Riconoscimento dell'immagine e analisi dei parametri dello stato di vibrazione del calcestruzzo basato su Support Vector Machine

Il calcestruzzo è un materiale da costruzione fondamentale ampiamente utilizzato nel settore delle costruzioni. Durante il pompaggio, il calcestruzzo sviluppa spesso vuoti che richiedono la compattazione attraverso le vibrazioni. Vibrazioni inadeguate possono provocare una superficie in calcestruzzo a nido d’ape, mentre vibrazioni eccessive possono portare alla segregazione del calcestruzzo ^1,2. La qualità del funzionamento a vibrazione influisce in modo significativo sulla resistenza 3,4,5,6 e sulla durata delle strutture in calcestruzzo formate ^7,8. Cai et ^al.9,10 hanno condotto uno studio che ha combinato la ricerca sperimentale con l’analisi numerica per indagare il meccanismo di influenza delle vibrazioni sul cedimento degli aggregati e sulla durabilità del calcestruzzo. I risultati hanno rivelato che il tempo di vibrazione e le particelle di aggregato esercitano un impatto sostanziale sulla sedimentazione dell’aggregato, mentre la densità dell’aggregato e la viscosità plastica del materiale a base di cemento hanno effetti minimi. Le vibrazioni provocano la deposizione di aggregati sul fondo dei provini di calcestruzzo. Inoltre, all’aumentare del tempo di vibrazione, la concentrazione di ioni cloruro diminuisce nella parte inferiore dei provini di calcestruzzo mentre aumenta significativamente nella parte superiore ^9,10.

Attualmente, la valutazione dello stato vibrazionale del calcestruzzo si basa prevalentemente sul giudizio manuale. Mentre l’industria delle costruzioni continua a progredire attraverso riforme intelligenti, le operazioni robotiche sono emerse come la direzione futura^11,12. Di conseguenza, una sfida cruciale nelle operazioni di vibrazione intelligente è come consentire ai robot di identificare lo stato di vibrazione del calcestruzzo.

L’istogramma del gradiente orientato è una tecnica che utilizza il gradiente di intensità dei pixel o la distribuzione delle direzioni dei bordi come descrittore per caratterizzare la rappresentazione e la forma degli oggetti nelle immagini^13,14. Questo approccio opera sulle celle della griglia locale dell’immagine, fornendo una solida stabilità nella caratterizzazione dei cambiamenti dell’immagine in varie condizioni geometriche e ottiche.

Zhou et ^al.15 hanno proposto un metodo per estrarre direttamente le caratteristiche del gradiente direzionale dalle immagini in modalità Bayer. Questo approccio omette numerosi passaggi nel calcolo del gradiente direzionale facendo corrispondere la colonna del filtro colore con l’operatore gradiente, riducendo in modo significativo i requisiti computazionali per il riconoscimento dell’immagine del gradiente direzionale. He et ^al.16 hanno utilizzato l’istogramma del gradiente direzionale come caratteristica sottostante e hanno impiegato l’algoritmo di clustering medio per classificare gli elementi di fissaggio delle rotaie e determinare se gli elementi di fissaggio sono difettosi. I risultati del riconoscimento hanno indicato che l’istogramma della caratteristica del gradiente orientato mostrava un’elevata sensibilità ai difetti degli elementi di fissaggio, soddisfacendo le esigenze di manutenzione e riparazione ferroviaria. In un altro studio, Xu et ^al.17 hanno pre-elaborato le caratteristiche dell’immagine del volto utilizzando il filtro wavelet di Gabor e hanno ridotto la dimensione dei vettori delle caratteristiche attraverso la codifica binaria e l’algoritmo HOG. L’accuratezza media di riconoscimento del metodo è del 92,5%.

La macchina a vettori di supporto (SVM)¹⁸ viene utilizzata per mappare il vettore in uno spazio ad alta dimensione e stabilisce un iperpiano di separazione con una direzione adatta per massimizzare la distanza tra due iperpiani paralleli. Ciò consente di classificare i vettori di supporto¹⁹. Gli studiosi hanno migliorato e ottimizzato questa tecnologia di classificazione, portandola ad applicarsi in vari campi come il riconoscimento delle immagini^20,21, la classificazione del testo²², la previsione dell’affidabilitಳ e la diagnosi dei guasti²⁴.

Li et ^al.25 hanno sviluppato un modello SVM a due stadi per il riconoscimento del modello di cedimento sismico, concentrandosi su tre modalità di cedimento sismico. I risultati dell’analisi indicano che il metodo SVM a due stadi proposto può raggiungere un’accuratezza superiore al 90% per le tre modalità di guasto. Yang et ^al.26 hanno integrato un algoritmo di ottimizzazione con l’SVM per simulare la relazione tra i cinque parametri ultrasonici e la sollecitazione del calcestruzzo caricato. Le prestazioni di una SVM non ottimizzata sono insoddisfacenti, in particolare nella fase a basso stress. Tuttavia, l’attraversamento del modello ottimizzato dall’algoritmo produce risultati migliori, anche se con lunghi tempi di calcolo. In confronto, l’SVM ottimizzato per l’ottimizzazione dello sciame di particelle riduce significativamente il tempo di calcolo, fornendo al contempo risultati di simulazione ottimali. Yan et ^al.27 hanno utilizzato la tecnologia SVM e hanno introdotto una funzione di perdita insensibile alla precisione per prevedere il modulo elastico del calcestruzzo ad alta resistenza, confrontando la sua accuratezza di previsione con il modello di regressione tradizionale e il modello di rete neurale. I risultati della ricerca dimostrano che la tecnologia SVM produce un errore di previsione minore per il modulo elastico rispetto ad altri metodi.

Questo documento raccoglie campioni di immagini di calcestruzzo in vari stati di vibrazione e descrive i diversi stati del calcestruzzo utilizzando la tecnica dell’istogramma del gradiente direzionale. Il gradiente direzionale viene impiegato come vettore di caratteristiche per l’addestramento dell’SVM e lo studio si concentra sulla fattibilità dell’utilizzo della tecnologia dell’istogramma del gradiente direzionale-SVM per identificare lo stato di vibrazione del calcestruzzo. Inoltre, l’articolo analizza il meccanismo di influenza tra tre parametri chiave – soglia di binarizzazione, dimensione del blocco statistico del gradiente direzionale e numero di intervallo statistico del gradiente direzionale – nel processo di estrazione delle caratteristiche dell’istogramma del gradiente direzionale e l’accuratezza del riconoscimento dell’SVM.