Waiting
Login processing...

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

Engineering

Reconnaissance d’images et analyse des paramètres de l’état vibratoire du béton sur la base d’une machine à vecteurs de support

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

Le protocole décrit dans cet article utilise la technique de l’histogramme à gradient directionnel pour extraire les caractéristiques d’échantillons d’images concrètes dans divers états vibratoires. Il utilise une machine à vecteur de support pour l’apprentissage automatique, ce qui donne lieu à une méthode de reconnaissance d’image avec des exigences minimales en matière d’échantillons d’apprentissage et de faibles exigences en matière de performances informatiques.

Abstract

Dans cet article, la technologie de l’histogramme à gradient directionnel est utilisée pour extraire les caractéristiques d’échantillons d’images concrètes capturés dans différents états de vibration. La machine à vecteurs de support (SVM) est utilisée pour apprendre la relation entre les caractéristiques de l’image et l’état de vibration. Les résultats de l’apprentissage automatique sont ensuite utilisés pour évaluer la faisabilité de l’état vibratoire du béton. Simultanément, le mécanisme d’influence des paramètres de calcul de l’histogramme de gradient directionnel sur la précision de reconnaissance est analysé. Les résultats démontrent la faisabilité de l’utilisation de la technologie d’histogramme à gradient directionnel et de SVM pour identifier l’état vibratoire du béton. La précision de la reconnaissance augmente d’abord, puis diminue à mesure que la taille du bloc du gradient directionnel ou le nombre d’intervalles statistiques augmente. La précision de reconnaissance diminue également linéairement avec l’augmentation du seuil de binarisation. En utilisant des exemples d’images d’une résolution de 1024 pixels x 1024 pixels et en optimisant les paramètres d’extraction des caractéristiques, il est possible d’obtenir une précision de reconnaissance de 100 %.

Introduction

Le béton est un matériau de construction fondamental largement utilisé dans l’industrie de la construction. Lors du pompage, le béton développe fréquemment des vides qui nécessitent un compactage par vibration. Des vibrations inadéquates peuvent entraîner une surface en béton alvéolé, tandis qu’une vibration excessive peut entraîner une ségrégation du béton 1,2. La qualité du fonctionnement des vibrations a un impact significatif sur la résistance 3,4,5,6 et la durabilité des structures en béton coffré 7,8. Cai et al.9,10 ont mené une étude combinant la recherche expérimentale avec l’analyse numérique pour étudier le mécanisme d’influence des vibrations sur le tassement des agrégats et la durabilité du béton. Les résultats ont révélé que le temps de vibration et les particules d’agrégats exercent un impact substantiel sur le tassement des agrégats, tandis que la densité des agrégats et la viscosité plastique du matériau à base de ciment ont des effets minimes. Les vibrations provoquent le dépôt d’agrégats au fond des éprouvettes de béton. De plus, à mesure que le temps de vibration augmente, la concentration en ions chlorure diminue au bas des éprouvettes de béton tout en augmentant significativement au sommet 9,10.

À l’heure actuelle, l’évaluation de l’état vibratoire du béton repose principalement sur le jugement manuel. Alors que l’industrie de la construction continue de progresser grâce à des réformes intelligentes, les opérations robotisées sont apparues comme l’orientation future11,12. Par conséquent, l’un des défis cruciaux des opérations vibratoires intelligentes est de savoir comment permettre aux robots d’identifier l’état vibratoire du béton.

L’histogramme du dégradé orienté est une technique qui utilise le gradient d’intensité des pixels ou la distribution des directions des bords comme descripteur pour caractériser la représentation et la forme des objets dans les images13,14. Cette approche fonctionne sur les cellules de grille locales de l’image, offrant une stabilité robuste dans la caractérisation des changements d’image dans diverses conditions géométriques et optiques.

Zhou et al.15 ont proposé une méthode permettant d’extraire directement des caractéristiques de gradient directionnel à partir d’images en mode Bayer. Cette approche omet de nombreuses étapes dans le calcul du gradient directionnel en faisant correspondre la colonne de filtre de couleur avec l’opérateur de dégradé, ce qui réduit considérablement les exigences de calcul pour la reconnaissance d’image de gradient directionnel. He et al.16 ont utilisé l’histogramme du gradient directionnel comme caractéristique sous-jacente et ont utilisé l’algorithme de regroupement moyen pour classer les attaches de rail et déterminer si les attaches sont défectueuses. Les résultats de la reconnaissance ont indiqué que l’histogramme de l’élément de gradient orienté présentait une grande sensibilité aux défauts des fixations, ce qui répondait aux besoins de l’entretien et de la réparation des voies ferrées. Dans une autre étude, Xu et al.17 ont prétraité les caractéristiques de l’image faciale à l’aide du filtrage par ondelettes de Gabor et ont réduit la dimension des vecteurs de caractéristiques grâce au codage binaire et à l’algorithme HOG. La précision moyenne de reconnaissance de la méthode est de 92,5 %.

La machine à vecteurs de support (SVM)18 est utilisée pour cartographier le vecteur dans un espace de grande dimension et établit un hyperplan de séparation avec une direction appropriée pour maximiser la distance entre deux hyperplans parallèles. Cela permet de classer les vecteurs de support19. Les chercheurs ont amélioré et optimisé cette technologie de classification, ce qui a conduit à son application dans divers domaines tels que la reconnaissance d’images20,21, la classification de texte22, la prédiction de fiabilité23 et le diagnostic de pannes24.

Li et al.25 ont mis au point un modèle SVM en deux étapes pour la reconnaissance des modèles de défaillance sismique, en se concentrant sur trois modes de défaillance sismique. Les résultats de l’analyse indiquent que la méthode SVM en deux étapes proposée peut atteindre une précision de plus de 90 % pour les trois modes de défaillance. Yang et al.26 ont intégré un algorithme d’optimisation avec le SVM pour simuler la relation entre les cinq paramètres ultrasonores et la contrainte du béton chargé. Les performances d’une SVM non optimisée ne sont pas satisfaisantes, en particulier dans la phase de faible contrainte. Cependant, la traversée du modèle optimisé par l’algorithme donne de meilleurs résultats, bien qu’avec des temps de calcul longs. En comparaison, la SVM optimisée pour l’optimisation de l’essaim de particules réduit considérablement le temps de calcul tout en fournissant des résultats de simulation optimaux. Yan et al.27 ont utilisé la technologie SVM et ont introduit une fonction de perte insensible à la précision pour prédire le module d’élasticité du béton à haute résistance, en comparant sa précision de prédiction au modèle de régression traditionnel et au modèle de réseau neuronal. Les résultats de la recherche démontrent que la technologie SVM produit une erreur de prédiction plus faible pour le module élastique par rapport à d’autres méthodes.

Cet article recueille des échantillons d’images de béton sous différents états vibratoires et décrit les différents états du béton à l’aide de la technique de l’histogramme de gradient directionnel. Le gradient directionnel est utilisé comme vecteur de caractéristiques pour l’entraînement de la SVM, et l’étude se concentre sur la viabilité de l’utilisation de la technologie d’histogramme de gradient directionnel et de SVM pour identifier l’état vibratoire du béton. De plus, l’article analyse le mécanisme d’influence entre trois paramètres clés - le seuil de binarisation, la taille du bloc statistique du gradient directionnel et le nombre d’intervalle statistique du gradient directionnel - dans le processus d’extraction des caractéristiques de l’histogramme de gradient directionnel et la précision de reconnaissance de la SVM.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Acquisition d’images d’échantillons concrets

  1. Transporter le béton jusqu’au lieu de travail, où il sera coulé par le camion-pompe.
  2. Pour capturer des images, allumez l’équipement de prise de vue en déplaçant l’interrupteur de la touche d’alimentation vers la droite et en le tournant sur la position ON . Réglez le bouton de mode de l’appareil photo sur le mode automatique vert, en vous assurant que l’objectif de l’appareil photo est parallèle à la surface en béton, puis appuyez sur la touche de l’obturateur. Capturez 20 échantillons d’images de béton non vibré, en les enregistrant dans .jpg format avec une résolution d’acquisition de 1024 x 1024 pixels, comme illustré à la figure 1.
  3. Insérez la partie vibrante de l’équipement de vibration du béton (tige vibrante à béton enfichable) dans le béton. Branchez l’alimentation électrique, puis allumez l’équipement de vibration du béton en le réglant sur la position ON .
  4. Lorsqu’il y a un effondrement à la surface du béton (causé par les vibrations évacuant l’air à l’intérieur du béton, entraînant l’enfoncement des agrégats de surface pour remplir les espaces, entraînant un effondrement du béton) et qu’une boue de ciment apparaît, gardez l’objectif de la caméra parallèle à la surface du béton et appuyez sur la touche de l’obturateur. Prélever 20 échantillons d’images de béton vibrant, comme le montre la figure 2.
  5. Continuez à utiliser l’équipement de vibration. Lorsqu’il n’y a pas d’effondrement évident sur la surface du béton, qu’aucune boue de ciment n’apparaît et qu’aucune bulle n’est générée, arrêtez le processus de vibration et capturez 20 échantillons d’images de béton vibré, comme le montre la figure 3.

2. Exemple de binarisation des gris de l’image

  1. Utilisez la fonction imread() du logiciel MATLAB pour lire le fichier .jpg sous la forme de données au format unitaire de 1024 pixels x 1024 pixels x 3 canaux de couleur, représentant les valeurs de canal rouge, vert et bleu de l’image.
  2. Ensuite, appliquez la fonction MATLAB rgb2gray pour convertir l’image en niveaux de gris, indiquée par la valeur de format gris = rgb2gray(nom du fichier jpg). Calculez la valeur de gris de chaque pixel conformément à l’équation (1) et enregistrez la valeur de gris sous la forme de données au format unit8 de 1024 x 1024.
    GR(i,j) = 0,2989R(i,j) + 0,587G(i,j) + 0,114B(i,j) (1)
    où, GR(i,j) est la valeur de gris du point de pixel, R(i,j) est la valeur de canal rouge du point de pixel, G(i,j) est la valeur de canal vert du point de pixel et B(i,j) est la valeur de canal bleu du point de pixel.
  3. Modifiez la valeur binaire des valeurs de gris supérieures au seuil de pixel θ sur 1 et définissez la valeur binaire des valeurs de gris inférieures au pixel θ sur 0.
  4. Après avoir obtenu les résultats en gris binarisé, enregistrez le résultat sous forme de données au format logique 1024 x 1024. Dans ce cas, θ représente le seuil de binarisation, et ses valeurs sont 50, 100, 150 et 200 pour différents exemples d’images de béton à état vibratoire, comme illustré dans les figures 5, 6 et 7.

3. Calcul de la valeur propre du gradient directionnel

  1. Calculez le gradient binaire horizontal et vertical de chaque pixel de l’image à l’aide de l’équation suivante28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    où Th est le dégradé binarisé horizontal, Tp est le dégradé binarisé vertical, R est les données de format logique binarisé, x est le numéro de ligne de la matrice binarisée et y est le numéro de colonne de la matrice binarisée.
  2. Calculez la direction et la taille du gradient binaire de chaque point à l’aide de l’équation suivante29
    Equation 1
    où T est la taille du gradient binaire, αT est la direction du gradient binaire, Th est le gradient binaire horizontal et Tp est le gradient binaire vertical.
  3. Déterminez la taille du bloc de segmentation d’image, notée n, où la valeur de n est [ 1,9]. Définissez la ligne de segmentation pour chaque n pixel dans la direction y le long de la direction x, divisant ainsi l’image en n x n blocs carrés en fonction de la position de la ligne de segmentation. Toutes les parties de l’image qui ne peuvent pas former de blocs carrés complets sont alors supprimées.
  4. Partitionnez la direction du gradient binaire αT (la valeur de la direction du gradient binaire αT est [ 0°, 360°]) en m parties, ce qui donne m intervalles d’angle statistique de gradient directionnel. Procédez au calcul de la valeur statistique de gradient pour l’intervalle d’angle statistique de gradient de chaque bloc.
    1. En fonction de la direction du dégradé binaire de chaque pixel du bloc, classez les pixels dans l’intervalle d’angle statistique de dégradé approprié de chaque direction.
    2. Additionnez le gradient binaire des pixels dans l’intervalle d’angle statistique de dégradé de chaque direction dans le sens inverse des aiguilles d’une montre pour obtenir la valeur statistique de gradient de cet intervalle. Les résultats obtenus pour les statistiques de gradient de gradient de gradient d’intervalle d’angle sont illustrés à la figure 8, à la figure 9 et à la figure 10 pour des tailles de bloc n égales à 8, 128 et 512, respectivement.

4. Construction d’un vecteur de caractéristiques de gradient directionnel

  1. Divisez les échantillons en zones de calcul requises, où chaque zone de calcul se compose de quatre blocs adjacents en fonction des résultats des blocs obtenus à l’étape 3.3. Par exemple, si l’on considère une résolution de 16 x 16 pixels et une taille de bloc de 4 x 4, l’image est divisée en (16 / 4-1) x ( 16 / 4-1 ) = 9 zones de calcul.
  2. Calculez la valeur statistique du gradient directionnel dans l’intervalle d’angle des statistiques de gradient de chaque bloc de la zone de calcul. Par la suite, obtenez le vecteur d’entités avec les statistiques de gradient directionnel comme composant.
  3. Combinez les vecteurs d’entités de gradient directionnel de chaque zone de calcul pour obtenir le vecteur d’entité de dégradé directionnel de l’image.

5. Formation SVM

  1. Sélectionnez au hasard 42 échantillons parmi les trois états de vibration pour créer le groupe d’entraînement, en laissant les 18 échantillons restants comme groupe de test.
  2. Utiliser la fonction fitcecoc de MATLAB pour la formation SVM ; Le format est le suivant :
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    où SVM est la machine à vecteur de support à entraîner, trainingFeatures est le vecteur de caractéristiques de gradient directionnel d’image du groupe d’entraînement et Trainingeigenvalue est la valeur caractéristique de l’état de vibration du groupe d’entraînement. Les valeurs caractéristiques de l’état vibratoire des échantillons de béton non vibré, de béton vibrant et de béton vibré sont respectivement de 1, 2 et 3.
  3. Enregistrez la SVM entraînée à l’aide de la fonction Enregistrer au format .mat.

6. Vérification de la précision de la reconnaissance SVM

  1. À l’aide de la fonction de prédiction de MATLAB, saisissez le vecteur de caractéristique de gradient directionnel de l’image de l’échantillon de groupe de test dans la SVM entraînée afin d’obtenir la valeur calculée de la caractéristique d’état de vibration pour chaque échantillon de test. Le format est le suivant :
    testgroupcalculateseigenvalues = prédire (SVM, testFeature)
    où testgroupcalculateseigenvalues est la valeur calculée de la fonction d’état de vibration, et SVM est la machine à vecteurs de support entraînée à l’étape 5. testFeature est le vecteur d’entité de gradient directionnel de l’exemple d’image du groupe de test.
  2. Déterminez les résultats de la reconnaissance de l’échantillon de l’ensemble de tests en introduisant l’ensemble de tests dans la SVM formée. Comptez le nombre d’échantillons pour lesquels les résultats de reconnaissance de l’ensemble de tests correspondent à l’état réel, puis calculez la précision de la reconnaissance en divisant le nombre d’échantillons corrects par le nombre total d’échantillons de l’ensemble de tests.
    1. Si la précision de la reconnaissance du test est supérieure à 94 %, considérez la reconnaissance SVM comme efficace. S’il est inférieur à 94 %, revenez à l’étape 1.1 et ajustez le seuil de binarisation, la taille de bloc n et le nombre d’intervalles statistiques de gradient directionnel m.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Ce protocole a pour but d’analyser comment les paramètres de calcul à trois vecteurs de la caractéristique de gradient directionnel affectent la précision de la SVM dans l’identification de l’état vibratoire du béton. Les principaux paramètres de calcul du vecteur d’entités de gradient directionnel incluent la taille du bloc statistique de gradient directionnel, le nombre d’intervalles d’angle statistique de gradient directionnel et le seuil de gris binaire. Cette section utilise trois paramètres de calcul principaux comme variables pour concevoir l’essai. Les niveaux des paramètres d’essai sont détaillés dans le tableau 1. Au total, 100 tests ont été effectués sur des échantillons d’images concrètes d’une résolution de 1024 x 1024 pixels. Les résultats des essais correspondant aux paramètres décrits dans le tableau 1 sont présentés dans le tableau 2.

Analyse de différents résultats de reconnaissance de seuil-SVM de gris binaire
Le tableau 2 affiche la précision de reconnaissance moyenne de la SVM pour différents seuils de binarisation, et la relation entre le seuil de binarisation et la précision de reconnaissance est visualisée à la figure 4. Lorsque la taille du bloc et le nombre d’intervalles statistiques sont fixes, la précision de reconnaissance de la SVM présente généralement une tendance à la baisse avec une augmentation du seuil de binarisation. Notamment, la précision de la reconnaissance diminue considérablement lorsque le seuil de binarisation se situe entre 100 et 150. Une enquête plus approfondie est nécessaire pour comprendre les raisons de ce phénomène et son impact sur le calcul de la division SVM.

Dans cette section, conformément à la méthode décrite à l’étape 2.1 et au plan expérimental décrit à l’étape 3.1, les échantillons d’images de béton non vibré, de béton vibrant et de béton vibré sont binarisés. Les seuils de gris binarisé utilisés sont 50, 100, 150, 200 et 250, ce qui permet d’obtenir des images grises binarisées pour chaque état, comme illustré à la Figure 5, à la Figure 6 et à la Figure 7.

Comme l’illustre la figure 5, à mesure que le seuil de binarisation diminue, la zone blanche dans l’image binaire de l’échantillon d’image en béton non vibré diminue considérablement. À un seuil de binarisation de 250, l’image binaire semble être d’un noir pur. Dans la figure 6, la tendance changeante de l’image grise binaire de l’échantillon d’image de béton vibrant avec le seuil de binarisation est similaire à celle de l’échantillon de béton non vibré, mais la réduction de la zone blanche est plus prononcée dans l’échantillon d’image de béton vibrant. De plus, la figure 7 illustre la combinaison de la partie noire et des zones blanches, reflétant les caractéristiques de texture de surface du béton dans différents états vibratoires. L’image grise binaire du béton vibré diminue également avec la diminution du seuil de binarisation. Par exemple, lorsque le seuil de binarisation est fixé à 50 et 100, l’image grise binaire du béton vibré a tendance à être blanche. À un seuil de 150, il apparaît similaire aux deux autres états, mais lorsque le seuil dépasse 150, l’image binaire a tendance à être noire. Notamment, lorsque le seuil de binarisation est compris entre 100 et 150, des changements significatifs se produisent dans les caractéristiques de l’image binaire.

L’extraction vectorielle de caractéristiques dans cet article repose sur le gradient directionnel des échantillons d’images. L’augmentation du seuil de binarisation de 50 à 100 réduit la surface de contact entre les pixels blancs et noirs. Cette réduction a un impact sur les statistiques du gradient directionnel des pixels, car elle dépend du changement de valeur des pixels entre chaque pixel. Une surface de contact plus grande entraîne moins de 0 composants dans le vecteur de caractéristiques SVM, ce qui rend la représentation des caractéristiques de l’état vibratoire du béton plus complète. La modification de la précision de reconnaissance avec le seuil de binarisation est principalement due à la modification du nombre de composantes 0 dans le vecteur de caractéristiques de gradient directionnel. De plus, lorsque le seuil de binarisation est augmenté de 150 à 250, la zone blanche de l’échantillon d’image binaire est considérablement réduite. Par conséquent, la précision de reconnaissance correspondante est également considérablement diminuée, ce qui renforce encore cette règle.

Différents résultats de reconnaissance de la taille de bloc statistique à gradient directionnel - SVM
Dans cette section, la précision statistique de l’identification de la taille des blocs des statistiques de gradient dans différentes directions, telle que présentée dans le tableau 2, est calculée. Par la suite, la valeur moyenne de la précision statistique de l’identification de la taille des blocs des statistiques de gradient dans chaque direction est calculée. Les résultats sont illustrés à la figure 8.

La figure 8 montre la relation entre la reconnaissance de la SVM pour les échantillons d’images concrètes de résolution 1024 et la taille statistique des blocs du gradient directionnel. Cette relation peut être exprimée par l’équation (2).

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

Le vecteur de caractéristiques de l’échantillon d’image est calculé à l’aide de la méthode de balayage de bloc20. Par ailleurs, lorsque le bloc est petit, le vecteur caractéristique caractérise la spécificité locale de l’image binaire. Il en résulte des images d’échantillons concrets de différents états vibratoires ayant une spécificité locale similaire, conduisant à un nombre significatif de composants 0 dans le vecteur de caractéristiques. Par conséquent, ce nombre élevé de composants 0 provoque des interférences substantielles dans la division SVM, ce qui entraîne une réduction de la précision de reconnaissance, en particulier pour les images de 1024 pixels avec une taille de bloc de 8 pixels.

Au fur et à mesure que la taille du bloc augmente, la spécificité locale reflétée par le vecteur de caractéristiques diminue progressivement, et le vecteur de caractéristiques caractérise la spécificité régionale de l’échantillon d’image, comme illustré à la figure 10. Par conséquent, le nombre de composantes 0 dans le vecteur de caractéristiques diminue, ce qui entraîne moins d’interférences pendant le processus de division de la SVM. Ainsi, la précision de reconnaissance de la SVM s’améliore.

Toutefois, lorsque la taille du bloc est encore augmentée, supérieure à 32 pixels, le nombre de composants 0 dans le vecteur d’entités continue de diminuer. Mais cela conduit également à une réduction de la dimension du vecteur de caractéristiques de l’ensemble d’apprentissage de la SVM. À ce stade, l’impact sur la précision de reconnaissance de la SVM provient principalement de l’absence de dimensions des caractéristiques. Néanmoins, le vecteur caractéristique parvient toujours à capturer un certain degré de spécificité dans l’image concrète. Comme l’illustre la figure 11, lorsque la taille du bloc est augmentée dans une certaine mesure, les caractéristiques de gradient directionnel dans chaque bloc d’échantillons d’images en béton avec des états de vibration différents présentent encore des différences significatives. Cette observation explique pourquoi la précision de la reconnaissance diminue lorsque la taille du bloc devient excessivement grande, bien que la diminution soit relativement faible.

Résultats de la reconnaissance du nombre d’intervalles d’angle statistique du gradient directionnel - SVM
Dans cette section, la précision de reconnaissance du nombre d’intervalles statistiques de gradients directionnels présentés dans le tableau 2 est calculée. Par la suite, la précision moyenne de reconnaissance du nombre d’intervalles statistiques de gradients directionnels est calculée. Les résultats sont illustrés à la figure 12.

D’après la figure 12, il est évident qu’à mesure que le nombre d’intervalles statistiques de gradient directionnel augmente, la précision de reconnaissance de la SVM pour l’état vibratoire du béton augmente d’abord, puis diminue. Cette relation peut être exprimée par l’équation (3)

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

Le mécanisme d’influence entre le nombre d’intervalles statistiques de direction du gradient et la précision de la reconnaissance est dû à la modification des paramètres d’extraction des caractéristiques de l’image. Cela entraîne un changement dans la capacité de caractérisation spécifique des vecteurs de caractéristiques pour les échantillons d’images. Dans cette section, une partie des échantillons d’images de béton modérément vibré est interceptée. Les résultats de calcul des caractéristiques de gradient directionnel sont obtenus lorsque la taille de la grille est de 4 et que le nombre d’intervalles statistiques de gradient directionnel est défini sur 6, 9, 12 et 15, comme illustré à la figure 13.

Comme le montre la figure 13A,B, lorsque le nombre d’intervalles statistiques de gradient directionnel est défini sur 6, la taille de chaque intervalle est de 60°. Étant donné que la taille du bloc de calcul est de 4x4, il y a 16 pixels dans chaque bloc. Avec des tailles d’intervalle plus grandes, le gradient directionnel de plusieurs pixels se situe dans un seul intervalle. Cela conduit à une augmentation du nombre de composants 0 dans le vecteur de caractéristiques des échantillons d’image lorsque la taille de l’intervalle est plus grande. Par conséquent, cela affecte les résultats d’entraînement et la précision de reconnaissance de la SVM. Cependant, lorsque le nombre d’intervalles statistiques de gradients directionnels est de 9, la division angulaire devient plus fine, ce qui entraîne une réduction des situations où il n’y a pas de pixels dans un intervalle. Par conséquent, le nombre de composantes 0 dans le vecteur de caractéristiques des échantillons d’images est également réduit, ce qui améliore la capacité de représentation spécifique à l’image du vecteur de caractéristiques. Toutefois, lors de la comparaison avec la Figure 13C et la Figure 13D, lorsque le nombre d’intervalles statistiques de gradient directionnel augmente de 12 à 15, le nombre de pixels avec 0 dans l’intervalle des résultats de calcul de l’entité de gradient directionnel augmente. Par conséquent, la capacité du vecteur de caractéristiques à caractériser la spécificité de l’exemple d’image diminue. Cette réduction de la capacité de caractérisation est attribuée à la diminution supplémentaire de la taille de l’intervalle statistique du gradient directionnel. Plus précisément, l’intervalle avec un seul pixel est maintenant divisé en deux intervalles : l’un avec un seul pixel et l’autre sous forme d’intervalle vide. Par conséquent, l’augmentation du nombre d’intervalles vides conduit à un plus grand nombre de composantes 0 dans le vecteur de caractéristiques, ce qui entraîne finalement une diminution de la précision de la reconnaissance.

Figure 1
Figure 1 : Image d’un béton non vibré. Images de béton pompé prises sans opération de vibration. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2
Figure 2 : Image d’un béton vibrant. Echantillons d’images dans le cadre d’une opération de vibration du béton de pompage. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3
Figure 3 : Image d’un échantillon de béton vibré. Échantillons d’images lorsque l’opération de vibration du béton de pompage est terminée. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4
Figure 4 : Relation entre le seuil de binarisation et la précision de la reconnaissance. L’influence du seuil de binarisation sur la précision de reconnaissance de la SVM. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 5
Figure 5 : Image binaire en niveaux de gris d’un béton non vibré. Résultats du traitement de binarisation des images de béton non vibré lorsque différents seuils de binarisation sont définis. (A) Seuil de binarisation à 50. (B) Seuil de binarisation à 100. (C) Seuil de binarisation à 150. (D) Seuil de binarisation à 200. (E) Seuil de binarisation à 250. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 6
Figure 6 : Image binaire en niveaux de gris d’un béton vibrant. Le traitement de binarisation résulte d’images de béton vibrant lorsque différents seuils de binarisation sont définis. (A) Seuil de binarisation à 50. (B) Seuil de binarisation à 100. (C) Le seuil de binarisation à 150. (D) Seuil de binarisation à 200. (E) Seuil de binarisation à 250. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 7
Figure 7 : Image binaire en niveaux de gris du béton vibré. Les résultats du traitement de binarisation de l’image en béton vibré lorsque différents seuils de binarisation sont définis. (A) Seuil de binarisation à 50. (B) Seuil de binarisation à 100. (C) Seuil de binarisation à 150. (D) Seuil de binarisation à 200. (E) Seuil de binarisation à 250. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 8
Figure 8 : Diagramme statistique de précision de la reconnaissance de la taille des blocs à gradient directionnel. L’influence de la taille du bloc statistique de gradient directionnel sur la précision de reconnaissance de la SVM. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 9
Figure 9 : Diagramme schématique des résultats de l’extraction d’entités de gradient directionnel de taille de bloc de 8 pixels. La fonction de dégradé génère trois types de direction de l’état de vibration lorsque la taille du bloc est de 8 pixels. (A) Béton non vibré, (B) Béton vibrant, (C) Béton vibré. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 10
Figure 10 : Diagramme schématique des résultats de l’extraction des caractéristiques de gradient directionnel de taille de bloc de 128 pixels. La fonction de dégradé génère trois types de direction de l’état de vibration lorsque la taille du bloc est de 128 pixels. (A) Béton non vibré, (B) Béton vibrant, (C) Béton vibré. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 11
Figure 11 : Résultats de l’extraction par gradient directionnel d’images d’échantillons de béton dans différents états de vibration avec une taille de bloc de 512 pixels. La fonction de dégradé génère trois types de direction de l’état de vibration lorsque la taille du bloc est de 512 pixels. (A) Béton non vibré, (B) Béton vibrant, (C) Béton vibré. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 12
Figure 12 : Relation entre l’intervalle statistique de gradient directionnel et la précision de la reconnaissance des nombres. L’influence du nombre d’intervalles statistiques de gradientdirectionnel sur la précision de reconnaissance de la SVM Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 13
Figure 13 : Résultats du calcul des caractéristiques de gradient directionnel du nombre d’intervalles statistiques de gradient directionnel différents. Les résultats des caractéristiques de gradient directionnel de l’échantillon sont obtenus lorsque différents intervalles statistiques de gradient directionnel sont définis. (A) 6 intervalles statistiques de gradient directionnel, (B) 9 intervalles statistiques de gradient directionnel, (C) 12 intervalles statistiques de gradient directionnel, (D) 15 intervalles statistiques de gradient directionnel. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Tableau 1 : Niveau du facteur de test d’identification SVM. L’influence des paramètres de calcul du vecteur de gradient directionnel sur la précision de la SVM pour identifier l’état vibratoire du béton est analysée. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 2 : Résultats des tests d’analyse des paramètres de l’histogramme de gradient directionnel. Sur la base du schéma d’essai du tableau 1, les résultats de la précision de la reconnaissance sont obtenus. Veuillez cliquer ici pour télécharger ce tableau.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Cet article utilise la machine à vecteurs de support (SVM) pour apprendre les caractéristiques de l’image de divers échantillons d’état vibratoire du béton. Sur la base des résultats de l’apprentissage automatique, une méthode concrète de reconnaissance de l’état vibratoire basée sur la reconnaissance d’images est proposée. Pour améliorer la précision de la reconnaissance, il est crucial de contrôler les paramètres des trois étapes clés : la segmentation de l’image, la binarisation de l’image et l’extraction des valeurs propres du gradient directionnel. Selon les résultats du test, un seuil de binarisation plus petit est utilisé pour prétraiter l’image de l’échantillon concret, et la taille du bloc de segmentation de l’image de 128 pixels x 128 pixels est utilisée. Le nombre de gradients directionnels pour les intervalles d’angle statistiques est défini sur 12. Dans l’ensemble d’échantillons d’images d’une résolution de 1024, la meilleure précision de reconnaissance des résultats d’apprentissage automatique est atteinte.

En raison des variations importantes de l’environnement entre les différents chantiers de construction, cette méthode dispose d’un mécanisme d’ajustement de la précision. Lorsque la précision de la reconnaissance ne répond pas aux exigences, les trois paramètres clés mentionnés ci-dessus peuvent être étendus ou réduits en tant que solution viable, atténuant efficacement les erreurs de précision de reconnaissance causées par les changements environnementaux. Il est important de noter que cette méthode dépend fortement des conditions d’éclairage de la taille de travail. La capture d’images dans des conditions de faible éclairage peut entraîner une diminution de la précision de la reconnaissance. Pour réduire la dépendance aux conditions d’éclairage, des algorithmes d’amélioration de l’image à faible éclairage ont été explorés30, mais ils augmentent considérablement le temps de reconnaissance et les exigences matérielles. À l’heure actuelle, aucune technologie efficace ne garantit à la fois une faible précision de reconnaissance de l’éclairage et une efficacité de reconnaissance. Cette méthode utilise l’histogramme de la technologie du gradient orienté pour caractériser les caractéristiques de l’état de vibration du béton, y compris l’effondrement de la surface, le flottement de la boue de ciment et les bulles dans le processus de vibration du béton. Par rapport aux technologies existantes, cette approche réduit considérablement le nombre d’échantillons requis et diminue les exigences de performance de l’ordinateur. Avec un ordinateur portable équipé d’un processeur de 2,30 GHz, le processus de reconnaissance complète la différenciation de l’espace d’entraînement de la SVM en seulement 15 secondes. Lorsque les paramètres d’extraction sont correctement définis, la précision de la reconnaissance est également améliorée31.

À l’avenir, ce protocole pourra être utilisé pour commander l’opération de vibration du robot de construction, ce qui permettra d’arrêter les opérations en temps opportun lorsque le béton atteint le niveau de vibration souhaité, évitant ainsi les problèmes de qualité causés par des vibrations inadéquates. De plus, la méthode peut être adaptée pour modifier les opérations du robot en fonction des caractéristiques de texture sur le chantier de construction, telles que la détection de la planéité structurelle, l’élimination des boues de taille de travail et d’autres processus connexes.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Nous remercions chaleureusement le projet de recherche scientifique annuel (NO.7) du groupe de construction urbaine de Wuhan 2023 pour le financement de ces travaux.

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

Ingénierie numéro 203
Reconnaissance d’images et analyse des paramètres de l’état vibratoire du béton sur la base d’une machine à vecteurs de support
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