Summary
Protokollet som beskrivs i detta dokument använder riktningsgradienthistogramtekniken för att extrahera egenskaperna hos konkreta bildprover under olika vibrationstillstånd. Den använder en stödvektormaskin för maskininlärning, vilket resulterar i en bildigenkänningsmetod med minimala krav på träningsprov och låga krav på datorprestanda.
Abstract
I den här artikeln används riktningsgradienthistogramtekniken för att extrahera egenskaperna hos konkreta bildprover tagna under olika vibrationstillstånd. Stödvektormaskinen (SVM) används för att lära sig förhållandet mellan bildegenskaper och vibrationstillstånd. Maskininlärningsresultaten används sedan för att bedöma genomförbarheten av betongvibrationstillståndet. Samtidigt analyseras påverkansmekanismen för beräkningsparametrarna för riktningsgradienthistogrammet på igenkänningsnoggrannheten. Resultaten visar att det är möjligt att använda riktningshistogram-SVM-tekniken för att identifiera betongens vibrationstillstånd. Igenkänningsnoggrannheten ökar initialt och minskar sedan när blockstorleken för riktningsgradienten eller antalet statistiska intervall ökar. Igenkänningsnoggrannheten minskar också linjärt med ökningen av tröskelvärdet för binarisering. Genom att använda exempelbilder med en upplösning på 1024 pixlar x 1024 pixlar och optimera parametrarna för extrahering av funktioner kan en igenkänningsnoggrannhet på 100 % uppnås.
Introduction
Betong är ett grundläggande byggmaterial som används flitigt inom byggbranschen. Under pumpningen utvecklar betongen ofta hålrum som kräver komprimering genom vibrationer. Otillräckliga vibrationer kan resultera i en bikakeformad betongyta, medan överdriven vibration kan leda till betongsegregering 1,2. Kvaliteten på vibrationsdriften påverkar avsevärt hållfastheten 3,4,5,6 och hållbarheten hos de formade betongkonstruktionerna 7,8. Cai et al.9,10 genomförde en studie som kombinerade experimentell forskning med numerisk analys för att undersöka vibrationernas påverkansmekanism på ballastsättningar och betongens hållbarhet. Resultaten visade att vibrationstid och ballastpartiklar har en betydande inverkan på stenmaterialets sättning, medan ballastdensiteten och den plastiska viskositeten hos det cementbaserade materialet har minimala effekter. Vibrationer orsakar ballastavsättning i botten av betongproverna. Dessutom, när vibrationstiden ökar, minskar kloridjonkoncentrationen i botten av betongproverna samtidigt som den ökar avsevärt på deöversta 9,10.
För närvarande är bedömningen av betongens vibrationstillstånd huvudsakligen beroende av manuell bedömning. I takt med att byggbranschen fortsätter att utvecklas genom intelligenta reformer har robotdrift dykt upp som den framtida riktningen11,12. En avgörande utmaning inom intelligenta vibrationsoperationer är därför hur robotar ska kunna identifiera betongens vibrationstillstånd.
Histogrammet för den orienterade gradienten är en teknik som använder intensitetsgradienten för pixlar eller fördelningen av kantriktningar som en beskrivning för att karakterisera representationen och formen av objekt i bilder13,14. Detta tillvägagångssätt fungerar på bildens lokala rutnätsceller, vilket ger robust stabilitet när det gäller att karakterisera bildförändringar under olika geometriska och optiska förhållanden.
Zhou et al.15 föreslog en metod för att direkt extrahera riktningsgradientegenskaper från bilder i Bayer-läge. Den här metoden utelämnar flera steg i beräkningen av riktningsgradienten genom att matcha färgfilterkolumnen med gradientoperatorn, vilket avsevärt minskar beräkningskraven för bildigenkänning med riktningsgradient. Han et al.16 använde riktningsgradienthistogrammet som underliggande funktion och använde den genomsnittliga klustringsalgoritmen för att klassificera rälsfästen och avgöra om fästelementen är defekta. Igenkänningsresultaten indikerade att histogrammet för den orienterade gradientfunktionen uppvisade hög känslighet för fästelementdefekter, vilket uppfyller behoven av järnvägsunderhåll och reparation. I en annan studie förbehandlade Xu et al.17 ansiktsbildsfunktioner med hjälp av Gabor-wavelet-filtrering och reducerade dimensionen av egenskapsvektorer genom binär kodning och HOG-algoritmen. Metodens genomsnittliga igenkänningsnoggrannhet är 92,5 %.
Stödvektormaskinen (SVM)18 används för att avbilda vektorn till ett högdimensionellt rum och etablerar ett separerande hyperplan med en lämplig riktning för att maximera avståndet mellan två parallella hyperplan. Detta gör det möjligt att klassificera stödvektorer19. Forskare har förbättrat och optimerat denna klassificeringsteknik, vilket har lett till dess tillämpning inom olika områden som bildigenkänning20,21, textklassificering22, tillförlitlighetsförutsägelse23 och feldiagnos24.
Li et al.25 utvecklade en tvåstegs SVM-modell för igenkänning av seismiska brottmönster, med fokus på tre seismiska fellägen. Analysresultaten indikerar att den föreslagna tvåstegs SVM-metoden kan uppnå mer än 90% noggrannhet för de tre felmoderna. Yang et al.26 integrerade en optimeringsalgoritm med SVM för att simulera förhållandet mellan de fem ultraljudsparametrarna och spänningen hos den belastade betongen. Prestandan hos en ooptimerad SVM är otillfredsställande, särskilt i lågspänningsstadiet. Att bläddra i modellen som optimerats av algoritmen ger dock bättre resultat, om än med långa beräkningstider. Som jämförelse kan nämnas att den partikelsvärmoptimerade SVM-optimeringen avsevärt minskar beräkningstiden samtidigt som den ger optimala simuleringsresultat. Yan et al.27 använde SVM-teknik och introducerade en precisionsokänslig förlustfunktion för att förutsäga elasticitetsmodulen för höghållfast betong, och jämförde dess förutsägelsenoggrannhet med den traditionella regressionsmodellen och neurala nätverksmodellen. Forskningsresultaten visar att SVM-tekniken ger ett mindre prediktionsfel för elasticitetsmodul jämfört med andra metoder.
Denna uppsats samlar in bildprover av betong under olika vibrationstillstånd och beskriver betongens olika tillstånd med hjälp av riktningsgradienthistogramtekniken. Riktningsgradienten används som en egenskapsvektor för träning av SVM, och studien fokuserar på genomförbarheten av att använda riktningsgradienthistogram-SVM-tekniken för att identifiera betongens vibrationstillstånd. Dessutom analyserar artikeln påverkansmekanismen mellan tre nyckelparametrar - binariseringströskel, statistisk blockstorlek för riktningsgradient och statistiskt intervallnummer för riktningsgradient - i egenskapsextraktionsprocessen för riktningsgradienthistogrammet och igenkänningsnoggrannheten för SVM.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Insamling av betongprovbilder
- Transportera betong till arbetsplatsen, där den kommer att gjutas av pumpbilen.
- För att ta bilder, slå på fotograferingsutrustningen genom att flytta strömbrytaren åt höger och vrida den till ON-läget . Justera kamerans lägesratt till det gröna automatiska läget, se till att kameralinsen är parallell med betongytan och tryck på avtryckaren. Ta 20 bildprover av icke-vibrerad betong och spara dem i .jpg format med en exponeringsupplösning på 1024 x 1024 pixlar, som illustreras i figur 1.
- Sätt in den vibrerande delen av betongvibrationsutrustningen (plug-in betongvibrerande stång) i betongen. Anslut strömförsörjningen och slå sedan på betongvibrationsutrustningen genom att ställa den i läge ON .
- När det finns en viss kollaps på betongytan (orsakad av vibrationerna som släpper ut luft inuti betongen, vilket leder till att ytaggregat sjunker för att fylla luckorna, vilket resulterar i betongkollaps) och lite cementslam dyker upp, håll kameralinsen parallell med betongytan och tryck på avtryckaren. Samla in 20 bildprover av vibrerande betong, som visas i figur 2.
- Fortsätt använda vibrationsutrustningen. När det inte finns någon uppenbar kollaps på betongytan, ingen cementuppslamning visas och inga bubblor genereras, stoppa vibrationsprocessen och ta 20 bildprover av vibrerad betong, som visas i figur 3.
2. Exempel på grå binarisering av bilder
- Använd funktionen imread() i MATLAB-programvaran för att läsa .jpg-filen som enhetsformatdata för 1024 pixlar x 1024 pixlar x 3 färgkanaler, som representerar bildens röda, gröna och blå kanalvärden.
- Använd sedan MATLAB-funktionen rgb2gray för att konvertera bilden till gråskala, betecknad med formatet grått värde = rgb2gray(jpg-filnamn). Beräkna gråvärdet för varje pixel enligt ekvation (1) och spara gråvärdet som data i unit8-format på 1024 x 1024.
GR(i,j) = 0,2989R(i,j) + 0,587G(i,j) + 0,114B(i,j) (1)
där GR(i,j) är pixelpunktens gråvärde, R(i,j) är pixelpunktens röda kanalvärde, G(i,j) är pixelpunktens gröna kanalvärde och B(i,j) är pixelpunktens blå kanalvärde. - Ändra det binära värdet för de gråa värdena som är större än pixeltröskelvärdet θ till 1 och ställ in det binära värdet för de gråa värdena som är mindre än θ-pixeln till 0.
- När du har fått de binariserade grå resultaten sparar du resultatet som 1024 x 1024 logiska formatdata. I det här fallet representerar θ binariseringströskeln, och dess värden är 50, 100, 150 och 200 för konkreta provbilder med olika vibrationstillstånd, som visas i figur 5, figur 6 och figur 7.
3. Beräkning av egenvärdet för riktningsgradient
- Beräkna den horisontella och vertikala binära gradienten för varje pixel i bilden med hjälp av följande ekvation28
Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
där Th är den vågräta binäriserade övertoningen, Tp är den lodräta binära övertoningen, R är binäriserade logiska formatdata, x är radnumret för den binäriserade matrisen och y är kolumnnumret för den binäriserade matrisen. - Beräkna den binära gradientriktningen och storleken för varje punkt med hjälp av följande ekvation29
där T är den binära gradientstorleken,α T är den binära gradientriktningen, Th är den horisontella binära gradienten och Tp är den vertikala binära gradienten. - Bestäm storleken på bildsegmenteringsblocket, betecknat som n, där värdet på n är [ 1,9]. Ställ in segmenteringslinjen för varje n pixel i y-riktningen längs x-riktningen, så att bilden delas upp i n x n kvadratiska block baserat på segmenteringslinjens position. Alla delar av bilden som inte kan bilda hela fyrkantiga block tas sedan bort.
- Dela upp den binära gradientriktningen αT (värdet på den binära gradientriktningen αT är [ 0°, 360°]) i m-delar, vilket resulterar i statistiska vinkelintervall för m-riktningsgradienten. Fortsätt med att beräkna det statistiska gradientvärdet för varje blocks statistiska lutningsvinkelintervall.
- Baserat på den binära övertoningsriktningen för varje pixel i blocket klassificerar du pixlarna i lämpligt statistiskt gradientvinkelintervall för varje riktning.
- Summera den binära gradienten för pixlarna i det statistiska vinkelintervallet för gradienten för varje riktning i moturs riktning för att få det statistiska gradientvärdet för det intervallet. De erhållna resultaten för statistik över riktningsgradient för statistiskt vinkelintervall visas i figur 8, figur 9 och figur 10 för blockstorlekar n lika med 8, 128 respektive 512.
4. Konstruera riktningsgradientfunktionsvektor
- Dela upp proverna i obligatoriska beräkningsområden, där varje beräkningsområde består av fyra intilliggande block baserat på blockresultaten från steg 3.3. Till exempel, med tanke på pixlar med 16 x 16 upplösning och en blockstorlek på 4 x 4, är bilden uppdelad i (16 / 4-1) x (16 / 4-1) = 9 beräkningsområden.
- Beräkna det statistiska värdet för riktningsgradienten inom vinkelintervallet för gradientstatistiken för varje block i beräkningsområdet. Hämta sedan funktionsvektorn med riktningsgradientstatistiken som komponent.
- Kombinera vektorerna för riktningsövertoningsfunktionen från varje beräkningsområde för att hämta bildens riktningsvektor.
5. SVM-utbildning
- Välj slumpmässigt 42 prover från de tre vibrationstillstånden för att skapa träningsgruppen, lämna de återstående 18 proverna som testgrupp.
- Utnyttja fitcecoc-funktionen i MATLAB för SVM-träning; Formatet är
SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
där SVM är den stödvektordator som ska tränas, trainingFeatures är vektorn för träningsgruppens riktningsgradientfunktion och Trainingeigenvalue är det karakteristiska värdet för träningsgruppens vibrationstillstånd. De karakteristiska värdena för vibrationstillståndet för icke-vibrerad betong, vibrerande betong och vibrerad betong samples är 1, 2 respektive 3. - Spara den tränade SVM:en med hjälp av Spara-funktionen i .mat-format.
6. Verifiering av SVM-igenkänningens noggrannhet
- Med hjälp av MATLAB:s förutsägelsefunktion matar du in testgruppsprovbildens riktningsgradientfunktionsvektor i den tränade SVM för att erhålla det beräknade värdet för vibrationstillståndsfunktionen för varje testprov. Formatet är som följer:
testgroupcalculateseigenvalues = förutsäga (SVM, testFeature)
där testgroupcalculateseigenvalues är det beräknade värdet för vibrationstillståndsfunktionen och SVM är stödvektordatorn som tränades i steg 5. testFeature är vektorn för riktningsgradientfunktionen för testgruppens exempelbild. - Fastställ provigenkänningsresultaten för testuppsättningen genom att mata in testuppsättningen i den tränade SVM:en. Räkna antalet samples för vilka testuppsättningens igenkänningsresultat matchar det faktiska tillståndet och beräkna sedan igenkänningsnoggrannheten genom att dividera antalet korrekta samples med det totala antalet testuppsättningsprover.
- Om testigenkänningsnoggrannheten är högre än 94 % anser du att SVM-igenkänningen är effektiv. Om den är lägre än 94 %, gå tillbaka till steg 1.1 och justera binariseringströskeln, blockstorleken n och antalet statistiska intervall för riktningsgradient m.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Detta protokoll syftar till att analysera hur beräkningsparametrarna med tre vektorer för riktningsgradientfunktionen påverkar noggrannheten hos SVM vid identifiering av betongens vibrationstillstånd. De primära beräkningsparametrarna för funktionsvektorn för riktningsgradient inkluderar den statistiska blockstorleken för riktningsgradient, antalet statistiska vinkelintervall för riktningsgradient och det binära gråa tröskelvärdet. I det här avsnittet används tre huvudsakliga beräkningsparametrar som variabler för att utforma testet. Testparameternivåerna beskrivs i tabell 1. Totalt utfördes 100 tester på konkreta bildprover med en upplösning på 1024 x 1024 pixlar. De provningsresultat som motsvarar de parametrar som beskrivs i tabell 1 presenteras i tabell 2.
Analys av olika binära grå tröskelvärden-SVM-igenkänningsresultat
Tabell 2 visar den genomsnittliga igenkänningsnoggrannheten för SVM för olika binariseringströsklar, och förhållandet mellan binariseringströskeln och igenkänningsnoggrannheten visualiseras i figur 4. När blockstorleken och antalet statistiska intervall är fasta, uppvisar igenkänningsnoggrannheten för SVM i allmänhet en minskande trend med en ökning av binariseringströskeln. Noterbart är att igenkänningsnoggrannheten minskar avsevärt när binariseringströskeln faller inom intervallet 100 till 150. Ytterligare undersökningar krävs för att förstå orsakerna bakom detta fenomen och dess inverkan på SVM:s divisionsberäkning.
I detta avsnitt, enligt den metod som beskrivs i steg 2.1 och den experimentella designen som beskrivs i steg 3.1, binariseras bildproverna av icke-vibrerad betong, vibrerande betong och vibrerad betong. De binariserade grå tröskelvärdena som används är 50, 100, 150, 200 och 250, vilket resulterar i binariserade gråa bilder för varje tillstånd, som visas i figur 5, bild 6 och figur 7.
Som illustreras i figur 5, när binariseringströskeln minskar, minskar det vita området i den binära bilden av det icke-vibrerade betongbildprovet avsevärt. Vid ett binariseringströskelvärde på 250 ser den binära bilden ut att vara helt svart. I figur 6 liknar den föränderliga trenden för den binära grå bilden av det vibrerande betongbildprovet med binariseringströskeln den för det icke-vibrerade betongprovet, men minskningen av det vita området är mer uttalad i det vibrerande betongbildprovet. Dessutom illustrerar figur 7 kombinationen av den svarta delen och de vita områdena, vilket återspeglar betongens ytstrukturegenskaper i olika vibrationstillstånd. Den binära gråbilden av vibrerad betong minskar också med minskande binariseringströskel. Till exempel, när binariseringströskeln är inställd på 50 och 100, tenderar den binära grå bilden av vibrerad betong att vara vit. Vid ett tröskelvärde på 150 ser det ut som de andra två tillstånden, men när tröskelvärdet överstiger 150 tenderar den binära bilden att vara svart. När tröskelvärdet för binarisering är mellan 100 och 150 sker betydande förändringar i de binära bildfunktionerna.
Extraheringen av funktionsvektorn i det här dokumentet förlitar sig på riktningsgradienten för bildexempel. Om du ökar tröskelvärdet för binarisering från 50 till 100 minskar kontaktytan mellan vita och svarta pixlar. Den här minskningen påverkar statistiken för pixelns riktningsgradient eftersom den beror på pixelvärdesändringen mellan varje pixel. En större kontaktyta resulterar i färre än 0 komponenter i SVM-funktionsvektorn, vilket gör representationen av betongvibrationstillståndets egenskaper mer omfattande. Förändringen i igenkänningsnoggrannhet med binariseringströskeln beror främst på ändringen av antalet 0 komponenter i riktningsgradientfunktionsvektorn. Dessutom, när binariseringströskeln höjs från 150 till 250, reduceras det vita området i det binära bildexemplet avsevärt. Följaktligen minskar också motsvarande igenkänningsnoggrannhet kraftigt, vilket ytterligare stöder denna regel.
Olika riktningsgradient statistisk blockstorlek – SVM-igenkänningsresultat
I detta avsnitt beräknas noggrannheten för identifiering av statistisk blockstorlek för gradientstatistik i olika riktningar, som presenteras i tabell 2. Därefter beräknas medelvärdet för den statistiska blockstorleksidentifieringsnoggrannheten för gradientstatistik i varje riktning. Resultaten illustreras i figur 8.
Figur 8 visar förhållandet mellan igenkänningen av SVM för konkreta bildprover med 1024-upplösning och den statistiska blockstorleken för riktningsgradienten. Detta förhållande kan uttryckas med ekvation (2).
y=0,09+0,144x-0,01x2 (2)
Bildexempelfunktionsvektorn beräknas med blocksvepningsmetoden20. Under tiden, när blocket är litet, karakteriserar funktionsvektorn den binära bildens lokala specificitet. Detta resulterar i konkreta exempelbilder av olika vibrationstillstånd med liknande lokal specificitet, vilket leder till ett betydande antal 0-komponenter i egenskapsvektorn. Följaktligen orsakar detta höga antal 0-komponenter betydande störningar i SVM-divisionen, vilket leder till minskad igenkänningsnoggrannhet, särskilt för bilder med 1024 pixlar med en blockstorlek på 8 pixlar.
När blockstorleken ökar minskar den lokala specificiteten som återspeglas av funktionsvektorn gradvis, och funktionsvektorn karakteriserar den regionala specificiteten för bildprovet, vilket illustreras i figur 10. Följaktligen minskar antalet 0-komponenter i funktionsvektorn, vilket leder till mindre störningar under divisionsprocessen för SVM. Därmed förbättras igenkänningsnoggrannheten för SVM.
Men när blockstorleken ökas ytterligare, som överstiger 32 bildpunkter, fortsätter antalet 0-komponenter i funktionsvektorn att minska. Men det leder också till en minskning av dimensionen för funktionsvektorn för SVM-träningsuppsättningen. I det här läget beror påverkan på igenkänningsnoggrannheten för SVM främst på bristen på funktionsdimensioner. Ändå lyckas funktionsvektorn fortfarande fånga en viss grad av specificitet i den konkreta bilden. Som illustreras i figur 11, när blockstorleken utökas i viss utsträckning, uppvisar riktningsgradientegenskaperna i varje block av konkreta bildprover med olika vibrationstillstånd fortfarande betydande skillnader. Denna observation förklarar varför igenkänningsnoggrannheten minskar när blockstorleken blir för stor, även om minskningen är relativt liten.
Riktningsgradient statistiskt vinkelintervall nummer-SVM-igenkänningsresultat
I detta avsnitt beräknas igenkänningsnoggrannheten för antalet statistiska intervall för riktningsgradienter som presenteras i tabell 2 . Därefter beräknas den genomsnittliga igenkänningsnoggrannheten för antalet statistiska intervall för riktningsgradienter. Resultaten illustreras i figur 12.
Från figur 12 är det uppenbart att när antalet statistiska intervall för riktningsgradient ökar, ökar igenkänningsnoggrannheten för SVM för betongvibrationstillståndet initialt och minskar sedan. Detta förhållande kan uttryckas med ekvation (3)
y=-0,45+0,2x-0,007x2 (3)
Påverkansmekanismen mellan antalet statistiska intervall för gradientriktning och igenkänningsnoggrannheten beror på förändringen i parametrar för extrahering av bildegenskaper. Detta orsakar en förskjutning i den specifika karakteriseringsförmågan hos funktionsvektorer för bildprover. I detta avsnitt fångas en del av bildproverna av måttligt vibrerad betong upp. Beräkningsresultaten för riktningsgradientegenskaperna erhålls när rutnätsstorleken är 4 och antalet statistiska intervall för riktningsgradient är inställt på 6, 9, 12 och 15, som illustreras i figur 13.
Som visas i figur 13A,B, när antalet statistiska intervall för riktningsgradient är inställt på 6, är storleken på varje intervall 60°. Med tanke på att beräkningsblockets storlek är 4x4 finns det 16 pixlar i varje block. Med större intervallstorlekar faller riktningsgradienten för flera pixlar inom ett enda intervall. Detta leder till en ökning av antalet 0 komponenter i funktionsvektorn för bildexempel när intervallstorleken är större. Följaktligen påverkar det träningsresultaten och igenkänningsnoggrannheten för SVM. Men när antalet statistiska intervall för riktningsgradienter är 9 blir vinkelindelningen mer förfinad, vilket leder till en minskning av situationer där det inte finns några pixlar inom ett intervall. Följaktligen minskas också antalet 0 komponenter i funktionsvektorn för bildexempel, vilket resulterar i en förbättrad bildspecifik representationsförmåga för funktionsvektorn. Men vid jämförelse med figur 13C och figur 13D, när antalet statistiska intervall för riktningsgradient ökar från 12 till 15, ökar antalet pixlar med 0 i intervallet för beräkningsresultaten för riktningsgradientfunktionen. Som ett resultat minskar funktionsvektorns förmåga att karakterisera urvalsbildens specificitet. Denna minskning av karakteriseringsförmågan tillskrivs den ytterligare minskningen av storleken på det statistiska intervallet för riktningsgradienten. Närmare bestämt är intervallet med bara en pixel nu uppdelat i två intervall: ett med en enda pixel och ett annat som ett tomt intervall. Följaktligen leder ökningen av antalet tomma intervall till fler 0-komponenter i funktionsvektorn, vilket i slutändan resulterar i en minskning av igenkänningsnoggrannheten.
Figur 1: Bild av icke-vibrerad betong. Pumpade betongbilder tagna utan vibrationsdrift. Klicka här för att se en större version av denna figur.
Figur 2: Bild av vibrerande betong. Bildexempel vid pumpning av betongvibrationer. Klicka här för att se en större version av denna figur.
Figur 3: Bild av prov av vibrerad betong. Bildprover när pumpning av betongvibrationer är klar. Klicka här för att se en större version av denna figur.
Bild 4: Noggrannhetsförhållande för igenkänning av tröskelvärde för binarisering. Inverkan av binariseringströskeln på igenkänningsnoggrannheten för SVM. Klicka här för att se en större version av denna figur.
Figur 5: Binär gråskalebild av icke-vibrerad betong. Binariseringsbearbetningsresultaten för icke-vibrerade betongbilder när olika binariseringströsklar är inställda. (A) Binariseringströskel vid 50. (B) Binariseringströskel vid 100. (C) Binariseringströskel vid 150. (D) Binariseringströskel vid 200. (E) Binariseringströskel vid 250. Klicka här för att se en större version av denna figur.
Figur 6: Binär gråskalebild av vibrerande betong. Binariseringsbearbetningen resulterar i vibrerande betongbilder när olika binariseringströsklar är inställda. (A) Binariseringströskel vid 50. (B) Binariseringströskel vid 100. (C) Binariseringströskeln vid 150. (D) Binariseringströskel vid 200. (E) Binariseringströskel vid 250. Klicka här för att se en större version av denna figur.
Figur 7: Binär gråskalebild av vibrerad betong. Binariseringsbearbetningsresultaten för vibrerande betongbild när olika binariseringströsklar är inställda. (A) Binariseringströskel vid 50. (B) Binariseringströskel vid 100. (C) Binariseringströskel vid 150. (D) Binariseringströskel vid 200. (E) Binariseringströskel vid 250. Klicka här för att se en större version av denna figur.
Figur 8: Diagram över noggrannhetsnoggrannhet för statistisk blockstorleksigenkänning för riktningsgradient. Inverkan av statistisk blockstorlek för riktningsgradient på igenkänningsnoggrannheten för SVM. Klicka här för att se en större version av denna figur.
Figur 9: Schematiskt diagram över resultat av extrahering av riktningsgradienter på 8 pixlar. Övertoningsfunktionen resulterar i tre typer av vibrationstillståndsriktningar när blockstorleken är 8 pixlar. (A) Icke-vibrerad betong, (B) vibrerande betong, (C) vibrerad betong. Klicka här för att se en större version av denna figur.
Figur 10: Schematiskt diagram över blockstorlek 128 pixlar riktningsgradient funktion extrahering resultat. Övertoningsfunktionen resulterar i tre typer av vibrationstillståndsriktningar när blockstorleken är 128 pixlar. (A) Icke-vibrerad betong, (B) vibrerande betong, (C) vibrerad betong. Klicka här för att se en större version av denna figur.
Figur 11: Extraktionsresultat för riktningsgradient av konkreta exempelbilder i olika vibrationstillstånd med en blockstorlek på 512 pixlar. Övertoningsfunktionen resulterar i tre typer av vibrationstillståndsriktningar när blockstorleken är 512 pixlar. (A) Icke-vibrerad betong, (B) vibrerande betong, (C) vibrerad betong. Klicka här för att se en större version av denna figur.
Figur 12: Noggrannhetsförhållande för riktningsgradient för statistiskt intervall för nummerigenkänning. Inverkan av riktningsgradient statistiskt intervallnumbe r på igenkänningsnoggrannheten för SVM Klicka här för att se en större version av denna figur.
Figur 13: Beräkningsresultat av riktningsgradientegenskaperna för antalet olika statistiska riktningsgradientintervall. Resultaten av provets riktningsgradientkarakteristik erhålls när olika statistiska intervall för riktningsgradient ställs in. (A) 6 statistiska intervall för riktningsgradient, (B) 9 statistiska intervall för riktningsgradient, (C) 12 statistiska intervall för riktningsgradient, (D) 15 statistiska intervall för riktningsgradient. Klicka här för att se en större version av denna figur.
Tabell 1: Testfaktornivå för SVM-identifiering. Inverkan av beräkningsparametrarna för riktningsgradientfunktionsvektorn på noggrannheten hos SVM för att identifiera betongvibrationstillståndet analyseras. Klicka här för att ladda ner denna tabell.
Tabell 2: Testresultat för analys av histogramparametrar för riktningsgradient .Baserat på testschemat i tabell 1 erhålls resultaten för igenkänningsnoggrannheten. Klicka här för att ladda ner denna tabell.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Detta dokument använder stödvektormaskinen (SVM) för att lära sig bildegenskaperna hos olika betongvibrationstillstånd. Baserat på maskininlärningsresultaten föreslås en konkret metod för igenkänning av vibrationstillstånd baserad på bildigenkänning. För att förbättra igenkänningsnoggrannheten är det viktigt att kontrollera parametrarna för de tre nyckelstegen: bildsegmentering, bildbinarisering och extraktion av egenvärde för riktningsgradient. Enligt testresultaten används en mindre binariseringströskel för att förbehandla den konkreta provbilden, och bildsegmenteringsblockstorleken på 128 pixlar x 128 pixlar används. Antalet riktningsgradienter för statistiska vinkelintervall är inställt på 12. I bildexempeluppsättningen med 1024 upplösningar uppnås den bästa igenkänningsnoggrannheten för maskininlärningsresultat.
På grund av de betydande variationerna i miljön mellan olika byggarbetsplatser har denna metod en mekanism för justering av noggrannheten. När igenkänningsnoggrannheten inte uppfyller kraven kan de tre nyckelparametrarna som nämns ovan utökas eller minskas som en genomförbar lösning, vilket effektivt minskar igenkänningsnoggrannhetsfel som orsakas av miljöförändringar. Det är viktigt att notera att denna metod i hög grad är beroende av arbetsytans belysningsförhållanden. Att ta bilder under svaga belysningsförhållanden kan leda till en minskning av igenkänningsnoggrannheten. För att minska beroendet av belysningsförhållanden har algoritmer för bildförbättring med låg belysning undersökts30, men de ökar igenkänningstiden och hårdvarukraven avsevärt. För närvarande finns det ingen effektiv teknik som säkerställer både låg noggrannhet för belysningsigenkänning och igenkänningseffektivitet. Denna metod använder histogrammet för orienterad gradientteknik för att karakterisera egenskaperna hos betongvibrationstillståndet, inklusive ytkollaps, cementslam som flyter och bubblor i processen med betongvibrationer. Jämfört med befintlig teknik minskar den här metoden avsevärt antalet prover som krävs och sänker kraven på datorprestanda. Med en bärbar dator utrustad med en 2,30 GHz-processor slutför igenkänningsprocessen differentieringen av SVM-träningsutrymmet på bara 15 sekunder. När extraktionsparametrarna är korrekt inställda förbättras också igenkänningsnoggrannheten31.
I framtiden kan detta protokoll användas för att styra vibrationsdriften av byggroboten, vilket gör det möjligt att i tid upphöra med verksamheten när betongen når önskad vibrationsnivå, och därigenom undvika kvalitetsproblem orsakade av otillräckliga vibrationer. Dessutom kan metoden anpassas för att modifiera robotoperationer baserat på texturegenskaper på byggarbetsplatsen, såsom detektering av strukturell planhet, borttagning av flytgödsel och andra relaterade processer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Vi tackar Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) för finansieringen av detta arbete.
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 |
References
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Chen, C., Li, X., Qiu, Z., Yao, W., Zhu, H.
- 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).
- Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , San Diego, USA. (2005).
- Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1 (2021).
- 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).
- 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).
- Cortes, C., Vapnik, V. N.
- Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
- 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).
- Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
- Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
- 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).
- 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).
