Summary

Bilderkennung und Parameteranalyse des Betonschwingungszustandes auf Basis der Support Vector Machine

Published: January 05, 2024
doi:

Summary

Das in dieser Arbeit beschriebene Protokoll verwendet die Technik des Richtungsgradientenhistogramms, um die Eigenschaften von Betonbildproben unter verschiedenen Schwingungszuständen zu extrahieren. Es verwendet eine Support-Vektor-Maschine für maschinelles Lernen, was zu einer Bilderkennungsmethode mit minimalen Anforderungen an das Trainingsgebiet und geringen Anforderungen an die Computerleistung führt.

Abstract

In dieser Arbeit wird die Richtungsgradienten-Histogramm-Technologie verwendet, um die Merkmale von Betonbildproben zu extrahieren, die unter verschiedenen Schwingungszuständen aufgenommen wurden. Die Support Vector Machine (SVM) wird verwendet, um die Beziehung zwischen Bildmerkmalen und Schwingungszustand zu lernen. Die Ergebnisse des maschinellen Lernens werden anschließend verwendet, um die Machbarkeit des konkreten Schwingungszustands zu beurteilen. Gleichzeitig wird der Einflussmechanismus der Berechnungsparameter des Richtungsgradientenhistogramms auf die Erkennungsgenauigkeit analysiert. Die Ergebnisse zeigen, dass es möglich ist, die Richtungsgradienten-Histogramm-SVM-Technologie zur Identifizierung des Schwingungszustands von Beton zu verwenden. Die Erkennungsgenauigkeit nimmt zunächst zu und dann ab, wenn die Blockgröße des Richtungsgradienten oder die Anzahl der statistischen Intervalle zunimmt. Auch die Erkennungsgenauigkeit nimmt linear mit zunehmender Binarisierungsschwelle ab. Durch die Verwendung von Beispielbildern mit einer Auflösung von 1024 x 1024 Pixeln und die Optimierung der Merkmalsextraktionsparameter kann eine Erkennungsgenauigkeit von 100% erreicht werden.

Introduction

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 herauskristallisiert11,12. 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 Bildern13, 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 Bilderkennung20,21, 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.

Protocol

1. Konkrete Beispielbildaufnahme Transportieren Sie den Beton zum Arbeitsplatz, wo er mit dem Pumpenwagen gegossen wird. Um Bilder aufzunehmen, schalten Sie die Aufnahmeausrüstung ein, indem Sie den Ein-/Ausschalter nach rechts bewegen und in die Position ON drehen. Stellen Sie den Modusknopf der Kamera auf den grünen Automatikmodus ein, stellen Sie sicher, dass das Kameraobjektiv parallel zur Betonoberfläche ist, und drücken Sie den Auslöser. Er…

Representative Results

Dieses Protokoll zielt darauf ab, zu analysieren, wie sich die Drei-Vektor-Berechnungsparameter des Richtungsgradientenmerkmals auf die Genauigkeit der SVM bei der Identifizierung des Betonschwingungszustands auswirken. Zu den primären Berechnungsparametern des Richtungsgradienten-Feature-Vektors gehören die statistische Blockgröße des Richtungsgradienten, die Anzahl der gerichteten Gradienten-Winkelintervalle und der binäre graue Schwellenwert. In diesem Abschnitt werden drei Hauptberechnungsparameter als Variablen…

Discussion

In dieser Arbeit wird die Support Vector Machine (SVM) verwendet, um die Bildeigenschaften verschiedener Betonschwingungszustandsproben zu erlernen. Basierend auf den Ergebnissen des maschinellen Lernens wird eine konkrete Methode zur Erkennung von Schwingungszuständen auf Basis von Bilderkennung vorgeschlagen. Um die Erkennungsgenauigkeit zu erhöhen, ist es entscheidend, die Parameter der drei Schlüsselschritte zu kontrollieren: Bildsegmentierung, Bildbinarisierung und Richtungsgradienten-Eigenwertextraktion. Entspre…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Wir danken dem Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) für die Finanzierung dieser Arbeit.

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 

Riferimenti

  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

Citazione di questo articolo
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