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.
Artykuł metodologiczny
Rozpoznawanie obrazu i analiza parametrów stanu drgań betonu w oparciu o maszynę wektorów nośnych
W tym artykule
Podsumowanie
Streszczenie
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%.
Wprowadzenie
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 betonu1,2. Jakość działania wibracji znacząco wpływa na wytrzymałość3,4,5,6 oraz trwałość formowanych konstrukcji7,8. 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 górze9,10.
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 kierunkiem11,12. 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 obrazach13,14. 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 obrazów20,21, 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.
Protokół
1. Pozyskiwanie obrazów próbek betonu
- Transportuj beton na miejsce pracy, gdzie zostanie on wylany za pomocą pompy do betonu.
- Aby wykonać zdjęcia, włącz sprzęt fotograficzny, przesuwając przełącznik zasilania w prawo i obracając go do pozycji ON. Ustaw pokrętło trybów aparatu na zielony tryb automatyczny, upewniając się, że obiektyw aparatu jest równolegle do powierzchni betonu, i naciśnij przycisk migawki. Wykonaj 20 próbek zdjęć betonu niewibrowanego, zapisując je w formacie .jpg z rozdzielczością akwizycji 1024 x 1024 pikseli, jak zilustrowano na Rysunku 1.
- Wprowadź element wibracyjny urządzenia do wibrowania betonu (wkładany pręt wibracyjny do betonu) do betonu. Podłącz zasilanie, a następnie włącz urządzenie do wibrowania betonu, ustawiając je w pozycji ON.
- Gdy na powierzchni betonu pojawi się zapadanie (spowodowane usuwaniem powietrza z wnętrza betonu przez wibracje, co prowadzi do osiadania kruszywa powierzchniowego w celu wypełnienia luk, skutkując zapadnięciem się betonu) oraz pojawi się zawiesina cementowa, utrzymaj obiektyw aparatu równolegle do powierzchni betonu i naciśnij przycisk migawki. Zbierz 20 próbek zdjęć wibrowanego betonu, jak pokazano na Rysunku 2.
- Kontynuuj pracę urządzenia wibracyjnego. Gdy na powierzchni betonu nie będzie już wyraźnego zapadania, nie pojawi się zawiesina cementowa ani pęcherzyki powietrza, przerwij proces wibrowania i wykonaj 20 próbek zdjęć betonu powibrowanego, jak pokazano na Rysunku 3.
2. Binaryzacja skali szarości obrazu próbki
- Wykorzystaj funkcję imread() oprogramowania MATLAB, aby odczytać plik .jpg jako dane w formacie unit o rozmiarze 1024 pikseli x 1024 pikseli x 3 kanały kolorów, reprezentujące wartości kanałów czerwonego, zielonego i niebieskiego obrazu.
- Następnie zastosuj funkcję MATLAB rgb2gray, aby przekonwertować obraz na skalę szarości, zgodnie z formatem wartość szarości = rgb2gray(nazwa pliku jpg). Oblicz wartość szarości każdego piksela zgodnie z równaniem (1) i zapisz wartość szarości jako dane w formacie unit8 o rozmiarze 1024 x 1024.
GR(i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1)
gdzie GR(i,j) to wartość szarości punktu piksela, R(i,j) to wartość kanału czerwonego punktu piksela, G(i,j) to wartość kanału zielonego punktu piksela, a B(i,j) to wartość kanału niebieskiego punktu piksela. - Zmień wartość binarną wartości szarości większych od progu piksela θ na 1 i ustaw wartość binarną wartości szarości mniejszych od progu θ na 0.
- Po uzyskaniu zbinaryzowanych wyników w skali szarości zapisz wynik jako dane w formacie logicznym o rozmiarze 1024 x 1024. W tym przypadku θ reprezentuje próg binaryzacji, a jego wartości wynoszą 50, 100, 150 i 200 dla obrazów próbek betonu w różnych stanach wibracji, jak przedstawiono na Rysunku 5, Rysunku 6 i Rysunku 7.
3. Obliczanie wartości własnej gradientu kierunkowego
- Oblicz poziomy i pionowy gradient binarny każdego piksela w obrazie, korzystając z następującego równania28
Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
gdzie Th to poziomy gradient binarny, Tp to pionowy gradient binarny, R to dane w binarnym formacie logicznym, x to numer wiersza macierzy binarnej, a y to numer kolumny macierzy binarnej. - Oblicz kierunek i wielkość gradientu binarnego dla każdego punktu, korzystając z następującego równania29
gdzie T to wielkość gradientu binarnego, αT to kierunek gradientu binarnego, Th to poziomy gradient binarny, a Tp to pionowy gradient binarny. - Wyznacz rozmiar bloku segmentacji obrazu, oznaczony jako n, gdzie wartość n mieści się w przedziale [ 1,9]. Wyznacz linię segmentacji dla każdego piksela n w kierunku y wzdłuż kierunku x, dzieląc obraz na kwadratowe bloki o wymiarach n x n na podstawie położenia linii segmentacji. Części obrazu, które nie tworzą pełnych bloków kwadratowych, zostają usunięte.
- Podziel kierunek gradientu binarnego αT (wartość kierunku gradientu binarnego αT mieści się w przedziale [ 0°, 360°]) na m części, co daje m przedziałów kątowych statystyki gradientu kierunkowego. Następnie oblicz statystyczną wartość gradientu dla każdego przedziału kątowego statystyki gradientu w danym bloku.
- Na podstawie kierunku gradientu binarnego każdego piksela w bloku przypisz piksele do odpowiedniego przedziału kątowego statystyki gradientu dla każdego kierunku.
- Zsumuj gradienty binarne pikseli w przedziale kątowym statystyki gradientu dla każdego kierunku w kierunku przeciwnym do ruchu wskazówek zegara, aby uzyskać statystyczną wartość gradientu dla tego przedziału. Uzyskane wyniki statystyk gradientu kierunkowego dla przedziałów kątowych przedstawiono na Rysunku 8, Rysunku 9 i Rysunku 10 odpowiednio dla rozmiarów bloków n równych 8, 128 i 512.
4. Konstrukcja kierunkowego wektora cech gradientu
- Podziel próbki na wymagane obszary obliczeniowe, gdzie każdy obszar obliczeniowy składa się z czterech sąsiadujących bloków na podstawie wyników blokowych uzyskanych w kroku 3.3. Na przykład, przy rozdzielczości pikseli 16 x 16 i rozmiarze bloku 4 x 4, obraz zostaje podzielony na (16 / 4-1) x ( 16 / 4-1 ) = 9 obszarów obliczeniowych.
- Oblicz wartość statystyczną gradientu kierunkowego w przedziale kątowym statystyk gradientu dla każdego bloku w obszarze obliczeniowym. Następnie wyznacz wektor cech, w którym składnikami są statystyki gradientu kierunkowego.
- Połącz wektory cech gradientu kierunkowego z każdego obszaru obliczeniowego, aby uzyskać wektor cech gradientu kierunkowego całego obrazu.
5. Trenowanie SVM
- Losowo wybierz 42 próbki z trzech stanów drgań, aby utworzyć grupę treningową, pozostawiając pozostałe 18 próbek jako grupę testową.
- Wykorzystaj funkcję fitcecoc oprogramowania MATLAB do treningu SVM; format to
SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
gdzie SVM to maszyna wektorów nośnych do wytrenowania, trainingFeatures to wektor cech gradientu kierunkowego obrazów grupy treningowej, a Trainingeigenvalue to wartość charakterystyczna stanu drgań grupy treningowej. Wartości charakterystyczne stanu drgań dla próbek betonu niedrganego, betonu drganego i betonu powydrganego wynoszą odpowiednio 1, 2 i 3. - Zapisz wytrenowany model SVM w formacie .mat, korzystając z funkcji Save.
6. Weryfikacja dokładności rozpoznawania SVM
- Używając funkcji predykcji programu MATLAB, wprowadź wektor cech gradientu kierunkowego obrazu próbki z grupy testowej do wytrenowanego modelu SVM, aby uzyskać obliczoną wartość cechy stanu wibracji dla każdej próbki testowej. Format jest następujący:
testgroupcalculateseigenvalues = predict (SVM, testFeature)
gdzie testgroupcalculateseigenvalues to obliczona wartość cechy stanu wibracji, a SVM to maszyna wektorów nośnych wytrenowana w kroku 5. testFeature to wektor cech gradientu kierunkowego obrazu próbki z grupy testowej. - Określ wyniki rozpoznawania próbek ze zbioru testowego, wprowadzając zbiór testowy do wytrenowanego modelu SVM. Policz liczbę próbek, dla których wyniki rozpoznawania zbioru testowego są zgodne ze stanem rzeczywistym, a następnie oblicz dokładność rozpoznawania, dzieląc liczbę poprawnych próbek przez całkowitą liczbę próbek w zbiorze testowym.
- Jeśli dokładność rozpoznawania testowego jest wyższa niż 94%, uznaj rozpoznawanie SVM za skuteczne. Jeśli jest niższa niż 94%, wróć do kroku 1.1 i dostosuj próg binaryzacji, rozmiar bloku n oraz liczbę statystycznych przedziałów gradientu kierunkowego m.
Wyniki
Celem niniejszego protokołu jest analiza wpływu parametrów obliczeniowych trzech wektorów cechy gradientu kierunkowego na dokładność SVM w identyfikacji stanu wibracji betonu. Główne parametry obliczeniowe wektora cechy gradientu kierunkowego obejmują rozmiar bloku statystycznego gradientu kierunkowego, liczbę przedziałów kątowych statystycznych gradientu kierunkowego oraz binarny próg szarości. W tej sekcji trzy główne parametry obliczeniowe zostały przyjęte jako zmienne w celu zaprojektowania testu. Poziomy parametrów testowych szczegółowo opisano w Tabeli 1. Przeprowadzono łącznie 100 testów na próbkach obrazów betonu o rozdzielczości 1024 x 1024 pikseli. Wyniki testów odpowiadające parametrom opisanym w Tabeli 1 przedstawiono w Tabeli 2.
Analiza wyników rozpoznawania SVM dla różnych binarnych progów szarości
Tabela 2 przedstawia średnią dokładność rozpoznawania SVM dla różnych progów binaryzacji, a zależność między progiem binaryzacji a dokładnością rozpoznawania została zwizualizowana na Rysunku 4. Przy stałej wielkości bloku i liczbie przedziałów statystycznych, dokładność rozpoznawania SVM wykazuje zazwyczaj trend spadkowy wraz ze wzrostem progu binaryzacji. Warto zauważyć, że dokładność rozpoznawania znacząco spada, gdy próg binaryzacji mieści się w zakresie od 100 do 150. Wymagane są dalsze badania, aby zrozumieć przyczyny tego zjawiska oraz jego wpływ na obliczenia podziału w SVM.
W tej sekcji, zgodnie z metodą opisaną w kroku 2.1 oraz schematem eksperymentalnym opisanym w kroku 3.1, próbki obrazów betonu niewibrowanego, betonu w trakcie wibrowania oraz betonu wibrowanego zostają poddane binaryzacji. Zastosowane progi szarości dla binaryzacji to 50, 100, 150, 200 i 250, co pozwoliło na uzyskanie zbinaryzowanych obrazów w skali szarości dla każdego stanu, jak pokazano na Rysunku 5, Rysunku 6 i Rysunku 7.
Jak pokazano na Rysunku 5, wraz ze zmniejszaniem progu binaryzacji, biały obszar na obrazie binarnym próbki betonu niewibrowanego ulega znacznemu zmniejszeniu. Przy progu binaryzacji wynoszącym 250 obraz binarny wydaje się być całkowicie czarny. Na Rysunku 6 trend zmian obrazu binarnego w skali szarości dla próbki betonu wibrowanego w zależności od progu binaryzacji jest podobny do tego dla próbki betonu niewibrowanego, jednak redukcja białego obszaru jest bardziej wyraźna w przypadku próbki betonu wibrowanego. Ponadto Rysunek 7 przedstawia kombinację części czarnych i białych obszarów, co odzwierciedla charakterystykę tekstury powierzchni betonu w różnych stanach wibracji. Obraz binarny w skali szarości betonu wibrowanego również ulega zmniejszeniu wraz ze spadkiem progu binaryzacji. Na przykład, gdy próg binaryzacji zostanie ustawiony na 50 i 100, obraz binarny w skali szarości betonu wibrowanego ma tendencję do bycia białym. Przy progu 150 wygląda on podobnie do dwóch pozostałych stanów, ale gdy próg przekroczy 150, obraz binarny ma tendencję do bycia czarnym. Co istotne, gdy próg binaryzacji znajduje się między 100 a 150, dochodzi do znaczących zmian w cechach obrazu binarnego.
Ekstrakcja wektora cech w niniejszej pracy opiera się na gradiencie kierunkowym próbek obrazów. Zwiększenie progu binaryzacji z 50 do 100 zmniejsza obszar styku między pikselami białymi a czarnymi. Redukcja ta wpływa na statystykę gradientu kierunkowego pikseli, ponieważ zależy ona od zmiany wartości między poszczególnymi pikselami. Większy obszar styku skutkuje mniejszą liczbą komponentów równych 0 w wektorze cech SVM, co sprawia, że reprezentacja charakterystyk stanu wibracji betonu jest bardziej kompleksowa. Zmiana dokładności rozpoznawania w zależności od progu binaryzacji wynika przede wszystkim ze zmiany liczby komponentów 0 w wektorze cech gradientu kierunkowego. Co więcej, gdy próg binaryzacji zostanie podniesiony ze 150 do 250, biały obszar binarnej próbki obrazu ulega znacznemu zmniejszeniu. W konsekwencji odpowiadająca mu dokładność rozpoznawania również znacznie spada, co dodatkowo potwierdza tę regułę.
Wyniki rozpoznawania SVM dla różnych rozmiarów bloków statystycznych gradientów kierunkowych
W tej sekcji obliczono dokładność identyfikacji rozmiaru bloku statystycznego dla statystyk gradientów w różnych kierunkach, co przedstawiono w Tabeli 2. Następnie obliczono średnią wartość dokładności identyfikacji rozmiaru bloku statystycznego dla statystyk gradientów w każdym kierunku. Wyniki zilustrowano na Rysunku 8.
Rycina 8 przedstawia zależność między rozpoznawalnością SVM dla próbek obrazów betonu o rozdzielczości 1024 a statystycznym rozmiarem bloku gradientu kierunkowego. Zależność tę można wyrazić za pomocą równania (2).
y=0,09+0,144x-0,01x2 (2)
Wektor cech próbki obrazu jest obliczany metodą przesuwania bloków20. Jednocześnie, gdy blok jest mały, wektor cech charakteryzuje lokalną specyfikę obrazu binarnego. Powoduje to, że konkretne obrazy próbek dla różnych stanów drgań wykazują podobną specyfikę lokalną, co prowadzi do wystąpienia znacznej liczby komponentów 0 w wektorze cech. W konsekwencji ta wysoka liczba komponentów 0 powoduje istotne zakłócenia w podziale SVM, co prowadzi do obniżenia dokładności rozpoznawania, szczególnie w przypadku obrazów o rozmiarze 1024 pikseli przy wielkości bloku wynoszącej 8 pikseli.
Wraz ze zwiększaniem rozmiaru bloku lokalna specyficzność odzwierciedlona przez wektor cech stopniowo maleje, a wektor cech zaczyna charakteryzować specyficzność regionalną próbki obrazu, co zilustrowano na Rysunku 10. W konsekwencji liczba komponentów 0 w wektorze cech ulega zmniejszeniu, co prowadzi do mniejszych zakłóceń podczas procesu podziału SVM. Dzięki temu zwiększa się dokładność rozpoznawania przez SVM.
Jednakże, gdy rozmiar bloku zostanie dalej zwiększony i przekroczy 32 piksele, liczba komponentów równych 0 w wektorze cech nadal maleje. Prowadzi to jednak również do zmniejszenia wymiarowości wektora cech w zbiorze treningowym SVM. W tym punkcie wpływ na dokładność rozpoznawania SVM wynika głównie z braku wymiarów cech. Niemniej jednak wektor cech nadal zdoła uchwycić pewien stopień specyfiki obrazu betonu. Jak zilustrowano na Rysunku 11, gdy rozmiar bloku zostanie rozszerzony do pewnego stopnia, kierunkowe cechy gradientu w każdym bloku próbek obrazów betonu o różnych stanach wibracji nadal wykazują znaczące różnice. Obserwacja ta wyjaśnia, dlaczego dokładność rozpoznawania spada, gdy rozmiar bloku staje się zbyt duży, choć spadek ten jest stosunkowo niewielki.
Wyniki rozpoznawania SVM dla liczby przedziałów statystycznych kąta gradientu kierunkowego
W tej sekcji obliczono dokładność rozpoznawania dla liczby przedziałów statystycznych gradientów kierunkowych przedstawionych w Tabeli 2. Następnie wyznaczono średnią dokładność rozpoznawania dla liczby przedziałów statystycznych gradientów kierunkowych. Wyniki przedstawiono na Rysunku 12.
Z Ryciny 12 wynika, że wraz ze wzrostem liczby statystycznych przedziałów gradientu kierunkowego, dokładność rozpoznawania stanu wibracji betonu przez SVM początkowo rośnie, a następnie spada. Zależność tę można wyrazić za pomocą Równania (3)
y=-0,45+0,2x-0,007x2 (3)
Mechanizm wpływu liczby przedziałów statystycznych kierunku gradientu na dokładność rozpoznawania wynika ze zmiany parametrów ekstrakcji cech obrazu. Powoduje to przesunięcie w specyficznej zdolności charakteryzacji wektorów cech dla próbek obrazów. W tej sekcji przeanalizowano część próbek obrazów betonu poddanego umiarkowanym wibracjom. Wyniki obliczeń cech gradientu kierunkowego uzyskano dla rozmiaru siatki wynoszącego 4, przy ustawieniu liczby przedziałów statystycznych gradientu kierunkowego na 6, 9, 12 i 15, co przedstawiono na Rysunku 13.
Jak pokazano na Ryc. 13A,B, gdy liczba statystycznych przedziałów gradientu kierunkowego jest ustawiona na 6, rozmiar każdego przedziału wynosi 60°. Biorąc pod uwagę, że rozmiar bloku obliczeniowego to 4x4, w każdym bloku znajduje się 16 pikseli. Przy większych rozmiarach przedziałów gradienty kierunkowe wielu pikseli mieszczą się w jednym przedziale. Prowadzi to do zwiększenia liczby komponentów 0 w wektorze cech próbek obrazów przy większym rozmiarze przedziału. W konsekwencji wpływa to na wyniki uczenia i dokładność rozpoznawania przez SVM. Jednak gdy liczba statystycznych przedziałów gradientów kierunkowych wynosi 9, podział kątowy staje się bardziej precyzyjny, co prowadzi do zmniejszenia liczby sytuacji, w których w przedziale nie ma żadnych pikseli. W rezultacie liczba komponentów 0 w wektorze cech próbek obrazów również ulega zmniejszeniu, co skutkuje poprawą zdolności wektora cech do reprezentowania specyfiki obrazu. Jednak po porównaniu z Ryc. 13C i Ryc. 13D, gdy liczba statystycznych przedziałów gradientu kierunkowego wzrasta z 12 do 15, zwiększa się liczba pikseli z wartością 0 w wynikach obliczeń cech gradientu kierunkowego w przedziale. W efekcie zdolność wektora cech do charakteryzowania specyfiki obrazu próbki maleje. Ten spadek zdolności charakteryzacji przypisuje się dalszemu zmniejszeniu rozmiaru statystycznego przedziału gradientu kierunkowego. Konkretnie, przedział zawierający tylko jeden piksel zostaje teraz podzielony na dwa przedziały: jeden z pojedynczym pikselem i drugi będący przedziałem pustym. W konsekwencji wzrost liczby przedziałów pustych prowadzi do pojawienia się większej liczby komponentów 0 w wektorze cech, co ostatecznie skutkuje spadkiem dokładności rozpoznawania.
Rycina 1: Obraz betonu niewibrowanego. Obrazy betonu pompowanego wykonane bez zastosowania wibrowania. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 2: Obraz wibrowanego betonu. Próbki obrazów z operacji wibrowania betonu pompowanego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 3: Obraz próbki betonu poddanego wibracji. Próbki obrazów po zakończeniu operacji wibrowania betonu podczas pompowania. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
Rysunek 4: Zależność między progiem binaryzacji a dokładnością rozpoznawania. Wpływ progu binaryzacji na dokładność rozpoznawania przez SVM. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 5: Binarny obraz w skali szarości betonu niewibrowanego. Wyniki binaryzacji obrazów betonu niewibrowanego przy ustawieniu różnych progów binaryzacji. (A) Próg binaryzacji 50. (B) Próg binaryzacji 100. (C) Próg binaryzacji 150. (D) Próg binaryzacji 200. (E) Próg binaryzacji 250. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 6: Binarny obraz w skali szarości wibrującego betonu. Wyniki procesu binaryzacji obrazów wibrującego betonu przy ustawieniu różnych progów 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 wyświetlić powiększoną wersję tej ryciny.
Rycina 7: Binarny obraz w skali szarości wibrowanego betonu. Wyniki procesu binaryzacji obrazu wibrowanego betonu przy zastosowaniu różnych progów binaryzacji. (A) Próg binaryzacji wynoszący 50. (B) Próg binaryzacji wynoszący 100. (C) Próg binaryzacji wynoszący 150. (D) Próg binaryzacji wynoszący 200. (E) Próg binaryzacji wynoszący 250. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 8: Diagram zależności dokładności rozpoznawania od statystycznego rozmiaru bloku gradientu kierunkowego. Wpływ statystycznego rozmiaru bloku gradientu kierunkowego na dokładność rozpoznawania przez SVM. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 9: Schematyczny diagram wyników ekstrakcji cech gradientu kierunkowego dla rozmiaru bloku 8 pikseli. Wyniki cech gradientu dla trzech rodzajów kierunków stanu wibracji przy rozmiarze bloku 8 pikseli. (A) beton niewibrowany, (B) beton w trakcie wibrowania, (C) beton po wibrowaniu. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 10: Schemat wyników ekstrakcji cech gradientu kierunkowego dla rozmiaru bloku 128 pikseli. Wyniki cech gradientu wskazują na trzy rodzaje kierunków stanu wibrowania przy rozmiarze bloku 128 pikseli. (A) beton niewibrowany, (B) beton wibrowany, (C) beton po wibrowaniu. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 11: Wyniki ekstrakcji gradientu kierunkowego obrazów próbek betonu w różnych stanach wibrowania przy rozmiarze bloku 512 pikseli. Wyniki cech gradientu dla trzech stanów wibrowania przy rozmiarze bloku 512 pikseli. (A) beton niewibrowany, (B) beton w trakcie wibrowania, (C) beton po wibrowaniu. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 12Zależność między dokładnością rozpoznawania liczb a statystycznym przedziałem gradientu kierunkowego. Wpływ kierunkowego gradientu statystycznej liczby przedziałówPrześlij proszę tekst źródłowy do tłumaczenia. wpływ na dokładność rozpoznawania SVM Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 13: Wyniki obliczeń charakterystyk gradientu kierunkowego dla różnej liczby statystycznych przedziałów gradientu kierunkowego. Wyniki charakterystyk gradientu kierunkowego próbki uzyskano przy zastosowaniu różnych statystycznych przedziałów gradientu kierunkowego. (A) 6 statystycznych przedziałów gradientu kierunkowego, (B) 9 statystycznych przedziałów gradientu kierunkowego, (C) 12 statystycznych przedziałów gradientu kierunkowego, (D) 15 statystycznych przedziałów gradientu kierunkowego. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Tabela 1: Poziomy czynników testu identyfikacji SVM. Przeanalizowano wpływ parametrów obliczeniowych wektora cech gradientu kierunkowego na dokładność SVM w identyfikacji stanu wibracji betonu. Kliknij tutaj, aby pobrać tę tabelę.
Tabela 2: Wyniki testów analizy parametrów histogramu gradientu kierunkowego. Na podstawie schematu testowego przedstawionego w Tabeli 1 uzyskano wyniki dokładności rozpoznawania. Kliknij tutaj, aby pobrać tę tabelę.
Dyskusja
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.
Oświadczenia
Autorzy nie mają nic do ujawnienia.
Podziękowania
Serdecznie dziękujemy Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) za sfinansowanie tej pracy.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| 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 |
Bibliografia
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , San Diego, USA. (2005).
- Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1(2021).
- 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).
- 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).
- Cortes, C., Vapnik, V. N. Support Vector Networks. Machine Learning. 20 (3), 273-297 (1995).
- Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
- 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).
- Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
- Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
- 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).
- 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).
Przedruki i uprawnienia
