Bildigenkänning och parameteranalys av betongvibrationstillstånd baserat på stödvektormaskin

Summary

Protokollet som beskrivs i detta dokument använder riktningsgradienthistogramtekniken för att extrahera egenskaperna hos konkreta bildprover under olika vibrationstillstånd. Den använder en stödvektormaskin för maskininlärning, vilket resulterar i en bildigenkänningsmetod med minimala krav på träningsprov och låga krav på datorprestanda.

Abstract

I den här artikeln används riktningsgradienthistogramtekniken för att extrahera egenskaperna hos konkreta bildprover tagna under olika vibrationstillstånd. Stödvektormaskinen (SVM) används för att lära sig förhållandet mellan bildegenskaper och vibrationstillstånd. Maskininlärningsresultaten används sedan för att bedöma genomförbarheten av betongvibrationstillståndet. Samtidigt analyseras påverkansmekanismen för beräkningsparametrarna för riktningsgradienthistogrammet på igenkänningsnoggrannheten. Resultaten visar att det är möjligt att använda riktningshistogram-SVM-tekniken för att identifiera betongens vibrationstillstånd. Igenkänningsnoggrannheten ökar initialt och minskar sedan när blockstorleken för riktningsgradienten eller antalet statistiska intervall ökar. Igenkänningsnoggrannheten minskar också linjärt med ökningen av tröskelvärdet för binarisering. Genom att använda exempelbilder med en upplösning på 1024 pixlar x 1024 pixlar och optimera parametrarna för extrahering av funktioner kan en igenkänningsnoggrannhet på 100 % uppnås.

Introduction

Betong är ett grundläggande byggmaterial som används flitigt inom byggbranschen. Under pumpningen utvecklar betongen ofta hålrum som kräver komprimering genom vibrationer. Otillräckliga vibrationer kan resultera i en bikakeformad betongyta, medan överdriven vibration kan leda till betongsegregering ^1,2. Kvaliteten på vibrationsdriften påverkar avsevärt hållfastheten 3,4,5,6 och hållbarheten hos de formade betongkonstruktionerna ^7,8. Cai et ^al.9,10 genomförde en studie som kombinerade experimentell forskning med numerisk analys för att undersöka vibrationernas påverkansmekanism på ballastsättningar och betongens hållbarhet. Resultaten visade att vibrationstid och ballastpartiklar har en betydande inverkan på stenmaterialets sättning, medan ballastdensiteten och den plastiska viskositeten hos det cementbaserade materialet har minimala effekter. Vibrationer orsakar ballastavsättning i botten av betongproverna. Dessutom, när vibrationstiden ökar, minskar kloridjonkoncentrationen i botten av betongproverna samtidigt som den ökar avsevärt på de^{översta 9,10}.

För närvarande är bedömningen av betongens vibrationstillstånd huvudsakligen beroende av manuell bedömning. I takt med att byggbranschen fortsätter att utvecklas genom intelligenta reformer har robotdrift dykt upp som den framtida riktningen^11,12. En avgörande utmaning inom intelligenta vibrationsoperationer är därför hur robotar ska kunna identifiera betongens vibrationstillstånd.

Histogrammet för den orienterade gradienten är en teknik som använder intensitetsgradienten för pixlar eller fördelningen av kantriktningar som en beskrivning för att karakterisera representationen och formen av objekt i bilder^13,14. Detta tillvägagångssätt fungerar på bildens lokala rutnätsceller, vilket ger robust stabilitet när det gäller att karakterisera bildförändringar under olika geometriska och optiska förhållanden.

Zhou et ^al.15 föreslog en metod för att direkt extrahera riktningsgradientegenskaper från bilder i Bayer-läge. Den här metoden utelämnar flera steg i beräkningen av riktningsgradienten genom att matcha färgfilterkolumnen med gradientoperatorn, vilket avsevärt minskar beräkningskraven för bildigenkänning med riktningsgradient. Han et ^al.16 använde riktningsgradienthistogrammet som underliggande funktion och använde den genomsnittliga klustringsalgoritmen för att klassificera rälsfästen och avgöra om fästelementen är defekta. Igenkänningsresultaten indikerade att histogrammet för den orienterade gradientfunktionen uppvisade hög känslighet för fästelementdefekter, vilket uppfyller behoven av järnvägsunderhåll och reparation. I en annan studie förbehandlade Xu et ^al.17 ansiktsbildsfunktioner med hjälp av Gabor-wavelet-filtrering och reducerade dimensionen av egenskapsvektorer genom binär kodning och HOG-algoritmen. Metodens genomsnittliga igenkänningsnoggrannhet är 92,5 %.

Stödvektormaskinen (SVM)¹⁸ används för att avbilda vektorn till ett högdimensionellt rum och etablerar ett separerande hyperplan med en lämplig riktning för att maximera avståndet mellan två parallella hyperplan. Detta gör det möjligt att klassificera stödvektorer¹⁹. Forskare har förbättrat och optimerat denna klassificeringsteknik, vilket har lett till dess tillämpning inom olika områden som bildigenkänning^20,21, textklassificering²², tillförlitlighetsförutsägelse²³ och feldiagnos²⁴.

Li et ^al.25 utvecklade en tvåstegs SVM-modell för igenkänning av seismiska brottmönster, med fokus på tre seismiska fellägen. Analysresultaten indikerar att den föreslagna tvåstegs SVM-metoden kan uppnå mer än 90% noggrannhet för de tre felmoderna. Yang et ^al.26 integrerade en optimeringsalgoritm med SVM för att simulera förhållandet mellan de fem ultraljudsparametrarna och spänningen hos den belastade betongen. Prestandan hos en ooptimerad SVM är otillfredsställande, särskilt i lågspänningsstadiet. Att bläddra i modellen som optimerats av algoritmen ger dock bättre resultat, om än med långa beräkningstider. Som jämförelse kan nämnas att den partikelsvärmoptimerade SVM-optimeringen avsevärt minskar beräkningstiden samtidigt som den ger optimala simuleringsresultat. Yan et ^al.27 använde SVM-teknik och introducerade en precisionsokänslig förlustfunktion för att förutsäga elasticitetsmodulen för höghållfast betong, och jämförde dess förutsägelsenoggrannhet med den traditionella regressionsmodellen och neurala nätverksmodellen. Forskningsresultaten visar att SVM-tekniken ger ett mindre prediktionsfel för elasticitetsmodul jämfört med andra metoder.

Denna uppsats samlar in bildprover av betong under olika vibrationstillstånd och beskriver betongens olika tillstånd med hjälp av riktningsgradienthistogramtekniken. Riktningsgradienten används som en egenskapsvektor för träning av SVM, och studien fokuserar på genomförbarheten av att använda riktningsgradienthistogram-SVM-tekniken för att identifiera betongens vibrationstillstånd. Dessutom analyserar artikeln påverkansmekanismen mellan tre nyckelparametrar – binariseringströskel, statistisk blockstorlek för riktningsgradient och statistiskt intervallnummer för riktningsgradient – i egenskapsextraktionsprocessen för riktningsgradienthistogrammet och igenkänningsnoggrannheten för SVM.

Protocol

1. Insamling av betongprovbilder Transportera betong till arbetsplatsen, där den kommer att gjutas av pumpbilen. För att ta bilder, slå på fotograferingsutrustningen genom att flytta strömbrytaren åt höger och vrida den till ON-läget . Justera kamerans lägesratt till det gröna automatiska läget, se till att kameralinsen är parallell med betongytan och tryck på avtryckaren. Ta 20 bildprover av icke-vibrerad betong och spara dem i .jpg form…

Representative Results

Detta protokoll syftar till att analysera hur beräkningsparametrarna med tre vektorer för riktningsgradientfunktionen påverkar noggrannheten hos SVM vid identifiering av betongens vibrationstillstånd. De primära beräkningsparametrarna för funktionsvektorn för riktningsgradient inkluderar den statistiska blockstorleken för riktningsgradient, antalet statistiska vinkelintervall för riktningsgradient och det binära gråa tröskelvärdet. I det här avsnittet används tre huvudsakliga beräkningsparametrar som var…

Discussion

Detta dokument använder stödvektormaskinen (SVM) för att lära sig bildegenskaperna hos olika betongvibrationstillstånd. Baserat på maskininlärningsresultaten föreslås en konkret metod för igenkänning av vibrationstillstånd baserad på bildigenkänning. För att förbättra igenkänningsnoggrannheten är det viktigt att kontrollera parametrarna för de tre nyckelstegen: bildsegmentering, bildbinarisering och extraktion av egenvärde för riktningsgradient. Enligt testresultaten används en mindre binariserings…

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