Agradecemos ao Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) pelo financiamento deste trabalho.

1. Aquisição de imagens de amostras concretas
<ol><li>Transporte de concreto até o local de trabalho, onde será despejado pelo caminhão bomba.</li>
	<li>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.</li>
	<li>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 .</li>
	<li>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.</li>
	<li>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.</li>
</ol>2. Binarização cinza da imagem da amostra
<ol><li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
</ol>3. Cálculo do autovalor do gradiente direcional
<ol><li>Calcule o gradiente binário horizontal e vertical de cada pixel na imagem usando a seguinte equação28 Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y) onde Th é o gradiente binarizado horizontal, Tp 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.</li>
	<li>Calcule a direção e o tamanho do gradiente binário de cada ponto usando a seguinte equação29 <img alt="Equation 1" src="/files/ftp_upload/65731/65371eq01.jpg" style="margin: auto;"> onde T é o tamanho do gradiente binário,α T é a direção do gradiente binário, Th é o gradiente binário horizontal e Tp é o gradiente binário vertical.</li>
	<li>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.</li>
	<li>A direção do gradiente binário de partição αT (valor da direção do gradiente binário αT 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.<ol><li>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.</li>
		<li>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.</li>
	</ol></li>
</ol>4. Construindo vetor de recurso de gradiente direcional
<ol><li>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.</li>
	<li>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.</li>
	<li>Combine os vetores de feição de gradiente direcional de cada área de cálculo para obter o vetor de feição de gradiente direcional da imagem.</li>
</ol>5. Treinamento SVM
<ol><li>Selecione aleatoriamente 42 amostras dos três estados de vibração para criar o grupo de treinamento, deixando as 18 amostras restantes como grupo de teste.</li>
	<li>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.</li>
	<li>Salve o SVM treinado usando a função Salvar no formato .mat.</li>
</ol>6. Verificação da precisão do reconhecimento SVM
<ol><li>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.</li>
	<li>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.<ol><li>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.</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>

Os autores não têm nada a revelar.

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...

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 futura11,12. 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 deimagens20,21, classificação detextos22, predição deconfiabilidade23 e diagnóstico defalhas24.
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.

<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

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.

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 

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

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...

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

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.

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

O protocolo descrito neste trabalho utilizou a técnica de histograma de gradiente direcional para extrair as características de uma amostra de imagem concreta sob várias células vibratórias. Ele emprega uma máquina de vetor de suporte para aprendizado de máquina, resultando em método de reconhecimento de imagem com requisitos mínimos de amostra treinada e baixas demandas de desempenho do computador. Essa abordagem reduz significativamente o número de amostras necessárias e reduz os requisitos de desempenho do computador.Com um laptop equivalente a unidades de processamento central de 2,3 giga-hertz, o processo de reconhecimento completa a diferenciação do espaço de trem da máquina vetorial suportada em apenas 50 segundos. A segmentação de imagens abaixo do tamanho de 128 projetos e 128 projetos é utilizada. O número de vetores direcionais para ângulo estatístico inverso é definido como 12.No processo de imagem de resolução 224, a melhor ocorrência de reconhecimento para o resultado de aprendizado de máquina é alcançada.

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

549 visualizações.  Wuhan University. O protocolo descrito neste trabalho utilizou a técnica de histograma de gradiente direcional para extrair as características de uma amostra de imagem concreta sob várias células vibratórias. Ele emprega uma máquina de vetor de suporte para aprendizado de máquina, resultando em método de reconhecimento de imagem com requisitos mínimos de amostra treinada e baixas demandas de desempenho do computador. Essa abordagem reduz significativamente o número de amostras necessárias e reduz os...

Vídeo: 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.

Engenharia

Concrete Sample Image Acquisition to Extract Concrete Characteristics

Aquisição de Imagem de Amostra de Concreto para Extração das Características do Concreto

Gray Binarization of Concrete Image Sample

Binarização Cinza de Amostra de Imagem Concreta

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.