Support Vector Machine을 기반으로 한 콘크리트 진동 상태의 이미지 인식 및 파라미터 분석

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 부상했습니다^11,12. 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.