Reconnaissance d’images et analyse des paramètres de l’état vibratoire du béton sur la base d’une machine à vecteurs de support

Résumé

Le protocole décrit dans cet article utilise la technique de l’histogramme à gradient directionnel pour extraire les caractéristiques d’échantillons d’images concrètes dans divers états vibratoires. Il utilise une machine à vecteur de support pour l’apprentissage automatique, ce qui donne lieu à une méthode de reconnaissance d’image avec des exigences minimales en matière d’échantillons d’apprentissage et de faibles exigences en matière de performances informatiques.

Résumé

Dans cet article, la technologie de l’histogramme à gradient directionnel est utilisée pour extraire les caractéristiques d’échantillons d’images concrètes capturés dans différents états de vibration. La machine à vecteurs de support (SVM) est utilisée pour apprendre la relation entre les caractéristiques de l’image et l’état de vibration. Les résultats de l’apprentissage automatique sont ensuite utilisés pour évaluer la faisabilité de l’état vibratoire du béton. Simultanément, le mécanisme d’influence des paramètres de calcul de l’histogramme de gradient directionnel sur la précision de reconnaissance est analysé. Les résultats démontrent la faisabilité de l’utilisation de la technologie d’histogramme à gradient directionnel et de SVM pour identifier l’état vibratoire du béton. La précision de la reconnaissance augmente d’abord, puis diminue à mesure que la taille du bloc du gradient directionnel ou le nombre d’intervalles statistiques augmente. La précision de reconnaissance diminue également linéairement avec l’augmentation du seuil de binarisation. En utilisant des exemples d’images d’une résolution de 1024 pixels x 1024 pixels et en optimisant les paramètres d’extraction des caractéristiques, il est possible d’obtenir une précision de reconnaissance de 100 %.

Introduction

Le béton est un matériau de construction fondamental largement utilisé dans l’industrie de la construction. Lors du pompage, le béton développe fréquemment des vides qui nécessitent un compactage par vibration. Des vibrations inadéquates peuvent entraîner une surface en béton alvéolé, tandis qu’une vibration excessive peut entraîner une ségrégation du béton ^1,2. La qualité du fonctionnement des vibrations a un impact significatif sur la résistance 3,4,5,6 et la durabilité des structures en béton coffré ^7,8. Cai et ^al.9,10 ont mené une étude combinant la recherche expérimentale avec l’analyse numérique pour étudier le mécanisme d’influence des vibrations sur le tassement des agrégats et la durabilité du béton. Les résultats ont révélé que le temps de vibration et les particules d’agrégats exercent un impact substantiel sur le tassement des agrégats, tandis que la densité des agrégats et la viscosité plastique du matériau à base de ciment ont des effets minimes. Les vibrations provoquent le dépôt d’agrégats au fond des éprouvettes de béton. De plus, à mesure que le temps de vibration augmente, la concentration en ions chlorure diminue au bas des éprouvettes de béton tout en augmentant significativement au sommet ^9,10.

À l’heure actuelle, l’évaluation de l’état vibratoire du béton repose principalement sur le jugement manuel. Alors que l’industrie de la construction continue de progresser grâce à des réformes intelligentes, les opérations robotisées sont apparues comme l’orientation future^11,12. Par conséquent, l’un des défis cruciaux des opérations vibratoires intelligentes est de savoir comment permettre aux robots d’identifier l’état vibratoire du béton.

L’histogramme du dégradé orienté est une technique qui utilise le gradient d’intensité des pixels ou la distribution des directions des bords comme descripteur pour caractériser la représentation et la forme des objets dans les images^13,14. Cette approche fonctionne sur les cellules de grille locales de l’image, offrant une stabilité robuste dans la caractérisation des changements d’image dans diverses conditions géométriques et optiques.

Zhou et ^al.15 ont proposé une méthode permettant d’extraire directement des caractéristiques de gradient directionnel à partir d’images en mode Bayer. Cette approche omet de nombreuses étapes dans le calcul du gradient directionnel en faisant correspondre la colonne de filtre de couleur avec l’opérateur de dégradé, ce qui réduit considérablement les exigences de calcul pour la reconnaissance d’image de gradient directionnel. He et ^al.16 ont utilisé l’histogramme du gradient directionnel comme caractéristique sous-jacente et ont utilisé l’algorithme de regroupement moyen pour classer les attaches de rail et déterminer si les attaches sont défectueuses. Les résultats de la reconnaissance ont indiqué que l’histogramme de l’élément de gradient orienté présentait une grande sensibilité aux défauts des fixations, ce qui répondait aux besoins de l’entretien et de la réparation des voies ferrées. Dans une autre étude, Xu et ^al.17 ont prétraité les caractéristiques de l’image faciale à l’aide du filtrage par ondelettes de Gabor et ont réduit la dimension des vecteurs de caractéristiques grâce au codage binaire et à l’algorithme HOG. La précision moyenne de reconnaissance de la méthode est de 92,5 %.

La machine à vecteurs de support (SVM)¹⁸ est utilisée pour cartographier le vecteur dans un espace de grande dimension et établit un hyperplan de séparation avec une direction appropriée pour maximiser la distance entre deux hyperplans parallèles. Cela permet de classer les vecteurs de support¹⁹. Les chercheurs ont amélioré et optimisé cette technologie de classification, ce qui a conduit à son application dans divers domaines tels que la reconnaissance d’images^20,21, la classification de texte²², la prédiction de fiabilité²³ et le diagnostic de pannes²⁴.

Li et ^al.25 ont mis au point un modèle SVM en deux étapes pour la reconnaissance des modèles de défaillance sismique, en se concentrant sur trois modes de défaillance sismique. Les résultats de l’analyse indiquent que la méthode SVM en deux étapes proposée peut atteindre une précision de plus de 90 % pour les trois modes de défaillance. Yang et ^al.26 ont intégré un algorithme d’optimisation avec le SVM pour simuler la relation entre les cinq paramètres ultrasonores et la contrainte du béton chargé. Les performances d’une SVM non optimisée ne sont pas satisfaisantes, en particulier dans la phase de faible contrainte. Cependant, la traversée du modèle optimisé par l’algorithme donne de meilleurs résultats, bien qu’avec des temps de calcul longs. En comparaison, la SVM optimisée pour l’optimisation de l’essaim de particules réduit considérablement le temps de calcul tout en fournissant des résultats de simulation optimaux. Yan et ^al.27 ont utilisé la technologie SVM et ont introduit une fonction de perte insensible à la précision pour prédire le module d’élasticité du béton à haute résistance, en comparant sa précision de prédiction au modèle de régression traditionnel et au modèle de réseau neuronal. Les résultats de la recherche démontrent que la technologie SVM produit une erreur de prédiction plus faible pour le module élastique par rapport à d’autres méthodes.

Cet article recueille des échantillons d’images de béton sous différents états vibratoires et décrit les différents états du béton à l’aide de la technique de l’histogramme de gradient directionnel. Le gradient directionnel est utilisé comme vecteur de caractéristiques pour l’entraînement de la SVM, et l’étude se concentre sur la viabilité de l’utilisation de la technologie d’histogramme de gradient directionnel et de SVM pour identifier l’état vibratoire du béton. De plus, l’article analyse le mécanisme d’influence entre trois paramètres clés - le seuil de binarisation, la taille du bloc statistique du gradient directionnel et le nombre d’intervalle statistique du gradient directionnel - dans le processus d’extraction des caractéristiques de l’histogramme de gradient directionnel et la précision de reconnaissance de la SVM.

Protocole

1. Acquisition d’images d’échantillons concrets

1. Transporter le béton jusqu’au lieu de travail, où il sera coulé par le camion-pompe.
2. Pour capturer des images, allumez l’équipement de prise de vue en déplaçant l’interrupteur de la touche d’alimentation vers la droite et en le tournant sur la position ON . Réglez le bouton de mode de l’appareil photo sur le mode automatique vert, en vous assurant que l’objectif de l’appareil photo est parallèle à la surface en béton, puis appuyez sur la touche de l’obturateur. Capturez 20 échantillons d’images de béton non vibré, en les enregistrant dans .jpg format avec une résolution d’acquisition de 1024 x 1024 pixels, comme illustré à la figure 1.
3. Insérez la partie vibrante de l’équipement de vibration du béton (tige vibrante à béton enfichable) dans le béton. Branchez l’alimentation électrique, puis allumez l’équipement de vibration du béton en le réglant sur la position ON .
4. Lorsqu’il y a un effondrement à la surface du béton (causé par les vibrations évacuant l’air à l’intérieur du béton, entraînant l’enfoncement des agrégats de surface pour remplir les espaces, entraînant un effondrement du béton) et qu’une boue de ciment apparaît, gardez l’objectif de la caméra parallèle à la surface du béton et appuyez sur la touche de l’obturateur. Prélever 20 échantillons d’images de béton vibrant, comme le montre la figure 2.
5. Continuez à utiliser l’équipement de vibration. Lorsqu’il n’y a pas d’effondrement évident sur la surface du béton, qu’aucune boue de ciment n’apparaît et qu’aucune bulle n’est générée, arrêtez le processus de vibration et capturez 20 échantillons d’images de béton vibré, comme le montre la figure 3.

2. Exemple de binarisation des gris de l’image

1. Utilisez la fonction imread() du logiciel MATLAB pour lire le fichier .jpg sous la forme de données au format unitaire de 1024 pixels x 1024 pixels x 3 canaux de couleur, représentant les valeurs de canal rouge, vert et bleu de l’image.
2. Ensuite, appliquez la fonction MATLAB rgb2gray pour convertir l’image en niveaux de gris, indiquée par la valeur de format gris = rgb2gray(nom du fichier jpg). Calculez la valeur de gris de chaque pixel conformément à l’équation (1) et enregistrez la valeur de gris sous la forme de données au format unit8 de 1024 x 1024.
   GR_(i,j) = 0,2989R_(i,j) + 0,587G_(i,j) + 0,114B_(i,j) (1)
   où, GR(i,j) est la valeur de gris du point de pixel, R(i,j) est la valeur de canal rouge du point de pixel, G(i,j) est la valeur de canal vert du point de pixel et B(i,j) est la valeur de canal bleu du point de pixel.
3. Modifiez la valeur binaire des valeurs de gris supérieures au seuil de pixel θ sur 1 et définissez la valeur binaire des valeurs de gris inférieures au pixel θ sur 0.
4. Après avoir obtenu les résultats en gris binarisé, enregistrez le résultat sous forme de données au format logique 1024 x 1024. Dans ce cas, θ représente le seuil de binarisation, et ses valeurs sont 50, 100, 150 et 200 pour différents exemples d’images de béton à état vibratoire, comme illustré dans les figures 5, 6 et 7.

3. Calcul de la valeur propre du gradient directionnel

1. Calculez le gradient binaire horizontal et vertical de chaque pixel de l’image à l’aide de l’équation suivante²⁸
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   où T_h est le dégradé binarisé horizontal, T_p est le dégradé binarisé vertical, R est les données de format logique binarisé, x est le numéro de ligne de la matrice binarisée et y est le numéro de colonne de la matrice binarisée.
2. Calculez la direction et la taille du gradient binaire de chaque point à l’aide de l’équation suivante²⁹
   
   où T est la taille du gradient binaire, α_T est la direction du gradient binaire, T_h est le gradient binaire horizontal et T_p est le gradient binaire vertical.
3. Déterminez la taille du bloc de segmentation d’image, notée n, où la valeur de n est [ 1,9]. Définissez la ligne de segmentation pour chaque n pixel dans la direction y le long de la direction x, divisant ainsi l’image en n x n blocs carrés en fonction de la position de la ligne de segmentation. Toutes les parties de l’image qui ne peuvent pas former de blocs carrés complets sont alors supprimées.
4. Partitionnez la direction du gradient binaire α_T (la valeur de la direction du gradient binaire α_T est [ 0°, 360°]) en m parties, ce qui donne m intervalles d’angle statistique de gradient directionnel. Procédez au calcul de la valeur statistique de gradient pour l’intervalle d’angle statistique de gradient de chaque bloc.
   1. En fonction de la direction du dégradé binaire de chaque pixel du bloc, classez les pixels dans l’intervalle d’angle statistique de dégradé approprié de chaque direction.
   2. Additionnez le gradient binaire des pixels dans l’intervalle d’angle statistique de dégradé de chaque direction dans le sens inverse des aiguilles d’une montre pour obtenir la valeur statistique de gradient de cet intervalle. Les résultats obtenus pour les statistiques de gradient de gradient de gradient d’intervalle d’angle sont illustrés à la figure 8, à la figure 9 et à la figure 10 pour des tailles de bloc n égales à 8, 128 et 512, respectivement.

4. Construction d’un vecteur de caractéristiques de gradient directionnel

1. Divisez les échantillons en zones de calcul requises, où chaque zone de calcul se compose de quatre blocs adjacents en fonction des résultats des blocs obtenus à l’étape 3.3. Par exemple, si l’on considère une résolution de 16 x 16 pixels et une taille de bloc de 4 x 4, l’image est divisée en (16 / 4-1) x ( 16 / 4-1 ) = 9 zones de calcul.
2. Calculez la valeur statistique du gradient directionnel dans l’intervalle d’angle des statistiques de gradient de chaque bloc de la zone de calcul. Par la suite, obtenez le vecteur d’entités avec les statistiques de gradient directionnel comme composant.
3. Combinez les vecteurs d’entités de gradient directionnel de chaque zone de calcul pour obtenir le vecteur d’entité de dégradé directionnel de l’image.

5. Formation SVM

1. Sélectionnez au hasard 42 échantillons parmi les trois états de vibration pour créer le groupe d’entraînement, en laissant les 18 échantillons restants comme groupe de test.
2. Utiliser la fonction fitcecoc de MATLAB pour la formation SVM ; Le format est le suivant :
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   où SVM est la machine à vecteur de support à entraîner, trainingFeatures est le vecteur de caractéristiques de gradient directionnel d’image du groupe d’entraînement et Trainingeigenvalue est la valeur caractéristique de l’état de vibration du groupe d’entraînement. Les valeurs caractéristiques de l’état vibratoire des échantillons de béton non vibré, de béton vibrant et de béton vibré sont respectivement de 1, 2 et 3.
3. Enregistrez la SVM entraînée à l’aide de la fonction Enregistrer au format .mat.

6. Vérification de la précision de la reconnaissance SVM

1. À l’aide de la fonction de prédiction de MATLAB, saisissez le vecteur de caractéristique de gradient directionnel de l’image de l’échantillon de groupe de test dans la SVM entraînée afin d’obtenir la valeur calculée de la caractéristique d’état de vibration pour chaque échantillon de test. Le format est le suivant :
   testgroupcalculateseigenvalues = prédire (SVM, testFeature)
   où testgroupcalculateseigenvalues est la valeur calculée de la fonction d’état de vibration, et SVM est la machine à vecteurs de support entraînée à l’étape 5. testFeature est le vecteur d’entité de gradient directionnel de l’exemple d’image du groupe de test.
2. Déterminez les résultats de la reconnaissance de l’échantillon de l’ensemble de tests en introduisant l’ensemble de tests dans la SVM formée. Comptez le nombre d’échantillons pour lesquels les résultats de reconnaissance de l’ensemble de tests correspondent à l’état réel, puis calculez la précision de la reconnaissance en divisant le nombre d’échantillons corrects par le nombre total d’échantillons de l’ensemble de tests.
   1. Si la précision de la reconnaissance du test est supérieure à 94 %, considérez la reconnaissance SVM comme efficace. S’il est inférieur à 94 %, revenez à l’étape 1.1 et ajustez le seuil de binarisation, la taille de bloc n et le nombre d’intervalles statistiques de gradient directionnel m.

Résultats

Ce protocole a pour but d’analyser comment les paramètres de calcul à trois vecteurs de la caractéristique de gradient directionnel affectent la précision de la SVM dans l’identification de l’état vibratoire du béton. Les principaux paramètres de calcul du vecteur d’entités de gradient directionnel incluent la taille du bloc statistique de gradient directionnel, le nombre d’intervalles d’angle statistique de gradient directionnel et le seuil de gris binaire. Cette section utilise trois paramètres de ...

Discussion

Cet article utilise la machine à vecteurs de support (SVM) pour apprendre les caractéristiques de l’image de divers échantillons d’état vibratoire du béton. Sur la base des résultats de l’apprentissage automatique, une méthode concrète de reconnaissance de l’état vibratoire basée sur la reconnaissance d’images est proposée. Pour améliorer la précision de la reconnaissance, il est crucial de contrôler les paramètres des trois étapes clés : la segmentation de l’image, la binarisation de l’ima...

matériels

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