نشكر بامتنان مشروع البحث العلمي السنوي لمجموعة ووهان للإنشاءات الحضرية لعام 2023 (رقم 7) لتمويل هذا العمل.

1. الحصول على صورة عينة ملموسة
<ol><li>نقل الخرسانة إلى مكان العمل ، حيث سيتم صبها بواسطة شاحنة المضخة.</li>
	<li>لالتقاط الصور ، قم بتشغيل جهاز التصوير عن طريق تحريك مفتاح مفتاح التشغيل إلى اليمين وتحويله إلى وضع التشغيل . اضبط مقبض وضع الكاميرا على الوضع التلقائي الأخضر، وتأكد من أن عدسة الكاميرا موازية للسطح الخرساني، واضغط على مفتاح الغالق. التقط 20 عينة صورة من الخرسانة غير المهتزة ، واحفظها بتنسيق .jpg بدقة اكتساب تبلغ 1024 × 1024 بكسل ، كما هو موضح في الشكل 1.</li>
	<li>أدخل الجزء الاهتزازي من معدات اهتزاز الخرسانة (قضيب اهتزاز الخرسانة الإضافي) في الخرسانة. قم بتوصيل مصدر الطاقة ، ثم قم بتشغيل معدات الاهتزاز الخرسانية عن طريق ضبطها على وضع التشغيل .</li>
	<li>عندما يكون هناك بعض الانهيار على سطح الخرسانة (ناتج عن اهتزاز تفريغ الهواء داخل الخرسانة ، مما يؤدي إلى غرق الركام السطحي لملء الفجوات ، مما يؤدي إلى انهيار الخرسانة) ويظهر بعض ملاط الأسمنت ، احتفظ بعدسة الكاميرا موازية لسطح الخرسانة واضغط على مفتاح الغالق. اجمع 20 عينة صورة للخرسانة المهتزة، كما هو موضح في الشكل 2.</li>
	<li>استمر في تشغيل معدات الاهتزاز. عندما لا يكون هناك انهيار واضح على سطح الخرسانة ، لا يظهر ملاط أسمنتي ، ولا يتم إنشاء فقاعات ، وإيقاف عملية الاهتزاز ، والتقاط 20 عينة صورة من الخرسانة المهتزة ، كما هو موضح في الشكل 3.</li>
</ol>2. عينة صورة ثنائية رمادية
<ol><li>استخدم وظيفة imread() لبرنامج MATLAB لقراءة ملف .jpg كبيانات تنسيق الوحدة 1024 بكسل × 1024 بكسل × 3 قنوات ملونة ، تمثل قيم القناة الحمراء والخضراء والزرقاء للصورة.</li>
	<li>بعد ذلك ، قم بتطبيق وظيفة MATLAB rgb2gray لتحويل الصورة إلى تدرج الرمادي ، والتي يشار إليها بالتنسيق قيمة الرمادي = rgb2gray (اسم ملف jpg). احسب القيمة الرمادية لكل بكسل وفقا للمعادلة (1) ، واحفظ القيمة الرمادية كبيانات تنسيق unit8 1024 × 1024. GR (i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1) حيث ، GR (i، j) هي القيمة الرمادية لنقطة البكسل ، R (i ، j) هي قيمة القناة الحمراء لنقطة البكسل ، G (i ، j) هي قيمة القناة الخضراء لنقطة البكسل ، و B (i ، j) هي قيمة القناة الزرقاء لنقطة البكسل.</li>
	<li>قم بتغيير القيمة الثنائية للقيم الرمادية الأكبر من عتبة البكسل θ إلى 1 واضبط القيمة الثنائية للقيم الرمادية الأقل من θ pixel إلى 0.</li>
	<li>بعد الحصول على النتائج الرمادية ثنائية ، احفظ النتيجة كبيانات تنسيق منطقي 1024 × 1024. في هذه الحالة ، تمثل θ عتبة الازدواجية ، وقيمها هي 50 و 100 و 150 و 200 لصور عينة ملموسة مختلفة لحالة الاهتزاز ، كما هو موضح في الشكل 5 والشكل 6 والشكل 7.</li>
</ol>3. حساب القيمة الذاتية للتدرج الاتجاهي
<ol><li>احسب التدرج الثنائي الأفقي والرأسي لكل بكسل في الصورة باستخدام المعادلة التالية28 Tp = R (x، y + 1) - R (x، y - 1)، Th = R (x + 1، y) - R (x-1، y) حيث Th هو التدرج الأفقي الثنائي ، Tp هو التدرج الرأسي الثنائي ، R هي بيانات التنسيق المنطقي الثنائي ، x هو رقم صف المصفوفة الثنائية ، و y هو رقم عمود المصفوفة الثنائية.</li>
	<li>احسب اتجاه التدرج الثنائي وحجم كل نقطة باستخدام المعادلة التالية29 <img alt="Equation 1" src="/files/ftp_upload/65731/65371eq01.jpg" style="margin: auto;"> حيث T هو حجم التدرج الثنائي ، αT هو اتجاه التدرج الثنائي ، Th هو التدرج الثنائي الأفقي ، و Tp هو التدرج الثنائي الرأسي.</li>
	<li>حدد حجم كتلة تجزئة الصورة ، المشار إليها ب n ، حيث تكون قيمة n [1،9]. اضبط خط التجزئة لكل n بكسل في الاتجاه y على طول اتجاه x ، وتقسيم الصورة بشكل فعال إلى كتل مربعة n x n بناء على موضع خط التجزئة. ثم تتم إزالة أي أجزاء من الصورة لا يمكن أن تشكل كتل مربعة كاملة.</li>
	<li>اتجاه التدرج الثنائي للتقسيم αT (قيمة اتجاه التدرج الثنائي αT هي [0 درجة ، 360 درجة]) إلى أجزاء m ، مما ينتج عنه فترات زاوية إحصائية للتدرج الاتجاهي m. تابع حساب القيمة الإحصائية المتدرجة للفاصل الزمني لزاوية التدرج الإحصائي لكل كتلة.<ol><li>بناء على اتجاه التدرج الثنائي لكل بكسل في الكتلة ، قم بتصنيف وحدات البكسل إلى فاصل زاوية إحصائي متدرج مناسب لكل اتجاه.</li>
		<li>اجمع التدرج الثنائي للبيكسلات في فاصل الزاوية الإحصائية المتدرجة لكل اتجاه في اتجاه عقارب الساعة للحصول على قيمة التدرج الإحصائية لتلك الفترة. النتائج التي تم الحصول عليها لإحصائيات التدرج الاتجاهي لفاصل الزاوية الإحصائية المتدرجة موضحة في الشكل 8 والشكل 9 والشكل 10 لأحجام الكتل n تساوي 8 و 128 و 512 على التوالي.</li>
	</ol></li>
</ol>4. بناء متجه ميزة التدرج الاتجاهي
<ol><li>قسم العينات إلى مناطق الحساب المطلوبة، حيث تتكون كل منطقة حساب من أربع كتل متجاورة استنادا إلى نتائج الكتلة التي تم الحصول عليها في الخطوة 3.3. على سبيل المثال ، بالنظر إلى دقة 16 × 16 بكسل وحجم كتلة 4 × 4 ، يتم تقسيم الصورة إلى (16 / 4-1) × (16 / 4-1) = 9 مناطق حسابية.</li>
	<li>احسب القيمة الإحصائية للتدرج الاتجاهي ضمن الفاصل الزمني لزاوية إحصائيات التدرج لكل كتلة في منطقة الحساب. بعد ذلك ، احصل على متجه المعلم مع إحصائيات التدرج الاتجاهي كمكون.</li>
	<li>ادمج متجهات معالم التدرج الاتجاهي من كل منطقة حسابية للحصول على متجه معلم التدرج الاتجاهي للصورة.</li>
</ol>5. تدريب SVM
<ol><li>حدد عشوائيا 42 عينة من حالات الاهتزاز الثلاث لإنشاء مجموعة التدريب ، مع ترك العينات ال 18 المتبقية كمجموعة اختبار.</li>
	<li>الاستفادة من وظيفة fitcecoc من MATLAB لتدريب SVM ؛ التنسيق هو SVM = fitcecoc (ميزات التدريب ، قيمة التدريب) حيث SVM هي آلة متجه الدعم التي سيتم تدريبها ، وميزات التدريب هي متجه ميزة التدرج الاتجاهي لمجموعة التدريب ، و Trainingeigenvalue هي القيمة المميزة لحالة الاهتزاز لمجموعة التدريب. القيم المميزة لحالة الاهتزاز للخرسانة غير المهتزة والخرسانة الاهتزازية وعينات الخرسانة المهتزة هي 1 و 2 و 3 على التوالي.</li>
	<li>احفظ SVM المدرب باستخدام وظيفة حفظ بتنسيق .mat.</li>
</ol>6. التحقق من دقة التعرف على SVM
<ol><li>باستخدام وظيفة التنبؤ في MATLAB ، أدخل متجه ميزة التدرج الاتجاهي لصورة عينة مجموعة الاختبار في SVM المدرب للحصول على القيمة المحسوبة لميزة حالة الاهتزاز لكل عينة اختبار. التنسيق كما يلي: testgroupcalculateseigenvalues = التنبؤ (SVM، testFeature) حيث testgroupcalculateseigenvalues هي القيمة المحسوبة لميزة حالة الاهتزاز ، و SVM هي آلة متجه الدعم المدربة في الخطوة 5. testFeature هو متجه معلم التدرج الاتجاهي لصورة عينة مجموعة الاختبار.</li>
	<li>حدد نتائج التعرف على عينة مجموعة الاختبار عن طريق تغذية مجموعة الاختبار في SVM المدرب. احسب عدد العينات التي تتطابق نتائج التعرف على مجموعة الاختبار الخاصة بها مع الحالة الفعلية، ثم احسب دقة التعرف بقسمة عدد العينات الصحيحة على إجمالي عدد عينات مجموعة الاختبار.<ol><li>إذا كانت دقة التعرف على الاختبار أعلى من 94٪ ، فاعتبر التعرف على SVM فعالا. إذا كان أقل من 94٪ ، فارجع إلى الخطوة 1.1 واضبط عتبة التقسيم وحجم الكتلة n وعدد الفواصل الإحصائية للتدرج الاتجاهي m.</li>
	</ol></li>
</ol>

Directional Gradient Histogram and SVM for Identifying Concrete Vibration States

<ol>
	<li>Jiang, L., Tian, Z., Wang, K., Sun, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Estimating+the+segregation+of+concrete+under+vibration+based+on+electrical+method.">Estimating the segregation of concrete under vibration based on electrical method.</a> Concrete. 1, 41-44 (2023).</li><li>Ren, B., Ye, Z., Wang, D., Wu, B., Tan, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+segregation+degree+of+hardening+concrete+using+improved+Mask+R-CNN.">Evaluation of segregation degree of hardening concrete using improved Mask R-CNN.</a> Journal of Hydroelectric Engineering. 41 (5), 93-102 (2022).</li><li>Hu, J., Qin, M., Wang, H., Liu, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Study+on+the+influence+of+vibration+frequency+on+the+performance+of+concrete.">Study on the influence of vibration frequency on the performance of concrete.</a> Highway. 65 (12), 111-114 (2020).</li><li>Bian, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Experimental+study+on+characterization+of+evaluation+indexes+for+vibration+compaction+of+fresh+concrete.">Experimental study on characterization of evaluation indexes for vibration compaction of fresh concrete.</a> Journal of Hydroelectric Engineering. 39 (2), 67-80 (2020).</li><li>Liu, Z., Zhou, M., Bai, J., Mou, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Influence+of+vibration+time+on+the+strength+and+homogeneity+of+rubber+concrete.">Influence of vibration time on the strength and homogeneity of rubber concrete.</a> Industrial Construction. 42, 509-512 (2012).</li><li>Cheng, Y., Gou, Z., Wang, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Testing+Investigation+on+Effects+of+Mixing,+Vibrating+and+Curing+on+Strength+of+High-Performance+Concrete.">Testing Investigation on Effects of Mixing, Vibrating and Curing on Strength of High-Performance Concrete.</a> Journal of Northeastern University (Natural Science). 31 (12), 1790-1793 (2010).</li><li>Zhao, Y., Chen, S., Liu, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Influence+mechanism+of+high-frequency+vibration+on+concrete+antifreeze+and+application+in+construction+of+tunnels+in+cold+regions.">Influence mechanism of high-frequency vibration on concrete antifreeze and application in construction of tunnels in cold regions.</a> Industrial Construction. 44 (5), 101-105 (2014).</li><li>Quan, L., Tian, B., Li, S., He, Z., He, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evolution+characteristics+of+flexural+fatigue+performance+of+dense+concrete+consolidated+with+high+frequency+vibration+applied+in+airport+pavement.">Evolution characteristics of flexural fatigue performance of dense concrete consolidated with high frequency vibration applied in airport pavement.</a> Journal of Traffic and Transportation Engineering. 20 (2), 34-45 (2020).</li><li>Cai, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Influence+of+coarse+aggregate+settlement+induced+by+vibration+on+long-term+chloride+transport+in+concrete:+a+numerical+study.">Influence of coarse aggregate settlement induced by vibration on long-term chloride transport in concrete: a numerical study.</a> Materials and Structures. 55 (9), 1-18 (2022).</li><li>Cai, Y., Liu, Q. F., Yu, L., Meng, Z., Avija, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+experimental+and+numerical+investigation+of+coarse+aggregate+settlement+in+fresh+concrete+under+vibration.">An experimental and numerical investigation of coarse aggregate settlement in fresh concrete under vibration.</a> Cement and Concrete Composites. 122 (7), 104153 (2021).</li><li>Wang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+and+application+of+concrete+vibrating+robot+system+for+high+arch+dam.">Development and application of concrete vibrating robot system for high arch dam.</a> Journal of Hydraulic Engineering. 53 (6), 631-654 (2022).</li><li>Chen, C., Li, X., Qiu, Z., Yao, W., Zhu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Research+Progress+of+Construction+Robots.">Research Progress of Construction Robots.</a> Journal of Architecture and Civil Engineering. 39 (4), 58-70 (2022).</li><li>Shen, H., Zhang, W., Liu, J., Qiu, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+and+Prospect+of+Construction+Robots+for+High+Rise+Buildings.">Development and Prospect of Construction Robots for High Rise Buildings.</a> Construction Technology. 46 (8), 105-108 (2017).</li><li>Dalal, N., Triggs, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Histograms+of+Oriented+Gradients+for+Human+Detection.">Histograms of Oriented Gradients for Human Detection.</a> IEEE Computer Society Conference on Computer Vision &amp; Pattern Recognition. , (2005).</li><li>Zhou, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Gradient-based+Feature+Extraction+From+Raw+Bayer+Pattern+Images.">Gradient-based Feature Extraction From Raw Bayer Pattern Images.</a> IEEE Transactions on Image Processing. (99), 1 (2021).</li><li>He, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Railway+Fastener+Defects+Detection+under+Various+Illumination+Conditions+using+Fuzzy+C-Means+Part+Model.">Railway Fastener Defects Detection under Various Illumination Conditions using Fuzzy C-Means Part Model.</a> Transportation Research Record. 2675 (4), 271-280 (2021).</li><li>Xu, X., Quan, C., Ren, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Facial+expression+recognition+based+on+Gabor+Wavelet+transform+and+Histogram+of+Oriented+Gradients.">Facial expression recognition based on Gabor Wavelet transform and Histogram of Oriented Gradients.</a> IEEE International Conference on Mechatronics &amp; Automation. , (2015).</li><li>Cortes, C., Vapnik, V. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Support+Vector+Networks.">Support Vector Networks.</a> Machine Learning. 20 (3), 273-297 (1995).</li><li>Burges, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Tutorial+on+Support+Vector+Machines+for+Pattern+Recognition.">A Tutorial on Support Vector Machines for Pattern Recognition.</a> Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).</li><li>Yang, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Identification+of+Pleurotus+Ostreatus+From+Different+Producing+Areas+Based+on+Mid-Infrared+Spectroscopy+and+Machine+Learning.">Identification of Pleurotus Ostreatus From Different Producing Areas Based on Mid-Infrared Spectroscopy and Machine Learning.</a> Spectroscopy and Spectral Analysis. 43 (2), 577-582 (2023).</li><li>Chaabane, S. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Face+recognition+based+on+statistical+features+and+SVM+classifier).">Face recognition based on statistical features and SVM classifier).</a> Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).</li><li>Saleh, M. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Experiments+with+SVM+to+classify+opinions+in+different+domains.">Experiments with SVM to classify opinions in different domains.</a> Expert Systems with Applications. 38 (12), 14799-14804 (2011).</li><li>Zhang, Y., Liu, Y., Wang, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reliability+Prediction+of+Coal+Mine+Water+Disasters+Emergency+Rescue+System+Based+on+Improved+SVM.">Reliability Prediction of Coal Mine Water Disasters Emergency Rescue System Based on Improved SVM.</a> Journal of Zhengzhou University (Engineering Science). 36 (3), 115-119 (2015).</li><li>Cao, Y., Song, D., Hu, X., Sun, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fault+Diagnosis+of+Railway+Point+Machine+Based+on+Improved+Time-Domain+Multiscale+Dispersion+Entropy+and+Support+Vector+Machine.">Fault Diagnosis of Railway Point Machine Based on Improved Time-Domain Multiscale Dispersion Entropy and Support Vector Machine.</a> Acta Electronica Sinica. 51 (1), 117-127 (2023).</li><li>Li, Q., Yuze, C., Yu, B., Ning, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Two-stage+support+vector+machine+method+for+failure+mode+classification+of+reinforced+concrete+columns.">Two-stage support vector machine method for failure mode classification of reinforced concrete columns.</a> Engineering Mechanics. 39 (2), 148-158 (2022).</li><li>Yang, Y., Zhang, W., Yu, H., Chai, W., Liu, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analysis+on+the+relationships+between+ultrasonic+parameters+and+the+stress+state+in+loaded+concrete+based+on+improved+support+vector+machines).">Analysis on the relationships between ultrasonic parameters and the stress state in loaded concrete based on improved support vector machines).</a> Journal of Vibration and Shock. 42 (2), 175-224 (2023).</li><li>Yan, K., Shi, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Prediction+of+elastic+modulus+of+normal+and+high+strength+concrete+by+support+vector+machine.">Prediction of elastic modulus of normal and high strength concrete by support vector machine.</a> Construction &amp; Building Materials. 24 (8), 1479-1485 (2010).</li><li>Hussein, I. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fully-automatic+identification+of+gynaecological+abnormality+using+a+new+adaptive+frequency+filter+and+histogram+of+oriented+gradients+(HOG).">Fully-automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG).</a> Expert Systems. 39 (3), 12789 (2022).</li><li>Chandrakala, M., Devi, P. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Two-stage+classifier+for+face+recognition+using+HOG+features.">Two-stage classifier for face recognition using HOG features.</a> Materials Today: Proceedings. 47, 5771-5775 (2021).</li><li>Long, C., Yichi, Z., Zhangkai, L., Dandan, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Low-Light+Image+Enhancement+Based+on+RAW+Domain+Image.">Low-Light Image Enhancement Based on RAW Domain Image.</a> Journal of Computer-Aided Design &amp; Computer Graphics. 35 (2), 303-311 (2023).</li><li>Wang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+and+application+of+concrete+vibrating+robot+system+for+high+arch+dam.">Development and application of concrete vibrating robot system for high arch dam.</a> Journal of Hydraulic Engineering. 53 (6), 631-654 (2022).</li></ol>

ليس لدى المؤلفين ما يكشفون عنه.

يستخدم هذا البحث آلة ناقل الدعم (SVM) لمعرفة ميزات الصورة لعينات حالة اهتزاز الخرسانة المختلفة. بناء على نتائج التعلم الآلي ، يتم اقتراح طريقة ملموسة للتعرف على حالة الاهتزاز بناء على التعرف على الصور. لتعزيز دقة التعرف ، من الأهمية بمكان التحكم في معلمات الخطوات الرئيسية الثلاث: تجزئة الصو...

الخرسانة هي مادة بناء أساسية تستخدم على نطاق واسع في صناعة البناء والتشييد. أثناء الضخ ، تقوم الخرسانة بشكل متكرر بتطوير فراغات تتطلب الضغط من خلال الاهتزاز. قد يؤدي الاهتزاز غير الكافي إلى سطح خرساني على شكل قرص العسل ، بينما يمكن أن يؤدي الاهتزاز المفرط إلى فصل الخرسانة 1,2. تؤثر جودة تشغيل الاهتزاز بشكل كبير على قوة3،4،5،6 ومتانة الهياكل الخرسانية المشكلة7،8. أجرى Cai et al.9,10 دراسة جمعت بين البحث التجريبي والتحليل العددي للتحقيق في آلية تأثير الاهتزاز على تسوية الركام ومتانة الخرسانة. كشفت النتائج أن وقت الاهتزاز وجزيئات الركام لها تأثير كبير على الاستقرار الكلي ، في حين أن الكثافة الكلية ولزوجة البلاستيك للمواد القائمة على الأسمنت لها تأثيرات ضئيلة. يتسبب الاهتزاز في ترسب الركام في الجزء السفلي من العينات الخرسانية. علاوة على ذلك ، مع زيادة وقت الاهتزاز ، ينخفض تركيز أيون الكلوريد في الجزء السفلي من العينات الخرسانية بينما يزداد بشكل كبير في الجزء العلوي 9,10.
حاليا ، يعتمد تقييم حالة الاهتزاز الخرساني في الغالب على الحكم اليدوي. مع استمرار تقدم صناعة البناء من خلال الإصلاحات الذكية ، برزت عمليات الروبوت كاتجاه مستقبلي11,12. وبالتالي ، فإن التحدي الحاسم في عمليات الاهتزاز الذكية هو كيفية تمكين الروبوتات من تحديد حالة اهتزاز الخرسانة.
الرسم البياني للتدرج الموجه هو تقنية تستخدم تدرج شدة البكسل أو توزيع اتجاهات الحواف كواصف لتوصيف تمثيل وشكل الكائنات في الصور13,14. يعمل هذا النهج على خلايا الشبكة المحلية للصورة ، مما يوفر استقرارا قويا في توصيف تغييرات الصورة في ظل ظروف هندسية وبصرية مختلفة.
اقترح Zhou et al.15 طريقة لاستخراج ميزات التدرج الاتجاهي مباشرة من صور وضع باير. يحذف هذا الأسلوب العديد من الخطوات في حساب التدرج الاتجاهي عن طريق مطابقة عمود مرشح اللون مع عامل التدرج ، وبالتالي تقليل المتطلبات الحسابية للتعرف على صورة التدرج الاتجاهي بشكل كبير. استخدم He et al.16 الرسم البياني للتدرج الاتجاهي كميزة أساسية واستخدم خوارزمية التجميع المتوسطة لتصنيف مثبتات السكك الحديدية وتحديد ما إذا كانت السحابات معيبة. أشارت نتائج التعرف إلى أن الرسم البياني لميزة التدرج الموجه أظهر حساسية عالية لعيوب السحابة ، مما يلبي احتياجات صيانة وإصلاح السكك الحديدية. في دراسة أخرى ، قام Xu et al.17 بمعالجة ميزات صورة الوجه مسبقا باستخدام ترشيح مويجات Gabor وتقليل أبعاد متجهات الميزات من خلال الترميز الثنائي وخوارزمية HOG. متوسط دقة التعرف على الطريقة هو 92.5٪.
يتم استخدام آلة متجه الدعم (SVM) 18 لتعيين المتجه في مساحة عالية الأبعاد وإنشاء مستوى فائق منفصل مع اتجاه مناسب لزيادة المسافة بين مستويين متوازيين متوازيين. هذا يسمح لتصنيف ناقلات الدعم19. قام العلماء بتحسين وتحسين تقنية التصنيف هذه ، مما أدى إلى تطبيقها في مجالات مختلفة مثل التعرف على الصور20،21 ، وتصنيف النص22 ، والتنبؤ بالموثوقية23 ، وتشخيص الأخطاء24.
طور Li et al.25 نموذج SVM من مرحلتين للتعرف على نمط الفشل الزلزالي ، مع التركيز على ثلاثة أوضاع للفشل الزلزالي. تشير نتائج التحليل إلى أن طريقة SVM المقترحة على مرحلتين يمكن أن تحقق دقة تزيد عن 90٪ لأوضاع الفشل الثلاثة. قام Yang et al.26 بدمج خوارزمية التحسين مع SVM لمحاكاة العلاقة بين المعلمات الخمسة بالموجات فوق الصوتية وضغط الخرسانة المحملة. أداء SVM غير المحسن غير مرض ، لا سيما في مرحلة الضغط المنخفض. ومع ذلك ، فإن اجتياز النموذج المحسن بواسطة الخوارزمية يؤدي إلى نتائج محسنة ، وإن كان ذلك مع أوقات حساب طويلة. وبالمقارنة ، فإن تحسين سرب الجسيمات SVM يقلل بشكل كبير من وقت الحساب مع تقديم نتائج محاكاة مثالية. استخدم Yan et al.27 تقنية SVM وقدم وظيفة فقدان غير حساسة بدقة للتنبؤ بمعامل المرونة للخرسانة عالية القوة ، ومقارنة دقة التنبؤ بها مقابل نموذج الانحدار التقليدي ونموذج الشبكة العصبية. توضح نتائج البحث أن تقنية SVM تنتج خطأ تنبؤ أصغر لمعامل المرونة مقارنة بالطرق الأخرى.
يجمع هذا البحث عينات صور من الخرسانة تحت حالات اهتزاز مختلفة ويصف الحالات المختلفة للخرسانة باستخدام تقنية الرسم البياني للتدرج الاتجاهي. تم استخدام التدرج الاتجاهي كمتجه مميز لتدريب SVM ، وتركز الدراسة على جدوى استخدام تقنية الرسم البياني للتدرج الاتجاهي-SVM لتحديد حالة اهتزاز الخرسانة. بالإضافة إلى ذلك ، تحلل الورقة آلية التأثير بين ثلاثة معلمات رئيسية - عتبة التدرج ، وحجم الكتلة الإحصائية للتدرج الاتجاهي ، ورقم الفاصل الزمني الإحصائي للتدرج الاتجاهي - في عملية استخراج الميزة للمدرج التكراري للتدرج الاتجاهي ودقة التعرف على SVM.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>camera</td>
			<td>SONY</td>
			<td>A6000</td>
			<td>The sensor size is 23.5x15.6mm, the maximum acquisition resolution is 1440 * 1080, and the effective pixel is 24.3 million.</td>
		</tr>
		<tr>
			<td>concrete</td>
			<td>Wuhan Construction Changxin Technology Development Co., Ltd.</td>
			<td>C30 pumping concrete</td>
			<td>According to the standard of &#39; concrete strength test and evaluation standard &#39; ( GB / T 50107-2010 ), the standard value of cubic compressive strength is 30 MPa pumping concrete.</td>
		</tr>
		<tr>
			<td>Matlab</td>
			<td>MathWorks</td>
			<td>Matlab R2017a</td>
			<td>MATLAB&#39;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</td>
		</tr>
		<tr>
			<td>Processor&#160;</td>
			<td>Intel</td>
			<td>12th Gen Intel(R) Core (TM) i7-12700H @ 2.30GHz</td>
			<td>64-bit Win11 processor&#160;</td>
		</tr>
	</tbody>
</table>

image recognition and parameter analysis of concrete vibration state based on support vector machine

في هذا البحث ، تم استخدام تقنية الرسم البياني للتدرج الاتجاهي لاستخراج ميزات عينات الصور الخرسانية الملتقطة تحت حالات اهتزاز مختلفة. يتم استخدام آلة متجه الدعم (SVM) لمعرفة العلاقة بين ميزات الصورة وحالة الاهتزاز. يتم استخدام نتائج التعلم الآلي لاحقا لتقييم جدوى حالة اهتزاز الخرسانة. في الوقت نفسه ، يتم تحليل آلية تأثير معلمات حساب الرسم البياني للتدرج الاتجاهي على دقة التعرف. توضح النتائج جدوى استخدام تقنية الرسم البياني للتدرج الاتجاهي-SVM لتحديد حالة اهتزاز الخرسانة. تزداد دقة التعرف في البداية ثم تنخفض مع زيادة حجم كتلة التدرج الاتجاهي ، أو زيادة عدد الفواصل الإحصائية. تنخفض دقة التعرف أيضا خطيا مع زيادة عتبة الثنائية. باستخدام عينة من الصور بدقة 1024 بكسل × 1024 بكسل وتحسين معلمات استخراج الميزات ، يمكن تحقيق دقة التعرف بنسبة 100٪.

Concrete is a fundamental building material extensively used in the construction industry. During pumping, the concrete frequently develops voids that require compaction through vibration. Inadequate vibration may result in a honeycombed concrete surface, while excessive vibration can lead to concrete segregation1,2. The quality of vibration operation significantly impacts the strength3,4,5,6 and durability of the formed concrete structures7,8. Cai et al.9,10 conducted a study that combined experimental research with numerical analysis to investigate the influence mechanism of vibration on aggregate settlement and concrete durability. The findings revealed that vibration time and aggregate particles exert a substantial impact on aggregate settlement, while aggregate density and the plastic viscosity of the cement-based material have minimal effects. Vibration causes aggregate deposition at the bottom of the concrete specimens. Moreover, as the vibration time increases, the chloride ion concentration decreases at the bottom of the concrete specimens while significantly increasing at the top9,10.
Currently, the assessment of concrete vibration state relies predominantly on manual judgment. As the construction industry continues to progress through intelligent reforms, robot operations have emerged as the future direction11,12. Consequently, a crucial challenge in intelligent vibration operations is how to enable robots to identify the vibration state of concrete.
The histogram of the oriented gradient is a technique that utilizes the intensity gradient of pixels or the distribution of edge directions as a descriptor to characterize the representation and shape of objects in images13,14. This approach operates on the local grid cells of the image, providing robust stability in characterizing image changes under various geometric and optical conditions.
Zhou et al.15 proposed a method for directly extracting directional gradient features from Bayer mode images. This approach omits numerous steps in calculating the directional gradient by matching the color filter column with the gradient operator, thereby significantly reducing the computational requirements for directional gradient image recognition. He et al.16 utilized the directional gradient histogram as the underlying feature and employed the mean clustering algorithm to classify rail fasteners and determine whether the fasteners are defective. The recognition results indicated that the histogram of the oriented gradient feature exhibited high sensitivity to fastener defects, meeting the needs of railway maintenance and repair. In another study, Xu et al.17 preprocessed face image features using Gabor wavelet filtering and reduced the dimension of feature vectors through binary coding and the HOG algorithm. The average recognition accuracy of the method is 92.5%.
The support vector machine (SVM)18 is used to map the vector into a high-dimensional space and establishes a separating hyperplane with a suitable direction to maximize the distance between two parallel hyperplanes. This allows for the classification of support vectors19. Scholars have improved and optimized this classification technology, leading to its application in various fields such as image recognition20,21, text classification22, reliability prediction23, and fault diagnosis24.
Li et al.25 developed a two-stage SVM model for seismic failure pattern recognition, focusing on three seismic failure modes. The analysis results indicate that the proposed two-stage SVM method can achieve more than 90% accuracy for the three failure modes. Yang et al.26 integrated an optimization algorithm with the SVM to simulate the relationship between the five ultrasonic parameters and the stress of the loaded concrete. The performance of an unoptimized SVM is unsatisfactory, particularly in the low-stress stage. However, traversing the model optimized by the algorithm yields improved results, albeit with lengthy computation times. In comparison, the particle swarm optimization optimized SVM significantly reduces the calculation time while delivering optimal simulation results. Yan et al.27 employed SVM technology and introduced a precision-insensitive loss function to predict the elastic modulus of high-strength concrete, comparing its prediction accuracy against the traditional regression model and neural network model. The research findings demonstrate that the SVM technology produces a smaller prediction error for elastic modulus compared to other methods.
This paper collects image samples of concrete under various vibration states and describes the concrete&#39;s different states using the directional gradient histogram technique. The directional gradient is employed as a feature vector for training the SVM, and the study focuses on the viability of using the directional gradient histogram-SVM technology to identify the vibration state of concrete. Additionally, the paper analyzes the influence mechanism between three key parameters-binarization threshold, directional gradient statistical block size, and directional gradient statistical interval number-in the feature extraction process of the directional gradient histogram and the recognition accuracy of the SVM.

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines 

التعرف على الصور وتحليل المعلمات لحالة اهتزاز الخرسانة بناء على آلة ناقل الدعم

يهدف هذا البروتوكول إلى تحليل كيفية تأثير معلمات الحساب ثلاثية المتجهات لميزة التدرج الاتجاهي على دقة SVM في تحديد حالة اهتزاز الخرسانة. تتضمن معلمات الحساب الأساسية لمتجه معلم التدرج الاتجاهي حجم الكتلة الإحصائية للتدرج الاتجاهي وعدد فترات الزاوية الإحصائية للتدرج الاتجاهي والعتبة الر...

Watch this Scientific Journal Video about Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines at JoVE.com

يستخدم البروتوكول الموصوف في هذا البحث تقنية الرسم البياني للتدرج الاتجاهي لاستخراج خصائص عينات الصور الخرسانية تحت حالات الاهتزاز المختلفة. يستخدم آلة متجه دعم للتعلم الآلي ، مما يؤدي إلى طريقة التعرف على الصور مع الحد الأدنى من متطلبات عينة التدريب ومتطلبات أداء الكمبيوتر المنخفضة.

In this paper, the directional gradient histogram technology is employed to extract the features of concrete image samples captured under different ...

استخدم البروتوكول الموصوف في هذا البحث تقنية الرسم البياني للتدرج الاتجاهي لاستخراج خصائص عينات صورة ملموسة تحت خلايا اهتزاز مختلفة. يستخدم آلة متجه دعم للتعلم الآلي ، مما يؤدي إلى طريقة التعرف على التصوير مع الحد الأدنى من متطلبات العينات المدربة ومتطلبات أداء الكمبيوتر المنخفضة. يقلل هذا النهج بشكل كبير من عدد العينات المطلوبة ، ويقلل من متطلبات أداء الكمبيوتر.مع ما يعادل الكمبيوتر المحمول عند وحدات المعالجة المركزية 2.3 جيجاهرتز ، تكمل عملية التعرف تمايز مساحة القطار لآلة المتجهات المدعومة في غضون 50 ثانية فقط. يتم استخدام تجزئة الصورة تحت حجم 128 مشروعا و 128 مشروعا. يتم تعيين عدد متجهات الاتجاه لمعكوس الزاوية الإحصائية على 12.في عملية صورة بدقة 224 ، يتم تحقيق أفضل تكرار للتعرف على نتيجة التعلم الآلي.

image-recognition-parameter-analysis-concrete-vibration-state-based

Research

Education

JoVE Core

JoVE Journal

Civil Engineering

Engineering

Unit 1

Image Recognition and Parameter Analysis of Concrete Vibration State Based on Support Vector Machine

Mixing, Placing and Curing Concrete 

SCIENTISTS IN ACTION

551 Views.  Wuhan University. استخدم البروتوكول الموصوف في هذا البحث تقنية الرسم البياني للتدرج الاتجاهي لاستخراج خصائص عينات صورة ملموسة تحت خلايا اهتزاز مختلفة. يستخدم آلة متجه دعم للتعلم الآلي ، مما يؤدي إلى طريقة التعرف على التصوير مع الحد الأدنى من متطلبات العينات المدربة ومتطلبات أداء الكمبيوت?...

Video: Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines 

In this paper, the directional gradient histogram technology is employed to extract the features of concrete image samples captured under different vibration states. The support vector machine (SVM) is utilized to learn the relationship between image features and vibration state. The machine learning results are subsequently used to assess the feasibility of the concrete vibration state. Simultaneously, the influence mechanism of the calculation parameters of the directional gradient histogram on the recognition accuracy is analyzed. The results demonstrate the feasibility of using the directional gradient histogram-SVM technology to identify the vibration state of concrete. The recognition accuracy initially increases and then decreases as the block size of the directional gradient, or the number of statistical intervals increases. The recognition accuracy also decreases linearly with the increase of the binarization threshold. By using sample images with a resolution of 1024 pixels x 1024 pixels and optimizing the feature extraction parameters, a recognition accuracy of 100% can be attained.

The protocol described in this paper utilizes the directional gradient histogram technique to extract the characteristics of concrete image samples under various vibration states. It employs a support vector machine for machine learning, resulting in an image recognition method with minimal training sample requirements and low computer performance demands.

Concrete Sample Image Acquisition to Extract Concrete Characteristics

الحصول على صورة عينة ملموسة لاستخراج خصائص الخرسانة

Gray Binarization of Concrete Image Sample

ثنائي رمادي لعينة صورة ملموسة

Calculation of Directional Gradient Eigenvalue for Support Vector Machine Training

After binarizing the concrete images, calculate the horizontal and vertical binary gradient of each pixel in the image using this equation. Calculate the binary gradient direction and size of each point using this equation. Then determine the size of the image segmentation block represented as n.To divide the image into square blocks of n by n, set a segmentation line for every n pixels along the horizontal axis and the vertical axis. Classify pixels into the appropriate gradient's statistical angle interval of each direction based on the binary gradient direction of each pixel in the block. To obtain the gradient statistical value of that interval, sum the binary gradient of the pixels in the gradient statistical angle interval of each direction in the counterclockwise direction.Record the results obtained for the gradient statistical angle interval directional gradient statistics. Next, divide samples into precise calculation areas where each area consists of four adjacent blocks. Calculate the statistical value of the directional gradient within the angle interval for each block in the specified calculation area.Then generate the feature vector with the directional gradient's statistics as a component. Combine the directional gradient feature vectors derived from each calculation area to obtain the directional gradient feature vector of the image. As the block size is expanded to a certain extent, the directional gradient features in each block of concrete image samples with different vibration states exhibit significant differences.