זיהוי תמונה וניתוח פרמטרים של מצב רטט בטון המבוסס על מכונת וקטור תמיכה

Summary

הפרוטוקול המתואר במאמר זה משתמש בטכניקת היסטוגרמה של שיפוע כיווני כדי לחלץ את המאפיינים של דגימות תמונה קונקרטיות במצבי רטט שונים. היא משתמשת במכונה וקטורית תמיכה ללמידת מכונה, וכתוצאה מכך שיטת זיהוי תמונה עם דרישות אימון מינימליות ודרישות ביצועי מחשב נמוכות.

Abstract

במאמר זה, טכנולוגיית היסטוגרמה של שיפוע כיווני משמשת לחילוץ התכונות של דגימות תמונה קונקרטיות שצולמו תחת מצבי רטט שונים. מכונת וקטור התמיכה (SVM) משמשת ללימוד הקשר בין תכונות התמונה למצב הרטט. תוצאות למידת המכונה משמשות לאחר מכן להערכת ההיתכנות של מצב הרטט הקונקרטי. במקביל, מנגנון ההשפעה של פרמטרי החישוב של היסטוגרמה הדרגתית כיוונית על דיוק הזיהוי מנותח. התוצאות מדגימות את ההיתכנות של שימוש בטכנולוגיית היסטוגרמה של שיפוע כיווני-SVM כדי לזהות את מצב הרטט של בטון. דיוק הזיהוי עולה בתחילה ולאחר מכן יורד ככל שגודל הבלוק של מעבר הצבע הכיווני, או מספר המרווחים הסטטיסטיים גדל. גם דיוק הזיהוי יורד באופן ליניארי עם עליית סף הבינאריות. על ידי שימוש בתמונות לדוגמה ברזולוציה של 1024 פיקסלים x 1024 פיקסלים ומיטוב פרמטרי חילוץ התכונות, ניתן להשיג דיוק זיהוי של 100%.

Introduction

בטון הוא חומר בנייה בסיסי הנמצא בשימוש נרחב בענף הבנייה. במהלך השאיבה, הבטון מפתח לעיתים קרובות חללים הדורשים דחיסה באמצעות רעידות. רעידות לא מספקות עלולות לגרום למשטח בטון חלת דבש, בעוד רעידות מוגזמות עלולות להוביל להפרדת בטון ^1,2. איכות פעולת הרטט משפיעה באופן משמעותי על חוזק 3,4,5,6 ועמידות מבני הבטון שנוצרו ^7,8. Cai et ^al.9,10 ערכו מחקר ששילב מחקר ניסיוני עם ניתוח מספרי כדי לחקור את מנגנון ההשפעה של רטט על התיישבות אגרגטים ועמידות בטון. הממצאים גילו כי לזמן הרטט ולחלקיקי האגרגטים יש השפעה מהותית על התיישבות האגרגטים, בעוד שלצפיפות המצרפיים ולצמיגות הפלסטית של החומר הצמנטי יש השפעות מינימליות. רטט גורם לשקיעת אגרגטים בתחתית דגימות הבטון. יתר על כן, ככל שזמן הרטט מתארך, ריכוז יון הכלוריד יורד בתחתית דגימות הבטון תוך עלייה משמעותית ב ^9,10 העליון.

כיום, הערכת מצב רטט קונקרטי מסתמכת בעיקר על שיפוט ידני. ככל שענף הבנייה ממשיך להתקדם באמצעות רפורמות חכמות, פעולות רובוטים התגלו ככיוון העתידי^11,12. כתוצאה מכך, אתגר מכריע בפעולות רטט חכמות הוא כיצד לאפשר לרובוטים לזהות את מצב הרטט של הבטון.

ההיסטוגרמה של מעבר הצבע המכוון היא טכניקה המשתמשת בשיפוע העוצמה של פיקסלים או בפיזור כיווני הקצוות כמתאר לאפיון הייצוג והצורה של עצמים בתמונות^13,14. גישה זו פועלת על תאי הרשת המקומיים של התמונה, ומספקת יציבות איתנה באפיון שינויי תמונה בתנאים גיאומטריים ואופטיים שונים.

Zhou et ^al.15 הציעו שיטה לחילוץ ישיר של תכונות הדרגתיות כיוונית מתמונות מצב Bayer. גישה זו משמיטה שלבים רבים בחישוב מעבר הצבע הכיווני על-ידי התאמת עמודת מסנן הצבע לאופרטור מעבר הצבע, ובכך מפחיתה באופן משמעותי את הדרישות החישוביות לזיהוי תמונה של מעבר צבע כיווני. הוא ^{ואחרים השתמשו} בהיסטוגרמה של שיפוע כיווני כתכונה הבסיסית והשתמשו באלגוריתם האשכולות הממוצע כדי לסווג את מחברי המסילה ולקבוע אם המחברים פגומים. תוצאות הזיהוי הצביעו על כך שההיסטוגרמה של תכונת השיפוע המכוון הפגינה רגישות גבוהה לפגמים במהדק, וענתה על הצרכים של תחזוקת הרכבת ותיקונה. במחקר אחר, Xu et ^al.17 עיבדו מראש תכונות של תמונות פנים באמצעות סינון גל גאבור והקטינו את הממד של וקטורי תכונות באמצעות קידוד בינארי ואלגוריתם HOG. דיוק הזיהוי הממוצע של השיטה הוא 92.5%.

מכונת וקטור התמיכה (SVM)¹⁸ משמשת למיפוי הווקטור למרחב ממדי גבוה ויוצרת היפר-מישור מפריד עם כיוון מתאים כדי למקסם את המרחק בין שני על-מישורים מקבילים. זה מאפשר סיווג של וקטורי תמיכה¹⁹. חוקרים שיפרו וייעלו את טכנולוגיית סיווג זו, מה שהוביל ליישומה בתחומים שונים כגון זיהוי תמונה^20,21, סיווג טקסט²², חיזוי אמינות²³ ואבחון תקלות²⁴.

Li et ^al.25 פיתחו מודל SVM דו-שלבי לזיהוי דפוסי כשל סייסמי, תוך התמקדות בשלושה מצבי כשל סייסמי. תוצאות הניתוח מצביעות על כך ששיטת ה- SVM הדו-שלבית המוצעת יכולה להשיג דיוק של יותר מ- 90% עבור שלושת מצבי הכשל. Yang et ^al.26 שילבו אלגוריתם אופטימיזציה עם SVM כדי לדמות את הקשר בין חמשת הפרמטרים העל-קוליים לבין הלחץ של הבטון הטעון. הביצועים של שרת אחסון וירטואלי לא ממוטב אינם משביעי רצון, במיוחד בשלב הלחץ הנמוך. עם זאת, חציית המודל הממוטב על ידי האלגוריתם מניבה תוצאות משופרות, אם כי עם זמני חישוב ארוכים. לשם השוואה, ה-SVM הממוטב לאופטימיזציה של נחיל חלקיקים מקצר משמעותית את זמן החישוב תוך מתן תוצאות סימולציה אופטימליות. Yan et ^al.27 השתמשו בטכנולוגיית SVM והציגו פונקציית אובדן מדויקת ולא רגישה כדי לחזות את המודולוס האלסטי של בטון בעל חוזק גבוה, תוך השוואת דיוק החיזוי שלו מול מודל הרגרסיה המסורתי ומודל הרשת העצבית. ממצאי המחקר מראים כי טכנולוגיית SVM מייצרת טעות ניבוי קטנה יותר עבור מודולוס אלסטי בהשוואה לשיטות אחרות.

מאמר זה אוסף דוגמאות תמונה של בטון תחת מצבי רטט שונים ומתאר את המצבים השונים של הבטון באמצעות טכניקת היסטוגרמה של שיפוע כיווני. השיפוע הכיווני משמש כווקטור תכונה לאימון ה-SVM, והמחקר מתמקד בכדאיות השימוש בטכנולוגיית היסטוגרמה של שיפוע כיווני-SVM כדי לזהות את מצב הרטט של בטון. בנוסף, המאמר מנתח את מנגנון ההשפעה בין שלושה פרמטרים מרכזיים - סף בינאריזציה, גודל בלוק סטטיסטי של שיפוע כיווני ומספר מרווח סטטיסטי של שיפוע כיווני - בתהליך חילוץ התכונות של היסטוגרמה של שיפוע כיווני ודיוק הזיהוי של שרת אחסון וירטואלי.

Protocol

1. רכישת תמונה מדגם קונקרטי

1. הובלת בטון למקום העבודה, שם הוא יישפך על ידי משאית המשאבה.
2. כדי לצלם תמונות, הפעל את ציוד הצילום על ידי הזזת מתג מקש ההפעלה ימינה והעברתו למצב ON . כוונן את ידית מצב המצלמה למצב אוטומטי ירוק, ודא שעדשת המצלמה מקבילה למשטח הבטון, ולחץ על מקש הצמצם. לכדו 20 דגימות תמונה של בטון לא רוטט, ושמרו אותן בפורמט .jpg ברזולוציית רכישה של 1024 x 1024 פיקסלים, כפי שמודגם באיור 1.
3. הכניסו את החלק הרוטט של ציוד רטט הבטון (מוט רטט בטון תקע) לתוך הבטון. חבר את ספק הכוח ולאחר מכן הפעל את ציוד רטט הבטון על ידי הגדרתו למצב ON .
4. כאשר יש התמוטטות כלשהי על פני השטח של הבטון (הנגרמת על ידי רטט הפולט אוויר בתוך הבטון, המוביל לשקיעת אגרגטים פני השטח כדי למלא את הרווחים, וכתוצאה מכך קריסת בטון) ומופיעה מעט בוצה מלטית, יש לשמור את עדשת המצלמה במקביל למשטח הבטון וללחוץ על מקש הצמצם. אספו 20 דגימות תמונה של בטון רוטט, כפי שמוצג באיור 2.
5. המשך להפעיל את ציוד הרטט. כאשר אין קריסה ברורה על משטח הבטון, לא מופיעה תרחיף צמנטי ולא נוצרות בועות, יש לעצור את תהליך הרטט וללכוד 20 דגימות תמונה של בטון רוטט, כפי שמוצג באיור 3.

2. בינאריזציה אפורה של תמונה לדוגמה

1. השתמשו בפונקציה imread() של תוכנת MATLAB כדי לקרוא את קובץ .jpg כנתוני תבנית יחידה של 1024 פיקסלים x 1024 פיקסלים x 3 ערוצי צבע, המייצגים את ערכי הערוצים אדום, ירוק וכחול של התמונה.
2. לאחר מכן, החל את הפונקציה MATLAB rgb2gray כדי להמיר את התמונה לגווני אפור, המסומנים בערך אפור תבנית = rgb2gray (שם קובץ jpg). חשב את הערך האפור של כל פיקסל בהתאם למשוואה (1), ושמור את הערך האפור כנתוני תבנית unit8 של 1024 x 1024.
   GR_(i,j) = 0.2989R_(i,j) + 0.587G_(i,j) + 0.114B_(i,j) (1)
   כאשר GR(i,j) הוא הערך האפור של נקודת הפיקסל, R(i,j) הוא ערך הערוץ האדום של נקודת הפיקסל, G(i,j) הוא ערך הערוץ הירוק של נקודת הפיקסלים ו- B(i,j) הוא ערך הערוץ הכחול של נקודת הפיקסל.
3. שנה את הערך הבינארי של ערכי האפור הגדולים מסף הפיקסלים θ ל- 1 והגדר את הערך הבינארי של ערכי האפור הקטן מפיקסל θ ל- 0.
4. לאחר קבלת התוצאות האפורות הבינאריות, שמור את התוצאה כנתוני תבנית לוגית של 1024 x 1024. במקרה זה, θ מייצג את סף הבינאריות, והערכים שלו הם 50, 100, 150 ו-200 עבור תמונות דגימה קונקרטיות שונות של מצב רטט, כפי שמתואר באיור 5, איור 6 ואיור 7.

3. חישוב ערך עצמי של שיפוע כיווני

1. חישוב מעבר הצבע הבינארי האופקי והאנכי של כל פיקסל בתמונה באמצעות המשוואה הבאה:²⁸
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   כאשר T_h הוא השיפוע הבינארי האופקי, T_p הוא השיפוע הבינארי האנכי, R הוא נתוני התבנית הלוגית הבינארית, x הוא מספר השורה של המטריצה הבינארית ו- y הוא מספר העמודה של המטריצה הבינארית.
2. חישוב הכיוון והגודל של מעבר הצבע הבינארי של כל נקודה באמצעות המשוואה הבאה²⁹
   
   כאשר T הוא גודל מעבר הצבע הבינארי, α_T הוא כיוון ההדרגתיות הבינארי, T_h הוא השיפוע הבינארי האופקי ו- T_p הוא השיפוע הבינארי האנכי.
3. קבע את גודל גוש פילוח התמונה, המסומן כ- n, כאשר הערך של n הוא [ 1,9]. קבעו את קו הסגמנטציה לכל n פיקסלים בכיוון y לאורך כיוון x, וחלקו למעשה את התמונה ל-n x n בלוקים מרובעים בהתבסס על מיקום קו הסגמנטציה. כל חלקי התמונה שאינם יכולים ליצור גושים מרובעים שלמים יוסרו לאחר מכן.
4. חלוקת כיוון מעבר צבע בינארי α_T (ערך כיוון ההדרגתי הבינארי α_T הוא [ 0°, 360°]) לחלקים m, וכתוצאה מכך m כיווני מעבר צבע מרווחים סטטיסטיים. המשך לחשב את הערך הסטטיסטי של מעבר הצבע עבור מרווח הזווית הסטטיסטית של כל בלוק.
   1. בהתבסס על כיוון מעבר הצבע הבינארי של כל פיקסל בגוש, סווגו את הפיקסלים למרווח הזווית הסטטיסטי המתאים של מעבר הצבע של כל כיוון.
   2. סכמו את מעבר הצבע הבינארי של הפיקסלים במרווח הזווית הסטטיסטית של מעבר הצבע של כל כיוון נגד כיוון השעון כדי לקבל את הערך הסטטיסטי של מעבר הצבע של מרווח זה. התוצאות המתקבלות עבור סטטיסטיקות הדרגתיות סטטיסטיות של מעבר צבע של מרווח זווית כיוונית מתוארות באיור 8, איור 9 ואיור 10 עבור גדלי בלוקים n שווים ל- 8, 128 ו- 512, בהתאמה.

4. בניית וקטור תכונת שיפוע כיווני

1. חלק את הדגימות לאזורי חישוב נדרשים, כאשר כל אזור חישוב מורכב מארבעה בלוקים סמוכים בהתבסס על תוצאות הבלוקים שהתקבלו בשלב 3.3. לדוגמה, בהתחשב בפיקסלים ברזולוציה של 16 x 16 ובגודל בלוק של 4 x 4, התמונה מחולקת ל (16 / 4-1) x ( 16 / 4-1 ) = 9 אזורי חישוב.
2. חשב את הערך הסטטיסטי של מעבר הצבע הכיווני במרווח זווית של סטטיסטיקת ההדרגתיות של כל בלוק באזור החישוב. לאחר מכן, קבל את וקטור התכונה עם סטטיסטיקת מעבר הצבע הכיווני כרכיב.
3. שלבו את וקטורי תכונות מעבר הצבע הכיווני מכל אזור חישוב לקבלת וקטור תכונת מעבר הצבע הכיווני של התמונה.

5. הדרכת SVM

1. בחרו באופן אקראי 42 דגימות משלושת מצבי הרטט כדי ליצור את קבוצת האימון, והשאירו את 18 הדגימות הנותרות כקבוצת הבדיקה.
2. השתמש בפונקציית fitcecoc של MATLAB לאימון SVM; הפורמט הוא
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   כאשר שרת אחסון וירטואלי הוא מכונת וקטור התמיכה שיש לאמן, trainingFeatures הוא וקטור תכונת השיפוע הכיווני של קבוצת האימון, ו- Trainingeigenvalue הוא הערך האופייני של מצב הרטט של קבוצת האימון. הערכים האופייניים למצב הרטט של בטון לא רוטט, בטון רוטט ובטון רוטט הם 1, 2 ו -3, בהתאמה.
3. שמור את שרת אחסון וירטואלי שעבר הכשרה באמצעות הפונקציה Save בתבנית .mat.

6. אימות דיוק זיהוי SVM

1. באמצעות פונקציית החיזוי של MATLAB, הזינו את וקטור תכונת השיפוע הכיווני של תמונת קבוצת הבדיקה לתוך שרת אחסון וירטואלי מאומן כדי לקבל את הערך המחושב של תכונת מצב הרטט עבור כל דגימת בדיקה. הפורמט הוא כדלקמן:
   testgroupcalculateseigenvalues = לחזות (SVM, testFeature)
   כאשר testgroupcalculateseigenvalues הוא הערך המחושב של תכונת מצב הרטט, ו- SVM הוא מכונת וקטור התמיכה שאומנה בשלב 5. testFeature הוא וקטור תכונת מעבר הצבע הכיווני של התמונה לדוגמה של קבוצת הבדיקה.
2. קבע את תוצאות זיהוי הדגימה של ערכת הבדיקה על-ידי הזנת ערכת הבדיקה לשרת אחסון וירטואלי שהוכשר. ספור את מספר הדגימות שעבורן תוצאות זיהוי ערכת הבדיקה תואמות למצב בפועל, ולאחר מכן חשב את דיוק הזיהוי על-ידי חלוקת מספר הדגימות הנכונות במספר הכולל של דגימות ערכת הבדיקה.
   1. אם דיוק זיהוי הבדיקה גבוה מ- 94%, שקול את זיהוי שרת אחסון וירטואלי כיעיל. אם הוא נמוך מ- 94%, חזור לשלב 1.1 והתאם את סף הבינאריות, גודל הבלוק n ומספר המרווחים הסטטיסטיים של מעבר הצבע הכיווני m.

תוצאות

פרוטוקול זה נועד לנתח כיצד פרמטרי החישוב התלת-וקטוריים של תכונת השיפוע הכיווני משפיעים על הדיוק של שרת אחסון וירטואלי בזיהוי מצב הרטט הקונקרטי. פרמטרי החישוב העיקריים של וקטור תכונת מעבר הצבע הכיווני כוללים את גודל הבלוק הסטטיסטי של מעבר הצבע הכיווני, מספר מרווחי הזוויות הסטטיסטיות של מ?...

Discussion

מאמר זה משתמש במכונת וקטור התמיכה (SVM) כדי ללמוד את תכונות התמונה של דוגמאות שונות של מצבי רטט בטון. בהתבסס על תוצאות למידת המכונה, מוצעת שיטת זיהוי מצב רטט קונקרטית המבוססת על זיהוי תמונה. כדי לשפר את דיוק הזיהוי, חיוני לשלוט בפרמטרים של שלושת השלבים העיקריים: פילוח תמונה, בינאריזציה של תמו?...

Materials

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