Bilderkennung und Parameteranalyse des Betonschwingungszustandes auf Basis der Support Vector Machine

Beton ist ein grundlegender Baustoff, der in der Bauindustrie weit verbreitet ist. Während des Pumpens bildet der Beton häufig Hohlräume, die durch Vibrationen verdichtet werden müssen. Unzureichende Vibrationen können zu einer wabenförmigen Betonoberfläche führen, während übermäßige Vibrationen zu einer Betonseigerung führen können ^1,2. Die Qualität des Vibrationsbetriebs hat einen erheblichen Einfluss auf die Festigkeit 3,4,5,6 und die Dauerhaftigkeit der geformten Betonkonstruktionen ^7,8. Cai et ^al.9,10 führten eine Studie durch, die experimentelle Forschung mit numerischer Analyse kombinierte, um den Einflussmechanismus von Schwingungen auf die Setzung von Gesteinskörnungen und die Dauerhaftigkeit von Beton zu untersuchen. Die Ergebnisse zeigten, dass die Schwingungszeit und die Gesteinskörnungen einen erheblichen Einfluss auf die Setzung der Gesteinskörnung haben, während die Dichte der Gesteinskörnung und die plastische Viskosität des zementbasierten Materials nur minimale Auswirkungen haben. Durch Vibrationen kommt es zu Gesteinskörnungen am Boden der Betonproben. Darüber hinaus nimmt mit zunehmender Schwingungszeit die Chloridionenkonzentration an der Unterseite der Betonproben ab, während sie an der Oberseite deutlich zunimmt ^9,10.

Derzeit beruht die Beurteilung des Schwingungszustands von Beton überwiegend auf manueller Beurteilung. Während die Bauindustrie weiterhin intelligente Reformen durchläuft, hat sich der Roboterbetrieb als die zukünftige Richtung herauskristallisiert^11,12. Eine entscheidende Herausforderung bei intelligenten Vibrationsoperationen besteht daher darin, Roboter in die Lage zu versetzen, den Schwingungszustand von Beton zu erkennen.

Das Histogramm des orientierten Gradienten ist eine Technik, die den Intensitätsgradienten von Pixeln oder die Verteilung von Kantenrichtungen als Deskriptor verwendet, um die Darstellung und Form von Objekten in den Bildern^{13, 14} zu charakterisieren. Dieser Ansatz arbeitet mit den lokalen Gitterzellen des Bildes und bietet eine robuste Stabilität bei der Charakterisierung von Bildänderungen unter verschiedenen geometrischen und optischen Bedingungen.

Zhou et ^al.15 schlugen eine Methode zur direkten Extraktion von Richtungsgradientenmerkmalen aus Bayer-Mode-Bildern vor. Bei diesem Ansatz entfallen zahlreiche Schritte bei der Berechnung des Richtungsgradienten, indem die Farbfilterspalte mit dem Gradientenoperator abgeglichen wird, wodurch der Rechenaufwand für die Bilderkennung des Richtungsgradienten erheblich reduziert wird. Er et ^al.16 verwendeten das Richtungsgradientenhistogramm als zugrunde liegendes Merkmal und verwendeten den Mittelwert-Clustering-Algorithmus, um Schienenbefestigungen zu klassifizieren und festzustellen, ob die Verbindungselemente defekt sind. Die Erkennungsergebnisse zeigten, dass das Histogramm des orientierten Gradientenmerkmals eine hohe Empfindlichkeit gegenüber Befestigungsfehlern aufwies und den Anforderungen der Eisenbahnwartung und -reparatur entsprach. In einer anderen Studie haben Xu et ^al.17 Gesichtsbildmerkmale mit Hilfe der Gabor-Wavelet-Filterung vorverarbeitet und die Dimension der Merkmalsvektoren durch binäre Kodierung und den HOG-Algorithmus reduziert. Die durchschnittliche Erkennungsgenauigkeit des Verfahrens liegt bei 92,5 %.

Die Support Vector Machine (SVM)¹⁸ wird verwendet, um den Vektor in einen hochdimensionalen Raum abzubilden und eine trennende Hyperebene mit einer geeigneten Richtung zu etablieren, um den Abstand zwischen zwei parallelen Hyperebenen zu maximieren. Dies ermöglicht die Klassifizierung von Stützvektoren¹⁹. Wissenschaftler haben diese Klassifikationstechnologie verbessert und optimiert, was zu ihrer Anwendung in verschiedenen Bereichen wie der Bilderkennung^20,21, der Textklassifizierung²², der Zuverlässigkeitsvorhersage²³ und der Fehlerdiagnose²⁴ geführt hat.

Li et ^al.25 entwickelten ein zweistufiges SVM-Modell zur Erkennung von seismischen Versagensmustern, das sich auf drei seismische Versagensmodi konzentriert. Die Analyseergebnisse deuten darauf hin, dass die vorgeschlagene zweistufige SVM-Methode eine Genauigkeit von mehr als 90 % für die drei Fehlermodi erreichen kann. Yang et ^al.26 integrierten einen Optimierungsalgorithmus in das SVM, um die Beziehung zwischen den fünf Ultraschallparametern und der Spannung des belasteten Betons zu simulieren. Die Leistung einer nicht optimierten SVM ist unbefriedigend, insbesondere in der Low-Stress-Phase. Das Durchlaufen des durch den Algorithmus optimierten Modells führt jedoch zu besseren Ergebnissen, wenn auch mit langen Rechenzeiten. Im Vergleich dazu reduziert die für die Partikelschwarmoptimierung optimierte SVM die Rechenzeit erheblich und liefert gleichzeitig optimale Simulationsergebnisse. Yan et ^al.27 setzten die SVM-Technologie ein und führten eine präzisionsunempfindliche Verlustfunktion ein, um den Elastizitätsmodul von hochfestem Beton vorherzusagen und seine Vorhersagegenauigkeit mit dem traditionellen Regressionsmodell und dem neuronalen Netzwerkmodell zu vergleichen. Die Forschungsergebnisse zeigen, dass die SVM-Technologie im Vergleich zu anderen Methoden einen geringeren Vorhersagefehler für den Elastizitätsmodul erzeugt.

In dieser Arbeit werden Bildproben von Beton unter verschiedenen Schwingungszuständen gesammelt und die verschiedenen Zustände des Betons mit Hilfe der Richtungsgradienten-Histogramm-Technik beschrieben. Der Richtungsgradient wird als Merkmalsvektor für das Training des SVM verwendet, und die Studie konzentriert sich auf die Durchführbarkeit der Verwendung der Richtungsgradienten-Histogramm-SVM-Technologie zur Identifizierung des Schwingungszustands von Beton. Darüber hinaus analysiert die Arbeit den Einflussmechanismus zwischen drei Schlüsselparametern – Binarisierungsschwelle, statistische Blockgröße des Richtungsgradienten und Anzahl des statistischen Intervalls des Richtungsgradienten – im Merkmalsextraktionsprozess des Richtungsgradientenhistogramms und der Erkennungsgenauigkeit der SVM.