Waiting
Login processing...

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

Engineering

समर्थन वेक्टर मशीन के आधार पर कंक्रीट कंपन राज्य की छवि पहचान और पैरामीटर विश्लेषण

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

इस पत्र में वर्णित प्रोटोकॉल विभिन्न कंपन राज्यों के तहत ठोस छवि नमूनों की विशेषताओं को निकालने के लिए दिशात्मक ढाल हिस्टोग्राम तकनीक का उपयोग करता है। यह मशीन सीखने के लिए एक समर्थन वेक्टर मशीन को नियोजित करता है, जिसके परिणामस्वरूप न्यूनतम प्रशिक्षण नमूना आवश्यकताओं और कम कंप्यूटर प्रदर्शन मांगों के साथ एक छवि पहचान विधि होती है।

Abstract

इस पत्र में, दिशात्मक ढाल हिस्टोग्राम तकनीक को विभिन्न कंपन राज्यों के तहत कैप्चर किए गए ठोस छवि नमूनों की विशेषताओं को निकालने के लिए नियोजित किया जाता है। समर्थन वेक्टर मशीन (एसवीएम) का उपयोग छवि सुविधाओं और कंपन स्थिति के बीच संबंध जानने के लिए किया जाता है। मशीन सीखने के परिणामों का उपयोग बाद में कंक्रीट कंपन राज्य की व्यवहार्यता का आकलन करने के लिए किया जाता है। इसके साथ ही, मान्यता सटीकता पर दिशात्मक ढाल हिस्टोग्राम के गणना मापदंडों के प्रभाव तंत्र का विश्लेषण किया जाता है। परिणाम कंक्रीट की कंपन स्थिति की पहचान करने के लिए दिशात्मक ढाल हिस्टोग्राम-एसवीएम तकनीक का उपयोग करने की व्यवहार्यता प्रदर्शित करते हैं। पहचान सटीकता शुरू में बढ़ जाती है और फिर दिशात्मक ढाल के ब्लॉक आकार के रूप में घट जाती है, या सांख्यिकीय अंतराल की संख्या बढ़ जाती है। मान्यता सटीकता भी बिनाराइजेशन थ्रेशोल्ड की वृद्धि के साथ रैखिक रूप से घट जाती है। 1024 पिक्सल x 1024 पिक्सल के रिज़ॉल्यूशन के साथ नमूना छवियों का उपयोग करके और फीचर निष्कर्षण मापदंडों को अनुकूलित करके, 100% की मान्यता सटीकता प्राप्त की जा सकती है।

Introduction

कंक्रीट एक मौलिक निर्माण सामग्री है जिसका उपयोग निर्माण उद्योग में बड़े पैमाने पर किया जाता है। पंपिंग के दौरान, कंक्रीट अक्सर voids विकसित करता है जिसे कंपन के माध्यम से संघनन की आवश्यकता होती है। अपर्याप्त कंपन के परिणामस्वरूप मधुकोश कंक्रीट की सतह हो सकती है, जबकि अत्यधिक कंपन से कंक्रीट अलगाव 1,2 हो सकता है। कंपन संचालन की गुणवत्ता महत्वपूर्ण रूप से गठित कंक्रीट संरचनाओं की ताकत 3,4,5,6 और स्थायित्व को प्रभावित करती है 7,8. Cai et al.9,10 ने एक अध्ययन किया जो कुल निपटान और ठोस स्थायित्व पर कंपन के प्रभाव तंत्र की जांच करने के लिए संख्यात्मक विश्लेषण के साथ प्रयोगात्मक अनुसंधान को जोड़ता है। निष्कर्षों से पता चला कि कंपन समय और कुल कण कुल निपटान पर काफी प्रभाव डालते हैं, जबकि कुल घनत्व और सीमेंट-आधारित सामग्री की प्लास्टिक चिपचिपाहट का न्यूनतम प्रभाव पड़ता है। कंपन कंक्रीट नमूनों के तल पर कुल जमाव का कारण बनता है। इसके अलावा, जैसे-जैसे कंपन का समय बढ़ता है, क्लोराइड आयन की सांद्रता कंक्रीट नमूनों के तल पर कम हो जाती है जबकि शीर्ष 9,10 पर काफी बढ़ जाती है।

वर्तमान में, ठोस कंपन राज्य का मूल्यांकन मुख्य रूप से मैनुअल निर्णय पर निर्भर करता है। जैसा कि निर्माण उद्योग बुद्धिमान सुधारों के माध्यम से प्रगति जारी रखता है, रोबोट संचालन भविष्य की दिशा 11,12 के रूप में उभरा है। नतीजतन, बुद्धिमान कंपन संचालन में एक महत्वपूर्ण चुनौती यह है कि रोबोट को कंक्रीट की कंपन स्थिति की पहचान करने में कैसे सक्षम किया जाए।

उन्मुख ढाल का हिस्टोग्राम एक तकनीक है जो पिक्सल की तीव्रता ढाल या छवियों13,14में वस्तुओं के प्रतिनिधित्व और आकार को चिह्नित करने के लिए एक वर्णनकर्ता के रूप में किनारे की दिशाओं के वितरण का उपयोग करती है। यह दृष्टिकोण छवि के स्थानीय ग्रिड कोशिकाओं पर संचालित होता है, जो विभिन्न ज्यामितीय और ऑप्टिकल स्थितियों के तहत छवि परिवर्तनों को चिह्नित करने में मजबूत स्थिरता प्रदान करता है।

झोउ एट अल .15 ने बायर मोड छवियों से दिशात्मक ढाल सुविधाओं को सीधे निकालने के लिए एक विधि का प्रस्ताव रखा। यह दृष्टिकोण ढाल ऑपरेटर के साथ रंग फिल्टर कॉलम का मिलान करके दिशात्मक ढाल की गणना करने में कई चरणों को छोड़ देता है, जिससे दिशात्मक ढाल छवि पहचान के लिए कम्प्यूटेशनल आवश्यकताओं को काफी कम कर दिया जाता है। उन्होंने एट अल 16 ने दिशात्मक ढाल हिस्टोग्राम को अंतर्निहित विशेषता के रूप में उपयोग किया और रेल फास्टनरों को वर्गीकृत करने और यह निर्धारित करने के लिए माध्य क्लस्टरिंग एल्गोरिथ्म को नियोजित किया कि फास्टनरों दोषपूर्ण हैं या नहीं। मान्यता के परिणामों ने संकेत दिया कि उन्मुख ढाल सुविधा के हिस्टोग्राम ने रेलवे रखरखाव और मरम्मत की जरूरतों को पूरा करते हुए, फास्टनर दोषों के लिए उच्च संवेदनशीलता का प्रदर्शन किया। एक अन्य अध्ययन में, जू एट अल .17 ने गैबर वेवलेट फ़िल्टरिंग का उपयोग करके चेहरे की छवि सुविधाओं को पूर्वसंसाधित किया और बाइनरी कोडिंग और एचओजी एल्गोरिथ्म के माध्यम से फीचर वैक्टर के आयाम को कम किया। विधि की औसत पहचान सटीकता 92.5% है।

समर्थन वेक्टर मशीन (एसवीएम)18 का उपयोग वेक्टर को एक उच्च-आयामी स्थान में मैप करने के लिए किया जाता है और दो समानांतर हाइपरप्लेन के बीच की दूरी को अधिकतम करने के लिए एक उपयुक्त दिशा के साथ एक अलग हाइपरप्लेन स्थापित करता है। यह समर्थन वैक्टर19 के वर्गीकरण के लिए अनुमति देता है. विद्वानों ने इस वर्गीकरण तकनीक में सुधार और अनुकूलन किया है, जिससे छवि पहचान20,21, पाठ वर्गीकरण 22, विश्वसनीयता भविष्यवाणी23, और गलती निदान24 जैसे विभिन्न क्षेत्रों में इसका अनुप्रयोग हो सकता है।

ली एट अल .25 ने भूकंपीय विफलता पैटर्न मान्यता के लिए दो-चरण एसवीएम मॉडल विकसित किया, जो तीन भूकंपीय विफलता मोड पर केंद्रित था। विश्लेषण के परिणाम बताते हैं कि प्रस्तावित दो-चरण एसवीएम विधि तीन विफलता मोड के लिए 90% से अधिक सटीकता प्राप्त कर सकती है। यांग एट अल .26 ने पांच अल्ट्रासोनिक मापदंडों और लोड किए गए कंक्रीट के तनाव के बीच संबंधों को अनुकरण करने के लिए एसवीएम के साथ एक अनुकूलन एल्गोरिथ्म को एकीकृत किया। एक अअनुकूलित एसवीएम का प्रदर्शन असंतोषजनक है, विशेष रूप से कम तनाव वाले चरण में। हालांकि, एल्गोरिथ्म द्वारा अनुकूलित मॉडल को पार करने से बेहतर परिणाम मिलते हैं, यद्यपि लंबे गणना समय के साथ। इसकी तुलना में, कण झुंड अनुकूलन अनुकूलित एसवीएम इष्टतम सिमुलेशन परिणाम प्रदान करते समय गणना समय को काफी कम कर देता है। यान एट अल 27 ने एसवीएम तकनीक को नियोजित किया और पारंपरिक प्रतिगमन मॉडल और तंत्रिका नेटवर्क मॉडल के खिलाफ इसकी भविष्यवाणी सटीकता की तुलना करते हुए, उच्च शक्ति कंक्रीट के लोचदार मापांक की भविष्यवाणी करने के लिए एक सटीक-असंवेदनशील हानि फ़ंक्शन पेश किया। शोध के निष्कर्ष बताते हैं कि एसवीएम तकनीक अन्य तरीकों की तुलना में लोचदार मापांक के लिए एक छोटी भविष्यवाणी त्रुटि पैदा करती है।

यह पत्र विभिन्न कंपन राज्यों के तहत कंक्रीट के छवि नमूने एकत्र करता है और दिशात्मक ढाल हिस्टोग्राम तकनीक का उपयोग करके कंक्रीट के विभिन्न राज्यों का वर्णन करता है। दिशात्मक ढाल को एसवीएम के प्रशिक्षण के लिए एक फीचर वेक्टर के रूप में नियोजित किया जाता है, और अध्ययन कंक्रीट की कंपन स्थिति की पहचान करने के लिए दिशात्मक ढाल हिस्टोग्राम-एसवीएम तकनीक का उपयोग करने की व्यवहार्यता पर केंद्रित है। इसके अतिरिक्त, पेपर तीन प्रमुख मापदंडों के बीच प्रभाव तंत्र का विश्लेषण करता है-बिनाराइजेशन थ्रेशोल्ड, दिशात्मक ढाल सांख्यिकीय ब्लॉक आकार, और दिशात्मक ढाल सांख्यिकीय अंतराल संख्या-दिशात्मक ढाल हिस्टोग्राम की सुविधा निष्कर्षण प्रक्रिया और एसवीएम की मान्यता सटीकता में।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. ठोस नमूना छवि अधिग्रहण

  1. कार्यस्थल पर परिवहन कंक्रीट, जहां इसे पंप ट्रक द्वारा डाला जाएगा।
  2. छवियों को कैप्चर करने के लिए, पावर कुंजी स्विच को दाईं ओर ले जाकर और इसे चालू स्थिति में बदलकर शूटिंग उपकरण चालू करें। कैमरे के मोड नॉब को हरे स्वचालित मोड में समायोजित करें, यह सुनिश्चित करते हुए कि कैमरा लेंस कंक्रीट की सतह के समानांतर है, और शटर कुंजी दबाएं। गैर-कंपन कंक्रीट के 20 छवि नमूनों को कैप्चर करें, उन्हें 1024 x 1024 पिक्सल के अधिग्रहण संकल्प के साथ .jpg प्रारूप में सहेजें, जैसा कि चित्र 1 में दिखाया गया है।
  3. कंक्रीट में कंक्रीट कंपन उपकरण (प्लग-इन कंक्रीट वाइब्रेटिंग रॉड) के कंपन भाग को डालें। बिजली की आपूर्ति कनेक्ट करें, और फिर कंक्रीट कंपन उपकरण को चालू स्थिति में सेट करके चालू करें।
  4. जब कंक्रीट की सतह पर कुछ पतन होता है (कंक्रीट के अंदर हवा को निर्वहन करने वाले कंपन के कारण, अंतराल को भरने के लिए सतह के समुच्चय के डूबने के कारण, जिसके परिणामस्वरूप कंक्रीट ढह जाता है) और कुछ सीमेंट घोल दिखाई देता है, तो कैमरा लेंस को कंक्रीट की सतह के समानांतर रखें और शटर कुंजी दबाएं। हिल कंक्रीट के 20 छवि नमूने लीजिए, जैसा कि चित्र 2 में दिखाया गया है।
  5. कंपन उपकरण का संचालन जारी रखें। जब कंक्रीट की सतह पर कोई स्पष्ट पतन नहीं होता है, तो कोई सीमेंट घोल दिखाई नहीं देता है, और कोई बुलबुले उत्पन्न नहीं होते हैं, कंपन प्रक्रिया को रोकें, और कंपन कंक्रीट के 20 छवि नमूनों को कैप्चर करें, जैसा कि चित्र 3में दिखाया गया है।

2. नमूना छवि ग्रे binarization

  1. छवि के लाल, हरे और नीले चैनल मूल्यों का प्रतिनिधित्व करने वाले 1024 पिक्सेल x 1024 पिक्सेल x 3 रंग चैनलों के यूनिट प्रारूप डेटा के रूप में .jpg फ़ाइल को पढ़ने के लिए MATLAB सॉफ़्टवेयर के imread() फ़ंक्शन का उपयोग करें।
  2. इसके बाद, छवि को ग्रेस्केल में बदलने के लिए MATLAB फ़ंक्शन rgb2gray लागू करें, जिसे प्रारूप ग्रे मान = rgb2gray (jpg फ़ाइल नाम) द्वारा दर्शाया गया है। समीकरण (1) के अनुसार प्रत्येक पिक्सेल के ग्रे मान की गणना करें, और ग्रे मान को 1024 x 1024 के यूनिट 8 प्रारूप डेटा के रूप में सहेजें।
    जीआर (आई, जे) = 0.2989 आर (आई, जे) + 0.587 जी (आई, जे) + 0.114 बी (आई, जे) (1)
    जहां, जीआर (आई, जे) पिक्सेल बिंदु का ग्रे मान है, आर (आई, जे) पिक्सेल बिंदु का लाल चैनल मूल्य है, जी (आई, जे) पिक्सेल बिंदु का हरा चैनल मूल्य है, और बी (आई, जे) पिक्सेल बिंदु का नीला चैनल मूल्य है।
  3. पिक्सेल थ्रेशोल्ड θ से अधिक धूसर मानों के द्विआधारी मान को 1 में बदलें और θ पिक्सेल से कम ग्रे मानों के द्विआधारी मान को 0 पर सेट करें।
  4. बिनाराइज्ड ग्रे परिणाम प्राप्त करने के बाद, परिणाम को 1024 x 1024 तार्किक स्वरूप डेटा के रूप में सहेजें। इस मामले में, θ बिनाराइजेशन थ्रेशोल्ड का प्रतिनिधित्व करता है, और इसके मान विभिन्न कंपन राज्य कंक्रीट नमूना छवियों के लिए 50, 100, 150 और 200 हैं, जैसा कि चित्र 5, चित्र 6 और चित्र 7 में दर्शाया गया है।

3. दिशात्मक ढाल eigenvalue की गणना

  1. निम्नलिखित समीकरण28 का उपयोग करके छवि में प्रत्येक पिक्सेल के क्षैतिज और ऊर्ध्वाधर बाइनरी ढाल की गणना करें
    टीपी = आर (एक्स, वाई + 1) - आर (एक्स, वाई - 1), टीएच = आर (एक्स + 1, वाई) - आर (एक्स -1, वाई)
    जहां Th क्षैतिज binarized ढाल है, Tp ऊर्ध्वाधर binarized ढाल है, R binarized तार्किक प्रारूप डेटा है, x binarized मैट्रिक्स की पंक्ति संख्या है, और y binarized मैट्रिक्स की स्तंभ संख्या है।
  2. निम्नलिखित समीकरण29 का उपयोग करके प्रत्येक बिंदु की द्विआधारी ढाल दिशा और आकार की गणना करें
    Equation 1
    जहां टी बाइनरी ग्रेडिएंट आकार है, αटी बाइनरी ग्रेडिएंट दिशा है, टीएच क्षैतिज बाइनरी ग्रेडिएंट है, और टीपी ऊर्ध्वाधर बाइनरी ग्रेडिएंट है।
  3. छवि विभाजन ब्लॉक का आकार निर्धारित करें, जिसे n के रूप में दर्शाया गया है, जहां n का मान [1,9] है। एक्स दिशा के साथ वाई दिशा में प्रत्येक एन पिक्सेल के लिए विभाजन लाइन सेट करें, प्रभावी ढंग से विभाजन लाइन की स्थिति के आधार पर एन एक्स एन वर्ग ब्लॉक में छवि विभाजित. छवि का कोई भी हिस्सा जो पूर्ण वर्ग ब्लॉक नहीं बना सकता है, फिर हटा दिया जाता है।
  4. विभाजन द्विआधारी ढाल दिशा αT (द्विआधारी ढाल दिशा का मान αT m भागों में [0°, 360°]) है, जिसके परिणामस्वरूप m दिशात्मक ढाल सांख्यिकीय कोण अंतराल होता है। प्रत्येक ब्लॉक के ढाल सांख्यिकीय कोण अंतराल के लिए ढाल सांख्यिकीय मूल्य की गणना करने के लिए आगे बढ़ें।
    1. ब्लॉक में प्रत्येक पिक्सेल की बाइनरी ढाल दिशा के आधार पर, पिक्सेल को प्रत्येक दिशा के उपयुक्त ढाल सांख्यिकीय कोण अंतराल में वर्गीकृत करें।
    2. उस अंतराल के ढाल सांख्यिकीय मूल्य को प्राप्त करने के लिए वामावर्त दिशा में प्रत्येक दिशा के ढाल सांख्यिकीय कोण अंतराल में पिक्सेल के द्विआधारी ढाल का योग करें। ढाल सांख्यिकीय कोण अंतराल दिशात्मक ढाल आंकड़ों के लिए प्राप्त परिणाम क्रमशः 8, 128, और 512 के बराबर ब्लॉक आकार एन के लिए चित्रा 8, चित्रा 9, और चित्रा 10 में दर्शाया गया है।

4. दिशात्मक ढाल सुविधा वेक्टर का निर्माण

  1. आवश्यक गणना क्षेत्रों में नमूनों को विभाजित करें, जहां प्रत्येक गणना क्षेत्र में चरण 3.3 में प्राप्त ब्लॉक परिणामों के आधार पर चार आसन्न ब्लॉक होते हैं। उदाहरण के लिए, 16 x 16 रिज़ॉल्यूशन पिक्सेल और 4 x 4 के ब्लॉक आकार पर विचार करते हुए, छवि को (16 / 4-1) x (16 / 4-1) = 9 गणना क्षेत्रों में विभाजित किया गया है।
  2. गणना क्षेत्र में प्रत्येक ब्लॉक के ढाल आंकड़ों के कोण अंतराल के भीतर दिशात्मक ढाल के सांख्यिकीय मूल्य की गणना करें। इसके बाद, घटक के रूप में दिशात्मक ढाल आंकड़ों के साथ फीचर वेक्टर प्राप्त करें।
  3. छवि की दिशात्मक ढाल सुविधा वेक्टर प्राप्त करने के लिए प्रत्येक गणना क्षेत्र से दिशात्मक ढाल सुविधा वैक्टर को मिलाएं।

5. एसवीएम प्रशिक्षण

  1. प्रशिक्षण समूह बनाने के लिए तीन कंपन राज्यों से बेतरतीब ढंग से 42 नमूनों का चयन करें, शेष 18 नमूनों को परीक्षण समूह के रूप में छोड़ दें।
  2. एसवीएम प्रशिक्षण के लिए MATLAB के फिटसेकोक फ़ंक्शन का उपयोग करें; प्रारूप है
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    जहां एसवीएम प्रशिक्षित होने वाली समर्थन वेक्टर मशीन है, प्रशिक्षण विशेषताएं प्रशिक्षण समूह छवि दिशात्मक ढाल सुविधा वेक्टर है, और प्रशिक्षण समूह की कंपन स्थिति का विशिष्ट मूल्य है। गैर-कंपन कंक्रीट, कंपन कंक्रीट और कंपन कंक्रीट नमूनों के कंपन राज्य के विशिष्ट मूल्य क्रमशः 1, 2 और 3 हैं।
  3. .mat प्रारूप में सहेजें फ़ंक्शन का उपयोग करके प्रशिक्षित SVM को सहेजें।

6. एसवीएम मान्यता सटीकता का सत्यापन

  1. MATLAB के भविष्यवाणी फ़ंक्शन का उपयोग करके, प्रत्येक परीक्षण नमूने के लिए कंपन स्थिति सुविधा के परिकलित मूल्य को प्राप्त करने के लिए प्रशिक्षित SVM में परीक्षण समूह नमूना छवि की दिशात्मक ढाल सुविधा वेक्टर इनपुट करें। प्रारूप इस प्रकार है:
    testgroupcalculateseigenvalues = predict (SVM, testFeature)
    जहां testgroupcalculateseigenvalues कंपन स्थिति सुविधा का परिकलित मान है, और SVM चरण 5 में प्रशिक्षित समर्थन वेक्टर मशीन है। testFeature परीक्षण समूह नमूना छवि का दिशात्मक ढाल सुविधा वेक्टर है।
  2. प्रशिक्षित एसवीएम में परीक्षण सेट को खिलाकर परीक्षण सेट नमूना मान्यता परिणाम निर्धारित करें। उन नमूनों की संख्या की गणना करें जिनके लिए परीक्षण सेट मान्यता परिणाम वास्तविक स्थिति से मेल खाते हैं, और फिर परीक्षण सेट नमूनों की कुल संख्या से सही नमूनों की संख्या को विभाजित करके मान्यता सटीकता की गणना करें।
    1. यदि परीक्षण पहचान सटीकता 94% से अधिक है, तो एसवीएम मान्यता को प्रभावी मानें। यदि यह 94% से कम है, तो चरण 1.1 पर लौटें और बिनाराइजेशन थ्रेशोल्ड, ब्लॉक आकार एन, और दिशात्मक ढाल सांख्यिकीय अंतराल मीटर की संख्या को समायोजित करें।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

इस प्रोटोकॉल का उद्देश्य यह विश्लेषण करना है कि दिशात्मक ढाल सुविधा के तीन-वेक्टर गणना पैरामीटर कंक्रीट कंपन स्थिति की पहचान करने में एसवीएम की सटीकता को कैसे प्रभावित करते हैं। दिशात्मक ढाल सुविधा वेक्टर के प्राथमिक गणना मापदंडों में दिशात्मक ढाल सांख्यिकीय ब्लॉक आकार, दिशात्मक ढाल सांख्यिकीय कोण अंतराल की संख्या और बाइनरी ग्रे थ्रेसहोल्ड शामिल हैं। यह खंड परीक्षण को डिजाइन करने के लिए चर के रूप में तीन मुख्य गणना मापदंडों का उपयोग करता है। परीक्षण पैरामीटर स्तर तालिका 1 में विस्तृत हैं। 100 x 1024 पिक्सल के रिज़ॉल्यूशन के साथ कंक्रीट छवि नमूनों पर कुल 1024 परीक्षण किए गए थे। तालिका 1 में वर्णित मापदंडों के अनुरूप परीक्षण परिणाम तालिका 2में प्रस्तुत किए गए हैं।

विभिन्न बाइनरी ग्रे थ्रेसहोल्ड-एसवीएम मान्यता परिणामों का विश्लेषण
तालिका 2 विभिन्न बिनाराइजेशन थ्रेसहोल्ड के लिए एसवीएम की औसत मान्यता सटीकता प्रदर्शित करती है, और बिनाराइजेशन थ्रेशोल्ड और मान्यता सटीकता के बीच संबंध चित्र 4 में कल्पना की जाती है। जब ब्लॉक का आकार और सांख्यिकीय अंतराल की संख्या तय हो जाती है, तो एसवीएम की मान्यता सटीकता आम तौर पर बिनाराइजेशन थ्रेशोल्ड में वृद्धि के साथ घटती प्रवृत्ति प्रदर्शित करती है। विशेष रूप से, मान्यता सटीकता काफी कम हो जाती है जब बिनाराइजेशन सीमा 100 से 150 की सीमा के भीतर आती है। इस घटना के पीछे के कारणों और एसवीएम की विभाजन गणना पर इसके प्रभाव को समझने के लिए आगे की जांच की आवश्यकता है।

इस खंड में, चरण 2.1 में वर्णित विधि और चरण 3.1 में वर्णित प्रयोगात्मक डिजाइन के बाद, गैर-कंपन कंक्रीट, कंपन कंक्रीट और कंपन कंक्रीट के छवि नमूने बिनाराइज्ड होते हैं। उपयोग किए गए बिनाराइज्ड ग्रे थ्रेसहोल्ड 50, 100, 150, 200 और 250 हैं, जिसके परिणामस्वरूप प्रत्येक राज्य के लिए बिनाराइज्ड ग्रे छवियां होती हैं, जैसा कि चित्र 5, चित्र 6 और चित्र 7 में दिखाया गया है।

जैसा कि चित्रा 5 में दिखाया गया है, जैसे-जैसे बिनाराइजेशन थ्रेशोल्ड कम होता है, गैर-कंपन कंक्रीट छवि नमूने की बाइनरी छवि में सफेद क्षेत्र काफी कम हो जाता है। 250 की बिनाराइजेशन थ्रेशोल्ड पर, बाइनरी इमेज शुद्ध ब्लैक दिखाई देती है। चित्रा 6 में, बिनाराइजेशन थ्रेशोल्ड के साथ हिल कंक्रीट छवि नमूने की बाइनरी ग्रे छवि की बदलती प्रवृत्ति गैर-कंपन कंक्रीट नमूने के समान है, लेकिन सफेद क्षेत्र की कमी हिल कंक्रीट छवि नमूने में अधिक स्पष्ट है। इसके अलावा, चित्रा 7 काले भाग और सफेद क्षेत्रों के संयोजन को दिखाता है, जो विभिन्न कंपन राज्यों में कंक्रीट की सतह बनावट विशेषताओं को दर्शाता है। कंपन कंक्रीट की बाइनरी ग्रे छवि भी घटती बिनाराइजेशन थ्रेशोल्ड के साथ घट जाती है। उदाहरण के लिए, जब बिनाराइजेशन थ्रेशोल्ड 50 और 100 पर सेट होता है, तो कंपन कंक्रीट की बाइनरी ग्रे छवि सफेद हो जाती है। 150 की सीमा पर, यह अन्य दो राज्यों के समान दिखाई देता है, लेकिन जब सीमा 150 से अधिक हो जाती है, तो बाइनरी छवि काली हो जाती है। विशेष रूप से, जब बिनाराइजेशन थ्रेशोल्ड 100 और 150 के बीच होता है, तो बाइनरी इमेज फीचर्स में महत्वपूर्ण बदलाव होते हैं।

इस पत्र में सुविधा वेक्टर निष्कर्षण छवि नमूनों की दिशात्मक ढाल पर निर्भर करता है. बिनाराइजेशन थ्रेशोल्ड को 50 से 100 तक बढ़ाने से सफेद और काले पिक्सेल के बीच संपर्क क्षेत्र कम हो जाता है। यह कमी पिक्सेल दिशात्मक ढाल के आंकड़ों को प्रभावित करती है क्योंकि यह प्रत्येक पिक्सेल के बीच पिक्सेल मूल्य परिवर्तन पर निर्भर करती है। एक बड़े संपर्क क्षेत्र के परिणामस्वरूप एसवीएम फीचर वेक्टर में 0 से कम घटक होते हैं, जिससे कंक्रीट कंपन राज्य विशेषताओं का प्रतिनिधित्व अधिक व्यापक हो जाता है। बिनाराइजेशन थ्रेशोल्ड के साथ मान्यता सटीकता में परिवर्तन मुख्य रूप से दिशात्मक ढाल फीचर वेक्टर में 0 घटकों की संख्या में परिवर्तन के कारण होता है। इसके अलावा, जब बिनाराइजेशन थ्रेशोल्ड को 150 से 250 तक बढ़ाया जाता है, तो बाइनरी इमेज सैंपल का सफेद क्षेत्र काफी कम हो जाता है। नतीजतन, संबंधित मान्यता सटीकता भी बहुत कम हो जाती है, आगे इस नियम का समर्थन करती है।

विभिन्न दिशात्मक ढाल सांख्यिकीय ब्लॉक आकार-एसवीएम मान्यता परिणाम
इस खंड में, विभिन्न दिशाओं में ढाल आंकड़ों की सांख्यिकीय ब्लॉक आकार पहचान सटीकता, जैसा कि तालिका 2 में प्रस्तुत किया गया है, की गणना की जाती है। इसके बाद, प्रत्येक दिशा में ढाल आंकड़ों की सांख्यिकीय ब्लॉक आकार पहचान सटीकता का औसत मूल्य गणना की जाती है। परिणाम चित्रा 8 में सचित्र हैं.

चित्रा 8 1024-रिज़ॉल्यूशन कंक्रीट छवि नमूनों के लिए एसवीएम की मान्यता और दिशात्मक ढाल के सांख्यिकीय ब्लॉक आकार के बीच संबंध को प्रदर्शित करता है। इस संबंध को समीकरण (2) द्वारा व्यक्त किया जा सकता है।

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

छवि नमूना सुविधा वेक्टर की गणना ब्लॉक-स्वीपिंग विधि20 द्वारा की जाती है। इस बीच, जब ब्लॉक छोटा होता है, तो फीचर वेक्टर बाइनरी छवि की स्थानीय विशिष्टता की विशेषता रखता है। इसके परिणामस्वरूप विभिन्न कंपन राज्यों की ठोस नमूना छवियां समान स्थानीय विशिष्टता होती हैं, जिससे फीचर वेक्टर में 0 घटकों की एक महत्वपूर्ण संख्या होती है। नतीजतन, 0 घटकों की यह उच्च संख्या एसवीएम डिवीजन में पर्याप्त हस्तक्षेप का कारण बनती है, जिससे पहचान सटीकता कम हो जाती है, विशेष रूप से ब्लॉक आकार वाली 1024-पिक्सेल छवियों के लिए 8 पिक्सेल है।

जैसे-जैसे ब्लॉक का आकार बढ़ता है, फीचर वेक्टर द्वारा परिलक्षित स्थानीय विशिष्टता धीरे-धीरे कम हो जाती है, और फीचर वेक्टर छवि नमूने की क्षेत्रीय विशिष्टता की विशेषता है, जैसा कि चित्र 10में दिखाया गया है। नतीजतन, फीचर वेक्टर में 0 घटकों की संख्या कम हो जाती है, जिससे एसवीएम की विभाजन प्रक्रिया के दौरान कम हस्तक्षेप होता है। इस प्रकार, एसवीएम की मान्यता सटीकता में सुधार होता है।

हालाँकि, जब ब्लॉक का आकार और बढ़ जाता है, तो 32 पिक्सेल से अधिक, फीचर वेक्टर में 0 घटकों की संख्या घटती रहती है। लेकिन यह एसवीएम प्रशिक्षण सेट के फीचर वेक्टर के आयाम में कमी की ओर भी जाता है। इस बिंदु पर, एसवीएम की मान्यता सटीकता पर प्रभाव मुख्य रूप से फीचर आयामों की कमी से उपजा है। फिर भी, फीचर वेक्टर अभी भी ठोस छवि में विशिष्टता की एक निश्चित डिग्री को पकड़ने का प्रबंधन करता है। जैसा कि चित्रा 11 में दिखाया गया है, जब ब्लॉक आकार को कुछ हद तक विस्तारित किया जाता है, तो विभिन्न कंपन राज्यों के साथ ठोस छवि नमूनों के प्रत्येक ब्लॉक में दिशात्मक ढाल विशेषताएं अभी भी महत्वपूर्ण अंतर प्रदर्शित करती हैं। यह अवलोकन बताता है कि जब ब्लॉक का आकार अत्यधिक बड़ा हो जाता है तो मान्यता सटीकता क्यों कम हो जाती है, हालांकि कमी अपेक्षाकृत छोटी होती है।

दिशात्मक ढाल सांख्यिकीय कोण अंतराल संख्या-एसवीएम मान्यता परिणाम
इस खंड में, तालिका 2 में प्रस्तुत दिशात्मक ग्रेडिएंट सांख्यिकीय अंतराल की संख्या की मान्यता सटीकता की गणना की जाती है। इसके बाद, दिशात्मक ग्रेडिएंट सांख्यिकीय अंतराल की संख्या की औसत मान्यता सटीकता की गणना की जाती है। परिणाम चित्रा 12 में सचित्र हैं।

चित्रा 12 से, यह स्पष्ट है कि जैसे-जैसे दिशात्मक ढाल सांख्यिकीय अंतराल की संख्या बढ़ती है, कंक्रीट कंपन राज्य के लिए एसवीएम की मान्यता सटीकता शुरू में बढ़ जाती है और फिर घट जाती है। इस संबंध को समीकरण (3) द्वारा व्यक्त किया जा सकता है

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

ढाल दिशा के सांख्यिकीय अंतराल की संख्या और मान्यता सटीकता के बीच प्रभाव तंत्र छवि सुविधा निष्कर्षण मापदंडों में परिवर्तन के कारण है। यह छवि नमूनों के लिए फीचर वैक्टर की विशिष्ट लक्षण वर्णन क्षमता में बदलाव का कारण बनता है। इस खंड में, मध्यम रूप से कंपन कंक्रीट के छवि नमूनों का एक हिस्सा इंटरसेप्ट किया जाता है। दिशात्मक ढाल विशेषताओं की गणना के परिणाम तब प्राप्त होते हैं जब ग्रिड का आकार 4 होता है, और दिशात्मक ढाल सांख्यिकीय अंतराल की संख्या 6, 9, 12 और 15 पर सेट होती है, जैसा कि चित्र 13 में दिखाया गया है।

जैसा कि चित्र 13A, B में दर्शाया गया है, जब दिशात्मक ढाल सांख्यिकीय अंतराल की संख्या 6 पर सेट होती है, तो प्रत्येक अंतराल का आकार 60 ° होता है। गणना ब्लॉक का आकार 4x4 है, प्रत्येक ब्लॉक में 16 पिक्सेल हैं। बड़े अंतराल आकारों के साथ, कई पिक्सेल का दिशात्मक ढाल एक ही अंतराल के भीतर आता है। यह छवि नमूनों की सुविधा वेक्टर में 0 घटकों की संख्या में वृद्धि की ओर जाता है जब अंतराल का आकार बड़ा होता है। नतीजतन, यह एसवीएम के प्रशिक्षण परिणामों और मान्यता सटीकता को प्रभावित करता है। हालांकि, जब दिशात्मक ग्रेडिएंट सांख्यिकीय अंतराल की संख्या 9 होती है, तो कोण विभाजन अधिक परिष्कृत हो जाता है, जिससे उन स्थितियों में कमी आती है जहां अंतराल के भीतर कोई पिक्सेल नहीं होते हैं। नतीजतन, छवि नमूनों के फीचर वेक्टर में 0 घटकों की संख्या भी कम हो जाती है, जिसके परिणामस्वरूप फीचर वेक्टर की छवि-विशिष्ट प्रतिनिधित्व क्षमता में सुधार होता है। हालांकि, चित्रा 13 सी और चित्रा 13 डी के साथ तुलना करने पर, जब दिशात्मक ढाल सांख्यिकीय अंतराल की संख्या 12 से 15 तक बढ़ जाती है, तो दिशात्मक ढाल सुविधा गणना परिणामों के अंतराल में 0 के साथ पिक्सेल की संख्या बढ़ जाती है। नतीजतन, नमूना छवि की विशिष्टता को चिह्नित करने की सुविधा वेक्टर की क्षमता कम हो जाती है। लक्षण वर्णन क्षमता में इस कमी को दिशात्मक ढाल सांख्यिकीय अंतराल के आकार में और कमी के लिए जिम्मेदार ठहराया जाता है। विशेष रूप से, केवल एक पिक्सेल के साथ अंतराल अब दो अंतरालों में विभाजित है: एक एकल पिक्सेल के साथ और दूसरा एक खाली अंतराल के रूप में। नतीजतन, खाली अंतराल की संख्या में वृद्धि फीचर वेक्टर में अधिक 0 घटकों की ओर ले जाती है, जिसके परिणामस्वरूप अंततः पहचान सटीकता में कमी आती है।

Figure 1
चित्रा 1: गैर-कंपन कंक्रीट की छवि। कंपन ऑपरेशन के बिना ली गई कंक्रीट छवियों को पंप किया। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 2
चित्रा 2: हिल कंक्रीट की छवि। कंक्रीट कंपन ऑपरेशन पंप करने में छवि नमूने। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 3
चित्रा 3: कंपन कंक्रीट नमूने की छवि। कंक्रीट कंपन ऑपरेशन पंप करते समय छवि नमूने पूरा हो गया है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 4
चित्रा 4: बिनाराइजेशन थ्रेसहोल्ड-मान्यता सटीकता संबंध। एसवीएम की मान्यता सटीकता पर बिनाराइजेशन थ्रेशोल्ड का प्रभाव। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 5
चित्रा 5: गैर-कंपन कंक्रीट की बाइनरी ग्रेस्केल छवि। गैर-कंपन कंक्रीट छवियों के बिनाराइजेशन प्रसंस्करण परिणाम जब विभिन्न बिनाराइजेशन थ्रेसहोल्ड सेट किए जाते हैं। (ए) 50 पर बिनाराइजेशन थ्रेशोल्ड। (बी) 100 पर बिनाराइजेशन थ्रेशोल्ड। (सी) 150 पर बिनाराइजेशन थ्रेशोल्ड। (डी) 200 पर बिनाराइजेशन थ्रेशोल्ड। (ई) 250 पर बिनाराइजेशन थ्रेशोल्ड। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 6
चित्रा 6: कंपन कंक्रीट की बाइनरी ग्रे-स्केल छवि। विभिन्न बिनाराइजेशन थ्रेसहोल्ड सेट होने पर कंपन कंक्रीट छवियों के बिनाराइजेशन प्रसंस्करण परिणाम। (ए) 50 पर बिनाराइजेशन थ्रेशोल्ड। (बी) 100 पर बिनाराइजेशन थ्रेशोल्ड। (सी) 150 पर बिनाराइजेशन थ्रेशोल्ड। (डी) 200 पर बिनाराइजेशन थ्रेशोल्ड। (ई) 250 पर बिनाराइजेशन थ्रेशोल्ड। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 7
चित्रा 7: कंपन कंक्रीट की बाइनरी ग्रेस्केल छवि। विभिन्न बिनाराइजेशन थ्रेसहोल्ड सेट होने पर कंपन कंक्रीट छवि के बिनाराइजेशन प्रसंस्करण परिणाम। (ए) 50 पर बिनाराइजेशन थ्रेशोल्ड। (बी) 100 पर बिनाराइजेशन थ्रेशोल्ड। (सी) 150 पर बिनाराइजेशन थ्रेशोल्ड। (डी) 200 पर बिनाराइजेशन थ्रेशोल्ड। (ई) 250 पर बिनाराइजेशन थ्रेशोल्ड। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 8
चित्रा 8: दिशात्मक ढाल सांख्यिकीय ब्लॉक आकार-मान्यता सटीकता आरेख। एसवीएम की मान्यता सटीकता पर दिशात्मक ढाल सांख्यिकीय ब्लॉक आकार का प्रभाव। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 9
चित्रा 9: ब्लॉक आकार 8 पिक्सल दिशात्मक ढाल सुविधा निष्कर्षण परिणामों का योजनाबद्ध आरेख। ब्लॉक का आकार 8 पिक्सेल होने पर ग्रेडिएंट फीचर के परिणामस्वरूप तीन प्रकार की कंपन स्थिति दिशा होती है। (ए) गैर-कंपन कंक्रीट, (बी) कंपन कंक्रीट, (सी) कंपन कंक्रीट। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 10
चित्रा 10: ब्लॉक आकार 128 पिक्सल दिशात्मक ढाल सुविधा निष्कर्षण परिणामों का योजनाबद्ध आरेख। ब्लॉक का आकार 128 पिक्सेल होने पर ग्रेडिएंट फीचर के परिणामस्वरूप तीन प्रकार की कंपन स्थिति दिशा होती है। (ए) गैर-कंपन कंक्रीट, (बी) कंपन कंक्रीट, (सी) कंपन कंक्रीट। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 11
चित्रा 11: 512 पिक्सल के ब्लॉक आकार के साथ विभिन्न कंपन राज्यों में कंक्रीट नमूना छवियों के दिशात्मक ढाल निष्कर्षण परिणाम। ब्लॉक का आकार 512 पिक्सेल होने पर ग्रेडिएंट फीचर के परिणामस्वरूप तीन प्रकार की कंपन स्थिति दिशा होती है। (ए) गैर-कंपन कंक्रीट, (बी) कंपन कंक्रीट, (सी) कंपन कंक्रीट। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 12
चित्रा 12: दिशात्मक ढाल सांख्यिकीय अंतराल संख्या-मान्यता सटीकता संबंध। एसवीएम की मान्यता सटीकता पर दिशात्मक ढाल सांख्यिकीय अंतराल संख्याआर का प्रभाव कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 13
चित्रा 13: विभिन्न दिशात्मक ढाल सांख्यिकीय अंतराल की संख्या के दिशात्मक ढाल विशेषताओं की गणना परिणाम। दिशात्मक ढाल विशेषताओं, नमूने के परिणाम प्राप्त होते हैं जब विभिन्न दिशात्मक ढाल सांख्यिकीय अंतराल सेट किए जाते हैं। (ए) 6 दिशात्मक ढाल सांख्यिकीय अंतराल, (बी) 9 दिशात्मक ढाल सांख्यिकीय अंतराल, (सी) 12 दिशात्मक ढाल सांख्यिकीय अंतराल, (डी) 15 दिशात्मक ढाल सांख्यिकीय अंतराल। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

तालिका 1: एसवीएम पहचान परीक्षण कारक स्तर। कंक्रीट कंपन राज्य की पहचान करने के लिए एसवीएम की सटीकता पर दिशात्मक ढाल सुविधा वेक्टर के गणना मापदंडों के प्रभाव का विश्लेषण किया जाता है। कृपया इस तालिका को डाउनलोड करने के लिए यहां क्लिक करें।

तालिका 2: दिशात्मक ढाल हिस्टोग्राम पैरामीटर विश्लेषण परीक्षण के परिणाम। तालिका 1 में परीक्षण योजना के आधार पर, मान्यता सटीकता परिणाम प्राप्त किए जाते हैं। कृपया इस तालिका को डाउनलोड करने के लिए यहां क्लिक करें।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

यह पेपर विभिन्न ठोस कंपन राज्य नमूनों की छवि विशेषताओं को जानने के लिए समर्थन वेक्टर मशीन (एसवीएम) का उपयोग करता है। मशीन सीखने के परिणामों के आधार पर, छवि पहचान के आधार पर एक ठोस कंपन राज्य मान्यता विधि प्रस्तावित है। मान्यता सटीकता को बढ़ाने के लिए, तीन प्रमुख चरणों के मापदंडों को नियंत्रित करना महत्वपूर्ण है: छवि विभाजन, छवि बिनारीकरण, और दिशात्मक ढाल ईजेनवैल्यू निष्कर्षण। परीक्षण के परिणामों के अनुसार, ठोस नमूना छवि को प्रीप्रोसेस करने के लिए एक छोटी बिनाराइजेशन थ्रेशोल्ड को नियोजित किया जाता है, और 128 पिक्सल x 128 पिक्सल के छवि विभाजन ब्लॉक आकार का उपयोग किया जाता है। सांख्यिकीय कोण अंतराल के लिए दिशात्मक ग्रेडिएंट की संख्या 12 पर सेट है। 1024-रिज़ॉल्यूशन छवि नमूना सेट में, मशीन सीखने के परिणामों के लिए सर्वोत्तम पहचान सटीकता प्राप्त की जाती है।

विभिन्न निर्माण स्थलों में पर्यावरण में महत्वपूर्ण भिन्नता के कारण, इस पद्धति में एक सटीकता समायोजन तंत्र है। जब मान्यता सटीकता आवश्यकताओं को पूरा करने में विफल रहती है, तो ऊपर वर्णित तीन प्रमुख मापदंडों को व्यवहार्य समाधान के रूप में विस्तारित या कम किया जा सकता है, प्रभावी रूप से पर्यावरणीय परिवर्तनों के कारण मान्यता सटीकता त्रुटियों को कम करता है। यह ध्यान रखना महत्वपूर्ण है कि यह विधि काम करने वाले चेहरे की रोशनी की स्थिति पर बहुत अधिक निर्भर करती है। कम रोशनी की स्थिति में छवियों को कैप्चर करने से पहचान सटीकता में कमी आ सकती है। रोशनी की स्थिति पर निर्भरता को कम करने के लिए, कम रोशनी छवि वृद्धि एल्गोरिदम30 का पता लगाया गया है, लेकिन वे काफी मान्यता समय और हार्डवेयर आवश्यकताओं में वृद्धि. वर्तमान में, कोई प्रभावी तकनीक कम रोशनी पहचान सटीकता और मान्यता दक्षता दोनों सुनिश्चित नहीं करती है। यह विधि कंक्रीट कंपन राज्य की विशेषताओं को चिह्नित करने के लिए उन्मुख ढाल प्रौद्योगिकी के हिस्टोग्राम का उपयोग करती है, जिसमें सतह पतन, सीमेंट घोल तैरना और कंक्रीट कंपन की प्रक्रिया में बुलबुले शामिल हैं। मौजूदा तकनीकों की तुलना में, यह दृष्टिकोण आवश्यक नमूनों की संख्या को काफी कम कर देता है और कंप्यूटर प्रदर्शन आवश्यकताओं को कम करता है। 2.30 गीगाहर्ट्ज सीपीयू से लैस लैपटॉप के साथ, मान्यता प्रक्रिया केवल 15 सेकंड के भीतर एसवीएम के प्रशिक्षण स्थान भेदभाव को पूरा करती है। निष्कर्षण मापदंडों उचित सेट कर रहे हैं, जब मान्यता सटीकता भी31 सुधार हुआ है.

भविष्य में, इस प्रोटोकॉल का उपयोग निर्माण रोबोट के कंपन संचालन को कमांड करने के लिए किया जा सकता है, जिससे कंक्रीट कंपन के वांछित स्तर तक पहुंचने पर संचालन की समय पर समाप्ति की अनुमति देता है, जिससे अपर्याप्त कंपन के कारण गुणवत्ता के मुद्दों से बचा जा सकता है। इसके अतिरिक्त, निर्माण स्थल पर बनावट विशेषताओं के आधार पर रोबोट संचालन को संशोधित करने के लिए विधि को अनुकूलित किया जा सकता है, जैसे संरचनात्मक समतलता का पता लगाना, काम करने वाला चेहरा घोल हटाना, और अन्य संबंधित प्रक्रियाएं।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ भी नहीं है।

Acknowledgments

हम इस काम के वित्तपोषण के लिए वुहान अर्बन कंस्ट्रक्शन ग्रुप 2023 वार्षिक वैज्ञानिक अनुसंधान परियोजना (NO.7) को कृतज्ञतापूर्वक धन्यवाद देते हैं।

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

इंजीनियरिंग अंक 203
समर्थन वेक्टर मशीन के आधार पर कंक्रीट कंपन राज्य की छवि पहचान और पैरामीटर विश्लेषण
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