Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Engineering
Click here for the English version

Engineering

זיהוי תמונה וניתוח פרמטרים של מצב רטט בטון המבוסס על מכונת וקטור תמיכה

Published: January 5, 2024 doi: 10.3791/65731
Automatic Translation
1,2, 2, 1, 2, 2
1Wuhan University, 2Wuhan Construction Engineering Group Co. Ltd.

Summary

הפרוטוקול המתואר במאמר זה משתמש בטכניקת היסטוגרמה של שיפוע כיווני כדי לחלץ את המאפיינים של דגימות תמונה קונקרטיות במצבי רטט שונים. היא משתמשת במכונה וקטורית תמיכה ללמידת מכונה, וכתוצאה מכך שיטת זיהוי תמונה עם דרישות אימון מינימליות ודרישות ביצועי מחשב נמוכות.

Abstract

במאמר זה, טכנולוגיית היסטוגרמה של שיפוע כיווני משמשת לחילוץ התכונות של דגימות תמונה קונקרטיות שצולמו תחת מצבי רטט שונים. מכונת וקטור התמיכה (SVM) משמשת ללימוד הקשר בין תכונות התמונה למצב הרטט. תוצאות למידת המכונה משמשות לאחר מכן להערכת ההיתכנות של מצב הרטט הקונקרטי. במקביל, מנגנון ההשפעה של פרמטרי החישוב של היסטוגרמה הדרגתית כיוונית על דיוק הזיהוי מנותח. התוצאות מדגימות את ההיתכנות של שימוש בטכנולוגיית היסטוגרמה של שיפוע כיווני-SVM כדי לזהות את מצב הרטט של בטון. דיוק הזיהוי עולה בתחילה ולאחר מכן יורד ככל שגודל הבלוק של מעבר הצבע הכיווני, או מספר המרווחים הסטטיסטיים גדל. גם דיוק הזיהוי יורד באופן ליניארי עם עליית סף הבינאריות. על ידי שימוש בתמונות לדוגמה ברזולוציה של 1024 פיקסלים x 1024 פיקסלים ומיטוב פרמטרי חילוץ התכונות, ניתן להשיג דיוק זיהוי של 100%.

Introduction

בטון הוא חומר בנייה בסיסי הנמצא בשימוש נרחב בענף הבנייה. במהלך השאיבה, הבטון מפתח לעיתים קרובות חללים הדורשים דחיסה באמצעות רעידות. רעידות לא מספקות עלולות לגרום למשטח בטון חלת דבש, בעוד רעידות מוגזמות עלולות להוביל להפרדת בטון 1,2. איכות פעולת הרטט משפיעה באופן משמעותי על חוזק 3,4,5,6 ועמידות מבני הבטון שנוצרו 7,8. Cai et al.9,10 ערכו מחקר ששילב מחקר ניסיוני עם ניתוח מספרי כדי לחקור את מנגנון ההשפעה של רטט על התיישבות אגרגטים ועמידות בטון. הממצאים גילו כי לזמן הרטט ולחלקיקי האגרגטים יש השפעה מהותית על התיישבות האגרגטים, בעוד שלצפיפות המצרפיים ולצמיגות הפלסטית של החומר הצמנטי יש השפעות מינימליות. רטט גורם לשקיעת אגרגטים בתחתית דגימות הבטון. יתר על כן, ככל שזמן הרטט מתארך, ריכוז יון הכלוריד יורד בתחתית דגימות הבטון תוך עלייה משמעותית ב 9,10 העליון.

כיום, הערכת מצב רטט קונקרטי מסתמכת בעיקר על שיפוט ידני. ככל שענף הבנייה ממשיך להתקדם באמצעות רפורמות חכמות, פעולות רובוטים התגלו ככיוון העתידי11,12. כתוצאה מכך, אתגר מכריע בפעולות רטט חכמות הוא כיצד לאפשר לרובוטים לזהות את מצב הרטט של הבטון.

ההיסטוגרמה של מעבר הצבע המכוון היא טכניקה המשתמשת בשיפוע העוצמה של פיקסלים או בפיזור כיווני הקצוות כמתאר לאפיון הייצוג והצורה של עצמים בתמונות13,14. גישה זו פועלת על תאי הרשת המקומיים של התמונה, ומספקת יציבות איתנה באפיון שינויי תמונה בתנאים גיאומטריים ואופטיים שונים.

Zhou et al.15 הציעו שיטה לחילוץ ישיר של תכונות הדרגתיות כיוונית מתמונות מצב Bayer. גישה זו משמיטה שלבים רבים בחישוב מעבר הצבע הכיווני על-ידי התאמת עמודת מסנן הצבע לאופרטור מעבר הצבע, ובכך מפחיתה באופן משמעותי את הדרישות החישוביות לזיהוי תמונה של מעבר צבע כיווני. הוא ואחרים השתמשו בהיסטוגרמה של שיפוע כיווני כתכונה הבסיסית והשתמשו באלגוריתם האשכולות הממוצע כדי לסווג את מחברי המסילה ולקבוע אם המחברים פגומים. תוצאות הזיהוי הצביעו על כך שההיסטוגרמה של תכונת השיפוע המכוון הפגינה רגישות גבוהה לפגמים במהדק, וענתה על הצרכים של תחזוקת הרכבת ותיקונה. במחקר אחר, Xu et al.17 עיבדו מראש תכונות של תמונות פנים באמצעות סינון גל גאבור והקטינו את הממד של וקטורי תכונות באמצעות קידוד בינארי ואלגוריתם HOG. דיוק הזיהוי הממוצע של השיטה הוא 92.5%.

מכונת וקטור התמיכה (SVM)18 משמשת למיפוי הווקטור למרחב ממדי גבוה ויוצרת היפר-מישור מפריד עם כיוון מתאים כדי למקסם את המרחק בין שני על-מישורים מקבילים. זה מאפשר סיווג של וקטורי תמיכה19. חוקרים שיפרו וייעלו את טכנולוגיית סיווג זו, מה שהוביל ליישומה בתחומים שונים כגון זיהוי תמונה20,21, סיווג טקסט22, חיזוי אמינות23 ואבחון תקלות24.

Li et al.25 פיתחו מודל SVM דו-שלבי לזיהוי דפוסי כשל סייסמי, תוך התמקדות בשלושה מצבי כשל סייסמי. תוצאות הניתוח מצביעות על כך ששיטת ה- SVM הדו-שלבית המוצעת יכולה להשיג דיוק של יותר מ- 90% עבור שלושת מצבי הכשל. Yang et al.26 שילבו אלגוריתם אופטימיזציה עם SVM כדי לדמות את הקשר בין חמשת הפרמטרים העל-קוליים לבין הלחץ של הבטון הטעון. הביצועים של שרת אחסון וירטואלי לא ממוטב אינם משביעי רצון, במיוחד בשלב הלחץ הנמוך. עם זאת, חציית המודל הממוטב על ידי האלגוריתם מניבה תוצאות משופרות, אם כי עם זמני חישוב ארוכים. לשם השוואה, ה-SVM הממוטב לאופטימיזציה של נחיל חלקיקים מקצר משמעותית את זמן החישוב תוך מתן תוצאות סימולציה אופטימליות. Yan et al.27 השתמשו בטכנולוגיית SVM והציגו פונקציית אובדן מדויקת ולא רגישה כדי לחזות את המודולוס האלסטי של בטון בעל חוזק גבוה, תוך השוואת דיוק החיזוי שלו מול מודל הרגרסיה המסורתי ומודל הרשת העצבית. ממצאי המחקר מראים כי טכנולוגיית SVM מייצרת טעות ניבוי קטנה יותר עבור מודולוס אלסטי בהשוואה לשיטות אחרות.

מאמר זה אוסף דוגמאות תמונה של בטון תחת מצבי רטט שונים ומתאר את המצבים השונים של הבטון באמצעות טכניקת היסטוגרמה של שיפוע כיווני. השיפוע הכיווני משמש כווקטור תכונה לאימון ה-SVM, והמחקר מתמקד בכדאיות השימוש בטכנולוגיית היסטוגרמה של שיפוע כיווני-SVM כדי לזהות את מצב הרטט של בטון. בנוסף, המאמר מנתח את מנגנון ההשפעה בין שלושה פרמטרים מרכזיים - סף בינאריזציה, גודל בלוק סטטיסטי של שיפוע כיווני ומספר מרווח סטטיסטי של שיפוע כיווני - בתהליך חילוץ התכונות של היסטוגרמה של שיפוע כיווני ודיוק הזיהוי של שרת אחסון וירטואלי.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. רכישת תמונה מדגם קונקרטי

  1. הובלת בטון למקום העבודה, שם הוא יישפך על ידי משאית המשאבה.
  2. כדי לצלם תמונות, הפעל את ציוד הצילום על ידי הזזת מתג מקש ההפעלה ימינה והעברתו למצב ON . כוונן את ידית מצב המצלמה למצב אוטומטי ירוק, ודא שעדשת המצלמה מקבילה למשטח הבטון, ולחץ על מקש הצמצם. לכדו 20 דגימות תמונה של בטון לא רוטט, ושמרו אותן בפורמט .jpg ברזולוציית רכישה של 1024 x 1024 פיקסלים, כפי שמודגם באיור 1.
  3. הכניסו את החלק הרוטט של ציוד רטט הבטון (מוט רטט בטון תקע) לתוך הבטון. חבר את ספק הכוח ולאחר מכן הפעל את ציוד רטט הבטון על ידי הגדרתו למצב ON .
  4. כאשר יש התמוטטות כלשהי על פני השטח של הבטון (הנגרמת על ידי רטט הפולט אוויר בתוך הבטון, המוביל לשקיעת אגרגטים פני השטח כדי למלא את הרווחים, וכתוצאה מכך קריסת בטון) ומופיעה מעט בוצה מלטית, יש לשמור את עדשת המצלמה במקביל למשטח הבטון וללחוץ על מקש הצמצם. אספו 20 דגימות תמונה של בטון רוטט, כפי שמוצג באיור 2.
  5. המשך להפעיל את ציוד הרטט. כאשר אין קריסה ברורה על משטח הבטון, לא מופיעה תרחיף צמנטי ולא נוצרות בועות, יש לעצור את תהליך הרטט וללכוד 20 דגימות תמונה של בטון רוטט, כפי שמוצג באיור 3.

2. בינאריזציה אפורה של תמונה לדוגמה

  1. השתמשו בפונקציה imread() של תוכנת MATLAB כדי לקרוא את קובץ .jpg כנתוני תבנית יחידה של 1024 פיקסלים x 1024 פיקסלים x 3 ערוצי צבע, המייצגים את ערכי הערוצים אדום, ירוק וכחול של התמונה.
  2. לאחר מכן, החל את הפונקציה MATLAB rgb2gray כדי להמיר את התמונה לגווני אפור, המסומנים בערך אפור תבנית = rgb2gray (שם קובץ jpg). חשב את הערך האפור של כל פיקסל בהתאם למשוואה (1), ושמור את הערך האפור כנתוני תבנית unit8 של 1024 x 1024.
    GR(i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1)
    כאשר GR(i,j) הוא הערך האפור של נקודת הפיקסל, R(i,j) הוא ערך הערוץ האדום של נקודת הפיקסל, G(i,j) הוא ערך הערוץ הירוק של נקודת הפיקסלים ו- B(i,j) הוא ערך הערוץ הכחול של נקודת הפיקסל.
  3. שנה את הערך הבינארי של ערכי האפור הגדולים מסף הפיקסלים θ ל- 1 והגדר את הערך הבינארי של ערכי האפור הקטן מפיקסל θ ל- 0.
  4. לאחר קבלת התוצאות האפורות הבינאריות, שמור את התוצאה כנתוני תבנית לוגית של 1024 x 1024. במקרה זה, θ מייצג את סף הבינאריות, והערכים שלו הם 50, 100, 150 ו-200 עבור תמונות דגימה קונקרטיות שונות של מצב רטט, כפי שמתואר באיור 5, איור 6 ואיור 7.

3. חישוב ערך עצמי של שיפוע כיווני

  1. חישוב מעבר הצבע הבינארי האופקי והאנכי של כל פיקסל בתמונה באמצעות המשוואה הבאה:28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    כאשר Th הוא השיפוע הבינארי האופקי, Tp הוא השיפוע הבינארי האנכי, R הוא נתוני התבנית הלוגית הבינארית, x הוא מספר השורה של המטריצה הבינארית ו- y הוא מספר העמודה של המטריצה הבינארית.
  2. חישוב הכיוון והגודל של מעבר הצבע הבינארי של כל נקודה באמצעות המשוואה הבאה29
    Equation 1
    כאשר T הוא גודל מעבר הצבע הבינארי, αT הוא כיוון ההדרגתיות הבינארי, Th הוא השיפוע הבינארי האופקי ו- Tp הוא השיפוע הבינארי האנכי.
  3. קבע את גודל גוש פילוח התמונה, המסומן כ- n, כאשר הערך של n הוא [ 1,9]. קבעו את קו הסגמנטציה לכל n פיקסלים בכיוון y לאורך כיוון x, וחלקו למעשה את התמונה ל-n x n בלוקים מרובעים בהתבסס על מיקום קו הסגמנטציה. כל חלקי התמונה שאינם יכולים ליצור גושים מרובעים שלמים יוסרו לאחר מכן.
  4. חלוקת כיוון מעבר צבע בינארי αT (ערך כיוון ההדרגתי הבינארי αT הוא [ 0°, 360°]) לחלקים m, וכתוצאה מכך m כיווני מעבר צבע מרווחים סטטיסטיים. המשך לחשב את הערך הסטטיסטי של מעבר הצבע עבור מרווח הזווית הסטטיסטית של כל בלוק.
    1. בהתבסס על כיוון מעבר הצבע הבינארי של כל פיקסל בגוש, סווגו את הפיקסלים למרווח הזווית הסטטיסטי המתאים של מעבר הצבע של כל כיוון.
    2. סכמו את מעבר הצבע הבינארי של הפיקסלים במרווח הזווית הסטטיסטית של מעבר הצבע של כל כיוון נגד כיוון השעון כדי לקבל את הערך הסטטיסטי של מעבר הצבע של מרווח זה. התוצאות המתקבלות עבור סטטיסטיקות הדרגתיות סטטיסטיות של מעבר צבע של מרווח זווית כיוונית מתוארות באיור 8, איור 9 ואיור 10 עבור גדלי בלוקים n שווים ל- 8, 128 ו- 512, בהתאמה.

4. בניית וקטור תכונת שיפוע כיווני

  1. חלק את הדגימות לאזורי חישוב נדרשים, כאשר כל אזור חישוב מורכב מארבעה בלוקים סמוכים בהתבסס על תוצאות הבלוקים שהתקבלו בשלב 3.3. לדוגמה, בהתחשב בפיקסלים ברזולוציה של 16 x 16 ובגודל בלוק של 4 x 4, התמונה מחולקת ל (16 / 4-1) x ( 16 / 4-1 ) = 9 אזורי חישוב.
  2. חשב את הערך הסטטיסטי של מעבר הצבע הכיווני במרווח זווית של סטטיסטיקת ההדרגתיות של כל בלוק באזור החישוב. לאחר מכן, קבל את וקטור התכונה עם סטטיסטיקת מעבר הצבע הכיווני כרכיב.
  3. שלבו את וקטורי תכונות מעבר הצבע הכיווני מכל אזור חישוב לקבלת וקטור תכונת מעבר הצבע הכיווני של התמונה.

5. הדרכת SVM

  1. בחרו באופן אקראי 42 דגימות משלושת מצבי הרטט כדי ליצור את קבוצת האימון, והשאירו את 18 הדגימות הנותרות כקבוצת הבדיקה.
  2. השתמש בפונקציית fitcecoc של MATLAB לאימון SVM; הפורמט הוא
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    כאשר שרת אחסון וירטואלי הוא מכונת וקטור התמיכה שיש לאמן, trainingFeatures הוא וקטור תכונת השיפוע הכיווני של קבוצת האימון, ו- Trainingeigenvalue הוא הערך האופייני של מצב הרטט של קבוצת האימון. הערכים האופייניים למצב הרטט של בטון לא רוטט, בטון רוטט ובטון רוטט הם 1, 2 ו -3, בהתאמה.
  3. שמור את שרת אחסון וירטואלי שעבר הכשרה באמצעות הפונקציה Save בתבנית .mat.

6. אימות דיוק זיהוי SVM

  1. באמצעות פונקציית החיזוי של MATLAB, הזינו את וקטור תכונת השיפוע הכיווני של תמונת קבוצת הבדיקה לתוך שרת אחסון וירטואלי מאומן כדי לקבל את הערך המחושב של תכונת מצב הרטט עבור כל דגימת בדיקה. הפורמט הוא כדלקמן:
    testgroupcalculateseigenvalues = לחזות (SVM, testFeature)
    כאשר testgroupcalculateseigenvalues הוא הערך המחושב של תכונת מצב הרטט, ו- SVM הוא מכונת וקטור התמיכה שאומנה בשלב 5. testFeature הוא וקטור תכונת מעבר הצבע הכיווני של התמונה לדוגמה של קבוצת הבדיקה.
  2. קבע את תוצאות זיהוי הדגימה של ערכת הבדיקה על-ידי הזנת ערכת הבדיקה לשרת אחסון וירטואלי שהוכשר. ספור את מספר הדגימות שעבורן תוצאות זיהוי ערכת הבדיקה תואמות למצב בפועל, ולאחר מכן חשב את דיוק הזיהוי על-ידי חלוקת מספר הדגימות הנכונות במספר הכולל של דגימות ערכת הבדיקה.
    1. אם דיוק זיהוי הבדיקה גבוה מ- 94%, שקול את זיהוי שרת אחסון וירטואלי כיעיל. אם הוא נמוך מ- 94%, חזור לשלב 1.1 והתאם את סף הבינאריות, גודל הבלוק n ומספר המרווחים הסטטיסטיים של מעבר הצבע הכיווני m.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

פרוטוקול זה נועד לנתח כיצד פרמטרי החישוב התלת-וקטוריים של תכונת השיפוע הכיווני משפיעים על הדיוק של שרת אחסון וירטואלי בזיהוי מצב הרטט הקונקרטי. פרמטרי החישוב העיקריים של וקטור תכונת מעבר הצבע הכיווני כוללים את גודל הבלוק הסטטיסטי של מעבר הצבע הכיווני, מספר מרווחי הזוויות הסטטיסטיות של מעבר הצבע הכיווני וסף האפור הבינארי. סעיף זה משתמש בשלושה פרמטרי חישוב עיקריים כמשתנים לתכנון הבדיקה. רמות פרמטרי הבדיקה מפורטות בטבלה 1. בסך הכל נערכו 100 בדיקות על דגימות תמונה קונקרטיות ברזולוציה של 1024 x 1024 פיקסלים. תוצאות הבדיקה המתאימות לפרמטרים המתוארים בטבלה 1 מוצגות בטבלה 2.

ניתוח תוצאות זיהוי שונות של סף בינארי אפור-SVM
טבלה 2 מציגה את דיוק הזיהוי הממוצע של שרת אחסון וירטואלי עבור ספי בינאריזציה שונים, והקשר בין סף הבינאריות לבין דיוק הזיהוי מוצג באופן חזותי באיור 4. כאשר גודל הבלוק ומספר המרווחים הסטטיסטיים קבועים, דיוק הזיהוי של שרת אחסון וירטואלי מציג בדרך כלל מגמת ירידה עם עלייה בסף הבינאריזציה. יש לציין כי דיוק הזיהוי יורד משמעותית כאשר סף הבינאריות נמצא בטווח של 100 עד 150. נדרשת חקירה נוספת כדי להבין את הסיבות לתופעה זו ואת השפעתה על חישוב החלוקה של ה-SVM.

בחלק זה, בעקבות השיטה המתוארת בשלב 2.1 והתכנון הניסיוני המתואר בשלב 3.1, דגימות התמונה של בטון לא רוטט, בטון רוטט ובטון רוטט הן בינאריות. ערכי הסף האפורים הבינאריים שבהם נעשה שימוש הם 50, 100, 150, 200 ו-250, והתוצאה היא תמונות אפורות בינאריות עבור כל מצב, כפי שמוצג באיור 5, איור 6 ואיור 7.

כפי שמודגם באיור 5, ככל שסף הבינאריות יורד, השטח הלבן בתמונה הבינארית של דוגמת תמונת הבטון הלא רוטטת מצטמצם באופן משמעותי. בסף בינאריזציה של 250, התמונה הבינארית נראית בצבע שחור טהור. באיור 6, המגמה המשתנה של התמונה האפורה הבינארית של דוגמת תמונת הבטון הרוטט עם סף הבינאריות דומה לזו של דגימת הבטון הלא רוטט, אך הקטנת השטח הלבן בולטת יותר בדוגמת תמונת הבטון הרוטט. יתר על כן, איור 7 ממחיש את השילוב של החלק השחור והאזורים הלבנים, ומשקף את מאפייני מרקם פני השטח של בטון במצבי רטט שונים. גם התמונה הבינארית האפורה של בטון רוטט יורדת ככל שסף הבינאריות יורד. לדוגמה, כאשר סף הבינאריזציה מוגדר ל- 50 ו- 100, התמונה האפורה הבינארית של בטון רוטט נוטה להיות לבנה. בסף של 150, הוא נראה דומה לשני המצבים האחרים, אך כאשר הסף עולה על 150, התמונה הבינארית נוטה להיות שחורה. יש לציין כי כאשר סף הבינאריות הוא בין 100 ל- 150, מתרחשים שינויים משמעותיים בתכונות התמונה הבינארית.

החילוץ הווקטורי של התכונה במאמר זה מסתמך על מעבר הצבע הכיווני של דגימות תמונה. הגדלת סף הבינאריות מ- 50 ל- 100 מקטינה את שטח המגע בין פיקסלים לבנים ושחורים. הפחתה זו משפיעה על הנתונים הסטטיסטיים של מעבר הצבע הכיווני של הפיקסלים, מכיוון שהיא תלויה בשינוי ערך הפיקסלים בין כל פיקסל. שטח מגע גדול יותר גורם לפחות מ-0 רכיבים בווקטור תכונת ה-SVM, מה שהופך את הייצוג של מאפייני מצב רטט בטון למקיף יותר. השינוי בדיוק הזיהוי עם סף הבינאריות נובע בעיקר משינוי במספר הרכיבים 0 בווקטור תכונת השיפוע הכיווני. יתר על כן, כאשר סף הבינאריזציה מועלה מ- 150 ל- 250, השטח הלבן של דוגמת התמונה הבינארית מצטמצם באופן משמעותי. כתוצאה מכך, גם דיוק הזיהוי המקביל פוחת מאוד, מה שתומך עוד יותר בכלל זה.

תוצאות זיהוי SVM סטטיסטיות של מעבר צבע כיווני שונה-גודל SVM
בחלק זה מחושב דיוק זיהוי גודל הגוש הסטטיסטי של סטטיסטיקות הדרגתיות בכיוונים שונים, כפי שמוצג בטבלה 2 . לאחר מכן, מחושב הערך הממוצע של דיוק זיהוי גודל בלוק סטטיסטי של סטטיסטיקות הדרגתיות לכל כיוון. התוצאות מודגמות באיור 8.

איור 8 מדגים את הקשר בין זיהוי SVM עבור דגימות תמונה קונקרטיות ברזולוציה של 1024 לבין גודל הבלוק הסטטיסטי של שיפוע הכיוון. קשר זה יכול לבוא לידי ביטוי באמצעות משוואה (2).

y=0.09+0.144x-0.01x2 (2)

וקטור תכונת דוגמת התמונה מחושב בשיטה20 לטאטוא גושים. בינתיים, כאשר הבלוק קטן, וקטור התכונה מאפיין את הספציפיות המקומית של התמונה הבינארית. התוצאה היא תמונות מדגם קונקרטיות של מצבי רטט שונים בעלי ספציפיות מקומית דומה, מה שמוביל למספר משמעותי של 0 רכיבים בווקטור התכונה. כתוצאה מכך, מספר גבוה זה של רכיבי 0 גורם להפרעה משמעותית בחלוקת שרתי אחסון וירטואליים, מה שמוביל לדיוק זיהוי מופחת, במיוחד עבור תמונות של 1024 פיקסלים עם גודל בלוק של 8 פיקסלים.

ככל שגודל הבלוק גדל, הספציפיות המקומית המשתקפת על ידי וקטור התכונה פוחתת בהדרגה, וקטור התכונה מאפיין את הספציפיות האזורית של דוגמת התמונה, כפי שמודגם באיור 10. כתוצאה מכך, מספר הרכיבים 0 בווקטור התכונה מצטמצם, מה שמוביל לפחות הפרעות במהלך תהליך החלוקה של שרת אחסון וירטואלי. בכך, דיוק הזיהוי של שרת אחסון וירטואלי משתפר.

עם זאת, כאשר גודל הבלוק גדל עוד יותר, העולה על 32 פיקסלים, מספר הרכיבים 0 בווקטור התכונה ממשיך לרדת. אבל זה גם מוביל לירידה בממד של וקטור התכונות של ערכת האימונים SVM. בשלב זה, ההשפעה על דיוק הזיהוי של שרת אחסון וירטואלי נובעת בעיקר מהיעדר ממדי תכונות. עם זאת, וקטור התכונה עדיין מצליח ללכוד מידה מסוימת של ספציפיות בתמונה הבטון. כפי שמודגם באיור 11, כאשר גודל הבלוק מורחב במידה מסוימת, תכונות השיפוע הכיווני בכל בלוק של דגימות תמונה קונקרטיות עם מצבי רטט שונים עדיין מציגות הבדלים משמעותיים. תצפית זו מסבירה מדוע דיוק הזיהוי יורד כאשר גודל הבלוק הופך גדול מדי, למרות שהירידה קטנה יחסית.

תוצאות זיהוי מספר מרווח זווית סטטיסטי של מעבר צבע כיווני - SVM
בחלק זה מחושב דיוק הזיהוי של מספר מעברי הצבע הכיווניים המוצגים בטבלה 2 . לאחר מכן, דיוק הזיהוי הממוצע של מספר המרווחים הסטטיסטיים של שיפועים כיווניים מחושב. התוצאות מודגמות באיור 12.

מאיור 12 ניכר שככל שמספר המרווחים הסטטיסטיים של שיפוע הכיוונים גדל, דיוק הזיהוי של ה-SVM עבור מצב הרטט הקונקרטי עולה בתחילה ולאחר מכן יורד. קשר זה יכול לבוא לידי ביטוי באמצעות משוואה (3)

y=-0.45+0.2x-0.007x2 (3)

מנגנון ההשפעה בין מספר המרווחים הסטטיסטיים של כיוון השיפוע לבין דיוק הזיהוי נובע מהשינוי בפרמטרים של חילוץ תכונות תמונה. הדבר גורם לשינוי ביכולת האפיון הספציפית של וקטורי תכונות עבור דגימות תמונה. בחלק זה, חלק מדגימות התמונה של בטון רוטט בינוני מיורטים. תוצאות החישוב של מאפייני מעבר הצבע הכיווני מתקבלות כאשר גודל הרשת הוא 4, ומספר המרווחים הסטטיסטיים של מעבר הצבע הכיווני מוגדר ל- 6, 9, 12 ו- 15, כפי שמודגם באיור 13.

כפי שמתואר באיור 13A,B, כאשר מספר המרווחים הסטטיסטיים של שיפוע כיווני מוגדר ל-6, הגודל של כל מרווח הוא 60°. בהתחשב בגודל בלוק החישוב הוא 4x4, יש 16 פיקסלים בכל בלוק. במרווחי זמן גדולים יותר, מעבר הצבע הכיווני של פיקסלים מרובים נמצא במרווח זמן אחד. זה מוביל לעלייה במספר של 0 רכיבים בווקטור התכונה של דגימות תמונה כאשר גודל המרווח גדול יותר. כתוצאה מכך, הוא משפיע על תוצאות האימון ועל דיוק הזיהוי של שרת אחסון וירטואלי. עם זאת, כאשר מספר המרווחים הסטטיסטיים של מעברי צבע כיווניים הוא 9, חלוקת הזווית נעשית מעודנת יותר, מה שמוביל להפחתה במצבים שבהם אין פיקסלים בתוך מרווח. כתוצאה מכך, מספר הרכיבים 0 בווקטור התכונות של דגימות תמונה מצטמצם גם הוא, וכתוצאה מכך יכולת ייצוג ספציפית לתמונה משופרת של וקטור התכונה. עם זאת, בהשוואה לאיור 13C ולאיור 13D, כאשר מספר המרווחים הסטטיסטיים של מעבר הצבע הכיווני גדל מ-12 ל-15, מספר הפיקסלים עם 0 במרווח של תוצאות חישוב תכונת מעבר הצבע הכיווני גדל. כתוצאה מכך, היכולת של וקטור התכונה לאפיין את הספציפיות של תמונת המדגם פוחתת. ירידה זו ביכולת האפיון מיוחסת לירידה נוספת בגודל המרווח הסטטיסטי של שיפוע כיווני. באופן ספציפי, המרווח עם פיקסל אחד בלבד מחולק כעת לשני מרווחים: אחד עם פיקסל יחיד ועוד אחד כמרווח ריק. כתוצאה מכך, הגידול במספר המרווחים הריקים מוביל ליותר 0 רכיבים בווקטור התכונה, וכתוצאה מכך בסופו של דבר ירידה בדיוק הזיהוי.

Figure 1
איור 1: תמונה של בטון לא רוטט. תמונות בטון שאוב שצולמו ללא פעולת רטט. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 2
איור 2: תמונה של בטון רוטט. דוגמאות תמונה בפעולת רטט בטון שאיבה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 3
איור 3: תמונה של דגימת בטון רוטט. דוגמאות תמונה בעת שאיבת פעולת רטט בטון הושלמה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 4
איור 4: יחסי סף בינאריזציה ודיוק זיהוי. השפעת סף הבינאריזציה על דיוק הזיהוי של שרת אחסון וירטואלי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 5
איור 5: תמונה בינארית בגווני אפור של בטון לא רוטט. תהליך עיבוד הבינאריות של תמונות קונקרטיות לא רוטטות כאשר נקבעים ספי בינאריזציה שונים. (א) סף בינאריזציה של 50. (B) סף בינאריזציה של 100. (ג) סף בינאריזציה של 150. (ד) סף בינאריזציה של 200. (ה) סף בינאריזציה של 250. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 6
איור 6: תמונה בינארית בקנה מידה אפור של בטון רוטט. עיבוד הבינאריזציה נוצר של תמונות קונקרטיות רוטטות כאשר נקבעים ספי בינאריזציה שונים. (א) סף בינאריזציה של 50. (B) סף בינאריזציה של 100. (ג) סף הבינאריזציה ב-150. (ד) סף בינאריזציה של 200. (ה) סף בינאריזציה של 250. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 7
איור 7: תמונה בינארית בגווני אפור של בטון רוטט. עיבוד הבינאריזציה נוצר של תמונה קונקרטית רוטטת כאשר נקבעים ספי בינאריזציה שונים. (א) סף בינאריזציה של 50. (B) סף בינאריזציה של 100. (ג) סף בינאריזציה של 150. (ד) סף בינאריזציה של 200. (ה) סף בינאריזציה של 250. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 8
איור 8: דיאגרמת דיוק זיהוי גודל בלוק סטטיסטית של מעבר צבע כיווני. השפעת גודל בלוק סטטיסטי הדרגתי כיווני על דיוק הזיהוי של SVM. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 9
איור 9: דיאגרמה סכמטית של גודל בלוק 8 פיקסלים תוצאות חילוץ תכונות מעבר צבע כיווני. תכונת מעבר הצבע גורמת לשלושה סוגים של כיוון מצב רטט כאשר גודל הבלוק הוא 8 פיקסלים. (א) בטון לא רוטט, (ב) בטון רוטט, (ג) בטון רוטט. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 10
איור 10: דיאגרמה סכמטית של גודל בלוק 128 פיקסלים תוצאות חילוץ תכונות מעבר צבע כיווני. תכונת מעבר הצבע יוצרת שלושה סוגים של כיוון מצב רטט כאשר גודל הבלוק הוא 128 פיקסלים. (א) בטון לא רוטט, (ב) בטון רוטט, (ג) בטון רוטט. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 11
איור 11: תוצאות חילוץ הדרגתי כיווני של תמונות מדגם בטון במצבי רטט שונים בגודל בלוק של 512 פיקסלים. תכונת מעבר הצבע גורמת לשלושה סוגים של כיוון מצב רטט כאשר גודל הבלוק הוא 512 פיקסלים. (א) בטון לא רוטט, (ב) בטון רוטט, (ג) בטון רוטט. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 12
איור 12: יחסי דיוק בין מספר לזיהוי מספרים של גרדיאנט כיווני. ההשפעה של מרווח סטטיסטי הדרגתי כיווניr על דיוק הזיהוי של SVM לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 13
איור 13: תוצאות חישוב מאפייני השיפוע הכיווני של מספר המרווחים הסטטיסטיים של שיפוע כיווני שונים. תוצאות מאפייני השיפוע הכיווני של המדגם מתקבלות כאשר נקבעים מרווחים סטטיסטיים שונים של שיפוע כיווני. (A) 6 מרווחים סטטיסטיים של שיפוע כיווני, (B) 9 מרווחים סטטיסטיים של שיפוע כיווני, (C) 12 מרווחים סטטיסטיים של שיפוע כיווני, (D) 15 מרווחים סטטיסטיים של שיפוע כיווני. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

טבלה 1: רמת גורם הבדיקה לזיהוי SVM. השפעת פרמטרי החישוב של וקטור תכונת השיפוע הכיווני על דיוק ה- SVM לזיהוי מצב הרטט הקונקרטי מנותחת. אנא לחץ כאן כדי להוריד טבלה זו.

טבלה 2: תוצאות בדיקת ניתוח פרמטרים של היסטוגרמה של מעבר צבע כיווני. בהתבסס על סכימת הבדיקה בטבלה 1, מתקבלות תוצאות דיוק הזיהוי. אנא לחץ כאן כדי להוריד טבלה זו.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

מאמר זה משתמש במכונת וקטור התמיכה (SVM) כדי ללמוד את תכונות התמונה של דוגמאות שונות של מצבי רטט בטון. בהתבסס על תוצאות למידת המכונה, מוצעת שיטת זיהוי מצב רטט קונקרטית המבוססת על זיהוי תמונה. כדי לשפר את דיוק הזיהוי, חיוני לשלוט בפרמטרים של שלושת השלבים העיקריים: פילוח תמונה, בינאריזציה של תמונה וחילוץ ערך עצמי הדרגתי כיווני. על פי תוצאות הבדיקה, נעשה שימוש בסף בינאריזציה קטן יותר כדי לעבד מראש את תמונת הדגימה הקונקרטית ונעשה שימוש בגודל בלוק פילוח התמונה של 128 פיקסלים x 128 פיקסלים. מספר מעברי הצבע הכיווניים עבור מרווחי זווית סטטיסטיים מוגדר ל- 12. בערכת דגימות התמונה ברזולוציה של 1024, מושג דיוק הזיהוי הטוב ביותר עבור תוצאות למידת מכונה.

בשל השונות המשמעותית בסביבה בין אתרי בנייה שונים, לשיטה זו מנגנון התאמת דיוק. כאשר דיוק הזיהוי אינו עומד בדרישות, ניתן להרחיב או לצמצם את שלושת הפרמטרים העיקריים שהוזכרו לעיל כפתרון בר-קיימא, ובכך לצמצם ביעילות שגיאות דיוק זיהוי הנגרמות כתוצאה משינויים סביבתיים. חשוב לציין כי שיטה זו מסתמכת במידה רבה על תנאי התאורה של פני העבודה. צילום תמונות בתנאי תאורה נמוכים עלול להוביל לירידה בדיוק הזיהוי. כדי להפחית את התלות בתנאי תאורה, נבדקו30 אלגוריתמים לשיפור תמונה עם תאורה נמוכה, אך הם מגדילים באופן משמעותי את זמן הזיהוי ואת דרישות החומרה. נכון לעכשיו, אין טכנולוגיה יעילה המבטיחה הן דיוק זיהוי תאורה נמוך והן יעילות זיהוי. שיטה זו משתמשת בהיסטוגרמה של טכנולוגיית שיפוע מכוון כדי לאפיין את המאפיינים של מצב רטט הבטון, כולל קריסת פני השטח, תרחיף צמנט צף ובועות בתהליך של רטט בטון. בהשוואה לטכנולוגיות קיימות, גישה זו מפחיתה באופן משמעותי את מספר הדגימות הנדרשות ומפחיתה את דרישות ביצועי המחשב. עם מחשב נייד המצויד במעבד 2.30 GHz, תהליך הזיהוי משלים את בידול שטח האימון של שרת וירטואלי תוך 15 שניות בלבד. כאשר פרמטרי החילוץ מוגדרים כראוי, דיוק הזיהוי משופר גם31.

בעתיד, פרוטוקול זה יכול לשמש כדי לפקד על פעולת הרטט של רובוט הבנייה, המאפשר הפסקה בזמן של פעולות כאשר הבטון מגיע לרמת הרטט הרצויה, ובכך למנוע בעיות איכות הנגרמות על ידי רטט לקוי. בנוסף, ניתן להתאים את השיטה לשינוי פעולות הרובוט בהתבסס על מאפייני מרקם באתר הבנייה, כגון זיהוי שטיחות מבנית, הסרת תרחיף פנים עובד ותהליכים קשורים אחרים.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

למחברים אין מה לחשוף.

Acknowledgments

אנו מודים מקרב לב לפרויקט המחקר המדעי השנתי של קבוצת הבנייה העירונית ווהאן 2023 (מס '7) על מימון עבודה זו.

Materials

Name Company Catalog Number Comments
camera SONY A6000 The sensor size is 23.5x15.6mm, the maximum acquisition resolution is 1440 * 1080, and the effective pixel is 24.3 million.
concrete Wuhan Construction Changxin Technology Development Co., Ltd. C30 pumping concrete According to the standard of ' concrete strength test and evaluation standard ' ( GB / T 50107-2010 ), the standard value of cubic compressive strength is 30 MPa pumping concrete.
Matlab MathWorks Matlab R2017a MATLAB's programming interface provides development tools for improving code quality maintainability and maximizing performance.
It provides tools for building applications using custom graphical interfaces.
It provides tools for combining MATLAB-based algorithms with external applications and languages
Processor  Intel 12th Gen Intel(R) Core (TM) i7-12700H @ 2.30GHz 64-bit Win11 processor 

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , San Diego, USA. (2005).
  15. Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1 (2021).
  16. 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).
  17. 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).
  18. Cortes, C., Vapnik, V. N. Support Vector Networks. Machine Learning. 20 (3), 273-297 (1995).
  19. Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
  20. 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).
  21. Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
  22. Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. 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).
  28. 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).
  29. Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
  30. 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).
  31. 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).

Tags

הנדסה גיליון 203
זיהוי תמונה וניתוח פרמטרים של מצב רטט בטון המבוסס על מכונת וקטור תמיכה
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wang, S., Wang, A., Fu, X., Wu, K.,… More

Wang, S., Wang, A., Fu, X., Wu, K., Lu, T. Image Recognition and Parameter Analysis of Concrete Vibration State Based on Support Vector Machine. J. Vis. Exp. (203), e65731, doi:10.3791/65731 (2024).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter