이 작업에 자금을 지원해 주신 Wuhan Urban Construction Group 2023 Annual Scientific Research Project(NO.7)에 감사드립니다.

1. 구체적인 샘플 이미지 획득
<ol><li>콘크리트를 작업장으로 운반하여 펌프 트럭에 부을 것입니다.</li>
	<li>이미지를 촬영하려면 전원 키 스위치를 오른쪽으로 이동하고 ON 위치로 돌려 촬영 장비를 켭니다. 카메라의 모드 노브를 녹색 자동 모드로 조정하여 카메라 렌즈가 콘크리트 표면과 평행이 되도록 하고 셔터 키를 누릅니다. 그림 1과 같이 진동되지 않은 콘크리트의 이미지 샘플 20개를 캡처하여 1024 x 1024 픽셀의 획득 해상도로 .jpg 형식으로 저장합니다.</li>
	<li>콘크리트 진동 장비의 진동 부분(플러그인 콘크리트 진동봉)을 콘크리트에 삽입합니다. 전원 공급 장치를 연결한 다음 콘크리트 진동 장비를 ON 위치로 설정하여 전원을 켭니다.</li>
	<li>콘크리트 표면에 약간의 붕괴가 있고(콘크리트 내부의 공기를 배출하는 진동으로 인해 틈새를 메우기 위해 표면 골재가 가라앉아 콘크리트 붕괴가 발생함) 일부 시멘트 슬러리가 나타나면 카메라 렌즈를 콘크리트 표면과 평행하게 유지하고 셔터 키를 누릅니다. 그림 2와 같이 진동 콘크리트의 이미지 샘플 20개를 수집합니다.</li>
	<li>진동 장비를 계속 작동하십시오. 콘크리트 표면에 명백한 붕괴가 없으면 시멘트 슬러리가 나타나지 않고 기포가 생성되지 않으며 진동 과정을 중지하고 그림 3과 같이 진동 콘크리트의 20개 이미지 샘플을 캡처합니다.</li>
</ol>2. 샘플 이미지 회색 이진화
<ol><li>MATLAB의 imread() 함수를 사용하여 .jpg 파일을 이미지의 빨강, 녹색 및 파랑 채널 값을 나타내는 1024픽셀 x 1024픽셀 x 3색 채널의 단위 형식 데이터로 읽습니다.</li>
	<li>다음으로, MATLAB 함수 rgb2gray를 적용하여 영상을 회색조로 변환합니다(format gray value = rgb2gray(jpg file name)로 표시). 수학식 1에 따라 각 화소의 그레이 값을 계산하고, 그레이 값을 1024 x 1024의 unit8 형식 데이터로 저장한다. GR(i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1) 여기서 GR(i,j)는 픽셀 포인트의 회색 값이고, R(i,j)는 픽셀 포인트의 빨간색 채널 값이고, G(i,j)는 픽셀 포인트의 녹색 채널 값이고, B(i,j)는 픽셀 포인트의 파란색 채널 값입니다.</li>
	<li>픽셀 임계값 θ보다 큰 회색 값의 이진 값을 1로 변경하고 θ 픽셀보다 작은 회색 값의 이진 값을 0으로 설정합니다.</li>
	<li>이진화된 회색 결과를 얻은 후 결과를 1024 x 1024 논리 형식 데이터로 저장합니다. 이 경우 θ는 이진화 임계값을 나타내며 그 값은 그림 5, 그림 6 및 그림 7에 표시된 대로 서로 다른 진동 상태 콘크리트 샘플 이미지에 대해 50, 100, 150 및 200입니다.</li>
</ol>3. 방향성 기울기 고유값 계산
<ol><li>다음 방정식28을 사용하여 영상에 있는 각 픽셀의 수평 및 수직 이진 기울기를 계산합니다 Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y) 여기서Gh 는 수평 이진화 기울기, Tp는 수직 이진화 기울기, R은 이진화된 논리 형식 데이터, x는 이진화된 행렬의 행 번호, y는 이진화된 행렬의 열 번호입니다.</li>
	<li>다음 수식29를 사용하여 각 점의 이진 기울기 방향과 크기를 계산합니다 <img alt="Equation 1" src="/files/ftp_upload/65731/65371eq01.jpg" style="margin: auto;"> 여기서 T는 이진 기울기 크기이고, αT 는 이진 기울기 방향이고, Th 는 가로 이진 기울기이고, Tp는 세로 이진 기울기입니다.</li>
	<li>n으로 표시되며, 여기서 n의 값은 [ 1,9]입니다. x 방향을 따라 y 방향의 각 n개 픽셀에 대한 분할선을 설정하여 분할선의 위치를 기준으로 이미지를 n x n 정사각형 블록으로 효과적으로 나눕니다. 그런 다음 완전한 정사각형 블록을 형성할 수 없는 이미지 부분이 제거됩니다.</li>
	<li>이진 기울기 방향α T (이진 기울기 방향 αT 의 값은 [ 0°, 360°]임)를 m 부분으로 분할하여 m 방향 기울기 통계적 각도 간격을 만듭니다. 각 블록의 기울기 통계 각도 구간에 대한 기울기 통계 값을 계산합니다.<ol><li>블록에 있는 각 픽셀의 이진 기울기 방향에 따라 픽셀을 각 방향의 적절한 기울기 통계적 각도 구간으로 분류합니다.</li>
		<li>시계 반대 방향으로 각 방향의 기울기 통계 각도 구간에서 픽셀의 이진 기울기를 합산하여 해당 간격의 기울기 통계 값을 구합니다. 그래디언트 통계적 각도 간격 방향 그래디언트 통계에 대해 얻어진 결과는 각각 8, 128 및 512와 동일한 블록 크기 n에 대해 도 8, 도 9 및 도 10 에 도시되어 있다.</li>
	</ol></li>
</ol>4. 방향성 그래디언트 특징 벡터 구성
<ol><li>샘플을 필요한 계산 영역으로 나누고, 각 계산 영역은 3.3단계에서 얻은 블록 결과를 기반으로 4개의 인접한 블록으로 구성됩니다. 예를 들어, 16 x 16 해상도 픽셀과 4 x 4의 블록 크기를 고려하면, 이미지는 (16/4-1) x (16/4-1) = 9개의 계산 영역으로 나뉩니다.</li>
	<li>계산 영역에 있는 각 블록의 기울기 통계량의 각도 간격 내에서 방향 기울기의 통계적 값을 계산합니다. 그런 다음, 방향성 기울기 통계량을 구성요소로 사용하는 특징 벡터를 구합니다.</li>
	<li>각 계산 영역에서 방향성 기울기 특징 벡터를 결합하여 영상의 방향성 기울기 특징 벡터를 구합니다.</li>
</ol>5. SVM 교육
<ol><li>세 가지 진동 상태에서 42개의 샘플을 무작위로 선택하여 훈련 그룹을 만들고 나머지 18개 샘플은 테스트 그룹으로 남겨 둡니다.</li>
	<li>SVM 훈련을 위해 MATLAB의 fitcecoc 함수를 활용하십시오. 형식은 다음과 같습니다. SVM = fitcecoc (trainingFeatures, Training고유값) 여기서 SVM은 훈련시킬 서포트 벡터 머신이고, trainingFeatures는 훈련 그룹 영상 방향 기울기 특징 벡터이며, Trainingeigenvalue는 훈련 그룹의 진동 상태에 대한 특성값입니다. 비진동 콘크리트, 진동 콘크리트, 진동 콘크리트 시편의 진동 상태 물성값은 각각 1, 2, 3이다.</li>
	<li>Save 함수를 사용하여 훈련된 SVM을 .mat 형식으로 저장합니다.</li>
</ol>6. SVM 인식 정확도 검증
<ol><li>MATLAB의 예측 함수를 사용하여 테스트 그룹 샘플 영상의 방향성 기울기 특징 벡터를 훈련된 SVM에 입력하여 각 테스트 샘플에 대해 계산된 진동 상태 특징 값을 가져옵니다. 형식은 다음과 같습니다. testgroup계산고유값 = predict (SVM, testFeature) 여기서 testgroupcalculateseigenvalues는 진동 상태 특징의 계산된 값이고, SVM은 5단계에서 훈련된 서포트 벡터 머신입니다. testFeature는 테스트 그룹 샘플 영상의 방향성 기울기 특징 벡터입니다.</li>
	<li>테스트 세트를 훈련된 SVM에 공급하여 테스트 세트 샘플 인식 결과를 확인합니다. 테스트 세트 인식 결과가 실제 상태와 일치하는 샘플 수를 계산한 다음 올바른 샘플 수를 테스트 세트 샘플의 총 수로 나누어 인식 정확도를 계산합니다.<ol><li>테스트 인식 정확도가 94%보다 높으면 SVM 인식이 효과적인 것으로 간주합니다. 이 값이 94%보다 작으면 1.1단계로 돌아가서 이진화 임계값, 블록 크기 n, 방향성 기울기 통계 구간 수 m을 조정합니다.</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>

저자는 공개할 것이 없습니다.

이 논문은 SVM(Support Vector Machine)을 활용하여 다양한 콘크리트 진동 상태 샘플의 이미지 특징을 학습합니다. 머신러닝 결과를 바탕으로 영상 인식을 기반으로 한 구체적인 진동 상태 인식 방법을 제안한다. 인식 정확도를 높이려면 세 가지 주요 단계인 이미지 분할, 이미지 이진화 및 방향성 그래디언트 고유값 추출의 매개변수를 제어하는 것이 중요합니다. 테스트 결과에 따르면, 콘크리트 샘플 이...

콘크리트는 건설 산업에서 광범위하게 사용되는 기본 건축 자재입니다. 펌핑하는 동안 콘크리트는 진동을 통해 압축해야 하는 공극을 자주 발생시킵니다. 진동이 부적절하면 콘크리트 표면이 벌집처럼 보일 수 있으며, 과도한 진동은 콘크리트 분리로 이어질 수 있습니다 1,2. 진동 작동의 품질은 형성된 콘크리트 구조물의 강도(3,4,5,6)와 내구성(7,8)에 큰 영향을 미친다. Cai et al.9,10은 진동이 골재 침하 및 콘크리트 내구성에 미치는 영향 메커니즘을 조사하기 위해 실험 연구와 수치 분석을 결합한 연구를 수행했습니다. 그 결과, 진동 시간과 골재 입자는 골재 침하에 상당한 영향을 미치는 반면, 시멘트 기반 재료의 골재 밀도와 소성 점도는 미미한 영향을 미치는 것으로 나타났습니다. 진동은 콘크리트 시편의 바닥에 응집체를 일으킵니다. 또한, 진동 시간이 증가함에 따라 염화물 이온 농도는 콘크리트 시편의 바닥에서 감소하는 반면 상단 9,10에서는 크게 증가합니다.
현재 콘크리트 진동 상태의 평가는 주로 수동 판단에 의존합니다. 건설 산업이 지능형 개혁을 통해 계속 발전함에 따라 로봇 운영이 미래의 방향으로 부상했습니다11,12. 결과적으로, 지능형 진동 작업에서 중요한 과제는 로봇이 콘크리트의 진동 상태를 식별할 수 있도록 하는 방법입니다.
배향 구배의 히스토그램은 픽셀의 강도 구배 또는 가장자리 방향의 분포를 디스크립터로 활용하여 이미지(13,14)에서 물체의 표현 및 형상을 특성화하는 기술입니다. 이 접근 방식은 이미지의 로컬 그리드 셀에서 작동하여 다양한 기하학적 및 광학적 조건에서 이미지 변화를 특성화하는 데 강력한 안정성을 제공합니다.
Zhou et al.15 는 Bayer 모드 이미지에서 방향성 그래디언트 특징을 직접 추출하는 방법을 제안했습니다. 이 접근 방식은 색 필터 열을 기울기 연산자와 일치시켜 방향 기울기를 계산하는 여러 단계를 생략하므로 방향성 기울기 이미지 인식에 대한 계산 요구 사항을 크게 줄일 수 있습니다. He et al.16 은 방향 기울기 히스토그램을 기본 기능으로 활용하고 평균 클러스터링 알고리즘을 사용하여 레일 패스너를 분류하고 패스너에 결함이 있는지 여부를 확인했습니다. 인식 결과는 배향 기울기 특징의 히스토그램이 패스너 결함에 대해 높은 민감도를 나타내어 철도 유지 보수 및 수리 요구 사항을 충족한다는 것을 나타냈습니다. 또 다른 연구에서 Xu et al.17 은 가보르 웨이블릿 필터링을 사용하여 얼굴 이미지 특징을 전처리하고 이진 코딩 및 HOG 알고리즘을 통해 특징 벡터의 차원을 줄였습니다. 이 방법의 평균 인식 정확도는 92.5%입니다.
서포트 벡터 머신(SVM)18은 벡터를 고차원 공간에 매핑하는 데 사용되며, 두 개의 평행한 초평면 사이의 거리를 최대화하기 위해 적절한 방향으로 분리 초평면을 설정합니다. 이를 통해 서포트 벡터(19)를 분류할 수 있다. 학자들은 이 분류 기술을 개선하고 최적화하여 이미지 인식(image recognition)20,21, 텍스트 분류(text classification)22, 신뢰성 예측(reliability prediction)23, 고장 진단(fault diagnosis)24 등 다양한 분야에 적용하고 있다.
Li et al.25 는 세 가지 지진 고장 모드에 중점을 둔 지진 고장 패턴 인식을 위한 2단계 SVM 모델을 개발했습니다. 분석 결과에 따르면 제안된 2단계 SVM 방법은 세 가지 고장 모드에 대해 90% 이상의 정확도를 달성할 수 있습니다. Yang et al.26 은 SVM과 최적화 알고리즘을 통합하여 5개의 초음파 매개변수와 하중이 가해진 콘크리트의 응력 간의 관계를 시뮬레이션했습니다. 최적화되지 않은 SVM의 성능은 특히 스트레스가 낮은 단계에서 만족스럽지 않습니다. 그러나 알고리즘에 의해 최적화된 모델을 탐색하면 계산 시간이 길어지지만 향상된 결과를 얻을 수 있습니다. 이에 비해 파티클 스웜 최적화 최적화 SVM은 최적의 시뮬레이션 결과를 제공하면서 계산 시간을 크게 단축합니다. Yan et al.27 은 SVM 기술을 채택하고 고강도 콘크리트의 탄성 계수를 예측하기 위해 정밀도에 민감하지 않은 손실 함수를 도입하여 예측 정확도를 기존 회귀 모델 및 신경망 모델과 비교했습니다. 연구 결과에 따르면 SVM 기술은 다른 방법에 비해 탄성 계수에 대한 예측 오차가 더 작습니다.
이 논문은 다양한 진동 상태에서 콘크리트의 이미지 샘플을 수집하고 방향 구배 히스토그램 기술을 사용하여 콘크리트의 다양한 상태를 설명합니다. 방향성 기울기는 SVM을 훈련하기 위한 특징 벡터로 사용되며, 이 연구는 방향성 기울기 히스토그램-SVM 기술을 사용하여 콘크리트의 진동 상태를 식별할 수 있는 가능성에 중점을 둡니다. 또한 이 논문은 방향 기울기 히스토그램의 특징 추출 프로세스와 SVM의 인식 정확도에서 세 가지 주요 매개변수(이진화 임계값, 방향 기울기 통계 블록 크기 및 방향 기울기 통계 간격 수) 간의 영향 메커니즘을 분석합니다.

<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

이 논문에서는 방향성 기울기 히스토그램 기술을 사용하여 다양한 진동 상태에서 캡처된 구체적인 이미지 샘플의 특징을 추출합니다. 서포트 벡터 머신(SVM)은 이미지 특징과 진동 상태 간의 관계를 학습하는 데 사용됩니다. 기계 학습 결과는 이후에 콘크리트 진동 상태의 타당성을 평가하는 데 사용됩니다. 동시에 방향 구배 히스토그램의 계산 매개변수가 인식 정확도에 미치는 영향 메커니즘이 분석됩니다. 이 결과는 방향성 구배 히스토그램-SVM 기술을 사용하여 콘크리트의 진동 상태를 식별할 수 있음을 보여줍니다. 인식 정확도는 처음에는 증가하다가 방향 구배의 블록 크기 또는 통계 구간의 수가 증가함에 따라 감소합니다. 인식 정확도는 또한 이진화 임계값이 증가함에 따라 선형적으로 감소합니다. 해상도가 1024 픽셀 x 1024 픽셀인 샘플 이미지를 사용하고 특징 추출 파라미터를 최적화하면 100%의 인식 정확도를 얻을 수 있습니다.

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 

Support Vector Machine을 기반으로 한 콘크리트 진동 상태의 이미지 인식 및 파라미터 분석

이 프로토콜은 방향성 기울기 특징의 3-벡터 계산 파라미터가 콘크리트 진동 상태를 식별하는 SVM의 정확도에 어떤 영향을 미치는지 분석하는 것을 목표로 합니다. 방향성 기울기 특징 벡터의 기본 계산 파라미터에는 방향성 기울기 통계 블록 크기, 방향성 기울기 통계적 각도 구간의 개수 및 이진 회색 임계값이 포함됩니다. 이 섹션에서는 세 가지 주요 계산 매개 변수를 변수로 사용하여 테스트?...

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

이 논문에서 설명하는 프로토콜은 방향 기울기 히스토그램 기법을 활용하여 다양한 진동 상태에서 구체적인 이미지 샘플의 특성을 추출합니다. 기계 학습을 위한 지원 벡터 머신을 사용하여 학습 샘플 요구 사항이 최소화되고 컴퓨터 성능 요구 사항이 낮은 이미지 인식 방법을 제공합니다.

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

이 논문에서 설명하는 프로토콜은 방향성 구배 히스토그램 기법을 활용하여 다양한 진동 셀 아래에서 콘크리트 이미지 샘플의 특성을 추출했습니다. 기계 학습을 위한 지원 벡터 머신을 사용하여 최소한의 훈련된 샘플 요구 사항과 낮은 컴퓨터 성능 요구 사항으로 이미징 인식 방법을 제공합니다. 이 방법을 사용하면 필요한 샘플 수가 크게 줄어들고 컴퓨터 성능 요구 사항이 낮아집니다.2.3기가헤르츠의 중앙 처리 장치에 해당하는 노트북을 사용하는 인식 프로세스는 단 50초 내에 지원되는 벡터 머신의 열차 공간 차별화를 완료합니다. 128개 프로젝트와 128개 프로젝트의 크기 이하의 이미지 분할이 활용됩니다. 통계적 각도 역행렬에 대한 방향 벡터의 개수는 12로 설정됩니다.224 해상도 이미지 프로세스에서는 기계 학습 결과에 대한 최상의 인식 발생이 달성됩니다.

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 조회수.  Wuhan University. 이 논문에서 설명하는 프로토콜은 방향성 구배 히스토그램 기법을 활용하여 다양한 진동 셀 아래에서 콘크리트 이미지 샘플의 특성을 추출했습니다. 기계 학습을 위한 지원 벡터 머신을 사용하여 최소한의 훈련된 샘플 요구 사항과 낮은 컴퓨터 성능 요구 사항으로 이미징 인식 방법을 제공합니다. 이 방법을 사용하면 필요한 샘플 수가 크게 줄어들고 컴퓨터 성능 요구 사항?...

비디오: 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.

연구

공학

Concrete Sample Image Acquisition to Extract Concrete Characteristics

구체적인 특성을 추출하기 위한 구체적인 샘플 이미지 획득

Gray Binarization of Concrete Image Sample

구체적인 이미지 샘플의 회색 이진화

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.