Распознавание изображений и анализ параметров вибрационного состояния бетона на основе метода опорных векторов

Summary

Протокол, описанный в этой статье, использует метод направленной градиентной гистограммы для извлечения характеристик конкретных образцов изображений при различных вибрационных состояниях. Он использует метод опорных векторов для машинного обучения, что приводит к методу распознавания изображений с минимальными требованиями к обучающей выборке и низкими требованиями к производительности компьютера.

Abstract

В данной работе используется технология направленной градиентной гистограммы для извлечения особенностей образцов конкретных изображений, полученных при различных вибрационных состояниях. Метод опорных векторов (SVM) используется для изучения взаимосвязи между характеристиками изображения и вибрационным состоянием. Результаты машинного обучения впоследствии используются для оценки осуществимости вибрационного состояния бетона. Одновременно анализируется механизм влияния параметров расчета гистограммы направленного градиента на точность распознавания. Полученные результаты демонстрируют целесообразность использования технологии направленной градиентной гистограммы-SVM для определения вибрационного состояния бетона. Точность распознавания сначала увеличивается, а затем уменьшается по мере увеличения размера блока градиента направления или числа статистических интервалов. Точность распознавания также линейно снижается с увеличением порога бинаризации. Используя образцы изображений с разрешением 1024 x 1024 пикселей и оптимизируя параметры извлечения признаков, можно достичь 100% точности распознавания.

Introduction

Бетон является основным строительным материалом, широко используемым в строительной отрасли. Во время перекачки в бетоне часто образуются пустоты, которые требуют уплотнения за счет вибрации. Недостаточная вибрация может привести к образованию ячеистой бетонной поверхности, в то время как чрезмерная вибрация может привести к расслоению бетона ^1,2. Качество вибрационной работы существенно влияет на прочность 3,4,5,6 и долговечность формируемых бетонных конструкций ^7,8. Cai et ^al.9,10 провели исследование, в котором экспериментальные исследования сочетались с численным анализом для изучения механизма влияния вибрации на осадку заполнителя и долговечность бетона. Результаты показали, что время вибрации и частицы заполнителя оказывают существенное влияние на осадку заполнителя, в то время как плотность заполнителя и пластическая вязкость материала на основе цемента оказывают минимальное влияние. Вибрация вызывает отложение заполнителя на дне бетонных образцов. Кроме того, с увеличением времени вибрации концентрация ионов хлорида в нижней части бетонных образцов уменьшается, но значительно увеличивается^{в верхней части 9,10}.

В настоящее время оценка вибрационного состояния бетона основывается преимущественно на ручном суждении. По мере того, как строительная отрасль продолжает развиваться благодаря интеллектуальным реформам, роботизированные операции стали будущим направлением^11,12. Следовательно, важнейшей проблемой в интеллектуальных вибрационных операциях является то, как роботы могут определять вибрационное состояние бетона.

Гистограмма ориентированного градиента - это метод, который использует градиент интенсивности пикселей или распределение направлений краев в качестве дескриптора для характеристики представления и формы объектов на изображениях^13,14. Этот подход работает с локальными ячейками сетки изображения, обеспечивая робастную стабильность при характеризации изменений изображения в различных геометрических и оптических условиях.

Zhou et ^al.15 предложили метод прямого извлечения направленных градиентных объектов из изображений режима Байера. Этот подход позволяет пропустить множество шагов при вычислении направленного градиента путем сопоставления столбца цветового фильтра с оператором градиента, тем самым значительно снижая вычислительные требования для распознавания изображений направленного градиента. Он и ^др.16 использовали гистограмму направленного градиента в качестве базового признака и применили алгоритм кластеризации среднего значения для классификации рельсовых скреплений и определения того, являются ли скрепления дефектными. Результаты распознавания показали, что гистограмма объекта ориентированного градиента обладает высокой чувствительностью к дефектам крепежа, удовлетворяя потребности технического обслуживания и ремонта железных дорог. В другом исследовании Xu et ^al.17 провели предварительную обработку признаков изображения лица с помощью вейвлет-фильтрации Габора и уменьшили размерность векторов признаков с помощью двоичного кодирования и алгоритма HOG. Средняя точность распознавания метода составляет 92,5%.

Метод опорных векторов (SVM)¹⁸ используется для отображения вектора в многомерное пространство и устанавливает разделяющую гиперплоскость с подходящим направлением, чтобы максимизировать расстояние между двумя параллельными гиперплоскостями. Это позволяет классифицировать опорные векторы¹⁹. Ученые усовершенствовали и оптимизировали эту технологию классификации, что привело к ее применению в различных областях, таких как распознавание изображений^20,21, классификация текста²², прогнозирование надежности²³ и диагностика неисправностей²⁴.

Li et ^al.25 разработали двухступенчатую SVM-модель для распознавания паттернов сейсмических разрушений, сосредоточив внимание на трех видах сейсмических разрушений. Результаты анализа свидетельствуют о том, что предложенный двухступенчатый метод SVM позволяет достичь более 90% точности для трех видов отказов. Yang et ^al.26 интегрировали алгоритм оптимизации с SVM для моделирования взаимосвязи между пятью ультразвуковыми параметрами и напряжением нагруженного бетона. Производительность неоптимизированной SVM неудовлетворительна, особенно на стадии низкого напряжения. Тем не менее, обход модели, оптимизированной алгоритмом, дает улучшенные результаты, хотя и с длительным временем вычислений. Для сравнения, SVM, оптимизированная для оптимизации роя частиц, значительно сокращает время расчета, обеспечивая при этом оптимальные результаты моделирования. Yan et ^al.27 использовали технологию SVM и ввели прецизионно-нечувствительную функцию потерь для прогнозирования модуля упругости высокопрочного бетона, сравнив точность ее предсказания с традиционной регрессионной моделью и моделью нейронной сети. Результаты исследования показывают, что технология SVM дает меньшую ошибку предсказания модуля упругости по сравнению с другими методами.

В данной работе собраны образцы изображений бетона при различных вибрационных состояниях и описаны различные состояния бетона с помощью метода направленной градиентной гистограммы. Направленный градиент используется в качестве вектора признаков для обучения SVM, и исследование фокусируется на целесообразности использования технологии направленной градиентной гистограммы-SVM для определения вибрационного состояния бетона. Кроме того, в работе анализируется механизм влияния между тремя ключевыми параметрами — порогом бинаризации, размером статистического блока направленного градиента и номером статистического интервала направленного градиента — в процессе извлечения признаков гистограммы направленного градиента и точностью распознавания SVM.

Protocol

1. Получение изображения конкретного образца

1. Транспортируйте бетон к рабочему месту, где он будет заливаться автонасосом.
2. Чтобы сделать снимок, включите съемочное оборудование, переместив выключатель питания вправо и повернув его в положение ON . Установите ручку режима камеры в зеленый автоматический режим, убедившись, что объектив камеры расположен параллельно бетонной поверхности, и нажмите клавишу спуска затвора. Сделайте 20 образцов изображений невибробетона, сохранив их в формате .jpg с разрешением 1024 x 1024 пикселей, как показано на рисунке 1.
3. Вставьте вибрационную часть вибрационного оборудования для бетона (вставной бетонный вибростержень) в бетон. Подключите источник питания, а затем включите бетонное вибрационное оборудование, установив его в положение ON .
4. Когда на поверхности бетона происходит некоторое обрушение (вызванное вибрацией, выпускающей воздух внутри бетона, что приводит к погружению поверхностных заполнителей для заполнения зазоров, что приводит к разрушению бетона) и появляется цементный раствор, держите объектив камеры параллельно бетонной поверхности и нажмите клавишу спуска затвора. Соберите 20 образцов изображений вибрирующего бетона, как показано на рисунке 2.
5. Продолжайте эксплуатировать вибрационное оборудование. Когда на поверхности бетона нет явного обрушения, не появляется цементный раствор и не образуются пузырьки, остановите процесс вибрации и сделайте 20 образцов изображения вибробетона, как показано на рисунке 3.

2. Пример бинаризации серого изображения

1. Используйте функцию imread() программного обеспечения MATLAB для чтения .jpg файла в качестве данных единичного формата размером 1024 x 1024 x 1024 пикселей x 3 цветовых канала, представляющих значения красного, зеленого и синего каналов изображения.
2. Далее примените функцию MATLAB rgb2gray для преобразования изображения в оттенки серого, обозначаемого форматом gray value = rgb2gray(имя файла jpg). Вычислите значение серого для каждого пикселя в соответствии с уравнением (1) и сохраните значение серого в формате unit8 1024 x 1024.
   GR_(i,j) = 0.2989R_(i,j) + 0.587G_(i,j) + 0.114B_(i,j) (1)
   где, GR(i,j) — значение серого цвета точки пикселя, R(i,j) — значение красного канала точки пикселя, G(i,j) — значение зеленого канала точки пикселя, а B(i,j) — значение синего канала точки пикселя.
3. Измените двоичное значение значений серого, превышающее пороговое значение пикселя θ, на 1 и установите двоичное значение значений серого меньше, чем пикселя θ, равным 0.
4. После получения результатов бинаризованного серого сохраните результат в виде данных логического формата 1024 x 1024. В этом случае θ представляет собой порог бинаризации, а его значения составляют 50, 100, 150 и 200 для различных вибрационных состояний конкретных образцов изображений, как показано на рисунке 5, рисунке 6 и рисунке 7.

3. Вычисление собственного значения направленного градиента

1. Вычислите горизонтальный и вертикальный двоичный градиент каждого пикселя изображения, используя следующее уравнение²⁸
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   где T_h — горизонтальный бинаризованный градиент, T_p — вертикальный бинаризованный градиент, R — данные бинаризованного логического формата, x — номер строки бинаризованной матрицы, y — номер столбца бинаризованной матрицы.
2. Вычислите направление и размер двоичного градиента каждой точки, используя следующее уравнение²⁹
   
   где T — размер двоичного градиента, α_T — направление двоичного градиента, T_h — горизонтальный двоичный градиент и T_p — вертикальный двоичный градиент.
3. Определите размер блока сегментации изображения, обозначаемого как n, где значение n равно [ 1,9]. Установите линию сегментации для каждого n пикселя в направлении y вдоль направления x, эффективно разделив изображение на n x n квадратных блоков в зависимости от положения линии сегментации. Все части изображения, которые не могут образовывать полные квадратные блоки, удаляются.
4. Разбиение направления двоичного градиента α_T (значение направления двоичного градиента α_T равно [ 0°, 360°]) на m частей, в результате чего получается m статистических угловых интервалов направленного градиента. Перейдите к вычислению статистического значения градиента для интервала статистического угла градиента каждого блока.
   1. Основываясь на двоичном направлении градиента каждого пикселя в блоке, классифицируйте пиксели по соответствующему интервалу статистического угла градиента каждого направления.
   2. Суммируйте двоичный градиент пикселей в интервале статистического угла градиента каждого направления против часовой стрелки, чтобы получить статистическое значение градиента этого интервала. Полученные результаты для статистики градиентного статистического углового интервала направленного градиента представлены на рисунке 8, рисунке 9 и рисунке 10 для размеров блоков n, равных 8, 128 и 512 соответственно.

4. Построение вектора признаков направленного градиента

1. Разделите выборки на требуемые области расчета, где каждая область расчета состоит из четырех смежных блоков на основе результатов блоков, полученных на шаге 3.3. Например, учитывая разрешение 16 x 16 пикселей и размер блока 4 x 4, изображение делится на (16 / 4-1) x ( 16 / 4-1 ) = 9 областей вычисления.
2. Вычислить статистическое значение градиента направленности в пределах углового интервала статистики градиента каждого блока в области расчета. Затем получим вектор признаков со статистикой направленного градиента в качестве компонента.
3. Объедините векторы признаков направленного градиента из каждой области вычисления, чтобы получить вектор признаков направленного градиента изображения.

5. Обучение SVM

1. Случайным образом выберите 42 образца из трех состояний вибрации, чтобы создать обучающую группу, оставив оставшиеся 18 образцов в качестве тестовой группы.
2. Используйте функцию fitcecoc MATLAB для обучения SVM; Формат
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   где SVM — метод опорных векторов для обучения, trainingFeatures — вектор признаков направленного градиента изображения обучающей группы, а Trainingeigenvalue — характеристическое значение вибрационного состояния обучающей группы. Характерные значения вибрационного состояния образцов невибробетона, вибробетона и вибробетона составляют 1, 2 и 3 соответственно.
3. Сохраните обученную SVM с помощью функции Save в формате .mat.

6. Проверка точности распознавания SVM

1. Используя функцию прогнозирования MATLAB, введите вектор признаков направленного градиента изображения тестовой группы в обученную SVM, чтобы получить рассчитанное значение характеристики вибрационного состояния для каждого испытуемого образца. Формат следующий:
   testgroupcalculateseigenvalues = predict (SVM, testFeature)
   где testgroupcalculateseigenvalues — вычисленное значение функции вибрационного состояния, а SVM — метод опорных векторов, обученный на шаге 5. testFeature — вектор признаков направленного градиента изображения образца тестовой группы.
2. Определите результаты распознавания образцов тестового набора, передав тестовый набор в обученную SVM. Подсчитайте количество выборок, для которых результаты распознавания тестового набора соответствуют фактическому состоянию, а затем вычислите точность распознавания, разделив количество правильных выборок на общее количество образцов тестового набора.
   1. Если точность распознавания тестов выше 94%, считайте, что распознавание SVM эффективно. Если он ниже 94%, вернитесь к шагу 1.1 и настройте порог бинаризации, размер блока n и количество статистических интервалов градиента направленности m.

Results

Этот протокол направлен на анализ того, как трехвекторные параметры расчета элемента направленного градиента влияют на точность SVM в определении вибрационного состояния бетона. Основные параметры вычисления вектора признаков направленного градиента включают размер статистического блока направленного градиента, количество интервалов статистического угла направленного градиента и порог двоичного серого. В этом разделе используются три основных параметра вычисления в качестве переменных для разработки теста. Уровни тестовых параметров подробно описаны в таблице 1. Всего было проведено 100 тестов на конкретных образцах изображений с разрешением 1024 x 1024 пикселей. Результаты испытаний, соответствующие параметрам, описанным в таблице 1 , представлены в таблице 2.

Анализ различных результатов распознавания бинарного порога грея SVM
В таблице 2 приведена средняя точность распознавания SVM для различных порогов бинаризации, а взаимосвязь между порогом бинаризации и точностью распознавания визуализирована на рисунке 4. При фиксированном размере блока и количестве статистических интервалов точность распознавания SVM, как правило, имеет тенденцию к снижению с увеличением порога бинаризации. Примечательно, что точность распознавания значительно снижается, когда порог бинаризации находится в диапазоне от 100 до 150. Необходимы дальнейшие исследования, чтобы понять причины этого явления и его влияние на расчет деления SVM.

В этом разделе, следуя методу, описанному в шаге 2.1, и экспериментальному плану, описанному в шаге 3.1, образцы изображений невибробетона, вибробетона и вибробетона бинаризуются. Используются пороговые значения бинаризованного серого цвета: 50, 100, 150, 200 и 250, что приводит к получению бинаризованных серых изображений для каждого состояния, как показано на рисунках 5, 6 и 7.

Как показано на рисунке 5, по мере уменьшения порога бинаризации белая область в двоичном изображении образца невибрированного бетонного изображения значительно уменьшается. При пороге бинаризации, равном 250, двоичное изображение выглядит чисто черным. На рисунке 6 тренд изменения бинарного серого изображения образца вибрирующего бетона с порогом бинаризации аналогичен тренду на невибрированный бетонный образец, но уменьшение белой области более выражено в образце вибрирующего бетона. Кроме того, на рисунке 7 показано сочетание черной части и белых участков, отражающих характеристики текстуры поверхности бетона в различных вибрационных состояниях. Бинарное серое изображение вибробетона также уменьшается с уменьшением порога бинаризации. Например, когда порог бинаризации установлен на 50 и 100, двоичное серое изображение вибробетона имеет тенденцию быть белым. При пороге 150 оно выглядит похожим на два других состояния, но когда порог превышает 150, двоичное изображение имеет тенденцию быть черным. Примечательно, что когда порог бинаризации находится в диапазоне от 100 до 150, происходят значительные изменения в характеристиках бинарного изображения.

Выделение вектора признаков в данной работе основано на направленном градиенте образцов изображений. Увеличение порога бинаризации с 50 до 100 уменьшает площадь контакта между белыми и черными пикселями. Это уменьшение влияет на статистику градиента направления пикселя, так как оно зависит от изменения значения пикселя между каждым пикселем. Большая площадь контакта приводит к тому, что в векторе признаков SVM меньше 0 компонентов, что делает представление характеристик вибрационного состояния бетона более полным. Изменение точности распознавания с порогом бинаризации обусловлено, прежде всего, изменением числа 0 компонентов в векторе признаков направленного градиента. Кроме того, при повышении порога бинаризации со 150 до 250 белая область образца двоичного изображения значительно уменьшается. Следовательно, соответствующая точность распознавания также значительно снижается, что еще больше подтверждает это правило.

Результаты распознавания различных размеров блоков градиентного градиента - SVM
В данном разделе рассчитана точность определения размера статистического блока градиентной статистики в разных направлениях, представленная в таблице 2 . В дальнейшем вычисляется среднее значение точности идентификации размера статистического блока градиентной статистики в каждом направлении. Результаты показаны на рисунке 8.

На рисунке 8 показана взаимосвязь между распознаванием SVM для конкретных образцов изображений с разрешением 1024 и размером статистического блока градиента направления. Это соотношение можно выразить уравнением (2).

y=0,09+0,144x-0,01x² (2)

Вектор признаков образца изображения вычисляется методом сдвига блоков²⁰. Между тем, когда блок мал, вектор признаков характеризует локальную специфичность бинарного изображения. Это приводит к получению изображений конкретных образцов различных вибрационных состояний, имеющих схожую локальную специфичность, что приводит к значительному числу 0 компонент в векторе признаков. Следовательно, такое большое количество 0 компонентов вызывает существенные помехи в делении SVM, что приводит к снижению точности распознавания, особенно для 1024-пиксельных изображений с размером блока 8 пикселей.

По мере увеличения размера блока локальная специфичность, отраженная вектором признаков, постепенно уменьшается, и вектор признаков характеризует региональную специфичность образца изображения, как показано на рисунке 10. Следовательно, количество 0 компонент в векторе признаков уменьшается, что приводит к уменьшению помех в процессе деления SVM. Таким образом, повышается точность распознавания SVM.

Однако при дальнейшем увеличении размера блока, превышающего 32 пикселя, количество 0 компонентов в векторе признаков продолжает уменьшаться. Но это также приводит к уменьшению размерности вектора признаков обучающей выборки SVM. На данный момент влияние на точность распознавания SVM в основном связано с отсутствием размеров признаков. Тем не менее, вектору признаков все же удается уловить определенную степень специфичности в конкретном изображении. Как показано на рисунке 11, при некотором расширении размера блока особенности градиента направленности в каждом блоке образцов конкретных изображений с различными состояниями вибрации по-прежнему демонстрируют существенные различия. Это наблюдение объясняет, почему точность распознавания уменьшается, когда размер блока становится чрезмерно большим, хотя уменьшение относительно невелико.

Результаты распознавания номеров интервалов углового градиента по направленному градиенту
В данном разделе вычисляется точность распознавания числа направленных градиентов статистических интервалов, представленных в таблице 2 . В дальнейшем вычисляется средняя точность распознавания числа статистических интервалов направленных градиентов. Результаты проиллюстрированы на рисунке 12.

Из рисунка 12 видно, что с увеличением числа статистических интервалов направленного градиента точность распознавания SVM для конкретного вибрационного состояния сначала повышается, а затем уменьшается. Это соотношение можно выразить уравнением (3)

y=-0.45+0.2x-0.007x² (3)

Механизм влияния между числом статистических интервалов направления градиента и точностью распознавания обусловлен изменением параметров выделения признаков изображения. Это приводит к сдвигу в специфической характерной способности векторов признаков для образцов изображений. На данном участке перехвачена часть изображения образцов умеренно вибрированного бетона. Результаты расчета характеристик направленного градиента получаются, когда размер сетки равен 4, а количество статистических интервалов направленного градиента установлено равным 6, 9, 12 и 15, как показано на рисунке 13.

Как показано на рисунке 13A,B, если число статистических интервалов градиента направленности равно 6, размер каждого интервала составляет 60°. Учитывая, что размер блока расчета составляет 4x4, в каждом блоке по 16 пикселей. При больших размерах интервалов градиент направления в несколько пикселей попадает в один интервал. Это приводит к увеличению числа 0 компонент в векторе признаков образцов изображений при увеличении размера интервала. Следовательно, это влияет на результаты обучения и точность распознавания SVM. Однако, когда число статистических интервалов направленных градиентов равно 9, угловое деление становится более точным, что приводит к уменьшению ситуаций, когда в интервале нет пикселей. Следовательно, количество 0 компонентов в векторе признаков образцов изображений также уменьшается, что приводит к улучшению способности вектора признаков к конкретному изображению. Однако при сравнении с рисунком 13C и рисунком 13D, когда число статистических интервалов направленного градиента увеличивается с 12 до 15, количество пикселей с 0 в интервале результатов вычисления объектов направленного градиента увеличивается. В результате снижается способность вектора признаков характеризовать специфичность образа образца. Это снижение характеризующей способности объясняется дальнейшим уменьшением величины статистического интервала направленного градиента. В частности, интервал только с одним пикселем теперь разделен на два интервала: один с одним пикселем, а другой как пустой интервал. Следовательно, увеличение числа пустых интервалов приводит к увеличению 0 компонент в векторе признаков, что в конечном итоге приводит к снижению точности распознавания.

Рисунок 1: Изображение невибробетона. Изображения перекачиваемого бетона, полученные без вибрации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 2: Изображение вибрирующего бетона. Примеры изображений при перекачке бетона в режиме вибрации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 3: Изображение образца вибробетона. Изображения образцов при перекачке бетона вибрационная операция завершена. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 4: Зависимость между порогом бинаризации и точностью распознавания. Влияние порога бинаризации на точность распознавания SVM. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 5: Двоичное изображение невибрированного бетона в оттенках серого. Результаты обработки бинаризации невибрированных бетонных изображений при установке различных порогов бинаризации. (А) Порог бинаризации на уровне 50. (B) Порог бинаризации на уровне 100. (C) Порог бинаризации на уровне 150. (D) Порог бинаризации на уровне 200. (E) Порог бинаризации на уровне 250. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 6: Бинарное изображение вибрирующего бетона в оттенках серого. Результаты обработки бинаризации вибрирующих конкретных изображений при установке различных порогов бинаризации. (А) Порог бинаризации на уровне 50. (B) Порог бинаризации на уровне 100. (C) Порог бинаризации, равный 150. (D) Порог бинаризации на уровне 200. (E) Порог бинаризации на уровне 250. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 7: Бинарное изображение вибробетона в оттенках серого. Результаты обработки бинаризации вибробетонного изображения при установке различных порогов бинаризации. (А) Порог бинаризации на уровне 50. (B) Порог бинаризации на уровне 100. (C) Порог бинаризации на уровне 150. (D) Порог бинаризации на уровне 200. (E) Порог бинаризации на уровне 250. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 8: Диаграмма точности распознавания размера блока с помощью градиента направленного градиента. Влияние размера статистического блока направленного градиента на точность распознавания SVM. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 9: Принципиальная диаграмма результатов извлечения объектов направленного градиента размером 8 пикселей. Функция градиента приводит к трем видам направления состояния вибрации, когда размер блока составляет 8 пикселей. (А) Невибробетон, (Б) вибробетон, (В) вибробетон. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 10: Принципиальная диаграмма результатов извлечения объектов направленного градиента размером блока 128 пикселей. Функция градиента приводит к трем видам направления состояния вибрации, когда размер блока составляет 128 пикселей. (А) Невибробетон, (Б) вибробетон, (В) вибробетон. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 11: Результаты извлечения методом направленного градиента изображений конкретных образцов в различных вибрационных состояниях с размером блока 512 пикселей. Функция градиента приводит к трем видам направления состояния вибрации, когда размер блока составляет 512 пикселей. (А) Невибробетон, (Б) вибробетон, (В) вибробетон. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 12: Зависимость направленного градиента статистического интервала от точности распознавания чисел. Влияние статистического интервала направленного градиента number на точность распознавания SVM Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 13: Результаты расчета характеристик направленного градиента от числа различных статистических интервалов градиента направления. Результаты характеристик направленного градиента образца получаются при задании различных статистических интервалов направленного градиента. (A) 6 статистических интервалов направленного градиента, (B) 9 статистических интервалов направленного градиента, (C) 12 статистических интервалов направленного градиента, (D) 15 статистических интервалов направленного градиента. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Таблица 1: Уровень тестового фактора идентификации SVM. Проанализировано влияние расчетных параметров вектора признаков направленного градиента на точность СВМ для идентификации вибрационного состояния бетона. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 2: Результаты анализа параметров гистограммы направленного градиента. На основании схемы испытаний, приведенной в таблице 1, получены результаты точности распознавания. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Discussion

В данной работе используется метод опорных векторов (SVM) для изучения особенностей изображения различных образцов вибрационного состояния бетона. На основе результатов машинного обучения предложен метод распознавания конкретного вибрационного состояния, основанный на распознавании изображений. Для повышения точности распознавания важно контролировать параметры трех ключевых шагов: сегментации изображения, бинаризации изображения и извлечения собственных значений направленного градиента. Согласно результатам тестирования, для предварительной обработки конкретного образца изображения используется меньший порог бинаризации, а также размер блока сегментации изображения 128 x 128 пикселей. Количество градиентов направления для статистических угловых интервалов установлено равным 12. В наборе образцов изображений с разрешением 1024 достигается наилучшая точность распознавания результатов машинного обучения.

Из-за значительных различий в окружающей среде на разных строительных площадках этот метод имеет механизм регулировки точности. Когда точность распознавания не соответствует требованиям, три ключевых параметра, упомянутые выше, могут быть расширены или уменьшены в качестве жизнеспособного решения, эффективно снижающего ошибки точности распознавания, вызванные изменениями окружающей среды. Важно отметить, что этот метод в значительной степени зависит от условий освещенности рабочего забоя. Съемка изображений в условиях низкой освещенности может привести к снижению точности распознавания. Чтобы уменьшить зависимость от условий освещения, были изучены алгоритмы улучшения изображения при низкой освещенности³⁰, но они значительно увеличивают время распознавания и требования к аппаратному обеспечению. В настоящее время ни одна эффективная технология не обеспечивает как точность распознавания при низкой освещенности, так и эффективность распознавания. Этот метод использует гистограмму технологии ориентированного градиента для характеристики вибрационного состояния бетона, включая обрушение поверхности, всплытие цементного раствора и пузырьки в процессе вибрации бетона. По сравнению с существующими технологиями такой подход значительно сокращает количество требуемых образцов и снижает требования к производительности компьютера. На ноутбуке, оснащенном процессором с тактовой частотой 2,30 ГГц, процесс распознавания завершает дифференциацию обучающего пространства SVM всего за 15 секунд. При правильной настройке параметров экстракции точность распознавания также повышается³¹.

В будущем этот протокол может быть использован для управления вибрационной работой строительного робота, что позволит своевременно прекратить работу, когда бетон достигнет желаемого уровня вибрации, тем самым избегая проблем с качеством, вызванных недостаточной вибрацией. Кроме того, метод может быть адаптирован для модификации операций робота в зависимости от характеристик текстуры на строительной площадке, таких как определение плоскостности конструкции, удаление шлама рабочей поверхности и другие связанные процессы.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
камера	SONY	A6000	Размер сенсора составляет 23,5х15,6 мм, максимальное разрешение захвата — 1440*1080, а эффективный пиксель — 24,3 млн.
бетон	Ухань Констракшн Чансинь Технолоджи Девелопмент Ко., Лтд.	Насосный бетон C30	В соответствии со стандартом «Стандарт испытаний и оценки прочности бетона» (GB/T 50107-2010), стандартное значение кубической прочности на сжатие составляет 30 МПа насосного бетона.
Matlab	MathWorks	Программный интерфейс MATLAB R2017a	предоставляет инструменты разработки для повышения качества кода, удобства обслуживания и максимизации производительности. Предоставляет инструменты для создания приложений с использованием пользовательских графических интерфейсов. Предоставляет инструменты для объединения алгоритмов на основе MATLAB с внешними приложениями и языками
Процессор	Intel	Intel(R) Core (TM) 12-го поколения i7-12700H @ 2.30GHz	64-битный процессор Win11