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

Vi tackar Wuhan Urban Construction Group 2023 Annual Scientific Research Project (NO.7) för finansieringen av detta arbete.

1. Insamling av betongprovbilder
<ol><li>Transportera betong till arbetsplatsen, där den kommer att gjutas av pumpbilen.</li>
	<li>För att ta bilder, slå på fotograferingsutrustningen genom att flytta strömbrytaren åt höger och vrida den till ON-läget . Justera kamerans lägesratt till det gröna automatiska läget, se till att kameralinsen är parallell med betongytan och tryck på avtryckaren. Ta 20 bildprover av icke-vibrerad betong och spara dem i .jpg form...

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>

Detta dokument använder stödvektormaskinen (SVM) för att lära sig bildegenskaperna hos olika betongvibrationstillstånd. Baserat på maskininlärningsresultaten föreslås en konkret metod för igenkänning av vibrationstillstånd baserad på bildigenkänning. För att förbättra igenkänningsnoggrannheten är det viktigt att kontrollera parametrarna för de tre nyckelstegen: bildsegmentering, bildbinarisering och extraktion av egenvärde för riktningsgradient. Enligt testresultaten används en mindre binariserings...

Betong är ett grundläggande byggmaterial som används flitigt inom byggbranschen. Under pumpningen utvecklar betongen ofta hålrum som kräver komprimering genom vibrationer. Otillräckliga vibrationer kan resultera i en bikakeformad betongyta, medan överdriven vibration kan leda till betongsegregering 1,2. Kvaliteten på vibrationsdriften påverkar avsevärt hållfastheten 3,4,5,6 och hållbarheten hos de formade betongkonstruktionerna 7,8. Cai et al.9,10 genomförde en studie som kombinerade experimentell forskning med numerisk analys för att undersöka vibrationernas påverkansmekanism på ballastsättningar och betongens hållbarhet. Resultaten visade att vibrationstid och ballastpartiklar har en betydande inverkan på stenmaterialets sättning, medan ballastdensiteten och den plastiska viskositeten hos det cementbaserade materialet har minimala effekter. Vibrationer orsakar ballastavsättning i botten av betongproverna. Dessutom, när vibrationstiden ökar, minskar kloridjonkoncentrationen i botten av betongproverna samtidigt som den ökar avsevärt på deöversta 9,10.
För närvarande är bedömningen av betongens vibrationstillstånd huvudsakligen beroende av manuell bedömning. I takt med att byggbranschen fortsätter att utvecklas genom intelligenta reformer har robotdrift dykt upp som den framtida riktningen11,12. En avgörande utmaning inom intelligenta vibrationsoperationer är därför hur robotar ska kunna identifiera betongens vibrationstillstånd.
Histogrammet för den orienterade gradienten är en teknik som använder intensitetsgradienten för pixlar eller fördelningen av kantriktningar som en beskrivning för att karakterisera representationen och formen av objekt i bilder13,14. Detta tillvägagångssätt fungerar på bildens lokala rutnätsceller, vilket ger robust stabilitet när det gäller att karakterisera bildförändringar under olika geometriska och optiska förhållanden.
Zhou et al.15 föreslog en metod för att direkt extrahera riktningsgradientegenskaper från bilder i Bayer-läge. Den här metoden utelämnar flera steg i beräkningen av riktningsgradienten genom att matcha färgfilterkolumnen med gradientoperatorn, vilket avsevärt minskar beräkningskraven för bildigenkänning med riktningsgradient. Han et al.16 använde riktningsgradienthistogrammet som underliggande funktion och använde den genomsnittliga klustringsalgoritmen för att klassificera rälsfästen och avgöra om fästelementen är defekta. Igenkänningsresultaten indikerade att histogrammet för den orienterade gradientfunktionen uppvisade hög känslighet för fästelementdefekter, vilket uppfyller behoven av järnvägsunderhåll och reparation. I en annan studie förbehandlade Xu et al.17 ansiktsbildsfunktioner med hjälp av Gabor-wavelet-filtrering och reducerade dimensionen av egenskapsvektorer genom binär kodning och HOG-algoritmen. Metodens genomsnittliga igenkänningsnoggrannhet är 92,5 %.
Stödvektormaskinen (SVM)18 används för att avbilda vektorn till ett högdimensionellt rum och etablerar ett separerande hyperplan med en lämplig riktning för att maximera avståndet mellan två parallella hyperplan. Detta gör det möjligt att klassificera stödvektorer19. Forskare har förbättrat och optimerat denna klassificeringsteknik, vilket har lett till dess tillämpning inom olika områden som bildigenkänning20,21, textklassificering22, tillförlitlighetsförutsägelse23 och feldiagnos24.
Li et al.25 utvecklade en tvåstegs SVM-modell för igenkänning av seismiska brottmönster, med fokus på tre seismiska fellägen. Analysresultaten indikerar att den föreslagna tvåstegs SVM-metoden kan uppnå mer än 90% noggrannhet för de tre felmoderna. Yang et al.26 integrerade en optimeringsalgoritm med SVM för att simulera förhållandet mellan de fem ultraljudsparametrarna och spänningen hos den belastade betongen. Prestandan hos en ooptimerad SVM är otillfredsställande, särskilt i lågspänningsstadiet. Att bläddra i modellen som optimerats av algoritmen ger dock bättre resultat, om än med långa beräkningstider. Som jämförelse kan nämnas att den partikelsvärmoptimerade SVM-optimeringen avsevärt minskar beräkningstiden samtidigt som den ger optimala simuleringsresultat. Yan et al.27 använde SVM-teknik och introducerade en precisionsokänslig förlustfunktion för att förutsäga elasticitetsmodulen för höghållfast betong, och jämförde dess förutsägelsenoggrannhet med den traditionella regressionsmodellen och neurala nätverksmodellen. Forskningsresultaten visar att SVM-tekniken ger ett mindre prediktionsfel för elasticitetsmodul jämfört med andra metoder.
Denna uppsats samlar in bildprover av betong under olika vibrationstillstånd och beskriver betongens olika tillstånd med hjälp av riktningsgradienthistogramtekniken. Riktningsgradienten används som en egenskapsvektor för träning av SVM, och studien fokuserar på genomförbarheten av att använda riktningsgradienthistogram-SVM-tekniken för att identifiera betongens vibrationstillstånd. Dessutom analyserar artikeln påverkansmekanismen mellan tre nyckelparametrar - binariseringströskel, statistisk blockstorlek för riktningsgradient och statistiskt intervallnummer för riktningsgradient - i egenskapsextraktionsprocessen för riktningsgradienthistogrammet och igenkänningsnoggrannheten för 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

I den här artikeln används riktningsgradienthistogramtekniken för att extrahera egenskaperna hos konkreta bildprover tagna under olika vibrationstillstånd. Stödvektormaskinen (SVM) används för att lära sig förhållandet mellan bildegenskaper och vibrationstillstånd. Maskininlärningsresultaten används sedan för att bedöma genomförbarheten av betongvibrationstillståndet. Samtidigt analyseras påverkansmekanismen för beräkningsparametrarna för riktningsgradienthistogrammet på igenkänningsnoggrannheten. Resultaten visar att det är möjligt att använda riktningshistogram-SVM-tekniken för att identifiera betongens vibrationstillstånd. Igenkänningsnoggrannheten ökar initialt och minskar sedan när blockstorleken för riktningsgradienten eller antalet statistiska intervall ökar. Igenkänningsnoggrannheten minskar också linjärt med ökningen av tröskelvärdet för binarisering. Genom att använda exempelbilder med en upplösning på 1024 pixlar x 1024 pixlar och optimera parametrarna för extrahering av funktioner kan en igenkänningsnoggrannhet på 100 % uppnås.

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 

Bildigenkänning och parameteranalys av betongvibrationstillstånd baserat på stödvektormaskin

Detta protokoll syftar till att analysera hur beräkningsparametrarna med tre vektorer för riktningsgradientfunktionen påverkar noggrannheten hos SVM vid identifiering av betongens vibrationstillstånd. De primära beräkningsparametrarna för funktionsvektorn för riktningsgradient inkluderar den statistiska blockstorleken för riktningsgradient, antalet statistiska vinkelintervall för riktningsgradient och det binära gråa tröskelvärdet. I det här avsnittet används tre huvudsakliga beräkningsparametrar som var...

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

Protokollet som beskrivs i detta dokument använder riktningsgradienthistogramtekniken för att extrahera egenskaperna hos konkreta bildprover under olika vibrationstillstånd. Den använder en stödvektormaskin för maskininlärning, vilket resulterar i en bildigenkänningsmetod med minimala krav på träningsprov och låga krav på datorprestanda.

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

Protokollet som beskrivs i denna artikel använde riktningsgradienthistogramtekniken för att extrahera egenskaperna hos ett konkret bildprov under olika vibrationsceller. Den använder en stödvektormaskin för maskininlärning, vilket resulterar i en metod för bildigenkänning med minimala krav på tränade prover och låga krav på datorprestanda. Den här metoden minskar avsevärt antalet exempel som krävs och sänker kraven på datorprestanda.Med en bärbar dator motsvarande 2,3 gigahertz centralprocessorer slutför igenkänningsprocessen differentieringen av tågutrymmet för den vektormaskin som stöds på bara 50 sekunder. Bildsegmenteringen under storleken på 128 projekt och 128 projekt används. Antalet riktningsvektorer för statistisk vinkelinvers är satt till 12.I bildprocessen med 224 upplösningar uppnås den bästa igenkänningsförekomsten för maskininlärningsresultat.

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.

Concrete Sample Image Acquisition to Extract Concrete Characteristics

Förvärv av betongprovbilder för att extrahera betongegenskaper

Gray Binarization of Concrete Image Sample

Grå binarisering av konkret bildprov

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.