Waiting
Login processing...

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

Engineering

Billedgenkendelse og parameteranalyse af betonvibrationstilstand baseret på støttevektormaskine

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

Protokollen beskrevet i dette papir anvender retningsgradienthistogramteknikken til at udtrække egenskaberne ved konkrete billedprøver under forskellige vibrationstilstande. Den anvender en supportvektormaskine til maskinindlæring, hvilket resulterer i en billedgenkendelsesmetode med minimale krav til træningsprøver og lave krav til computerens ydeevne.

Abstract

I dette papir anvendes retningsgradienthistogramteknologien til at udtrække funktionerne i konkrete billedprøver taget under forskellige vibrationstilstande. Understøttelsesvektormaskinen (SVM) bruges til at lære forholdet mellem billedfunktioner og vibrationstilstand. Maskinlæringsresultaterne bruges efterfølgende til at vurdere gennemførligheden af den konkrete vibrationstilstand. Samtidig analyseres indflydelsesmekanismen for beregningsparametrene for retningsgradienthistogrammet på genkendelsesnøjagtigheden. Resultaterne demonstrerer muligheden for at bruge retningsgradienthistogram-SVM-teknologien til at identificere betonens vibrationstilstand. Genkendelsesnøjagtigheden øges først og falder derefter, når blokstørrelsen af retningsgradienten eller antallet af statistiske intervaller øges. Genkendelsesnøjagtigheden falder også lineært med stigningen i binariseringstærsklen. Ved at bruge eksempelbilleder med en opløsning på 1024 pixel x 1024 pixels og optimere parametrene for funktionsudtrækning kan der opnås en genkendelsesnøjagtighed på 100 %.

Introduction

Beton er et grundlæggende byggemateriale, der i vid udstrækning anvendes i byggebranchen. Under pumpning udvikler betonen ofte hulrum, der kræver komprimering gennem vibrationer. Utilstrækkelig vibration kan resultere i en honningkæmmet betonoverflade, mens overdreven vibration kan føre til betonadskillelse 1,2. Kvaliteten af vibrationsdrift påvirker signifikant styrken 3,4,5,6 og holdbarheden af de formede betonkonstruktioner 7,8. Cai et al.9,10 gennemførte en undersøgelse, der kombinerede eksperimentel forskning med numerisk analyse for at undersøge vibrationsmekanismens indflydelsesmekanisme på samlet bundfældning og betonholdbarhed. Resultaterne afslørede, at vibrationstid og aggregerede partikler har en betydelig indvirkning på den samlede bundfældning, mens aggregatdensiteten og plastviskositeten af det cementbaserede materiale har minimale virkninger. Vibrationer forårsager samlet aflejring i bunden af betonprøverne. Når vibrationstiden øges, falder kloridionkoncentrationen desuden i bunden af betonprøverne, mens den stiger markant ved de øverste 9,10.

I øjeblikket er vurderingen af betonvibrationstilstand overvejende afhængig af manuel vurdering. Da byggebranchen fortsætter med at udvikle sig gennem intelligente reformer, er robotoperationer opstået som den fremtidige retning 11,12. Derfor er en afgørende udfordring i intelligente vibrationsoperationer, hvordan robotter kan identificere betonens vibrationstilstand.

Histogrammet for den orienterede gradient er en teknik, der bruger intensitetsgradienten af pixels eller fordelingen af kantretninger som en deskriptor til at karakterisere repræsentationen og formen af objekter i billeder13,14. Denne fremgangsmåde fungerer på billedets lokale gitterceller, hvilket giver robust stabilitet til karakterisering af billedændringer under forskellige geometriske og optiske forhold.

Zhou et al.15 foreslog en metode til direkte udtrækning af retningsgradientfunktioner fra Bayer-tilstandsbilleder. Denne fremgangsmåde udelader adskillige trin i beregningen af retningsbestemt forløb ved at matche farvefilterkolonnen med gradientoperatoren, hvilket reducerer beregningskravene til retningsbestemt gradientbilledgenkendelse betydeligt. Han et al.16 udnyttede retningsgradienthistogrammet som det underliggende træk og anvendte den gennemsnitlige klyngealgoritme til at klassificere skinnefastgørelseselementer og bestemme, om fastgørelseselementerne er defekte. Genkendelsesresultaterne viste, at histogrammet for den orienterede gradientfunktion udviste høj følsomhed over for fastgørelsesfejl, hvilket opfyldte behovene for jernbanevedligeholdelse og reparation. I en anden undersøgelse forbehandlede Xu et al.17 ansigtsbilledfunktioner ved hjælp af Gabor-bølgeletfiltrering og reducerede dimensionen af funktionsvektorer gennem binær kodning og HOG-algoritmen. Den gennemsnitlige genkendelsesnøjagtighed af metoden er 92,5%.

Støttevektormaskinen (SVM)18 bruges til at kortlægge vektoren i et højdimensionelt rum og etablerer et adskillende hyperplan med en passende retning for at maksimere afstanden mellem to parallelle hyperplaner. Dette giver mulighed for klassificering af støttevektorer19. Forskere har forbedret og optimeret denne klassificeringsteknologi, hvilket fører til dens anvendelse på forskellige områder såsom billedgenkendelse20,21, tekstklassificering22, pålidelighedsforudsigelse23 og fejldiagnose24.

Li et al.25 udviklede en to-trins SVM-model til seismisk fejlmønstergenkendelse med fokus på tre seismiske fejltilstande. Analyseresultaterne viser, at den foreslåede totrins SVM-metode kan opnå mere end 90 % nøjagtighed for de tre fejltilstande. Yang et al.26 integrerede en optimeringsalgoritme med SVM for at simulere forholdet mellem de fem ultralydsparametre og belastningen af den belastede beton. Ydeevnen for en uoptimeret SVM er utilfredsstillende, især i lavstressfasen. Imidlertid giver gennemgang af modellen optimeret af algoritmen forbedrede resultater, omend med lange beregningstider. Til sammenligning reducerer den partikelsværmoptimeringsoptimerede SVM beregningstiden betydeligt, samtidig med at den leverer optimale simuleringsresultater. Yan et al.27 anvendte SVM-teknologi og introducerede en præcisionsufølsom tabsfunktion til at forudsige det elastiske modul af højstyrkebeton og sammenligne dens forudsigelsesnøjagtighed med den traditionelle regressionsmodel og neurale netværksmodel. Forskningsresultaterne viser, at SVM-teknologien producerer en mindre forudsigelsesfejl for elastisk modul sammenlignet med andre metoder.

Dette papir indsamler billedprøver af beton under forskellige vibrationstilstande og beskriver betonens forskellige tilstande ved hjælp af retningsgradienthistogramteknikken. Retningsgradienten anvendes som en funktionsvektor til træning af SVM, og undersøgelsen fokuserer på levedygtigheden af at bruge retningsgradienthistogram-SVM-teknologien til at identificere betonens vibrationstilstand. Derudover analyserer papiret indflydelsesmekanismen mellem tre nøgleparametre - binariseringstærskel, retningsbestemt gradientstatistisk blokstørrelse og retningsgradientstatistisk intervalnummer - i funktionsekstraktionsprocessen for retningsgradienthistogrammet og genkendelsesnøjagtigheden af SVM.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Konkret prøvebillede erhvervelse

  1. Transport beton til arbejdspladsen, hvor den hældes af pumpebilen.
  2. For at tage billeder skal du tænde for optageudstyret ved at flytte tænd / sluk-tastkontakten til højre og dreje den til ON-position . Juster kameraets tilstandsknap til den grønne automatiske tilstand, og sørg for, at kameralinsen er parallel med betonoverfladen, og tryk på udløsertasten. Tag 20 billedprøver af ikke-vibreret beton, og gem dem i .jpg format med en anskaffelsesopløsning på 1024 x 1024 pixels, som illustreret i figur 1.
  3. Indsæt den vibrerende del af betonvibrationsudstyret (plug-in betonvibrerende stang) i betonen. Tilslut strømforsyningen, og tænd derefter betonvibrationsudstyret ved at indstille det til ON-position .
  4. Når der er noget sammenbrud på overfladen af betonen (forårsaget af vibrationer, der udleder luft inde i betonen, hvilket fører til synkning af overfladeaggregater for at udfylde hullerne, hvilket resulterer i betonkollaps), og der vises noget cementopslæmning, skal du holde kameralinsen parallelt med betonoverfladen og trykke på udløsertasten. Der indsamles 20 billedprøver af vibrerende beton som vist i figur 2.
  5. Fortsæt med at betjene vibrationsudstyret. Når der ikke er nogen åbenlys sammenbrud på betonoverfladen, vises der ingen cementopslæmning, og der genereres ingen bobler, stopper vibrationsprocessen og optager 20 billedprøver af vibreret beton, som vist i figur 3.

2. Eksempel på billede grå binarisering

  1. Brug IMartab-softwarens imread()-funktion til at læse .jpg filen som enhedsformatdata på 1024 pixels x 1024 pixels x 3 farvekanaler, der repræsenterer billedets røde, grønne og blå kanalværdier.
  2. Anvend derefter MATLAB-funktionen rgb2gray for at konvertere billedet til gråtoner, angivet med formatet grå værdi = rgb2gray (jpg filnavn). Beregn den grå værdi af hver pixel i henhold til ligning (1), og gem den grå værdi som enhedsformatdata for 1024 x 1024.
    GR(i,j) = 0,2989R(i,j) + 0,587G(i,j) + 0,114B(i,j) (1)
    hvor GR(i,j) er pixelpunktets grå værdi, R(i,j) er pixelpunktets røde kanalværdi, G(i,j) er pixelpunktets grønne kanalværdi, og B(i,j) er pixelpunktets blå kanalværdi.
  3. Rediger den binære værdi af de grå værdier, der er større end pixelgrænsen θ til 1, og indstil den binære værdi af de grå værdier, der er mindre end θ-pixlen, til 0.
  4. Når du har opnået de binariserede grå resultater, skal du gemme resultatet som 1024 x 1024 logiske formatdata. I dette tilfælde repræsenterer θ binariseringstærsklen, og dens værdier er 50, 100, 150 og 200 for forskellige vibrationstilstandskonkrete prøvebilleder, som afbildet i figur 5, figur 6 og figur 7.

3. Beregning af egenværdien af retningsgradient

  1. Beregn den vandrette og lodrette binære gradient for hver pixel i billedet ved hjælp af følgende ligning28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    hvor Th er den vandrette binariserede gradient, Tp er den lodrette binariserede gradient, R er de binariserede logiske formatdata, x er rækkenummeret på den binariserede matrix, og y er kolonnenummeret på den binariserede matrix.
  2. Beregn den binære gradientretning og størrelse af hvert punkt ved hjælp af følgende ligning29:
    Equation 1
    hvor T er den binære gradientstørrelse, αT er den binære gradientretning, Th er den vandrette binære gradient, og Tp er den lodrette binære gradient.
  3. Bestem størrelsen af billedsegmenteringsblokken, betegnet som n, hvor værdien af n er [ 1,9]. Indstil segmenteringslinjen for hver n pixel i y-retningen langs x-retningen, og opdel effektivt billedet i n x n firkantede blokke baseret på segmenteringslinjens position. Alle dele af billedet, der ikke kan danne komplette firkantede blokke, fjernes derefter.
  4. Partition binær gradientretning αT (værdien af den binære gradientretning αT er [ 0°, 360°]) i m dele, hvilket resulterer i m retningsgradient statistiske vinkelintervaller. Fortsæt med at beregne den statistiske gradientværdi for hver bloks gradientstatistiske vinkelinterval.
    1. Baseret på den binære gradientretning for hver pixel i blokken klassificeres pixel i det relevante gradientstatistiske vinkelinterval for hver retning.
    2. Summen af pixelernes binære gradient i det statistiske gradientvinkelinterval for hver retning mod uret for at opnå den gradientstatistiske værdi af dette interval. De opnåede resultater for gradientstatistisk vinkelintervalretningsgradientstatistik er afbildet i figur 8, figur 9 og figur 10 for blokstørrelser n lig med henholdsvis 8, 128 og 512 .

4. Konstruktion af retningsbestemt gradientfunktionsvektor

  1. Opdel prøverne i obligatoriske beregningsområder, hvor hvert beregningsområde består af fire tilstødende blokke baseret på blokresultaterne opnået i trin 3.3. For eksempel, i betragtning af 16 x 16 opløsning pixels og en blokstørrelse på 4 x 4, er billedet opdelt i (16 / 4-1) x (16 / 4-1) = 9 beregningsområder.
  2. Beregn den statistiske værdi af retningsgradienten inden for vinkelintervallet for gradientstatistikken for hver blok i beregningsområdet. Derefter opnås funktionsvektoren med retningsgradientstatistikken som komponent.
  3. Kombiner vektorerne for retningsbestemt gradientfunktion fra hvert beregningsområde for at få billedets retningsbestemte gradientfunktionsvektor.

5. SVM-træning

  1. Vælg tilfældigt 42 prøver fra de tre vibrationstilstande for at oprette træningsgruppen, og lad de resterende 18 prøver være testgruppen.
  2. Udnyt fitcecoc funktionen af MATLAB til SVM træning; Formatet er
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    hvor SVM er den støttevektormaskine, der skal trænes, trainingFeatures er træningsgruppens billede retningsbestemt gradientfunktionsvektor, og Trainingeigenvalue er den karakteristiske værdi af træningsgruppens vibrationstilstand. De karakteristiske værdier for vibrationstilstanden for den ikke-vibrerede beton, vibrerende beton og vibrerede betonprøver er henholdsvis 1, 2 og 3.
  3. Gem den trænede SVM ved hjælp af funktionen Gem i .mat-format.

6. Verifikation af SVM-genkendelsens nøjagtighed

  1. Brug MATLABs forudsigelsesfunktion til at indtaste testgruppeprøvebilledets retningsgradientfunktionsvektor i den trænede SVM for at opnå den beregnede værdi af vibrationstilstandsfunktionen for hver testprøve. Formatet er som følger:
    testgroupcalculateseigenvalues = predict (SVM, testFeature)
    hvor testgroupcalculateseigenvalues er den beregnede værdi af vibrationstilstandsfunktionen, og SVM er den understøttede vektormaskine, der er trænet i trin 5. testFeature er funktionsvektoren for retningsbestemt gradient for testgruppeeksempelbilledet.
  2. Bestem resultaterne af testsættets prøvegenkendelse ved at indføre testsættet i den trænede SVM. Tæl antallet af prøver, hvor resultaterne af genkendelsen af testsættet svarer til den aktuelle tilstand, og beregn derefter genkendelsesnøjagtigheden ved at dividere antallet af korrekte prøver med det samlede antal prøver fra testsættet.
    1. Hvis testgenkendelsesnøjagtigheden er højere end 94 %, skal SVM-genkendelsen betragtes som effektiv. Hvis den er lavere end 94%, skal du vende tilbage til trin 1.1 og justere binariseringstærsklen, blokstørrelsen n og antallet af statistiske intervaller for retningsgradient m.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Denne protokol har til formål at analysere, hvordan beregningsparametrene for trevektorerne for retningsgradientfunktionen påvirker SVM's nøjagtighed ved identifikation af betonvibrationstilstanden. De primære beregningsparametre for retningsgradientfunktionsvektoren inkluderer den retningsbestemte gradientstatistiske blokstørrelse, antallet af retningsgradientstatistiske vinkelintervaller og den binære grå tærskel. Dette afsnit bruger tre hovedberegningsparametre som variabler til at designe testen. Testparameterniveauerne er beskrevet i tabel 1. I alt 100 tests blev udført på konkrete billedprøver med en opløsning på 1024 x 1024 pixels. Testresultaterne svarende til parametrene beskrevet i tabel 1 er vist i tabel 2.

Analyse af forskellige binære grå tærskel-SVM-genkendelsesresultater
Tabel 2 viser SVM's gennemsnitlige genkendelsesnøjagtighed for forskellige binariseringstærskler, og forholdet mellem binariseringstærsklen og genkendelsesnøjagtigheden er visualiseret i figur 4. Når blokstørrelsen og antallet af statistiske intervaller er faste, udviser SVM's genkendelsesnøjagtighed generelt en faldende tendens med en stigning i binariseringstærsklen. Især falder genkendelsesnøjagtigheden betydeligt, når binariseringstærsklen falder inden for området 100 til 150. Yderligere undersøgelser er nødvendige for at forstå årsagerne til dette fænomen og dets indvirkning på SVM's divisionsberegning.

I dette afsnit binariseres billedprøverne af ikke-vibreret beton, vibrerende beton og vibreret beton efter metoden beskrevet i trin 2.1 og det eksperimentelle design beskrevet i trin 3.1. De anvendte binariserede grå tærskler er 50, 100, 150, 200 og 250, hvilket resulterer i binariserede grå billeder for hver tilstand, som vist i figur 5, figur 6 og figur 7.

Som illustreret i figur 5, når binariseringstærsklen falder, reduceres det hvide område i det binære billede af den ikke-vibrerede betonbilledprøve betydeligt. Ved en binariseringstærskel på 250 ser det binære billede ud til at være rent sort. I figur 6 svarer den skiftende tendens for det binære grå billede af den vibrerende betonbilledprøve med binariseringstærsklen til den for den ikke-vibrerede betonprøve, men reduktionen af det hvide område er mere udtalt i den vibrerende betonbilledprøve. Desuden illustrerer figur 7 kombinationen af den sorte del og de hvide områder, hvilket afspejler betonens overfladeteksturegenskaber i forskellige vibrationstilstande. Det binære grå billede af vibreret beton falder også med faldende binariseringstærskel. For eksempel, når binariseringstærsklen er indstillet til 50 og 100, har det binære grå billede af vibreret beton tendens til at være hvidt. Ved en tærskel på 150 ser det ud til at ligne de to andre stater, men når tærsklen overstiger 150, har det binære billede tendens til at være sort. Især når binariseringstærsklen er mellem 100 og 150, sker der betydelige ændringer i de binære billedfunktioner.

Funktionsvektorekstraktionen i dette papir er afhængig af billedprøvernes retningsgradient. Forøgelse af binariseringstærsklen fra 50 til 100 reducerer kontaktområdet mellem hvide og sorte pixels. Denne reduktion påvirker statistikken over pixelretningsgradueringen, da den afhænger af pixelværdiændringen mellem hver pixel. Et større kontaktområde resulterer i færre end 0 komponenter i SVM-funktionsvektoren, hvilket gør repræsentationen af betonvibrationstilstandsegenskaber mere omfattende. Ændringen i genkendelsesnøjagtighed med binariseringstærsklen skyldes primært ændringen i antallet af 0 komponenter i retningsgradientfunktionsvektoren. Når binariseringstærsklen hæves fra 150 til 250, reduceres det hvide område af den binære billedprøve signifikant. Derfor reduceres den tilsvarende genkendelsesnøjagtighed også kraftigt, hvilket yderligere understøtter denne regel.

Forskellige resultater af statistisk blokstørrelse med retningsbestemt gradient – SVM-genkendelse
I dette afsnit beregnes nøjagtigheden af statistisk blokstørrelsesidentifikation af gradientstatistikker i forskellige retninger, som vist i tabel 2. Derefter beregnes middelværdien af statistisk blokstørrelsesidentifikationsnøjagtighed for gradientstatistikker i hver retning. Resultaterne er illustreret i figur 8.

Figur 8 viser forholdet mellem genkendelsen af SVM for konkrete billedprøver med 1024 opløsning og den statistiske blokstørrelse af retningsgradienten. Dette forhold kan udtrykkes ved ligning (2).

y=0,09+0,144x-0,01x2 (2)

Billedprøvefunktionsvektoren beregnes ved hjælp af blokfejningsmetoden20. I mellemtiden, når blokken er lille, karakteriserer funktionsvektoren den lokale specificitet af det binære billede. Dette resulterer i konkrete prøvebilleder af forskellige vibrationstilstande med lignende lokal specificitet, hvilket fører til et betydeligt antal 0-komponenter i funktionsvektoren. Derfor forårsager dette høje antal 0-komponenter betydelig interferens i SVM-divisionen, hvilket fører til reduceret genkendelsesnøjagtighed, især for billeder med 1024 pixel med en blokstørrelse på 8 pixel.

Efterhånden som blokstørrelsen øges, mindskes den lokale specificitet, der afspejles af funktionsvektoren, gradvist, og funktionsvektoren karakteriserer billedprøvens regionale specificitet, som illustreret i figur 10. Derfor reduceres antallet af 0 komponenter i funktionsvektoren, hvilket fører til mindre interferens under opdelingsprocessen af SVM. Derved forbedres SVM's genkendelsesnøjagtighed.

Men når blokstørrelsen øges yderligere og overstiger 32 pixels, fortsætter antallet af 0 komponenter i funktionsvektoren med at falde. Men det fører også til en reduktion i dimensionen af funktionsvektoren i SVM-træningssættet. På nuværende tidspunkt skyldes indvirkningen på SVM's genkendelsesnøjagtighed hovedsageligt manglen på funktionsdimensioner. Ikke desto mindre formår funktionsvektoren stadig at fange en vis grad af specificitet i det konkrete billede. Som illustreret i figur 11 udviser retningsgradientfunktionerne i hver blok af konkrete billedprøver med forskellige vibrationstilstande stadig betydelige forskelle, når blokstørrelsen udvides til en vis grad. Denne observation forklarer, hvorfor genkendelsesnøjagtigheden falder, når blokstørrelsen bliver for stor, selvom faldet er relativt lille.

Resultater af statistisk vinkelinterval for retningsbestemt gradientinterval – SVM-genkendelse
I dette afsnit beregnes genkendelsesnøjagtigheden af antallet af statistiske intervaller for retningsgradienter, der er vist i tabel 2 . Derefter beregnes den gennemsnitlige genkendelsesnøjagtighed for antallet af statistiske intervaller for retningsgradienter. Resultaterne er illustreret i figur 12.

Af figur 12 fremgår det, at efterhånden som antallet af statistiske intervaller for retningsgradienter stiger, stiger SVM's genkendelsesnøjagtighed for betonvibrationstilstanden først og falder derefter. Dette forhold kan udtrykkes ved ligning (3)

y=-0,45+0,2x-0,007x2 (3)

Indflydelsesmekanismen mellem antallet af statistiske intervaller af gradientretning og genkendelsesnøjagtigheden skyldes ændringen i parametre til udtrækning af billedfunktioner. Dette medfører et skift i den specifikke karakteriseringsevne for funktionsvektorer til billedprøver. I dette afsnit opfanges en del af billedprøverne af moderat vibreret beton. Beregningsresultaterne for retningsgradientegenskaberne opnås, når gitterstørrelsen er 4, og antallet af retningsbestemte gradientstatistiske intervaller er indstillet til 6, 9, 12 og 15, som illustreret i figur 13.

Som vist i figur 13A,B er størrelsen af hvert interval, når antallet af statistiske retningsgradientintervaller er sat til 6, 60°. I betragtning af at beregningsblokstørrelsen er 4x4, er der 16 pixels i hver blok. Med større intervalstørrelser falder retningsgradienten for flere pixels inden for et enkelt interval. Dette fører til en stigning i antallet af 0 komponenter i funktionsvektoren for billedprøver, når intervalstørrelsen er større. Derfor påvirker det træningsresultaterne og genkendelsesnøjagtigheden af SVM. Men når antallet af statistiske intervaller for retningsbestemte gradienter er 9, bliver vinkelopdelingen mere raffineret, hvilket fører til en reduktion i situationer, hvor der ikke er pixel inden for et interval. Derfor reduceres antallet af 0-komponenter i funktionsvektoren i billedprøver også, hvilket resulterer i en forbedret billedspecifik repræsentationsevne for funktionsvektoren. Ved sammenligning med figur 13C og figur 13D øges antallet af pixel med 0 i intervallet for beregningsresultaterne for retningsgradientfunktionen imidlertid, når antallet af statistiske intervaller for retningsgradient stiger fra 12 til 15. Som et resultat falder funktionsvektorens evne til at karakterisere specificiteten af eksempelbilledet. Denne reduktion i karakteriseringsevne tilskrives det yderligere fald i størrelsen af det retningsbestemte gradientstatistiske interval. Specifikt er intervallet med kun en pixel nu opdelt i to intervaller: et med en enkelt pixel og et andet som et tomt interval. Derfor fører stigningen i antallet af tomme intervaller til flere 0 komponenter i funktionsvektoren, hvilket i sidste ende resulterer i et fald i genkendelsesnøjagtighed.

Figure 1
Figur 1: Billede af ikke-vibreret beton. Pumpede betonbilleder taget uden vibrationsdrift. Klik her for at se en større version af denne figur.

Figure 2
Figur 2: Billede af vibrerende beton. Billedprøver ved pumpning af betonvibrationer. Klik her for at se en større version af denne figur.

Figure 3
Figur 3: Billede af vibreret betonprøve. Billedprøver ved pumpning af betonvibrationer er afsluttet. Klik her for at se en større version af denne figur.

Figure 4
Figur 4: Forholdet mellem nøjagtighed af binariseringstærskel og genkendelse. Indflydelsen af binariseringstærsklen på genkendelsesnøjagtigheden af SVM. Klik her for at se en større version af denne figur.

Figure 5
Figur 5: Binært gråtonebillede af ikke-vibreret beton. Binariseringsbehandlingen resulterer i ikke-vibrerede konkrete billeder, når forskellige binariseringstærskler er indstillet. (A) Binariseringstærskel ved 50. (B) Binariseringstærskel ved 100. (C) Binariseringstærskel ved 150. (D) Binariseringstærskel ved 200. (E) Binariseringstærskel ved 250. Klik her for at se en større version af denne figur.

Figure 6
Figur 6: Binært gråtonebillede af vibrerende beton. Binariseringsbehandlingen resulterer i vibrerende konkrete billeder, når forskellige binariseringstærskler er indstillet. (A) Binariseringstærskel ved 50. (B) Binariseringstærskel ved 100. (C) Binariseringstærsklen ved 150. (D) Binariseringstærskel ved 200. (E) Binariseringstærskel ved 250. Klik her for at se en større version af denne figur.

Figure 7
Figur 7: Binært gråtonebillede af vibreret beton. Binariseringsbehandlingen resulterer i vibreret konkret billede, når forskellige binariseringstærskler er indstillet. (A) Binariseringstærskel ved 50. (B) Binariseringstærskel ved 100. (C) Binariseringstærskel ved 150. (D) Binariseringstærskel ved 200. (E) Binariseringstærskel ved 250. Klik her for at se en større version af denne figur.

Figure 8
Figur 8: Diagram over nøjagtighed af statistisk blokstørrelsesgenkendelse af retningsgradient. Indflydelsen af retningsbestemt gradient statistisk blokstørrelse på genkendelsesnøjagtigheden af SVM. Klik her for at se en større version af denne figur.

Figure 9
Figur 9: Skematisk diagram over resultater af blokstørrelse 8 pixels retningsbestemt gradientfunktion. Gradientfunktionen resulterer i tre slags vibrationstilstandsretning, når blokstørrelsen er 8 pixels. (A) Ikke-vibreret beton, (B) vibrerende beton, (C) vibreret beton. Klik her for at se en større version af denne figur.

Figure 10
Figur 10: Skematisk diagram over resultater af udtrækning af blokstørrelse 128 pixels retningsbestemt gradientfunktion. Gradientfunktionen resulterer i tre slags vibrationstilstandsretning, når blokstørrelsen er 128 pixels. (A) Ikke-vibreret beton, (B) vibrerende beton, (C) vibreret beton. Klik her for at se en større version af denne figur.

Figure 11
Figur 11: Resultater af retningsbestemt gradientekstraktion af konkrete prøvebilleder i forskellige vibrationstilstande med en blokstørrelse på 512 pixels. Gradientfunktionen resulterer i tre slags vibrationstilstandsretning, når blokstørrelsen er 512 pixels. (A) Ikke-vibreret beton, (B) vibrerende beton, (C) vibreret beton. Klik her for at se en større version af denne figur.

Figure 12
Figur 12: Statistisk interval, nummergenkendelsesnøjagtighedsforhold, retningsbestemt gradient. Indflydelsen af retningsbestemt gradient statistisk interval number på genkendelsesnøjagtigheden af SVM Klik her for at se en større version af denne figur.

Figure 13
Figur 13: Beregningsresultater af retningsgradientkarakteristika for antallet af forskellige statistiske retningsgradientintervaller. Resultaterne af prøvens retningsgradientegenskaber opnås, når der fastsættes forskellige statistiske intervaller for retningsgradient. A) 6 statistiske intervaller for retningsgradienter, (B) 9 statistiske intervaller for retningsgradienter, (C) 12 statistiske intervaller for retningsgradienter, (D) 15 statistiske intervaller for retningsgradienter. Klik her for at se en større version af denne figur.

Tabel 1: SVM-identifikation testfaktor niveau. Indflydelsen af beregningsparametrene for retningsgradientfunktionsvektoren på nøjagtigheden af SVM for at identificere betonvibrationstilstanden analyseres. Klik her for at downloade denne tabel.

Tabel 2: Testresultater for analyse af retningsgradienthistogramparametre. Baseret på testskemaet i tabel 1 opnås resultaterne for genkendelsesnøjagtighed. Klik her for at downloade denne tabel.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Dette papir bruger støttevektormaskinen (SVM) til at lære billedfunktionerne i forskellige konkrete vibrationstilstandsprøver. Baseret på maskinlæringsresultaterne foreslås en konkret metode til genkendelse af vibrationstilstand baseret på billedgenkendelse. For at forbedre genkendelsesnøjagtigheden er det afgørende at kontrollere parametrene for de tre nøgletrin: billedsegmentering, billedbinarisering og retningsbestemt gradientegenværdiekstraktion. Ifølge testresultaterne anvendes en mindre binariseringstærskel til at forbehandle det konkrete prøvebillede, og billedsegmenteringsblokstørrelsen på 128 pixels x 128 pixels udnyttes. Antallet af retningsbestemte forløb for statistiske vinkelintervaller er indstillet til 12. I billedeksempelsættet med 1024 opløsninger opnås den bedste genkendelsesnøjagtighed for resultater til maskinel indlæring.

På grund af de betydelige variationer i miljøet på tværs af forskellige byggepladser har denne metode en nøjagtighedsjusteringsmekanisme. Når genkendelsesnøjagtigheden ikke opfylder kravene, kan de tre nøgleparametre, der er nævnt ovenfor, udvides eller reduceres som en levedygtig løsning, hvilket effektivt mindsker genkendelsesnøjagtighedsfejl forårsaget af miljøændringer. Det er vigtigt at bemærke, at denne metode er stærkt afhængig af arbejdsfladens belysningsforhold. Optagelse af billeder under dårlige belysningsforhold kan føre til et fald i genkendelsesnøjagtigheden. For at reducere afhængigheden af belysningsforhold er algoritmer til billedforbedring med lav belysning blevet undersøgt30, men de øger genkendelsestiden og hardwarekravene betydeligt. I øjeblikket sikrer ingen effektiv teknologi både lav belysningsgenkendelsesnøjagtighed og genkendelseseffektivitet. Denne metode bruger histogrammet for orienteret gradientteknologi til at karakterisere egenskaberne ved betonvibrationstilstanden, herunder overfladekollaps, cementgylle, der flyder og bobler i processen med betonvibrationer. Sammenlignet med eksisterende teknologier reducerer denne tilgang betydeligt antallet af krævede prøver og sænker kravene til computerens ydeevne. Med en bærbar computer udstyret med en 2,30 GHz CPU fuldender genkendelsesprocessen SVM's differentiering af træningspladsen på kun 15 sekunder. Når udtrækningsparametre er indstillet korrekt, forbedres genkendelsesnøjagtigheden også31.

I fremtiden kan denne protokol bruges til at styre vibrationsdriften af byggerobotten, hvilket giver mulighed for rettidig ophør af driften, når betonen når det ønskede vibrationsniveau, hvorved kvalitetsproblemer forårsaget af utilstrækkelig vibration undgås. Derudover kan metoden tilpasses til at ændre robotoperationer baseret på teksturegenskaber på byggepladsen, såsom strukturel fladhedsdetektering, fjernelse af arbejdsfladeslam og andre relaterede processer.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har intet at afsløre.

Acknowledgments

Vi takker Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) for at finansiere dette arbejde.

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

Engineering udgave 203
Billedgenkendelse og parameteranalyse af betonvibrationstilstand baseret på støttevektormaskine
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