Ustaw pokrętło trybu aparatu w zielonym trybie automatycznym, upewniając się, że obiektyw aparatu jest ustawiony równolegle do powierzchni betonu, a następnie naciśnij migawki. Uchwyć 20 próbek obrazów niewibrowanego betonu, zapisując je w formacie .jpg z rozdzielczością akwizycji 1024 x 1024 pikseli, jak pokazano na Rysunek 1.
3. Włóż wibrującą część urządzenia wibracyjnego do betonu (wtykowy pręt wibracyjny do betonu) do betonu. Podłącz zasilanie, a następnie włącz betonowy sprzęt wibracyjny, ustawiając go w pozycji ON.
4. Gdy na powierzchni betonu nastąpi zapadnięcie się (spowodowane wibracjami odprowadzającymi powietrze do wnętrza betonu, co prowadzi do zapadania się kruszyw powierzchniowych w celu wypełnienia szczelin, co powoduje zapadanie się betonu) i pojawia się zawiesina cementowa, trzymaj obiektyw aparatu równolegle do powierzchni betonu i naciśnij migawki. Zbierz 20 próbek obrazów wibrującego betonu, jak pokazano na rysunku Rysunek 2.
5. Kontynuuj pracę ze sprzętem wibracyjnym. Gdy na powierzchni betonu nie ma widocznego zapadnięcia, nie pojawia się zaczyn cementowy i nie są generowane pęcherzyki, zatrzymaj proces wibracji i przechwyć 20 próbek obrazu wibrowanego betonu, jak pokazano na Rysunek 3.

2. Przykładowy obraz szarej binaryzacji

1. Wykorzystaj funkcję imread() oprogramowania MATLAB, aby odczytać plik .jpg jako dane formatu jednostki 1024 piksele x 1024 piksele x 3 kanały kolorów, reprezentujące wartości kanału czerwonego, zielonego i niebieskiego obrazu.
2. Następnie zastosuj funkcję MATLAB rgb2gray, aby przekonwertować obraz na skalę szarości, oznaczoną formatem gray value = rgb2gray(nazwa pliku jpg). Oblicz wartość szarości każdego piksela zgodnie z równaniem (1) i zapisz wartość szarości jako dane w formacie unit8 o wymiarach 1024 x 1024,
   GR_(i,j) = 0,2989R_(i,j) + 0,587G_(i,j) + 0,114B_(i,j) (1)
   gdzie, GR(i,j) jest wartością szarości punktu piksela, R(i,j) jest wartością kanału czerwonego punktu piksela, G(i,j) jest wartością kanału zielonego punktu piksela, a B(i,j) jest wartością kanału niebieskiego punktu piksela.
3. Zmień wartość binarną wartości szarości większych niż próg piksela θ na 1 i ustaw wartość binarną wartości szarości mniejszych niż piksel θ na 0.
4. Po uzyskaniu binaryzowanych wyników w kolorze szarym zapisz wynik jako dane w formacie logicznym 1024 x 1024. W tym przypadku θ reprezentuje próg binaryzacji, a jego wartości wynoszą 50, 100, 150 i 200 dla różnych stanów drgań przykładowych obrazów betonu, jak pokazano na Rysunek 5, Rysunek 6 i Rysunek 7.

3. Obliczanie wartości własnej gradientu kierunkowego

1. Oblicz poziomy i pionowy gradient binarny każdego piksela na obrazie, korzystając z następującego równania²⁸
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   gdzie T_h jest poziomym gradientem binaryzowanym, T_p jest pionowym gradientem binaryzowanym, R jest binaryzowanymi danymi w formacie logicznym, x jest numerem wiersza binarizowanej macierzy, a y jest numerem kolumny binarizowanej macierzy
.
2. Oblicz kierunek gradientu binarnego i rozmiar każdego punktu, korzystając z następującego równania²⁹
   
   gdzie T jest rozmiarem gradientu binarnego, α_T jest kierunkiem gradientu binarnego, T_h jest poziomym gradientem binarnym, a T_p jest pionowym gradientem binarnym.
3. Określ rozmiar bloku segmentacji obrazu, oznaczony jako n, gdzie wartość n wynosi [ 1,9]. Ustaw linię segmentacji dla każdego n pikseli w kierunku y wzdłuż kierunku x, skutecznie dzieląc obraz na bloki kwadratowe n x n na podstawie położenia linii segmentacji. Wszelkie części obrazu, które nie mogą tworzyć pełnych kwadratowych bloków, są następnie usuwane.
4. Podziel binarny kierunek gradientu α_T (wartość binarnego kierunku gradientu α_T wynosi [ 0°, 360°]) na m części, co daje m statystyczne przedziały kątów gradientu kierunkowego. Przejdź do obliczenia wartości statystycznej gradientu dla statystycznego przedziału kąta gradientu każdego bloku.
   1. Na podstawie binarnego kierunku gradientu każdego piksela w bloku sklasyfikuj piksele do odpowiedniego statystycznego interwału kąta gradientu dla każdego kierunku.
   2. Zsumuj gradient binarny pikseli w statystycznym przedziale kąta gradientu dla każdego kierunku w kierunku przeciwnym do ruchu wskazówek zegara, aby uzyskać wartość statystyczną gradientu dla tego interwału. Uzyskane wyniki statystyk gradientu statystycznego przedziału kąta gradientu kierunkowego są przedstawione w Rysunek 8, Rysunek 9 i Rysunek 10 dla rozmiarów bloków n równych odpowiednio 8, 128 i 512.

4. Konstruowanie wektora cech gradientu kierunkowego

1. Podziel próbki na wymagane obszary obliczeń, gdzie każdy obszar obliczeniowy składa się z czterech sąsiadujących ze sobą bloków na podstawie wyników bloków uzyskanych w kroku 3.3. Na przykład, biorąc pod uwagę rozdzielczość 16 x 16 pikseli i rozmiar bloku 4 x 4, obraz jest podzielony na (16 / 4-1) x ( 16 / 4-1 ) = 9 obszarów obliczeniowych.
2. Obliczyć wartość statystyczną gradientu kierunkowego w przedziale kątowym statystyk gradientu każdego bloku w obszarze obliczeń. Następnie należy uzyskać wektor cech ze statystyką gradientu kierunkowego jako składowym.
3. Połącz wektory cech gradientu kierunkowego z każdego obszaru obliczeń, aby uzyskać wektor cech gradientu kierunkowego obrazu.

5. Szkolenie SVM

1. Losowo wybierz 42 próbki z trzech stanów wibracji, aby utworzyć grupę treningową, pozostawiając pozostałe 18 próbek jako grupę testową.
2. Wykorzystaj funkcję fitcecoc programu MATLAB do szkolenia SVM; format to
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   gdzie SVM jest maszyną wektora nośnego, która ma być trenowana, trainingFeatures jest wektorem cech gradientu kierunkowego obrazu grupy treningowej, a Trainingeigenvalue jest wartością charakterystyczną stanu drgań grupy treningowej. Charakterystyczne wartości stanu drgań betonu niewibracyjnego, betonu wibrującego i próbek betonu wibrowanego wynoszą odpowiednio 1, 2 i 3.
3. Zapisz wytrenowaną maszynę SVM za pomocą funkcji Save w formacie .mat.

6. Weryfikacja dokładności rozpoznawania SVM

1. Korzystając z funkcji przewidywania MATLAB, wprowadź wektor cech gradientu kierunkowego obrazu próbki grupy testowej do wytrenowanej maszyny SVM, aby uzyskać obliczoną wartość funkcji stanu drgań dla każdej próbki testowej. Format jest następujący:
   testgroupcalculateseigenvalues = predict (SVM, testFeature)
   gdzie testgroupcalculateseigenvalues jest obliczoną wartością funkcji stanu drgań, a SVM jest maszyną wektora nośnego wytrenowaną w kroku 5. testFeature jest wektorem cech gradientu kierunkowego przykładowego obrazu grupy testowej.
2. Określ wyniki rozpoznawania próbki zestawu testowego, wprowadzając zestaw testowy do wytrenowanej maszyny SVM. Policz liczbę próbek, dla których wyniki rozpoznawania zestawu testowego są zgodne ze stanem rzeczywistym, a następnie oblicz dokładność rozpoznawania, dzieląc liczbę prawidłowych próbek przez łączną liczbę próbek zestawu testowego.
   1. Jeśli dokładność rozpoznawania testu jest wyższa niż 94%, należy uznać rozpoznawanie SVM za skuteczne. Jeśli jest niższy niż 94%, wróć do kroku 1.1 i dostosuj próg binaryzacji, rozmiar bloku n i liczbę interwałów statystycznych gradientu kierunkowego m.

Results

Ten protokół ma na celu analizę, jak parametry obliczeń trójwektorowych funkcji gradientu kierunkowego wpływają na dokładność SVM w identyfikacji konkretnego stanu drgań. Podstawowe parametry obliczeniowe wektora cech gradientu kierunkowego obejmują rozmiar bloku statystycznego gradientu kierunkowego, liczbę statystycznych przedziałów kątów gradientu kierunkowego oraz binarny próg szarości. W tej sekcji użyto trzech głównych parametrów obliczeniowych jako zmiennych do zaprojektowania testu. Poziomy parametrów testowych są szczegółowo opisane w tabeli 1. Łącznie przeprowadzono 100 testów na konkretnych próbkach obrazów o rozdzielczości 1024 x 1024 pikseli. Wyniki badań odpowiadające parametrom opisanym w tabeli 1 przedstawiono w tabeli 2.

Analiza różnych wyników rozpoznawania binarnego progu szarości SVM
Tabela 2 przedstawia średnią dokładność rozpoznawania SVM dla różnych progów binaryzacji, a zależność między progiem binaryzacji a dokładnością rozpoznawania jest wizualizowana w Rysunek 4. Gdy rozmiar bloku i liczba interwałów statystycznych są stałe, dokładność rozpoznawania SVM na ogół wykazuje tendencję spadkową wraz ze wzrostem progu binaryzacji. Warto zauważyć, że dokładność rozpoznawania znacznie spada, gdy próg binaryzacji mieści się w zakresie od 100 do 150. Konieczne są dalsze badania, aby zrozumieć przyczyny tego zjawiska i jego wpływ na obliczanie podziału SVM.

W tej sekcji, zgodnie z metodą opisaną w kroku 2.1 i eksperymentalnym projektem opisanym w kroku 3.1, próbki obrazów betonu niewibracyjnego, betonu wibrującego i betonu wibrowanego są binaryzowane. Używane binaryzowane szare progi to 50, 100, 150, 200 i 250, co daje binaryzowane szare obrazy dla każdego stanu, jak pokazano na Rysunek 5, Rysunek 6 i Rysunek 7.

Jak pokazano w Rysunek 5, wraz ze spadkiem progu binaryzacji, biały obszar na binarnym obrazie próbki obrazu z betonu niewibrowanego znacznie się zmniejsza. Przy progu binaryzacji wynoszącym 250 obraz binarny wydaje się być całkowicie. W Rysunek 6, zmieniający się trend binarnego szarego obrazu próbki obrazu wibrującego betonu z progiem binaryzacji jest podobny do tego w próbce betonu niewibrowanego, ale redukcja białego obszaru jest bardziej wyraźna w próbce obrazu wibrującego betonu. Ponadto Rysunek 7 ilustruje kombinację czarnej części i białych obszarów, odzwierciedlając charakterystykę tekstury powierzchni betonu w różnych stanach drgań. Binarny szary obraz wibrowanego betonu również zmniejsza się wraz ze zmniejszającym się progiem binaryzacji. Na przykład, gdy próg binaryzacji jest ustawiony na 50 i 100, binarny szary obraz wibrowanego betonu jest zwykle biały. Przy progu 150 wydaje się podobny do pozostałych dwóch stanów, ale gdy próg przekracza 150, obraz binarny ma tendencję do bycia czarnym. Warto zauważyć, że gdy próg binaryzacji wynosi od 100 do 150, zachodzą znaczące zmiany w binarnych cechach obrazu.

Ekstrakcja wektorów cech w tym artykule opiera się na kierunkowym gradinie próbek obrazów. Zwiększenie progu binaryzacji z 50 do 100 zmniejsza obszar kontaktu między białymi i czarnymi pikselami. Ta redukcja ma wpływ na statystyki gradientu kierunkowego pikseli, ponieważ zależy od zmiany wartości piksela między każdym pikselem. Większa powierzchnia kontaktu powoduje, że w wektorze cech SVM znajduje się mniej niż 0 komponentów, co sprawia, że reprezentacja charakterystyki stanu drgań betonu jest bardziej kompleksowa. Zmiana dokładności rozpoznawania za pomocą progu binaryzacji wynika przede wszystkim ze zmiany liczby składowych 0 w wektorze cech gradientu kierunkowego. Ponadto, gdy próg binaryzacji zostanie podniesiony ze 150 do 250, biały obszar próbki obrazu binarnego zostanie znacznie zmniejszony. W związku z tym odpowiednia dokładność rozpoznawania jest również znacznie zmniejszona, co dodatkowo wspiera tę regułę.

Różny gradient kierunkowy statystyczny rozmiar bloku - wyniki rozpoznawania SVM
W tej sekcji obliczana jest statystyczna dokładność identyfikacji rozmiaru bloku dla statystyk gradientu w różnych kierunkach, jak przedstawiono w tabeli 2. Następnie obliczana jest średnia wartość statystycznej dokładności identyfikacji rozmiaru bloku dla statystyk gradientu w każdym kierunku. Wyniki są zilustrowane w Rysunek 8.

Rysunek 8 pokazuje zależność między rozpoznawaniem SVM dla próbek konkretnych obrazów o rozdzielczości 1024 a statystycznym rozmiarem bloku gradientu kierunkowego. Zależność tę można wyrazić równaniem (2).

y=0,09+0,144x-0,01x² (2)

Wektor cechy przykładowego obrazu jest obliczany metodą zamiatania bloków²⁰. Tymczasem, gdy blok jest mały, wektor cech charakteryzuje lokalną specyfikę obrazu binarnego. W ten sposób powstają konkretne przykładowe obrazy o różnych stanach drgań o podobnej lokalnej specyficzności, co prowadzi do znacznej liczby składowych 0 w wektorze cech. W związku z tym ta duża liczba komponentów 0 powoduje znaczne zakłócenia w podziale SVM, co prowadzi do zmniejszenia dokładności rozpoznawania, szczególnie w przypadku obrazów o rozdzielczości 1024 pikseli o rozmiarze bloku wynoszącym 8 pikseli.

Wraz ze wzrostem rozmiaru bloku, lokalna specyficzność odzwierciedlana przez wektor cech stopniowo maleje, a wektor cech charakteryzuje regionalną specyfikę próbki obrazu, jak pokazano w Rysunek 10. W związku z tym liczba składowych 0 w wektorze cech zmniejsza się, co prowadzi do mniejszej interferencji podczas procesu dzielenia SVM. W ten sposób poprawia się dokładność rozpoznawania SVM.

Jednakże, gdy rozmiar bloku jest dalej zwiększany, przekraczając 32 piksele, liczba 0 komponentów w wektorze cech nadal się zmniejsza. Ale prowadzi to również do zmniejszenia wymiaru wektora cech zestawu treningowego SVM. W tym momencie wpływ na dokładność rozpoznawania SVM wynika głównie z braku wymiarów cech. Niemniej jednak wektor cech nadal jest w stanie uchwycić pewien stopień szczegółowości w konkretnym obrazie. Jak pokazano na rysunku Rysunek 11, gdy rozmiar bloku jest do pewnego stopnia zwiększony, cechy gradientu kierunkowego w każdym bloku próbek konkretnego obrazu o różnych stanach drgań nadal wykazują znaczące różnice. Ta obserwacja wyjaśnia, dlaczego dokładność rozpoznawania maleje, gdy rozmiar bloku staje się zbyt duży, chociaż spadek jest stosunkowo niewielki.

Gradient kierunkowy statystyczny liczba interwałów kątowych-wyniki rozpoznawania SVM
W niniejszej sekcji oblicza się dokładność rozpoznawania liczby przedziałów statystycznych gradientów kierunkowych przedstawionych w tabeli 2. Następnie obliczana jest średnia dokładność rozpoznawania przedziałów statystycznych liczby gradientów kierunkowych. Wyniki są zilustrowane w Rysunek 12.

Z Rysunek 12, jest oczywiste, że wraz ze wzrostem liczby interwałów statystycznych gradientu kierunkowego, dokładność rozpoznawania SVM dla konkretnego stanu drgań początkowo rośnie, a następnie maleje. Zależność tę można wyrazić równaniem (3)

y=-0,45+0,2x-0,007x² (3)

Mechanizm wpływu między liczbą statystycznych przedziałów kierunku gradientu a dokładnością rozpoznawania wynika ze zmiany parametrów ekstrakcji cech obrazu. Powoduje to zmianę specyficznej zdolności charakterystyki wektorów cech dla próbek obrazów. W tej sekcji przechwycono część próbek obrazu umiarkowanie wibrowanego betonu. Wyniki obliczeń charakterystyk gradientu kierunkowego uzyskuje się, gdy rozmiar siatki wynosi 4, a liczba przedziałów statystycznych gradientu kierunkowego jest ustawiona na 6, 9, 12 i 15, jak pokazano na rysunku Rysunek 13.

Jak pokazano w Rysunek 13A,B, gdy liczba interwałów statystycznych gradientu kierunkowego jest ustawiona na 6, rozmiar każdego interwału wynosi 60°. Biorąc pod uwagę, że rozmiar bloku obliczeniowego wynosi 4x4, w każdym bloku znajduje się 16 pikseli. Przy większych rozmiarach interwałów gradient kierunkowy wielu pikseli mieści się w jednym interwale. Prowadzi to do zwiększenia liczby składowych 0 w wektorze cech próbek obrazu, gdy rozmiar interwału jest większy. W konsekwencji wpływa to na wyniki treningu i dokładność rozpoznawania SVM. Jednak gdy liczba przedziałów statystycznych gradientów kierunkowych wynosi 9, podział kątów staje się bardziej precyzyjny, co prowadzi do zmniejszenia sytuacji, w których w interwale nie ma pikseli. W związku z tym liczba 0 komponentów w wektorze cech próbek obrazu jest również zmniejszona, co skutkuje lepszą zdolnością reprezentacji wektora cech specyficzną dla obrazu. Jednak po porównaniu z Rysunek 13C i Rysunek 13D, gdy liczba przedziałów statystycznych gradientu kierunkowego wzrasta z 12 do 15, liczba pikseli z 0 w przedziale wyników obliczeń funkcji gradientu kierunkowego wzrasta. W rezultacie zmniejsza się zdolność wektora cech do scharakteryzowania specyficzności przykładowego obrazu. To zmniejszenie zdolności charakterystyki przypisuje się dalszemu zmniejszaniu się rozmiaru interwału statystycznego gradientu kierunkowego. W szczególności interwał z tylko jednym pikselem jest teraz podzielony na dwa interwały: jeden z pojedynczym pikselem, a drugi jako pusty interwał. W związku z tym wzrost liczby pustych interwałów prowadzi do większej liczby składowych 0 w wektorze cech, co ostatecznie skutkuje spadkiem dokładności rozpoznawania.

Rysunek 1: Obraz niewibrowanego betonu. Zdjęcia pompowanego betonu wykonane bez wibracji. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 2: Obraz wibrującego betonu. Próbki obrazu podczas pompowania wibracyjnego betonu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 3: Obraz próbki wibrowanego betonu. Próbki obrazu po zakończeniu operacji pompowania wibracji betonu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 4: Zależność między progiem binaryzacji a dokładnością rozpoznawania. Wpływ progu binaryzacji na dokładność rozpoznawania SVM. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 5: Binarny obraz betonu niewibrowanego w skali szarości. Przetwarzanie binaryzacji powoduje powstanie niewibrujących obrazów, gdy ustawione są różne progi binaryzacji. (A) Próg binaryzacji na poziomie 50. (B) Próg binaryzacji na poziomie 100. (C) Próg binaryzacji na poziomie 150. (D) Próg binaryzacji na poziomie 200. (E) Próg binaryzacji na poziomie 250. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 6: Binarny obraz wibrującego betonu w skali szarości. Przetwarzanie binaryzacji powoduje wibrujące obrazy betonu, gdy ustawione są różne progi binaryzacji. (A) Próg binaryzacji na poziomie 50. (B) Próg binaryzacji na poziomie 100. (C) Próg binaryzacji na poziomie 150. (D) Próg binaryzacji na poziomie 200. (E) Próg binaryzacji na poziomie 250. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 7: Binarny obraz wibrowanego betonu w skali szarości. Wyniki przetwarzania binaryzacji obrazu wibrowanego betonu, gdy ustawione są różne progi binaryzacji. (A) Próg binaryzacji na poziomie 50. (B) Próg binaryzacji na poziomie 100. (C) Próg binaryzacji na poziomie 150. (D) Próg binaryzacji na poziomie 200. (E) Próg binaryzacji na poziomie 250. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 8: Diagram dokładności rozpoznawania rozmiarów bloków statystycznych gradientu kierunkowego. Wpływ statystycznego rozmiaru bloku gradientu kierunkowego na dokładność rozpoznawania SVM. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 9: Schemat ideowy wyników ekstrakcji cech gradientu kierunkowego o rozmiarze bloku 8 pikseli. Funkcja gradientu powoduje trzy rodzaje kierunku stanu drgań, gdy rozmiar bloku wynosi 8 pikseli. (A) niewibracyjny, (B) wibracyjny, (C) wibrowany. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 10: Schemat ideowy wyników ekstrakcji cech gradientu kierunkowego o rozmiarze bloku 128 pikseli. Funkcja gradientu powoduje trzy rodzaje kierunku stanu drgań, gdy rozmiar bloku wynosi 128 pikseli. (A) niewibracyjny, (B) wibracyjny, (C) wibrowany. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 11: Wyniki ekstrakcji gradientu kierunkowego dla obrazów próbek betonu w różnych stanach drgań z blokiem o rozmiarze 512 pikseli. Funkcja gradientu powoduje trzy rodzaje kierunku stanu drgań, gdy rozmiar bloku wynosi 512 pikseli. (A) niewibracyjny, (B) wibracyjny, (C) wibrowany. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 12: Zależność między dokładnością liczby a rozpoznawaniem gradientu kierunkowego. Wpływ liczby interwałów statystycznych gradientu kierunkowegona dokładność rozpoznawania SVM Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 13: Wyniki obliczeń charakterystyki gradientu kierunkowego dla liczby różnych przedziałów statystycznych gradientu kierunkowego. Wyniki charakterystyki gradientu kierunkowego próbki uzyskuje się, gdy ustawione są różne przedziały statystyczne gradientu kierunkowego. (A) 6 przedziałów statystycznych gradientu kierunkowego, (B) 9 przedziałów statystycznych gradientu kierunkowego, (C) 12 przedziałów statystycznych gradientu kierunkowego, (D) 15 przedziałów statystycznych gradientu kierunkowego. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Tabela 1: Poziom czynnika testowego identyfikacji SVM. Analizowany jest wpływ parametrów obliczeniowych wektora cech gradientu kierunkowego na dokładność SVM w celu identyfikacji stanu drgań betonu. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Wyniki testu analizy parametrów histogramu gradientu kierunkowego. Na podstawie schematu badania w tabeli 1 uzyskuje się wyniki dokładności rozpoznawania. Kliknij tutaj, aby pobrać tę tabelę.

Discussion

W tym artykule wykorzystano maszynę wektorów nośnych (SVM) do poznania cech obrazu różnych próbek stanu drgań betonu. Na podstawie wyników uczenia maszynowego zaproponowano konkretną metodę rozpoznawania stanów drgań opartą na rozpoznawaniu obrazu. Aby zwiększyć dokładność rozpoznawania, kluczowe znaczenie ma kontrola parametrów trzech kluczowych etapów: segmentacji obrazu, binaryzacji obrazu i ekstrakcji wartości własnych gradientu kierunkowego. Zgodnie z wynikami testu, do wstępnego przetworzenia konkretnego przykładowego obrazu stosuje się mniejszy próg binaryzacji i wykorzystuje się rozmiar bloku segmentacji obrazu 128 pikseli x 128 pikseli. Liczba gradientów kierunkowych dla statystycznych przedziałów kątów jest ustawiona na 12. W zestawie próbek obrazów o rozdzielczości 1024 uzyskuje się najlepszą dokładność rozpoznawania wyników uczenia maszynowego.

Ze względu na znaczne różnice w środowisku na różnych placach budowy, metoda ta ma mechanizm regulacji dokładności. Gdy dokładność rozpoznawania nie spełnia wymagań, trzy kluczowe parametry wymienione powyżej można rozszerzyć lub zredukować jako realne rozwiązanie, skutecznie łagodząc błędy dokładności rozpoznawania spowodowane zmianami środowiskowymi. Należy zauważyć, że ta metoda w dużym stopniu opiera się na warunkach oświetlenia powierzchni roboczej. Robienie zdjęć w warunkach słabego oświetlenia może prowadzić do zmniejszenia dokładności rozpoznawania. Aby zmniejszyć zależność od warunków oświetleniowych, zbadano algorytmy poprawy obrazu przy słabym oświetleniu³⁰ , ale znacznie wydłużają one czas rozpoznawania i wymagania sprzętowe. Obecnie żadna skuteczna technologia nie zapewnia zarówno niskiej dokładności rozpoznawania oświetlenia, jak i skuteczności rozpoznawania. Metoda ta wykorzystuje histogram technologii zorientowanego gradientu do scharakteryzowania charakterystyki stanu drgań betonu, w tym zapadania się powierzchni, unoszenia się zawiesiny cementowej i pęcherzyków w procesie drgań betonu. W porównaniu z istniejącymi technologiami, takie podejście znacznie zmniejsza liczbę wymaganych próbek i obniża wymagania dotyczące wydajności komputera. W przypadku laptopa wyposażonego w procesor 2,30 GHz, proces rozpoznawania kończy różnicowanie przestrzeni treningowej SVM w ciągu zaledwie 15 sekund. Gdy parametry ekstrakcji są odpowiednio ustawione, poprawia się również dokładność rozpoznawania³¹.

W przyszłości protokół ten może być wykorzystany do sterowania pracą wibracyjną robota budowlanego, co pozwoli na terminowe przerwanie operacji, gdy osiągnie pożądany poziom wibracji, unikając w ten sposób problemów z jakością spowodowanych nieodpowiednimi wibracjami. Ponadto metodę można dostosować do modyfikowania operacji robota w oparciu o charakterystykę tekstury na placu budowy, taką jak wykrywanie płaskości konstrukcji, usuwanie gnojowicy roboczej i inne powiązane procesy.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
aparat	SONY	A6000	Rozmiar czujnika to 23,5x15,6 mm, maksymalna rozdzielczość akwizycji to 1440 * 1080, a efektywny piksel to 24,3 miliona.
	Wuhan Construction Changxin Technology Development Co., Ltd.	Pompowanie betonu C30	Zgodnie z normą "norma badania i oceny wytrzymałości betonu" (GB / T 50107-2010), standardowa wartość sześciennej wytrzymałości na ściskanie wynosi 30 MPa do pompowania betonu.
Matlab	MathWorks	Matlab R2017a	Interfejs programistyczny MATLAB zapewnia narzędzia programistyczne poprawiające jakość kodu, łatwość konserwacji i maksymalizujące wydajność. Zapewnia narzędzia do budowania aplikacji przy użyciu niestandardowych interfejsów graficznych. Zapewnia narzędzia do łączenia algorytmów opartych na MATLAB z zewnętrznymi aplikacjami i językami
Procesor	Intel	Intel(R) Core(TM) i7-12700H 12. generacji @ 64-bitowy procesor Win11 2,30 GHz