Waiting
Login processing...

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

Engineering

Bilderkennung und Parameteranalyse des Betonschwingungszustandes auf Basis der Support Vector Machine

Published: January 5, 2024 doi: 10.3791/65731
Automatic Translation
1,2, 2, 1, 2, 2
1Wuhan University, 2Wuhan Construction Engineering Group Co. Ltd.

Summary

Das in dieser Arbeit beschriebene Protokoll verwendet die Technik des Richtungsgradientenhistogramms, um die Eigenschaften von Betonbildproben unter verschiedenen Schwingungszuständen zu extrahieren. Es verwendet eine Support-Vektor-Maschine für maschinelles Lernen, was zu einer Bilderkennungsmethode mit minimalen Anforderungen an das Trainingsgebiet und geringen Anforderungen an die Computerleistung führt.

Abstract

In dieser Arbeit wird die Richtungsgradienten-Histogramm-Technologie verwendet, um die Merkmale von Betonbildproben zu extrahieren, die unter verschiedenen Schwingungszuständen aufgenommen wurden. Die Support Vector Machine (SVM) wird verwendet, um die Beziehung zwischen Bildmerkmalen und Schwingungszustand zu lernen. Die Ergebnisse des maschinellen Lernens werden anschließend verwendet, um die Machbarkeit des konkreten Schwingungszustands zu beurteilen. Gleichzeitig wird der Einflussmechanismus der Berechnungsparameter des Richtungsgradientenhistogramms auf die Erkennungsgenauigkeit analysiert. Die Ergebnisse zeigen, dass es möglich ist, die Richtungsgradienten-Histogramm-SVM-Technologie zur Identifizierung des Schwingungszustands von Beton zu verwenden. Die Erkennungsgenauigkeit nimmt zunächst zu und dann ab, wenn die Blockgröße des Richtungsgradienten oder die Anzahl der statistischen Intervalle zunimmt. Auch die Erkennungsgenauigkeit nimmt linear mit zunehmender Binarisierungsschwelle ab. Durch die Verwendung von Beispielbildern mit einer Auflösung von 1024 x 1024 Pixeln und die Optimierung der Merkmalsextraktionsparameter kann eine Erkennungsgenauigkeit von 100% erreicht werden.

Introduction

Beton ist ein grundlegender Baustoff, der in der Bauindustrie weit verbreitet ist. Während des Pumpens bildet der Beton häufig Hohlräume, die durch Vibrationen verdichtet werden müssen. Unzureichende Vibrationen können zu einer wabenförmigen Betonoberfläche führen, während übermäßige Vibrationen zu einer Betonseigerung führen können 1,2. Die Qualität des Vibrationsbetriebs hat einen erheblichen Einfluss auf die Festigkeit 3,4,5,6 und die Dauerhaftigkeit der geformten Betonkonstruktionen 7,8. Cai et al.9,10 führten eine Studie durch, die experimentelle Forschung mit numerischer Analyse kombinierte, um den Einflussmechanismus von Schwingungen auf die Setzung von Gesteinskörnungen und die Dauerhaftigkeit von Beton zu untersuchen. Die Ergebnisse zeigten, dass die Schwingungszeit und die Gesteinskörnungen einen erheblichen Einfluss auf die Setzung der Gesteinskörnung haben, während die Dichte der Gesteinskörnung und die plastische Viskosität des zementbasierten Materials nur minimale Auswirkungen haben. Durch Vibrationen kommt es zu Gesteinskörnungen am Boden der Betonproben. Darüber hinaus nimmt mit zunehmender Schwingungszeit die Chloridionenkonzentration an der Unterseite der Betonproben ab, während sie an der Oberseite deutlich zunimmt 9,10.

Derzeit beruht die Beurteilung des Schwingungszustands von Beton überwiegend auf manueller Beurteilung. Während die Bauindustrie weiterhin intelligente Reformen durchläuft, hat sich der Roboterbetrieb als die zukünftige Richtung herauskristallisiert11,12. Eine entscheidende Herausforderung bei intelligenten Vibrationsoperationen besteht daher darin, Roboter in die Lage zu versetzen, den Schwingungszustand von Beton zu erkennen.

Das Histogramm des orientierten Gradienten ist eine Technik, die den Intensitätsgradienten von Pixeln oder die Verteilung von Kantenrichtungen als Deskriptor verwendet, um die Darstellung und Form von Objekten in den Bildern13, 14 zu charakterisieren. Dieser Ansatz arbeitet mit den lokalen Gitterzellen des Bildes und bietet eine robuste Stabilität bei der Charakterisierung von Bildänderungen unter verschiedenen geometrischen und optischen Bedingungen.

Zhou et al.15 schlugen eine Methode zur direkten Extraktion von Richtungsgradientenmerkmalen aus Bayer-Mode-Bildern vor. Bei diesem Ansatz entfallen zahlreiche Schritte bei der Berechnung des Richtungsgradienten, indem die Farbfilterspalte mit dem Gradientenoperator abgeglichen wird, wodurch der Rechenaufwand für die Bilderkennung des Richtungsgradienten erheblich reduziert wird. Er et al.16 verwendeten das Richtungsgradientenhistogramm als zugrunde liegendes Merkmal und verwendeten den Mittelwert-Clustering-Algorithmus, um Schienenbefestigungen zu klassifizieren und festzustellen, ob die Verbindungselemente defekt sind. Die Erkennungsergebnisse zeigten, dass das Histogramm des orientierten Gradientenmerkmals eine hohe Empfindlichkeit gegenüber Befestigungsfehlern aufwies und den Anforderungen der Eisenbahnwartung und -reparatur entsprach. In einer anderen Studie haben Xu et al.17 Gesichtsbildmerkmale mit Hilfe der Gabor-Wavelet-Filterung vorverarbeitet und die Dimension der Merkmalsvektoren durch binäre Kodierung und den HOG-Algorithmus reduziert. Die durchschnittliche Erkennungsgenauigkeit des Verfahrens liegt bei 92,5 %.

Die Support Vector Machine (SVM)18 wird verwendet, um den Vektor in einen hochdimensionalen Raum abzubilden und eine trennende Hyperebene mit einer geeigneten Richtung zu etablieren, um den Abstand zwischen zwei parallelen Hyperebenen zu maximieren. Dies ermöglicht die Klassifizierung von Stützvektoren19. Wissenschaftler haben diese Klassifikationstechnologie verbessert und optimiert, was zu ihrer Anwendung in verschiedenen Bereichen wie der Bilderkennung20,21, der Textklassifizierung22, der Zuverlässigkeitsvorhersage23 und der Fehlerdiagnose24 geführt hat.

Li et al.25 entwickelten ein zweistufiges SVM-Modell zur Erkennung von seismischen Versagensmustern, das sich auf drei seismische Versagensmodi konzentriert. Die Analyseergebnisse deuten darauf hin, dass die vorgeschlagene zweistufige SVM-Methode eine Genauigkeit von mehr als 90 % für die drei Fehlermodi erreichen kann. Yang et al.26 integrierten einen Optimierungsalgorithmus in das SVM, um die Beziehung zwischen den fünf Ultraschallparametern und der Spannung des belasteten Betons zu simulieren. Die Leistung einer nicht optimierten SVM ist unbefriedigend, insbesondere in der Low-Stress-Phase. Das Durchlaufen des durch den Algorithmus optimierten Modells führt jedoch zu besseren Ergebnissen, wenn auch mit langen Rechenzeiten. Im Vergleich dazu reduziert die für die Partikelschwarmoptimierung optimierte SVM die Rechenzeit erheblich und liefert gleichzeitig optimale Simulationsergebnisse. Yan et al.27 setzten die SVM-Technologie ein und führten eine präzisionsunempfindliche Verlustfunktion ein, um den Elastizitätsmodul von hochfestem Beton vorherzusagen und seine Vorhersagegenauigkeit mit dem traditionellen Regressionsmodell und dem neuronalen Netzwerkmodell zu vergleichen. Die Forschungsergebnisse zeigen, dass die SVM-Technologie im Vergleich zu anderen Methoden einen geringeren Vorhersagefehler für den Elastizitätsmodul erzeugt.

In dieser Arbeit werden Bildproben von Beton unter verschiedenen Schwingungszuständen gesammelt und die verschiedenen Zustände des Betons mit Hilfe der Richtungsgradienten-Histogramm-Technik beschrieben. Der Richtungsgradient wird als Merkmalsvektor für das Training des SVM verwendet, und die Studie konzentriert sich auf die Durchführbarkeit der Verwendung der Richtungsgradienten-Histogramm-SVM-Technologie zur Identifizierung des Schwingungszustands von Beton. Darüber hinaus analysiert die Arbeit den Einflussmechanismus zwischen drei Schlüsselparametern - Binarisierungsschwelle, statistische Blockgröße des Richtungsgradienten und Anzahl des statistischen Intervalls des Richtungsgradienten - im Merkmalsextraktionsprozess des Richtungsgradientenhistogramms und der Erkennungsgenauigkeit der SVM.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Konkrete Beispielbildaufnahme

  1. Transportieren Sie den Beton zum Arbeitsplatz, wo er mit dem Pumpenwagen gegossen wird.
  2. Um Bilder aufzunehmen, schalten Sie die Aufnahmeausrüstung ein, indem Sie den Ein-/Ausschalter nach rechts bewegen und in die Position ON drehen. Stellen Sie den Modusknopf der Kamera auf den grünen Automatikmodus ein, stellen Sie sicher, dass das Kameraobjektiv parallel zur Betonoberfläche ist, und drücken Sie den Auslöser. Erfassen Sie 20 Bildproben von nicht vibriertem Beton und speichern Sie sie im .jpg Format mit einer Aufnahmeauflösung von 1024 x 1024 Pixeln, wie in Abbildung 1 dargestellt.
  3. Setzen Sie den Rüttelteil des Betonrüttelgerätes (steckbare Betonrüttelstange) in den Beton ein. Schließen Sie die Stromversorgung an und schalten Sie dann das Betonvibrationsgerät ein, indem Sie es in die Position ON stellen.
  4. Wenn die Oberfläche des Betons zusammenbricht (verursacht durch die Vibrationen, die Luft in den Beton abgeben, was zum Absinken von Oberflächenzuschlagstoffen führt, um die Lücken zu füllen, was zum Einsturz des Betons führt) und etwas Zementschlamm erscheint, halten Sie das Kameraobjektiv parallel zur Betonoberfläche und drücken Sie den Auslöser. Sammeln Sie 20 Bildproben von vibrierendem Beton, wie in Abbildung 2 dargestellt.
  5. Betreiben Sie das Vibrationsgerät weiter. Wenn es keinen offensichtlichen Kollaps auf der Betonoberfläche gibt, keine Zementschlämme auftritt und keine Blasen entstehen, stoppen Sie den Vibrationsprozess und erfassen Sie 20 Bildproben von Rüttelbeton, wie in Abbildung 3 dargestellt.

2. Beispiel für eine graue Binarisierung des Bildes

  1. Verwenden Sie die Funktion imread() der MATLAB-Software, um die .jpg Datei als Einheitsformatdaten von 1024 Pixel x 1024 Pixel x 3 Farbkanälen zu lesen, die die Rot-, Grün- und Blaukanalwerte des Bildes darstellen.
  2. Wenden Sie als Nächstes die MATLAB-Funktion rgb2gray an, um das Bild in Graustufen zu konvertieren, die durch den Grauwert des Formats = rgb2gray (jpg-Dateiname) gekennzeichnet sind. Berechnen Sie den Grauwert jedes Pixels gemäß Gleichung (1) und speichern Sie den Grauwert als unit8-Formatdaten von 1024 x 1024.
    GR(i,j) = 0,2989R(i,j) + 0,587G(i,j) + 0,114B(i,j) (1)
    Dabei ist GR(i,j) der Grauwert des Pixelpunktes, R(i,j) der Rotkanalwert des Pixelpunktes, G(i,j) der Grünkanalwert des Pixelpunkts und B(i,j) der Blaukanalwert des Pixelpunkts.
  3. Ändern Sie den Binärwert der Grauwerte, die größer als der Pixelschwellenwert θ sind, auf 1 und setzen Sie den Binärwert der Grauwerte kleiner als das θ-Pixel auf 0.
  4. Nachdem Sie die binarisierten grauen Ergebnisse erhalten haben, speichern Sie das Ergebnis als Daten im logischen Format 1024 x 1024. In diesem Fall stellt θ den Binarisierungsschwellenwert dar, und seine Werte sind 50, 100, 150 und 200 für Betonprobenbilder mit unterschiedlichen Schwingzuständen, wie in Abbildung 5, Abbildung 6 und Abbildung 7 dargestellt.

3. Berechnung des Eigenwerts des Richtungsgradienten

  1. Berechnen Sie den horizontalen und vertikalen binären Farbverlauf jedes Pixels im Bild mit der folgenden Gleichung28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    wobei Th der horizontale binarisierte Farbverlauf, Tp der vertikale binarisierte Farbverlauf, R die binarisierten logischen Formatdaten, x die Zeilennummer der binarisierten Matrix und y die Spaltennummer der binarisierten Matrix ist.
  2. Berechnen Sie die binäre Gradientenrichtung und -größe jedes Punktes mit der folgenden Gleichung29
    Equation 1
    wobei T die Größe des binären Farbverlaufs, αT die Richtung des binären Farbverlaufs, Th der horizontale binäre Farbverlauf und Tp der vertikale binäre Farbverlauf ist.
  3. Bestimmen Sie die Größe des Bildsegmentierungsblocks, der als n bezeichnet wird, wobei der Wert von n [ 1,9] ist. Legen Sie die Segmentierungslinie für jedes n Pixel in y-Richtung entlang der x-Richtung fest, wodurch das Bild basierend auf der Position der Segmentierungslinie effektiv in n x n quadratische Blöcke unterteilt wird. Alle Teile des Bildes, die keine vollständigen quadratischen Blöcke bilden können, werden dann entfernt.
  4. Unterteilen Sie die binäre Gradientenrichtung αT (der Wert der binären Gradientenrichtung αT ist [ 0°, 360°]) in m Teile, was zu statistischen Winkelintervallen für m Richtungsgradienten führt. Fahren Sie mit der Berechnung des statistischen Gradientenwerts für das statistische Gradientenwinkelintervall jedes Blocks fort.
    1. Klassifizieren Sie die Pixel basierend auf der binären Verlaufsrichtung jedes Pixels im Block in das entsprechende statistische Gradientenwinkelintervall jeder Richtung.
    2. Summieren Sie den binären Farbverlauf der Pixel im statistischen Gradientenwinkelintervall jeder Richtung gegen den Uhrzeigersinn, um den statistischen Gradientenwert dieses Intervalls zu erhalten. Die erhaltenen Ergebnisse für die gerichtete Gradientenstatistik des statistischen Winkelintervalls sind in Abbildung 8, Abbildung 9 und Abbildung 10 für Blockgrößen n gleich 8, 128 bzw. 512 dargestellt.

4. Konstruieren eines Richtungsgradienten-Feature-Vektors

  1. Unterteilen Sie die Stichproben in erforderliche Berechnungsbereiche, wobei jeder Berechnungsbereich aus vier benachbarten Blöcken besteht, die auf den in Schritt 3.3 erhaltenen Blockergebnissen basieren. Bei einer Auflösung von 16 x 16 Pixeln und einer Blockgröße von 4 x 4 wird das Bild in (16 / 4-1) x ( 16 / 4-1 ) = 9 Berechnungsbereiche unterteilt.
  2. Berechnen Sie den statistischen Wert des Richtungsgradienten innerhalb des Winkelintervalls der Gradientenstatistik jedes Blocks im Berechnungsbereich. Rufen Sie anschließend den Feature-Vektor mit der Richtungsgradientenstatistik als Komponente ab.
  3. Kombinieren Sie die Richtungsverlaufs-Feature-Vektoren aus jedem Berechnungsbereich, um den Richtungsgradienten-Feature-Vektor des Bildes zu erhalten.

5. SVM-Schulung

  1. Wählen Sie nach dem Zufallsprinzip 42 Proben aus den drei Schwingungszuständen aus, um die Trainingsgruppe zu erstellen, und lassen Sie die restlichen 18 Proben als Testgruppe.
  2. Nutzen Sie die fitcecoc-Funktion von MATLAB für das SVM-Training. Das Format ist
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    Dabei ist SVM die zu trainierende Support-Vektor-Maschine, trainingFeatures ist der Richtungsgradienten-Feature-Vektor der Trainingsgruppe und Trainingeigenvalue ist der charakteristische Wert des Vibrationszustands der Trainingsgruppe. Die Kennwerte des Schwingungszustandes der nicht vibrierten Beton-, Vibrationsbeton- und Rüttelbetonproben sind 1, 2 bzw. 3.
  3. Speichern Sie die trainierte SVM mit der Funktion Speichern im .mat-Format.

6. Überprüfung der Genauigkeit der SVM-Erkennung

  1. Geben Sie mithilfe der Vorhersagefunktion von MATLAB den Richtungsgradienten-Feature-Vektor des Musterbildes der Testgruppe in die trainierte SVM ein, um den berechneten Wert des Schwingungszustandsmerkmals für jede Testprobe zu erhalten. Das Format ist wie folgt:
    testgroupcalculateseigenvalues = vorhersagen (SVM, testFeature)
    Dabei ist TestGroupCalculatesEigenValues der berechnete Wert der Schwingungszustandsfunktion und SVM die in Schritt 5 trainierte Support-Vektor-Maschine. testFeature ist der Richtungsgradienten-Feature-Vektor des Beispielbilds der Testgruppe.
  2. Ermitteln Sie die Ergebnisse der Testsatz-Sample-Erkennung, indem Sie den Testsatz in die trainierte SVM einspeisen. Zählen Sie die Anzahl der Stichproben, für die die Testsatzerkennungsergebnisse mit dem tatsächlichen Zustand übereinstimmen, und berechnen Sie dann die Erkennungsgenauigkeit, indem Sie die Anzahl der richtigen Stichproben durch die Gesamtzahl der Testsatzstichproben dividieren.
    1. Wenn die Genauigkeit der Testerkennung höher als 94 % ist, betrachten Sie die SVM-Erkennung als effektiv. Wenn sie kleiner als 94 % ist, kehren Sie zu Schritt 1.1 zurück und passen Sie den Binarisierungsschwellenwert, die Blockgröße n und die Anzahl der gerichteten Gradientenintervalle m an.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Dieses Protokoll zielt darauf ab, zu analysieren, wie sich die Drei-Vektor-Berechnungsparameter des Richtungsgradientenmerkmals auf die Genauigkeit der SVM bei der Identifizierung des Betonschwingungszustands auswirken. Zu den primären Berechnungsparametern des Richtungsgradienten-Feature-Vektors gehören die statistische Blockgröße des Richtungsgradienten, die Anzahl der gerichteten Gradienten-Winkelintervalle und der binäre graue Schwellenwert. In diesem Abschnitt werden drei Hauptberechnungsparameter als Variablen verwendet, um den Test zu entwerfen. Die Stufen der Prüfparameter sind in Tabelle 1 aufgeführt. Insgesamt wurden 100 Versuche an konkreten Bildproben mit einer Auflösung von 1024 x 1024 Pixeln durchgeführt. Die Prüfergebnisse, die den in Tabelle 1 beschriebenen Parametern entsprechen, sind in Tabelle 2 dargestellt.

Analyse verschiedener binärer Grauschwellenwert-SVM-Erkennungsergebnisse
Tabelle 2 zeigt die durchschnittliche Erkennungsgenauigkeit der SVM für verschiedene Binarisierungsschwellenwerte, und die Beziehung zwischen dem Binarisierungsschwellenwert und der Erkennungsgenauigkeit ist in Abbildung 4 visualisiert. Wenn die Blockgröße und die Anzahl der statistischen Intervalle festgelegt sind, zeigt die Erkennungsgenauigkeit der SVM im Allgemeinen einen abnehmenden Trend mit steigender Binarisierungsschwelle. Insbesondere nimmt die Erkennungsgenauigkeit deutlich ab, wenn die Binarisierungsschwelle in den Bereich von 100 bis 150 fällt. Weitere Untersuchungen sind erforderlich, um die Gründe für dieses Phänomen und seine Auswirkungen auf die Divisionsberechnung der SVM zu verstehen.

In diesem Abschnitt werden nach dem in Schritt 2.1 beschriebenen Verfahren und dem in Schritt 3.1 beschriebenen Versuchsaufbau die Bildproben von nicht vibriertem Beton, vibrierendem Beton und gerütteltem Beton binarisiert. Die verwendeten binarisierten Grauschwellenwerte sind 50, 100, 150, 200 und 250, was zu binarisierten grauen Bildern für jeden Zustand führt, wie in Abbildung 5, Abbildung 6 und Abbildung 7 dargestellt.

Wie in Abbildung 5 dargestellt, verringert sich mit abnehmender Binarisierungsschwelle der weiße Bereich im Binärbild der nicht vibrierten Betonbildprobe erheblich. Bei einer Binarisierungsschwelle von 250 erscheint das Binärbild rein schwarz. In Abbildung 6 ist der sich ändernde Trend des binären grauen Bildes der vibrierenden Betonbildprobe mit der Binarisierungsschwelle ähnlich dem der nicht vibrierenden Betonprobe, jedoch ist die Verringerung des weißen Bereichs in der vibrierenden Betonbildprobe ausgeprägter. Darüber hinaus veranschaulicht Abbildung 7 die Kombination des schwarzen Anteils und der weißen Bereiche, die die Oberflächenbeschaffenheit von Beton in verschiedenen Schwingungszuständen widerspiegeln. Das binäre Graubild von Rüttelbeton nimmt ebenfalls mit abnehmender Binarisierungsschwelle ab. Wenn beispielsweise der Binarisierungsschwellenwert auf 50 und 100 eingestellt ist, ist das binäre graue Bild von Rüttelbeton tendenziell weiß. Bei einem Schwellenwert von 150 scheint es den beiden anderen Zuständen ähnlich zu sein, aber wenn der Schwellenwert 150 überschreitet, ist das binäre Bild tendenziell schwarz. Insbesondere wenn der Binarisierungsschwellenwert zwischen 100 und 150 liegt, treten signifikante Änderungen in den binären Bildmerkmalen auf.

Die Merkmalsvektorextraktion in dieser Arbeit beruht auf dem Richtungsgradienten von Bildproben. Wenn Sie den Binarisierungsschwellenwert von 50 auf 100 erhöhen, wird die Kontaktfläche zwischen weißen und schwarzen Pixeln reduziert. Diese Reduzierung wirkt sich auf die Statistik des Richtungsverlaufs der Pixel aus, da sie von der Änderung des Pixelwerts zwischen den einzelnen Pixeln abhängt. Eine größere Kontaktfläche führt zu weniger als 0 Komponenten im SVM-Merkmalsvektor, wodurch die Darstellung der Eigenschaften des konkreten Schwingungszustands umfassender wird. Die Änderung der Erkennungsgenauigkeit mit dem Binarisierungsschwellenwert ist in erster Linie auf die Änderung der Anzahl der 0-Komponenten im Richtungsgradienten-Feature-Vektor zurückzuführen. Wenn die Binarisierungsschwelle von 150 auf 250 angehoben wird, wird der weiße Bereich der binären Bildprobe deutlich reduziert. Folglich ist auch die entsprechende Erkennungsgenauigkeit stark verringert, was diese Regel weiter unterstützt.

Unterschiedliche statistische Blockgrößen mit Richtungsgradienten – SVM-Erkennungsergebnisse
In diesem Abschnitt wird die statistische Blockgrößenidentifikationsgenauigkeit von Gradientenstatistiken in verschiedenen Richtungen, wie in Tabelle 2 dargestellt, berechnet. Anschließend wird der Mittelwert der statistischen Blockgrößenidentifikationsgenauigkeit der Gradientenstatistik in jeder Richtung berechnet. Die Ergebnisse sind in Abbildung 8 dargestellt.

Abbildung 8 zeigt den Zusammenhang zwischen der Erkennung der SVM für konkrete Bildproben mit einer Auflösung von 1024 und der statistischen Blockgröße des Richtungsgradienten. Diese Beziehung kann durch Gleichung (2) ausgedrückt werden.

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

Der Bildbeispiel-Feature-Vektor wird durch das Block-Sweeping-Verfahren20 berechnet. Wenn der Block klein ist, charakterisiert der Merkmalsvektor die lokale Spezifität des binären Bildes. Dies führt zu konkreten Beispielbildern verschiedener Schwingungszustände mit ähnlicher lokaler Spezifität, was zu einer signifikanten Anzahl von 0-Komponenten im Merkmalsvektor führt. Folglich führt diese hohe Anzahl von 0-Komponenten zu erheblichen Interferenzen in der SVM-Abteilung, was zu einer verringerten Erkennungsgenauigkeit führt, insbesondere bei 1024-Pixel-Bildern mit einer Blockgröße von 8 Pixeln.

Mit zunehmender Blockgröße nimmt die lokale Spezifität, die durch den Merkmalsvektor reflektiert wird, allmählich ab, und der Merkmalsvektor charakterisiert die regionale Spezifität der Bildprobe, wie in Abbildung 10 dargestellt. Folglich verringert sich die Anzahl der 0-Komponenten im Merkmalsvektor, was zu weniger Interferenzen während des Teilungsprozesses der SVM führt. Dadurch verbessert sich die Erkennungsgenauigkeit der SVM.

Wenn die Blockgröße jedoch weiter erhöht wird und 32 Pixel überschreitet, nimmt die Anzahl der 0-Komponenten im Merkmalsvektor weiter ab. Es führt aber auch zu einer Verringerung der Dimension des Merkmalsvektors des SVM-Trainingssatzes. Zu diesem Zeitpunkt ergeben sich die Auswirkungen auf die Erkennungsgenauigkeit der SVM hauptsächlich aus dem Fehlen von Merkmalsdimensionen. Nichtsdestotrotz gelingt es dem Merkmalsvektor immer noch, ein gewisses Maß an Spezifität im konkreten Bild einzufangen. Wie in Abbildung 11 dargestellt, weisen die Richtungsgradientenmerkmale in jedem Block von Betonbildproben mit unterschiedlichen Schwingungszuständen immer noch signifikante Unterschiede auf, wenn die Blockgröße bis zu einem gewissen Grad erweitert wird. Diese Beobachtung erklärt, warum die Erkennungsgenauigkeit abnimmt, wenn die Blockgröße übermäßig groß wird, obwohl die Abnahme relativ gering ist.

Statistische Winkelintervall-SVM-Erkennungsergebnisse für den Richtungsgradienten
In diesem Abschnitt wird die Erkennungsgenauigkeit der Anzahl der in Tabelle 2 dargestellten statistischen Richtungsgradientenintervalle berechnet. Anschließend wird die durchschnittliche Erkennungsgenauigkeit der Anzahl der gerichteten Gradientenintervalle berechnet. Die Ergebnisse sind in Abbildung 12 dargestellt.

Aus Abbildung 12 geht hervor, dass mit zunehmender Anzahl der gerichteten gradientenstatistischen Intervalle die Erkennungsgenauigkeit des SVM für den konkreten Schwingungszustand zunächst steigt und dann abnimmt. Diese Beziehung kann durch Gleichung (3) ausgedrückt werden

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

Der Einflussmechanismus zwischen der Anzahl der statistischen Intervalle der Gradientenrichtung und der Erkennungsgenauigkeit ist auf die Änderung der Parameter für die Extraktion von Bildmerkmalen zurückzuführen. Dies führt zu einer Verschiebung der spezifischen Charakterisierungsfähigkeit von Merkmalsvektoren für Bildproben. In diesem Abschnitt wird ein Teil der Bildproben von mäßig vibriertem Beton abgefangen. Die Berechnungsergebnisse der Richtungsgradienteneigenschaften werden erhalten, wenn die Gittergröße 4 beträgt und die Anzahl der gerichteten gradientenstatistischen Intervalle auf 6, 9, 12 und 15 festgelegt ist, wie in Abbildung 13 dargestellt.

Wie in Abbildung 13A,B dargestellt, beträgt die Größe jedes Intervalls 60°, wenn die Anzahl der gerichteten gradienten statistischen Intervalle auf 6 eingestellt ist. Wenn man bedenkt, dass die Größe des Berechnungsblocks 4x4 beträgt, gibt es 16 Pixel in jedem Block. Bei größeren Intervallgrößen fällt der Richtungsverlauf mehrerer Pixel in ein einzelnes Intervall. Dies führt zu einer Erhöhung der Anzahl von 0-Komponenten im Merkmalsvektor von Bildbeispielen, wenn die Intervallgröße größer ist. Folglich wirkt es sich auf die Trainingsergebnisse und die Erkennungsgenauigkeit der SVM aus. Wenn die Anzahl der statistischen Intervalle für Richtungsgradienten jedoch 9 beträgt, wird die Winkelaufteilung verfeinert, was zu einer Verringerung der Situationen führt, in denen innerhalb eines Intervalls keine Pixel vorhanden sind. Folglich wird auch die Anzahl der 0-Komponenten im Merkmalsvektor von Bildbeispielen reduziert, was zu einer verbesserten bildspezifischen Darstellungsfähigkeit des Merkmalsvektors führt. Beim Vergleich mit Abbildung 13C und Abbildung 13D erhöht sich jedoch die Anzahl der Pixel mit 0 im Intervall der Ergebnisse der Berechnung des Richtungsgradienten-Features, wenn die Anzahl der gerichteten gradientenstatistischen Intervalle von 12 auf 15 zunimmt. Infolgedessen nimmt die Fähigkeit des Merkmalsvektors, die Spezifität des Beispielbildes zu charakterisieren, ab. Diese Verringerung der Charakterisierungsfähigkeit wird auf die weitere Abnahme der Größe des gerichteten gradienten statistischen Intervalls zurückgeführt. Konkret wird das Intervall mit nur einem Pixel nun in zwei Intervalle unterteilt: eines mit einem einzelnen Pixel und eines als leeres Intervall. Folglich führt die Erhöhung der Anzahl der leeren Intervalle zu mehr 0-Komponenten im Merkmalsvektor, was letztendlich zu einer Verringerung der Erkennungsgenauigkeit führt.

Figure 1
Abbildung 1: Bild von nicht vibriertem Beton. Pumpbetonbilder, die ohne Vibrationsbetrieb aufgenommen wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 2
Abbildung 2: Bild von Rüttelbeton. Bildproben im Pumpbeton-Vibrationsbetrieb. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 3
Abbildung 3: Bild einer gerüttelten Betonprobe. Bildproben, wenn der Pumpbeton-Vibrationsvorgang abgeschlossen ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 4
Abbildung 4: Beziehung zwischen Binarisierungsschwellenwert und Erkennungsgenauigkeit. Der Einfluss der Binarisierungsschwelle auf die Erkennungsgenauigkeit der SVM. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 5
Abbildung 5: Binäres Graustufenbild von nicht vibriertem Beton. Die Binarisierungsverarbeitung resultiert aus nicht vibrierten Betonbildern, wenn unterschiedliche Binarisierungsschwellen eingestellt werden. (A) Binarisierungsschwelle bei 50. (B) Binarisierungsschwelle bei 100. (C) Binarisierungsschwelle bei 150. (D) Binarisierungsschwelle bei 200. (E) Binarisierungsschwelle bei 250. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 6
Abbildung 6: Binäres Graustufenbild von vibrierendem Beton. Die Binarisierungsverarbeitung resultiert aus vibrierenden Betonbildern, wenn unterschiedliche Binarisierungsschwellen eingestellt werden. (A) Binarisierungsschwelle bei 50. (B) Binarisierungsschwelle bei 100. (C) Die Binarisierungsschwelle liegt bei 150. (D) Binarisierungsschwelle bei 200. (E) Binarisierungsschwelle bei 250. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 7
Abbildung 7: Binäres Graustufenbild von Rüttelbeton. Die Binarisierungsverarbeitung resultiert aus einem vibrierten Betonbild, wenn unterschiedliche Binarisierungsschwellen festgelegt werden. (A) Binarisierungsschwelle bei 50. (B) Binarisierungsschwelle bei 100. (C) Binarisierungsschwelle bei 150. (D) Binarisierungsschwelle bei 200. (E) Binarisierungsschwelle bei 250. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 8
Abbildung 8: Genauigkeitsdiagramm der statistischen Blockgrößenerkennung mit Richtungsgradienten. Der Einfluss der statistischen Blockgröße des Richtungsgradienten auf die Erkennungsgenauigkeit von SVM. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 9
Abbildung 9: Schematische Darstellung der Ergebnisse der Extraktion von Richtungsgradientenmerkmalen mit einer Blockgröße von 8 Pixeln. Die Verlaufsfunktion führt zu drei Arten von Vibrationszustandsrichtungen, wenn die Blockgröße 8 Pixel beträgt. (A) Nicht gerüttelter Beton, (B) Rüttelbeton, (C) Rüttelbeton. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 10
Abbildung 10: Schematische Darstellung der Ergebnisse der Extraktion von Richtungsgradientenmerkmalen mit einer Blockgröße von 128 Pixeln. Die Verlaufsfunktion führt zu drei Arten von Vibrationszustandsrichtungen, wenn die Blockgröße 128 Pixel beträgt. (A) Nicht gerüttelter Beton, (B) Rüttelbeton, (C) Rüttelbeton. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 11
Abbildung 11: Ergebnisse der gerichteten Gradientenextraktion von Betonprobenbildern in verschiedenen Schwingungszuständen mit einer Blockgröße von 512 Pixeln. Die Verlaufsfunktion führt zu drei Arten von Vibrationszustandsrichtungen, wenn die Blockgröße 512 Pixel beträgt. (A) Nicht gerüttelter Beton, (B) Rüttelbeton, (C) Rüttelbeton. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 12
Abbildung 12: Statistische Genauigkeitsbeziehung zwischen gerichtetem Gradientenintervall und Erkennungsgenauigkeit. Der Einfluss der statistischen Intervallzahl des Richtungsgradientenauf die Erkennungsgenauigkeit der SVM Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 13
Abbildung 13: Berechnungsergebnisse der Richtungsgradienteneigenschaften der Anzahl verschiedener gerichteter Gradientenintervalle. Die Ergebnisse der Richtungsgradienteneigenschaften der Probe werden erhalten, wenn verschiedene gerichtete Gradienten-Statistikintervalle eingestellt werden. (A) 6 statistische Intervalle für Richtungsgradienten, (B) 9 statistische Intervalle für gerichtete Gradienten, (C) 12 statistische Intervalle für gerichtete Gradienten, (D) 15 statistische Intervalle für gerichtete Gradienten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Tabelle 1: Stufe des Testfaktors für die SVM-Identifikation. Der Einfluss der Berechnungsparameter des Richtungsgradienten-Merkmalsvektors auf die Genauigkeit der SVM zur Identifizierung des Betonschwingungszustands wird analysiert. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 2: Testergebnisse der Analyse der Parameter des Richtungsgradientenhistogramms. Basierend auf dem Testschema in Tabelle 1 werden die Ergebnisse der Erkennungsgenauigkeit ermittelt. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

In dieser Arbeit wird die Support Vector Machine (SVM) verwendet, um die Bildeigenschaften verschiedener Betonschwingungszustandsproben zu erlernen. Basierend auf den Ergebnissen des maschinellen Lernens wird eine konkrete Methode zur Erkennung von Schwingungszuständen auf Basis von Bilderkennung vorgeschlagen. Um die Erkennungsgenauigkeit zu erhöhen, ist es entscheidend, die Parameter der drei Schlüsselschritte zu kontrollieren: Bildsegmentierung, Bildbinarisierung und Richtungsgradienten-Eigenwertextraktion. Entsprechend den Testergebnissen wird eine kleinere Binarisierungsschwelle verwendet, um das konkrete Beispielbild vorzuverarbeiten, und die Bildsegmentierungsblockgröße von 128 x 128 Pixeln wird verwendet. Die Anzahl der Richtungsgradienten für statistische Winkelintervalle ist auf 12 festgelegt. Im Bildsample-Set mit einer Auflösung von 1024 wird die beste Erkennungsgenauigkeit für die Ergebnisse des maschinellen Lernens erreicht.

Aufgrund der erheblichen Unterschiede in der Umgebung auf verschiedenen Baustellen verfügt diese Methode über einen Mechanismus zur Genauigkeitsanpassung. Wenn die Erkennungsgenauigkeit nicht den Anforderungen entspricht, können die drei oben genannten Schlüsselparameter als praktikable Lösung erweitert oder reduziert werden, um Fehler bei der Erkennungsgenauigkeit, die durch Umweltveränderungen verursacht werden, effektiv zu mindern. Es ist wichtig zu beachten, dass diese Methode stark von den Beleuchtungsbedingungen der Ortsbrust abhängt. Die Aufnahme von Bildern bei geringer Beleuchtung kann zu einer Verringerung der Erkennungsgenauigkeit führen. Um die Abhängigkeit von den Beleuchtungsbedingungen zu verringern, wurden Bildverbesserungsalgorithmen mit geringer Beleuchtung untersucht30, die jedoch die Erkennungszeit und die Hardwareanforderungen erheblich erhöhen. Derzeit gibt es keine effektive Technologie, die sowohl eine geringe Beleuchtungserkennungsgenauigkeit als auch eine hohe Erkennungseffizienz gewährleistet. Diese Methode verwendet das Histogramm der orientierten Gradiententechnologie, um die Eigenschaften des Betonschwingungszustands zu charakterisieren, einschließlich Oberflächenkollaps, Aufschwimmen von Zementschlämmen und Blasen im Prozess der Betonschwingung. Im Vergleich zu bestehenden Technologien reduziert dieser Ansatz die Anzahl der erforderlichen Samples erheblich und senkt die Anforderungen an die Computerleistung. Bei einem Laptop, der mit einer 2,30-GHz-CPU ausgestattet ist, schließt der Erkennungsprozess die Trainingsraumdifferenzierung der SVM innerhalb von nur 15 Sekunden ab. Wenn Extraktionsparameter entsprechend eingestellt sind, wird auch die Erkennungsgenauigkeitverbessert 31.

In Zukunft kann dieses Protokoll verwendet werden, um den Vibrationsbetrieb des Bauroboters zu steuern, was eine rechtzeitige Beendigung des Betriebs ermöglicht, wenn der Beton das gewünschte Schwingungsniveau erreicht, wodurch Qualitätsprobleme durch unzureichende Vibrationen vermieden werden. Darüber hinaus kann die Methode angepasst werden, um Robotervorgänge auf der Grundlage von Texturmerkmalen auf der Baustelle zu modifizieren, wie z. B. die Erkennung der strukturellen Ebenheit, die Entfernung von Arbeitsflächenschlämmen und andere verwandte Prozesse.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts zu verraten.

Acknowledgments

Wir danken dem Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) für die Finanzierung dieser Arbeit.

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

Technik Heft 203
Bilderkennung und Parameteranalyse des Betonschwingungszustandes auf Basis der Support Vector Machine
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wang, S., Wang, A., Fu, X., Wu, K.,… More

Wang, S., Wang, A., Fu, X., Wu, K., Lu, T. Image Recognition and Parameter Analysis of Concrete Vibration State Based on Support Vector Machine. J. Vis. Exp. (203), e65731, doi:10.3791/65731 (2024).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter