Waiting
Login processing...

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

Engineering

Bildegjenkjenning og parameteranalyse av betongvibrasjonstilstand basert på støttevektormaskin

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

Summary

Protokollen beskrevet i dette papiret benytter retningsgradienthistogramteknikken for å trekke ut egenskapene til konkrete bildeprøver under forskjellige vibrasjonstilstander. Den bruker en støttevektormaskin for maskinlæring, noe som resulterer i en bildegjenkjenningsmetode med minimale krav til treningsprøver og lave krav til datamaskinytelse.

Abstract

I dette papiret brukes retningsgradienthistogramteknologien til å trekke ut funksjonene til konkrete bildeprøver tatt under forskjellige vibrasjonstilstander. Støttevektormaskinen (SVM) brukes til å lære forholdet mellom bildefunksjoner og vibrasjonstilstand. Maskinlæringsresultatene brukes deretter til å vurdere gjennomførbarheten av betongvibrasjonstilstanden. Samtidig analyseres påvirkningsmekanismen for beregningsparametrene til retningsgradienthistogrammet på anerkjennelsesnøyaktigheten. Resultatene demonstrerer muligheten for å bruke retningsgradienthistogram-SVM-teknologien for å identifisere betongens vibrasjonstilstand. Gjenkjenningsnøyaktigheten øker i utgangspunktet og reduseres deretter etter hvert som blokkstørrelsen på retningsgradienten, eller antall statistiske intervaller øker. Gjenkjenningsnøyaktigheten reduseres også lineært med økningen av binariseringsterskelen. Ved å bruke eksempelbilder med en oppløsning på 1024 piksler x 1024 piksler og optimalisere funksjonsuttrekkingsparametrene, kan en gjenkjenningsnøyaktighet på 100 % oppnås.

Introduction

Betong er et grunnleggende byggemateriale som er mye brukt i byggebransjen. Under pumping utvikler betongen ofte hulrom som krever komprimering gjennom vibrasjoner. Utilstrekkelig vibrasjon kan resultere i en honeycombed betongoverflate, mens overdreven vibrasjon kan føre til betongsegregering 1,2. Kvaliteten på vibrasjonsoperasjonen påvirker styrkenbetydelig 3,4,5,6 og holdbarheten til de dannede betongkonstruksjonene 7,8. Cai et al.9,10 gjennomførte en studie som kombinerte eksperimentell forskning med numerisk analyse for å undersøke påvirkningsmekanismen for vibrasjon på aggregatsetning og konkret holdbarhet. Funnene viste at vibrasjonstid og aggregatpartikler har en betydelig innvirkning på aggregatsetninger, mens aggregattetthet og plastviskositeten til det sementbaserte materialet har minimal effekt. Vibrasjon forårsaker aggregatavsetning i bunnen av betongprøvene. Dessuten, når vibrasjonstiden øker, reduseres kloridionkonsentrasjonen i bunnen av betongprøvene mens den øker betydelig påtoppen 9,10.

For tiden er vurderingen av betongvibrasjonstilstand hovedsakelig avhengig av manuell vurdering. Etter hvert som byggebransjen fortsetter å utvikle seg gjennom intelligente reformer, har robotoperasjoner dukket opp som fremtidens retning11,12. Følgelig er en avgjørende utfordring i intelligente vibrasjonsoperasjoner hvordan man gjør det mulig for roboter å identifisere betongens vibrasjonstilstand.

Histogrammet til den orienterte gradienten er en teknikk som bruker intensitetsgradienten til piksler eller fordelingen av kantretninger som en beskrivelse for å karakterisere representasjonen og formen til objekter i bilder13,14. Denne tilnærmingen opererer på de lokale rutenettcellene i bildet, og gir robust stabilitet i karakterisering av bildeendringer under forskjellige geometriske og optiske forhold.

Zhou et al.15 foreslo en metode for direkte å trekke ut retningsgradientfunksjoner fra Bayer-modusbilder. Denne tilnærmingen utelater mange trinn i beregningen av retningsgraderingen ved å tilpasse fargefilterkolonnen til graderingsoperatoren, og reduserer dermed beregningskravene for retningsgradert bildegjenkjenning betydelig. Han et al.16 benyttet retningsgradienthistogrammet som underliggende trekk og benyttet den gjennomsnittlige klyngealgoritmen for å klassifisere skinnefester og avgjøre om festene er defekte. Anerkjennelsesresultatene indikerte at histogrammet til den orienterte gradientfunksjonen viste høy følsomhet for festefeil, og oppfylte behovene til vedlikehold og reparasjon av jernbanen. I en annen studie forhåndsbehandlet Xu et al.17 ansiktsbildefunksjoner ved hjelp av Gabor wavelet-filtrering og reduserte dimensjonen til funksjonsvektorer gjennom binær koding og HOG-algoritmen. Den gjennomsnittlige anerkjennelsesnøyaktigheten til metoden er 92, 5%.

Støttevektormaskinen (SVM)18 brukes til å kartlegge vektoren i et høydimensjonalt rom og etablerer et separerende hyperplan med en passende retning for å maksimere avstanden mellom to parallelle hyperplan. Dette muliggjør klassifisering av støttevektorer19. Forskere har forbedret og optimalisert denne klassifiseringsteknologien, noe som fører til anvendelse på ulike felt som bildegjenkjenning20,21, tekstklassifisering22, pålitelighetsprediksjon23 og feildiagnose24.

Li et al.25 utviklet en to-trinns SVM-modell for gjenkjenning av seismisk feilmønster, med fokus på tre seismiske feilmoduser. Analyseresultatene indikerer at den foreslåtte to-trinns SVM-metoden kan oppnå mer enn 90% nøyaktighet for de tre feilmodusene. Yang et al.26 integrerte en optimaliseringsalgoritme med SVM for å simulere forholdet mellom de fem ultralydparametrene og spenningen til den lastede betongen. Ytelsen til en uoptimalisert SVM er utilfredsstillende, spesielt i lavspenningsstadiet. Traversering av modellen optimalisert av algoritmen gir imidlertid forbedrede resultater, om enn med lange beregningstider. Til sammenligning reduserer optimaliseringen av partikkelsvermen SVM beregningstiden betydelig, samtidig som den leverer optimale simuleringsresultater. Yan et al.27 benyttet SVM-teknologi og introduserte en presisjonsfølsom tapsfunksjon for å forutsi den elastiske modulen av høyfast betong, og sammenlignet prediksjonsnøyaktigheten mot den tradisjonelle regresjonsmodellen og nevrale nettverksmodellen. Forskningsresultatene viser at SVM-teknologien gir en mindre prediksjonsfeil for elastisk modul sammenlignet med andre metoder.

Dette papiret samler bildeprøver av betong under forskjellige vibrasjonstilstander og beskriver betongens forskjellige tilstander ved hjelp av retningsgradienthistogramteknikken. Den retningsbestemte gradienten brukes som en funksjonsvektor for trening av SVM, og studien fokuserer på levedyktigheten ved å bruke retningsgradienthistogram-SVM-teknologien for å identifisere vibrasjonstilstanden til betong. I tillegg analyserer papiret påvirkningsmekanismen mellom tre nøkkelparametere - binariseringsterskel, retningsgradient statistisk blokkstørrelse og retningsgradient statistisk intervallnummer - i funksjonen utvinningsprosessen av retningsgradienthistogrammet og anerkjennelsesnøyaktigheten til SVM.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Konkret prøvebildeoppkjøp

  1. Transporter betong til arbeidsplassen, hvor den skal helles av pumpebilen.
  2. For å ta bilder, slå på opptaksutstyret ved å flytte av / på-bryteren til høyre og vri den til PÅ-posisjon . Juster kameraets modusknapp til grønn automatisk modus, sørg for at kameralinsen er parallell med betongoverflaten, og trykk på lukkertasten. Ta 20 bildeprøver av ikke-vibrert betong, og lagre dem i .jpg format med en oppløsning på 1024 x 1024 piksler, som illustrert i figur 1.
  3. Sett den vibrerende delen av betongvibrasjonsutstyret (plug-in betongvibrerende stang) inn i betongen. Koble til strømforsyningen, og slå deretter på betongvibrasjonsutstyret ved å sette det i PÅ-posisjon .
  4. Når det er noen kollaps på overflaten av betongen (forårsaket av vibrasjonsutladende luft inne i betongen, noe som fører til synking av overflateaggregater for å fylle hullene, noe som resulterer i betongkollaps) og noen sementoppslemming vises, hold kameralinsen parallell med betongoverflaten og trykk på utløsertasten. Samle 20 bildeprøver av vibrerende betong, som vist i figur 2.
  5. Fortsett å bruke vibrasjonsutstyret. Når det ikke er noen åpenbar kollaps på betongoverflaten, vises ingen sementoppslemming, og ingen bobler genereres, stopper vibrasjonsprosessen og fanger 20 bildeprøver av vibrert betong, som vist i figur 3.

2. Eksempel på bilde grå binarisering

  1. Bruk imread()-funksjonen i MATLAB-programvaren til å lese .jpg-filen som enhetsformatdata på 1024 piksler x 1024 piksler x 3 fargekanaler, som representerer de røde, grønne og blå kanalverdiene til bildet.
  2. Deretter bruker du MATLAB-funksjonen rgb2gray for å konvertere bildet til gråtoner, merket med formatet grå verdi = rgb2gray (jpg filnavn). Beregn den grå verdien for hvert bildepunkt i henhold til Formel (1), og lagre den grå verdien som data i enhetsformat på 1024 x 1024.
    GR(i,j) = 0,2989R(i,j) + 0,587G(i,j) + 0,114B(i,j) (1)
    der GR (i,j) er den grå verdien til pikselpunktet, R(i,j) er den røde kanalverdien til pikselpunktet, G(i,j) er den grønne kanalverdien til pikselpunktet, og B(i,j) er den blå kanalverdien til pikselpunktet.
  3. Endre den binære verdien for de grå verdiene som er større enn bildepunktterskelen θ til 1, og angi binærverdien for de grå verdiene mindre enn θ-bildepunktet til 0.
  4. Når du har fått de binariserte grå resultatene, lagrer du resultatet som 1024 x 1024 logiske formatdata. I dette tilfellet representerer θ binariseringsterskelen, og verdiene er 50, 100, 150 og 200 for forskjellige konkretprøvebilder av vibrasjonstilstand, som vist i figur 5, figur 6 og figur 7.

3. Beregning av egenverdi for retningsgradient

  1. Beregn den horisontale og vertikale binære gradienten til hvert bildepunkt i bildet ved hjelp av følgende ligning28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    hvor Th er den horisontale binariserte gradienten, Tp er den vertikale binariserte gradienten, R er de binariserte logiske formatdataene, x er radnummeret til den binariserte matrisen, og y er kolonnenummeret til den binariserte matrisen.
  2. Beregn binær gradientretning og størrelse for hvert punkt ved hjelp av følgende ligning29
    Equation 1
    der T er den binære gradientstørrelsen, αT er den binære gradientretningen, Th er den horisontale binære gradienten, og Tp er den vertikale binære gradienten.
  3. Bestem størrelsen på bildesegmenteringsblokken, betegnet som n, hvor verdien av n er [ 1,9]. Sett segmenteringslinjen for hver n piksel i y-retningen langs x-retningen, og del bildet effektivt i n x n kvadratblokker basert på segmenteringslinjens posisjon. Alle deler av bildet som ikke kan danne komplette firkantede blokker, fjernes deretter.
  4. Partisjon binær gradientretning αT (verdien av den binære gradientretningen αT er [0°, 360°]) i m deler, noe som resulterer i m retningsbestemt gradient statistiske vinkelintervaller. Fortsett med å beregne gradientstatistisk verdi for hver blokks gradientstatistiske vinkelintervall.
    1. Basert på den binære gradientretningen til hver piksel i blokken, klassifiserer du pikslene i riktig gradient statistisk vinkelintervall for hver retning.
    2. Summer den binære gradienten til bildepunktene i det gradiente statistiske vinkelintervallet for hver retning mot klokken for å få den statistiske gradientverdien for det intervallet. De oppnådde resultatene for gradient statistisk vinkelintervallretningsgradientstatistikk er vist i figur 8, figur 9 og figur 10 for blokkstørrelser n lik henholdsvis 8, 128 og 512 .

4. Konstruere retningsgradientfunksjonsvektor

  1. Del prøvene inn i nødvendige beregningsområder, der hvert beregningsområde består av fire tilstøtende blokker basert på blokkresultatene oppnådd i trinn 3.3. For eksempel, vurderer 16 x 16 oppløsningspiksler og en blokkstørrelse på 4 x 4, er bildet delt inn i (16 / 4-1) x (16 / 4-1) = 9 beregningsområder.
  2. Beregn den statistiske verdien av retningsgradienten innenfor vinkelintervallet for gradientstatistikken for hver blokk i beregningsområdet. Deretter får du funksjonsvektoren med retningsgradientstatistikken som komponent.
  3. Kombiner vektorene for retningsgraderingsfunksjonen fra hvert beregningsområde for å få bildets retningsgraderingsfunksjonsvektor.

5. SVM-opplæring

  1. Velg tilfeldig 42 prøver fra de tre vibrasjonstilstandene for å opprette treningsgruppen, og la de resterende 18 prøvene være testgruppen.
  2. Utnytte fitcecoc-funksjonen til MATLAB for SVM-trening; formatet er
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    der SVM er støttevektormaskinen som skal trenes, trainingFeatures er treningsgruppens retningsgradientfunksjonsvektor, og Trainingeigenvalue er den karakteristiske verdien av treningsgruppens vibrasjonstilstand. De karakteristiske verdiene for vibrasjonstilstanden til ikke-vibrert betong, vibrerende betong og vibrerte betongprøver er henholdsvis 1, 2 og 3.
  3. Lagre den opplærte SVM-en ved hjelp av Lagre-funksjonen i .mat-format.

6. Verifikasjon av SVM-gjenkjenningsnøyaktighet

  1. Ved hjelp av MATLABs prediksjonsfunksjon skriver du inn testgruppeprøvebildets retningsgradientfunksjonsvektor i den opplærte SVM-en for å oppnå den beregnede verdien av vibrasjonstilstandsfunksjonen for hver testprøve. Formatet er som følger:
    testgroupcalculateseigenvalues = predikere (SVM, testFeature)
    der testgroupcalculateseigenvalues er den beregnede verdien av vibrasjonstilstandsfunksjonen, og SVM er støttevektormaskinen som er opplært i trinn 5. testFeature er retningsgraderingsfunksjonsvektoren til eksempelbildet for testgruppen.
  2. Bestem resultatene av prøvegjenkjenning for testsettet ved å mate testsettet inn i den opplærte SVM-en. Tell antall prøver der resultatene av testsettgjenkjenningen samsvarer med den faktiske tilstanden, og beregn deretter gjenkjenningsnøyaktigheten ved å dividere antall riktige prøver med det totale antallet prøvene i testsettet.
    1. Hvis testgjenkjenningsnøyaktigheten er høyere enn 94 %, bør du vurdere SVM-gjenkjenningen som effektiv. Hvis den er lavere enn 94 %, går du tilbake til trinn 1.1 og justerer binariseringsterskelen, blokkstørrelse n og antall statistiske intervaller for retningsgradering m.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Denne protokollen tar sikte på å analysere hvordan de tre vektorberegningsparametrene til retningsgradientfunksjonen påvirker nøyaktigheten til SVM ved å identifisere betongvibrasjonstilstanden. De primære beregningsparametrene for retningsgradientfunksjonsvektoren inkluderer den retningsgraderte statistiske blokkstørrelsen, antall retningsgraderte statistiske vinkelintervaller og den binære grå terskelen. Denne delen bruker tre hovedberegningsparametere som variabler for å utforme testen. Testparameternivåene er beskrevet i tabell 1. Totalt 100 tester ble utført på konkrete bildeprøver med en oppløsning på 1024 x 1024 piksler. Testresultatene som tilsvarer parametrene beskrevet i tabell 1 er presentert i tabell 2.

Analyse av forskjellige binære grå terskel-SVM-gjenkjenningsresultater
Tabell 2 viser den gjennomsnittlige gjenkjenningsnøyaktigheten til SVM for forskjellige binariseringsterskler, og forholdet mellom binariseringsterskelen og gjenkjenningsnøyaktigheten er visualisert i figur 4. Når blokkstørrelsen og antall statistiske intervaller er faste, viser gjenkjenningsnøyaktigheten til SVM generelt en synkende trend med en økning i binariseringsterskelen. Spesielt reduseres gjenkjenningsnøyaktigheten betydelig når binariseringsterskelen faller innenfor området 100 til 150. Ytterligere undersøkelser er nødvendig for å forstå årsakene bak dette fenomenet og dets innvirkning på SVMs divisjonsberegning.

I denne delen, etter metoden beskrevet i trinn 2.1 og den eksperimentelle utformingen beskrevet i trinn 3.1, blir bildeprøvene av ikke-vibrert betong, vibrerende betong og vibrert betong binarisert. De binariserte grå tersklene som brukes, er 50, 100, 150, 200 og 250, noe som resulterer i binariserte gråbilder for hver tilstand, som vist i figur 5, figur 6 og figur 7.

Som illustrert i figur 5, når binariseringsterskelen minker, reduseres det hvite området i det binære bildet av den ikke-vibrerte betongbildeprøven betydelig. Ved en binariseringsterskel på 250 ser det binære bildet ut til å være rent svart. I figur 6 er den endrede trenden til det binære gråbildet av den vibrerende betongbildeprøven med binariseringsterskelen lik den for den ikke-vibrerte betongprøven, men reduksjonen av det hvite området er mer uttalt i den vibrerende betongbildeprøven. Videre illustrerer figur 7 kombinasjonen av den svarte delen og hvite områder, noe som gjenspeiler overflateteksturegenskapene til betong i forskjellige vibrasjonstilstander. Det binære gråbildet av vibrert betong avtar også med avtagende binariseringsterskel. For eksempel, når binariseringsterskelen er satt til 50 og 100, har det binære gråbildet av vibrert betong en tendens til å være hvitt. Ved en terskel på 150 ser det ut som de to andre tilstandene, men når terskelen overstiger 150, har det binære bildet en tendens til å være svart. Spesielt når binariseringsterskelen er mellom 100 og 150, oppstår betydelige endringer i de binære bildefunksjonene.

Funksjonsvektorekstraksjonen i denne artikkelen er avhengig av retningsgradienten til bildeprøver. Hvis du øker terskelen for binarisering fra 50 til 100, reduseres kontaktområdet mellom hvite og svarte piksler. Denne reduksjonen påvirker statistikken for retningsgraderingen for bildepunkter, siden den avhenger av bildepunktverdiendringen mellom hvert bildepunkt. Et større kontaktområde resulterer i færre enn 0 komponenter i SVM-funksjonsvektoren, noe som gjør representasjonen av betongens vibrasjonstilstandsegenskaper mer omfattende. Endringen i gjenkjenningsnøyaktighet med binariseringsterskelen skyldes hovedsakelig endringen i antall 0-komponenter i retningsgradientfunksjonsvektoren. Videre, når binariseringsterskelen heves fra 150 til 250, reduseres det hvite området av den binære bildeprøven betydelig. Følgelig er den tilsvarende anerkjennelsesnøyaktigheten også sterkt redusert, noe som ytterligere støtter denne regelen.

Ulike retningsgradering statistisk blokkstørrelse-SVM-gjenkjenningsresultater
I denne delen beregnes den statistiske blokkstørrelsesidentifikasjonsnøyaktigheten for gradientstatistikk i forskjellige retninger, som presentert i tabell 2 . Deretter beregnes middelverdien av statistisk blokkstørrelsesidentifikasjonsnøyaktighet av gradientstatistikk i hver retning. Resultatene er illustrert i figur 8.

Figur 8 viser forholdet mellom gjenkjenning av SVM for betongbildeprøver med 1024-oppløsning og den statistiske blokkstørrelsen til retningsgradienten. Dette forholdet kan uttrykkes ved ligning (2).

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

Bildeeksempelfunksjonsvektoren beregnes ved hjelp av blokkfeiingsmetoden20. I mellomtiden, når blokken er liten, karakteriserer funksjonsvektoren den lokale spesifisiteten til det binære bildet. Dette resulterer i konkrete prøvebilder av forskjellige vibrasjonstilstander som har lignende lokal spesifisitet, noe som fører til et betydelig antall 0-komponenter i funksjonsvektoren. Følgelig forårsaker dette høye antallet 0-komponenter betydelig interferens i SVM-divisjonen, noe som fører til redusert gjenkjenningsnøyaktighet, spesielt for bilder på 1024 piksler med en blokkstørrelse på 8 piksler.

Etter hvert som blokkstørrelsen øker, reduseres den lokale spesifisiteten som reflekteres av funksjonsvektoren gradvis, og funksjonsvektoren karakteriserer den regionale spesifisiteten til bildeprøven, som illustrert i figur 10. Følgelig reduseres antall 0-komponenter i funksjonsvektoren, noe som fører til mindre interferens under delingsprosessen til SVM. Dermed forbedres gjenkjenningsnøyaktigheten til SVM.

Men når blokkstørrelsen økes ytterligere, og overstiger 32 piksler, fortsetter antallet 0-komponenter i funksjonsvektoren å synke. Men det fører også til en reduksjon i dimensjonen til funksjonsvektoren til SVM-treningssettet. På dette tidspunktet stammer virkningen på gjenkjenningsnøyaktigheten til SVM hovedsakelig fra mangelen på funksjonsdimensjoner. Likevel klarer funksjonsvektoren fortsatt å fange en viss grad av spesifisitet i det konkrete bildet. Som illustrert i figur 11, når blokkstørrelsen utvides til en viss grad, viser retningsgradientfunksjonene i hver blokk av betongprøver med forskjellige vibrasjonstilstander fortsatt betydelige forskjeller. Denne observasjonen forklarer hvorfor gjenkjenningsnøyaktigheten reduseres når blokkstørrelsen blir for stor, selv om reduksjonen er relativt liten.

Retningsgradient statistisk vinkelintervallnummer-SVM-gjenkjenningsresultater
I denne delen beregnes gjenkjenningsnøyaktigheten av antall retningsgradienter statistiske intervaller presentert i tabell 2 . Deretter beregnes gjennomsnittlig anerkjennelsesnøyaktighet av antall retningsgradienter statistiske intervaller. Resultatene er illustrert i figur 12.

Fra figur 12 er det tydelig at når antall retningsbestemte gradientstatistiske intervaller øker, stiger gjenkjenningsnøyaktigheten til SVM for betongvibrasjonstilstanden først og reduseres deretter. Dette forholdet kan uttrykkes ved ligning (3)

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

Påvirkningsmekanismen mellom antall statistiske intervaller av gradientretning og gjenkjenningsnøyaktigheten skyldes endringen i parametere for uttrekking av bildefunksjoner. Dette fører til et skifte i den spesifikke karakteriseringsevnen til funksjonsvektorer for bildeprøver. I denne delen blir en del av bildeprøvene av moderat vibrert betong fanget opp. Beregningsresultatene av retningsgradientegenskapene oppnås når rutestørrelsen er 4, og antall retningsgradientstatistiske intervaller er satt til 6, 9, 12 og 15, som illustrert i figur 13.

Som vist i figur 13A,B, når antall retningsbestemte gradientstatistiske intervaller er satt til 6, er størrelsen på hvert intervall 60°. Tatt i betraktning beregningsblokkstørrelsen er 4x4, er det 16 piksler i hver blokk. Med større intervallstørrelser faller retningsgradienten for flere piksler innenfor ett enkelt intervall. Dette fører til en økning i antall 0-komponenter i funksjonsvektoren til bildeprøver når intervallstørrelsen er større. Følgelig påvirker det treningsresultatene og gjenkjenningsnøyaktigheten til SVM. Men når antall retningsgraderinger er 9, blir vinkelinndelingen mer raffinert, noe som fører til en reduksjon i situasjoner der det ikke er piksler innenfor et intervall. Følgelig reduseres også antallet 0-komponenter i funksjonsvektoren for bildeprøver, noe som resulterer i en forbedret bildespesifikk representasjonsevne for funksjonsvektoren. Imidlertid, ved sammenligning med figur 13C og figur 13D, når antall retningsgradientstatistiske intervaller øker fra 12 til 15, øker antall piksler med 0 i intervallet for beregningsresultatene for retningsgradientfunksjonen. Som et resultat reduseres funksjonsvektorens evne til å karakterisere spesifisiteten til prøvebildet. Denne reduksjonen i karakteriseringsevnen tilskrives den ytterligere reduksjonen i størrelsen på det retningsbestemte gradientstatistiske intervallet. Spesielt er intervallet med bare en piksel nå delt inn i to intervaller: en med en enkelt piksel og en annen som et tomt intervall. Følgelig fører økningen i antall tomme intervaller til flere 0-komponenter i funksjonsvektoren, noe som til slutt resulterer i en reduksjon i gjenkjenningsnøyaktigheten.

Figure 1
Figur 1: Bilde av ikke-vibrert betong. Pumpede betongbilder tatt uten vibrasjonsdrift. Klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2: Bilde av vibrerende betong. Bildeprøver ved pumping av betongvibrasjoner. Klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: Bilde av vibrert betongprøve. Bildeprøver ved pumping av betongvibrasjoner er fullført. Klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: Binariseringsterskel-gjenkjenningsnøyaktighetsforhold. Innflytelsen av binariseringsterskel på anerkjennelsesnøyaktigheten til SVM. Klikk her for å se en større versjon av denne figuren.

Figure 5
Figur 5: Binært gråtonebilde av ikke-vibrert betong. Binariseringsprosesseringen resulterer i ikke-vibrerte betongbilder når forskjellige binariseringsterskler er satt. (A) Binariseringsterskel ved 50. (B) Binariseringsterskel ved 100. (C) Binariseringsterskel ved 150. (D) Binariseringsterskel ved 200. (E) Binariseringsterskel ved 250. Klikk her for å se en større versjon av denne figuren.

Figure 6
Figur 6: Binært gråtonebilde av vibrerende betong. Binariseringsprosesseringen resulterer i vibrerende betongbilder når forskjellige binariseringsterskler er satt. (A) Binariseringsterskel ved 50. (B) Binariseringsterskel ved 100. (C) Binariseringsterskelen ved 150. (D) Binariseringsterskel ved 200. (E) Binariseringsterskel ved 250. Klikk her for å se en større versjon av denne figuren.

Figure 7
Figur 7: Binært gråtonebilde av vibrert betong. Binariseringsprosesseringen resulterer av vibrert betongbilde når forskjellige binariseringsterskler er satt. (A) Binariseringsterskel ved 50. (B) Binariseringsterskel ved 100. (C) Binariseringsterskel ved 150. (D) Binariseringsterskel ved 200. (E) Binariseringsterskel ved 250. Klikk her for å se en større versjon av denne figuren.

Figure 8
Figur 8: Retningsgradient statistisk blokkstørrelse-gjenkjenningsnøyaktighetsdiagram. Innflytelsen av retningsgradient statistisk blokkstørrelse på gjenkjenningsnøyaktigheten til SVM. Klikk her for å se en større versjon av denne figuren.

Figure 9
Figur 9: Skjematisk diagram over blokkstørrelse 8 piksler retningsbestemte graderingsfunksjoner ekstraksjonsresultater. Graderingsfunksjonen resulterer i tre typer vibrasjonstilstandsretning når blokkstørrelsen er 8 piksler. (A) Ikke-vibrert betong, (B) vibrerende betong, (C) vibrert betong. Klikk her for å se en større versjon av denne figuren.

Figure 10
Figur 10: Skjematisk diagram over blokkstørrelse 128 piksler retningsbestemte graderingsfunksjoner utvinning resultater. Graderingsfunksjonen resulterer i tre typer vibrasjonstilstandsretning når blokkstørrelsen er 128 piksler. (A) Ikke-vibrert betong, (B) vibrerende betong, (C) vibrert betong. Klikk her for å se en større versjon av denne figuren.

Figure 11
Figur 11: Retningsgraderingsuttrekksresultater av betongprøvebilder i forskjellige vibrasjonstilstander med en blokkstørrelse på 512 piksler. Graderingsfunksjonen resulterer i tre typer vibrasjonstilstandsretning når blokkstørrelsen er 512 piksler. (A) Ikke-vibrert betong, (B) vibrerende betong, (C) vibrert betong. Klikk her for å se en større versjon av denne figuren.

Figure 12
Figur 12: Retningsgradient statistisk intervall tall-gjenkjenningsnøyaktighetsforhold. Påvirkningen av retningsgradient statistisk intervallnumbe r på gjenkjenningsnøyaktigheten til SVM Klikk her for å se en større versjon av denne figuren.

Figure 13
Figur 13: Beregningsresultater av retningsgradientegenskapene til antall forskjellige retningsgradientstatistiske intervaller. Resultatene av retningsgradientegenskapene til prøven oppnås når forskjellige statistiske intervaller for retningsgradient er angitt. (A) 6 retningsgradient statistiske intervaller, (B) 9 retningsgradient statistiske intervaller, (C) 12 retningsgradient statistiske intervaller, (D) 15 retningsgradient statistiske intervaller. Klikk her for å se en større versjon av denne figuren.

Tabell 1: Faktornivå for SVM-identifikasjonstest. Påvirkningen av beregningsparametrene til retningsgradientfunksjonsvektoren på nøyaktigheten til SVM for å identifisere betongvibrasjonstilstanden analyseres. Klikk her for å laste ned denne tabellen.

Tabell 2: Testresultater for retningsgradienthistogramparameteranalyse. Basert på testskjemaet i tabell 1 oppnås resultatene for gjenkjenningsnøyaktighet. Klikk her for å laste ned denne tabellen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Dette papiret bruker støttevektormaskinen (SVM) for å lære bildefunksjonene til forskjellige konkrete vibrasjonstilstandsprøver. Basert på maskinlæringsresultatene foreslås en konkret vibrasjonstilstandsgjenkjenningsmetode basert på bildegjenkjenning. For å forbedre gjenkjenningsnøyaktigheten er det avgjørende å kontrollere parametrene til de tre nøkkeltrinnene: bildesegmentering, bildebinarisering og egenverdiutvinning av retningsgradient. Ifølge testresultatene brukes en mindre binariseringsterskel for å forhåndsbehandle det konkrete prøvebildet, og bildesegmenteringsblokkstørrelsen på 128 piksler x 128 piksler utnyttes. Antall retningsgraderinger for statistiske vinkelintervaller er satt til 12. I bildeeksempelsettet med 1024 oppløsning oppnås den beste gjenkjenningsnøyaktigheten for maskinlæringsresultater.

På grunn av de betydelige variasjonene i miljøet på forskjellige byggeplasser, har denne metoden en nøyaktighetsjusteringsmekanisme. Når gjenkjenningsnøyaktigheten ikke oppfyller kravene, kan de tre nøkkelparametrene nevnt ovenfor utvides eller reduseres som en levedyktig løsning, noe som effektivt reduserer gjenkjenningsnøyaktighetsfeil forårsaket av miljøendringer. Det er viktig å merke seg at denne metoden er sterkt avhengig av belysningsforholdene i arbeidsflaten. Ta bilder under dårlige belysningsforhold kan føre til en reduksjon i gjenkjenningsnøyaktigheten. For å redusere avhengigheten av belysningsforhold har bildeforbedringsalgoritmer med lav belysning blitt utforsket30, men de øker gjenkjenningstiden og maskinvarekravene betydelig. For øyeblikket sikrer ingen effektiv teknologi både lav belysningsgjenkjenningsnøyaktighet og gjenkjenningseffektivitet. Denne metoden bruker histogrammet av orientert gradientteknologi for å karakterisere egenskapene til betongvibrasjonstilstanden, inkludert overflatekollaps, sementoppslemming som flyter og bobler i prosessen med betongvibrasjon. Sammenlignet med eksisterende teknologier, reduserer denne tilnærmingen betydelig antall prøver som kreves og senker datamaskinens ytelseskrav. Med en bærbar datamaskin utstyrt med en 2,30 GHz CPU, fullfører gjenkjenningsprosessen treningsplassdifferensieringen av SVM i løpet av bare 15 sekunder. Når ekstraksjonsparametrene er riktig innstilt, forbedres også gjenkjenningsnøyaktigheten31.

I fremtiden kan denne protokollen brukes til å kommandere vibrasjonsoperasjonen til konstruksjonsroboten, noe som muliggjør rettidig opphør av operasjoner når betongen når ønsket vibrasjonsnivå, og dermed unngår kvalitetsproblemer forårsaket av utilstrekkelig vibrasjon. I tillegg kan metoden tilpasses for å modifisere robotoperasjoner basert på teksturegenskaper på byggeplassen, for eksempel strukturell flathetsdeteksjon, fjerning av ansiktsoppslemming og andre relaterte prosesser.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Vi takker Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) for finansieringen av dette arbeidet.

Materials

Name Company Catalog Number Comments
camera SONY A6000 The sensor size is 23.5x15.6mm, the maximum acquisition resolution is 1440 * 1080, and the effective pixel is 24.3 million.
concrete Wuhan Construction Changxin Technology Development Co., Ltd. C30 pumping concrete According to the standard of ' concrete strength test and evaluation standard ' ( GB / T 50107-2010 ), the standard value of cubic compressive strength is 30 MPa pumping concrete.
Matlab MathWorks Matlab R2017a MATLAB's programming interface provides development tools for improving code quality maintainability and maximizing performance.
It provides tools for building applications using custom graphical interfaces.
It provides tools for combining MATLAB-based algorithms with external applications and languages
Processor  Intel 12th Gen Intel(R) Core (TM) i7-12700H @ 2.30GHz 64-bit Win11 processor 

DOWNLOAD MATERIALS LIST

References

  1. Jiang, L., Tian, Z., Wang, K., Sun, X. Estimating the segregation of concrete under vibration based on electrical method. Concrete. 1, In Chinese 41-44 (2023).
  2. Ren, B., Ye, Z., Wang, D., Wu, B., Tan, Y. Evaluation of segregation degree of hardening concrete using improved Mask R-CNN. Journal of Hydroelectric Engineering. 41 (5), In Chinese 93-102 (2022).
  3. Hu, J., Qin, M., Wang, H., Liu, K. Study on the influence of vibration frequency on the performance of concrete. Highway. 65 (12), In Chinese 111-114 (2020).
  4. Bian, C., et al. Experimental study on characterization of evaluation indexes for vibration compaction of fresh concrete. Journal of Hydroelectric Engineering. 39 (2), 67-80 (2020).
  5. Liu, Z., Zhou, M., Bai, J., Mou, S. Influence of vibration time on the strength and homogeneity of rubber concrete. Industrial Construction. 42, In Chinese 509-512 (2012).
  6. Cheng, Y., Gou, Z., Wang, Y. Testing Investigation on Effects of Mixing, Vibrating and Curing on Strength of High-Performance Concrete. Journal of Northeastern University (Natural Science). 31 (12), In Chinese 1790-1793 (2010).
  7. Zhao, Y., Chen, S., Liu, Z. Influence mechanism of high-frequency vibration on concrete antifreeze and application in construction of tunnels in cold regions. Industrial Construction. 44 (5), In Chinese 101-105 (2014).
  8. Quan, L., Tian, B., Li, S., He, Z., He, K. Evolution characteristics of flexural fatigue performance of dense concrete consolidated with high frequency vibration applied in airport pavement. Journal of Traffic and Transportation Engineering. 20 (2), In Chinese 34-45 (2020).
  9. Cai, Y., et al. Influence of coarse aggregate settlement induced by vibration on long-term chloride transport in concrete: a numerical study. Materials and Structures. 55 (9), 1-18 (2022).
  10. Cai, Y., Liu, Q. F., Yu, L., Meng, Z., Avija, B. An experimental and numerical investigation of coarse aggregate settlement in fresh concrete under vibration. Cement and Concrete Composites. 122 (7), 104153 (2021).
  11. Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), In Chinese 631-654 (2022).
  12. Chen, C., Li, X., Qiu, Z., Yao, W., Zhu, H. Research Progress of Construction Robots. Journal of Architecture and Civil Engineering. 39 (4), In Chinese 58-70 (2022).
  13. Shen, H., Zhang, W., Liu, J., Qiu, K. Development and Prospect of Construction Robots for High Rise Buildings. Construction Technology. 46 (8), In Chinese 105-108 (2017).
  14. Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , San Diego, USA. (2005).
  15. Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1 (2021).
  16. He, B., et al. Railway Fastener Defects Detection under Various Illumination Conditions using Fuzzy C-Means Part Model. Transportation Research Record. 2675 (4), 271-280 (2021).
  17. Xu, X., Quan, C., Ren, F. Facial expression recognition based on Gabor Wavelet transform and Histogram of Oriented Gradients. IEEE International Conference on Mechatronics & Automation. , Beijing, China. (2015).
  18. Cortes, C., Vapnik, V. N. Support Vector Networks. Machine Learning. 20 (3), 273-297 (1995).
  19. Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
  20. Yang, C., et al. Identification of Pleurotus Ostreatus From Different Producing Areas Based on Mid-Infrared Spectroscopy and Machine Learning. Spectroscopy and Spectral Analysis. 43 (2), In Chinese 577-582 (2023).
  21. Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
  22. Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
  23. Zhang, Y., Liu, Y., Wang, J. Reliability Prediction of Coal Mine Water Disasters Emergency Rescue System Based on Improved SVM. Journal of Zhengzhou University (Engineering Science). 36 (3), In Chinese 115-119 (2015).
  24. Cao, Y., Song, D., Hu, X., Sun, Y. Fault Diagnosis of Railway Point Machine Based on Improved Time-Domain Multiscale Dispersion Entropy and Support Vector Machine. Acta Electronica Sinica. 51 (1), In Chinese 117-127 (2023).
  25. Li, Q., Yuze, C., Yu, B., Ning, C. Two-stage support vector machine method for failure mode classification of reinforced concrete columns. Engineering Mechanics. 39 (2), In Chinese 148-158 (2022).
  26. Yang, Y., Zhang, W., Yu, H., Chai, W., Liu, D. Analysis on the relationships between ultrasonic parameters and the stress state in loaded concrete based on improved support vector machines). Journal of Vibration and Shock. 42 (2), In Chinese 175-224 (2023).
  27. Yan, K., Shi, C. Prediction of elastic modulus of normal and high strength concrete by support vector machine. Construction & Building Materials. 24 (8), 1479-1485 (2010).
  28. Hussein, I. J., et al. Fully-automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG). Expert Systems. 39 (3), 12789 (2022).
  29. Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
  30. Long, C., Yichi, Z., Zhangkai, L., Dandan, D. Low-Light Image Enhancement Based on RAW Domain Image. Journal of Computer-Aided Design & Computer Graphics. 35 (2), In Chinese 303-311 (2023).
  31. Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), In Chinese 631-654 (2022).

Tags

Engineering utgave 203
Bildegjenkjenning og parameteranalyse av betongvibrasjonstilstand basert på støttevektormaskin
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