Name: Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Uploaded: 2024-01-05T13:50:00
Description: Watch this Scientific Journal Video about Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines at JoVE.com

Agradecemos al Proyecto Anual de Investigación Científica (NO.7) del Grupo de Construcción Urbana de Wuhan 2023 por financiar este trabajo.

1. Adquisición de imágenes de muestras concretas
<ol><li>Transportar el hormigón al lugar de trabajo, donde será vertido por el camión bomba.</li>
	<li>Para capturar imágenes, encienda el equipo de disparo moviendo el interruptor de la tecla de encendido hacia la derecha y girándolo a la posición ON . Ajuste la perilla de modo de la cámara al modo automático verde, asegurándose de que la lente de la cámara esté paralela a la superficie de concreto, y presione la te...

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>

Este artículo utiliza la máquina de vectores de soporte (SVM) para aprender las características de la imagen de varias muestras de estado de vibración del hormigón. Sobre la base de los resultados del aprendizaje automático, se propone un método concreto de reconocimiento del estado de vibración basado en el reconocimiento de imágenes. Para mejorar la precisión del reconocimiento, es crucial controlar los parámetros de los tres pasos clave: segmentación de imágenes, binarización de imágenes y extracción d...

El hormigón es un material de construcción fundamental muy utilizado en la industria de la construcción. Durante el bombeo, el hormigón con frecuencia desarrolla huecos que requieren compactación a través de la vibración. Una vibración inadecuada puede dar lugar a una superficie de hormigón en forma de panal, mientras que una vibración excesiva puede provocar la segregación del hormigón 1,2. La calidad de la operación de vibración afecta significativamente la resistencia 3,4,5,6 y la durabilidad de las estructuras de hormigón conformado 7,8. Cai et al.9,10 realizaron un estudio que combinó la investigación experimental con el análisis numérico para investigar el mecanismo de influencia de la vibración en el asentamiento de los áridos y la durabilidad del hormigón. Los hallazgos revelaron que el tiempo de vibración y las partículas agregadas ejercen un impacto sustancial en el asentamiento de agregados, mientras que la densidad agregada y la viscosidad plástica del material a base de cemento tienen efectos mínimos. La vibración provoca la deposición de agregados en la parte inferior de las muestras de hormigón. Además, a medida que aumenta el tiempo de vibración, la concentración de iones cloruro disminuye en la parte inferior de las probetas de hormigón, mientras que aumenta significativamente en la parte superior 9,10.
En la actualidad, la evaluación del estado de vibración del hormigón se basa principalmente en el juicio manual. A medida que la industria de la construcción continúa progresando a través de reformas inteligentes, las operaciones robóticas han surgido como la dirección futura11,12. En consecuencia, un desafío crucial en las operaciones de vibración inteligente es cómo permitir que los robots identifiquen el estado de vibración del hormigón.
El histograma del gradiente orientado es una técnica que utiliza el gradiente de intensidad de píxeles o la distribución de direcciones de borde como descriptor para caracterizar la representación y forma de los objetos en las imágenes 13,14. Este enfoque opera en las celdas de la cuadrícula local de la imagen, lo que proporciona una estabilidad sólida en la caracterización de los cambios de imagen en diversas condiciones geométricas y ópticas.
Zhou et al.15 propusieron un método para extraer directamente características de gradiente direccional de imágenes en modo Bayer. Este enfoque omite numerosos pasos en el cálculo del gradiente direccional al hacer coincidir la columna de filtro de color con el operador de gradiente, lo que reduce significativamente los requisitos computacionales para el reconocimiento de imágenes de gradiente direccional. He et al.16 utilizaron el histograma de gradiente direccional como característica subyacente y emplearon el algoritmo de agrupamiento de medias para clasificar los sujetadores de riel y determinar si los sujetadores están defectuosos. Los resultados del reconocimiento indicaron que el histograma de la característica de gradiente orientado exhibía una alta sensibilidad a los defectos de los sujetadores, satisfaciendo las necesidades de mantenimiento y reparación ferroviaria. En otro estudio, Xu et al.17 preprocesaron las características de las imágenes faciales utilizando el filtrado de ondículas de Gabor y redujeron la dimensión de los vectores de características a través de la codificación binaria y el algoritmo HOG. La precisión media de reconocimiento del método es del 92,5%.
La máquina de vectores de soporte (SVM)18 se utiliza para mapear el vector en un espacio de alta dimensión y establece un hiperplano de separación con una dirección adecuada para maximizar la distancia entre dos hiperplanos paralelos. Esto permite clasificar los vectores de soporte19. Los estudiosos han mejorado y optimizado esta tecnología de clasificación, lo que ha llevado a su aplicación en diversos campos, como el reconocimiento de imágenes20,21, la clasificación de texto22, la predicción de fiabilidad23 y el diagnóstico de fallos24.
Li et al.25 desarrollaron un modelo SVM de dos etapas para el reconocimiento de patrones de fallas sísmicas, centrándose en tres modos de fallas sísmicas. Los resultados del análisis indican que el método SVM de dos etapas propuesto puede lograr una precisión superior al 90% para los tres modos de fallo. Yang et al.26 integraron un algoritmo de optimización con el SVM para simular la relación entre los cinco parámetros ultrasónicos y la tensión del hormigón cargado. El rendimiento de una SVM no optimizada no es satisfactorio, especialmente en la etapa de bajo estrés. Sin embargo, recorrer el modelo optimizado por el algoritmo produce resultados mejorados, aunque con largos tiempos de cálculo. En comparación, la SVM optimizada para la optimización del enjambre de partículas reduce significativamente el tiempo de cálculo al tiempo que ofrece resultados de simulación óptimos. Yan et al.27 emplearon la tecnología SVM e introdujeron una función de pérdida insensible a la precisión para predecir el módulo elástico del hormigón de alta resistencia, comparando su precisión de predicción con el modelo de regresión tradicional y el modelo de red neuronal. Los resultados de la investigación demuestran que la tecnología SVM produce un error de predicción menor para el módulo elástico en comparación con otros métodos.
Este artículo recoge muestras de imágenes de hormigón bajo varios estados de vibración y describe los diferentes estados del hormigón utilizando la técnica de histograma de gradiente direccional. El gradiente direccional se emplea como un vector de características para entrenar el SVM, y el estudio se centra en la viabilidad de utilizar la tecnología de histograma de gradiente direccional-SVM para identificar el estado de vibración del hormigón. Además, el artículo analiza el mecanismo de influencia entre tres parámetros clave (umbral de binarización, tamaño de bloque estadístico de gradiente direccional y número de intervalo estadístico de gradiente direccional) en el proceso de extracción de características del histograma de gradiente direccional y la precisión de reconocimiento de la 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

En este artículo, se emplea la tecnología de histograma de gradiente direccional para extraer las características de muestras de imágenes concretas capturadas bajo diferentes estados de vibración. La máquina de vectores de soporte (SVM) se utiliza para aprender la relación entre las características de la imagen y el estado de vibración. Los resultados del aprendizaje automático se utilizan posteriormente para evaluar la viabilidad del estado de vibración del hormigón. Simultáneamente, se analiza el mecanismo de influencia de los parámetros de cálculo del histograma de gradiente direccional en la precisión del reconocimiento. Los resultados demuestran la viabilidad de utilizar la tecnología de histograma de gradiente direccional-SVM para identificar el estado de vibración del hormigón. La precisión del reconocimiento aumenta inicialmente y luego disminuye a medida que aumenta el tamaño del bloque del gradiente direccional o el número de intervalos estadísticos. La precisión del reconocimiento también disminuye linealmente con el aumento del umbral de binarización. Mediante el uso de imágenes de muestra con una resolución de 1024 píxeles x 1024 píxeles y la optimización de los parámetros de extracción de características, se puede lograr una precisión de reconocimiento del 100%.

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 

Reconocimiento de imágenes y análisis de parámetros del estado de vibración del hormigón basado en la máquina de vectores de soporte

Este protocolo tiene como objetivo analizar cómo los parámetros de cálculo de tres vectores de la característica de gradiente direccional afectan la precisión de la SVM en la identificación del estado de vibración del hormigón. Los parámetros de cálculo principales del vector de entidades de gradiente direccional incluyen el tamaño del bloque estadístico de gradiente direccional, el número de intervalos de ángulo estadístico de gradiente direccional y el umbral de gris binario. En esta sección se utilizan...

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

El protocolo descrito en este artículo utiliza la técnica de histograma de gradiente direccional para extraer las características de muestras de imágenes concretas bajo varios estados de vibración. Emplea una máquina de vectores de soporte para el aprendizaje automático, lo que da como resultado un método de reconocimiento de imágenes con requisitos mínimos de muestra de entrenamiento y bajas demandas de rendimiento informático.

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

El protocolo descrito en este artículo utilizó la técnica de histograma de gradiente direccional para extraer las características de una muestra de imagen concreta bajo varias celdas de vibración. Emplea una máquina de vectores de soporte para el aprendizaje automático, lo que da como resultado un método de reconocimiento de imágenes con requisitos mínimos de muestras entrenadas y bajas demandas de rendimiento de la computadora. Este enfoque reduce significativamente el número de muestras necesarias y reduce los requisitos de rendimiento del equipo.Con un equivalente a un portátil con unidades centrales de procesamiento de 2,3 gigahercios, el proceso de reconocimiento completa la diferenciación del espacio de tren de la máquina vectorial compatible en solo 50 segundos. Se utiliza la segmentación de imágenes por debajo del tamaño de 128 proyectos y 128 proyectos. El número de vectores direccionales para el ángulo estadístico inverso se establece en 12.En el proceso de imagen de resolución 224, se logra la mejor ocurrencia de reconocimiento para el resultado de aprendizaje automático.

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

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.

Investigación

Ingeniería

Concrete Sample Image Acquisition to Extract Concrete Characteristics

Adquisición de imágenes de muestras de hormigón para extraer características concretas

Gray Binarization of Concrete Image Sample

Binarización gris de la muestra de imagen 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.