Reconnaissance d’images et analyse des paramètres de l’état vibratoire du béton sur la base d’une machine à vecteurs de support

Le béton est un matériau de construction fondamental largement utilisé dans l’industrie de la construction. Lors du pompage, le béton développe fréquemment des vides qui nécessitent un compactage par vibration. Des vibrations inadéquates peuvent entraîner une surface en béton alvéolé, tandis qu’une vibration excessive peut entraîner une ségrégation du béton ^1,2. La qualité du fonctionnement des vibrations a un impact significatif sur la résistance 3,4,5,6 et la durabilité des structures en béton coffré ^7,8. Cai et ^al.9,10 ont mené une étude combinant la recherche expérimentale avec l’analyse numérique pour étudier le mécanisme d’influence des vibrations sur le tassement des agrégats et la durabilité du béton. Les résultats ont révélé que le temps de vibration et les particules d’agrégats exercent un impact substantiel sur le tassement des agrégats, tandis que la densité des agrégats et la viscosité plastique du matériau à base de ciment ont des effets minimes. Les vibrations provoquent le dépôt d’agrégats au fond des éprouvettes de béton. De plus, à mesure que le temps de vibration augmente, la concentration en ions chlorure diminue au bas des éprouvettes de béton tout en augmentant significativement au sommet ^9,10.

À l’heure actuelle, l’évaluation de l’état vibratoire du béton repose principalement sur le jugement manuel. Alors que l’industrie de la construction continue de progresser grâce à des réformes intelligentes, les opérations robotisées sont apparues comme l’orientation future^11,12. Par conséquent, l’un des défis cruciaux des opérations vibratoires intelligentes est de savoir comment permettre aux robots d’identifier l’état vibratoire du béton.

L’histogramme du dégradé orienté est une technique qui utilise le gradient d’intensité des pixels ou la distribution des directions des bords comme descripteur pour caractériser la représentation et la forme des objets dans les images^13,14. Cette approche fonctionne sur les cellules de grille locales de l’image, offrant une stabilité robuste dans la caractérisation des changements d’image dans diverses conditions géométriques et optiques.

Zhou et ^al.15 ont proposé une méthode permettant d’extraire directement des caractéristiques de gradient directionnel à partir d’images en mode Bayer. Cette approche omet de nombreuses étapes dans le calcul du gradient directionnel en faisant correspondre la colonne de filtre de couleur avec l’opérateur de dégradé, ce qui réduit considérablement les exigences de calcul pour la reconnaissance d’image de gradient directionnel. He et ^al.16 ont utilisé l’histogramme du gradient directionnel comme caractéristique sous-jacente et ont utilisé l’algorithme de regroupement moyen pour classer les attaches de rail et déterminer si les attaches sont défectueuses. Les résultats de la reconnaissance ont indiqué que l’histogramme de l’élément de gradient orienté présentait une grande sensibilité aux défauts des fixations, ce qui répondait aux besoins de l’entretien et de la réparation des voies ferrées. Dans une autre étude, Xu et ^al.17 ont prétraité les caractéristiques de l’image faciale à l’aide du filtrage par ondelettes de Gabor et ont réduit la dimension des vecteurs de caractéristiques grâce au codage binaire et à l’algorithme HOG. La précision moyenne de reconnaissance de la méthode est de 92,5 %.

La machine à vecteurs de support (SVM)¹⁸ est utilisée pour cartographier le vecteur dans un espace de grande dimension et établit un hyperplan de séparation avec une direction appropriée pour maximiser la distance entre deux hyperplans parallèles. Cela permet de classer les vecteurs de support¹⁹. Les chercheurs ont amélioré et optimisé cette technologie de classification, ce qui a conduit à son application dans divers domaines tels que la reconnaissance d’images^20,21, la classification de texte²², la prédiction de fiabilité²³ et le diagnostic de pannes²⁴.

Li et ^al.25 ont mis au point un modèle SVM en deux étapes pour la reconnaissance des modèles de défaillance sismique, en se concentrant sur trois modes de défaillance sismique. Les résultats de l’analyse indiquent que la méthode SVM en deux étapes proposée peut atteindre une précision de plus de 90 % pour les trois modes de défaillance. Yang et ^al.26 ont intégré un algorithme d’optimisation avec le SVM pour simuler la relation entre les cinq paramètres ultrasonores et la contrainte du béton chargé. Les performances d’une SVM non optimisée ne sont pas satisfaisantes, en particulier dans la phase de faible contrainte. Cependant, la traversée du modèle optimisé par l’algorithme donne de meilleurs résultats, bien qu’avec des temps de calcul longs. En comparaison, la SVM optimisée pour l’optimisation de l’essaim de particules réduit considérablement le temps de calcul tout en fournissant des résultats de simulation optimaux. Yan et ^al.27 ont utilisé la technologie SVM et ont introduit une fonction de perte insensible à la précision pour prédire le module d’élasticité du béton à haute résistance, en comparant sa précision de prédiction au modèle de régression traditionnel et au modèle de réseau neuronal. Les résultats de la recherche démontrent que la technologie SVM produit une erreur de prédiction plus faible pour le module élastique par rapport à d’autres méthodes.

Cet article recueille des échantillons d’images de béton sous différents états vibratoires et décrit les différents états du béton à l’aide de la technique de l’histogramme de gradient directionnel. Le gradient directionnel est utilisé comme vecteur de caractéristiques pour l’entraînement de la SVM, et l’étude se concentre sur la viabilité de l’utilisation de la technologie d’histogramme de gradient directionnel et de SVM pour identifier l’état vibratoire du béton. De plus, l’article analyse le mécanisme d’influence entre trois paramètres clés – le seuil de binarisation, la taille du bloc statistique du gradient directionnel et le nombre d’intervalle statistique du gradient directionnel – dans le processus d’extraction des caractéristiques de l’histogramme de gradient directionnel et la précision de reconnaissance de la SVM.