Destek vektör makinesine dayalı beton titreşim durumunun görüntü tanıma ve parametre analizi

Beton, inşaat sektöründe yaygın olarak kullanılan temel bir yapı malzemesidir. Pompalama sırasında, beton sıklıkla titreşim yoluyla sıkıştırma gerektiren boşluklar geliştirir. Yetersiz titreşim, petekli bir beton yüzeye neden olabilirken, aşırı titreşim beton ayrışmasına^{neden olabilir 1,2}. Titreşim işleminin kalitesi, şekillendirilmiş beton yapıların mukavemetini 3,4,5,6 ve ^{dayanıklılığını 7,8} önemli ölçüde etkiler. Cai ve ^ark.9,10, titreşimin agrega oturması ve beton dayanıklılığı üzerindeki etki mekanizmasını araştırmak için deneysel araştırmaları sayısal analizle birleştiren bir çalışma yürütmüştür. Bulgular, titreşim süresi ve agrega parçacıklarının agrega oturması üzerinde önemli bir etkiye sahip olduğunu, agrega yoğunluğunun ve çimento esaslı malzemenin plastik viskozitesinin ise minimum etkiye sahip olduğunu ortaya koymuştur. Titreşim, beton numunelerin dibinde agrega birikmesine neden olur. Ayrıca, titreşim süresi arttıkça, klorür iyonu konsantrasyonu beton numunelerin dibinde azalırken, üst ^9,10'da önemli ölçüde artmaktadır.

Şu anda, somut titreşim durumunun değerlendirilmesi ağırlıklı olarak manuel yargıya dayanmaktadır. İnşaat sektörü akıllı reformlarla ilerlemeye devam ederken, robot operasyonları geleceğin yönü olarak ortaya çıkmıştır^11,12. Sonuç olarak, akıllı titreşim operasyonlarında çok önemli bir zorluk, robotların betonun titreşim durumunu tanımlamasının nasıl sağlanacağıdır.

Yönlendirilmiş gradyanın histogramı, görüntülerdeki nesnelerin temsilini ve şeklini karakterize etmek için tanımlayıcı olarak piksellerin yoğunluk gradyanını veya kenar yönlerinin dağılımını kullanan bir tekniktir^13,14. Bu yaklaşım, görüntünün yerel ızgara hücreleri üzerinde çalışır ve çeşitli geometrik ve optik koşullar altında görüntü değişikliklerini karakterize etmede sağlam bir kararlılık sağlar.

Zhou ve ^ark.15 , Bayer modu görüntülerinden yönlü gradyan özelliklerini doğrudan çıkarmak için bir yöntem önerdi. Bu yaklaşım, renk filtresi sütununu degrade işleciyle eşleştirerek yönlü gradyanı hesaplamada çok sayıda adımı atlar ve böylece yönlü gradyan görüntü tanıma için hesaplama gereksinimlerini önemli ölçüde azaltır. O ve ^ark.16 , temel özellik olarak yönlü gradyan histogramını kullandı ve ray bağlantı elemanlarını sınıflandırmak ve bağlantı elemanlarının kusurlu olup olmadığını belirlemek için ortalama kümeleme algoritmasını kullandı. Tanıma sonuçları, yönlendirilmiş gradyan özelliğinin histogramının, demiryolu bakım ve onarım ihtiyaçlarını karşılayarak bağlantı elemanı kusurlarına karşı yüksek hassasiyet sergilediğini gösterdi. Başka bir çalışmada, Xu ve ^ark.17 , Gabor dalgacık filtrelemesini kullanarak yüz görüntüsü özelliklerini önceden işledi ve ikili kodlama ve HOG algoritması yoluyla özellik vektörlerinin boyutunu azalttı. Yöntemin ortalama tanıma doğruluğu %92,5'tir.

Destek vektör makinesi (SVM)¹⁸, vektörü yüksek boyutlu bir uzaya eşlemek için kullanılır ve iki paralel hiper düzlem arasındaki mesafeyi en üst düzeye çıkarmak için uygun bir yöne sahip ayırıcı bir hiper düzlem oluşturur. Bu, destek vektörlerinin^{sınıflandırılmasına izin verir 19}. Bilim adamları bu sınıflandırma teknolojisini geliştirdiler ve optimize ettiler, bu da görüntü tanıma^20,21, metin sınıflandırması²², güvenilirlik tahmini²³ ve hata teşhisi²⁴ gibi çeşitli alanlarda uygulanmasına yol açtı.

Li ve ^ark.25 , sismik arıza paterninin tanınması için üç sismik arıza moduna odaklanan iki aşamalı bir SVM modeli geliştirdi. Analiz sonuçları, önerilen iki aşamalı SVM yönteminin üç arıza modu için %90'dan fazla doğruluk elde edebileceğini göstermektedir. Yang ve ^ark.26 , beş ultrasonik parametre ile yüklenen betonun gerilmesi arasındaki ilişkiyi simüle etmek için SVM ile bir optimizasyon algoritması entegre etti. Optimize edilmemiş bir SVM'nin performansı, özellikle düşük stresli aşamada tatmin edici değildir. Bununla birlikte, algoritma tarafından optimize edilmiş modelde geçiş yapmak, uzun hesaplama sürelerine rağmen daha iyi sonuçlar verir. Buna karşılık, parçacık sürüsü optimizasyonu optimize edilmiş SVM, optimum simülasyon sonuçları sağlarken hesaplama süresini önemli ölçüde azaltır. Yan ve ^ark.27 , SVM teknolojisini kullandı ve yüksek dayanımlı betonun elastik modülünü tahmin etmek için hassas bir şekilde duyarsız bir kayıp fonksiyonu tanıttı ve tahmin doğruluğunu geleneksel regresyon modeli ve sinir ağı modeliyle karşılaştırdı. Araştırma bulguları, SVM teknolojisinin diğer yöntemlere kıyasla elastik modül için daha küçük bir tahmin hatası ürettiğini göstermektedir.

Bu makale, çeşitli titreşim durumları altında betonun görüntü örneklerini toplar ve yönlü gradyan histogram tekniğini kullanarak betonun farklı durumlarını açıklar. Yönlü gradyan, SVM'yi eğitmek için bir özellik vektörü olarak kullanılır ve çalışma, betonun titreşim durumunu belirlemek için yönlü gradyan histogramı-SVM teknolojisini kullanmanın uygulanabilirliğine odaklanır. Ek olarak, makale, yönlü gradyan histogramının özellik çıkarma sürecinde ve SVM'nin tanıma doğruluğunda üç temel parametre (ikilileştirme eşiği, yönlü gradyan istatistiksel blok boyutu ve yönlü gradyan istatistiksel aralık sayısı) arasındaki etki mekanizmasını analiz eder.

1. Somut örnek görüntü alımı

1. Betonu pompa kamyonu tarafından döküleceği işyerine taşıyın.
2. Görüntü yakalamak için, güç tuşu anahtarını sağa hareket ettirip AÇIK konuma getirerek çekim ekipmanını açın. Kamera merceğinin beton yüzeye paralel olduğundan emin olarak kameranın mod düğmesini yeşil otomatik moda ayarlayın ve Deklanşör Tuşuna basın. Şekil 1'de gösterildiği gibi, 1024 x 1024 piksel edinme çözünürlüğü ile .jpg formatında kaydederek titreşimsiz betonun 20 görüntü örneğini yakalayın.
3. Beton titreşim ekipmanının (geçmeli beton titreşimli çubuk) titreşimli kısmını betona yerleştirin. Güç kaynağını bağlayın ve ardından beton titreşim ekipmanını AÇIK konuma getirerek açın.
4. Beton yüzeyinde bir miktar çökme olduğunda (betonun içindeki havayı tahliye eden titreşimden kaynaklanır, boşlukları doldurmak için yüzey agregalarının batmasına neden olarak betonun çökmesine neden olur) ve bir miktar çimento bulamacı göründüğünde, kamera merceğini beton yüzeye paralel tutun ve Deklanşör Tuşuna basın. Şekil 2'de gösterildiği gibi 20 titreşimli beton görüntü örneği toplayın.
5. Titreşim ekipmanını çalıştırmaya devam edin. Beton yüzeyinde belirgin bir çökme olmadığında, çimento bulamacı oluşmadığında ve kabarcık oluşmadığında, titreşim işlemini durdurun ve Şekil 3'te gösterildiği gibi 20 titreşimli beton örneği yakalayın.

2. Örnek görüntü gri ikilileştirme

1. .jpg dosyasını, görüntünün kırmızı, yeşil ve mavi kanal değerlerini temsil eden 1024 piksel x 1024 piksel x 3 renk kanalının birim biçim verisi olarak okumak için MATLAB yazılımının imread() işlevini kullanın.
2. Ardından, görüntüyü gri tonlamaya dönüştürmek için MATLAB işlevini uygulayın rgb2gray, gri değer = rgb2gray(jpg dosya adı) biçimiyle gösterilir. Denklem (1)'e göre her pikselin gri değerini hesaplayın ve gri değeri 1024 x 1024'ün unit8 biçim verisi olarak kaydedin.
   GR(_i,j) = 0.2989R_(i,j) + 0.587G_(i,j) + 0.114B_(i,j) (1)
   burada, GR(i,j) piksel noktasının gri değeri, R(i,j) piksel noktasının kırmızı kanal değeri, G(i,j) piksel noktasının yeşil kanal değeri ve B(i,j) piksel noktasının mavi kanal değeridir.
3. θ piksel eşiğinden büyük gri değerlerin ikili değerini 1 olarak değiştirin ve θ pikselden küçük gri değerlerin ikili değerini 0 olarak ayarlayın.
4. İkili gri sonuçları elde ettikten sonra, sonucu 1024 x 1024 mantıksal biçim verisi olarak kaydedin. Bu durumda, θ ikilileştirme eşiğini temsil eder ve Şekil 50, Şekil 100 ve Şekil 150'de gösterildiği gibi farklı titreşim durumlu beton numune görüntüleri için değerleri 6, 6 ve 200'dür.

3. Yönlü gradyan özdeğerinin hesaplanması

1. Aşağıdaki denklemi kullanarak görüntüdeki her pikselin yatay ve dikey ikili gradyanını hesaplayın²⁸
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   burada T_h yatay ikilileştirilmiş gradyandır, T_p dikey ikilileştirilmiş gradyandır, R ikilileştirilmiş mantıksal biçim verileridir, x ikilileştirilmiş matrisin satır numarasıdır ve y ikilileştirilmiş matrisin sütun numarasıdır.
2. Aşağıdaki denklemi kullanarak her noktanın ikili gradyan yönünü ve boyutunu hesaplayın²⁹
   
   burada T ikili gradyan boyutudur, α_T ikili gradyan yönüdür, T_h yatay ikili gradyandır ve T_p dikey ikili gradyandır.
3. N değerinin [ 1,9] olduğu n olarak gösterilen görüntü segmentasyon bloğunun boyutunu belirleyin. Her n piksel için segmentasyon çizgisini x yönü boyunca y yönünde ayarlayın ve görüntüyü segmentasyon çizgisinin konumuna göre n x n kare bloğa etkili bir şekilde bölün. Görüntünün tam kare bloklar oluşturamayan tüm parçaları daha sonra kaldırılır.
4. İkili gradyan yönünü α_T (ikili gradyan yönünün değeri α_T [ 0°, 360°]) m parçalarına bölün, böylece m yönlü gradyan istatistiksel açı aralıkları elde edilir. Her bloğun gradyan istatistiksel açı aralığı için gradyan istatistiksel değerini hesaplamaya devam edin.
   1. Bloktaki her pikselin ikili gradyan yönüne bağlı olarak, pikselleri her yönün uygun gradyan istatistiksel açı aralığına göre sınıflandırın.
   2. Bu aralığın gradyan istatistiksel değerini elde etmek için her yönün gradyan istatistiksel açı aralığındaki piksellerin ikili gradyanını saat yönünün tersine toplayın. Gradyan istatistiksel açı aralığı yönlü gradyan istatistikleri için elde edilen sonuçlar, sırasıyla 8, 128 ve 512'ye eşit n blok boyutları için Şekil 8, Şekil 9 ve Şekil 10'da gösterilmektedir.

4. Yönlü gradyan öznitelik vektörü oluşturma

1. Numuneleri, adım 3.3'te elde edilen blok sonuçlarına dayalı olarak her bir hesaplama alanının dört bitişik bloktan oluştuğu gerekli hesaplama alanlarına bölün. Örneğin, 16 x 16 çözünürlüklü piksel ve 4 x 4'lük bir blok boyutu göz önüne alındığında, görüntü (16 / 4-1) x ( 16 / 4-1 ) = 9 hesaplama alanına bölünür.
2. Hesaplama alanındaki her bloğun gradyan istatistiklerinin açı aralığı içinde yönlü gradyanın istatistiksel değerini hesaplayın. Ardından, bileşen olarak yönlü gradyan istatistiklerine sahip özellik vektörünü elde edin.
3. Görüntünün yönlü gradyan unsur vektörünü elde etmek için her hesaplama alanındaki yönlü gradyan unsur vektörlerini birleştirin.

5. SVM eğitimi

1. Eğitim grubunu oluşturmak için üç titreşim durumundan rastgele 42 örnek seçin ve kalan 18 örneği test grubu olarak bırakın.
2. SVM eğitimi için MATLAB'ın fitcecoc işlevini kullanın; Biçim
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   SVM, eğitilecek destek vektör makinesidir, trainingFeatures, eğitim grubu görüntüsü yönlü gradyan özellik vektörüdür ve Trainingeigenvalue, eğitim grubunun titreşim durumunun karakteristik değeridir. Vibrasyonsuz beton, vibrasyonlu beton ve vibrasyonlu beton numunelerinin titreşim durumunun karakteristik değerleri sırasıyla 1, 2 ve 3'tür.
3. Eğitilen SVM'yi Kaydet işlevini kullanarak .mat biçiminde kaydedin.

6. SVM tanıma doğruluğunun doğrulanması

1. MATLAB'ın tahmin fonksiyonunu kullanarak, her test numunesi için titreşim durumu özelliğinin hesaplanan değerini elde etmek için test grubu örnek görüntüsünün yönlü gradyan özellik vektörünü eğitilen SVM'ye girin. Biçim aşağıdaki gibidir:
   testgroupcalculateseigenvalues = tahmin (SVM, testFeature)
   burada testgroupcalculateseigenvalues, titreşim durumu özelliğinin hesaplanan değeridir ve SVM, 5. adımda eğitilen destek vektör makinesidir. testFeature, test grubu örnek görüntüsünün yönlü gradyan özellik vektörüdür.
2. Test setini eğitilen SVM'ye besleyerek test seti numune tanıma sonuçlarını belirleyin. Test seti tanıma sonuçlarının gerçek durumla eşleştiği örneklerin sayısını sayın ve ardından doğru örneklerin sayısını toplam test seti örneklerinin sayısına bölerek tanıma doğruluğunu hesaplayın.

Bu protokol, yönlü gradyan özelliğinin üç vektörlü hesaplama parametrelerinin, somut titreşim durumunu belirlemede SVM'nin doğruluğunu nasıl etkilediğini analiz etmeyi amaçlamaktadır. Yönlü gradyan özellik vektörünün birincil hesaplama parametreleri, yönlü gradyan istatistiksel blok boyutunu, yönlü gradyan istatistiksel açı aralıklarının sayısını ve ikili gri eşiği içerir. Bu bölüm, testi tasarlamak için değişken olarak üç ana hesaplama parametresi kullanır. Test parametresi seviyeleri Tablo 1'de detaylandırılmıştır. 1024 x 1024 piksel çözünürlüğe sahip beton görüntü örnekleri üzerinde toplam 100 test yapılmıştır. Tablo 1'de açıklanan parametrelere karşılık gelen test sonuçları Tablo 2'de sunulmaktadır.

Farklı ikili gri eşik-SVM tanıma sonuçlarının analizi
Tablo 2 , farklı ikilileştirme eşikleri için SVM'nin ortalama tanıma doğruluğunu gösterir ve ikilileştirme eşiği ile tanıma doğruluğu arasındaki ilişki Şekil 4'te görselleştirilmiştir. Blok boyutu ve istatistiksel aralıkların sayısı sabitlendiğinde, SVM'nin tanıma doğruluğu genellikle ikilileştirme eşiğinde bir artışla azalan bir eğilim sergiler. Özellikle, ikilileştirme eşiği 100 ila 150 aralığına düştüğünde tanıma doğruluğu önemli ölçüde azalır. Bu olgunun arkasındaki nedenleri ve SVM'nin bölme hesaplaması üzerindeki etkisini anlamak için daha fazla araştırma yapılması gerekmektedir.

Bu bölümde, adım 2.1'de açıklanan yöntem ve adım 3.1'de açıklanan deneysel tasarım izlenerek, titreşimsiz beton, titreşimli beton ve titreşimli betonun görüntü örnekleri ikili hale getirilir. Kullanılan ikili gri eşikler 50, 100, 150, 200 ve 250'dir ve Şekil 5, Şekil 6 ve Şekil 7'de gösterildiği gibi her durum için ikili gri görüntülerle sonuçlanır.

Şekil 5'te gösterildiği gibi, ikilileştirme eşiği azaldıkça, titreşimsiz beton görüntü örneğinin ikili görüntüsündeki beyaz alan önemli ölçüde azalır. 250 ikili oluşturma eşiğinde, ikili görüntü saf siyah olarak görünür. Şekil 6'da, ikili eşiği olan titreşimli beton görüntü numunesinin ikili gri görüntüsünün değişen eğilimi, titreşimsiz beton numunesininkine benzer, ancak beyaz alanın azalması titreşimli beton görüntü örneğinde daha belirgindir. Ayrıca Şekil 7, betonun farklı titreşim durumlarındaki yüzey dokusu özelliklerini yansıtan siyah kısım ve beyaz alanların kombinasyonunu göstermektedir. Vibrasyonlu betonun ikili gri görüntüsü de azalan ikilileşme eşiği ile azalır. Örneğin, ikilileştirme eşiği 50 ve 100 olarak ayarlandığında, titreşimli betonun ikili gri görüntüsü beyaz olma eğilimindedir. 150 eşiğinde, diğer iki duruma benzer görünür, ancak eşik 150'yi aştığında, ikili görüntü siyah olma eğilimindedir. Özellikle, ikili oluşturma eşiği 100 ile 150 arasında olduğunda, ikili görüntü özelliklerinde önemli değişiklikler meydana gelir.

Bu makaledeki öznitelik vektörü ayıklaması, görüntü örneklerinin yönlü gradyanına dayanır. İkilileştirme eşiğini 50'den 100'e çıkarmak, beyaz ve siyah pikseller arasındaki temas alanını azaltır. Bu azalma, her piksel arasındaki piksel değeri değişikliğine bağlı olduğundan piksel yönlü gradyan istatistiklerini etkiler. Daha büyük bir temas alanı, SVM özellik vektöründe 0'dan az bileşenle sonuçlanır ve bu da beton titreşim durumu özelliklerinin temsilini daha kapsamlı hale getirir. İkilileştirme eşiği ile tanıma doğruluğundaki değişiklik, öncelikle yönlü gradyan öznitelik vektöründeki 0 bileşen sayısındaki değişiklikten kaynaklanmaktadır. Ayrıca, ikilileştirme eşiği 150'den 250'ye yükseltildiğinde, ikili görüntü örneğinin beyaz alanı önemli ölçüde azalır. Sonuç olarak, karşılık gelen tanıma doğruluğu da büyük ölçüde azalır ve bu kuralı daha da destekler.

Farklı yönlü gradyan istatistiksel blok boyutu-SVM tanıma sonuçları
Bu bölümde, Tablo 2'de sunulduğu gibi, farklı yönlerdeki gradyan istatistiklerinin istatistiksel blok boyutu tanımlama doğruluğu hesaplanmıştır. Daha sonra, her yöndeki gradyan istatistiklerinin istatistiksel blok boyutu tanımlama doğruluğunun ortalama değeri hesaplanır. Sonuçlar Şekil 8'de gösterilmiştir.

Şekil 8, 1024 çözünürlüklü beton görüntü örnekleri için SVM'nin tanınması ile yönlü gradyanın istatistiksel blok boyutu arasındaki ilişkiyi göstermektedir. Bu ilişki Denklem (2) ile ifade edilebilir.

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

Görüntü örneği özellik vektörü, blok süpürme yöntemi20 ile hesaplanır. Bu arada, blok küçük olduğunda, özellik vektörü ikili görüntünün yerel özgüllüğünü karakterize eder. Bu, benzer yerel özgüllüğe sahip farklı titreşim durumlarının somut örnek görüntüleriyle sonuçlanır ve bu da özellik vektöründe önemli sayıda 0 bileşene yol açar. Sonuç olarak, bu yüksek sayıda 0 bileşen, SVM bölümünde önemli parazitlere neden olur ve özellikle blok boyutu 8 piksel olan 1024 piksellik görüntüler için tanıma doğruluğunun azalmasına neden olur.

Blok boyutu arttıkça, öznitelik vektörü tarafından yansıtılan yerel özgüllük kademeli olarak azalır ve öznitelik vektörü, Şekil 10'da gösterildiği gibi görüntü örneğinin bölgesel özgüllüğünü karakterize eder. Sonuç olarak, öznitelik vektöründeki 0 bileşenin sayısı azalır ve SVM'nin bölme işlemi sırasında daha az parazite yol açar. Böylece, SVM'nin tanıma doğruluğu artar.

Bununla birlikte, blok boyutu 32 pikseli aşarak daha da artırıldığında, özellik vektöründeki 0 bileşen sayısı azalmaya devam eder. Ancak aynı zamanda SVM eğitim kümesinin özellik vektörünün boyutunda bir azalmaya da yol açar. Bu noktada, SVM'nin tanıma doğruluğu üzerindeki etki, esas olarak özellik boyutlarının eksikliğinden kaynaklanmaktadır. Bununla birlikte, özellik vektörü hala somut görüntüde belirli bir özgüllük derecesi yakalamayı başarır. Şekil 11'de gösterildiği gibi, blok boyutu belirli bir dereceye kadar genişletildiğinde, farklı titreşim durumlarına sahip beton görüntü örneklerinin her bir bloğundaki yönlü gradyan özellikleri hala önemli farklılıklar sergilemektedir. Bu gözlem, azalma nispeten küçük olmasına rağmen, blok boyutu aşırı derecede büyüdüğünde tanıma doğruluğunun neden azaldığını açıklar.

Yönlü gradyan istatistiksel açı aralık sayısı-SVM tanıma sonuçları
Bu bölümde, Tablo 2'de sunulan yönlü gradyan sayısı istatistiksel aralıklarının tanıma doğruluğu hesaplanmıştır. Daha sonra, yönlü gradyanların istatistiksel aralıklarının sayısının ortalama tanıma doğruluğu hesaplanır. Sonuçlar Şekil 12'de gösterilmiştir.

Şekil 12'den, yönlü gradyan istatistiksel aralıklarının sayısı arttıkça, somut titreşim durumu için SVM'nin tanıma doğruluğunun başlangıçta yükseldiği ve sonra azaldığı açıktır. Bu ilişki Denklem (3) ile ifade edilebilir

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

Gradyan yönünün istatistiksel aralıklarının sayısı ile tanıma doğruluğu arasındaki etki mekanizması, görüntü özelliği çıkarma parametrelerindeki değişiklikten kaynaklanmaktadır. Bu, görüntü örnekleri için özellik vektörlerinin spesifik karakterizasyon yeteneğinde bir kaymaya neden olur. Bu bölümde, orta derecede titreşmiş betonun görüntü örneklerinin bir kısmı ele geçirilir. Yönlü gradyan karakteristiklerinin hesaplama sonuçları, Şekil 13'te gösterildiği gibi, ızgara boyutu 4 olduğunda ve yönlü gradyan istatistiksel aralıklarının sayısı 6, 9, 12 ve 15 olarak ayarlandığında elde edilir.

Şekil 13A,B'de gösterildiği gibi, yönlü gradyan istatistiksel aralıklarının sayısı 6 olarak ayarlandığında, her aralığın boyutu 60°'dir. Hesaplama bloğu boyutunun 4x4 olduğu düşünülürse, her blokta 16 piksel vardır. Daha büyük aralık boyutlarında, birden çok pikselin yönlü gradyanı tek bir aralık içinde kalır. Bu, aralık boyutu daha büyük olduğunda görüntü örneklerinin özellik vektöründeki 0 bileşen sayısında bir artışa yol açar. Sonuç olarak, SVM'nin eğitim sonuçlarını ve tanıma doğruluğunu etkiler. Bununla birlikte, yönlü gradyan istatistiksel aralıklarının sayısı 9 olduğunda, açı bölmesi daha rafine hale gelir ve bu da bir aralık içinde pikselin olmadığı durumlarda bir azalmaya yol açar. Sonuç olarak, görüntü örneklerinin öznitelik vektöründeki 0 bileşenlerinin sayısı da azalır ve bu da öznitelik vektörünün görüntüye özgü gösterim yeteneğinin iyileştirilmesine neden olur. Bununla birlikte, Şekil 13C ve Şekil 13D ile karşılaştırıldığında, yönlü gradyan istatistiksel aralıklarının sayısı 12'den 15'e yükseldiğinde, yönlü gradyan özelliği hesaplama sonuçlarının aralığındaki 0 olan piksel sayısı artar. Sonuç olarak, özellik vektörünün örnek görüntünün özgüllüğünü karakterize etme yeteneği azalır. Karakterizasyon yeteneğindeki bu azalma, yönlü gradyan istatistiksel aralığının boyutundaki daha fazla azalmaya atfedilir. Özellikle, yalnızca bir pikselli aralık artık iki aralığa bölünmüştür: biri tek pikselli, diğeri boş aralık olarak. Sonuç olarak, boş aralıkların sayısındaki artış, öznitelik vektöründe daha fazla 0 bileşene yol açar ve sonuçta tanıma doğruluğunda bir azalmaya neden olur.

Şekil 1: Titreşimsiz betonun görüntüsü. Vibrasyon işlemi yapılmadan alınan pompalanmış beton görüntüleri. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: Titreşimli betonun görüntüsü. Beton pompalama titreşim işleminde görüntü örnekleri. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: Vibrasyonlu beton numunesinin görüntüsü. Beton pompalarken görüntü örnekleri vibrasyon işlemi tamamlanır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: İkilileştirme eşiği-tanıma doğruluğu ilişkisi. İkilileştirme eşiğinin SVM'nin tanıma doğruluğu üzerindeki etkisi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5: Titreşimsiz betonun ikili gri tonlamalı görüntüsü. Farklı ikilileştirme eşikleri ayarlandığında titreşimsiz beton görüntülerin ikilileştirme işlemi sonuçları. (A) 50'de ikilileştirme eşiği. (B) 100'de ikilileştirme eşiği. (C) 150'de ikilileştirme eşiği. (D) 200'de ikilileştirme eşiği. (E) 250'de ikilileştirme eşiği. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 6: Titreşen betonun ikili gri tonlamalı görüntüsü. Farklı ikilileştirme eşikleri ayarlandığında titreşen beton görüntülerin ikilileştirme işleme sonuçları. (A) 50'de ikilileştirme eşiği. (B) 100'de ikilileştirme eşiği. (C) 150'de ikilileştirme eşiği. (D) 200'de ikilileştirme eşiği. (E) 250'de ikilileştirme eşiği. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 7: Vibrasyonlu betonun ikili gri tonlamalı görüntüsü. Farklı ikilileştirme eşikleri ayarlandığında titreşimli beton görüntüsünün ikilileştirme işleme sonuçları. (A) 50'de ikilileştirme eşiği. (B) 100'de ikilileştirme eşiği. (C) 150'de ikilileştirme eşiği. (D) 200'de ikilileştirme eşiği. (E) 250'de ikilileştirme eşiği. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 8: Yönlü gradyan istatistiksel blok boyutu tanıma doğruluk diyagramı. Yönlü gradyan istatistiksel blok boyutunun SVM'nin tanıma doğruluğu üzerindeki etkisi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 9: Blok boyutu 8 piksel yönlü gradyan özelliği çıkarma sonuçlarının şematik diyagramı. Degrade özelliği, blok boyutu 8 piksel olduğunda üç tür titreşim durumu yönüyle sonuçlanır. (A) Titreşimsiz beton, (B) titreşimli beton, (C) titreşimli beton. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 10: Blok boyutu 128 piksel yönlü gradyan özelliği çıkarma sonuçlarının şematik diyagramı. Degrade özelliği, blok boyutu 128 piksel olduğunda üç tür titreşim durumu yönüyle sonuçlanır. (A) Titreşimsiz beton, (B) titreşimli beton, (C) titreşimli beton. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 11: 512 piksel blok boyutuna sahip farklı titreşim durumlarında somut numune görüntülerinin yönlü gradyan çıkarma sonuçları. Degrade özelliği, blok boyutu 512 piksel olduğunda üç tür titreşim durumu yönüyle sonuçlanır. (A) Titreşimsiz beton, (B) titreşimli beton, (C) titreşimli beton. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 12: Yönlü gradyan istatistiksel aralık sayı-tanıma doğruluğu ilişkisi. Yönlü gradyan istatistiksel aralık number'nin SVM'nin tanıma doğruluğu üzerindeki etkisi Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 13: Farklı yönlü gradyan istatistiksel aralıklarının sayısının yönlü gradyan özelliklerinin hesaplama sonuçları. Numunenin yönlü gradyan karakteristikleri sonuçları, farklı yönlü gradyan istatistiksel aralıkları ayarlandığında elde edilir. (A) 6 yönlü gradyan istatistiksel aralığı, (B) 9 yönlü gradyan istatistiksel aralığı, (C) 12 yönlü gradyan istatistiksel aralığı, (D) 15 yönlü gradyan istatistiksel aralığı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tablo 1: SVM tanımlama test faktörü seviyesi. Yönlü gradyan özellik vektörünün hesaplama parametrelerinin, somut titreşim durumunu tanımlamak için SVM'nin doğruluğu üzerindeki etkisi analiz edilir. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 2: Yönlü gradyan histogram parametre analizi test sonuçları. Tablo 1'deki test şemasına göre, tanıma doğruluğu sonuçları elde edilir. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Yazarların açıklayacak hiçbir şeyi yok.