Yazarlar
Bize Ulaşın

Oturum Aç

Bu içeriği görüntülemek için JoVE aboneliği gereklidir. Oturum açın veya ücretsiz deneme sürümünü başlatın.

Bu Makalede

  • Özet
  • Özet
  • Giriş
  • Protokol
  • Sonuçlar
  • Tartışmalar
  • Açıklamalar
  • Teşekkürler
  • Malzemeler
  • Referanslar
  • Yeniden Basımlar ve İzinler

Özet

Bu yazıda açıklanan protokol, çeşitli titreşim durumları altında somut görüntü örneklerinin özelliklerini çıkarmak için yönlü gradyan histogram tekniğini kullanır. Makine öğrenimi için bir destek vektör makinesi kullanır, bu da minimum eğitim örneği gereksinimleri ve düşük bilgisayar performansı talepleri ile bir görüntü tanıma yöntemi ile sonuçlanır.

Özet

Bu yazıda, farklı titreşim durumları altında yakalanan somut görüntü örneklerinin özelliklerini çıkarmak için yönlü gradyan histogram teknolojisi kullanılmıştır. Destek vektör makinesi (SVM), görüntü özellikleri ile titreşim durumu arasındaki ilişkiyi öğrenmek için kullanılır. Makine öğrenimi sonuçları daha sonra beton titreşim durumunun fizibilitesini değerlendirmek için kullanılır. Eşzamanlı olarak, yönlü gradyan histogramının hesaplama parametrelerinin tanıma doğruluğu üzerindeki etki mekanizması analiz edilir. Sonuçlar, betonun titreşim durumunu belirlemek için yönlü gradyan histogramı-SVM teknolojisini kullanmanın fizibilitesini göstermektedir. Tanıma doğruluğu başlangıçta artar ve daha sonra yönlü gradyanın blok boyutu veya istatistiksel aralıkların sayısı arttıkça azalır. Tanıma doğruluğu, ikilileştirme eşiğinin artmasıyla doğrusal olarak da azalır. 1024 piksel x 1024 piksel çözünürlüğe sahip örnek görüntüler kullanılarak ve özellik çıkarma parametreleri optimize edilerek, %100'lük bir tanıma doğruluğu elde edilebilir.

Giriş

Beton, inşaat sektöründe yaygın olarak kullanılan temel bir yapı malzemesidir. Pompalama sırasında, beton sıklıkla titreşim yoluyla sıkıştırma gerektiren boşluklar geliştirir. Yetersiz titreşim, petekli bir beton yüzeye neden olabilirken, aşırı titreşim beton ayrışmasınaneden olabilir 1,2. Titreşim işleminin kalitesi, şekillendirilmiş beton yapıların mukavemetini 3,4,5,6 ve dayanıklılığını 7,8 önemli ölçüde etkiler. Cai ve ark.9,10, titreşimin agrega oturması ve beton dayanıklılığı üzerindeki etki mekanizmasını araştırmak için deneysel araştırmaları sayısal analizle birleştiren bir çalışma yürütmüştür. Bulgular, titreşim süresi ve agrega parçacıklarının agrega oturması üzerinde önemli bir etkiye sahip olduğunu, agrega yoğunluğunun ve çimento esaslı malzemenin plastik viskozitesinin ise minimum etkiye sahip olduğunu ortaya koymuştur. Titreşim, beton numunelerin dibinde agrega birikmesine neden olur. Ayrıca, titreşim süresi arttıkça, klorür iyonu konsantrasyonu beton numunelerin dibinde azalırken, üst 9,10'da önemli ölçüde artmaktadır.

Şu anda, somut titreşim durumunun değerlendirilmesi ağırlıklı olarak manuel yargıya dayanmaktadır. İnşaat sektörü akıllı reformlarla ilerlemeye devam ederken, robot operasyonları geleceğin yönü olarak ortaya çıkmıştır11,12. Sonuç olarak, akıllı titreşim operasyonlarında çok önemli bir zorluk, robotların betonun titreşim durumunu tanımlamasının nasıl sağlanacağıdır.

Yönlendirilmiş gradyanın histogramı, görüntülerdeki nesnelerin temsilini ve şeklini karakterize etmek için tanımlayıcı olarak piksellerin yoğunluk gradyanını veya kenar yönlerinin dağılımını kullanan bir tekniktir13,14. Bu yaklaşım, görüntünün yerel ızgara hücreleri üzerinde çalışır ve çeşitli geometrik ve optik koşullar altında görüntü değişikliklerini karakterize etmede sağlam bir kararlılık sağlar.

Zhou ve ark.15 , Bayer modu görüntülerinden yönlü gradyan özelliklerini doğrudan çıkarmak için bir yöntem önerdi. Bu yaklaşım, renk filtresi sütununu degrade işleciyle eşleştirerek yönlü gradyanı hesaplamada çok sayıda adımı atlar ve böylece yönlü gradyan görüntü tanıma için hesaplama gereksinimlerini önemli ölçüde azaltır. O ve ark.16 , temel özellik olarak yönlü gradyan histogramını kullandı ve ray bağlantı elemanlarını sınıflandırmak ve bağlantı elemanlarının kusurlu olup olmadığını belirlemek için ortalama kümeleme algoritmasını kullandı. Tanıma sonuçları, yönlendirilmiş gradyan özelliğinin histogramının, demiryolu bakım ve onarım ihtiyaçlarını karşılayarak bağlantı elemanı kusurlarına karşı yüksek hassasiyet sergilediğini gösterdi. Başka bir çalışmada, Xu ve ark.17 , Gabor dalgacık filtrelemesini kullanarak yüz görüntüsü özelliklerini önceden işledi ve ikili kodlama ve HOG algoritması yoluyla özellik vektörlerinin boyutunu azalttı. Yöntemin ortalama tanıma doğruluğu %92,5'tir.

Destek vektör makinesi (SVM)18, vektörü yüksek boyutlu bir uzaya eşlemek için kullanılır ve iki paralel hiper düzlem arasındaki mesafeyi en üst düzeye çıkarmak için uygun bir yöne sahip ayırıcı bir hiper düzlem oluşturur. Bu, destek vektörlerininsınıflandırılmasına izin verir 19. Bilim adamları bu sınıflandırma teknolojisini geliştirdiler ve optimize ettiler, bu da görüntü tanıma20,21, metin sınıflandırması22, güvenilirlik tahmini23 ve hata teşhisi24 gibi çeşitli alanlarda uygulanmasına yol açtı.

Li ve ark.25 , sismik arıza paterninin tanınması için üç sismik arıza moduna odaklanan iki aşamalı bir SVM modeli geliştirdi. Analiz sonuçları, önerilen iki aşamalı SVM yönteminin üç arıza modu için %90'dan fazla doğruluk elde edebileceğini göstermektedir. Yang ve ark.26 , beş ultrasonik parametre ile yüklenen betonun gerilmesi arasındaki ilişkiyi simüle etmek için SVM ile bir optimizasyon algoritması entegre etti. Optimize edilmemiş bir SVM'nin performansı, özellikle düşük stresli aşamada tatmin edici değildir. Bununla birlikte, algoritma tarafından optimize edilmiş modelde geçiş yapmak, uzun hesaplama sürelerine rağmen daha iyi sonuçlar verir. Buna karşılık, parçacık sürüsü optimizasyonu optimize edilmiş SVM, optimum simülasyon sonuçları sağlarken hesaplama süresini önemli ölçüde azaltır. Yan ve ark.27 , SVM teknolojisini kullandı ve yüksek dayanımlı betonun elastik modülünü tahmin etmek için hassas bir şekilde duyarsız bir kayıp fonksiyonu tanıttı ve tahmin doğruluğunu geleneksel regresyon modeli ve sinir ağı modeliyle karşılaştırdı. Araştırma bulguları, SVM teknolojisinin diğer yöntemlere kıyasla elastik modül için daha küçük bir tahmin hatası ürettiğini göstermektedir.

Bu makale, çeşitli titreşim durumları altında betonun görüntü örneklerini toplar ve yönlü gradyan histogram tekniğini kullanarak betonun farklı durumlarını açıklar. Yönlü gradyan, SVM'yi eğitmek için bir özellik vektörü olarak kullanılır ve çalışma, betonun titreşim durumunu belirlemek için yönlü gradyan histogramı-SVM teknolojisini kullanmanın uygulanabilirliğine odaklanır. Ek olarak, makale, yönlü gradyan histogramının özellik çıkarma sürecinde ve SVM'nin tanıma doğruluğunda üç temel parametre (ikilileştirme eşiği, yönlü gradyan istatistiksel blok boyutu ve yönlü gradyan istatistiksel aralık sayısı) arasındaki etki mekanizmasını analiz eder.

Protokol

1. Somut örnek görüntü alımı

  1. Betonu pompa kamyonu tarafından döküleceği işyerine taşıyın.
  2. Görüntü yakalamak için, güç tuşu anahtarını sağa hareket ettirip AÇIK konuma getirerek çekim ekipmanını açın. Kamera merceğinin beton yüzeye paralel olduğundan emin olarak kameranın mod düğmesini yeşil otomatik moda ayarlayın ve Deklanşör Tuşuna basın. Şekil 1'de gösterildiği gibi, 1024 x 1024 piksel edinme çözünürlüğü ile .jpg formatında kaydederek titreşimsiz betonun 20 görüntü örneğini yakalayın.
  3. Beton titreşim ekipmanının (geçmeli beton titreşimli çubuk) titreşimli kısmını betona yerleştirin. Güç kaynağını bağlayın ve ardından beton titreşim ekipmanını AÇIK konuma getirerek açın.
  4. Beton yüzeyinde bir miktar çökme olduğunda (betonun içindeki havayı tahliye eden titreşimden kaynaklanır, boşlukları doldurmak için yüzey agregalarının batmasına neden olarak betonun çökmesine neden olur) ve bir miktar çimento bulamacı göründüğünde, kamera merceğini beton yüzeye paralel tutun ve Deklanşör Tuşuna basın. Şekil 2'de gösterildiği gibi 20 titreşimli beton görüntü örneği toplayın.
  5. Titreşim ekipmanını çalıştırmaya devam edin. Beton yüzeyinde belirgin bir çökme olmadığında, çimento bulamacı oluşmadığında ve kabarcık oluşmadığında, titreşim işlemini durdurun ve Şekil 3'te gösterildiği gibi 20 titreşimli beton örneği yakalayın.

2. Örnek görüntü gri ikilileştirme

  1. .jpg dosyasını, görüntünün kırmızı, yeşil ve mavi kanal değerlerini temsil eden 1024 piksel x 1024 piksel x 3 renk kanalının birim biçim verisi olarak okumak için MATLAB yazılımının imread() işlevini kullanın.
  2. Ardından, görüntüyü gri tonlamaya dönüştürmek için MATLAB işlevini uygulayın rgb2gray, gri değer = rgb2gray(jpg dosya adı) biçimiyle gösterilir. Denklem (1)'e göre her pikselin gri değerini hesaplayın ve gri değeri 1024 x 1024'ün unit8 biçim verisi olarak kaydedin.
    GR(i,j) = 0.2989R(i,j) + 0.587G(i,j) + 0.114B(i,j) (1)
    burada, GR(i,j) piksel noktasının gri değeri, R(i,j) piksel noktasının kırmızı kanal değeri, G(i,j) piksel noktasının yeşil kanal değeri ve B(i,j) piksel noktasının mavi kanal değeridir.
  3. θ piksel eşiğinden büyük gri değerlerin ikili değerini 1 olarak değiştirin ve θ pikselden küçük gri değerlerin ikili değerini 0 olarak ayarlayın.
  4. İkili gri sonuçları elde ettikten sonra, sonucu 1024 x 1024 mantıksal biçim verisi olarak kaydedin. Bu durumda, θ ikilileştirme eşiğini temsil eder ve Şekil 50, Şekil 100 ve Şekil 150'de gösterildiği gibi farklı titreşim durumlu beton numune görüntüleri için değerleri 6, 6 ve 200'dür.

3. Yönlü gradyan özdeğerinin hesaplanması

  1. Aşağıdaki denklemi kullanarak görüntüdeki her pikselin yatay ve dikey ikili gradyanını hesaplayın28
    Tp = R(x, y + 1) - R(x, y - 1), Th = R(x+1, y) - R(x-1, y)
    burada Th yatay ikilileştirilmiş gradyandır, Tp dikey ikilileştirilmiş gradyandır, R ikilileştirilmiş mantıksal biçim verileridir, x ikilileştirilmiş matrisin satır numarasıdır ve y ikilileştirilmiş matrisin sütun numarasıdır.
  2. Aşağıdaki denklemi kullanarak her noktanın ikili gradyan yönünü ve boyutunu hesaplayın29
    figure-protocol-3679
    burada T ikili gradyan boyutudur, αT ikili gradyan yönüdür, Th yatay ikili gradyandır ve Tp dikey ikili gradyandır.
  3. N değerinin [ 1,9] olduğu n olarak gösterilen görüntü segmentasyon bloğunun boyutunu belirleyin. Her n piksel için segmentasyon çizgisini x yönü boyunca y yönünde ayarlayın ve görüntüyü segmentasyon çizgisinin konumuna göre n x n kare bloğa etkili bir şekilde bölün. Görüntünün tam kare bloklar oluşturamayan tüm parçaları daha sonra kaldırılır.
  4. İkili gradyan yönünü αT (ikili gradyan yönünün değeri αT [ 0°, 360°]) m parçalarına bölün, böylece m yönlü gradyan istatistiksel açı aralıkları elde edilir. Her bloğun gradyan istatistiksel açı aralığı için gradyan istatistiksel değerini hesaplamaya devam edin.
    1. Bloktaki her pikselin ikili gradyan yönüne bağlı olarak, pikselleri her yönün uygun gradyan istatistiksel açı aralığına göre sınıflandırın.
    2. Bu aralığın gradyan istatistiksel değerini elde etmek için her yönün gradyan istatistiksel açı aralığındaki piksellerin ikili gradyanını saat yönünün tersine toplayın. Gradyan istatistiksel açı aralığı yönlü gradyan istatistikleri için elde edilen sonuçlar, sırasıyla 8, 128 ve 512'ye eşit n blok boyutları için Şekil 8, Şekil 9 ve Şekil 10'da gösterilmektedir.

4. Yönlü gradyan öznitelik vektörü oluşturma

  1. Numuneleri, adım 3.3'te elde edilen blok sonuçlarına dayalı olarak her bir hesaplama alanının dört bitişik bloktan oluştuğu gerekli hesaplama alanlarına bölün. Örneğin, 16 x 16 çözünürlüklü piksel ve 4 x 4'lük bir blok boyutu göz önüne alındığında, görüntü (16 / 4-1) x ( 16 / 4-1 ) = 9 hesaplama alanına bölünür.
  2. Hesaplama alanındaki her bloğun gradyan istatistiklerinin açı aralığı içinde yönlü gradyanın istatistiksel değerini hesaplayın. Ardından, bileşen olarak yönlü gradyan istatistiklerine sahip özellik vektörünü elde edin.
  3. Görüntünün yönlü gradyan unsur vektörünü elde etmek için her hesaplama alanındaki yönlü gradyan unsur vektörlerini birleştirin.

5. SVM eğitimi

  1. Eğitim grubunu oluşturmak için üç titreşim durumundan rastgele 42 örnek seçin ve kalan 18 örneği test grubu olarak bırakın.
  2. SVM eğitimi için MATLAB'ın fitcecoc işlevini kullanın; Biçim
    SVM = fitcecoc (trainingFeatures, Trainingeigenvalue)
    SVM, eğitilecek destek vektör makinesidir, trainingFeatures, eğitim grubu görüntüsü yönlü gradyan özellik vektörüdür ve Trainingeigenvalue, eğitim grubunun titreşim durumunun karakteristik değeridir. Vibrasyonsuz beton, vibrasyonlu beton ve vibrasyonlu beton numunelerinin titreşim durumunun karakteristik değerleri sırasıyla 1, 2 ve 3'tür.
  3. Eğitilen SVM'yi Kaydet işlevini kullanarak .mat biçiminde kaydedin.

6. SVM tanıma doğruluğunun doğrulanması

  1. MATLAB'ın tahmin fonksiyonunu kullanarak, her test numunesi için titreşim durumu özelliğinin hesaplanan değerini elde etmek için test grubu örnek görüntüsünün yönlü gradyan özellik vektörünü eğitilen SVM'ye girin. Biçim aşağıdaki gibidir:
    testgroupcalculateseigenvalues = tahmin (SVM, testFeature)
    burada testgroupcalculateseigenvalues, titreşim durumu özelliğinin hesaplanan değeridir ve SVM, 5. adımda eğitilen destek vektör makinesidir. testFeature, test grubu örnek görüntüsünün yönlü gradyan özellik vektörüdür.
  2. Test setini eğitilen SVM'ye besleyerek test seti numune tanıma sonuçlarını belirleyin. Test seti tanıma sonuçlarının gerçek durumla eşleştiği örneklerin sayısını sayın ve ardından doğru örneklerin sayısını toplam test seti örneklerinin sayısına bölerek tanıma doğruluğunu hesaplayın.
    1. Test tanıma doğruluğu %94'ten yüksekse, SVM tanımanın etkili olduğunu düşünün. %94'ten düşükse, adım 1.1'e dönün ve ikili oluşturma eşiğini, blok boyutunu n ve yönlü gradyan istatistiksel aralıklarının sayısını m olarak ayarlayın.

Sonuçlar

Bu protokol, yönlü gradyan özelliğinin üç vektörlü hesaplama parametrelerinin, somut titreşim durumunu belirlemede SVM'nin doğruluğunu nasıl etkilediğini analiz etmeyi amaçlamaktadır. Yönlü gradyan özellik vektörünün birincil hesaplama parametreleri, yönlü gradyan istatistiksel blok boyutunu, yönlü gradyan istatistiksel açı aralıklarının sayısını ve ikili gri eşiği içerir. Bu bölüm, testi tasarlamak için değişken olarak üç ana hesaplama parametresi kullanır. Test parametresi se...

Tartışmalar

Bu makale, çeşitli beton titreşim durumu örneklerinin görüntü özelliklerini öğrenmek için destek vektör makinesini (SVM) kullanır. Makine öğrenimi sonuçlarına dayanarak, görüntü tanımaya dayalı somut bir titreşim durumu tanıma yöntemi önerilmiştir. Tanıma doğruluğunu artırmak için, üç temel adımın parametrelerini kontrol etmek çok önemlidir: görüntü segmentasyonu, görüntü ikilileştirme ve yönlü gradyan özdeğer çıkarma. Test sonuçlarına göre, somut numune görüntüsü...

Açıklamalar

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

Bu çalışmayı finanse ettiği için Wuhan Urban Construction Group 2023 Yıllık Bilimsel Araştırma Projesi'ne (NO.7) minnetle teşekkür ederiz.

Malzemeler

NameCompanyCatalog NumberComments
cameraSONYA6000The sensor size is 23.5x15.6mm, the maximum acquisition resolution is 1440 * 1080, and the effective pixel is 24.3 million.
concreteWuhan Construction Changxin Technology Development Co., Ltd.C30 pumping concreteAccording 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.
MatlabMathWorksMatlab R2017aMATLAB'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 Intel12th Gen Intel(R) Core (TM) i7-12700H @ 2.30GHz64-bit Win11 processor 

Referanslar

  1. Jiang, L., Tian, Z., Wang, K., Sun, X. Estimating the segregation of concrete under vibration based on electrical method. Concrete. 1, 41-44 (2023).
  2. Ren, B., Ye, Z., Wang, D., Wu, B., Tan, Y. Evaluation of segregation degree of hardening concrete using improved Mask R-CNN. Journal of Hydroelectric Engineering. 41 (5), 93-102 (2022).
  3. Hu, J., Qin, M., Wang, H., Liu, K. Study on the influence of vibration frequency on the performance of concrete. Highway. 65 (12), 111-114 (2020).
  4. Bian, C., et al. Experimental study on characterization of evaluation indexes for vibration compaction of fresh concrete. Journal of Hydroelectric Engineering. 39 (2), 67-80 (2020).
  5. Liu, Z., Zhou, M., Bai, J., Mou, S. Influence of vibration time on the strength and homogeneity of rubber concrete. Industrial Construction. 42, 509-512 (2012).
  6. Cheng, Y., Gou, Z., Wang, Y. Testing Investigation on Effects of Mixing, Vibrating and Curing on Strength of High-Performance Concrete. Journal of Northeastern University (Natural Science). 31 (12), 1790-1793 (2010).
  7. Zhao, Y., Chen, S., Liu, Z. Influence mechanism of high-frequency vibration on concrete antifreeze and application in construction of tunnels in cold regions. Industrial Construction. 44 (5), 101-105 (2014).
  8. Quan, L., Tian, B., Li, S., He, Z., He, K. Evolution characteristics of flexural fatigue performance of dense concrete consolidated with high frequency vibration applied in airport pavement. Journal of Traffic and Transportation Engineering. 20 (2), 34-45 (2020).
  9. Cai, Y., et al. Influence of coarse aggregate settlement induced by vibration on long-term chloride transport in concrete: a numerical study. Materials and Structures. 55 (9), 1-18 (2022).
  10. Cai, Y., Liu, Q. F., Yu, L., Meng, Z., Avija, B. An experimental and numerical investigation of coarse aggregate settlement in fresh concrete under vibration. Cement and Concrete Composites. 122 (7), 104153 (2021).
  11. Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), 631-654 (2022).
  12. Chen, C., Li, X., Qiu, Z., Yao, W., Zhu, H. Research Progress of Construction Robots. Journal of Architecture and Civil Engineering. 39 (4), 58-70 (2022).
  13. Shen, H., Zhang, W., Liu, J., Qiu, K. Development and Prospect of Construction Robots for High Rise Buildings. Construction Technology. 46 (8), 105-108 (2017).
  14. Dalal, N., Triggs, B. Histograms of Oriented Gradients for Human Detection. IEEE Computer Society Conference on Computer Vision & Pattern Recognition. , (2005).
  15. Zhou, W., et al. Gradient-based Feature Extraction From Raw Bayer Pattern Images. IEEE Transactions on Image Processing. (99), 1 (2021).
  16. He, B., et al. Railway Fastener Defects Detection under Various Illumination Conditions using Fuzzy C-Means Part Model. Transportation Research Record. 2675 (4), 271-280 (2021).
  17. Xu, X., Quan, C., Ren, F. Facial expression recognition based on Gabor Wavelet transform and Histogram of Oriented Gradients. IEEE International Conference on Mechatronics & Automation. , (2015).
  18. Cortes, C., Vapnik, V. N. Support Vector Networks. Machine Learning. 20 (3), 273-297 (1995).
  19. Burges, C. A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery. 2 (2), 121-167 (1998).
  20. Yang, C., et al. Identification of Pleurotus Ostreatus From Different Producing Areas Based on Mid-Infrared Spectroscopy and Machine Learning. Spectroscopy and Spectral Analysis. 43 (2), 577-582 (2023).
  21. Chaabane, S. B., et al. Face recognition based on statistical features and SVM classifier). Multimedia Tools and Applications. 81 (6), 8767-8784 (2022).
  22. Saleh, M. R., et al. Experiments with SVM to classify opinions in different domains. Expert Systems with Applications. 38 (12), 14799-14804 (2011).
  23. Zhang, Y., Liu, Y., Wang, J. Reliability Prediction of Coal Mine Water Disasters Emergency Rescue System Based on Improved SVM. Journal of Zhengzhou University (Engineering Science). 36 (3), 115-119 (2015).
  24. Cao, Y., Song, D., Hu, X., Sun, Y. Fault Diagnosis of Railway Point Machine Based on Improved Time-Domain Multiscale Dispersion Entropy and Support Vector Machine. Acta Electronica Sinica. 51 (1), 117-127 (2023).
  25. Li, Q., Yuze, C., Yu, B., Ning, C. Two-stage support vector machine method for failure mode classification of reinforced concrete columns. Engineering Mechanics. 39 (2), 148-158 (2022).
  26. Yang, Y., Zhang, W., Yu, H., Chai, W., Liu, D. Analysis on the relationships between ultrasonic parameters and the stress state in loaded concrete based on improved support vector machines). Journal of Vibration and Shock. 42 (2), 175-224 (2023).
  27. Yan, K., Shi, C. Prediction of elastic modulus of normal and high strength concrete by support vector machine. Construction & Building Materials. 24 (8), 1479-1485 (2010).
  28. Hussein, I. J., et al. Fully-automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG). Expert Systems. 39 (3), 12789 (2022).
  29. Chandrakala, M., Devi, P. D. Two-stage classifier for face recognition using HOG features. Materials Today: Proceedings. 47, 5771-5775 (2021).
  30. Long, C., Yichi, Z., Zhangkai, L., Dandan, D. Low-Light Image Enhancement Based on RAW Domain Image. Journal of Computer-Aided Design & Computer Graphics. 35 (2), 303-311 (2023).
  31. Wang, X., et al. Development and application of concrete vibrating robot system for high arch dam. Journal of Hydraulic Engineering. 53 (6), 631-654 (2022).

Yeniden Basımlar ve İzinler

Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi

Izin talebi

Daha Fazla Makale Keşfet

M hendislikSay 203

This article has been published

Video Coming Soon

JoVE Logo

Gizlilik

Kullanım Şartları

İlkeler

Bize Ulaşın

KÜTÜPHANEYE TAVSİYE ET

JoVE HABER BÜLTENLERİ

Araştırma

Eğitim

Yazarlar

Kütüphaneciler

JoVE Hakkında

Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır