基于支撑矢量机的混凝土振动状态图像识别与参数分析

摘要

本文所述的协议利用定向梯度直方图技术提取了各种振动状态下混凝土图像样品的特征。它采用支持向量机进行机器学习，从而产生了一种具有最小训练样本要求和低计算机性能要求的图像识别方法。

摘要

本文采用定向梯度直方图技术提取了不同振动状态下捕获的混凝土图像样本的特征。利用支持向量机（SVM）学习图像特征与振动状态之间的关系。机器学习结果随后用于评估混凝土振动状态的可行性。同时，分析了方向梯度直方图计算参数对识别精度的影响机理。结果验证了采用定向梯度直方图-SVM技术识别混凝土振动状态的可行性。识别准确率最初随着方向梯度的块大小或统计间隔数量的增加而增加，然后逐渐降低。识别准确率也随着二值化阈值的增加而线性降低。通过使用分辨率为1024 x 1024像素的样本图像并优化特征提取参数，可以达到100%的识别准确率。

引言

混凝土是建筑行业广泛使用的基本建筑材料。在泵送过程中，混凝土经常产生空隙，需要通过振动压实。振动不足可能导致混凝土表面呈蜂窝状，而过度振动会导致混凝土离体 ^1,2。振动操作的质量显着影响成型混凝土结构的强度 3,4,5,6 和耐久性 ^7,8。Cai等^[9,10]将实验研究与数值分析相结合，研究了振动对骨料沉降和混凝土耐久性的影响机制。结果表明，振动时间和骨料颗粒对骨料沉降有很大影响，而骨料密度和水泥基材料的塑性粘度影响最小。振动导致骨料沉积在混凝土试样的底部。此外，随着振动时间的增加，混凝土试样底部的氯离子浓度降低，而顶部的氯离子浓度^{显着增加9,10}。

目前，混凝土振动状态的评估主要依赖于人工判断。随着建筑业通过智能化改革不断进步，机器人操作已成为未来的发展方向^11,12。因此，智能振动操作的一个关键挑战是如何使机器人能够识别混凝土的振动状态。

定向梯度直方图是一种利用像素的强度梯度或边缘方向的分布作为描述符来表征图像中物体的表示和形状的技术^13,14。这种方法在图像的局部网格单元上运行，在表征各种几何和光学条件下的图像变化时提供了强大的稳定性。

周等^[15 提出了一种直接从拜耳模式图像中提取方向梯度特征的方法。通过将滤色器列与渐变算子进行匹配，这种方法省略了计算定向梯度的许多步骤，从而大大降低了定向渐变图像识别的计算要求。He et ^al.16 利用方向梯度直方图作为底层特征，采用平均聚类算法对钢轨紧固件进行分类，确定紧固件是否存在缺陷。识别结果表明，定向梯度特征直方图对紧固件缺陷具有较高的敏感性，满足铁路养护和维修的需要。在另一项研究中，Xu 等人 ¹⁷ 使用 Gabor 小波滤波对人脸图像特征进行了预处理，并通过二进制编码和 HOG 算法降低了特征向量的维度。该方法的平均识别准确率为92.5%。

支持向量机（SVM）¹⁸用于将向量映射到高维空间中，并建立具有合适方向的分离超平面，以最大化两个平行超平面之间的距离。这允许对支持向量^{进行分类 19}.学者们对这种分类技术进行了改进和优化，使其在图像识别^20,21，文本分类²²，可靠性预测²³和故障诊断²⁴等各个领域得到应用。

Li等^[25 ]开发了用于地震破坏模式识别的两阶段SVM模型，重点关注三种地震破坏模式。分析结果表明，所提出的两阶段支持向量机方法在3种失效模式下均能达到90%以上的准确率。Yang等^[26 ]将优化算法与支持向量机相结合，模拟了5个超声参数与加载混凝土应力之间的关系。未优化的 SVM 的性能不尽如人意，尤其是在低应力阶段。然而，遍历由算法优化的模型会产生更好的结果，尽管计算时间很长。相比之下，粒子群优化优化的 SVM 显著缩短了计算时间，同时提供了最佳的仿真结果。Yan等^[27 ]采用支持向量机技术，引入精度不敏感损失函数对高强混凝土的弹性模量进行预测，并将其预测精度与传统回归模型和神经网络模型进行比较。研究结果表明，与其他方法相比，SVM技术对弹性模量的预测误差更小。

本文收集了混凝土在各种振动状态下的图像样本，并利用定向梯度直方图技术描述了混凝土的不同状态。将定向梯度作为特征向量进行定向训练，重点关注使用定向梯度直方图-支持向量图技术识别混凝土振动状态的可行性。此外，还分析了方向梯度直方图特征提取过程中的二值化阈值、方向梯度统计块大小和方向梯度统计区间数这三个关键参数之间的影响机制，以及支持向量机的识别精度。

研究方案

1.具体样品图像采集

1. 将混凝土运输到工作场所，由泵车浇筑。
2. 要拍摄图像，请通过向右移动电源键开关并将其转到 ON 位置来打开拍摄设备。将相机的模式旋钮调整到绿色自动模式，确保相机镜头与混凝土表面平行，然后按 下快门键。捕获 20 个非振动混凝土的图像样本，将它们保存为采集分辨率为 1024 x 1024 像素的.jpg格式，如 图 1 所示。
3. 将混凝土振动设备的振动部分（插入式混凝土振动杆）插入混凝土中。连接电源，然后通过将其设置为 ON 位置来打开混凝土振动设备。
4. 当混凝土表面出现一些坍塌（由混凝土内部释放空气的振动引起，导致表面骨料下沉以填充缝隙，导致混凝土坍塌）并出现一些水泥浆时，保持相机镜头平行于混凝土表面并按 下快门键。收集 20 个振动混凝土的图像样本，如 图 2 所示。
5. 继续操作振动设备。当混凝土表面无明显塌陷时，不出现水泥浆，不产生气泡，停止振动过程，采集20张振动混凝土图像样本，如 图3所示。

2. 样本图像灰度二值化

1. 利用 MATLAB 软件的 imread（） 函数将 .jpg 文件读取为 1024 像素 x 1024 像素 x 3 个颜色通道的单位格式数据，表示图像的红色、绿色和蓝色通道值。
2. 接下来，应用 MATLAB 函数 rgb2gray 将图像转换为灰度，用格式 gray value = rgb2gray（jpg file name） 表示。根据公式（1）计算每个像素的灰度值，并将灰度值保存为1024 x 1024的unit8格式数据。
   GR_（i，j） = 0.2989R_（i，j） + 0.587G_（i，j） + 0.114B_（i，j） （1）
   其中，GR（i，j） 是像素点的灰度值，R（i，j） 是像素点的红色通道值，G（i，j） 是像素点的绿色通道值，B（i，j） 是像素点的蓝色通道值。
3. 将大于像素阈值 θ 的灰度值的二进制值更改为 1，并将小于 θ 像素的灰度值的二进制值设置为 0。
4. 获得二值灰度结果后，将结果另存为 1024 x 1024 逻辑格式数据。在本例中，θ 表示二值化阈值，对于不同振动状态的混凝土样品图像，其值分别为 50、100、150 和 200，如 图 5、 图 6 和 图 7 所示。

3. 定向梯度特征值的计算

1. 使用以下公式²⁸ 计算图像中每个像素的水平和垂直二进制梯度
   T_p = R（x， y + 1） - R（x， y - 1）， T_h = R（x+1， y） - R（x-1， y）
   其中 T_h 是水平二值化梯度，T_p 是垂直二值化梯度，R 是二值化逻辑格式数据，x 是二值化矩阵的行号，y 是二值化矩阵的列号。
2. 使用以下公式²⁹ 计算每个点的二进制梯度方向和大小
   
   其中 T 是二进制梯度大小，α_T 是二进制梯度方向，T_h 是水平二进制梯度，T_p 是垂直二进制梯度。
3. 确定图像分割块的大小，表示为 n，其中 n 的值为 [ 1,9]。沿 x 方向在 y 方向上设置每个 n 像素的分割线，根据分割线的位置有效地将图像分成 n x n 个正方形块。然后，图像中无法形成完整方形块的任何部分都将被删除。
4. 将_T α二进制梯度方向（_T α二进制梯度方向的值为 [ 0°， 360°]）划分为 m 个部分，得到 m 个方向梯度统计角度区间。继续计算每个块的梯度统计角度间隔的梯度统计值。
   1. 根据块中每个像素的二进制梯度方向，将像素分类为每个方向的适当梯度统计角度区间。
   2. 将每个方向的梯度统计角度间隔内像素在逆时针方向上的二进制梯度求和，得到该间隔的梯度统计值。 图 8、 图 9 和 图 10 分别描绘了块大小 n 等于 8、128 和 512 的梯度统计角度间隔方向梯度统计的结果。

4. 构建定向梯度特征向量

1. 将样本划分为所需的计算区域，其中每个计算区域由四个相邻的模块组成，基于步骤 3.3 中获得的模块结果。例如，考虑 16 x 16 分辨率像素和 4 x 4 的块大小，图像分为 （16 / 4-1） x （ 16 / 4-1 ） = 9 个计算区域。
2. 计算计算区域内各块的梯度统计量的角度间隔内的方向梯度统计值。随后，得到以方向梯度统计量为分量的特征向量。
3. 组合来自每个计算区域的方向梯度特征向量，以获得图像的方向梯度特征向量。

5. 支持向量机培训

1. 从三种振动状态中随机选择 42 个样本创建训练组，剩余 18 个样本作为测试组。
2. 利用 MATLAB 的 fitcecoc 功能进行 SVM 训练;格式是
   SVM = fitcecoc （trainingFeatures， Trainingeigenvalue）
   其中SVM为待训练的支持向量机，trainingFeatures为训练组图像定向梯度特征向量，Trainingeigenvalue为训练组振动状态的特征值。非振动混凝土、振动混凝土和振动混凝土样品的振动状态特征值分别为 1、2 和 3。
3. 使用 Save 函数以 .mat 格式保存经过训练的 SVM 。

6. SVM识别精度的验证

1. 使用 MATLAB 的预测函数，将测试组样本图像的方向梯度特征向量输入到经过训练的 SVM 中，以获得每个测试样本的振动状态特征的计算值。格式如下:
   testgroupcalculateseigenvalues = predict （SVM， testFeature）
   其中 testgroupcalculatesegenvalues 是振动状态特征的计算值，SVM 是在步骤 5 中训练的支持向量机。testFeature 是测试组样本图像的方向梯度特征向量。
2. 通过将测试集输入到经过训练的 SVM 中来确定测试集样本识别结果。计算测试集识别结果与实际状态匹配的样本数，然后通过将正确样本数除以测试集样本总数来计算识别准确率。
   1. 如果测试识别准确率高于 94%，则认为 SVM 识别有效。如果低于 94%，则返回步骤 1.1 并调整二值化阈值、块大小 n 和方向梯度统计区间数 m。

结果

该协议旨在分析方向梯度特征的三向量计算参数如何影响支持向量机识别混凝土振动状态的精度。方向梯度特征向量的主要计算参数包括方向梯度统计块大小、方向梯度统计角度区间数和二进制格雷阈值。本节使用三个主要计算参数作为变量来设计测试。测试参数级别详见 表 1。对分辨率为 1024 x 1024 像素的混凝土图像样本共进行了 100 次测试。与 表1 中描述的参数相对应...

讨论

本文利用支持向量机（SVM）学习各种混凝土振动状态样本的图像特征。基于机器学习结果，提出了一种基于图像识别的具体振动状态识别方法。为了提高识别精度，控制图像分割、图像二值化和定向梯度特征值提取这三个关键步骤的参数至关重要。根据测试结果，采用较小的二值化阈值对具体样品图像进行预处理，并利用128 pixels x 128 pixel的图像分割块大小。统计角度区间的方向梯度数设置为 12。...

材料

Name	Company	Catalog Number	Comments
camera	SONY	A6000	The sensor size is 23.5x15.6mm, 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