Summary

Beeldherkenning en parameteranalyse van de trillingstoestand van beton op basis van de ondersteuningsvectormachine

Published: January 05, 2024
doi:

Summary

Het protocol dat in dit artikel wordt beschreven, maakt gebruik van de directionele gradiënthistogramtechniek om de kenmerken van concrete beeldmonsters onder verschillende trillingstoestanden te extraheren. Het maakt gebruik van een ondersteunende vectormachine voor machine learning, wat resulteert in een beeldherkenningsmethode met minimale vereisten voor trainingsmonsters en lage eisen aan computerprestaties.

Abstract

In dit artikel wordt de directionele gradiënthistogramtechnologie gebruikt om de kenmerken van concrete beeldmonsters te extraheren die zijn vastgelegd onder verschillende trillingstoestanden. De ondersteuningsvectormachine (SVM) wordt gebruikt om de relatie tussen beeldkenmerken en trillingstoestand te leren. De resultaten van de machine learning worden vervolgens gebruikt om de haalbaarheid van de trillingstoestand van het beton te beoordelen. Tegelijkertijd wordt het beïnvloedingsmechanisme van de berekeningsparameters van het directionele gradiënthistogram op de herkenningsnauwkeurigheid geanalyseerd. De resultaten tonen de haalbaarheid aan van het gebruik van de directionele gradiënt histogram-SVM-technologie om de trillingstoestand van beton te identificeren. De herkenningsnauwkeurigheid neemt aanvankelijk toe en neemt vervolgens af naarmate de blokgrootte van het richtingsverloop of het aantal statistische intervallen toeneemt. De herkenningsnauwkeurigheid neemt ook lineair af met de verhoging van de binarisatiedrempel. Door gebruik te maken van voorbeeldafbeeldingen met een resolutie van 1024 pixels x 1024 pixels en het optimaliseren van de parameters voor het extraheren van functies, kan een herkenningsnauwkeurigheid van 100% worden bereikt.

Introduction

Beton is een fundamenteel bouwmateriaal dat veel wordt gebruikt in de bouwsector. Tijdens het pompen ontwikkelt het beton vaak holtes die verdichting vereisen door middel van trillingen. Onvoldoende trillingen kunnen leiden tot een honingraatbetonoppervlak, terwijl overmatige trillingen kunnen leiden tot betonscheiding 1,2. De kwaliteit van de trilwerking heeft een aanzienlijke invloed op de sterkte 3,4,5,6 en duurzaamheid van de gevormde betonconstructies 7,8. Cai et al.9,10 voerden een studie uit die experimenteel onderzoek combineerde met numerieke analyse om het invloedsmechanisme van trillingen op de zetting van aggregaten en de duurzaamheid van beton te onderzoeken. De bevindingen toonden aan dat trillingstijd en aggregaatdeeltjes een substantiële invloed hebben op de aggregaatzetting, terwijl de aggregaatdichtheid en de plastische viscositeit van het op cement gebaseerde materiaal minimale effecten hebben. Trillingen veroorzaken aggregaatafzetting aan de onderkant van de betonmonsters. Bovendien, naarmate de trillingstijd toeneemt, neemt de chloride-ionenconcentratie af aan de onderkant van de betonmonsters, terwijl deze aanzienlijk toeneemt aan de bovenkant 9,10.

Momenteel is de beoordeling van de trillingstoestand van beton voornamelijk gebaseerd op handmatige beoordeling. Terwijl de bouwsector vooruitgang blijft boeken door middel van intelligente hervormingen, zijn robotoperaties naar voren gekomen als de toekomstige richting11,12. Een cruciale uitdaging bij intelligente trillingsbewerkingen is dan ook hoe robots de trillingstoestand van beton kunnen identificeren.

Het histogram van de georiënteerde gradiënt is een techniek die de intensiteitsgradiënt van pixels of de verdeling van randrichtingen gebruikt als een descriptor om de weergave en vorm van objecten in afbeeldingen te karakteriseren13,14. Deze benadering werkt op de lokale rastercellen van het beeld en biedt robuuste stabiliteit bij het karakteriseren van beeldveranderingen onder verschillende geometrische en optische omstandigheden.

Zhou et al.15 stelden een methode voor om direct richtingsverloopkenmerken te extraheren uit afbeeldingen in de Bayer-modus. Bij deze benadering worden tal van stappen bij het berekenen van het directionele verloop weggelaten door de kolom met het kleurenfilter af te stemmen op de verloopoperator, waardoor de rekenvereisten voor beeldherkenning met directioneel verloop aanzienlijk worden verminderd. Hij et al.16 gebruikten het histogram van de richtingsgradiënt als onderliggend kenmerk en gebruikten het gemiddelde clusteralgoritme om railbevestigingen te classificeren en te bepalen of de bevestigingsmiddelen defect zijn. De herkenningsresultaten gaven aan dat het histogram van de georiënteerde gradiëntfunctie een hoge gevoeligheid vertoonde voor defecten aan bevestigingsmiddelen, wat voldeed aan de behoeften van spoorwegonderhoud en -reparatie. In een andere studie hebben Xu et al.17 gezichtsbeeldkenmerken voorbewerkt met behulp van Gabor-waveletfiltering en de dimensie van kenmerkvectoren verkleind door middel van binaire codering en het HOG-algoritme. De gemiddelde herkenningsnauwkeurigheid van de methode is 92,5%.

De ondersteunende vectormachine (SVM)18 wordt gebruikt om de vector in een hoogdimensionale ruimte in kaart te brengen en een scheidend hypervlak tot stand te brengen met een geschikte richting om de afstand tussen twee parallelle hypervlakken te maximaliseren. Dit maakt de classificatie van ondersteuningsvectoren19 mogelijk. Geleerden hebben deze classificatietechnologie verbeterd en geoptimaliseerd, wat heeft geleid tot de toepassing ervan op verschillende gebieden, zoals beeldherkenning20,21, tekstclassificatie22, betrouwbaarheidsvoorspelling23 en foutdiagnose24.

Li et al.25 ontwikkelden een tweetraps SVM-model voor seismische faalpatroonherkenning, met de nadruk op drie seismische faalmodi. De analyseresultaten geven aan dat de voorgestelde tweetraps SVM-methode een nauwkeurigheid van meer dan 90% kan bereiken voor de drie storingsmodi. Yang et al.26 integreerden een optimalisatie-algoritme met de SVM om de relatie tussen de vijf ultrasone parameters en de spanning van het geladen beton te simuleren. De prestaties van een niet-geoptimaliseerde SVM zijn onbevredigend, vooral in de fase met weinig stress. Het doorlopen van het model dat door het algoritme is geoptimaliseerd, levert echter betere resultaten op, zij het met lange rekentijden. Ter vergelijking: de door de deeltjeszwerm geoptimaliseerde SVM verkort de berekeningstijd aanzienlijk en levert optimale simulatieresultaten op. Yan et al.27 gebruikten SVM-technologie en introduceerden een precisie-ongevoelige verliesfunctie om de elastische modulus van hogesterktebeton te voorspellen, waarbij de voorspellingsnauwkeurigheid werd vergeleken met het traditionele regressiemodel en het neurale netwerkmodel. De onderzoeksresultaten tonen aan dat de SVM-technologie een kleinere voorspellingsfout voor elastische modulus oplevert in vergelijking met andere methoden.

Dit artikel verzamelt beeldmonsters van beton onder verschillende trillingstoestanden en beschrijft de verschillende toestanden van het beton met behulp van de directionele gradiënthistogramtechniek. De directionele gradiënt wordt gebruikt als een kenmerkvector voor het trainen van de SVM, en de studie richt zich op de haalbaarheid van het gebruik van de directionele gradiënt histogram-SVM-technologie om de trillingstoestand van beton te identificeren. Daarnaast analyseert het artikel het beïnvloedingsmechanisme tussen drie belangrijke parameters – binarisatiedrempel, directionele gradiënt statistische blokgrootte en directionele gradiënt statistische intervalnummer – in het functie-extractieproces van het directionele gradiënthistogram en de herkenningsnauwkeurigheid van de SVM.

Protocol

1. Concrete beeldacquisitie Transporteer beton naar de werkplaats, waar het door de pompwagen wordt gestort. Om beelden vast te leggen, schakelt u de opnameapparatuur in door de aan/uit-schakelaar naar rechts te bewegen en in de AAN-stand te draaien. Zet de modusknop van de camera in de groene automatische modus, zorg ervoor dat de cameralens evenwijdig is aan het betonnen oppervlak en druk op de sluitertoets. Leg 20 beeldmonsters vast van niet-getril…

Representative Results

Dit protocol heeft tot doel te analyseren hoe de berekeningsparameters met drie vectoren van de directionele gradiëntfunctie de nauwkeurigheid van de SVM beïnvloeden bij het identificeren van de trillingstoestand van het beton. De primaire berekeningsparameters van de richtingsgradiëntfunctievector omvatten de statistische blokgrootte van de directionele gradiënt, het aantal statistische hoekintervallen met directionele gradiënt en de binaire grijze drempel. In dit gedeelte worden drie belangrijke berekeningsparamet…

Discussion

Dit artikel maakt gebruik van de ondersteuningsvectormachine (SVM) om de beeldkenmerken van verschillende monsters van betontrillingen te leren. Op basis van de resultaten van machine learning wordt een concrete methode voor het herkennen van de trillingstoestand op basis van beeldherkenning voorgesteld. Om de nauwkeurigheid van de herkenning te verbeteren, is het van cruciaal belang om de parameters van de drie belangrijkste stappen te beheersen: beeldsegmentatie, beeldbinarisatie en directionele gradiënt-eigenwaarde-e…

Disclosures

The authors have nothing to disclose.

Acknowledgements

We danken Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) dankbaar voor de financiering van dit werk.

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