Распознавание изображений и анализ параметров вибрационного состояния бетона на основе метода опорных векторов

Резюме

Протокол, описанный в этой статье, использует метод направленной градиентной гистограммы для извлечения характеристик конкретных образцов изображений при различных вибрационных состояниях. Он использует метод опорных векторов для машинного обучения, что приводит к методу распознавания изображений с минимальными требованиями к обучающей выборке и низкими требованиями к производительности компьютера.

Аннотация

В данной работе используется технология направленной градиентной гистограммы для извлечения особенностей образцов конкретных изображений, полученных при различных вибрационных состояниях. Метод опорных векторов (SVM) используется для изучения взаимосвязи между характеристиками изображения и вибрационным состоянием. Результаты машинного обучения впоследствии используются для оценки осуществимости вибрационного состояния бетона. Одновременно анализируется механизм влияния параметров расчета гистограммы направленного градиента на точность распознавания. Полученные результаты демонстрируют целесообразность использования технологии направленной градиентной гистограммы-SVM для определения вибрационного состояния бетона. Точность распознавания сначала увеличивается, а затем уменьшается по мере увеличения размера блока градиента направления или числа статистических интервалов. Точность распознавания также линейно снижается с увеличением порога бинаризации. Используя образцы изображений с разрешением 1024 x 1024 пикселей и оптимизируя параметры извлечения признаков, можно достичь 100% точности распознавания.

Введение

Бетон является основным строительным материалом, широко используемым в строительной отрасли. Во время перекачки в бетоне часто образуются пустоты, которые требуют уплотнения за счет вибрации. Недостаточная вибрация может привести к образованию ячеистой бетонной поверхности, в то время как чрезмерная вибрация может привести к расслоению бетона ^1,2. Качество вибрационной работы существенно влияет на прочность 3,4,5,6 и долговечность формируемых бетонных конструкций ^7,8. Cai et ^al.9,10 провели исследование, в котором экспериментальные исследования сочетались с численным анализом для изучения механизма влияния вибрации на осадку заполнителя и долговечность бетона. Результаты показали, что время вибрации и частицы заполнителя оказывают существенное влияние на осадку заполнителя, в то время как плотность заполнителя и пластическая вязкость материала на основе цемента оказывают минимальное влияние. Вибрация вызывает отложение заполнителя на дне бетонных образцов. Кроме того, с увеличением времени вибрации концентрация ионов хлорида в нижней части бетонных образцов уменьшается, но значительно увеличивается^{в верхней части 9,10}.

В настоящее время оценка вибрационного состояния бетона основывается преимущественно на ручном суждении. По мере того, как строительная отрасль продолжает развиваться благодаря интеллектуальным реформам, роботизированные операции стали будущим направлением^11,12. Следовательно, важнейшей проблемой в интеллектуальных вибрационных операциях является то, как роботы могут определять вибрационное состояние бетона.

Гистограмма ориентированного градиента - это метод, который использует градиент интенсивности пикселей или распределение направлений краев в качестве дескриптора для характеристики представления и формы объектов на изображениях^13,14. Этот подход работает с локальными ячейками сетки изображения, обеспечивая робастную стабильность при характеризации изменений изображения в различных геометрических и оптических условиях.

Zhou et ^al.15 предложили метод прямого извлечения направленных градиентных объектов из изображений режима Байера. Этот подход позволяет пропустить множество шагов при вычислении направленного градиента путем сопоставления столбца цветового фильтра с оператором градиента, тем самым значительно снижая вычислительные требования для распознавания изображений направленного градиента. Он и ^др.16 использовали гистограмму направленного градиента в качестве базового признака и применили алгоритм кластеризации среднего значения для классификации рельсовых скреплений и определения того, являются ли скрепления дефектными. Результаты распознавания показали, что гистограмма объекта ориентированного градиента обладает высокой чувствительностью к дефектам крепежа, удовлетворяя потребности технического обслуживания и ремонта железных дорог. В другом исследовании Xu et ^al.17 провели предварительную обработку признаков изображения лица с помощью вейвлет-фильтрации Габора и уменьшили размерность векторов признаков с помощью двоичного кодирования и алгоритма HOG. Средняя точность распознавания метода составляет 92,5%.

Метод опорных векторов (SVM)¹⁸ используется для отображения вектора в многомерное пространство и устанавливает разделяющую гиперплоскость с подходящим направлением, чтобы максимизировать расстояние между двумя параллельными гиперплоскостями. Это позволяет классифицировать опорные векторы¹⁹. Ученые усовершенствовали и оптимизировали эту технологию классификации, что привело к ее применению в различных областях, таких как распознавание изображений^20,21, классификация текста²², прогнозирование надежности²³ и диагностика неисправностей²⁴.

Li et ^al.25 разработали двухступенчатую SVM-модель для распознавания паттернов сейсмических разрушений, сосредоточив внимание на трех видах сейсмических разрушений. Результаты анализа свидетельствуют о том, что предложенный двухступенчатый метод SVM позволяет достичь более 90% точности для трех видов отказов. Yang et ^al.26 интегрировали алгоритм оптимизации с SVM для моделирования взаимосвязи между пятью ультразвуковыми параметрами и напряжением нагруженного бетона. Производительность неоптимизированной SVM неудовлетворительна, особенно на стадии низкого напряжения. Тем не менее, обход модели, оптимизированной алгоритмом, дает улучшенные результаты, хотя и с длительным временем вычислений. Для сравнения, SVM, оптимизированная для оптимизации роя частиц, значительно сокращает время расчета, обеспечивая при этом оптимальные результаты моделирования. Yan et ^al.27 использовали технологию SVM и ввели прецизионно-нечувствительную функцию потерь для прогнозирования модуля упругости высокопрочного бетона, сравнив точность ее предсказания с традиционной регрессионной моделью и моделью нейронной сети. Результаты исследования показывают, что технология SVM дает меньшую ошибку предсказания модуля упругости по сравнению с другими методами.

В данной работе собраны образцы изображений бетона при различных вибрационных состояниях и описаны различные состояния бетона с помощью метода направленной градиентной гистограммы. Направленный градиент используется в качестве вектора признаков для обучения SVM, и исследование фокусируется на целесообразности использования технологии направленной градиентной гистограммы-SVM для определения вибрационного состояния бетона. Кроме того, в работе анализируется механизм влияния между тремя ключевыми параметрами — порогом бинаризации, размером статистического блока направленного градиента и номером статистического интервала направленного градиента — в процессе извлечения признаков гистограммы направленного градиента и точностью распознавания SVM.

протокол

1. Получение изображения конкретного образца

1. Транспортируйте бетон к рабочему месту, где он будет заливаться автонасосом.
2. Чтобы сделать снимок, включите съемочное оборудование, переместив выключатель питания вправо и повернув его в положение ON . Установите ручку режима камеры в зеленый автоматический режим, убедившись, что объектив камеры расположен параллельно бетонной поверхности, и нажмите клавишу спуска затвора. Сделайте 20 образцов изображений невибробетона, сохранив их в формате .jpg с разрешением 1024 x 1024 пикселей, как показано на рисунке 1.
3. Вставьте вибрационную часть вибрационного оборудования для бетона (вставной бетонный вибростержень) в бетон. Подключите источник питания, а затем включите бетонное вибрационное оборудование, установив его в положение ON .
4. Когда на поверхности бетона происходит некоторое обрушение (вызванное вибрацией, выпускающей воздух внутри бетона, что приводит к погружению поверхностных заполнителей для заполнения зазоров, что приводит к разрушению бетона) и появляется цементный раствор, держите объектив камеры параллельно бетонной поверхности и нажмите клавишу спуска затвора. Соберите 20 образцов изображений вибрирующего бетона, как показано на рисунке 2.
5. Продолжайте эксплуатировать вибрационное оборудование. Когда на поверхности бетона нет явного обрушения, не появляется цементный раствор и не образуются пузырьки, остановите процесс вибрации и сделайте 20 образцов изображения вибробетона, как показано на рисунке 3.

2. Пример бинаризации серого изображения

1. Используйте функцию imread() программного обеспечения MATLAB для чтения .jpg файла в качестве данных единичного формата размером 1024 x 1024 x 1024 пикселей x 3 цветовых канала, представляющих значения красного, зеленого и синего каналов изображения.
2. Далее примените функцию MATLAB rgb2gray для преобразования изображения в оттенки серого, обозначаемого форматом gray value = rgb2gray(имя файла jpg). Вычислите значение серого для каждого пикселя в соответствии с уравнением (1) и сохраните значение серого в формате unit8 1024 x 1024.
   GR_(i,j) = 0.2989R_(i,j) + 0.587G_(i,j) + 0.114B_(i,j) (1)
   где, GR(i,j) — значение серого цвета точки пикселя, R(i,j) — значение красного канала точки пикселя, G(i,j) — значение зеленого канала точки пикселя, а B(i,j) — значение синего канала точки пикселя.
3. Измените двоичное значение значений серого, превышающее пороговое значение пикселя θ, на 1 и установите двоичное значение значений серого меньше, чем пикселя θ, равным 0.
4. После получения результатов бинаризованного серого сохраните результат в виде данных логического формата 1024 x 1024. В этом случае θ представляет собой порог бинаризации, а его значения составляют 50, 100, 150 и 200 для различных вибрационных состояний конкретных образцов изображений, как показано на рисунке 5, рисунке 6 и рисунке 7.

3. Вычисление собственного значения направленного градиента

1. Вычислите горизонтальный и вертикальный двоичный градиент каждого пикселя изображения, используя следующее уравнение²⁸
   T_p = R(x, y + 1) - R(x, y - 1), T_h = R(x+1, y) - R(x-1, y)
   где T_h — горизонтальный бинаризованный градиент, T_p — вертикальный бинаризованный градиент, R — данные бинаризованного логического формата, x — номер строки бинаризованной матрицы, y — номер столбца бинаризованной матрицы.
2. Вычислите направление и размер двоичного градиента каждой точки, используя следующее уравнение²⁹
   
   где T — размер двоичного градиента, α_T — направление двоичного градиента, T_h — горизонтальный двоичный градиент и T_p — вертикальный двоичный градиент.
3. Определите размер блока сегментации изображения, обозначаемого как n, где значение n равно [ 1,9]. Установите линию сегментации для каждого n пикселя в направлении y вдоль направления x, эффективно разделив изображение на n x n квадратных блоков в зависимости от положения линии сегментации. Все части изображения, которые не могут образовывать полные квадратные блоки, удаляются.
4. Разбиение направления двоичного градиента α_T (значение направления двоичного градиента α_T равно [ 0°, 360°]) на m частей, в результате чего получается m статистических угловых интервалов направленного градиента. Перейдите к вычислению статистического значения градиента для интервала статистического угла градиента каждого блока.
   1. Основываясь на двоичном направлении градиента каждого пикселя в блоке, классифицируйте пиксели по соответствующему интервалу статистического угла градиента каждого направления.
   2. Суммируйте двоичный градиент пикселей в интервале статистического угла градиента каждого направления против часовой стрелки, чтобы получить статистическое значение градиента этого интервала. Полученные результаты для статистики градиентного статистического углового интервала направленного градиента представлены на рисунке 8, рисунке 9 и рисунке 10 для размеров блоков n, равных 8, 128 и 512 соответственно.

4. Построение вектора признаков направленного градиента

1. Разделите выборки на требуемые области расчета, где каждая область расчета состоит из четырех смежных блоков на основе результатов блоков, полученных на шаге 3.3. Например, учитывая разрешение 16 x 16 пикселей и размер блока 4 x 4, изображение делится на (16 / 4-1) x ( 16 / 4-1 ) = 9 областей вычисления.
2. Вычислить статистическое значение градиента направленности в пределах углового интервала статистики градиента каждого блока в области расчета. Затем получим вектор признаков со статистикой направленного градиента в качестве компонента.
3. Объедините векторы признаков направленного градиента из каждой области вычисления, чтобы получить вектор признаков направленного градиента изображения.

5. Обучение SVM

1. Случайным образом выберите 42 образца из трех состояний вибрации, чтобы создать обучающую группу, оставив оставшиеся 18 образцов в качестве тестовой группы.
2. Используйте функцию fitcecoc MATLAB для обучения SVM; Формат
   SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
   где SVM — метод опорных векторов для обучения, trainingFeatures — вектор признаков направленного градиента изображения обучающей группы, а Trainingeigenvalue — характеристическое значение вибрационного состояния обучающей группы. Характерные значения вибрационного состояния образцов невибробетона, вибробетона и вибробетона составляют 1, 2 и 3 соответственно.
3. Сохраните обученную SVM с помощью функции Save в формате .mat.

6. Проверка точности распознавания SVM

1. Используя функцию прогнозирования MATLAB, введите вектор признаков направленного градиента изображения тестовой группы в обученную SVM, чтобы получить рассчитанное значение характеристики вибрационного состояния для каждого испытуемого образца. Формат следующий:
   testgroupcalculateseigenvalues = predict (SVM, testFeature)
   где testgroupcalculateseigenvalues — вычисленное значение функции вибрационного состояния, а SVM — метод опорных векторов, обученный на шаге 5. testFeature — вектор признаков направленного градиента изображения образца тестовой группы.
2. Определите результаты распознавания образцов тестового набора, передав тестовый набор в обученную SVM. Подсчитайте количество выборок, для которых результаты распознавания тестового набора соответствуют фактическому состоянию, а затем вычислите точность распознавания, разделив количество правильных выборок на общее количество образцов тестового набора.
   1. Если точность распознавания тестов выше 94%, считайте, что распознавание SVM эффективно. Если он ниже 94%, вернитесь к шагу 1.1 и настройте порог бинаризации, размер блока n и количество статистических интервалов градиента направленности m.

Результаты

Этот протокол направлен на анализ того, как трехвекторные параметры расчета элемента направленного градиента влияют на точность SVM в определении вибрационного состояния бетона. Основные параметры вычисления вектора признаков направленного градиента включают размер статистического...

Обсуждение

В данной работе используется метод опорных векторов (SVM) для изучения особенностей изображения различных образцов вибрационного состояния бетона. На основе результатов машинного обучения предложен метод распознавания конкретного вибрационного состояния, основанный на распознавани?...

Материалы

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