基于支撑矢量机的混凝土振动状态图像识别与参数分析

混凝土是建筑行业广泛使用的基本建筑材料。在泵送过程中，混凝土经常产生空隙，需要通过振动压实。振动不足可能导致混凝土表面呈蜂窝状，而过度振动会导致混凝土离体 ^1,2。振动操作的质量显着影响成型混凝土结构的强度 3,4,5,6 和耐久性 ^7,8。Cai等^[9,10]将实验研究与数值分析相结合，研究了振动对骨料沉降和混凝土耐久性的影响机制。结果表明，振动时间和骨料颗粒对骨料沉降有很大影响，而骨料密度和水泥基材料的塑性粘度影响最小。振动导致骨料沉积在混凝土试样的底部。此外，随着振动时间的增加，混凝土试样底部的氯离子浓度降低，而顶部的氯离子浓度^{显着增加9,10}。

目前，混凝土振动状态的评估主要依赖于人工判断。随着建筑业通过智能化改革不断进步，机器人操作已成为未来的发展方向^11,12。因此，智能振动操作的一个关键挑战是如何使机器人能够识别混凝土的振动状态。

定向梯度直方图是一种利用像素的强度梯度或边缘方向的分布作为描述符来表征图像中物体的表示和形状的技术^13,14。这种方法在图像的局部网格单元上运行，在表征各种几何和光学条件下的图像变化时提供了强大的稳定性。

周等^[15 提出了一种直接从拜耳模式图像中提取方向梯度特征的方法。通过将滤色器列与渐变算子进行匹配，这种方法省略了计算定向梯度的许多步骤，从而大大降低了定向渐变图像识别的计算要求。He et ^al.16 利用方向梯度直方图作为底层特征，采用平均聚类算法对钢轨紧固件进行分类，确定紧固件是否存在缺陷。识别结果表明，定向梯度特征直方图对紧固件缺陷具有较高的敏感性，满足铁路养护和维修的需要。在另一项研究中，Xu 等人 ¹⁷ 使用 Gabor 小波滤波对人脸图像特征进行了预处理，并通过二进制编码和 HOG 算法降低了特征向量的维度。该方法的平均识别准确率为92.5%。

支持向量机（SVM）¹⁸用于将向量映射到高维空间中，并建立具有合适方向的分离超平面，以最大化两个平行超平面之间的距离。这允许对支持向量^{进行分类 19}.学者们对这种分类技术进行了改进和优化，使其在图像识别^20,21，文本分类²²，可靠性预测²³和故障诊断²⁴等各个领域得到应用。

Li等^[25 ]开发了用于地震破坏模式识别的两阶段SVM模型，重点关注三种地震破坏模式。分析结果表明，所提出的两阶段支持向量机方法在3种失效模式下均能达到90%以上的准确率。Yang等^[26 ]将优化算法与支持向量机相结合，模拟了5个超声参数与加载混凝土应力之间的关系。未优化的 SVM 的性能不尽如人意，尤其是在低应力阶段。然而，遍历由算法优化的模型会产生更好的结果，尽管计算时间很长。相比之下，粒子群优化优化的 SVM 显著缩短了计算时间，同时提供了最佳的仿真结果。Yan等^[27 ]采用支持向量机技术，引入精度不敏感损失函数对高强混凝土的弹性模量进行预测，并将其预测精度与传统回归模型和神经网络模型进行比较。研究结果表明，与其他方法相比，SVM技术对弹性模量的预测误差更小。

本文收集了混凝土在各种振动状态下的图像样本，并利用定向梯度直方图技术描述了混凝土的不同状态。将定向梯度作为特征向量进行定向训练，重点关注使用定向梯度直方图-支持向量图技术识别混凝土振动状态的可行性。此外，还分析了方向梯度直方图特征提取过程中的二值化阈值、方向梯度统计块大小和方向梯度统计区间数这三个关键参数之间的影响机制，以及支持向量机的识别精度。