Summary

التعرف على الصور وتحليل المعلمات لحالة اهتزاز الخرسانة بناء على آلة ناقل الدعم

Published: January 05, 2024
doi:

Summary

يستخدم البروتوكول الموصوف في هذا البحث تقنية الرسم البياني للتدرج الاتجاهي لاستخراج خصائص عينات الصور الخرسانية تحت حالات الاهتزاز المختلفة. يستخدم آلة متجه دعم للتعلم الآلي ، مما يؤدي إلى طريقة التعرف على الصور مع الحد الأدنى من متطلبات عينة التدريب ومتطلبات أداء الكمبيوتر المنخفضة.

Abstract

في هذا البحث ، تم استخدام تقنية الرسم البياني للتدرج الاتجاهي لاستخراج ميزات عينات الصور الخرسانية الملتقطة تحت حالات اهتزاز مختلفة. يتم استخدام آلة متجه الدعم (SVM) لمعرفة العلاقة بين ميزات الصورة وحالة الاهتزاز. يتم استخدام نتائج التعلم الآلي لاحقا لتقييم جدوى حالة اهتزاز الخرسانة. في الوقت نفسه ، يتم تحليل آلية تأثير معلمات حساب الرسم البياني للتدرج الاتجاهي على دقة التعرف. توضح النتائج جدوى استخدام تقنية الرسم البياني للتدرج الاتجاهي-SVM لتحديد حالة اهتزاز الخرسانة. تزداد دقة التعرف في البداية ثم تنخفض مع زيادة حجم كتلة التدرج الاتجاهي ، أو زيادة عدد الفواصل الإحصائية. تنخفض دقة التعرف أيضا خطيا مع زيادة عتبة الثنائية. باستخدام عينة من الصور بدقة 1024 بكسل × 1024 بكسل وتحسين معلمات استخراج الميزات ، يمكن تحقيق دقة التعرف بنسبة 100٪.

Introduction

الخرسانة هي مادة بناء أساسية تستخدم على نطاق واسع في صناعة البناء والتشييد. أثناء الضخ ، تقوم الخرسانة بشكل متكرر بتطوير فراغات تتطلب الضغط من خلال الاهتزاز. قد يؤدي الاهتزاز غير الكافي إلى سطح خرساني على شكل قرص العسل ، بينما يمكن أن يؤدي الاهتزاز المفرط إلى فصل الخرسانة 1,2. تؤثر جودة تشغيل الاهتزاز بشكل كبير على قوة3،4،5،6 ومتانة الهياكل الخرسانية المشكلة7،8. أجرى Cai et al.9,10 دراسة جمعت بين البحث التجريبي والتحليل العددي للتحقيق في آلية تأثير الاهتزاز على تسوية الركام ومتانة الخرسانة. كشفت النتائج أن وقت الاهتزاز وجزيئات الركام لها تأثير كبير على الاستقرار الكلي ، في حين أن الكثافة الكلية ولزوجة البلاستيك للمواد القائمة على الأسمنت لها تأثيرات ضئيلة. يتسبب الاهتزاز في ترسب الركام في الجزء السفلي من العينات الخرسانية. علاوة على ذلك ، مع زيادة وقت الاهتزاز ، ينخفض تركيز أيون الكلوريد في الجزء السفلي من العينات الخرسانية بينما يزداد بشكل كبير في الجزء العلوي 9,10.

حاليا ، يعتمد تقييم حالة الاهتزاز الخرساني في الغالب على الحكم اليدوي. مع استمرار تقدم صناعة البناء من خلال الإصلاحات الذكية ، برزت عمليات الروبوت كاتجاه مستقبلي11,12. وبالتالي ، فإن التحدي الحاسم في عمليات الاهتزاز الذكية هو كيفية تمكين الروبوتات من تحديد حالة اهتزاز الخرسانة.

الرسم البياني للتدرج الموجه هو تقنية تستخدم تدرج شدة البكسل أو توزيع اتجاهات الحواف كواصف لتوصيف تمثيل وشكل الكائنات في الصور13,14. يعمل هذا النهج على خلايا الشبكة المحلية للصورة ، مما يوفر استقرارا قويا في توصيف تغييرات الصورة في ظل ظروف هندسية وبصرية مختلفة.

اقترح Zhou et al.15 طريقة لاستخراج ميزات التدرج الاتجاهي مباشرة من صور وضع باير. يحذف هذا الأسلوب العديد من الخطوات في حساب التدرج الاتجاهي عن طريق مطابقة عمود مرشح اللون مع عامل التدرج ، وبالتالي تقليل المتطلبات الحسابية للتعرف على صورة التدرج الاتجاهي بشكل كبير. استخدم He et al.16 الرسم البياني للتدرج الاتجاهي كميزة أساسية واستخدم خوارزمية التجميع المتوسطة لتصنيف مثبتات السكك الحديدية وتحديد ما إذا كانت السحابات معيبة. أشارت نتائج التعرف إلى أن الرسم البياني لميزة التدرج الموجه أظهر حساسية عالية لعيوب السحابة ، مما يلبي احتياجات صيانة وإصلاح السكك الحديدية. في دراسة أخرى ، قام Xu et al.17 بمعالجة ميزات صورة الوجه مسبقا باستخدام ترشيح مويجات Gabor وتقليل أبعاد متجهات الميزات من خلال الترميز الثنائي وخوارزمية HOG. متوسط دقة التعرف على الطريقة هو 92.5٪.

يتم استخدام آلة متجه الدعم (SVM) 18 لتعيين المتجه في مساحة عالية الأبعاد وإنشاء مستوى فائق منفصل مع اتجاه مناسب لزيادة المسافة بين مستويين متوازيين متوازيين. هذا يسمح لتصنيف ناقلات الدعم19. قام العلماء بتحسين وتحسين تقنية التصنيف هذه ، مما أدى إلى تطبيقها في مجالات مختلفة مثل التعرف على الصور20،21 ، وتصنيف النص22 ، والتنبؤ بالموثوقية23 ، وتشخيص الأخطاء24.

طور Li et al.25 نموذج SVM من مرحلتين للتعرف على نمط الفشل الزلزالي ، مع التركيز على ثلاثة أوضاع للفشل الزلزالي. تشير نتائج التحليل إلى أن طريقة SVM المقترحة على مرحلتين يمكن أن تحقق دقة تزيد عن 90٪ لأوضاع الفشل الثلاثة. قام Yang et al.26 بدمج خوارزمية التحسين مع SVM لمحاكاة العلاقة بين المعلمات الخمسة بالموجات فوق الصوتية وضغط الخرسانة المحملة. أداء SVM غير المحسن غير مرض ، لا سيما في مرحلة الضغط المنخفض. ومع ذلك ، فإن اجتياز النموذج المحسن بواسطة الخوارزمية يؤدي إلى نتائج محسنة ، وإن كان ذلك مع أوقات حساب طويلة. وبالمقارنة ، فإن تحسين سرب الجسيمات SVM يقلل بشكل كبير من وقت الحساب مع تقديم نتائج محاكاة مثالية. استخدم Yan et al.27 تقنية SVM وقدم وظيفة فقدان غير حساسة بدقة للتنبؤ بمعامل المرونة للخرسانة عالية القوة ، ومقارنة دقة التنبؤ بها مقابل نموذج الانحدار التقليدي ونموذج الشبكة العصبية. توضح نتائج البحث أن تقنية SVM تنتج خطأ تنبؤ أصغر لمعامل المرونة مقارنة بالطرق الأخرى.

يجمع هذا البحث عينات صور من الخرسانة تحت حالات اهتزاز مختلفة ويصف الحالات المختلفة للخرسانة باستخدام تقنية الرسم البياني للتدرج الاتجاهي. تم استخدام التدرج الاتجاهي كمتجه مميز لتدريب SVM ، وتركز الدراسة على جدوى استخدام تقنية الرسم البياني للتدرج الاتجاهي-SVM لتحديد حالة اهتزاز الخرسانة. بالإضافة إلى ذلك ، تحلل الورقة آلية التأثير بين ثلاثة معلمات رئيسية – عتبة التدرج ، وحجم الكتلة الإحصائية للتدرج الاتجاهي ، ورقم الفاصل الزمني الإحصائي للتدرج الاتجاهي – في عملية استخراج الميزة للمدرج التكراري للتدرج الاتجاهي ودقة التعرف على SVM.

Protocol

1. الحصول على صورة عينة ملموسة نقل الخرسانة إلى مكان العمل ، حيث سيتم صبها بواسطة شاحنة المضخة. لالتقاط الصور ، قم بتشغيل جهاز التصوير عن طريق تحريك مفتاح مفتاح التشغيل إلى اليمين وتحويله إلى وضع التشغيل . اضبط مقبض وضع الكاميرا على الوضع التلقائي الأخضر، وتأكد…

Representative Results

يهدف هذا البروتوكول إلى تحليل كيفية تأثير معلمات الحساب ثلاثية المتجهات لميزة التدرج الاتجاهي على دقة SVM في تحديد حالة اهتزاز الخرسانة. تتضمن معلمات الحساب الأساسية لمتجه معلم التدرج الاتجاهي حجم الكتلة الإحصائية للتدرج الاتجاهي وعدد فترات الزاوية الإحصائية للتدرج الاتجاهي والعتبة الر…

Discussion

يستخدم هذا البحث آلة ناقل الدعم (SVM) لمعرفة ميزات الصورة لعينات حالة اهتزاز الخرسانة المختلفة. بناء على نتائج التعلم الآلي ، يتم اقتراح طريقة ملموسة للتعرف على حالة الاهتزاز بناء على التعرف على الصور. لتعزيز دقة التعرف ، من الأهمية بمكان التحكم في معلمات الخطوات الرئيسية الثلاث: تجزئة الصو…

Disclosures

The authors have nothing to disclose.

Acknowledgements

نشكر بامتنان مشروع البحث العلمي السنوي لمجموعة ووهان للإنشاءات الحضرية لعام 2023 (رقم 7) لتمويل هذا العمل.

Materials

camera SONY A6000 The sensor size is 23.5×15.6mm, the maximum acquisition resolution is 1440 * 1080, and the effective pixel is 24.3 million.
concrete Wuhan Construction Changxin Technology Development Co., Ltd. C30 pumping concrete According to the standard of ' concrete strength test and evaluation standard ' ( GB / T 50107-2010 ), the standard value of cubic compressive strength is 30 MPa pumping concrete.
Matlab MathWorks Matlab R2017a MATLAB's programming interface provides development tools for improving code quality maintainability and maximizing performance.
It provides tools for building applications using custom graphical interfaces.
It provides tools for combining MATLAB-based algorithms with external applications and languages
Processor  Intel 12th Gen Intel(R) Core (TM) i7-12700H @ 2.30GHz 64-bit Win11 processor 

References

  1. Jiang, L., Tian, Z., Wang, K., Sun, X. Estimating the segregation of concrete under vibration based on electrical method. Concrete. 1, 41-44 (2023).
  2. Ren, B., Ye, Z., Wang, D., Wu, B., Tan, Y. Evaluation of segregation degree of hardening concrete using improved Mask R-CNN. Journal of Hydroelectric Engineering. 41 (5), 93-102 (2022).
  3. Hu, J., Qin, M., Wang, H., Liu, K. Study on the influence of vibration frequency on the performance of concrete. Highway. 65 (12), 111-114 (2020).
  4. Bian, C., et al. Experimental study on characterization of evaluation indexes for vibration compaction of fresh concrete. Journal of Hydroelectric Engineering. 39 (2), 67-80 (2020).
  5. Liu, Z., Zhou, M., Bai, J., Mou, S. Influence of vibration time on the strength and homogeneity of rubber concrete. Industrial Construction. 42, 509-512 (2012).
  6. Cheng, Y., Gou, Z., Wang, Y. Testing Investigation on Effects of Mixing, Vibrating and Curing on Strength of High-Performance Concrete. Journal of Northeastern University (Natural Science). 31 (12), 1790-1793 (2010).
  7. Zhao, Y., Chen, S., Liu, Z. Influence mechanism of high-frequency vibration on concrete antifreeze and application in construction of tunnels in cold regions. Industrial Construction. 44 (5), 101-105 (2014).
  8. Quan, L., Tian, B., Li, S., He, Z., He, K. Evolution characteristics of flexural fatigue performance of dense concrete consolidated with high frequency vibration applied in airport pavement. Journal of Traffic and Transportation Engineering. 20 (2), 34-45 (2020).
  9. Cai, Y., et al. Influence of coarse aggregate settlement induced by vibration on long-term chloride transport in concrete: a numerical study. Materials and Structures. 55 (9), 1-18 (2022).
  10. Cai, Y., Liu, Q. F., Yu, L., Meng, Z., Avija, B. An experimental and numerical investigation of coarse aggregate settlement in fresh concrete under vibration. Cement and Concrete Composites. 122 (7), 104153 (2021).
  11. Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), 631-654 (2022).
  12. Chen, C., Li, X., Qiu, Z., Yao, W., Zhu, H. Research Progress of Construction Robots. Journal of Architecture and Civil Engineering. 39 (4), 58-70 (2022).
  13. Shen, H., Zhang, W., Liu, J., Qiu, K. Development and Prospect of Construction Robots for High Rise Buildings. Construction Technology. 46 (8), 105-108 (2017).
  14. Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , (2005).
  15. Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1 (2021).
  16. He, B., et al. Railway Fastener Defects Detection under Various Illumination Conditions using Fuzzy C-Means Part Model. Transportation Research Record. 2675 (4), 271-280 (2021).
  17. Xu, X., Quan, C., Ren, F. Facial expression recognition based on Gabor Wavelet transform and Histogram of Oriented Gradients. IEEE International Conference on Mechatronics & Automation. , (2015).
  18. Cortes, C., Vapnik, V. N. Support Vector Networks. Machine Learning. 20 (3), 273-297 (1995).
  19. Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
  20. Yang, C., et al. Identification of Pleurotus Ostreatus From Different Producing Areas Based on Mid-Infrared Spectroscopy and Machine Learning. Spectroscopy and Spectral Analysis. 43 (2), 577-582 (2023).
  21. Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
  22. Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
  23. Zhang, Y., Liu, Y., Wang, J. Reliability Prediction of Coal Mine Water Disasters Emergency Rescue System Based on Improved SVM. Journal of Zhengzhou University (Engineering Science). 36 (3), 115-119 (2015).
  24. Cao, Y., Song, D., Hu, X., Sun, Y. Fault Diagnosis of Railway Point Machine Based on Improved Time-Domain Multiscale Dispersion Entropy and Support Vector Machine. Acta Electronica Sinica. 51 (1), 117-127 (2023).
  25. Li, Q., Yuze, C., Yu, B., Ning, C. Two-stage support vector machine method for failure mode classification of reinforced concrete columns. Engineering Mechanics. 39 (2), 148-158 (2022).
  26. Yang, Y., Zhang, W., Yu, H., Chai, W., Liu, D. Analysis on the relationships between ultrasonic parameters and the stress state in loaded concrete based on improved support vector machines). Journal of Vibration and Shock. 42 (2), 175-224 (2023).
  27. Yan, K., Shi, C. Prediction of elastic modulus of normal and high strength concrete by support vector machine. Construction & Building Materials. 24 (8), 1479-1485 (2010).
  28. Hussein, I. J., et al. Fully-automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG). Expert Systems. 39 (3), 12789 (2022).
  29. Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
  30. Long, C., Yichi, Z., Zhangkai, L., Dandan, D. Low-Light Image Enhancement Based on RAW Domain Image. Journal of Computer-Aided Design & Computer Graphics. 35 (2), 303-311 (2023).
  31. Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), 631-654 (2022).

Play Video

Cite This Article
Wang, S., Wang, A., Fu, X., Wu, K., Lu, T. Image Recognition and Parameter Analysis of Concrete Vibration State Based on Support Vector Machine. J. Vis. Exp. (203), e65731, doi:10.3791/65731 (2024).

View Video