Summary
이 논문에서 설명하는 프로토콜은 방향 기울기 히스토그램 기법을 활용하여 다양한 진동 상태에서 구체적인 이미지 샘플의 특성을 추출합니다. 기계 학습을 위한 지원 벡터 머신을 사용하여 학습 샘플 요구 사항이 최소화되고 컴퓨터 성능 요구 사항이 낮은 이미지 인식 방법을 제공합니다.
Abstract
이 논문에서는 방향성 기울기 히스토그램 기술을 사용하여 다양한 진동 상태에서 캡처된 구체적인 이미지 샘플의 특징을 추출합니다. 서포트 벡터 머신(SVM)은 이미지 특징과 진동 상태 간의 관계를 학습하는 데 사용됩니다. 기계 학습 결과는 이후에 콘크리트 진동 상태의 타당성을 평가하는 데 사용됩니다. 동시에 방향 구배 히스토그램의 계산 매개변수가 인식 정확도에 미치는 영향 메커니즘이 분석됩니다. 이 결과는 방향성 구배 히스토그램-SVM 기술을 사용하여 콘크리트의 진동 상태를 식별할 수 있음을 보여줍니다. 인식 정확도는 처음에는 증가하다가 방향 구배의 블록 크기 또는 통계 구간의 수가 증가함에 따라 감소합니다. 인식 정확도는 또한 이진화 임계값이 증가함에 따라 선형적으로 감소합니다. 해상도가 1024 픽셀 x 1024 픽셀인 샘플 이미지를 사용하고 특징 추출 파라미터를 최적화하면 100%의 인식 정확도를 얻을 수 있습니다.
Introduction
콘크리트는 건설 산업에서 광범위하게 사용되는 기본 건축 자재입니다. 펌핑하는 동안 콘크리트는 진동을 통해 압축해야 하는 공극을 자주 발생시킵니다. 진동이 부적절하면 콘크리트 표면이 벌집처럼 보일 수 있으며, 과도한 진동은 콘크리트 분리로 이어질 수 있습니다 1,2. 진동 작동의 품질은 형성된 콘크리트 구조물의 강도(3,4,5,6)와 내구성(7,8)에 큰 영향을 미친다. Cai et al.9,10은 진동이 골재 침하 및 콘크리트 내구성에 미치는 영향 메커니즘을 조사하기 위해 실험 연구와 수치 분석을 결합한 연구를 수행했습니다. 그 결과, 진동 시간과 골재 입자는 골재 침하에 상당한 영향을 미치는 반면, 시멘트 기반 재료의 골재 밀도와 소성 점도는 미미한 영향을 미치는 것으로 나타났습니다. 진동은 콘크리트 시편의 바닥에 응집체를 일으킵니다. 또한, 진동 시간이 증가함에 따라 염화물 이온 농도는 콘크리트 시편의 바닥에서 감소하는 반면 상단 9,10에서는 크게 증가합니다.
현재 콘크리트 진동 상태의 평가는 주로 수동 판단에 의존합니다. 건설 산업이 지능형 개혁을 통해 계속 발전함에 따라 로봇 운영이 미래의 방향으로 부상했습니다11,12. 결과적으로, 지능형 진동 작업에서 중요한 과제는 로봇이 콘크리트의 진동 상태를 식별할 수 있도록 하는 방법입니다.
배향 구배의 히스토그램은 픽셀의 강도 구배 또는 가장자리 방향의 분포를 디스크립터로 활용하여 이미지(13,14)에서 물체의 표현 및 형상을 특성화하는 기술입니다. 이 접근 방식은 이미지의 로컬 그리드 셀에서 작동하여 다양한 기하학적 및 광학적 조건에서 이미지 변화를 특성화하는 데 강력한 안정성을 제공합니다.
Zhou et al.15 는 Bayer 모드 이미지에서 방향성 그래디언트 특징을 직접 추출하는 방법을 제안했습니다. 이 접근 방식은 색 필터 열을 기울기 연산자와 일치시켜 방향 기울기를 계산하는 여러 단계를 생략하므로 방향성 기울기 이미지 인식에 대한 계산 요구 사항을 크게 줄일 수 있습니다. He et al.16 은 방향 기울기 히스토그램을 기본 기능으로 활용하고 평균 클러스터링 알고리즘을 사용하여 레일 패스너를 분류하고 패스너에 결함이 있는지 여부를 확인했습니다. 인식 결과는 배향 기울기 특징의 히스토그램이 패스너 결함에 대해 높은 민감도를 나타내어 철도 유지 보수 및 수리 요구 사항을 충족한다는 것을 나타냈습니다. 또 다른 연구에서 Xu et al.17 은 가보르 웨이블릿 필터링을 사용하여 얼굴 이미지 특징을 전처리하고 이진 코딩 및 HOG 알고리즘을 통해 특징 벡터의 차원을 줄였습니다. 이 방법의 평균 인식 정확도는 92.5%입니다.
서포트 벡터 머신(SVM)18은 벡터를 고차원 공간에 매핑하는 데 사용되며, 두 개의 평행한 초평면 사이의 거리를 최대화하기 위해 적절한 방향으로 분리 초평면을 설정합니다. 이를 통해 서포트 벡터(19)를 분류할 수 있다. 학자들은 이 분류 기술을 개선하고 최적화하여 이미지 인식(image recognition)20,21, 텍스트 분류(text classification)22, 신뢰성 예측(reliability prediction)23, 고장 진단(fault diagnosis)24 등 다양한 분야에 적용하고 있다.
Li et al.25 는 세 가지 지진 고장 모드에 중점을 둔 지진 고장 패턴 인식을 위한 2단계 SVM 모델을 개발했습니다. 분석 결과에 따르면 제안된 2단계 SVM 방법은 세 가지 고장 모드에 대해 90% 이상의 정확도를 달성할 수 있습니다. Yang et al.26 은 SVM과 최적화 알고리즘을 통합하여 5개의 초음파 매개변수와 하중이 가해진 콘크리트의 응력 간의 관계를 시뮬레이션했습니다. 최적화되지 않은 SVM의 성능은 특히 스트레스가 낮은 단계에서 만족스럽지 않습니다. 그러나 알고리즘에 의해 최적화된 모델을 탐색하면 계산 시간이 길어지지만 향상된 결과를 얻을 수 있습니다. 이에 비해 파티클 스웜 최적화 최적화 SVM은 최적의 시뮬레이션 결과를 제공하면서 계산 시간을 크게 단축합니다. Yan et al.27 은 SVM 기술을 채택하고 고강도 콘크리트의 탄성 계수를 예측하기 위해 정밀도에 민감하지 않은 손실 함수를 도입하여 예측 정확도를 기존 회귀 모델 및 신경망 모델과 비교했습니다. 연구 결과에 따르면 SVM 기술은 다른 방법에 비해 탄성 계수에 대한 예측 오차가 더 작습니다.
이 논문은 다양한 진동 상태에서 콘크리트의 이미지 샘플을 수집하고 방향 구배 히스토그램 기술을 사용하여 콘크리트의 다양한 상태를 설명합니다. 방향성 기울기는 SVM을 훈련하기 위한 특징 벡터로 사용되며, 이 연구는 방향성 기울기 히스토그램-SVM 기술을 사용하여 콘크리트의 진동 상태를 식별할 수 있는 가능성에 중점을 둡니다. 또한 이 논문은 방향 기울기 히스토그램의 특징 추출 프로세스와 SVM의 인식 정확도에서 세 가지 주요 매개변수(이진화 임계값, 방향 기울기 통계 블록 크기 및 방향 기울기 통계 간격 수) 간의 영향 메커니즘을 분석합니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 구체적인 샘플 이미지 획득
- 콘크리트를 작업장으로 운반하여 펌프 트럭에 부을 것입니다.
- 이미지를 촬영하려면 전원 키 스위치를 오른쪽으로 이동하고 ON 위치로 돌려 촬영 장비를 켭니다. 카메라의 모드 노브를 녹색 자동 모드로 조정하여 카메라 렌즈가 콘크리트 표면과 평행이 되도록 하고 셔터 키를 누릅니다. 그림 1과 같이 진동되지 않은 콘크리트의 이미지 샘플 20개를 캡처하여 1024 x 1024 픽셀의 획득 해상도로 .jpg 형식으로 저장합니다.
- 콘크리트 진동 장비의 진동 부분(플러그인 콘크리트 진동봉)을 콘크리트에 삽입합니다. 전원 공급 장치를 연결한 다음 콘크리트 진동 장비를 ON 위치로 설정하여 전원을 켭니다.
- 콘크리트 표면에 약간의 붕괴가 있고(콘크리트 내부의 공기를 배출하는 진동으로 인해 틈새를 메우기 위해 표면 골재가 가라앉아 콘크리트 붕괴가 발생함) 일부 시멘트 슬러리가 나타나면 카메라 렌즈를 콘크리트 표면과 평행하게 유지하고 셔터 키를 누릅니다. 그림 2와 같이 진동 콘크리트의 이미지 샘플 20개를 수집합니다.
- 진동 장비를 계속 작동하십시오. 콘크리트 표면에 명백한 붕괴가 없으면 시멘트 슬러리가 나타나지 않고 기포가 생성되지 않으며 진동 과정을 중지하고 그림 3과 같이 진동 콘크리트의 20개 이미지 샘플을 캡처합니다.
2. 샘플 이미지 회색 이진화
- MATLAB의 imread() 함수를 사용하여 .jpg 파일을 이미지의 빨강, 녹색 및 파랑 채널 값을 나타내는 1024픽셀 x 1024픽셀 x 3색 채널의 단위 형식 데이터로 읽습니다.
- 다음으로, MATLAB 함수 rgb2gray를 적용하여 영상을 회색조로 변환합니다(format gray value = rgb2gray(jpg file name)로 표시). 수학식 1에 따라 각 화소의 그레이 값을 계산하고, 그레이 값을 1024 x 1024의 unit8 형식 데이터로 저장한다.
GR(i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1)
여기서 GR(i,j)는 픽셀 포인트의 회색 값이고, R(i,j)는 픽셀 포인트의 빨간색 채널 값이고, G(i,j)는 픽셀 포인트의 녹색 채널 값이고, B(i,j)는 픽셀 포인트의 파란색 채널 값입니다. - 픽셀 임계값 θ보다 큰 회색 값의 이진 값을 1로 변경하고 θ 픽셀보다 작은 회색 값의 이진 값을 0으로 설정합니다.
- 이진화된 회색 결과를 얻은 후 결과를 1024 x 1024 논리 형식 데이터로 저장합니다. 이 경우 θ는 이진화 임계값을 나타내며 그 값은 그림 5, 그림 6 및 그림 7에 표시된 대로 서로 다른 진동 상태 콘크리트 샘플 이미지에 대해 50, 100, 150 및 200입니다.
3. 방향성 기울기 고유값 계산
- 다음 방정식28을 사용하여 영상에 있는 각 픽셀의 수평 및 수직 이진 기울기를 계산합니다
Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
여기서Gh 는 수평 이진화 기울기, Tp는 수직 이진화 기울기, R은 이진화된 논리 형식 데이터, x는 이진화된 행렬의 행 번호, y는 이진화된 행렬의 열 번호입니다. - 다음 수식29를 사용하여 각 점의 이진 기울기 방향과 크기를 계산합니다
여기서 T는 이진 기울기 크기이고, αT 는 이진 기울기 방향이고, Th 는 가로 이진 기울기이고, Tp는 세로 이진 기울기입니다. - n으로 표시되며, 여기서 n의 값은 [ 1,9]입니다. x 방향을 따라 y 방향의 각 n개 픽셀에 대한 분할선을 설정하여 분할선의 위치를 기준으로 이미지를 n x n 정사각형 블록으로 효과적으로 나눕니다. 그런 다음 완전한 정사각형 블록을 형성할 수 없는 이미지 부분이 제거됩니다.
- 이진 기울기 방향α T (이진 기울기 방향 αT 의 값은 [ 0°, 360°]임)를 m 부분으로 분할하여 m 방향 기울기 통계적 각도 간격을 만듭니다. 각 블록의 기울기 통계 각도 구간에 대한 기울기 통계 값을 계산합니다.
- 블록에 있는 각 픽셀의 이진 기울기 방향에 따라 픽셀을 각 방향의 적절한 기울기 통계적 각도 구간으로 분류합니다.
- 시계 반대 방향으로 각 방향의 기울기 통계 각도 구간에서 픽셀의 이진 기울기를 합산하여 해당 간격의 기울기 통계 값을 구합니다. 그래디언트 통계적 각도 간격 방향 그래디언트 통계에 대해 얻어진 결과는 각각 8, 128 및 512와 동일한 블록 크기 n에 대해 도 8, 도 9 및 도 10 에 도시되어 있다.
4. 방향성 그래디언트 특징 벡터 구성
- 샘플을 필요한 계산 영역으로 나누고, 각 계산 영역은 3.3단계에서 얻은 블록 결과를 기반으로 4개의 인접한 블록으로 구성됩니다. 예를 들어, 16 x 16 해상도 픽셀과 4 x 4의 블록 크기를 고려하면, 이미지는 (16/4-1) x (16/4-1) = 9개의 계산 영역으로 나뉩니다.
- 계산 영역에 있는 각 블록의 기울기 통계량의 각도 간격 내에서 방향 기울기의 통계적 값을 계산합니다. 그런 다음, 방향성 기울기 통계량을 구성요소로 사용하는 특징 벡터를 구합니다.
- 각 계산 영역에서 방향성 기울기 특징 벡터를 결합하여 영상의 방향성 기울기 특징 벡터를 구합니다.
5. SVM 교육
- 세 가지 진동 상태에서 42개의 샘플을 무작위로 선택하여 훈련 그룹을 만들고 나머지 18개 샘플은 테스트 그룹으로 남겨 둡니다.
- SVM 훈련을 위해 MATLAB의 fitcecoc 함수를 활용하십시오. 형식은 다음과 같습니다.
SVM = fitcecoc (trainingFeatures, Training고유값)
여기서 SVM은 훈련시킬 서포트 벡터 머신이고, trainingFeatures는 훈련 그룹 영상 방향 기울기 특징 벡터이며, Trainingeigenvalue는 훈련 그룹의 진동 상태에 대한 특성값입니다. 비진동 콘크리트, 진동 콘크리트, 진동 콘크리트 시편의 진동 상태 물성값은 각각 1, 2, 3이다. - Save 함수를 사용하여 훈련된 SVM을 .mat 형식으로 저장합니다.
6. SVM 인식 정확도 검증
- MATLAB의 예측 함수를 사용하여 테스트 그룹 샘플 영상의 방향성 기울기 특징 벡터를 훈련된 SVM에 입력하여 각 테스트 샘플에 대해 계산된 진동 상태 특징 값을 가져옵니다. 형식은 다음과 같습니다.
testgroup계산고유값 = predict (SVM, testFeature)
여기서 testgroupcalculateseigenvalues는 진동 상태 특징의 계산된 값이고, SVM은 5단계에서 훈련된 서포트 벡터 머신입니다. testFeature는 테스트 그룹 샘플 영상의 방향성 기울기 특징 벡터입니다. - 테스트 세트를 훈련된 SVM에 공급하여 테스트 세트 샘플 인식 결과를 확인합니다. 테스트 세트 인식 결과가 실제 상태와 일치하는 샘플 수를 계산한 다음 올바른 샘플 수를 테스트 세트 샘플의 총 수로 나누어 인식 정확도를 계산합니다.
- 테스트 인식 정확도가 94%보다 높으면 SVM 인식이 효과적인 것으로 간주합니다. 이 값이 94%보다 작으면 1.1단계로 돌아가서 이진화 임계값, 블록 크기 n, 방향성 기울기 통계 구간 수 m을 조정합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
이 프로토콜은 방향성 기울기 특징의 3-벡터 계산 파라미터가 콘크리트 진동 상태를 식별하는 SVM의 정확도에 어떤 영향을 미치는지 분석하는 것을 목표로 합니다. 방향성 기울기 특징 벡터의 기본 계산 파라미터에는 방향성 기울기 통계 블록 크기, 방향성 기울기 통계적 각도 구간의 개수 및 이진 회색 임계값이 포함됩니다. 이 섹션에서는 세 가지 주요 계산 매개 변수를 변수로 사용하여 테스트를 설계합니다. 테스트 파라미터 레벨은 표 1에 자세히 설명되어 있습니다. 1024 x 1024 픽셀의 해상도로 콘크리트 이미지 샘플에 대해 총 100개의 테스트가 수행되었습니다. 표 1 에 기재된 파라미터에 해당하는 테스트 결과를 표 2에 나타내었다.
다양한 바이너리 그레이 임계값 분석 - SVM 인식 결과
표 2 는 다양한 이진화 임계값에 대한 SVM의 평균 인식 정확도를 표시하며, 이진화 임계값과 인식 정확도 간의 관계는 그림 4에 시각화되어 있습니다. 블록 크기와 통계 구간 수가 고정된 경우, SVM의 인식 정확도는 일반적으로 이진화 임계값이 증가함에 따라 감소하는 추세를 보입니다. 특히, 이진화 임계값이 100 내지 150의 범위에 속할 때 인식 정확도가 현저히 감소한다. 이 현상의 원인과 SVM의 나눗셈 계산에 미치는 영향을 이해하려면 추가 조사가 필요합니다.
이 섹션에서는 2.1단계에서 설명한 방법과 3.1단계에서 설명한 실험 설계에 따라 비진동 콘크리트, 진동 콘크리트 및 진동 콘크리트의 이미지 샘플을 이진화합니다. 사용된 이진화된 회색 임계값은 50, 100, 150, 200 및 250이며, 그림 5, 그림 6 및 그림 7과 같이 각 상태에 대해 이진화된 회색 이미지가 생성됩니다.
그림 5에서 볼 수 있듯이 이진화 임계값이 감소함에 따라 진동되지 않은 콘크리트 이미지 샘플의 이진 이미지에서 흰색 영역이 크게 감소합니다. 이진화 임계값 250에서 이진 영상은 순수한 검은색으로 나타납니다. 그림 6에서 이진화 임계값을 갖는 진동 콘크리트 이미지 샘플의 이진 회색 이미지의 변화 추세는 비진동 콘크리트 샘플의 변화 추세와 유사하지만 진동 콘크리트 이미지 샘플에서 흰색 영역의 감소가 더 두드러집니다. 또한 그림 7은 검은색 부분과 흰색 부분의 조합을 보여주며, 다양한 진동 상태에서 콘크리트의 표면 질감 특성을 반영합니다. 진동 콘크리트의 바이너리 회색 이미지도 이진화 임계값이 감소함에 따라 감소합니다. 예를 들어, 이진화 임계값을 50과 100으로 설정하면 진동 콘크리트의 이진 회색 이미지가 흰색이 되는 경향이 있습니다. 임계값이 150이면 다른 두 상태와 비슷하게 보이지만 임계값이 150을 초과하면 이진 영상이 검은색이 되는 경향이 있습니다. 특히, 이진화 임계값이 100과 150 사이인 경우 이진 영상 특징에 상당한 변화가 발생합니다.
이 논문의 특징 벡터 추출은 이미지 샘플의 방향성 그래디언트에 의존합니다. 이진화 임계값을 50에서 100으로 늘리면 흰색 픽셀과 검은색 픽셀 사이의 접촉 면적이 줄어듭니다. 이 감소는 픽셀 방향 그라데이션의 통계에 영향을 미치는데, 이는 각 픽셀 간의 픽셀 값 변경에 따라 달라지기 때문입니다. 접촉 면적이 클수록 SVM 특징 벡터의 구성 요소가 0개 미만으로 생성되어 콘크리트 진동 상태 특성을 보다 포괄적으로 표현할 수 있습니다. 이진화 임계값에 따른 인식 정확도의 변화는 주로 방향 기울기 특징 벡터에서 0개 성분의 수가 변경되었기 때문입니다. 또한 이진화 임계값을 150에서 250으로 올리면 바이너리 이미지 샘플의 흰색 영역이 크게 줄어듭니다. 결과적으로, 해당 인식 정확도도 크게 감소하여 이 규칙을 더욱 뒷받침합니다.
다양한 방향성 기울기 통계 블록 크기 - SVM 인식 결과
이 섹션에서는 표 2 에 제시된 바와 같이 다양한 방향의 기울기 통계량의 통계적 블록 크기 식별 정확도를 계산합니다. 이어서, 각 방향에서의 기울기 통계량의 통계적 블록 크기 식별 정확도의 평균값을 계산한다. 결과는 그림 8에 나와 있습니다.
그림 8은 1024 해상도의 구체적인 이미지 샘플에 대한 SVM 인식과 방향 그래디언트의 통계적 블록 크기 간의 관계를 보여줍니다. 이 관계는 수학식 2로 표현할 수 있다.
y=0.09+0.144x-0.01x2 (2)
이미지 샘플 특징 벡터는 블록-스위핑 방법(20)에 의해 계산된다. 한편, 블록이 작을 때 특징 벡터는 이진 영상의 국소 특이성을 특성화합니다. 그 결과 유사한 국소 특이성을 갖는 서로 다른 진동 상태의 구체적인 샘플 이미지가 생성되어 특징 벡터에 상당한 수의 0개 성분이 생성됩니다. 결과적으로, 이렇게 많은 수의 0 성분은 SVM 분할에서 상당한 간섭을 일으켜 특히 블록 크기가 8픽셀인 1024픽셀 이미지의 경우 인식 정확도를 떨어뜨립니다.
블록 크기가 증가함에 따라 특징 벡터에 의해 반사되는 국소 특이성은 점차 감소하고, 특징 벡터는 그림 10과 같이 이미지 샘플의 국소 특이성을 특성화합니다. 결과적으로, 특징 벡터의 0개 성분 수가 줄어들어 SVM의 분할 과정에서 간섭이 줄어듭니다. 이로써 SVM의 인식 정확도가 향상된다.
그러나 블록 크기가 32픽셀을 초과하여 더 증가하면 특징 벡터의 0개 구성 요소 수가 계속 감소합니다. 그러나 SVM 훈련 세트의 특징 벡터 차원도 축소됩니다. 이 시점에서 SVM의 인식 정확도에 미치는 영향은 주로 특성 차원의 부족에서 비롯됩니다. 그럼에도 불구하고 특징 벡터는 여전히 구체적인 이미지에서 어느 정도의 특이성을 포착할 수 있습니다. 그림 11에서 볼 수 있듯이 블록 크기가 어느 정도 확장되면 진동 상태가 다른 콘크리트 이미지 샘플의 각 블록에서 방향 기울기 특징은 여전히 상당한 차이를 보입니다. 이 관찰은 블록 크기가 과도하게 커질 때 인식 정확도가 감소하는 이유를 설명하지만, 감소는 상대적으로 작습니다.
방향성 기울기 통계적 각도 간격 번호 - SVM 인식 결과
이 섹션에서는 표 2 에 제시된 방향성 그래디언트 통계 구간의 개수에 대한 인식 정확도를 계산한다. 이어서, 방향성 기울기 통계 구간의 개수의 평균 인식 정확도가 계산된다. 결과는 그림 12에 나와 있습니다.
그림 12에서 방향성 구배 통계 간격의 수가 증가함에 따라 콘크리트 진동 상태에 대한 SVM의 인식 정확도가 처음에는 상승했다가 감소하는 것이 분명합니다. 이 관계는 수학식 3으로 표현할 수 있다
y=-0.45+0.2배-0.007배2 (3)
기울기 방향의 통계적 간격 수와 인식 정확도 사이의 영향 메커니즘은 이미지 특징 추출 매개변수의 변경에 기인합니다. 이로 인해 이미지 샘플에 대한 특징 벡터의 특정 특성화 기능이 변경됩니다. 이 섹션에서는 적당히 진동하는 콘크리트의 이미지 샘플의 일부를 가로챕니다. 그림 13과 같이 그리드 크기가 4이고 방향 기울기 통계 간격의 수가 6, 9, 12 및 15로 설정된 경우 방향 기울기 특성의 계산 결과를 얻습니다.
그림 13A,B에 도시된 바와 같이, 방향 구배 통계 구간의 수가 6으로 설정된 경우, 각 구간의 크기는 60°이다. 계산 블록 크기가 4x4인 것을 고려하면 각 블록에는 16개의 픽셀이 있습니다. 간격 크기가 클수록 여러 픽셀의 방향 그라데이션이 단일 간격 내에 속합니다. 이로 인해 간격 크기가 더 클 때 이미지 샘플의 특징 벡터에서 0개의 성분 수가 증가합니다. 결과적으로 SVM의 훈련 결과와 인식 정확도에 영향을 미칩니다. 그러나 방향 기울기 통계 구간의 수가 9이면 각도 분할이 더 정교해져서 구간 내에 픽셀이 없는 상황이 감소합니다. 결과적으로, 이미지 샘플의 특징 벡터에서 0개의 구성 요소 수도 감소하여 특징 벡터의 이미지별 표현 능력이 향상됩니다. 그러나, 도 13C 및 도 13D와 비교해 보면, 방향 그래디언트 통계 구간의 개수가 12개에서 15개로 증가하면, 방향성 그래디언트 특징 계산 결과의 구간에서 0을 갖는 픽셀의 개수가 증가한다. 그 결과, 샘플 이미지의 특이성을 특성화하는 특징 벡터의 능력이 감소합니다. 이러한 특성화 능력의 감소는 방향성 기울기 통계 구간의 크기가 더 감소했기 때문입니다. 특히 픽셀이 하나뿐인 간격은 이제 두 개의 간격, 즉 단일 픽셀이 있는 간격과 빈 간격이 있는 간격으로 나뉩니다. 결과적으로, 빈 간격의 수가 증가하면 기능 벡터의 성분이 0개가 많아져 궁극적으로 인식 정확도가 감소합니다.
그림 1: 진동되지 않은 콘크리트의 이미지. 진동 작동 없이 촬영한 펌핑 콘크리트 이미지. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: 진동하는 콘크리트의 이미지. 펌핑 콘크리트 진동 작업의 이미지 샘플. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 진동 콘크리트 샘플의 이미지. 콘크리트 펌핑 진동 작업이 완료되었을 때의 이미지 샘플. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 이진화 임계값-인식 정확도 관계. 이진화 임계값이 SVM의 인식 정확도에 미치는 영향. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 진동하지 않는 콘크리트의 이진 회색조 이미지. 다른 이진화 임계값이 설정된 경우의 비진동 콘크리트 이미지의 이진화 처리 결과. (A) 50에서 이진화 임계값. (B) 100에서 이진화 임계값. (C) 150에서 이진화 임계값. (D) 200에서 이진화 임계값. (E) 250에서 이진화 임계값. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 진동하는 콘크리트의 이진 회색조 이미지. 이진화 처리는 서로 다른 이진화 임계값이 설정되었을 때 진동하는 콘크리트 이미지의 결과입니다. (A) 50에서 이진화 임계값. (B) 100에서 이진화 임계값. (C) 150에서의 이진화 임계값. (D) 200에서 이진화 임계값. (E) 250에서 이진화 임계값. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 진동 콘크리트의 이진 회색조 이미지. 서로 다른 이진화 임계값을 설정했을 때 진동하는 콘크리트 이미지의 이진화 처리 결과. (A) 50에서 이진화 임계값. (B) 100에서 이진화 임계값. (C) 150에서 이진화 임계값. (D) 200에서 이진화 임계값. (E) 250에서 이진화 임계값. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 방향 기울기 통계 블록 크기 인식 정확도 다이어그램. 방향 기울기 통계적 블록 크기가 SVM의 인식 정확도에 미치는 영향. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: 블록 크기 8픽셀 방향성 그래디언트 특징 추출 결과의 개략도. 기울기 특징은 블록 크기가 8픽셀일 때 세 가지 종류의 진동 상태 방향을 생성합니다. (A) 비진동 콘크리트, (B) 진동 콘크리트, (C) 진동 콘크리트. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 10: 블록 크기 128픽셀 방향성 그래디언트 특징 추출 결과의 개략도. 그라데이션 기능은 블록 크기가 128픽셀일 때 세 가지 종류의 진동 상태 방향을 생성합니다. (A) 비진동 콘크리트, (B) 진동 콘크리트, (C) 진동 콘크리트. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 11: 블록 크기가 512픽셀인 다양한 진동 상태에서 콘크리트 샘플 이미지의 방향성 기울기 추출 결과. 그라데이션 특징은 블록 크기가 512픽셀일 때 세 가지 종류의 진동 상태 방향을 생성합니다. (A) 비진동 콘크리트, (B) 진동 콘크리트, (C) 진동 콘크리트. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 12: 방향 기울기 통계 간격 번호 인식 정확도 관계. 방향 기울기 통계 간격 number 이 SVM의 인식 정확도에 미치는 영향 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 13: 서로 다른 방향성 기울기 통계 간격의 수에 대한 방향성 기울기 특성의 계산 결과. 샘플의 방향 기울기 특성 결과는 서로 다른 방향 기울기 통계 간격이 설정될 때 얻어집니다. (A) 6개의 방향성 기울기 통계 구간, (B) 9개의 방향성 기울기 통계 구간, (C) 12개의 방향성 기울기 통계 간격, (D) 15개의 방향성 기울기 통계 간격. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
표 1: SVM 식별 테스트 계수 수준. 방향성 구배 특징 벡터의 계산 파라미터가 SVM의 정확도에 미치는 영향을 분석하여 콘크리트 진동 상태를 식별합니다. 이 표를 다운로드하려면 여기를 클릭하십시오.
표 2: 방향성 기울기 히스토그램 파라미터 분석 테스트 결과. 표 1의 시험 방식에 기초하여 인식 정확도 결과를 얻는다. 이 표를 다운로드하려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
이 논문은 SVM(Support Vector Machine)을 활용하여 다양한 콘크리트 진동 상태 샘플의 이미지 특징을 학습합니다. 머신러닝 결과를 바탕으로 영상 인식을 기반으로 한 구체적인 진동 상태 인식 방법을 제안한다. 인식 정확도를 높이려면 세 가지 주요 단계인 이미지 분할, 이미지 이진화 및 방향성 그래디언트 고유값 추출의 매개변수를 제어하는 것이 중요합니다. 테스트 결과에 따르면, 콘크리트 샘플 이미지를 전처리하기 위해 더 작은 이진화 임계값이 사용되며, 128픽셀 x 128픽셀의 이미지 분할 블록 크기가 활용됩니다. 통계적 각도 간격에 대한 방향 기울기 수는 12로 설정됩니다. 1024 해상도 이미지 샘플 세트에서 기계 학습 결과에 대한 최상의 인식 정확도가 달성됩니다.
건설 현장마다 환경이 크게 다르기 때문에 이 방법에는 정확도 조정 메커니즘이 있습니다. 인식 정확도가 요구 사항을 충족하지 못하는 경우 위에서 언급한 세 가지 주요 매개변수를 실행 가능한 솔루션으로 확장하거나 축소하여 환경 변화로 인한 인식 정확도 오류를 효과적으로 완화할 수 있습니다. 이 방법은 작업면의 조명 조건에 크게 의존한다는 점에 유의하는 것이 중요합니다. 저조도 조건에서 이미지를 캡처하면 인식 정확도가 떨어질 수 있습니다. 조명 조건에 대한 의존도를 줄이기 위해, 저조도 이미지 향상 알고리즘이 연구되었지만30, 인식 시간과 하드웨어 요구 사항을 크게 증가시킨다. 현재로서는 낮은 조명 인식 정확도와 인식 효율성을 모두 보장하는 효과적인 기술이 없습니다. 이 방법은 배향 그래디언트 기술의 히스토그램을 사용하여 표면 붕괴, 시멘트 슬러리 부유 및 콘크리트 진동 과정에서 기포를 포함한 콘크리트 진동 상태의 특성을 특성화합니다. 기존 기술에 비해 이 접근 방식은 필요한 샘플 수를 크게 줄이고 컴퓨터 성능 요구 사항을 낮춥니다. 2.30GHz CPU가 장착된 노트북을 사용하면 인식 프로세스를 통해 단 15초 만에 SVM의 학습 공간 차별화를 완료할 수 있습니다. 추출 파라미터가 적절하게 설정되면, 인식 정확도도 향상된다(31).
앞으로 이 프로토콜은 건설 로봇의 진동 작업을 명령하는 데 활용될 수 있으며, 콘크리트가 원하는 진동 수준에 도달하면 적시에 작업을 중단할 수 있으므로 부적절한 진동으로 인한 품질 문제를 방지할 수 있습니다. 또한 이 방법은 구조적 평탄도 감지, 작업면 슬러리 제거 및 기타 관련 프로세스와 같은 건설 현장의 질감 특성을 기반으로 로봇 작동을 수정하도록 조정할 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개할 것이 없습니다.
Acknowledgments
이 작업에 자금을 지원해 주신 Wuhan Urban Construction Group 2023 Annual Scientific Research Project(NO.7)에 감사드립니다.
Materials
| Name | Company | Catalog Number | Comments |
| camera | SONY | A6000 | The sensor size is 23.5x15.6mm, the maximum acquisition resolution is 1440 * 1080, and the effective pixel is 24.3 million. |
| concrete | Wuhan Construction Changxin Technology Development Co., Ltd. | C30 pumping concrete | According to the standard of ' concrete strength test and evaluation standard ' ( GB / T 50107-2010 ), the standard value of cubic compressive strength is 30 MPa pumping concrete. |
| Matlab | MathWorks | Matlab R2017a | MATLAB's programming interface provides development tools for improving code quality maintainability and maximizing performance. It provides tools for building applications using custom graphical interfaces. It provides tools for combining MATLAB-based algorithms with external applications and languages |
| Processor | Intel | 12th Gen Intel(R) Core (TM) i7-12700H @ 2.30GHz | 64-bit Win11 processor |
References
- Jiang, L., Tian, Z., Wang, K., Sun, X. Estimating the segregation of concrete under vibration based on electrical method. Concrete. 1, In Chinese 41-44 (2023).
- Ren, B., Ye, Z., Wang, D., Wu, B., Tan, Y. Evaluation of segregation degree of hardening concrete using improved Mask R-CNN. Journal of Hydroelectric Engineering. 41 (5), In Chinese 93-102 (2022).
- Hu, J., Qin, M., Wang, H., Liu, K. Study on the influence of vibration frequency on the performance of concrete. Highway. 65 (12), In Chinese 111-114 (2020).
- Bian, C., et al. Experimental study on characterization of evaluation indexes for vibration compaction of fresh concrete. Journal of Hydroelectric Engineering. 39 (2), 67-80 (2020).
- Liu, Z., Zhou, M., Bai, J., Mou, S. Influence of vibration time on the strength and homogeneity of rubber concrete. Industrial Construction. 42, In Chinese 509-512 (2012).
- Cheng, Y., Gou, Z., Wang, Y. Testing Investigation on Effects of Mixing, Vibrating and Curing on Strength of High-Performance Concrete. Journal of Northeastern University (Natural Science). 31 (12), In Chinese 1790-1793 (2010).
- Zhao, Y., Chen, S., Liu, Z. Influence mechanism of high-frequency vibration on concrete antifreeze and application in construction of tunnels in cold regions. Industrial Construction. 44 (5), In Chinese 101-105 (2014).
- Quan, L., Tian, B., Li, S., He, Z., He, K. Evolution characteristics of flexural fatigue performance of dense concrete consolidated with high frequency vibration applied in airport pavement. Journal of Traffic and Transportation Engineering. 20 (2), In Chinese 34-45 (2020).
- Cai, Y., et al. Influence of coarse aggregate settlement induced by vibration on long-term chloride transport in concrete: a numerical study. Materials and Structures. 55 (9), 1-18 (2022).
- Cai, Y., Liu, Q. F., Yu, L., Meng, Z., Avija, B. An experimental and numerical investigation of coarse aggregate settlement in fresh concrete under vibration. Cement and Concrete Composites. 122 (7), 104153 (2021).
- Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), In Chinese 631-654 (2022).
- Chen, C., Li, X., Qiu, Z., Yao, W., Zhu, H.
- Shen, H., Zhang, W., Liu, J., Qiu, K. Development and Prospect of Construction Robots for High Rise Buildings. Construction Technology. 46 (8), In Chinese 105-108 (2017).
- Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , San Diego, USA. (2005).
- Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1 (2021).
- He, B., et al. Railway Fastener Defects Detection under Various Illumination Conditions using Fuzzy C-Means Part Model. Transportation Research Record. 2675 (4), 271-280 (2021).
- Xu, X., Quan, C., Ren, F. Facial expression recognition based on Gabor Wavelet transform and Histogram of Oriented Gradients. IEEE International Conference on Mechatronics & Automation. , Beijing, China. (2015).
- Cortes, C., Vapnik, V. N.
- Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
- Yang, C., et al. Identification of Pleurotus Ostreatus From Different Producing Areas Based on Mid-Infrared Spectroscopy and Machine Learning. Spectroscopy and Spectral Analysis. 43 (2), In Chinese 577-582 (2023).
- Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
- Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
- Zhang, Y., Liu, Y., Wang, J. Reliability Prediction of Coal Mine Water Disasters Emergency Rescue System Based on Improved SVM. Journal of Zhengzhou University (Engineering Science). 36 (3), In Chinese 115-119 (2015).
- Cao, Y., Song, D., Hu, X., Sun, Y. Fault Diagnosis of Railway Point Machine Based on Improved Time-Domain Multiscale Dispersion Entropy and Support Vector Machine. Acta Electronica Sinica. 51 (1), In Chinese 117-127 (2023).
- Li, Q., Yuze, C., Yu, B., Ning, C. Two-stage support vector machine method for failure mode classification of reinforced concrete columns. Engineering Mechanics. 39 (2), In Chinese 148-158 (2022).
- Yang, Y., Zhang, W., Yu, H., Chai, W., Liu, D. Analysis on the relationships between ultrasonic parameters and the stress state in loaded concrete based on improved support vector machines). Journal of Vibration and Shock. 42 (2), In Chinese 175-224 (2023).
- Yan, K., Shi, C. Prediction of elastic modulus of normal and high strength concrete by support vector machine. Construction & Building Materials. 24 (8), 1479-1485 (2010).
- Hussein, I. J., et al. Fully-automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG). Expert Systems. 39 (3), 12789 (2022).
- Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
- Long, C., Yichi, Z., Zhangkai, L., Dandan, D. Low-Light Image Enhancement Based on RAW Domain Image. Journal of Computer-Aided Design & Computer Graphics. 35 (2), In Chinese 303-311 (2023).
- Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), In Chinese 631-654 (2022).
