一个新颖的方法自动检测混凝土表面空洞使用图像纹理分析和基于历史自适应差分进化优化的支持向量机

文摘

检查混凝土结构的质量,表面空洞或凹痕现有后混凝土表面铸造过程需要检测。提高生产力的检验工作,本研究开发一种混合智能方法,结合图像纹理分析,机器学习,metaheuristic优化。对图像纹理计算采用伽柏过滤和灰度运行长度来描述混凝土表面的条件。基于图像纹理的特点,支持向量机(SVM)建立一个决策边界分离收集图像样本分为两类表面没有孔隙(负类)和表面空隙(积极类)。此外,协助SVM模型训练阶段,最先进的基于历史微分进化自适应线性减少人口规模(L-SHADE)是利用。混合智能方法,命名为L-SHADE-SVM-SVD,开发并履行在Visual c#。净框架。与1000年实验图像样本表明,L-SHADE-SVM-SVD可以获得约93%的预测精度高。因此,新开发的模型可以是一个有前途的替代建筑检查员在混凝土质量评估。

1。研究背景

建筑业普遍被认为是一个高度竞争的环境中产品质量是一个承包商的生存的关键因素(1]。除了项目成本和进度、质量是决定客户满意度的一个关键因素2]。通常,对于高层混凝土建筑,建筑师和项目业主严格规范对混凝土表面的状况。这些需求通常涉及交付高质量的混凝土表面用最小的表面孔隙或凹痕3]。因为过度的凹痕的现象是最严重的之一,广泛遇到的缺陷在混凝土表面形成(4),通常是一个主题项目所有者之间的纠纷,建筑师和建筑承包商3]。

表面孔隙(见图1)一般是指小坑,坑后的混凝土表面观察到的过程模板删除(5]。这些缺陷是由移民带来的裹入气泡的新鲜混凝土和模板之间的接口(6]。通常这些空洞的直径范围从几毫米到15毫米,甚至在某些情况下(25毫米4]。更多细节上的因素导致过度出现凹痕,引导读者ACI编制的技术论文(4]。此外,凹痕通常是分布式分散在混凝土表面7]。

高密度的表面空洞会导致一些有害影响混凝土结构的性能:(我)凹痕明显降低混凝土结构的美学(2)这些孔隙减少混凝土结构的防护深度,使里面的增援他们更容易受到腐蚀6](3)结构改造的纤维增强塑料(FRP)材料,过度的孔隙减少粘附性能的玻璃钢材料应用于结构表面(8](iv)近期作品指出,盐堆积在表面空洞会导致钢筋混凝土结构过早退化[6,9](v)凹痕的存在会增加绘画和整理活动的成本和时间,因为必须执行额外的修正实现平混凝土表面(5]

因此,项目业主和建筑师要求表面孔隙的数量在混凝土表面应限于保证混凝土结构的审美外观和耐久性。目前,在越南,以及许多其他国家,检验工作不加涂层的混凝土表面是人类技术人员手动执行的。这些程序严重依赖于领域知识和经验的人员有限制援助智能工具(4,10- - - - - -12]。因此,当前的结构状态评估过程是出了名的费时,费力,和昂贵的7,13- - - - - -18]。这是由于大量的面积需要检查,标签,和报道。此外,佩雷斯指出的et al。19),手动过程也给人类带来安全威胁检查员因为某些混凝土表面不能轻松,尤其是对那些位于高/屋顶水平和狭小的空间。当前实践也出现不可避免的矛盾在检查结果。原因在于评估过程是人类依赖主观判断的技术人员2,3]。

因此,项目所有者正越来越多地寻求快速、有效和一致的工具更好的结构状态评估(19- - - - - -24]。评估的结果还可以提高各利益相关者之间的沟通关于建筑的状况。图像处理和机器学习的快节奏的改进提供可行的方法来实现这些目标。数字图像处理和机器智能能够自动化混凝土表面状况的评估,特别是检测表面孔隙的任务。

因此,近年来,各种先进的方法依赖于这两个提到的技术提出了解决这一问题的兴趣。朱和Brilakis25)提出了一种图像处理方法采用图像分割和合并/分裂像素检测混凝土表面气泡。桑托斯和胡里奥26)提出了一个依赖于数字图像处理的方法和激光扫描技术分析衬底表面的粗糙度。Fekri-Ershad和Tajeripour27)提出了一个健壮的方法基于一维局部二进制模式识别表面缺陷。达席尔瓦和Štemberk28)也采用图像处理(即。,我米age binarization and morphological analyses) and fuzzy logic to inspect the surface quality of self-consolidating concrete for precast members with a focus on the presence of bugholes. Tajeripour and Fekri-Ershad [29日)提出了新颖的一维局部二进制模式用于识别异常石头纹理。

Kwasny et al。30.]研究了流变性的影响水泥基砂浆表面光洁度的质量;表面孔隙现有混凝土然后通过数字图像处理分析和量化。Sadowski和Mathia31日)指出的需要一个更有用的方法描述异构混凝土表面的性质;作者还回顾了各种图像分析工具,包括图像滤波和变换。小波变换和高斯图像滤波的有效性在检测表面缺陷研究了Goic et al。32]。刘、杨(33)提取混凝土表面的凹痕的特征通过利用大津图像二值化方法。纹理的分类模型,其中包括灰度行程长度矩阵和健壮的照明标准化技术构造了短跑和Senapati [34]。汗等。35)依赖于探地雷达探测水腔内的混凝土预制板。

Yoshitake et al。36)依赖于二进制图像和彩色图像分析检测胎侧凹痕分布在和隧道衬砌混凝土。佩雷斯et al。19)利用最先进的深卷积神经网络(DCNN)检测和分类建筑表面缺陷。小说实例级识别和量化为混凝土表面bughole基于深层神经网络最近由魏et al。18];这项研究展示了机器学习的能力准确识别混凝土孔隙表面。然而,深度学习的实现模型通常需要大量的训练样本和一个有能力的计算能力。

可以看到在当前文学,之前的工作主要依靠图像阈值的方法检测混凝土表面的空洞。这些方法需要大量的微调以适应变量混凝土表面的非均质特性(31日]。由于混凝土表面背景的复杂性和不同照明条件下,图像的阈值方法的准确性和适用性通常是有限的。因此,图像处理技术应结合先进的机器学习方法来处理这些问题。混合图像处理和机器学习工具已经证明了他们出色的表演在检测混凝土表面在先前的研究15,37- - - - - -39]。然而,太少的研究致力于研究混合图像处理机学习模型对混凝土表面空隙检测的问题。因此,目前的工作是为了填补这一差距在当前文学。

在这项研究中,对图像处理技术包括伽柏过滤和灰度运行长度是用来计算图像纹理的混凝土表面,没有空隙。纹理信息,然后采用支持向量机(SVM)来区分这两个组的混凝土表面。此外,由于基于svm的训练阶段bughole hyperparameters的检测模型需要一个适当的设置包括惩罚系数和核函数参数,基于历史的自适应差分进化与线性减少人口规模(L-SHADE) [40,41)是用于优化模型训练阶段。这是因为这两个hyperparameters强烈影响学习和支持向量机模型的预测性能。如果惩罚系数和核函数参数的不适当的决定,基于svm表面空隙检测模型不能提供所需的由于过度拟合或underfitting现象(42,43]。

研究组织的后续部分按照以下顺序:第二部分回顾了研究方法,包括采用图像处理和计算工具,其次是收集图像样本的第三部分;第四部分介绍了提出的混合模型用于自动检测混凝土表面的空洞。第五部分报告实验结果和结论本研究乃在最后的部分。

2。采用图像处理和计算智能方法

由于混凝土结构表面包含一个不同形式的结构(例如,完整的表面,裂纹,凹痕,和污渍),纹理信息的图像区域需要支持表面空隙检测过程分析。因此,一个大的图像分成许多独立图像通过20×20像素的样本图像裁剪操作。随后,从这些样本中提取数值特性来构建基于机器学习表面空隙识别模型。在这项研究中,伽柏过滤器和灰度行程长度的方法用于特征提取。一个新颖的方法结合支持向量机和L-SHADE是用于数据分类。

2.1。伽柏过滤器(GF)

伽柏过滤器已被广泛用于纹理分割和特征提取44,45]。由于最优关节的功能定位在空间和局部域,伽柏滤波是一种有效的方法来识别异常区域常规纹理的表面(46]。各种成功的实现这种纹理歧视方法已报告在文献[45- - - - - -50]。基本上,一个二维的女朋友是一个复杂的正弦波调制高斯包络(51]。这个过滤器进行本地化和面向二维信号的频率分析。数学上,女朋友的反应可以由以下方程[52]: 在哪里u₀表示频率的正弦平面波x设在。σ_x和σ_y表示常量的高斯包络的空间x- - -y分别设在。

值得注意的是,伽柏过滤器通过严格的与可以获得不同的方向旋转x- - - - - -y坐标系统(46]。伽柏函数的傅里叶变换描述方程(1)可以表示如下52]: 在哪里 , ,和 。指出,这伽柏的傅里叶变换函数决定了原始图像的每个频率分量的数量改变的GF (50]。

值得注意的是,构建伽柏过滤器用于结构计算、调优参数包括取向角度和径向频率必须被指定。建议在前面工作Jain和Farrokhnia [52),0°、45°、90°、135°方向都可以使用。此外,鉴于一个图像的宽度像素,是2的幂,常用的径向频率u₀如下: 。基于GF的反应操作,可以计算统计测量和就业歧视作为纹理的特征53]。

2.2。灰度运行长度

在这项研究中,混凝土表面空洞的任务是制定作为图像纹理的歧视。因此,信息的一组连接图像像素与他们独特的模式需要进行分析。由于混凝土表面的复杂性质,自动纹理歧视绝不是一件容易的事。应对这样的挑战,可以使用统计纹理分析模型。在统计模型中,灰度运行长度(GLRL) [54)是非常有效的提取图像的信息样本大小的基础上为每个灰度均匀运行(34]。

首次提出了GLRL洛韦(54从地形图像)蒸馏区别的特征。这种方法,应用和改进了不同学者对纹理分类和其他任务在计算机视觉34,55]。这个纹理计算方法依赖于图像纹理可以被视为一个灰色像素强度模式在一个特定的方向从一个参考点34]。基于二阶统计信息的分析,GLRL计算数量的相邻像素灰度运行这一组线性相似的灰色的强度。

鉴于图像样本和一个特定的方向,一个运行周期矩阵p(我,j)存储信息的次数示例包含一个运行长度j灰色的水平我(54]。基于p(我,j与不同方向(例如)。 ),可以获得各种各样的纹理信息(56]。

基于构建的运行周期矩阵,短期重点(行为),长期重点(LRE),灰度不均匀性(GLN)、扫描宽度不均匀性(RLN),并运行百分比(RP)按照下列方程计算(54,57,58]: 在哪里米和N是灰色的数量水平和最大运行长度。N_r运行的总数,N_p表示图像中像素的数量。

此外,楚et al。55]扩展原始GLRL的测量指标的低灰度强调的重点(LGRE)和高灰度跑(HGRE):

此外,短期的低灰度强调(SRLGE),短期内的高灰度强调(SRHGE),长期的低灰度强调(LRLGE),和长期的高灰度Dasarathy提出的重点(LRHGE)和支架(59]:

2.3。基于历史的自适应差分进化与线性减少人口规模

差分进化(DE) (60,61年]毫无疑问是一个强大的随机搜索求解数值优化。这个随机搜索引擎依赖于小说集成mutation-crossover操作探索和利用搜索空间。在过去的十年中,标准的各种增强德提出了改善其搜索性能(62年- - - - - -65年]。

在这些增强的变异,基于历史微分进化自适应线性减少人口规模(L-SHADE) [40,41]脱颖而出成为一个成功的版本与竞争的结果报道在各比较研究[66年- - - - - -69年]。因此,这种改进版本的选择在本研究优化提供基于机器学习和图像处理的性能混凝土空隙检测模型。

L-SHADE算法,提出的田边和巨大41),提高了原始DE算法通过几个方面。首先,变异范围(F)和交叉概率(CR)调整自适应优化过程中,而不是固定的。第二,一个有效的突变策略称为DE / current-to-pbest / 1实现更好地探索搜索空间。第三,人口规模缩减策略是用来提高收敛速度和减少计算费用。

的操作流L-SHADE算法简洁地呈现在图2。自L-SHADE继承标准德的主要特征,其搜索过程可以分为四个步骤的种群初始化、变异、交叉和选择。在第一步中,基于指定的搜索域(上限与下限),决策变量的数量(N_DV),一个初始的成员(N_米),人口N_米向量是随机创建并将均匀分布在整个搜索空间。在第二步中,生成新的候选解称为变异向量通过DE / current-to-pbest / 1策略。德/ current-to-pbest / 1策略用于生成新的候选解决方案是由(40]

在第三步中,交叉操作的信息结合使用新创建的候选人及其母公司按照下列方式(60]:

在最后一步中,一个贪婪的选择比较候选解决方案的适应性及其父母进行。有人指出L-SHADE雇佣了MF档案和MCR固定长度的向量H;这两个档案存储的值的突变规模和交叉概率。此外,两组科幻和可控硅存储所有CR和F值,帮助孩子解决方案比父母屈服。每一代后,通过移除当前人口规模减少劣质的解决方案(41]。

2.4。支持向量机

支持向量机(SVM),统计学习理论的基础上,构建一个健壮的方法建立模式分类模型。引入Vapnik [70年),支持向量机已经得到普及的研究社区通过各种工作报告他们的成功实现71年- - - - - -73年]。因为这个机器学习方法特性显著的优势包括弹性嘈杂的数据通过一个框架的最大优势建设和能力处理非线性可分的数据通过内核技巧。此外,SVM的学习阶段是螺栓求解一个凸优化问题;这保证了全局收敛性和避免被困在当地的最适条件74年]。

支持向量机的概念用于混凝土表面空隙检测显示在图3。模型处理非线性可分的数据通过将数据从原始输入空间映射到一个高维特征空间;在这样的高维特征空间,线性可分性可以变得可行。

给定一个训练数据集用一个数值特征 和相应的类类别 SVM模型建立一个分类边界区分数据从一个积极类+ 1(表面空隙)和负类−1 (nonsurface void)。它是指出一个数值特性x_k实际上是纹理信息从图像中提取样本使用过滤器和GLRL伽柏。建立这样的分类边界,应解决以下非线性规划问题(43]: 在哪里 分类超平面的法向量, 代表了模型偏差; 松弛变量;c代表一个点球常数;和表示的非线性数据映射用于处理非线性可分的数据。

它指出,支持向量机不需要数据映射函数的显式表达式 。感兴趣的产品的数量输入空间中被定义为一个核函数:

径向基函数内核(RBFK)是经常使用,它是显示如下: 在哪里代表一个RBFK的调优参数。

求解上述非线性规划后,SVM模型用于数据分类可以简洁地提出了以下方程: 在哪里表示解决上述非线性规划的对偶形式。SV表示支持向量的个数(的数量 )。

3所示。混凝土表面的图像样本

构建支持向量机的机器学习模型用于混凝土表面空隙识别,图像样本集捕捉混凝土结构的纹理必须做好准备。这张图片设置包括样品含有具体的凹痕和样品没有这样的缺陷。因此,一套1000与分配地面实况图像样本类别手动收集通过实地考察一些建筑工地在岘港市(越南)。保证平衡的数据集,消极的数字(没有表面空洞)和积极的(表面空洞)样品都是500。图像样本的类别是由人类的检查员。,标签= 1意味着消极类和标签= 1表示一个积极类。它指出,在这项研究中收集到的图像被使用佳能EOS M10 (CMOS 18.0 MP)和尼康(CMOS 16.2像素)。提高的速度结构计算阶段,以确保一致性的图像区域,图像大小已经将20 x20的像素。图像样本见图4。此外,为了更好地应对混凝土表面的多样性,nonsurface空白的负面类故意包括良好的混凝土表面的样本,裂缝和污点。

4所示。提出杂交的图像处理、机器学习、Metaheuristic检测混凝土表面的空洞

拟议的杂交图像处理、机器学习和metaheuristic优化用于检测混凝土表面空洞的提出了部分研究。集成模型和L-SHADE-SVM-SVD表示。整体模型结构图形总结在图5。L-SHADE-SVM-SVD模型在Visual c#开发的。NET environment (Framework 4.6.2) and run in ASUS FX705GE—EW165T (Core i7 8750H, 8 GB Ram, 256 GB solid-state drive).

L-SHADE-SVM-SVD操作可分为三个步骤:(我)图像纹理计算:混凝土表面获得的步骤计算纹理信息存储在图像样本训练和测试的子集。第一个子集包括收集样本的90%,用于模型建设。第二组占10%的样本收集和保留验证模型的预测能力。图像纹理包括伽柏过滤器和GLRL和作为数值计算功能。(2)的L-SHADE metaheuristic优化:如前所述,模型训练和支持向量机的模式分类阶段需要适当的惩罚系数值(c)和核函数参数(σ)。前hyperparameter规定了损失函数的支持向量机增加由于分类错误的数据点。后者hyperparameter影响决策边界的平滑。因此,这些hyperparameters强烈影响学习和基于svm bughole检测模型的预测性能。惩罚系数的选择(c)和核函数参数(σ)可以制定一个优化的任务在metaheuristic算法可以使用。基于前面的比较工作(41,67年,68年,75年),本研究采用L-SHADE metaheuristic算法SVR模型进行优化。这个德变种首先生成一个初始种群的hyperparameters以随机的方式。在每一代中,优化算法探索和利用搜索空间逐步引导人口一个更好的解决方案表示支持向量机模型具有良好的预测能力。(3)基于SVM模式分类:基于模型的优化解hyperparameters, SVM模型是用来构造一个决定表面能够区分的混凝土表面,没有孔洞。值得注意的是,通过内置函数构造SVM模型支持的协议。净框架(76年]。

它也指出,优化SVM模型性能,K(倍交叉验证K= 5)使用。使用这种交叉验证,整个数据集分为5个相互排斥的子集。在每一个五分,一个子集用于模型测试和其它子集用于模型的训练。平均预测性能是用来量化模型的泛化能力。因此,以下L-SHADE-SVM-SVD所使用的成本函数是: 在FNR_k和玻璃钢_k表示假阴性率(FNR)和假阳性率(玻璃钢)获得k分别th运行。

FNR和玻璃钢指数计算如下: FN, FP、TP、TN是假阴性、假阳性,真正积极的,和真正的负面数据样本,分别。

此外,它是指出,计算伽柏过滤器,需要将原始图像转化为灰度的。基于Jain和Farrokhnia的建议52),四个方向的值(0°、45°、90°和135°)和四个径向值频率( )曾计算伽柏过滤功能。在这项研究中,伽柏过滤器实现的协助下内置函数提供的协议。净框架(76年]。基于过滤后的图像,以下描述图像纹理统计指标可以测量:(我)伽柏的均值滤波器响应: 在哪里H_即时通讯和W_即时通讯一个图像的宽度和高度是样本,分别。肾小球滤过率(GFR) (我,j)表示伽柏滤波器响应在一个像素(我,j)。(2)伽柏滤波器响应的标准差: (3)伽柏的偏态滤波器响应(77年]: (iv)伽柏过滤器的熵的回应: ,呸_过滤器代表了一阶伽柏滤波器响应的柱状图。此外,NDV = 256表示离散灰色的数量为一个8位灰度图像强度值。

因为16伽柏过滤器是用于计算图像纹理和每个过滤器有四个统计指标(均值、标准差、偏态和熵),伽柏过滤特性的数量是64。此外,由于有四个方向( )用于GLRL矩阵构造和每个GLRL矩阵有11特性,GLRL特性是44的数量57]。因此,总数的特性用于支持向量机的模式分类是64 + 44 = 108。

此外,为了便于数据分类支持向量机的基础上,建立数据集规范化了的z分数方程 在哪里X_o和X_锌分别代表了原始和标准化的输入特性。米_X和年代_X的平均值和标准偏差表示原始输入特性,分别。

5。实验结果和比较

如前所述,训练和验证混合模型用于混凝土表面空隙检测,收集到的数据集被分成两个包的训练和测试数据集。训练数据集(90%的原始数据集)是用于模型建设和测试数据集是用于评估模型的性能预测小说形象样本。此外,减少随机性效应的数据采样和可靠地评估新开发方法的预测能力,培训/测试数据采样已经完成20次。在每次运行时,10%的原始数据集随机抽出形式测试数据集;其余的原始数据集用于模型建设。模型运行的数据集用于时间见表1。,样品索引的列表示数据样本的数量用于训练和测试数据集。

此外,量化的预测能力提出L-SHADE-SVM-SVD,分类准确率(汽车),精度,还记得,阴性预测值(NPV),和F1的分数计算的四个基本结果TP、TN、FP和FN。这些性能指标提出了如下78年]:

L-SHADE 30的初始人口规模和数量最多的一代又一代的100年是用来搜索寻找最合适的支持向量机模型的hyperparameters。的搜索进展L-SHADE metaheuristic图形呈现在图6。优化过程产生的惩罚参数(c)= 3.712和核函数参数(σ)= 6.031。此外,统计结果L-SHADE-SVM-SVD(平均值和标准偏差)使用的hyperparameters发现L-SHADE metaheuristic报道在表2。汽车的平均价值,精度,还记得,NPV,和F1的分数是92.600%,0.911,0.942,0.940,和0.926,分别。此外,该方法的平均运行时大约是13.30秒。自100年有数据样本的测试集,计算时间用于分类测试数据样本是大约0.13秒。

此外,展示新开发的预测能力L-SHADE-SVM-SVD用于混凝土表面空隙识别模型,该模型性能比较深的卷积神经网络(DCNN)模型(79年- - - - - -81年)与随机梯度下降势头(个)82年),自适应时刻估计(亚当)[83年),和均方根传播(Rmsprop) [84年]。三个DCNN DCNN-Sgdm模型表示,DCNN-Adam, DCNN-Rmsprop并通过MATLAB实现深度学习工具箱(85年]。通过一个试错的过程,适当配置DCCN模型的选择和表所示3。

此外,minibatch反向传播神经网络(MB-BPNN) [86年,87年)也使用作为基准的方法。MB-BPNN模型已经在Visual c#开发。NET by the authors and trained with the minibatch mode [87年,88年];选择批量大小是32。和隐层神经元的数量设置 ,所建议的希顿(89年];D_X和C_N分别表示的数量特征和输出。MB-BPNN模型,训练有素的s形的激活函数时代= 1000时代的最大数量和学习速率= 0.01。

的预测结果提出L-SHADE-SVM-SVD模型,以及基准模型,总结在表4,并以图形的方式提出了箱形图,如图7。从预测结果可以看出,L-SHADE-SVM-SVD的性能(召回汽车= 92.600%,精度= 0.911,= 0.942,净现值= 0.940,和F1分数= 0.926)比的DCNN-Rmsprop(召回汽车= 88.350%,精度= 0.929,= 0.834,净现值= 0.852,andF1score = 0.877), DCNN-Adam(召回汽车= 86.900%,精度= 0.893,= 0.844,净现值= 0.856,和F1分数= 0.865),DCNN-Sgdm(召回汽车= 86.800%,精度= 0.909,= 0.818,净现值= 0.839,和F1分数= 0.859),和MB-BPNN(召回汽车= 85.700%,精度= 0.818,= 0.890,净现值= 0.896,和F1分数= 0.839)。

此外,两个示例t以及(90年)是利用在这项研究中更好地确认统计显著性模型的预测能力。这个统计测试通常是用来检查零假设,两个机器学习模型的模型预测性能可能来自正态分布以同样的手段。在此,显著水平(测试的值)将是0.05,和的结果t以及被发表在表5。从这个表中,可以观察到值< 0.05可靠地拒绝零假设。这个事实证明了提出L-SHADE-SVM-SVD最适合检测混凝土表面凹痕的任务。

6。结论

检测混凝土表面的元素模筑混凝土检查质量是至关重要的。提高生产力和消除混凝土质量检验工作的主观判断,本研究提出了一种智能方法与先进的图像处理、机器学习、metaheuristic方法。图像纹理的输入功能,描述混凝土表面的状态。伽柏过滤和GLRL-based纹理信息计算和采用SVM构造决定边界,将输入分成两类没有表面空隙(负类)和表面空隙(积极类)。

此外,优化SVM模型训练阶段,L-SHADE metaheuristic使用。这metaheuristic算法自动寻找最合适的支持向量机模型的hyperparameters包括惩罚系数和核函数参数。集成模型,命名为L-SHADE-SVM-SVD一直在开发和编译Visual c#。净框架,以缓解其实现。实验结果用1000图像样本和一个重复的数据采样20运行表明,新开发的L-SHADE-SVM-SVD能够达到良好的预测性能(召回汽车= 92.600%,精度= 0.911,= 0.942,净现值= 0.940,和F1分数= 0.926)。因此,L-SHADE-SVM-SVD可以是一个有用的工具来帮助施工人员在评估混凝土表面质量。

然而,由于当前L-SHADE-SVM-SVD模型旨在识别的状态没有表面孔隙和表面空隙,本地化的任务表面空洞混凝土表面图像可以在以后进行研究。此外,其他未来的发展方向目前的工作可能包括收集到的图像数据集的扩展来增强开发了机器学习模型的推广,调查其他先进metaheuristic算法来提高表面空隙检测性能,和就业等其他性能度量模型的运行时(91年]。

数据可用性

图像数据集和L-SHADE-SVM-SVD编译程序用于支持这项研究的结果已经存入github库(https://github.com/NhatDucHoang/L-SHADE-SVM-SVD)。

的利益冲突

作者证实不存在利益冲突。

确认

这项研究被Duy谭大学财务支持。

引用

1. d . w .哈尔平和b . a .高级施工管理美国新泽西州霍博肯市威利,第四版,2010年版。
2. c . Laofor和诉Peansupap缺陷检测和量化系统来支持主观视觉质量检验通过数字图像处理:瓷砖工作案例研究中,“自动化建设,24卷,第174 - 160页,2012年。视图:出版商的网站|谷歌学术搜索
3. g·勒·g·Escadeillas,大肠Ringot”评估混凝土表面使用一个图像分析过程中,“建筑和建筑材料,19卷,不。8,604 - 611年,2005页。视图:出版商的网站|谷歌学术搜索
4. ACI公司,识别和控制可见美国具体的整合对混凝土表面形成的影响美国佛罗里达州那不勒斯,ACI 2003,https://wwwconcreteorg/publications/internationalconcreteabstractsportal/m/details/id/5145。
5. t Ozkul和i Kucuk测量仪的设计和优化bughole评级的混凝土表面,”富兰克林研究所杂志》上,卷348,不。7,1377 - 1392年,2011页。视图:出版商的网站|谷歌学术搜索
6. t . b . Liu Yang, y .谢”影响因素在混凝土表面凹痕分析了图像处理技术,”建筑和建筑材料卷,153年,第907 - 897页,2017年。视图:出版商的网站|谷歌学术搜索
7. 杨g .姚明,f, y, y的太阳,“Deep-learning-based bughole检测混凝土表面图像,”土木工程的发展卷,2019篇文章ID 8582963, 12页,2019。视图:出版商的网站|谷歌学术搜索
8. a . s . Kalayci b Yalim, a . Mirmiran”效应的未经处理的表面disbonds FRP-retrofitted混凝土梁的性能,”复合材料学报建设,13卷,不。6,476 - 485年,2009页。视图:出版商的网站|谷歌学术搜索
9. f·贝尼托·Saorin i Minano Belmonte, c . Parra科斯塔c·罗德里格斯洛佩兹和m . Valcuende Paya”QSI方法确定混凝土的表面光洁度的质量,”可持续性,10卷,不。4 p。931年,2018年。视图:出版商的网站|谷歌学术搜索
10. ACI公司,ACI手册具体检验ACI委员会311年,sp 2 (07)美国混凝土协会,底特律,MI,美国,2007年。
11. 联会,报告n . 24:公差在瑕疵的混凝土混凝土国际Board-Comission W29联会,开罗,埃及,1973年,https://wwwirbnetde/daten/iconda/06059000983pdf。
12. m . s .汤普森,在混凝土表面混凝土气孔,”1970年,https://wwwconcreteconstructionnet/products/decorative-concrete-surfaces/blowholes-in-concrete-surfaces_o。视图:谷歌学术搜索
13. 朱m高,x, s, p .关,“检测和分割的水泥混凝土路面坑基于图像处理技术,”数学问题在工程ID 1360832条,卷。2020年,13页,2020。视图:出版商的网站|谷歌学术搜索
14. N.-D。黄平君”,提供基于图像处理识别墙使用机器学习方法的缺陷,并可操纵的过滤器,”计算智能和神经科学卷,2018篇文章ID 7913952, 18页,2018年。视图:出版商的网站|谷歌学术搜索
15. e . h . Kim安,m . Shin工程学系。Sim卡”,从混凝土表面裂缝和noncrack分类图像,采用机器学习”结构健康监测,18卷,不。3、725 - 738年,2018页。视图:出版商的网站|谷歌学术搜索
16. 李和x赵”,基于图像的混凝土裂缝检测利用卷积神经网络和详尽的搜索技术,”土木工程的发展卷,2019篇文章ID 6520620, 12页,2019。视图:出版商的网站|谷歌学术搜索
17. t .庆国,l . Qijun b .通用电气,y,“混凝土表面裂缝的方法检索框架基于混合模型的图像属性,“Optik卷,180年,第214 - 199页,2019年。视图:出版商的网站|谷歌学术搜索
18. 杨f, g .姚明,y, y的太阳,“实例级识别和量化为混凝土表面bughole深度学习的基础上,“自动化建设文章ID 102920卷,107年,2019年。视图:出版商的网站|谷歌学术搜索
19. h·佩雷斯·j·h . m .的发,a . Mosavi“深度学习检测使用卷积神经网络,构建缺陷”传感器,19卷,不。16日,ID 3556条,2019年。视图:出版商的网站|谷歌学术搜索
20. p . Asadi m . Gindy m·阿尔瓦雷斯,“基于机器学习的方法来自动钢筋混凝土桥梁检测和量化的恶化甲板探地雷快图像,”KSCE土木工程杂志》上,23卷,不。6,2618 - 2627年,2019页。视图:出版商的网站|谷歌学术搜索
21. p c丰和g·w·谢勒,”一个图像分析过程量化砂浆和混凝土的孔隙率系统,”材料和结构,48卷,不。10日,3087 - 3098年,2015页。视图:出版商的网站|谷歌学术搜索
22. x y黄,他问:Wang和j·肖,”变形场和裂纹分析混凝土的使用数字图像相关方法,”结构和土木工程的前沿,13卷,不。5,1183 - 1199年,2019页。视图:出版商的网站|谷歌学术搜索
23. w·歌,g .贾h·朱d·贾和l .高,“自动人行道裂缝损伤检测使用深多尺度卷积特性,”《先进的交通工具卷,2020篇文章ID 6412562, 11页,2020年。视图:出版商的网站|谷歌学术搜索
24. Venanzi, r·卡斯特拉尼、l . Ierimonti和f . Ubertini”一个自动化过程评估当地的可靠性指数和生命周期成本的替代梁桥设计解决方案,“土木工程的发展ID 5152031条,卷。2019年,17页,2019。视图:出版商的网站|谷歌学术搜索
25. 朱z和i Brilakis机器的混凝土表面质量评价,建立“建筑工程与管理》杂志上,卷136,不。2、210 - 218年,2010页。视图:出版商的网站|谷歌学术搜索
26. p·m·d·桑托斯和e . n . b . s .胡里奥,“混凝土结构评估方法的比较表面,”ACI材料杂志,卷107,不。5,2010。视图:出版商的网站|谷歌学术搜索
27. 美国Fekri-Ershad和f . Tajeripour”,一个健壮的表面缺陷检测方法基于一维局部二进制模式,”印度科学和技术杂志》上,5卷,不。8、1 - 7,2012页。视图:出版商的网站|谷歌学术搜索
28. w·r·l·达席尔瓦和p .Štemberk分类专家系统申请自密实混凝土表面光洁度,”工程软件的进步卷,64年,页47 - 61,2013。视图:出版商的网站|谷歌学术搜索
29. f . Tajeripour和美国Fekri-Ershad石孔隙度计算开发一种新颖的方法,使用改进后的局部二进制模式和单一retinex规模,”阿拉伯科学与工程》杂志上,39卷,不。2、875 - 889年,2014页。视图:出版商的网站|谷歌学术搜索
30. j . Kwasny m . Sonebi j . Plasse, s . Amziane“流变学影响水泥基砂浆表面光洁度的质量,”建筑和建筑材料卷,89年,第109 - 102页,2015年。视图:出版商的网站|谷歌学术搜索
31. Ł。Sadowski和t . g . Mathia”多尺度计量混凝土表面形态:基本面和特异性,”建筑和建筑材料卷,113年,第621 - 613页,2016年。视图:出版商的网站|谷歌学术搜索
32. g . l . Goic m . Bigerelle s Samper h . Favreliere和m .小丸,“多尺度工程表面粗糙度分析:比较的方法调查的功能相关性,”机械系统和信号处理卷,66 - 67,437 - 457年,2016页。视图:出版商的网站|谷歌学术搜索
33. 刘b和t·杨,“图像分析检测混凝土表面的凹痕,“建筑和建筑材料卷,137年,第440 - 432页,2017年。视图:出版商的网站|谷歌学术搜索
34. 美国短跑和m . r . Senapati灰度运行长度矩阵纹理分类,根据不同的光照归一化技术”进化的情报, 2018年。视图:出版商的网站|谷歌学术搜索
35. m·a·汗、r . Vehmas和a .签证”自动检测的水在混凝土板使用探地雷达,”《2019年IEEE雷达会议(RadarConf)美国,页1 - 5,波士顿,MA, 2019年4月。视图:出版商的网站|谷歌学术搜索
36. Maeda Yoshitake, t, m . Hieda”检测和量化的图像分析在隧道衬砌混凝土凹痕,“在建筑材料的案例研究,8卷,第130 - 116页,2018年。视图:出版商的网站|谷歌学术搜索
37. g·k·乔杜里和s·戴伊裂纹检测混凝土表面使用图像处理、模糊逻辑、神经网络,”学报2012年IEEE第五国际会议上先进的计算智能(ICACI)南京,页404 - 411年,中国,2012年10月。视图:出版商的网站|谷歌学术搜索
38. N.-D。黄平君Q.-L。阮:“Metaheuristic优化边缘检测混凝土墙裂缝的识别:罗伯茨的性能比较研究,普瑞维特,精明的,和Sobel算法,”土木工程的发展卷,2018篇文章ID 7163580, 16页,2018年。视图:出版商的网站|谷歌学术搜索
39. c·科赫s . g .桩a . Rashidi z朱,m·康尼锡和Brilakis,“成就和挑战在机检测大型混凝土结构,建立“结构工程的发展,17卷,不。3、303 - 318年,2014页。视图:出版商的网站|谷歌学术搜索
40. r .田边和a的巨大Success-history基础参数微分进化适应的,”《2013年IEEE国会在进化计算,第78 - 71页,北京,中国,2013年6月。视图:出版商的网站|谷歌学术搜索
41. r .田边和a . s .的巨大改善阴影使用线性搜索性能的降低人口规模,”学报2014年IEEE国会进化计算(CEC),第1665 - 1658页,北京,中国,2014年7月。视图:出版商的网站|谷歌学术搜索
42. c .主教模式识别和机器学习施普林格科学+商业媒体,新加坡,2006年。
43. N.-D。黄平君Q.-L。阮,d . t .中方“提供基于图像处理沥青路面裂缝分类,使用支持向量机优化通过人工蜜蜂殖民地,“计算机在土木工程杂志》上,32卷,不。5、文章ID 04018037, 2018。视图:出版商的网站|谷歌学术搜索
44. d·邓恩和w·e·希金斯“最佳伽柏过滤器纹理分割,”IEEE图像处理,4卷,不。7,947 - 964年,1995页。视图:出版商的网站|谷歌学术搜索
45. n . n . Kachouie j . Alirezaie, p . Fieguth”混合算法使用离散余弦变换和伽柏过滤纹理分割,银行”《加拿大电气和计算机工程2004 (IEEE会议的猫。没有。04 ch37513)卷,1803年,第1808 - 1805页,2004年5月加拿大滑铁卢。视图:出版商的网站|谷歌学术搜索
46. z爱德华多,g . g . b . Jaime m·罗伯特·l·穆,“道路裂缝检测使用视觉特性提取Gabor过滤器,”计算机辅助土木与基础设施工程卷,29号5,342 - 358年,2014页。视图:出版商的网站|谷歌学术搜索
47. n·c·金和h . j .所以,“定向统计伽柏特征纹理分类,”模式识别的字母卷。112年,18-26,2018页。视图:出版商的网站|谷歌学术搜索
48. r·梅迪纳f . Gayubo l . m . Gonzalez-Rodrigo et al .,“自动视觉频繁扁钢线圈缺陷分类”国际先进制造技术杂志》上卷,57号9 - 12,1087 - 1097年,2011页。视图:出版商的网站|谷歌学术搜索
49. 美国Zehang、g . Bebis和r·米勒”提高行车车辆的性能检测结合伽柏和小波的特性,”《IEEE第五国际会议在智能交通系统中圣塞巴斯蒂安,页130 - 135年,西班牙,2002年9月。视图:出版商的网站|谷歌学术搜索
50. 美国Zehang、g . Bebis和r·米勒“行车使用进化伽柏滤波器优化车辆检测、”IEEE智能交通系统》第六卷,没有。2、125 - 137年,2005页。视图:出版商的网站|谷歌学术搜索
51. k . Hammouda使用伽柏过滤器、纹理分割技术。代表,技术报告,滑铁卢大学,滑铁卢,加拿大,2000年,http://wwwpamiuwaterlooca/pub/hammouda/sd775-paperpdf。视图:谷歌学术搜索
52. a . k . Jain和f . Farrokhnia“无监督纹理分割使用伽柏过滤器,”模式识别,24卷,不。12日,第1186 - 1167页,1991年。视图:出版商的网站|谷歌学术搜索
53. j·乔和z Jadidi”高精度裂缝分类系统学习,使用多层图像处理和很深的信仰”结构和基础设施工程,16卷,不。2、297 - 305年,2019页。视图:出版商的网站|谷歌学术搜索
54. m·m·洛韦”,使用灰度纹理分析的运行长,”计算机图形学和图像处理,4卷,不。2、172 - 179年,1975页。视图:出版商的网站|谷歌学术搜索
55. 楚,c . m . Sehgal和j . f .另一则“使用灰度值分布运行长度的纹理分析,“模式识别的字母,11卷,不。6,415 - 419年,1990页。视图:出版商的网站|谷歌学术搜索
56. N.-D。黄平君V.-D。Tran”,提供基于图像处理的检测管道腐蚀使用纹理分析和metaheuristic-optimized机器学习方法,“计算智能和神经科学ID 8097213条,卷。2019年,13页,2019。视图:出版商的网站|谷歌学术搜索
57. N.-D。黄平君Q.-L。阮,X.-L。Tran”自动检测混凝土的剥落使用分段线性随机梯度下降法逻辑回归和图像纹理分析,“复杂性ID 5910625条,卷。2019年,14页,2019。视图:出版商的网站|谷歌学术搜索
58. t . Xiaoou”在运行周期矩阵纹理信息,“IEEE图像处理,7卷,不。11日,第1609 - 1602页,1998年。视图:出版商的网站|谷歌学术搜索
59. b . v . Dasarathy e . b .持有人,“基于联合灰色level-run长度分布的图像特征,“模式识别的字母,12卷,不。8,497 - 502年,1991页。视图:出版商的网站|谷歌学术搜索
60. k .价格,r . m . Storn和j·a . Lampinen微分进化实用的全局优化方法斯普林格出版社,柏林,德国,2005年。视图:出版商的网站
61. r . Storn和k .价格“微分进化简单和高效的启发式全局优化的连续空间,”杂志的全局优化,11卷,不。4、341 - 359年,1997页。视图:出版商的网站|谷歌学术搜索
62. s Das, s . s . Mullick和p . n . Suganthan”最新进展在微分evolution-an更新调查中,“群与进化计算卷。27日,外墙面,2016页。视图:出版商的网站|谷歌学术搜索
63. a . p . Piotrowski“审查微分进化的人口规模,”群与进化计算卷,32 - 24,2017页。视图:出版商的网站|谷歌学术搜索
64. d .邹沈x, x张问:张先生,和p·肖,”经济的分阶段自适应差分演化算法负载调度考虑随机性效应和传输损失,”数学问题在工程卷,2018篇文章ID 4585403, 24页,2018。视图:出版商的网站|谷歌学术搜索
65. a . Viktorin r . Senkerik m . Pluhacek t·卡达夫和a . Zamuda”基于距离参数适应为success-history微分进化,”群与进化计算50卷ID 100462条,2019年。视图:出版商的网站|谷歌学术搜索
66. p . Biswas p Suganthan, g . Amaratunga”最优功率流解决方案使用基于算法的成功历史的自适应差分进化与线性人口减少,”学报2018年IEEE国际会议系统,人,控制论(SMC)宫崎骏,页249 - 254年,日本,2018年10月。视图:出版商的网站|谷歌学术搜索
67. a . p . Piotrowski”与全民惯性L-SHADE优化算法”,信息科学卷,468年,第141 - 117页,2018年。视图:出版商的网站|谷歌学术搜索
68. a . p . Piotrowski和j。j Napiorkowski”,逐步改善玉和SHADE-based算法:成功或失败?”群与进化计算,43卷,第108 - 88页,2018年。视图:出版商的网站|谷歌学术搜索
69. a . Zamuda”自适应约束处理和成功2017受限的实参的优化、微分进化CEC历史”学报2017年IEEE国会进化计算(CEC)2017年6月,页2443 - 2450。视图:出版商的网站|谷歌学术搜索
70. v . n . Vapnik统计学习理论约翰·威利& Sons Inc .霍博肯,新泽西,美国,1998年。
71. 邓,x, y, f . Lv和j·王,“混合灰太狼groutability预测基于优化算法的支持向量机的破碎岩石,“计算机在土木工程学报质量,33卷,不。2,文章ID 04018065, 2019。视图:出版商的网站|谷歌学术搜索
72. b t·范教授答:贾法里为首普拉卡什,和d . t . Bui,“一种新的混合智能模型的支持向量机和MultiBoost合奏滑坡敏感性建模、”《工程地质和环境,卷78,不。4、2865 - 2886年,2018页。视图:出版商的网站|谷歌学术搜索
73. b . h, m . Wang歌,x,和d·陈,“研究基于支持向量机的reservoir-triggered级地震,”复杂性卷,2018篇文章ID 2830690, 10页,2018。视图:出版商的网站|谷歌学术搜索
74. c . m .主教模式识别和机器学习(信息科学和统计)施普林格,柏林,德国,2011年。
75. 郭,j·s·蔡,c·杨和p .许,“自我优化方法L-SHADE事务局eigenvector-based交叉和CEC successful-parent-selecting框架2015基准设定,”学报2015年IEEE国会进化计算(CEC)仙台,页1003 - 1010年,日本,2015年5月。视图:出版商的网站|谷歌学术搜索
76. 协议,协议。NET Framework,2019,http://accord-frameworknet/。
77. d . n .琼和c·a·吉尔”比较样本偏态和峰态的措施。”皇家统计学会杂志》:系列D(统计)卷,47号1,第189 - 183页,1998。视图:出版商的网站|谷歌学术搜索
78. Bui, d .天山N.-D。黄平君、h·阮和X.-L。Tran”的浅层滑坡空间预测使用蝙蝠算法优化的机器学习的方法:一个案例研究在谅山省,越南,”先进的工程信息100978年,42卷,文章ID, 2019。视图:出版商的网站|谷歌学术搜索
79. 格拉汉姆·古德费勒,y Bengio, a .考维尔深度学习(自适应计算和机器学习系列)美国剑桥,麻省理工学院出版社,马,2016年。
80. p .金MatLab深度学习与机器学习、神经网络和人工智能然后,纽约,纽约,美国,2017年。
81. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
82. n .钱”动量梯度下降学习算法,”神经网络,12卷,不。1,第151 - 145页,1999。视图:出版商的网站|谷歌学术搜索
83. d . p . Kingma和j .英航“亚当:随机优化方法,”学报(ICLR)第三学习国际会议上表示美国圣地亚哥CA, 2015年5月。视图:谷歌学术搜索
84. 6.5 t .从事公务和g·辛顿,”讲座-rmsprop COURSERA:机器学习神经网络,“技术。代表,多伦多大学,多伦多,加拿大,2012年,技术报告。视图:谷歌学术搜索
85. Matwork,“深度学习工具箱”,2018年,https://wwwmathworkscom/help/deeplearning/indexhtml。视图:谷歌学术搜索
86. m·t·哈根·h·b·德穆斯·m·h·比尔和o . d .耶稣,神经网络设计博尔德科罗拉多大学书店,有限公司,美国,第二版,2014年版。
87. g . Montavon g·奥尔,K.-R。穆勒,”神经网络:做生意的诀窍”在计算机科学的课堂讲稿斯普林格出版社,柏林,德国,2012年。视图:出版商的网站|谷歌学术搜索
88. s . Skansi介绍深另一方面人工智能逻辑演算施普林格国际出版,纽约,纽约,美国,2018年。视图:出版商的网站
89. j·希顿人工智能的人类,卷3深度学习和神经网络希顿研究公司,圣路易斯,密苏里州,美国,2015年。
90. g . w . Snedecor和w·g·科克伦统计方法爱荷华州,爱荷华州立大学出版社,城市,IA,美国8日版,1989年。
91. s Fekri-Ershad和f . Tajeripour抗脉冲噪声的彩色纹理分类方法使用局部二进制模式和混合颜色Kullback-Leibler分歧,”电脑杂志,60卷,不。11日,第1648 - 1633页,2017年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Nhat-Duc黄平君Quoc-Lam阮。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。