Reconhecimento de Imagem e Análise de Parametrização do Estado de Vibração do Concreto Baseado em Máquina de Vetor de Suporte

Resumo

O protocolo descrito neste trabalho utiliza a técnica de histograma de gradiente direcional para extrair as características de amostras de imagens de concreto sob vários estados de vibração. Ele emprega uma máquina de vetor de suporte para aprendizado de máquina, resultando em um método de reconhecimento de imagem com requisitos mínimos de amostra de treinamento e baixas demandas de desempenho do computador.

Resumo

Neste trabalho, a tecnologia de histograma de gradiente direcional é empregada para extrair as características de amostras de imagens concretas capturadas sob diferentes estados de vibração. A máquina de vetor de suporte (SVM) é utilizada para aprender a relação entre as características da imagem e o estado de vibração. Os resultados do aprendizado de máquina são posteriormente usados para avaliar a viabilidade do estado de vibração do concreto. Simultaneamente, analisa-se o mecanismo de influência dos parâmetros de cálculo do histograma de gradiente direcional sobre a acurácia do reconhecimento. Os resultados demonstram a viabilidade do uso da tecnologia de histograma de gradiente direcional-SVM para identificar o estado vibratório do concreto. A precisão do reconhecimento inicialmente aumenta e depois diminui à medida que o tamanho do bloco do gradiente direcional ou o número de intervalos estatísticos aumenta. A acurácia do reconhecimento também diminui linearmente com o aumento do limiar de binarização. Usando imagens de amostra com uma resolução de 1024 pixels x 1024 pixels e otimizando os parâmetros de extração de recursos, uma precisão de reconhecimento de 100% pode ser alcançada.

Introdução

O concreto é um material de construção fundamental amplamente utilizado na indústria da construção. Durante o bombeamento, o concreto frequentemente desenvolve vazios que requerem compactação por vibração. Vibrações inadequadas podem resultar em uma superfície de concreto em favo de mel, enquanto vibrações excessivas podem levar à segregação do concreto ^1,2. A qualidade da operação vibratória impacta significativamente na resistência 3,4,5,6 e durabilidade das estruturas de concreto formado ^7,8. Cai et ^al.9,10 realizaram um estudo que combinou pesquisa experimental com análise numérica para investigar a influência do mecanismo de vibração no recalque de agregados e na durabilidade do concreto. Os resultados revelaram que o tempo de vibração e as partículas de agregado exercem um impacto substancial no assentamento de agregados, enquanto a densidade de agregados e a viscosidade plástica do material à base de cimento têm efeitos mínimos. A vibração provoca a deposição de agregados no fundo dos corpos de prova de concreto. Além disso, à medida que o tempo de vibração aumenta, a concentração do íon cloreto diminui no fundo dos corpos de prova de concreto enquanto aumenta significativamente no topo ^9,10.

Atualmente, a avaliação do estado vibratório do concreto baseia-se predominantemente no julgamento manual. À medida que a indústria da construção continua a progredir por meio de reformas inteligentes, as operações com robôs emergiram como a direção futura^11,12. Consequentemente, um desafio crucial em operações de vibração inteligente é como permitir que os robôs identifiquem o estado de vibração do concreto.

O histograma do gradiente orientado é uma técnica que utiliza o gradiente de intensidade de pixels ou a distribuição das direções das bordas como descritor para caracterizar a representação e a forma dos objetos em imagens ^13,14. Esta abordagem opera nas células da grade local da imagem, proporcionando estabilidade robusta na caracterização de mudanças de imagem sob diversas condições geométricas e ópticas.

Zhou et ^al.15 propuseram um método para extrair diretamente características do gradiente direcional de imagens no modo Bayer. Essa abordagem omite várias etapas no cálculo do gradiente direcional combinando a coluna do filtro de cores com o operador de gradiente, reduzindo significativamente os requisitos computacionais para o reconhecimento de imagem de gradiente direcional. He et ^al.16 utilizaram o histograma de gradiente direcional como característica subjacente e empregaram o algoritmo de agrupamento médio para classificar os fixadores de trilho e determinar se os fixadores estão defeituosos. Os resultados de reconhecimento indicaram que o histograma da característica de gradiente orientado exibiu alta sensibilidade a defeitos de fixação, atendendo às necessidades de manutenção e reparo ferroviário. Em outro estudo, Xu et ^al.17 pré-processaram características de imagens faciais usando filtragem de wavelets de Gabor e reduziram a dimensão de vetores de feição por meio de codificação binária e do algoritmo HOG. A precisão média de reconhecimento do método é de 92,5%.

A máquina de vetores de suporte (SVM)¹⁸ é usada para mapear o vetor em um espaço de alta dimensão e estabelece um hiperplano de separação com uma direção adequada para maximizar a distância entre dois hiperplanos paralelos. Isso permite a classificação dos vetores de suporte¹⁹. Estudiosos têm aprimorado e otimizado essa tecnologia de classificação, levando à sua aplicação em vários campos, como reconhecimento de^imagens20,21, classificação de^textos22, predição de^{confiabilidade23} e diagnóstico de^falhas24.

Li et ^al.25 desenvolveram um modelo SVM de dois estágios para reconhecimento de padrões de falha sísmica, com foco em três modos de falha sísmica. Os resultados da análise indicam que o método SVM proposto em dois estágios pode atingir mais de 90% de precisão para os três modos de falha. Yang et ^al.26 integraram um algoritmo de otimização com o SVM para simular a relação entre os cinco parâmetros ultrassônicos e a tensão do concreto carregado. O desempenho de um SVM não otimizado é insatisfatório, particularmente no estágio de baixo estresse. No entanto, atravessar o modelo otimizado pelo algoritmo produz melhores resultados, embora com longos tempos de computação. Em comparação, o SVM otimizado para otimização de enxame de partículas reduz significativamente o tempo de cálculo, ao mesmo tempo em que fornece resultados ideais de simulação. Yan et ^al.27 empregaram a tecnologia SVM e introduziram uma função de perda insensível à precisão para predizer o módulo de elasticidade do concreto de alta resistência, comparando sua precisão de predição com o modelo de regressão tradicional e o modelo de redes neurais. Os resultados da pesquisa demonstram que a tecnologia SVM produz um erro de predição menor para o módulo de elasticidade em comparação com outros métodos.

Este trabalho coleta amostras de imagens de concreto sob vários estados de vibração e descreve os diferentes estados do concreto usando a técnica de histograma de gradiente direcional. O gradiente direcional é empregado como vetor de feição para o treinamento do SVM, e o estudo se concentra na viabilidade do uso da tecnologia de histograma de gradiente direcional - SVM para identificar o estado vibratório do concreto. Adicionalmente, o artigo analisa o mecanismo de influência entre três parâmetros-chave - limiar de binarização, tamanho estatístico do gradiente direcional do bloco e número do intervalo estatístico do gradiente direcional - no processo de extração de características do histograma do gradiente direcional e a precisão do reconhecimento do SVM.

Protocolo

1. Aquisição de imagens de amostras concretas

1. Transporte de concreto até o local de trabalho, onde será despejado pelo caminhão bomba.
2. Para capturar imagens, ligue o equipamento de disparo movendo o interruptor da tecla de energia para a direita e girando-o para a posição ON . Ajuste o botão do modo da câmera para o modo automático verde, garantindo que a lente da câmera esteja paralela à superfície de concreto, e pressione a tecla do obturador. Capture 20 amostras de imagens de concreto não vibrado, salvando-as em .jpg formato com resolução de aquisição de 1024 x 1024 pixels, conforme ilustrado na Figura 1.
3. Insira a parte vibratória do equipamento vibratório de concreto (haste vibratória de concreto plug-in) no concreto. Conecte a fonte de alimentação e, em seguida, ligue o equipamento de vibração de concreto colocando-o na posição ON .
4. Quando houver algum colapso na superfície do concreto (causado pela vibração que descarrega o ar no interior do concreto, levando ao afundamento dos agregados superficiais para preencher as lacunas, resultando no colapso do concreto) e aparecer alguma lama de cimento, mantenha a lente da câmera paralela à superfície do concreto e pressione a tecla do obturador. Coletar 20 amostras de imagens de concreto vibratório, como mostra a Figura 2.
5. Continue operando o equipamento de vibração. Quando não há colapso evidente na superfície do concreto, nenhuma lama de cimento aparece, e nenhuma bolha é gerada, interrompe o processo de vibração e captura 20 amostras de imagem de concreto vibrado, como mostrado na Figura 3.

2. Binarização cinza da imagem da amostra

1. Utilize a função imread() do software MATLAB para ler o arquivo .jpg como os dados de formato de unidade de 1024 pixels x 1024 pixels x 3 canais de cores, representando os valores de canal vermelho, verde e azul da imagem.
2. Em seguida, aplique a função MATLAB rgb2gray para converter a imagem em escala de cinza, indicada pelo valor de cinza do formato = rgb2gray(nome do arquivo jpg). Calcule o valor de cinza de cada pixel de acordo com a Equação (1) e salve o valor de cinza como os dados de formato unit8 de 1024 x 1024.
   GR(_i,j) = 0,2989R_(i,j) + 0,587G_(i,j) + 0,114B_(i,j) (1)
   onde, GR(i,j) é o valor cinza do ponto de pixel, R(i,j) é o valor de canal vermelho do ponto de pixel, G(i,j) é o valor de canal verde do ponto de pixel e B(i,j) é o valor de canal azul do ponto de pixel.
3. Altere o valor binário dos valores de cinza maiores que o limite de pixel θ para 1 e defina o valor binário dos valores de cinza menor que o pixel θ como 0.
4. Depois de obter os resultados cinza binarizado, salve o resultado como dados de formato lógico 1024 x 1024. Nesse caso, θ representa o limiar de binarização, e seus valores são 50, 100, 150 e 200 para diferentes imagens de amostra de concreto no estado de vibração, como ilustrado na Figura 5, Figura 6 e Figura 7.

3. Cálculo do autovalor do gradiente direcional

1. Calcule o gradiente binário horizontal e vertical de cada pixel na imagem usando a seguinte equação²⁸
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   onde T_h é o gradiente binarizado horizontal, T_p é o gradiente binarizado vertical, R é o dado de formato lógico binarizado, x é o número da linha da matriz binarizada e y é o número da coluna da matriz binarizada.
2. Calcule a direção e o tamanho do gradiente binário de cada ponto usando a seguinte equação²⁹
   
   onde T é o tamanho do gradiente binário,_{α T} é a direção do gradiente binário, T_h é o gradiente binário horizontal e T_p é o gradiente binário vertical.
3. Determine o tamanho do bloco de segmentação da imagem, indicado como n, onde o valor de n é [ 1,9]. Defina a linha de segmentação para cada n pixel na direção y ao longo da direção x, dividindo efetivamente a imagem em n x n blocos quadrados com base na posição da linha de segmentação. Todas as partes da imagem que não podem formar blocos quadrados completos são removidas.
4. A direção do gradiente binário de partição α_T (valor da direção do gradiente binário α_T é [ 0°, 360°]) em partes m, resultando em intervalos de ângulo estatísticos de gradiente direcional m. Prossiga para calcular o valor estatístico do gradiente para o intervalo de ângulo estatístico do gradiente de cada bloco.
   1. Com base na direção do gradiente binário de cada pixel no bloco, classifique os pixels no intervalo de ângulo estatístico de gradiente apropriado de cada direção.
   2. Somar o gradiente binário dos pixels no intervalo de ângulo estatístico do gradiente de cada direção no sentido anti-horário para obter o valor estatístico do gradiente desse intervalo. Os resultados obtidos para a estatística do gradiente direcional do intervalo angular do gradiente estão apresentados na Figura 8, Figura 9 e Figura 10 para os tamanhos de blocos n iguais a 8, 128 e 512, respectivamente.

4. Construindo vetor de recurso de gradiente direcional

1. Divida as amostras em áreas de cálculo necessárias, em que cada área de cálculo consiste em quatro blocos adjacentes com base nos resultados dos blocos obtidos na etapa 3.3. Por exemplo, considerando pixels de resolução 16 x 16 e um tamanho de bloco de 4 x 4, a imagem é dividida em (16 / 4-1) x ( 16 / 4-1 ) = 9 áreas de cálculo.
2. Calcular o valor estatístico do gradiente direcional dentro do intervalo angular das estatísticas de gradiente de cada bloco na área de cálculo. Posteriormente, obtenha o vetor de feição com as estatísticas de gradiente direcional como componente.
3. Combine os vetores de feição de gradiente direcional de cada área de cálculo para obter o vetor de feição de gradiente direcional da imagem.

5. Treinamento SVM

1. Selecione aleatoriamente 42 amostras dos três estados de vibração para criar o grupo de treinamento, deixando as 18 amostras restantes como grupo de teste.
2. Utilizar a função fitcecoc do MATLAB para treinamento SVM; o formato é
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   onde SVM é a máquina de vetor de suporte a ser treinada, trainingFeatures é o vetor de recurso de gradiente direcional da imagem do grupo de treinamento e Trainingeigenvalue é o valor característico do estado de vibração do grupo de treinamento. Os valores característicos do estado de vibração das amostras de concreto não vibrado, concreto vibratório e concreto vibrado são 1, 2 e 3, respectivamente.
3. Salve o SVM treinado usando a função Salvar no formato .mat.

6. Verificação da precisão do reconhecimento SVM

1. Usando a função de previsão do MATLAB, insira o vetor de recurso de gradiente direcional da imagem de gradiente direcional da imagem de amostra do grupo de teste no SVM treinado para obter o valor calculado do recurso de estado de vibração para cada amostra de teste. O formato é o seguinte:
   testgroupcalculateseigenvalues = predict (SVM, testFeature)
   onde testgroupcalculateseigenvalues é o valor calculado do recurso de estado de vibração, e SVM é a máquina de vetor de suporte treinada na etapa 5. testFeature é o vetor de recurso de gradiente direcional da imagem de amostra do grupo de teste.
2. Determine os resultados de reconhecimento da amostra do conjunto de teste alimentando o conjunto de teste no SVM treinado. Conte o número de amostras para as quais os resultados do reconhecimento do conjunto de teste correspondem ao estado real e, em seguida, calcule a precisão do reconhecimento dividindo o número de amostras corretas pelo número total de amostras do conjunto de teste.
   1. Se a precisão do reconhecimento do teste for superior a 94%, considere o reconhecimento SVM como efetivo. Se for menor que 94%, retorne ao passo 1.1 e ajuste o limiar de binarização, o tamanho do bloco n e o número de intervalos estatísticos de gradiente direcional m.

Resultados

Este protocolo tem como objetivo analisar como os parâmetros de cálculo de três vetores da característica gradiente direcional afetam a acurácia da MVS na identificação do estado vibratório do concreto. Os parâmetros de cálculo primários do vetor de feição de gradiente direcional incluem o tamanho do bloco estatístico de gradiente direcional, o número de intervalos de ângulo estatístico de gradiente direcional e o limiar de cinza binário. Esta seção usa três parâmetros de cálculo principais como va...

Discussão

Este trabalho utiliza a máquina de vetor de suporte (SVM) para aprender as características de imagem de várias amostras de estado vibratório de concreto. Com base nos resultados do aprendizado de máquina, um método concreto de reconhecimento do estado de vibração baseado no reconhecimento de imagens é proposto. Para aumentar a precisão do reconhecimento, é crucial controlar os parâmetros das três etapas principais: segmentação da imagem, binarização da imagem e extração do autovalor do gradiente direci...

Materiais

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