Rozpoznawanie obrazu i analiza parametrów stanu drgań betonu w oparciu o maszynę wektorów nośnych
5 stycznia 2024
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.
W protokole opisanym w tym artykule wykorzystano technikę histogramu gradientu kierunkowego w celu wyodrębnienia cech konkretnych próbek obrazu pod różnymi komórkami wibracyjnymi. Wykorzystuje maszynę wektora nośnego do uczenia maszynowego, co skutkuje metodą rozpoznawania obrazowania z minimalnymi wymaganiami dotyczącymi wytrenowanej próbki i niskimi wymaganiami dotyczącymi wydajności komputera. Takie podejście znacznie zmniejsza liczbę wymaganych próbek i obniża wymagania dotyczące wydajności komputera.
Dzięki odpowiednikowi laptopa o mocy 2,3 gigaherca jednostki centralnej, proces rozpoznawania kończy różnicowanie przestrzeni pociągu obsługiwanej maszyny wektorowej w ciągu zaledwie 50 sekund. Wykorzystywana jest segmentacja obrazów poniżej rozmiaru 128 projektów i 128 projektów. Liczba wektorów kierunkowych dla statystycznego odwrócenia kąta jest ustawiona na 12.
W procesie przetwarzania obrazu o rozdzielczości 224 uzyskuje się najlepsze wyniki rozpoznawania dla uczenia maszynowego.
Przegląd
Niniejsze badanie przedstawia protokół wykorzystujący technikę histogramu gradientów kierunkowych do analizy próbek obrazów betonu w różnych stanach wibracji. Metoda ta wykorzystuje maszynę wektorów nośnych w ramach uczenia maszynowego, co pozwala na efektywne rozpoznawanie obrazów przy minimalnych wymaganiach dotyczących liczby próbek treningowych.
Kluczowe elementy badania
Dziedzina nauki
- Rozpoznawanie obrazów
- Uczenie maszynowe
- Analiza betonu
Wstęp
- Do ekstrakcji cech zastosowano technikę histogramu gradientów skierowanych.
- Do zadań klasyfikacji wykorzystano maszyny wektorów nośnych.
- Badanie odnosi się do problemów związanych z wielkością próby i wymaganiami obliczeniowymi.
- Wydajność przetwarzania wykazano na standardowym sprzęcie laptopowym.
Cel badania
- Opracowanie metody rozpoznawania konkretnych obrazów w zmiennych warunkach.
- Zmniejszenie liczby próbek treningowych niezbędnych do efektywnego uczenia maszynowego.
- Obniżenie wymagań obliczeniowych dla zadań rozpoznawania obrazów.
Zastosowane metody
- Technika histogramu gradientów kierunkowych do ekstrakcji cech obrazu.
- Maszyna wektorów wspierających do klasyfikacji.
- Segmentacja obrazu z limitem rozmiaru do 128 projektów.
- Statystyczna odwrotność kąta z 12 wektorami kierunkowymi.
Główne wyniki
- Proces rozpoznawania kończy różnicowanie treningowe w 50 sekundach na procesorze CPU o częstotliwości 2,3 GHz.
- Znacząca redukcja wymagań dotyczących wielkości próby dla skutecznego rozpoznawania.
- Niskie wymagania obliczeniowe sprawiają, że metoda ta jest dostępna dla standardowych laptopów.
- Wykazana skuteczność w rozpoznawaniu obrazów betonu w różnych stanach wibracji.
Wnioski
- Proponowana metoda stanowi praktyczne rozwiązanie w zakresie rozpoznawania obrazów betonu.
- Minimalizuje ona potrzebę stosowania obszernego zbioru próbek treningowych.
- Podejście to jest wydajne i odpowiednie do zastosowania na powszechnie dostępnym sprzęcie komputerowym.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Niezawodne rozpoznawanie stanów na podstawie obrazów z wykorzystaniem maszyn wektorów nośnych (SVM) oraz kierunkowych histogramów gradientów umożliwia obiektywną, ilościową ocenę stanów materiałów przy minimalnych wymaganiach co do próbek i zasobów obliczeniowych. Podejście to wspiera skalowalną, powtarzalną analitykę w ramach przesiewania wysokoprzepustowego oraz kontroli jakości w środowiskach badawczo-rozwojowych. Zoptymalizowana parametryzacja ma bezpośredni wpływ na pewność predykcji oraz efektywność operacyjną w kluczowych punktach decyzyjnych w procesie odkrywania i rozwoju.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Umożliwia ilościową analizę stanów materiałów lub układów z wykorzystaniem obiektywnych cech wywodzących się z obrazu.
- Wspiera ograniczanie ryzyka mechanistycznego poprzez korelację cech obrazu z określonymi stanami fizycznymi.
- Ułatwia szybką weryfikację hipotez przy minimalnym nakładzie próbek i niskich kosztach obliczeniowych.
Przesiewy i opracowywanie testów
- Zapewnia standaryzowaną i powtarzalną ekstrakcję cech obrazu dla dalszych etapów analizy w ramach przepływów pracy (workflows).
- Umożliwia skalowalny screening poprzez zmniejszenie wymagań dotyczących liczby próbek i sprzętu niezbędnego do klasyfikacji stanu.
- Dostarcza wyników ilościowych odpowiednich dla zautomatyzowanych lub półzautomatyzowanych potoków ewaluacyjnych.
Badania translacyjne i przedkliniczne
- Wspiera ciągłość od etapu odkrywania do walidacji przedklinicznej poprzez umożliwienie spójnego rozpoznawania stanów w różnych zestawach danych.
- Usprawnia decyzje dotyczące postępów w badaniach z uwzględnieniem ryzyka dzięki obiektywnym analizom opartym na parametrach.
- Jest zgodne z translacyjnymi strategiami biomarkerowymi w przypadkach, gdy cechy obrazowe korelują z punktami końcowymi funkcji.
Integracja potoków i procesów roboczych
Niniejszy protokół rozpoznawania obrazów oparty na SVM integruje interfejs biologii odkrywczej, przesiewowej i analitycznej, wspierając przepływy pracy od wczesnych testów hipotez po walidację przedkliniczną.
- Biologia odkrywcza: Umożliwia rozróżnianie stanów w oparciu o hipotezy z wykorzystaniem ilościowych cech obrazu.
- Przesiewanie: Zapewnia powtarzalne, zoptymalizowane pod kątem parametrów wyniki dla oceny wysokoprzepustowej.
- Analityka: Dostarcza szybkie, statystycznie wiarygodne pomiary do porównywania warunków i wspierania podejmowania decyzji.
- Badania translacyjne: Zachowuje ciągłość standardów pomiarowych w różnych fazach badań, jeśli jest to właściwe.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje skalowalną, niskonakładową możliwość wielokrotnego zastosowania w różnych projektach B&R.
Wpływ operacyjny i przedsiębiorstwa
- Wartość naukowa: Zwiększa pewność predykcyjną i zmniejsza niejednoznaczność w klasyfikacji stanów.
- Wartość operacyjna: Standaryzuje analizę obrazu przy minimalnych wymaganiach sprzętowych i minimalnej ilości próbek.
- Wartość strategiczna: Umożliwia podejmowanie efektywnych decyzji typu go/no-go oraz optymalną alokację zasobów dzięki szybkiej analityce ilościowej.
- Wpływ na portfolio: Wspiera priorytetyzację dostosowaną do ryzyka oraz rozwój w ramach wielu programów.
Uwagi dotyczące implementacji
- Wymaga doświadczenia w analizie obrazów oraz optymalizacji parametrów SVM.
- Działa na standardowej infrastrukturze obliczeniowej, co obniża bariery wejścia w implementację.
- Wymaga uzgodnienia między zespołami metod ekstrakcji cech i ustawień parametrów w celu zapewnienia powtarzalności.
- Można dostosować do różnych rozdzielczości obrazów i strategii segmentacji obsługiwanych przez protokół.
- Dokładność rozpoznawania jest wrażliwa na rozmiar bloku, przedziały statystyczne oraz progi binaryzacji.
Najczęściej zadawane pytania dotyczące biofarmacji
Chapters in this video
0:00
Introduction
1:25
Concrete Sample Image Acquisition to Extract Concrete Characteristics
3:00
Gray Binarization of Concrete Image Sample
4:54
Calculation of Directional Gradient Eigenvalue for Support Vector Machine Training
6:57
Support Vector Machine (SVM) Training to Identify the Vibration State of Concrete
