Reconocimiento de imágenes y análisis de parámetros del estado de vibración del hormigón basado en la máquina de vectores de soporte

El hormigón es un material de construcción fundamental muy utilizado en la industria de la construcción. Durante el bombeo, el hormigón con frecuencia desarrolla huecos que requieren compactación a través de la vibración. Una vibración inadecuada puede dar lugar a una superficie de hormigón en forma de panal, mientras que una vibración excesiva puede provocar la segregación del hormigón ^1,2. La calidad de la operación de vibración afecta significativamente la resistencia 3,4,5,6 y la durabilidad de las estructuras de hormigón conformado ^7,8. Cai et ^al.9,10 realizaron un estudio que combinó la investigación experimental con el análisis numérico para investigar el mecanismo de influencia de la vibración en el asentamiento de los áridos y la durabilidad del hormigón. Los hallazgos revelaron que el tiempo de vibración y las partículas agregadas ejercen un impacto sustancial en el asentamiento de agregados, mientras que la densidad agregada y la viscosidad plástica del material a base de cemento tienen efectos mínimos. La vibración provoca la deposición de agregados en la parte inferior de las muestras de hormigón. Además, a medida que aumenta el tiempo de vibración, la concentración de iones cloruro disminuye en la parte inferior de las probetas de hormigón, mientras que aumenta significativamente en la parte superior ^9,10.

En la actualidad, la evaluación del estado de vibración del hormigón se basa principalmente en el juicio manual. A medida que la industria de la construcción continúa progresando a través de reformas inteligentes, las operaciones robóticas han surgido como la dirección futura^11,12. En consecuencia, un desafío crucial en las operaciones de vibración inteligente es cómo permitir que los robots identifiquen el estado de vibración del hormigón.

El histograma del gradiente orientado es una técnica que utiliza el gradiente de intensidad de píxeles o la distribución de direcciones de borde como descriptor para caracterizar la representación y forma de los objetos en las imágenes ^13,14. Este enfoque opera en las celdas de la cuadrícula local de la imagen, lo que proporciona una estabilidad sólida en la caracterización de los cambios de imagen en diversas condiciones geométricas y ópticas.

Zhou et ^al.15 propusieron un método para extraer directamente características de gradiente direccional de imágenes en modo Bayer. Este enfoque omite numerosos pasos en el cálculo del gradiente direccional al hacer coincidir la columna de filtro de color con el operador de gradiente, lo que reduce significativamente los requisitos computacionales para el reconocimiento de imágenes de gradiente direccional. He et ^al.16 utilizaron el histograma de gradiente direccional como característica subyacente y emplearon el algoritmo de agrupamiento de medias para clasificar los sujetadores de riel y determinar si los sujetadores están defectuosos. Los resultados del reconocimiento indicaron que el histograma de la característica de gradiente orientado exhibía una alta sensibilidad a los defectos de los sujetadores, satisfaciendo las necesidades de mantenimiento y reparación ferroviaria. En otro estudio, Xu et ^al.17 preprocesaron las características de las imágenes faciales utilizando el filtrado de ondículas de Gabor y redujeron la dimensión de los vectores de características a través de la codificación binaria y el algoritmo HOG. La precisión media de reconocimiento del método es del 92,5%.

La máquina de vectores de soporte (SVM)¹⁸ se utiliza para mapear el vector en un espacio de alta dimensión y establece un hiperplano de separación con una dirección adecuada para maximizar la distancia entre dos hiperplanos paralelos. Esto permite clasificar los vectores de soporte¹⁹. Los estudiosos han mejorado y optimizado esta tecnología de clasificación, lo que ha llevado a su aplicación en diversos campos, como el reconocimiento de imágenes^20,21, la clasificación de texto²², la predicción de fiabilidad²³ y el diagnóstico de fallos²⁴.

Li et ^al.25 desarrollaron un modelo SVM de dos etapas para el reconocimiento de patrones de fallas sísmicas, centrándose en tres modos de fallas sísmicas. Los resultados del análisis indican que el método SVM de dos etapas propuesto puede lograr una precisión superior al 90% para los tres modos de fallo. Yang et ^al.26 integraron un algoritmo de optimización con el SVM para simular la relación entre los cinco parámetros ultrasónicos y la tensión del hormigón cargado. El rendimiento de una SVM no optimizada no es satisfactorio, especialmente en la etapa de bajo estrés. Sin embargo, recorrer el modelo optimizado por el algoritmo produce resultados mejorados, aunque con largos tiempos de cálculo. En comparación, la SVM optimizada para la optimización del enjambre de partículas reduce significativamente el tiempo de cálculo al tiempo que ofrece resultados de simulación óptimos. Yan et ^al.27 emplearon la tecnología SVM e introdujeron una función de pérdida insensible a la precisión para predecir el módulo elástico del hormigón de alta resistencia, comparando su precisión de predicción con el modelo de regresión tradicional y el modelo de red neuronal. Los resultados de la investigación demuestran que la tecnología SVM produce un error de predicción menor para el módulo elástico en comparación con otros métodos.

Este artículo recoge muestras de imágenes de hormigón bajo varios estados de vibración y describe los diferentes estados del hormigón utilizando la técnica de histograma de gradiente direccional. El gradiente direccional se emplea como un vector de características para entrenar el SVM, y el estudio se centra en la viabilidad de utilizar la tecnología de histograma de gradiente direccional-SVM para identificar el estado de vibración del hormigón. Además, el artículo analiza el mecanismo de influencia entre tres parámetros clave (umbral de binarización, tamaño de bloque estadístico de gradiente direccional y número de intervalo estadístico de gradiente direccional) en el proceso de extracción de características del histograma de gradiente direccional y la precisión de reconocimiento de la SVM.