Waiting
Login processing...

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

Engineering

Riconoscimento dell'immagine e analisi dei parametri dello stato di vibrazione del calcestruzzo basato su Support Vector Machine

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

Il protocollo descritto in questo documento utilizza la tecnica dell'istogramma del gradiente direzionale per estrarre le caratteristiche di campioni di immagini concrete in vari stati di vibrazione. Impiega una macchina vettoriale di supporto per l'apprendimento automatico, risultando in un metodo di riconoscimento delle immagini con requisiti minimi di campioni di addestramento e basse esigenze di prestazioni del computer.

Abstract

In questo articolo, la tecnologia dell'istogramma a gradiente direzionale viene impiegata per estrarre le caratteristiche di campioni di immagini concrete catturate in diversi stati di vibrazione. La macchina a vettori di supporto (SVM) viene utilizzata per apprendere la relazione tra le caratteristiche dell'immagine e lo stato di vibrazione. I risultati dell'apprendimento automatico vengono successivamente utilizzati per valutare la fattibilità dello stato di vibrazione del calcestruzzo. Contemporaneamente, viene analizzato il meccanismo di influenza dei parametri di calcolo dell'istogramma del gradiente direzionale sull'accuratezza del riconoscimento. I risultati dimostrano la fattibilità dell'utilizzo della tecnologia dell'istogramma del gradiente direzionale-SVM per identificare lo stato di vibrazione del calcestruzzo. L'accuratezza del riconoscimento inizialmente aumenta e poi diminuisce all'aumentare della dimensione del blocco del gradiente direzionale o del numero di intervalli statistici. Anche l'accuratezza del riconoscimento diminuisce linearmente con l'aumentare della soglia di binarizzazione. Utilizzando immagini campione con una risoluzione di 1024 pixel x 1024 pixel e ottimizzando i parametri di estrazione delle feature, è possibile ottenere una precisione di riconoscimento del 100%.

Introduction

Il calcestruzzo è un materiale da costruzione fondamentale ampiamente utilizzato nel settore delle costruzioni. Durante il pompaggio, il calcestruzzo sviluppa spesso vuoti che richiedono la compattazione attraverso le vibrazioni. Vibrazioni inadeguate possono provocare una superficie in calcestruzzo a nido d'ape, mentre vibrazioni eccessive possono portare alla segregazione del calcestruzzo 1,2. La qualità del funzionamento a vibrazione influisce in modo significativo sulla resistenza 3,4,5,6 e sulla durata delle strutture in calcestruzzo formate 7,8. Cai et al.9,10 hanno condotto uno studio che ha combinato la ricerca sperimentale con l'analisi numerica per indagare il meccanismo di influenza delle vibrazioni sul cedimento degli aggregati e sulla durabilità del calcestruzzo. I risultati hanno rivelato che il tempo di vibrazione e le particelle di aggregato esercitano un impatto sostanziale sulla sedimentazione dell'aggregato, mentre la densità dell'aggregato e la viscosità plastica del materiale a base di cemento hanno effetti minimi. Le vibrazioni provocano la deposizione di aggregati sul fondo dei provini di calcestruzzo. Inoltre, all'aumentare del tempo di vibrazione, la concentrazione di ioni cloruro diminuisce nella parte inferiore dei provini di calcestruzzo mentre aumenta significativamente nella parte superiore 9,10.

Attualmente, la valutazione dello stato vibrazionale del calcestruzzo si basa prevalentemente sul giudizio manuale. Mentre l'industria delle costruzioni continua a progredire attraverso riforme intelligenti, le operazioni robotiche sono emerse come la direzione futura11,12. Di conseguenza, una sfida cruciale nelle operazioni di vibrazione intelligente è come consentire ai robot di identificare lo stato di vibrazione del calcestruzzo.

L'istogramma del gradiente orientato è una tecnica che utilizza il gradiente di intensità dei pixel o la distribuzione delle direzioni dei bordi come descrittore per caratterizzare la rappresentazione e la forma degli oggetti nelle immagini13,14. Questo approccio opera sulle celle della griglia locale dell'immagine, fornendo una solida stabilità nella caratterizzazione dei cambiamenti dell'immagine in varie condizioni geometriche e ottiche.

Zhou et al.15 hanno proposto un metodo per estrarre direttamente le caratteristiche del gradiente direzionale dalle immagini in modalità Bayer. Questo approccio omette numerosi passaggi nel calcolo del gradiente direzionale facendo corrispondere la colonna del filtro colore con l'operatore gradiente, riducendo in modo significativo i requisiti computazionali per il riconoscimento dell'immagine del gradiente direzionale. He et al.16 hanno utilizzato l'istogramma del gradiente direzionale come caratteristica sottostante e hanno impiegato l'algoritmo di clustering medio per classificare gli elementi di fissaggio delle rotaie e determinare se gli elementi di fissaggio sono difettosi. I risultati del riconoscimento hanno indicato che l'istogramma della caratteristica del gradiente orientato mostrava un'elevata sensibilità ai difetti degli elementi di fissaggio, soddisfacendo le esigenze di manutenzione e riparazione ferroviaria. In un altro studio, Xu et al.17 hanno pre-elaborato le caratteristiche dell'immagine del volto utilizzando il filtro wavelet di Gabor e hanno ridotto la dimensione dei vettori delle caratteristiche attraverso la codifica binaria e l'algoritmo HOG. L'accuratezza media di riconoscimento del metodo è del 92,5%.

La macchina a vettori di supporto (SVM)18 viene utilizzata per mappare il vettore in uno spazio ad alta dimensione e stabilisce un iperpiano di separazione con una direzione adatta per massimizzare la distanza tra due iperpiani paralleli. Ciò consente di classificare i vettori di supporto19. Gli studiosi hanno migliorato e ottimizzato questa tecnologia di classificazione, portandola ad applicarsi in vari campi come il riconoscimento delle immagini20,21, la classificazione del testo22, la previsione dell'affidabilità23 e la diagnosi dei guasti24.

Li et al.25 hanno sviluppato un modello SVM a due stadi per il riconoscimento del modello di cedimento sismico, concentrandosi su tre modalità di cedimento sismico. I risultati dell'analisi indicano che il metodo SVM a due stadi proposto può raggiungere un'accuratezza superiore al 90% per le tre modalità di guasto. Yang et al.26 hanno integrato un algoritmo di ottimizzazione con l'SVM per simulare la relazione tra i cinque parametri ultrasonici e la sollecitazione del calcestruzzo caricato. Le prestazioni di una SVM non ottimizzata sono insoddisfacenti, in particolare nella fase a basso stress. Tuttavia, l'attraversamento del modello ottimizzato dall'algoritmo produce risultati migliori, anche se con lunghi tempi di calcolo. In confronto, l'SVM ottimizzato per l'ottimizzazione dello sciame di particelle riduce significativamente il tempo di calcolo, fornendo al contempo risultati di simulazione ottimali. Yan et al.27 hanno utilizzato la tecnologia SVM e hanno introdotto una funzione di perdita insensibile alla precisione per prevedere il modulo elastico del calcestruzzo ad alta resistenza, confrontando la sua accuratezza di previsione con il modello di regressione tradizionale e il modello di rete neurale. I risultati della ricerca dimostrano che la tecnologia SVM produce un errore di previsione minore per il modulo elastico rispetto ad altri metodi.

Questo documento raccoglie campioni di immagini di calcestruzzo in vari stati di vibrazione e descrive i diversi stati del calcestruzzo utilizzando la tecnica dell'istogramma del gradiente direzionale. Il gradiente direzionale viene impiegato come vettore di caratteristiche per l'addestramento dell'SVM e lo studio si concentra sulla fattibilità dell'utilizzo della tecnologia dell'istogramma del gradiente direzionale-SVM per identificare lo stato di vibrazione del calcestruzzo. Inoltre, l'articolo analizza il meccanismo di influenza tra tre parametri chiave - soglia di binarizzazione, dimensione del blocco statistico del gradiente direzionale e numero di intervallo statistico del gradiente direzionale - nel processo di estrazione delle caratteristiche dell'istogramma del gradiente direzionale e l'accuratezza del riconoscimento dell'SVM.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Acquisizione di immagini di campioni concreti

  1. Trasportare il calcestruzzo sul posto di lavoro, dove verrà versato dall'autopompa.
  2. Per acquisire immagini, accendere l'apparecchiatura di ripresa spostando l'interruttore del tasto di accensione verso destra e ruotandolo in posizione ON . Regolare la manopola della modalità della fotocamera sulla modalità automatica verde, assicurandosi che l'obiettivo della fotocamera sia parallelo alla superficie in cemento, quindi premere il tasto dell'otturatore. Acquisisci 20 campioni di immagini di calcestruzzo non vibrato, salvandoli in .jpg formato con una risoluzione di acquisizione di 1024 x 1024 pixel, come illustrato nella Figura 1.
  3. Inserire la parte vibrante dell'attrezzatura vibrante per calcestruzzo (asta vibrante per calcestruzzo plug-in) nel calcestruzzo. Collegare l'alimentazione, quindi accendere l'apparecchiatura di vibrazione del calcestruzzo impostandola in posizione ON .
  4. Quando c'è un collasso sulla superficie del calcestruzzo (causato dalle vibrazioni che scaricano l'aria all'interno del calcestruzzo, portando all'affondamento degli aggregati superficiali per riempire gli spazi vuoti, con conseguente collasso del calcestruzzo) e appare un po' di fango di cemento, tenere l'obiettivo della fotocamera parallelo alla superficie del calcestruzzo e premere il tasto dell'otturatore. Raccogliere 20 campioni di immagini di calcestruzzo vibrante, come mostrato nella Figura 2.
  5. Continuare a utilizzare l'apparecchiatura di vibrazione. Quando non c'è un collasso evidente sulla superficie del calcestruzzo, non appare alcun impasto di cemento e non vengono generate bolle, arrestare il processo di vibrazione e acquisire 20 campioni di immagini di calcestruzzo vibrato, come mostrato nella Figura 3.

2. Binarizzazione grigia dell'immagine di esempio

  1. Utilizza la funzione imread() del software MATLAB per leggere il file .jpg come unità di formato dati di 1024 pixel x 1024 pixel x 3 canali di colore, che rappresentano i valori dei canali rosso, verde e blu dell'immagine.
  2. Successivamente, applica la funzione MATLAB rgb2gray per convertire l'immagine in scala di grigi, indicata dal valore di grigio del formato = rgb2gray(nome file jpg). Calcola il valore di grigio di ogni pixel in base all'equazione (1) e salva il valore di grigio come dati in formato unit8 di 1024 x 1024.
    GR(i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1)
    dove, GR(i,j) è il valore del grigio del punto del pixel, R(i,j) è il valore del canale rosso del punto del pixel, G(i,j) è il valore del canale verde del punto del pixel e B(i,j) è il valore del canale blu del punto del pixel.
  3. Modificare il valore binario dei valori di grigio maggiori della soglia di pixel θ su 1 e impostare il valore binario dei valori di grigio inferiori al pixel θ su 0.
  4. Dopo aver ottenuto i risultati in grigio binario, salvare il risultato come dati in formato logico 1024 x 1024. In questo caso, θ rappresenta la soglia di binarizzazione e i suoi valori sono 50, 100, 150 e 200 per diverse immagini di campioni concreti in stato di vibrazione, come illustrato nella Figura 5, nella Figura 6 e nella Figura 7.

3. Calcolo dell'autovalore del gradiente direzionale

  1. Calcola il gradiente binario orizzontale e verticale di ogni pixel nell'immagine usando la seguente equazione28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    dove Th è il gradiente binario orizzontale, Tp è il gradiente binario verticale, R è il formato logico binarizzato dei dati, x è il numero di riga della matrice binarizzata e y è il numero di colonna della matrice binarizzata.
  2. Calcola la direzione e la dimensione del gradiente binario di ogni punto usando la seguente equazione29
    Equation 1
    dove T è la dimensione del gradiente binario, αT è la direzione del gradiente binario, Th è il gradiente binario orizzontale e Tp è il gradiente binario verticale.
  3. Determinare la dimensione del blocco di segmentazione dell'immagine, indicato come n, dove il valore di n è [ 1,9]. Imposta la linea di segmentazione per ogni n pixel nella direzione y lungo la direzione x, dividendo efficacemente l'immagine in n x n blocchi quadrati in base alla posizione della linea di segmentazione. Tutte le parti dell'immagine che non possono formare blocchi quadrati completi vengono quindi rimosse.
  4. Dividere la direzione del gradiente binario αT (il valore della direzione del gradiente binario αT è [ 0°, 360°]) in m parti, ottenendo intervalli angolari statistici del gradiente direzionale m. Procedere a calcolare il valore statistico del gradiente per l'intervallo dell'angolo statistico del gradiente di ciascun blocco.
    1. In base alla direzione binaria del gradiente di ciascun pixel nel blocco, classificare i pixel nell'intervallo dell'angolo statistico del gradiente appropriato di ciascuna direzione.
    2. Somma il gradiente binario dei pixel nell'intervallo dell'angolo statistico del gradiente di ciascuna direzione in senso antiorario per ottenere il valore statistico del gradiente di tale intervallo. I risultati ottenuti per le statistiche statistiche del gradiente dell'intervallo angolare direzionale sono illustrati nella Figura 8, nella Figura 9 e nella Figura 10 per le dimensioni del blocco n uguali rispettivamente a 8, 128 e 512.

4. Costruzione di un vettore di feature gradiente direzionale

  1. Dividere i campioni in aree di calcolo richieste, in cui ciascuna area di calcolo è costituita da quattro blocchi adiacenti in base ai risultati dei blocchi ottenuti nel passaggio 3.3. Ad esempio, considerando pixel con risoluzione 16 x 16 e una dimensione del blocco di 4 x 4, l'immagine è divisa in (16 / 4-1) x ( 16 / 4-1 ) = 9 aree di calcolo.
  2. Calcola il valore statistico del gradiente direzionale all'interno dell'intervallo angolare delle statistiche del gradiente di ciascun blocco nell'area di calcolo. Successivamente, ottenere il vettore dell'elemento con le statistiche del gradiente direzionale come componente.
  3. Combina i vettori delle feature di gradiente direzionale di ciascuna area di calcolo per ottenere il vettore di feature di sfumatura direzionale dell'immagine.

5. Formazione SVM

  1. Seleziona in modo casuale 42 campioni dai tre stati di vibrazione per creare il gruppo di allenamento, lasciando i restanti 18 campioni come gruppo di test.
  2. Utilizza la funzione fitcecoc di MATLAB per l'addestramento SVM; Il formato è
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    dove SVM è la macchina vettoriale di supporto da addestrare, trainingFeatures è il vettore della feature del gradiente direzionale dell'immagine del gruppo di training e Trainingeigenvalue è il valore caratteristico dello stato di vibrazione del gruppo di training. I valori caratteristici dello stato di vibrazione dei campioni di calcestruzzo non vibrato, calcestruzzo vibrante e calcestruzzo vibrato sono rispettivamente 1, 2 e 3.
  3. Salvare la SVM addestrata utilizzando la funzione Salva in formato .mat.

6. Verifica dell'accuratezza del riconoscimento SVM

  1. Utilizzando la funzione di previsione di MATLAB, immettere il vettore della caratteristica di gradiente direzionale dell'immagine del campione del gruppo di test nell'SVM addestrato per ottenere il valore calcolato della funzione di stato di vibrazione per ciascun campione di test. Il formato è il seguente:
    testgroupcalculateseigenvalues = predict (SVM, testFeature)
    dove testgroupcalculateseigenvalues è il valore calcolato della funzione dello stato di vibrazione e SVM è la macchina del vettore di supporto addestrata nel passaggio 5. testFeature è il vettore della funzione di sfumatura direzionale dell'immagine di esempio del gruppo di test.
  2. Determinare i risultati del riconoscimento del campione del set di test inserendo il set di test nella SVM sottoposta a training. Contare il numero di campioni per i quali i risultati del riconoscimento del set di test corrispondono allo stato effettivo, quindi calcolare l'accuratezza del riconoscimento dividendo il numero di campioni corretti per il numero totale di campioni del set di test.
    1. Se l'accuratezza del riconoscimento del test è superiore al 94%, considerare efficace il riconoscimento SVM. Se è inferiore al 94%, tornare al passaggio 1.1 e regolare la soglia di binarizzazione, la dimensione del blocco n e il numero di intervalli statistici del gradiente direzionale m.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Questo protocollo ha lo scopo di analizzare come i parametri di calcolo a tre vettori della caratteristica del gradiente direzionale influenzino l'accuratezza della SVM nell'identificazione dello stato di vibrazione del calcestruzzo. I parametri di calcolo principali del vettore di feature del gradiente direzionale includono la dimensione del blocco statistico del gradiente direzionale, il numero di intervalli angolari statistici del gradiente direzionale e la soglia di grigio binario. In questa sezione vengono utilizzati tre parametri di calcolo principali come variabili per progettare il test. I livelli dei parametri di prova sono descritti in dettaglio nella Tabella 1. Un totale di 100 test sono stati condotti su campioni di immagini concrete con una risoluzione di 1024 x 1024 pixel. I risultati delle prove corrispondenti ai parametri descritti nella tabella 1 sono presentati nella tabella 2.

Analisi dei risultati del riconoscimento di diverse soglie binarie grigie-SVM
La Tabella 2 mostra l'accuratezza media del riconoscimento SVM per diverse soglie di binarizzazione e la relazione tra la soglia di binarizzazione e l'accuratezza del riconoscimento è visualizzata nella Figura 4. Quando la dimensione del blocco e il numero di intervalli statistici sono fissi, l'accuratezza del riconoscimento della SVM mostra generalmente una tendenza decrescente con un aumento della soglia di binarizzazione. In particolare, l'accuratezza del riconoscimento diminuisce significativamente quando la soglia di binarizzazione rientra nell'intervallo compreso tra 100 e 150. Sono necessarie ulteriori indagini per comprendere le ragioni alla base di questo fenomeno e il suo impatto sul calcolo della divisione della SVM.

In questa sezione, seguendo il metodo descritto nel passaggio 2.1 e il disegno sperimentale descritto nel passaggio 3.1, i campioni di immagine di calcestruzzo non vibrato, calcestruzzo vibrante e calcestruzzo vibrato vengono binarizzati. Le soglie di grigio binarizzate utilizzate sono 50, 100, 150, 200 e 250, con il risultato di immagini grigie binarizzate per ogni stato, come illustrato nella Figura 5, nella Figura 6 e nella Figura 7.

Come illustrato nella Figura 5, al diminuire della soglia di binarizzazione, l'area bianca nell'immagine binaria del campione di immagine in calcestruzzo non vibrato si riduce in modo significativo. A una soglia di binarizzazione di 250, l'immagine binaria appare di colore nero puro. Nella Figura 6, la tendenza al cambiamento dell'immagine grigia binaria del campione di immagine di calcestruzzo vibrante con la soglia di binarizzazione è simile a quella del campione di calcestruzzo non vibrato, ma la riduzione dell'area bianca è più pronunciata nel campione di immagine di calcestruzzo vibrante. Inoltre, la Figura 7 illustra la combinazione della parte nera e delle aree bianche, riflettendo le caratteristiche della struttura superficiale del calcestruzzo in diversi stati di vibrazione. Anche l'immagine grigia binaria del calcestruzzo vibrato diminuisce con la diminuzione della soglia di binarizzazione. Ad esempio, quando la soglia di binarizzazione è impostata su 50 e 100, l'immagine grigia binaria del calcestruzzo vibrato tende ad essere bianca. A una soglia di 150, appare simile agli altri due stati, ma quando la soglia supera 150, l'immagine binaria tende ad essere nera. In particolare, quando la soglia di binarizzazione è compresa tra 100 e 150, si verificano cambiamenti significativi nelle funzionalità dell'immagine binaria.

L'estrazione del vettore delle caratteristiche in questo documento si basa sul gradiente direzionale dei campioni di immagine. Aumentando la soglia di binarizzazione da 50 a 100 si riduce l'area di contatto tra i pixel bianchi e neri. Questa riduzione influisce sulle statistiche del gradiente direzionale del pixel poiché dipende dalla variazione del valore del pixel tra ogni pixel. Un'area di contatto più ampia si traduce in un numero inferiore di 0 componenti nel vettore della feature SVM, rendendo più completa la rappresentazione delle caratteristiche dello stato di vibrazione del calcestruzzo. La modifica dell'accuratezza del riconoscimento con la soglia di binarizzazione è dovuta principalmente all'alterazione del numero di componenti 0 nel vettore dell'elemento del gradiente direzionale. Inoltre, quando la soglia di binarizzazione viene aumentata da 150 a 250, l'area bianca del campione di immagine binaria si riduce notevolmente. Di conseguenza, anche la corrispondente precisione di riconoscimento è notevolmente diminuita, supportando ulteriormente questa regola.

Risultati del riconoscimento statistico delle dimensioni dei blocchi con gradiente direzionale diverso-SVM
In questa sezione, viene calcolata l'accuratezza statistica dell'identificazione della dimensione del blocco delle statistiche del gradiente in diverse direzioni, come presentato nella Tabella 2 . Successivamente, viene calcolato il valore medio dell'accuratezza statistica dell'identificazione della dimensione del blocco delle statistiche del gradiente in ciascuna direzione. I risultati sono illustrati nella Figura 8.

La Figura 8 mostra la relazione tra il riconoscimento dell'SVM per campioni di immagini concrete con risoluzione 1024 e la dimensione statistica del blocco del gradiente direzionale. Questa relazione può essere espressa dall'equazione (2).

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

Il vettore della feature di esempio dell'immagine viene calcolato con il metodo di sweep dei blocchi20. Nel frattempo, quando il blocco è piccolo, il vettore caratteristica caratterizza la specificità locale dell'immagine binaria. Ciò si traduce in immagini di campioni concreti di diversi stati di vibrazione con specificità locale simile, che portano a un numero significativo di componenti 0 nel vettore caratteristico. Di conseguenza, questo numero elevato di componenti 0 provoca interferenze sostanziali nella divisione SVM, portando a una riduzione della precisione di riconoscimento, in particolare per le immagini da 1024 pixel con una dimensione del blocco di 8 pixel.

All'aumentare della dimensione del blocco, la specificità locale riflessa dal vettore di caratteristiche diminuisce gradualmente e il vettore di caratteristiche caratterizza la specificità regionale del campione di immagini, come illustrato nella Figura 10. Di conseguenza, il numero di componenti 0 nel vettore di feature si riduce, riducendo le interferenze durante il processo di divisione della SVM. In questo modo, la precisione di riconoscimento della SVM migliora.

Tuttavia, quando la dimensione del blocco viene ulteriormente aumentata, superando i 32 pixel, il numero di componenti 0 nel vettore della feature continua a diminuire. Ma porta anche a una riduzione della dimensione del vettore di funzionalità del set di addestramento SVM. A questo punto, l'impatto sull'accuratezza del riconoscimento della SVM deriva principalmente dalla mancanza di dimensioni dell'elemento. Ciononostante, il vettore di caratteristiche riesce ancora a catturare un certo grado di specificità nell'immagine concreta. Come illustrato nella Figura 11, quando la dimensione del blocco viene espansa in una certa misura, le caratteristiche del gradiente direzionale in ciascun blocco di campioni di immagini di calcestruzzo con diversi stati di vibrazione mostrano ancora differenze significative. Questa osservazione spiega perché la precisione di riconoscimento diminuisce quando la dimensione del blocco diventa eccessivamente grande, anche se la diminuzione è relativamente piccola.

Risultati del riconoscimento del numero statistico dell'intervallo angolare del gradiente direzionale - SVM
In questa sezione viene calcolata l'accuratezza di riconoscimento del numero di intervalli statistici dei gradienti direzionali presentati nella Tabella 2 . Successivamente, viene calcolata l'accuratezza media di riconoscimento del numero di intervalli statistici di gradienti direzionali. I risultati sono illustrati nella Figura 12.

Dalla Figura 12, è evidente che all'aumentare del numero di intervalli statistici del gradiente direzionale, l'accuratezza del riconoscimento dell'SVM per lo stato di vibrazione del calcestruzzo inizialmente aumenta e poi diminuisce. Questa relazione può essere espressa dall'equazione (3)

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

Il meccanismo di influenza tra il numero di intervalli statistici della direzione del gradiente e l'accuratezza del riconoscimento è dovuto al cambiamento dei parametri di estrazione delle caratteristiche dell'immagine. Ciò provoca un cambiamento nella capacità di caratterizzazione specifica dei vettori di caratteristiche per i campioni di immagini. In questa sezione viene intercettata una parte dei campioni di immagine di calcestruzzo moderatamente vibrato. I risultati del calcolo delle caratteristiche del gradiente direzionale si ottengono quando la dimensione della griglia è 4 e il numero di intervalli statistici del gradiente direzionale è impostato su 6, 9, 12 e 15, come illustrato nella Figura 13.

Come illustrato nella Figura 13A,B, quando il numero di intervalli statistici del gradiente direzionale è impostato su 6, la dimensione di ciascun intervallo è di 60°. Considerando che la dimensione del blocco di calcolo è 4x4, ci sono 16 pixel in ogni blocco. Con intervalli di dimensioni maggiori, la sfumatura direzionale di più pixel rientra in un singolo intervallo. Ciò comporta un aumento del numero di componenti 0 nel vettore di feature dei campioni di immagine quando la dimensione dell'intervallo è maggiore. Di conseguenza, influisce sui risultati dell'addestramento e sull'accuratezza del riconoscimento della SVM. Tuttavia, quando il numero di intervalli statistici dei gradienti direzionali è 9, la divisione dell'angolo diventa più raffinata, portando a una riduzione delle situazioni in cui non ci sono pixel all'interno di un intervallo. Di conseguenza, anche il numero di componenti 0 nel vettore di feature dei campioni di immagine viene ridotto, con conseguente miglioramento della capacità di rappresentazione specifica dell'immagine del vettore di feature. Tuttavia, in base al confronto con la Figura 13C e la Figura 13D, quando il numero di intervalli statistici del gradiente direzionale aumenta da 12 a 15, il numero di pixel con 0 nell'intervallo dei risultati del calcolo della funzione del gradiente direzionale aumenta. Di conseguenza, la capacità del vettore di caratteristiche di caratterizzare la specificità dell'immagine di esempio diminuisce. Questa riduzione della capacità di caratterizzazione è attribuita all'ulteriore diminuzione della dimensione dell'intervallo statistico del gradiente direzionale. In particolare, l'intervallo con un solo pixel è ora diviso in due intervalli: uno con un singolo pixel e un altro come intervallo vuoto. Di conseguenza, l'aumento del numero di intervalli vuoti porta a un maggior numero di componenti 0 nel vettore di feature, con conseguente diminuzione dell'accuratezza del riconoscimento.

Figure 1
Figura 1: Immagine del calcestruzzo non vibrato. Immagini di calcestruzzo pompato scattate senza funzionamento a vibrazione. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 2
Figura 2: Immagine del calcestruzzo vibrante. Esempi di immagini durante l'operazione di vibrazione del calcestruzzo di pompaggio. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 3
Figura 3: Immagine di un campione di calcestruzzo vibrato. Campioni di immagini quando l'operazione di vibrazione del calcestruzzo è completata. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 4
Figura 4: Relazione tra la soglia di binarizzazione e l'accuratezza del riconoscimento. L'influenza della soglia di binarizzazione sull'accuratezza del riconoscimento di SVM. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 5
Figura 5: Immagine binaria in scala di grigi di calcestruzzo non vibrato. L'elaborazione della binarizzazione dei risultati di immagini in calcestruzzo non vibrate quando sono impostate soglie di binarizzazione diverse. (A) Soglia di binarizzazione a 50. (B) Soglia di binarizzazione a 100. (C) Soglia di binarizzazione a 150. (D) Soglia di binarizzazione a 200. (E) Soglia di binarizzazione a 250. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 6
Figura 6: Immagine binaria in scala di grigi del calcestruzzo vibrante. L'elaborazione della binarizzazione risulta di immagini in calcestruzzo vibrante quando vengono impostate soglie di binarizzazione diverse. (A) Soglia di binarizzazione a 50. (B) Soglia di binarizzazione a 100. (C) La soglia di binarizzazione a 150. (D) Soglia di binarizzazione a 200. (E) Soglia di binarizzazione a 250. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 7
Figura 7: Immagine binaria in scala di grigi del calcestruzzo vibrato. L'elaborazione della binarizzazione risulta dell'immagine in calcestruzzo vibrato quando vengono impostate soglie di binarizzazione diverse. (A) Soglia di binarizzazione a 50. (B) Soglia di binarizzazione a 100. (C) Soglia di binarizzazione a 150. (D) Soglia di binarizzazione a 200. (E) Soglia di binarizzazione a 250. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 8
Figura 8: Diagramma di accuratezza del riconoscimento delle dimensioni dei blocchi statistici del gradiente direzionale. L'influenza della dimensione statistica del blocco del gradiente direzionale sull'accuratezza del riconoscimento di SVM. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 9
Figura 9: Diagramma schematico dei risultati dell'estrazione delle caratteristiche del gradiente direzionale di dimensione del blocco di 8 pixel. La funzione di sfumatura produce tre tipi di direzione dello stato di vibrazione quando la dimensione del blocco è di 8 pixel. (A) Calcestruzzo non vibrato, (B) calcestruzzo vibrante, (C) calcestruzzo vibrato. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 10
Figura 10: Diagramma schematico dei risultati dell'estrazione delle caratteristiche del gradiente direzionale di dimensione del blocco di 128 pixel. La funzione gradiente produce tre tipi di direzione dello stato di vibrazione quando la dimensione del blocco è di 128 pixel. (A) Calcestruzzo non vibrato, (B) calcestruzzo vibrante, (C) calcestruzzo vibrato. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 11
Figura 11: Risultati dell'estrazione del gradiente direzionale di immagini campione di calcestruzzo in diversi stati di vibrazione con una dimensione del blocco di 512 pixel. La funzione gradiente produce tre tipi di direzione dello stato di vibrazione quando la dimensione del blocco è di 512 pixel. (A) Calcestruzzo non vibrato, (B) calcestruzzo vibrante, (C) calcestruzzo vibrato. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 12
Figura 12: Relazione di accuratezza del riconoscimento dei numeri dell'intervallo statistico del gradiente direzionale. L'influenza del numero di intervalli statistici del gradientedirezionale sull'accuratezza del riconoscimento di SVM Fare clic qui per visualizzare una versione più ampia di questa figura.

Figure 13
Figura 13: Risultati del calcolo delle caratteristiche del gradiente direzionale del numero di diversi intervalli statistici del gradiente direzionale. I risultati delle caratteristiche del gradiente direzionale del campione sono ottenuti quando vengono impostati diversi intervalli statistici del gradiente direzionale. (A) 6 intervalli statistici del gradiente direzionale, (B) 9 intervalli statistici del gradiente direzionale, (C) 12 intervalli statistici del gradiente direzionale, (D) 15 intervalli statistici del gradiente direzionale. Fare clic qui per visualizzare una versione più grande di questa figura.

Tabella 1: Livello del fattore di test di identificazione SVM. Viene analizzata l'influenza dei parametri di calcolo del vettore della caratteristica del gradiente direzionale sull'accuratezza della SVM per identificare lo stato di vibrazione del calcestruzzo. Clicca qui per scaricare questa tabella.

Tabella 2: Risultati del test di analisi dei parametri dell'istogramma del gradiente direzionale. Sulla base dello schema di test nella Tabella 1, si ottengono i risultati dell'accuratezza del riconoscimento. Clicca qui per scaricare questa tabella.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Questo documento utilizza la macchina a vettori di supporto (SVM) per apprendere le caratteristiche dell'immagine di vari campioni di stato di vibrazione del calcestruzzo. Sulla base dei risultati dell'apprendimento automatico, viene proposto un metodo concreto di riconoscimento dello stato di vibrazione basato sul riconoscimento delle immagini. Per migliorare l'accuratezza del riconoscimento, è fondamentale controllare i parametri dei tre passaggi chiave: segmentazione dell'immagine, binarizzazione dell'immagine ed estrazione dell'autovalore del gradiente direzionale. Secondo i risultati del test, viene impiegata una soglia di binarizzazione più piccola per pre-elaborare l'immagine del campione concreto e viene utilizzata la dimensione del blocco di segmentazione dell'immagine di 128 pixel x 128 pixel. Il numero di gradienti direzionali per gli intervalli angolari statistici è impostato su 12. Nel set di campioni di immagini con risoluzione 1024, si ottiene la migliore precisione di riconoscimento per i risultati di apprendimento automatico.

A causa delle significative variazioni dell'ambiente tra i diversi cantieri, questo metodo ha un meccanismo di regolazione della precisione. Quando l'accuratezza del riconoscimento non soddisfa i requisiti, i tre parametri chiave sopra menzionati possono essere ampliati o ridotti come soluzione praticabile, mitigando efficacemente gli errori di precisione del riconoscimento causati dai cambiamenti ambientali. È importante notare che questo metodo si basa fortemente sulle condizioni di illuminazione della faccia di lavoro. L'acquisizione di immagini in condizioni di scarsa illuminazione può comportare una diminuzione della precisione di riconoscimento. Per ridurre la dipendenza dalle condizioni di illuminazione, sono stati esplorati algoritmi di miglioramento dell'immagine a bassa illuminazione30, ma aumentano significativamente il tempo di riconoscimento e i requisiti hardware. Attualmente, nessuna tecnologia efficace garantisce sia l'accuratezza del riconoscimento della bassa illuminazione che l'efficienza del riconoscimento. Questo metodo utilizza l'istogramma della tecnologia a gradiente orientato per caratterizzare le caratteristiche dello stato di vibrazione del calcestruzzo, tra cui il collasso superficiale, il galleggiamento dei fanghi di cemento e le bolle nel processo di vibrazione del calcestruzzo. Rispetto alle tecnologie esistenti, questo approccio riduce significativamente il numero di campioni richiesti e abbassa i requisiti di prestazioni del computer. Con un laptop dotato di una CPU da 2,30 GHz, il processo di riconoscimento completa la differenziazione dello spazio di addestramento dell'SVM in soli 15 secondi. Quando i parametri di estrazione sono impostati in modo appropriato, anche la precisione di riconoscimento è migliorata31.

In futuro, questo protocollo potrà essere utilizzato per comandare il funzionamento delle vibrazioni del robot da costruzione, consentendo l'interruzione tempestiva delle operazioni quando il calcestruzzo raggiunge il livello di vibrazione desiderato, evitando così problemi di qualità causati da vibrazioni inadeguate. Inoltre, il metodo può essere adattato per modificare le operazioni del robot in base alle caratteristiche della struttura in cantiere, come il rilevamento della planarità strutturale, la rimozione dei fanghi della superficie di lavoro e altri processi correlati.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori non hanno nulla da rivelare.

Acknowledgments

Ringraziamo con gratitudine il progetto di ricerca scientifica annuale (NO.7) del Wuhan Urban Construction Group 2023 per aver finanziato questo lavoro.

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

Ingegneria Numero 203
Riconoscimento dell'immagine e analisi dei parametri dello stato di vibrazione del calcestruzzo basato su Support Vector Machine
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