Reconhecimento de Imagem e Análise de Parametrização do Estado de Vibração do Concreto Baseado em Máquina de Vetor de Suporte

Summary

O protocolo descrito neste trabalho utiliza a técnica de histograma de gradiente direcional para extrair as características de amostras de imagens de concreto sob vários estados de vibração. Ele emprega uma máquina de vetor de suporte para aprendizado de máquina, resultando em um método de reconhecimento de imagem com requisitos mínimos de amostra de treinamento e baixas demandas de desempenho do computador.

Abstract

Neste trabalho, a tecnologia de histograma de gradiente direcional é empregada para extrair as características de amostras de imagens concretas capturadas sob diferentes estados de vibração. A máquina de vetor de suporte (SVM) é utilizada para aprender a relação entre as características da imagem e o estado de vibração. Os resultados do aprendizado de máquina são posteriormente usados para avaliar a viabilidade do estado de vibração do concreto. Simultaneamente, analisa-se o mecanismo de influência dos parâmetros de cálculo do histograma de gradiente direcional sobre a acurácia do reconhecimento. Os resultados demonstram a viabilidade do uso da tecnologia de histograma de gradiente direcional-SVM para identificar o estado vibratório do concreto. A precisão do reconhecimento inicialmente aumenta e depois diminui à medida que o tamanho do bloco do gradiente direcional ou o número de intervalos estatísticos aumenta. A acurácia do reconhecimento também diminui linearmente com o aumento do limiar de binarização. Usando imagens de amostra com uma resolução de 1024 pixels x 1024 pixels e otimizando os parâmetros de extração de recursos, uma precisão de reconhecimento de 100% pode ser alcançada.

Introduction

O concreto é um material de construção fundamental amplamente utilizado na indústria da construção. Durante o bombeamento, o concreto frequentemente desenvolve vazios que requerem compactação por vibração. Vibrações inadequadas podem resultar em uma superfície de concreto em favo de mel, enquanto vibrações excessivas podem levar à segregação do concreto ^1,2. A qualidade da operação vibratória impacta significativamente na resistência 3,4,5,6 e durabilidade das estruturas de concreto formado ^7,8. Cai et ^al.9,10 realizaram um estudo que combinou pesquisa experimental com análise numérica para investigar a influência do mecanismo de vibração no recalque de agregados e na durabilidade do concreto. Os resultados revelaram que o tempo de vibração e as partículas de agregado exercem um impacto substancial no assentamento de agregados, enquanto a densidade de agregados e a viscosidade plástica do material à base de cimento têm efeitos mínimos. A vibração provoca a deposição de agregados no fundo dos corpos de prova de concreto. Além disso, à medida que o tempo de vibração aumenta, a concentração do íon cloreto diminui no fundo dos corpos de prova de concreto enquanto aumenta significativamente no topo ^9,10.

Atualmente, a avaliação do estado vibratório do concreto baseia-se predominantemente no julgamento manual. À medida que a indústria da construção continua a progredir por meio de reformas inteligentes, as operações com robôs emergiram como a direção futura^11,12. Consequentemente, um desafio crucial em operações de vibração inteligente é como permitir que os robôs identifiquem o estado de vibração do concreto.

O histograma do gradiente orientado é uma técnica que utiliza o gradiente de intensidade de pixels ou a distribuição das direções das bordas como descritor para caracterizar a representação e a forma dos objetos em imagens ^13,14. Esta abordagem opera nas células da grade local da imagem, proporcionando estabilidade robusta na caracterização de mudanças de imagem sob diversas condições geométricas e ópticas.

Zhou et ^al.15 propuseram um método para extrair diretamente características do gradiente direcional de imagens no modo Bayer. Essa abordagem omite várias etapas no cálculo do gradiente direcional combinando a coluna do filtro de cores com o operador de gradiente, reduzindo significativamente os requisitos computacionais para o reconhecimento de imagem de gradiente direcional. He et ^al.16 utilizaram o histograma de gradiente direcional como característica subjacente e empregaram o algoritmo de agrupamento médio para classificar os fixadores de trilho e determinar se os fixadores estão defeituosos. Os resultados de reconhecimento indicaram que o histograma da característica de gradiente orientado exibiu alta sensibilidade a defeitos de fixação, atendendo às necessidades de manutenção e reparo ferroviário. Em outro estudo, Xu et ^al.17 pré-processaram características de imagens faciais usando filtragem de wavelets de Gabor e reduziram a dimensão de vetores de feição por meio de codificação binária e do algoritmo HOG. A precisão média de reconhecimento do método é de 92,5%.

A máquina de vetores de suporte (SVM)¹⁸ é usada para mapear o vetor em um espaço de alta dimensão e estabelece um hiperplano de separação com uma direção adequada para maximizar a distância entre dois hiperplanos paralelos. Isso permite a classificação dos vetores de suporte¹⁹. Estudiosos têm aprimorado e otimizado essa tecnologia de classificação, levando à sua aplicação em vários campos, como reconhecimento de^imagens20,21, classificação de^textos22, predição de^{confiabilidade23} e diagnóstico de^falhas24.

Li et ^al.25 desenvolveram um modelo SVM de dois estágios para reconhecimento de padrões de falha sísmica, com foco em três modos de falha sísmica. Os resultados da análise indicam que o método SVM proposto em dois estágios pode atingir mais de 90% de precisão para os três modos de falha. Yang et ^al.26 integraram um algoritmo de otimização com o SVM para simular a relação entre os cinco parâmetros ultrassônicos e a tensão do concreto carregado. O desempenho de um SVM não otimizado é insatisfatório, particularmente no estágio de baixo estresse. No entanto, atravessar o modelo otimizado pelo algoritmo produz melhores resultados, embora com longos tempos de computação. Em comparação, o SVM otimizado para otimização de enxame de partículas reduz significativamente o tempo de cálculo, ao mesmo tempo em que fornece resultados ideais de simulação. Yan et ^al.27 empregaram a tecnologia SVM e introduziram uma função de perda insensível à precisão para predizer o módulo de elasticidade do concreto de alta resistência, comparando sua precisão de predição com o modelo de regressão tradicional e o modelo de redes neurais. Os resultados da pesquisa demonstram que a tecnologia SVM produz um erro de predição menor para o módulo de elasticidade em comparação com outros métodos.

Este trabalho coleta amostras de imagens de concreto sob vários estados de vibração e descreve os diferentes estados do concreto usando a técnica de histograma de gradiente direcional. O gradiente direcional é empregado como vetor de feição para o treinamento do SVM, e o estudo se concentra na viabilidade do uso da tecnologia de histograma de gradiente direcional - SVM para identificar o estado vibratório do concreto. Adicionalmente, o artigo analisa o mecanismo de influência entre três parâmetros-chave - limiar de binarização, tamanho estatístico do gradiente direcional do bloco e número do intervalo estatístico do gradiente direcional - no processo de extração de características do histograma do gradiente direcional e a precisão do reconhecimento do SVM.

Protocol

1. Aquisição de imagens de amostras concretas

1. Transporte de concreto até o local de trabalho, onde será despejado pelo caminhão bomba.
2. Para capturar imagens, ligue o equipamento de disparo movendo o interruptor da tecla de energia para a direita e girando-o para a posição ON . Ajuste o botão do modo da câmera para o modo automático verde, garantindo que a lente da câmera esteja paralela à superfície de concreto, e pressione a tecla do obturador. Capture 20 amostras de imagens de concreto não vibrado, salvando-as em .jpg formato com resolução de aquisição de 1024 x 1024 pixels, conforme ilustrado na Figura 1.
3. Insira a parte vibratória do equipamento vibratório de concreto (haste vibratória de concreto plug-in) no concreto. Conecte a fonte de alimentação e, em seguida, ligue o equipamento de vibração de concreto colocando-o na posição ON .
4. Quando houver algum colapso na superfície do concreto (causado pela vibração que descarrega o ar no interior do concreto, levando ao afundamento dos agregados superficiais para preencher as lacunas, resultando no colapso do concreto) e aparecer alguma lama de cimento, mantenha a lente da câmera paralela à superfície do concreto e pressione a tecla do obturador. Coletar 20 amostras de imagens de concreto vibratório, como mostra a Figura 2.
5. Continue operando o equipamento de vibração. Quando não há colapso evidente na superfície do concreto, nenhuma lama de cimento aparece, e nenhuma bolha é gerada, interrompe o processo de vibração e captura 20 amostras de imagem de concreto vibrado, como mostrado na Figura 3.

2. Binarização cinza da imagem da amostra

1. Utilize a função imread() do software MATLAB para ler o arquivo .jpg como os dados de formato de unidade de 1024 pixels x 1024 pixels x 3 canais de cores, representando os valores de canal vermelho, verde e azul da imagem.
2. Em seguida, aplique a função MATLAB rgb2gray para converter a imagem em escala de cinza, indicada pelo valor de cinza do formato = rgb2gray(nome do arquivo jpg). Calcule o valor de cinza de cada pixel de acordo com a Equação (1) e salve o valor de cinza como os dados de formato unit8 de 1024 x 1024.
   GR(_i,j) = 0,2989R_(i,j) + 0,587G_(i,j) + 0,114B_(i,j) (1)
   onde, GR(i,j) é o valor cinza do ponto de pixel, R(i,j) é o valor de canal vermelho do ponto de pixel, G(i,j) é o valor de canal verde do ponto de pixel e B(i,j) é o valor de canal azul do ponto de pixel.
3. Altere o valor binário dos valores de cinza maiores que o limite de pixel θ para 1 e defina o valor binário dos valores de cinza menor que o pixel θ como 0.
4. Depois de obter os resultados cinza binarizado, salve o resultado como dados de formato lógico 1024 x 1024. Nesse caso, θ representa o limiar de binarização, e seus valores são 50, 100, 150 e 200 para diferentes imagens de amostra de concreto no estado de vibração, como ilustrado na Figura 5, Figura 6 e Figura 7.

3. Cálculo do autovalor do gradiente direcional

1. Calcule o gradiente binário horizontal e vertical de cada pixel na imagem usando a seguinte equação²⁸
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   onde T_h é o gradiente binarizado horizontal, T_p é o gradiente binarizado vertical, R é o dado de formato lógico binarizado, x é o número da linha da matriz binarizada e y é o número da coluna da matriz binarizada.
2. Calcule a direção e o tamanho do gradiente binário de cada ponto usando a seguinte equação²⁹
   
   onde T é o tamanho do gradiente binário,_{α T} é a direção do gradiente binário, T_h é o gradiente binário horizontal e T_p é o gradiente binário vertical.
3. Determine o tamanho do bloco de segmentação da imagem, indicado como n, onde o valor de n é [ 1,9]. Defina a linha de segmentação para cada n pixel na direção y ao longo da direção x, dividindo efetivamente a imagem em n x n blocos quadrados com base na posição da linha de segmentação. Todas as partes da imagem que não podem formar blocos quadrados completos são removidas.
4. A direção do gradiente binário de partição α_T (valor da direção do gradiente binário α_T é [ 0°, 360°]) em partes m, resultando em intervalos de ângulo estatísticos de gradiente direcional m. Prossiga para calcular o valor estatístico do gradiente para o intervalo de ângulo estatístico do gradiente de cada bloco.
   1. Com base na direção do gradiente binário de cada pixel no bloco, classifique os pixels no intervalo de ângulo estatístico de gradiente apropriado de cada direção.
   2. Somar o gradiente binário dos pixels no intervalo de ângulo estatístico do gradiente de cada direção no sentido anti-horário para obter o valor estatístico do gradiente desse intervalo. Os resultados obtidos para a estatística do gradiente direcional do intervalo angular do gradiente estão apresentados na Figura 8, Figura 9 e Figura 10 para os tamanhos de blocos n iguais a 8, 128 e 512, respectivamente.

4. Construindo vetor de recurso de gradiente direcional

1. Divida as amostras em áreas de cálculo necessárias, em que cada área de cálculo consiste em quatro blocos adjacentes com base nos resultados dos blocos obtidos na etapa 3.3. Por exemplo, considerando pixels de resolução 16 x 16 e um tamanho de bloco de 4 x 4, a imagem é dividida em (16 / 4-1) x ( 16 / 4-1 ) = 9 áreas de cálculo.
2. Calcular o valor estatístico do gradiente direcional dentro do intervalo angular das estatísticas de gradiente de cada bloco na área de cálculo. Posteriormente, obtenha o vetor de feição com as estatísticas de gradiente direcional como componente.
3. Combine os vetores de feição de gradiente direcional de cada área de cálculo para obter o vetor de feição de gradiente direcional da imagem.

5. Treinamento SVM

1. Selecione aleatoriamente 42 amostras dos três estados de vibração para criar o grupo de treinamento, deixando as 18 amostras restantes como grupo de teste.
2. Utilizar a função fitcecoc do MATLAB para treinamento SVM; o formato é
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   onde SVM é a máquina de vetor de suporte a ser treinada, trainingFeatures é o vetor de recurso de gradiente direcional da imagem do grupo de treinamento e Trainingeigenvalue é o valor característico do estado de vibração do grupo de treinamento. Os valores característicos do estado de vibração das amostras de concreto não vibrado, concreto vibratório e concreto vibrado são 1, 2 e 3, respectivamente.
3. Salve o SVM treinado usando a função Salvar no formato .mat.

6. Verificação da precisão do reconhecimento SVM

1. Usando a função de previsão do MATLAB, insira o vetor de recurso de gradiente direcional da imagem de gradiente direcional da imagem de amostra do grupo de teste no SVM treinado para obter o valor calculado do recurso de estado de vibração para cada amostra de teste. O formato é o seguinte:
   testgroupcalculateseigenvalues = predict (SVM, testFeature)
   onde testgroupcalculateseigenvalues é o valor calculado do recurso de estado de vibração, e SVM é a máquina de vetor de suporte treinada na etapa 5. testFeature é o vetor de recurso de gradiente direcional da imagem de amostra do grupo de teste.
2. Determine os resultados de reconhecimento da amostra do conjunto de teste alimentando o conjunto de teste no SVM treinado. Conte o número de amostras para as quais os resultados do reconhecimento do conjunto de teste correspondem ao estado real e, em seguida, calcule a precisão do reconhecimento dividindo o número de amostras corretas pelo número total de amostras do conjunto de teste.
   1. Se a precisão do reconhecimento do teste for superior a 94%, considere o reconhecimento SVM como efetivo. Se for menor que 94%, retorne ao passo 1.1 e ajuste o limiar de binarização, o tamanho do bloco n e o número de intervalos estatísticos de gradiente direcional m.

Results

Este protocolo tem como objetivo analisar como os parâmetros de cálculo de três vetores da característica gradiente direcional afetam a acurácia da MVS na identificação do estado vibratório do concreto. Os parâmetros de cálculo primários do vetor de feição de gradiente direcional incluem o tamanho do bloco estatístico de gradiente direcional, o número de intervalos de ângulo estatístico de gradiente direcional e o limiar de cinza binário. Esta seção usa três parâmetros de cálculo principais como variáveis para projetar o teste. Os níveis dos parâmetros de teste estão detalhados na Tabela 1. Foram realizados 100 ensaios em amostras de imagens concretas com resolução de 1024 x 1024 pixels. Os resultados dos testes correspondentes aos parâmetros descritos na Tabela 1 são apresentados na Tabela 2.

Análise de diferentes resultados de reconhecimento de limiar binário de cinza-SVM
A Tabela 2 mostra a acurácia média de reconhecimento da MVS para os diferentes limiares de binarização, e a relação entre o limiar de binarização e a acurácia de reconhecimento é visualizada na Figura 4. Quando o tamanho do bloco e o número de intervalos estatísticos são fixos, a precisão de reconhecimento da MVS geralmente exibe uma tendência decrescente com o aumento do limiar de binarização. Notavelmente, a precisão do reconhecimento diminui significativamente quando o limiar de binarização está dentro da faixa de 100 a 150. Mais investigações são necessárias para entender as razões por trás desse fenômeno e seu impacto no cálculo da divisão do SVM.

Nesta seção, seguindo o método descrito na etapa 2.1 e o desenho experimental descrito na etapa 3.1, as amostras de imagem de concreto não vibrado, concreto vibratório e concreto vibrado são binarizadas. Os limiares de cinza binarizado utilizados são 50, 100, 150, 200 e 250, resultando em imagens cinza binarizadas para cada estado, como mostrado na Figura 5, Figura 6 e Figura 7.

Como ilustrado na Figura 5, à medida que o limiar de binarização diminui, a área branca na imagem binária da amostra de imagem de concreto não vibrado diminui significativamente. Em um limiar de binarização de 250, a imagem binária parece ser preta pura. Na Figura 6, a tendência de mudança da imagem binária cinza da amostra de imagem de concreto vibratório com o limiar de binarização é semelhante à da amostra de concreto não vibrado, mas a redução da área branca é mais pronunciada na amostra de imagem de concreto vibratório. Além disso, a Figura 7 ilustra a combinação da parte preta e das áreas brancas, refletindo as características de textura superficial do concreto em diferentes estados de vibração. A imagem binária cinza do concreto vibrado também diminui com a diminuição do limiar de binarização. Por exemplo, quando o limiar de binarização é definido como 50 e 100, a imagem cinza binária do concreto vibrado tende a ser branca. Em um limiar de 150, parece semelhante aos outros dois estados, mas quando o limite excede 150, a imagem binária tende a ser preta. Notavelmente, quando o limiar de binarização está entre 100 e 150, ocorrem mudanças significativas nas características da imagem binária.

A extração vetorial de feição neste artigo baseia-se no gradiente direcional de amostras de imagem. Aumentar o limiar de binarização de 50 para 100 reduz a área de contato entre pixels brancos e pretos. Essa redução afeta as estatísticas do gradiente direcional de pixel, pois depende da alteração do valor do pixel entre cada pixel. Uma área de contato maior resulta em menos de 0 componentes no vetor de feição SVM, tornando a representação das características do estado de vibração do concreto mais abrangente. A mudança na precisão de reconhecimento com o limiar de binarização deve-se principalmente à alteração no número de componentes 0 no vetor de feição gradiente direcional. Além disso, quando o limiar de binarização é aumentado de 150 para 250, a área branca da amostra de imagem binária é significativamente reduzida. Consequentemente, a precisão de reconhecimento correspondente também é muito diminuída, apoiando ainda mais essa regra.

Diferentes resultados de reconhecimento do gradiente direcional estatístico do bloco - SVM
Nesta seção, calcula-se a precisão estatística de identificação do tamanho dos blocos das estatísticas de gradiente em diferentes direções, conforme apresentado na Tabela 2 . Posteriormente, calcula-se o valor médio da precisão estatística de identificação do tamanho do bloco das estatísticas de gradiente em cada direção. Os resultados estão ilustrados na Figura 8.

A Figura 8 demonstra a relação entre o reconhecimento do SVM para amostras de imagens concretas com resolução de 1024 e o tamanho do bloco estatístico do gradiente direcional. Essa relação pode ser expressa pela Equação (2).

y=0,09+0,144x-0,01x² (2)

O vetor de feição de amostra de imagem é calculado pelo método de varredura de blocos²⁰. Enquanto isso, quando o bloco é pequeno, o vetor de feição caracteriza a especificidade local da imagem binária. Isso resulta em imagens de amostras concretas de diferentes estados de vibração com especificidade local semelhante, levando a um número significativo de 0 componentes no vetor de feição. Consequentemente, esse alto número de componentes 0 causa interferência substancial na divisão SVM, levando a uma precisão de reconhecimento reduzida, particularmente para imagens de 1024 pixels com um tamanho de bloco de 8 pixels.

À medida que o tamanho do bloco aumenta, a especificidade local refletida pelo vetor de feição diminui gradualmente, e o vetor de feição caracteriza a especificidade regional da amostra de imagem, como ilustrado na Figura 10. Consequentemente, o número de componentes 0 no vetor de feição reduz, levando a menos interferência durante o processo de divisão do SVM. Com isso, a precisão do reconhecimento do SVM melhora.

No entanto, quando o tamanho do bloco é ainda maior, excedendo 32 pixels, o número de componentes 0 no vetor de recurso continua a diminuir. Mas também leva a uma redução na dimensão do vetor de recursos do conjunto de treinamento SVM. Nesse ponto, o impacto na precisão do reconhecimento do SVM decorre principalmente da falta de dimensões de recursos. No entanto, o vetor de características ainda consegue capturar um certo grau de especificidade na imagem concreta. Como ilustrado na Figura 11, quando o tamanho do bloco é expandido até certo ponto, as características do gradiente direcional em cada bloco de amostras de imagens de concreto com diferentes estados de vibração ainda exibem diferenças significativas. Essa observação explica por que a precisão do reconhecimento diminui quando o tamanho do bloco se torna excessivamente grande, embora a diminuição seja relativamente pequena.

Resultados do reconhecimento do gradiente direcional do intervalo angular estatístico entre o número e o SVM
Nesta seção, calcula-se a precisão de reconhecimento do número de gradientes direcionais de intervalos estatísticos apresentados na Tabela 2 . Posteriormente, calcula-se a precisão média de reconhecimento do número de intervalos estatísticos de gradientes direcionais. Os resultados estão ilustrados na Figura 12.

A partir da Figura 12, fica evidente que, à medida que o número de intervalos estatísticos do gradiente direcional aumenta, a precisão de reconhecimento da MVS para o estado vibratório do concreto inicialmente aumenta e depois diminui. Essa relação pode ser expressa pela Equação (3)

y=-0,45+0,2x-0,007x² (3)

O mecanismo de influência entre o número de intervalos estatísticos de direção do gradiente e a precisão do reconhecimento deve-se à mudança nos parâmetros de extração das características da imagem. Isso causa uma mudança na capacidade de caracterização específica de vetores de feição para amostras de imagem. Nesta seção, uma parte das amostras de imagem de concreto moderadamente vibrado é interceptada. Os resultados do cálculo das características do gradiente direcional são obtidos quando o tamanho da grade é 4, e o número de intervalos estatísticos do gradiente direcional é definido como 6, 9, 12 e 15, conforme ilustrado na Figura 13.

Como mostrado na Figura 13A,B, quando o número de intervalos estatísticos de gradiente direcional é definido como 6, o tamanho de cada intervalo é de 60°. Considerando que o tamanho do bloco de cálculo é 4x4, há 16 pixels em cada bloco. Com tamanhos de intervalo maiores, o gradiente direcional de vários pixels fica dentro de um único intervalo. Isso leva a um aumento no número de componentes 0 no vetor de feição de amostras de imagem quando o tamanho do intervalo é maior. Consequentemente, afeta os resultados do treinamento e a precisão do reconhecimento da SVM. No entanto, quando o número de gradientes direcionais intervalos estatísticos é 9, a divisão angular torna-se mais refinada, levando a uma redução em situações em que não há pixels dentro de um intervalo. Consequentemente, o número de 0 componentes no vetor de feição de amostras de imagem também é reduzido, resultando em uma capacidade de representação específica de imagem aprimorada do vetor de recurso. No entanto, quando comparado com a Figura 13C e a Figura 13D, quando o número de intervalos estatísticos de gradiente direcional aumenta de 12 para 15, o número de pixels com 0 no intervalo dos resultados do cálculo da característica do gradiente direcional aumenta. Como resultado, a capacidade do vetor de feição de caracterizar a especificidade da imagem de amostra diminui. Essa redução na capacidade de caracterização é atribuída à diminuição adicional no tamanho do intervalo estatístico do gradiente direcional. Especificamente, o intervalo com apenas um pixel agora é dividido em dois intervalos: um com um único pixel e outro como um intervalo vazio. Consequentemente, o aumento no número de intervalos vazios leva a mais 0 componentes no vetor de feição, resultando em uma diminuição na precisão do reconhecimento.

Figura 1: Imagem de concreto não vibrado. Imagens de concreto bombeado tiradas sem operação de vibração. Clique aqui para ver uma versão maior desta figura.

Figura 2: Imagem do concreto vibratório. Amostras de imagem na operação de vibração do concreto por bombeamento. Clique aqui para ver uma versão maior desta figura.

Figura 3: Imagem da amostra de concreto vibrado. Amostras de imagem quando a operação de vibração do concreto é concluída. Clique aqui para ver uma versão maior desta figura.

Figura 4: Relação de precisão do limiar de binarização-reconhecimento. A influência do limiar de binarização na acurácia do reconhecimento da SVM. Clique aqui para ver uma versão maior desta figura.

Figura 5: Imagem binária em tons de cinza do concreto não vibrado. O processamento de binarização resulta de imagens de concreto não vibradas quando diferentes limiares de binarização são estabelecidos. (A) Limiar de binarização em 50. (B) Limiar de binarização em 100. (C) Limiar de binarização em 150. (D) Limiar de binarização em 200. (E) Limiar de binarização em 250. Clique aqui para ver uma versão maior desta figura.

Figura 6: Imagem binária em tons de cinza do concreto vibratório. O processamento de binarização resulta da vibração de imagens de concreto quando diferentes limiares de binarização são definidos. (A) Limiar de binarização em 50. (B) Limiar de binarização em 100. (C) O limiar de binarização em 150. (D) Limiar de binarização em 200. (E) Limiar de binarização em 250. Clique aqui para ver uma versão maior desta figura.

Figura 7: Imagem binária em tons de cinza do concreto vibrado. O processamento de binarização resulta da imagem do concreto vibrado quando diferentes limiares de binarização são definidos. (A) Limiar de binarização em 50. (B) Limiar de binarização em 100. (C) Limiar de binarização em 150. (D) Limiar de binarização em 200. (E) Limiar de binarização em 250. Clique aqui para ver uma versão maior desta figura.

Figura 8: Diagrama de precisão de reconhecimento de tamanho de blocos de gradiente direcional estatístico. A influência do tamanho do bloco estatístico de gradiente direcional na acurácia de reconhecimento da MVS. Clique aqui para ver uma versão maior desta figura.

Figura 9: Diagrama esquemático do tamanho do bloco 8 pixels gradiente direcional resultados da extração do recurso. O recurso de gradiente resulta em três tipos de direção do estado de vibração quando o tamanho do bloco é de 8 pixels. (A) concreto não vibrado, (B) concreto vibratório, (C) concreto vibrado. Clique aqui para ver uma versão maior desta figura.

Figura 10: Diagrama esquemático de tamanho de bloco 128 pixels gradiente direcional resultados de extração de recurso. O recurso de gradiente resulta em três tipos de direção do estado de vibração quando o tamanho do bloco é de 128 pixels. (A) concreto não vibrado, (B) concreto vibratório, (C) concreto vibrado. Clique aqui para ver uma versão maior desta figura.

Figura 11: Resultados da extração em gradiente direcional de imagens de amostras concretas em diferentes estados de vibração com um tamanho de bloco de 512 pixels. O recurso de gradiente resulta em três tipos de direção do estado de vibração quando o tamanho do bloco é de 512 pixels. (A) concreto não vibrado, (B) concreto vibratório, (C) concreto vibrado. Clique aqui para ver uma versão maior desta figura.

Figura 12: Gradiente direcional intervalo estatístico relação precisão de reconhecimento de número. A influência do gradiente direcional intervalo estatístico number na precisão de reconhecimento de SVM Clique aqui para ver uma versão maior desta figura.

Figura 13: Resultados computacionais das características do gradiente direcional do número de diferentes intervalos estatísticos do gradiente direcional. Os resultados das características do gradiente direcional da amostra são obtidos quando diferentes intervalos estatísticos de gradiente direcional são definidos. (A) 6 intervalos estatísticos de gradiente direcional, (B) 9 intervalos estatísticos de gradiente direcional, (C) 12 intervalos estatísticos de gradiente direcional, (D) 15 intervalos estatísticos de gradiente direcional. Clique aqui para ver uma versão maior desta figura.

Tabela 1: Nível do fator de teste de identificação da MVS. Analisa-se a influência dos parâmetros de cálculo do vetor de feição gradiente direcional na acurácia do SVM para identificar o estado vibratório do concreto. Clique aqui para baixar esta tabela.

Tabela 2: Resultados dos testes de análise dos parâmetros do histograma de gradiente direcional. Com base no esquema de testes da Tabela 1, obtêm-se os resultados da acurácia do reconhecimento. Clique aqui para baixar esta tabela.

Discussion

Este trabalho utiliza a máquina de vetor de suporte (SVM) para aprender as características de imagem de várias amostras de estado vibratório de concreto. Com base nos resultados do aprendizado de máquina, um método concreto de reconhecimento do estado de vibração baseado no reconhecimento de imagens é proposto. Para aumentar a precisão do reconhecimento, é crucial controlar os parâmetros das três etapas principais: segmentação da imagem, binarização da imagem e extração do autovalor do gradiente direcional. De acordo com os resultados do teste, um limiar de binarização menor é empregado para pré-processar a imagem concreta da amostra, e o tamanho do bloco de segmentação da imagem de 128 pixels x 128 pixels é utilizado. O número de gradientes direcionais para intervalos angulares estatísticos é definido como 12. No conjunto de amostras de imagem com resolução de 1024, a melhor precisão de reconhecimento para resultados de aprendizado de máquina é alcançada.

Devido às variações significativas do ambiente entre os diferentes canteiros de obras, este método possui um mecanismo de ajuste de precisão. Quando a precisão do reconhecimento não atende aos requisitos, os três parâmetros-chave mencionados acima podem ser expandidos ou reduzidos como uma solução viável, mitigando efetivamente os erros de precisão do reconhecimento causados por alterações ambientais. É importante notar que este método depende fortemente das condições de iluminação da face de trabalho. A captura de imagens sob condições de baixa iluminação pode levar a uma diminuição na precisão do reconhecimento. Para reduzir a dependência das condições de iluminação, algoritmos de aprimoramento de imagem de baixa iluminação foram explorados³⁰, mas eles aumentam significativamente o tempo de reconhecimento e os requisitos de hardware. Atualmente, nenhuma tecnologia eficaz garante baixa precisão de reconhecimento de iluminação e eficiência de reconhecimento. Este método utiliza o histograma da tecnologia de gradiente orientado para caracterizar as características do estado vibratório do concreto, incluindo colapso superficial, flutuação da lama de cimento e bolhas no processo de vibração do concreto. Em comparação com as tecnologias existentes, essa abordagem reduz significativamente o número de amostras necessárias e reduz os requisitos de desempenho do computador. Com um laptop equipado com uma CPU de 2,30 GHz, o processo de reconhecimento completa a diferenciação do espaço de treinamento do SVM em apenas 15 segundos. Quando os parâmetros de extração são adequadamente definidos, a precisão do reconhecimento também é melhorada³¹.

No futuro, este protocolo poderá ser utilizado para comandar a operação de vibração do robô de construção, permitindo a interrupção oportuna das operações quando o concreto atingir o nível de vibração desejado, evitando assim problemas de qualidade causados por vibrações inadequadas. Além disso, o método pode ser adaptado para modificar as operações do robô com base nas características de textura no canteiro de obras, como detecção de planicidade estrutural, remoção de lama da face de trabalho e outros processos relacionados.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
câmera	SONY	A6000	O tamanho do sensor é 23,5x15,6 mm, a resolução máxima de aquisição é 1440 * 1080 e o pixel efetivo é 24,3 milhões.
concreto	Wuhan Construção Changxin Technology Development Co., Ltd.	C30 bombeamento de concreto	De acordo com o padrão de 'teste de resistência do concreto e padrão de avaliação' (GB / T 50107-2010), o valor padrão da resistência à compressão cúbica é de 30 MPa bombeando concreto.
Matlab	MathWorks	Matlab R2017a	A interface de programação do MATLAB fornece ferramentas de desenvolvimento para melhorar a qualidade do código, a capacidade de manutenção e maximizar o desempenho. Fornece ferramentas para a construção de aplicativos usando interfaces gráficas personalizadas. Fornece ferramentas para combinar algoritmos baseados em MATLAB com aplicativos e linguagens externas
Processador	Intel	12ª Geração Intel(R) Core (TM) i7-12700H @ 2.30GHz	64-bit Win11 processor