זיהוי תמונה וניתוח פרמטרים של מצב רטט בטון המבוסס על מכונת וקטור תמיכה

בטון הוא חומר בנייה בסיסי הנמצא בשימוש נרחב בענף הבנייה. במהלך השאיבה, הבטון מפתח לעיתים קרובות חללים הדורשים דחיסה באמצעות רעידות. רעידות לא מספקות עלולות לגרום למשטח בטון חלת דבש, בעוד רעידות מוגזמות עלולות להוביל להפרדת בטון ^1,2. איכות פעולת הרטט משפיעה באופן משמעותי על חוזק 3,4,5,6 ועמידות מבני הבטון שנוצרו ^7,8. Cai et ^al.9,10 ערכו מחקר ששילב מחקר ניסיוני עם ניתוח מספרי כדי לחקור את מנגנון ההשפעה של רטט על התיישבות אגרגטים ועמידות בטון. הממצאים גילו כי לזמן הרטט ולחלקיקי האגרגטים יש השפעה מהותית על התיישבות האגרגטים, בעוד שלצפיפות המצרפיים ולצמיגות הפלסטית של החומר הצמנטי יש השפעות מינימליות. רטט גורם לשקיעת אגרגטים בתחתית דגימות הבטון. יתר על כן, ככל שזמן הרטט מתארך, ריכוז יון הכלוריד יורד בתחתית דגימות הבטון תוך עלייה משמעותית ב ^9,10 העליון.

כיום, הערכת מצב רטט קונקרטי מסתמכת בעיקר על שיפוט ידני. ככל שענף הבנייה ממשיך להתקדם באמצעות רפורמות חכמות, פעולות רובוטים התגלו ככיוון העתידי^11,12. כתוצאה מכך, אתגר מכריע בפעולות רטט חכמות הוא כיצד לאפשר לרובוטים לזהות את מצב הרטט של הבטון.

ההיסטוגרמה של מעבר הצבע המכוון היא טכניקה המשתמשת בשיפוע העוצמה של פיקסלים או בפיזור כיווני הקצוות כמתאר לאפיון הייצוג והצורה של עצמים בתמונות^13,14. גישה זו פועלת על תאי הרשת המקומיים של התמונה, ומספקת יציבות איתנה באפיון שינויי תמונה בתנאים גיאומטריים ואופטיים שונים.

Zhou et ^al.15 הציעו שיטה לחילוץ ישיר של תכונות הדרגתיות כיוונית מתמונות מצב Bayer. גישה זו משמיטה שלבים רבים בחישוב מעבר הצבע הכיווני על-ידי התאמת עמודת מסנן הצבע לאופרטור מעבר הצבע, ובכך מפחיתה באופן משמעותי את הדרישות החישוביות לזיהוי תמונה של מעבר צבע כיווני. הוא ^{ואחרים השתמשו} בהיסטוגרמה של שיפוע כיווני כתכונה הבסיסית והשתמשו באלגוריתם האשכולות הממוצע כדי לסווג את מחברי המסילה ולקבוע אם המחברים פגומים. תוצאות הזיהוי הצביעו על כך שההיסטוגרמה של תכונת השיפוע המכוון הפגינה רגישות גבוהה לפגמים במהדק, וענתה על הצרכים של תחזוקת הרכבת ותיקונה. במחקר אחר, Xu et ^al.17 עיבדו מראש תכונות של תמונות פנים באמצעות סינון גל גאבור והקטינו את הממד של וקטורי תכונות באמצעות קידוד בינארי ואלגוריתם HOG. דיוק הזיהוי הממוצע של השיטה הוא 92.5%.

מכונת וקטור התמיכה (SVM)¹⁸ משמשת למיפוי הווקטור למרחב ממדי גבוה ויוצרת היפר-מישור מפריד עם כיוון מתאים כדי למקסם את המרחק בין שני על-מישורים מקבילים. זה מאפשר סיווג של וקטורי תמיכה¹⁹. חוקרים שיפרו וייעלו את טכנולוגיית סיווג זו, מה שהוביל ליישומה בתחומים שונים כגון זיהוי תמונה^20,21, סיווג טקסט²², חיזוי אמינות²³ ואבחון תקלות²⁴.

Li et ^al.25 פיתחו מודל SVM דו-שלבי לזיהוי דפוסי כשל סייסמי, תוך התמקדות בשלושה מצבי כשל סייסמי. תוצאות הניתוח מצביעות על כך ששיטת ה- SVM הדו-שלבית המוצעת יכולה להשיג דיוק של יותר מ- 90% עבור שלושת מצבי הכשל. Yang et ^al.26 שילבו אלגוריתם אופטימיזציה עם SVM כדי לדמות את הקשר בין חמשת הפרמטרים העל-קוליים לבין הלחץ של הבטון הטעון. הביצועים של שרת אחסון וירטואלי לא ממוטב אינם משביעי רצון, במיוחד בשלב הלחץ הנמוך. עם זאת, חציית המודל הממוטב על ידי האלגוריתם מניבה תוצאות משופרות, אם כי עם זמני חישוב ארוכים. לשם השוואה, ה-SVM הממוטב לאופטימיזציה של נחיל חלקיקים מקצר משמעותית את זמן החישוב תוך מתן תוצאות סימולציה אופטימליות. Yan et ^al.27 השתמשו בטכנולוגיית SVM והציגו פונקציית אובדן מדויקת ולא רגישה כדי לחזות את המודולוס האלסטי של בטון בעל חוזק גבוה, תוך השוואת דיוק החיזוי שלו מול מודל הרגרסיה המסורתי ומודל הרשת העצבית. ממצאי המחקר מראים כי טכנולוגיית SVM מייצרת טעות ניבוי קטנה יותר עבור מודולוס אלסטי בהשוואה לשיטות אחרות.

מאמר זה אוסף דוגמאות תמונה של בטון תחת מצבי רטט שונים ומתאר את המצבים השונים של הבטון באמצעות טכניקת היסטוגרמה של שיפוע כיווני. השיפוע הכיווני משמש כווקטור תכונה לאימון ה-SVM, והמחקר מתמקד בכדאיות השימוש בטכנולוגיית היסטוגרמה של שיפוע כיווני-SVM כדי לזהות את מצב הרטט של בטון. בנוסף, המאמר מנתח את מנגנון ההשפעה בין שלושה פרמטרים מרכזיים – סף בינאריזציה, גודל בלוק סטטיסטי של שיפוע כיווני ומספר מרווח סטטיסטי של שיפוע כיווני – בתהליך חילוץ התכונות של היסטוגרמה של שיפוע כיווני ודיוק הזיהוי של שרת אחסון וירטואלי.