实现并行的k - means算法来估计在温拌沥青粘附失败

文摘

热拌沥青温拌沥青(WMA)和(协会)准备在较低的温度,使它更容易受到水分损失,最终导致剥离由于附着失败。此外,附着力的评估失败取决于研究者的主观视觉评价的专长技能。如今,图像处理已经得到普及解决视觉误差评估。从图像处理算法,实现高精度的损失像素中扮演着重要的角色。高质量的图像样本,处理需要更多的执行时间由于更大的图像的分辨率。因此,图像处理算法的执行时间也是一个重要方面的品质。提出了一种并行这手稿k对图像处理(PKIP)算法使用多处理和分布式计算来评估WMA的粘附失效和协会接受三个不同的湿度敏感性测试样品(干,1和3个冻融周期)和断裂的间接拉伸试验。提出的实验中,被选为十的群集的数量(k= 10)的基础上k价值和成本k粘接失败意味着函数计算分析。结果表明,PKIP算法降低30%到46%的执行时间与顺序k意味着算法当使用多处理和分布式计算实现。关于粘合失败的结果,WMA标本受到更高程度的水分效应显示相对较低粘附失败相比,热拌沥青(协会)样品当受到不同程度的水分敏感。

1。介绍

图像处理方法已经被广泛地应用于无损系统评估2 d或3 d几何在许多科学领域(1]。在土木工程领域,图像处理已成功应用于多个应用程序,如路面压力评估、网站评估使用卫星成像,分析裂纹扩展和在水泥基材料的微观结构2]。关于沥青路面粘结剂,许多基于计算机视觉的系统已经被开发出来,这是大致分为现场评估和实验室应用。关于现场评估,识别算法开发的路面遇险类型和大小(2- - - - - -5]。然而,这些算法也允许识别断裂表面的沥青混合物如碎骨料或界面的粘附和凝聚力失败失败的标本(1- - - - - -3]。

在这部作品中,类型和程度的失败由于水分效应是由图像分析评估一系列的温拌沥青(WMA)混合物。WMA技术使用较低的温度相比,传统的热拌沥青(协会)。即使在与传统热拌沥青(协会),的WMA技术更环保和成本效益;然而,由于较低的生产温度,WMA混合物显示更少的抵抗水分损失(6- - - - - -8]。有关遇险或剥离识别使用计算机应用系统,有必要知道不良/剥离区域像素总是具有较低的像素强度比未被剥夺的区域(9]。常规测试进行检验以确定水分损失感兴趣的区域(ROI)在沥青混合物中包括使用视觉评估根据知觉的调查员10]、[11]。在这种情况下,研究者可能错过选择一些投资回报的一部分,最终妨碍了最终的结果。因此,为了进一步了解的机制,似乎有必要使用一个图像分割算法,该算法能更准确地量化这些失败。被认为是必要的,这些类型的图像处理涉及高性能计算,因为高端图像处理单计算节点上无法有效处理。在这方面,需要一个框架,允许研究人员专注于图像处理任务,并没有让他们参与到复杂的分布式计算的细节。此外,该框架应提供研究人员熟悉的图像处理工具。

这项工作提出了一个实现集群的高分辨率图像的WMA破碎的样本使用平行k对图像处理(PKIP)算法。来实现k意味着算法平行,多处理在一个节点和使用映射-规约模式编程基于多个节点使用(12]。

视觉的一个重要因素的评估剥离对其表示。的像素值强度、剥离和未被剥夺的区域必须有显著差异。为了分类像素对不同强度或颜色相似之处,k聚类算法被广泛应用。使用k意味着算法,n可以隔离观察k类基于一个特定的值。近距离的观察到集群使用最近的迭代处理的意思。的变体k手段包括k值和kmedoid(见附录部分)。值得指出k中最适合当地的优化问题,而k意味着算法是针对两个,即。,全球和局部优化13]。另一方面,kmedoid算法时间复杂度高(请参阅附录部分),因此,它是计算密集型相比k意味着(14,15]。

在这个简短的介绍之后,手稿安排如下,部分2描述了以前的工作进行沥青混合料使用传统的图像处理技术和分析还描述了挑战所需的处理时间分析高端图像使用顺序数据集k意味着集群。部分3始于WMA标本的制备,提出了PKIP算法为中央处理单元(CPU)基于多处理执行和使用映射-规约模式基于分布式计算中,紧随其后的是一个阈值过程评估附着失败。部分4介绍了结果的准确性和PKIP提出算法的性能。部分5提出了相关的讨论结果的结果。最后,部分6总结最重要的结论。

2。背景

WMA技术开发将沥青混合料在较低的温度下与传统的混合物相比,近年来,的WMA,突出的表现了传统协会方法由于其可持续发展的因素。然而,由于温度降低生产的WMA,可能水分损失的特点,更重要的是(7]、[8]。从这个意义上说,有必要理解的影响发生在矿物骨料和沥青结合料的接口。按照国家沥青技术中心的观察(NCAT), WMA的制备中使用的混合温度降低导致不当骨料的干燥,和更少的老化。图1显示了滞留水分的原理图在沥青/聚合接口WMA生产。数字图像处理已经成为一个强大的工具来准确完成这种类型的损害的评估(11]。

一般来说,图像处理实验分为破坏性和非破坏性评估。破坏性的测试,实验应该进行标本的失败来评估材料在不同条件下的性能通过打破它,而在无损检测,样品保存完好的在其使用数字图像处理分析。在工作由李et al。17),人工神经网络是用来检测路面的裂缝,分类和预处理步骤进行,其次是高斯滤波器利用良好的背景。在最后一步,直方图变换应用于突出裂纹的区域。通过图像处理得到的结果与实验参数,得到在实验室,达到了大约80%的准确性(17]。先前的研究处理沥青混合料的微观结构的建模还包括灵敏度探索内部骨料粒度砂砂胶(18]。图像分析也用于描述沥青混合料的空隙分布利用x射线计算机断层扫描(19,20.]。此外,沥青混凝土的三维微观结构也可以重建的2 d x射线计算机断层扫描图像来获取所需的宏观规范(21,22]。

大量研究和分析如何建立和提高图像处理技术研究ImageJ等商业应用,图像处理和分析(帕斯)或照片Pro + (20.,23,24)实现在特定领域。一般来说,现代图像集合的大小是大型(tb和pb级的数据);如此庞大的数据集合在单个机器上不能有效地存储和处理。此外,当前图像处理算法变得非常具有挑战性,因此,计算量。有很多计算密集型处理大而复杂的图像数据集所涉及的步骤获得修改产品,和一些需要努力向一体化的高性能计算模型与图像处理算法。虽然我们可以在这些单处理器系统处理图像分批的,会有这种处理问题由于能力有限。从今以后,并行编程范式对高端图像处理已成为必要。

在图像处理中,输入图像经历了从几个修改(25,26]。实现图像处理执行的四个步骤:(i)图像采集,图像增强(ii),(3)图像恢复和(iv)多分辨率处理。为了一个图像分割和检查,最初它必须经历一个阈值的过程。在沥青样本图像处理,图像样本进行的几种预处理方法集中在图像使平滑去除噪声的图像(27]。沥青样品的分析,获取高质量的图像是必要的参数,所以其密集的计算是相当耗时的使用顺序处理。为了确定ROI在沥青图像样本,最初,示例图像必须平和隔离对象,确定断裂表面和剩下的多余的背景。例如,要实现这一过程的隔离,几个图像处理函数被董等应用。28]分析裂缝在沥青样品。这些图像处理函数组成的滤波器的实现(即。,Kalman, Gaussian, Sobel, polynomial, bilateral filter) to remove the noise and then the implementation of thresholding process with Canny edge detection [2)是紧随其后的是形态分析轮廓实现操作。阈值灰度图像也在治疗和治疗应用于估计剥离沥青混合料(2]。有简单的阈值的局限性,因为它是一个手动过程,它不产生共鸣与深色总样本。此外,简单的阈值不分类阴影区域准确(29日]。为了克服这些缺点,兰提里et al。30.),提出了一种彩色空间转换的方法,转换他们的样本图像从红绿蓝(RGB)颜色空间到YUV彩色空间(Y表示亮度分量,U和V色度的颜色组件)。

传统的图像分割算法主要包含根据阈值的分割方法,基于边界的分割方法和基于区域的分割方法(31日,32]。然而,为了确定图像中任何模式的主导地位,k意味着集群已经被证明是一种有效的方法相比其他聚类方法中突出显示部分1。聚类分析是模式/行为分析的一个重要方面33]。使用k意味着算法,一个可以找到如何区分不同种类的元素通过不断提高阈下集群模式。不同的聚类方法不断提出的帮助下和增强k意味着算法被广泛用于医学图像分析使用CPU和图形处理单元(GPU)计算34]。聚类过程k意味着算法耗时和大幅增加如果实现顺序数据集大小的增加。然而,由于效率高k意味着算法,它被广泛应用在大规模数据的聚类利用GPU (35,36]。目前,许多算法被保持扩展和改进k在主意味着算法。与传统的相比k意味着过程,自适应k意味着算法所使用的郑et al。29日)转换图像到LAB颜色空间分割和地方亮度(之前l)调整成一个价值减少产生的干扰背景。在一个最近的研究,顺序k意味着聚类和基于机器学习的分类被用来估计沥青涂层的剥离(2]。至关重要的是要注意,对机器学习算法,训练过程可能耗时。然而,基于机器学习的分类可以帮助预测沥青混合料试样的剥离。它可以推断出从先前的研究k意味着算法是并行执行的能力来减少执行时间(37,38];因此,并行实现的k意味着算法可以大大提高图像分割的执行时间,另外优化算法结构在一个特定的程度上在多个内核。为了估计像素的平均计数相关感兴趣的区域(ROI)在多个图像数据集,说明et al。39使用使用映射-规约模式框架)并行实现图像分割。此外,说明et al。12执行),也做了详细的分析模式对CPU运行时间和准确性在批量分割多个输入图像数据集。很明显从他们的结果,高阶数据集大小比例与越来越多的计算节点或计算核心。

监督学习相比,聚类是一种无监督学习方法,因为我们没有地面实况数据比较聚类算法的输出与实际标签来评估其性能。众多k方法聚类算法使用距离测量来确定数据点之间的相似性(40- - - - - -42];然而,明智的规范化数据平均和标准偏差为零,几乎每个数据集的特征有不同的测量。的k意味着算法善于捕捉数据结构如果集群有一个球形(43,44]。此外,在人工智能领域,k意味着集群用于硬聚类问题。关于之前讨论的方法k意味着集群,部分3.1和3.2给一个简短的描述关于WMA样品制备和水分调节。

3所示。方法

3.1。沥青混合料的制备

传统的沥青粘结剂pg - 76是用于这项研究。在表1流变特性的pg - 76粘合剂是总结。聚集类型花岗岩由Kuad采石场Sdn提供。有限公司,Penang, was utilized in the preparation of the mixtures. The midrange aggregate gradation, type AC 14, used was in agreement with the Malaysian PWD gradation determinations [45,46对沥青混凝土)。评估填料抗剥落剂的沥青混合料的影响,传统的普通硅酸盐水泥(OPC)和路面修饰符(PMD)。PMD是创建一个灰黑色粉矿物填料在马来西亚和抗剥落剂使用。公司的PMD混合物的总重量的5%,作为矿物填料在混合物准备(27]。

连同两个协会混合物(填料类型OPC和PMD),的WMA混合物在不同的温度下就做好了准备。试样被压缩到所需的尺寸(高度63.5毫米,直径100毫米)通过使用Servopac回转压缩机。气孔标本的湿度敏感性评价是保持在7±1%。所有的标本都准备根据沥青研究所定义的程序手册(MS-2) [47]。

在这项研究中,协会混合物作为参考资料都准备在180摄氏度和压缩在170摄氏度。然而,的WMA标本制作的温度30摄氏度低于协会如表所示2随着混合名称。

确定最佳粘结剂含量按马歇尔混合设计的过程ASTM D1559 [48]此前马来西亚公共工程部(JKR)指南46AC-14]混合类型。此外,回转式压缩机是利用对应于一个假定的30000000等效单轴加载27]。波动的数量对应于初始压实(N_最初的),设计压实(N_设计)和最大压实(N_马克斯)分别为100和125。在混合设计,目标(4±0.1)%的含气率被用于所有的标本。设计最佳粘结剂含量对协会和WMA得到5.2%。此外,的WMA, Cecabase®作为温拌添加剂以应用程序0.3%的速度通过粘合剂的质量。

3.2。水分调节和评估

在压实沥青标本,水分条件进行评估的影响加速水调节后跟冻融循环。压实标本,进行了调节按ASTM D4867的指导方针49]。唯一的例外准则是使用蒸馏水的添加碳酸钠浓度为6.662克。这除了被用来使pH值高为了提高剥离率/损坏内部沥青标本(11]。标本沉浸在解决方案和用吸尘器吸过15分钟达到饱和水平在55%和80%之间。之后,这些标本被暴露在寒冷条件(−18±3)摄氏度为16小时,融化在60摄氏度根据ASTM D4867[24小时为一个周期7,49]。三套标本,无条件干燥,条件一个冻融循环后(1英尺),条件后你冻融循环(3英尺),分离。

然后准备标本受到水分敏感性测试根据美国材料试验学会(ASTM D4867) [7,11,45,49]。间接抗拉强度(其)测试是用来评估混合物的湿度敏感性测试温度20摄氏度按ASTM的指南,2006年。

WMA样品制备和水分条件评估之后,下一步是开发一个并行提供基于图像处理的方法来确定WMA的粘附失效样品的最低的执行时间。提出的实验中,我们已经开发出一种平行的k对图像处理(PKIP)算法对WMA样本进行聚类。部分3.3,3.4,3.5说明了特征空间,线性化模型,PKIP算法的实现。

3.3。输入图像的特点(特征空间)

在图像处理中,核函数是作为线性分类器来解决非线性问题。内核的分类基于函数的算法,输入空间包含原始图像,特征空间包含相应的输入图像的特点。应用基于内核的目标k意味着集群WMA标本区分粘附失败地区和non-adhesion地区降低预期的值平方距离d (x从集群的中心)的点: 在哪里d(x)是距离中心的集群,问训练集的网站,k是集群的数量,是当前模式,然后呢C_我在集群是集群中心我。

现在输入沥青样品的特性可以从输入空间计算 使用

在现实的价值X是未知的。然而,被称为内积核函数(k)所示: 在哪里代表的特征空间x和y方向。

3.4。核函数应用于线性化模型

假设在集群 ,的平均特征空间可以写成

现在可能存在一个点位于外节的输入空间的出现作为一个图像。

在这种情况下变得难以接近,但可以计算其规范。 在哪里k= 。现在,假设, 。因此,

然后的距离d_ij当输入空间映射到特征空间可以计算

可以kernelize中的函数方程(7)通过使用中值滤波的功能:k′(米,n)={中值x(我j] (我,j)}(中值滤波函数)代表一个社区定义的用户是围绕位置(米,n在图像和)x(我,j像素组成的二维数组我^th行和j^th列。除了上述过滤器,还有其他过滤器。,Gaussian filter, Bilateral blur filter, and Sigmoid filter which may be used as per the applications requirement [50,51]。提出的实验中,中值滤波器被用于kernelize方程(7)。

3.5。PKIP聚类算法的实现

本节将突出流线型的执行顺序和多核CPU的变体k聚类算法。因此,该算法使用多处理定制编程获得并行和顺序执行之间的比较结果。算法是尝试不同的沥青混合料图像数据集。图像数据集获得使用尼康D800模型。图像样本5520像素的尺寸(长度)和3680 pixelsl(宽度),和每个样本维护在RGB颜色空间prethresholding过程。它被认为是必要的细节方面的系统配置的逻辑核心,线程机制,和记忆PKIP算法的实现。依赖于操作系统的工作X10.1 64位的操作系统,在1.8 GHz的双核i5(超线程支持)的涡轮增加2.9 GHz有3 MB共享L3缓存和8 GB RAM。拟议中的PKIP使用4线程的实现进行了测试。c++编译器的版本使用4.6.4,虽然OpenCV的版本(图像处理库)是3.4.2使用。

一个明确的顺序执行最初使用该算法执行伪代码所示1;然而,这不能被视为一个理想的执行,理由是该算法有一些矩阵像关系基本获得更好的执行。矩阵计算参与kernelization阶段和每个模式对中心的距离计算的集群,伪代码所示1。为了得到实质性的加速,迭代矩阵乘法可以实现在计算机环境中,它可能是并行执行的。

在该算法的伪代码所示1没有,阶段。5我们算法的关键。第五阶段可以分为两个阶段,第二阶段我和阶段,使用该算法获得可观的加速。阶段我涉及kernelization阶段,第二阶段是一个迭代过程来计算每个模式的距离不同中心的集群。阶段我包括内核的登记矩阵,利用核函数为每个匹配的连接模式。这个计算相似矩阵乘法除了提出的实验,涉及几个任务操作而不是基本的矩阵乘法。此外,这些任务操作需要依赖于利用内核函数组成的减法,平方,分工中值滤波核函数(伪代码1)。

每个模式对之间的距离计算集群中心由三个方面

对方程(8),第一项是计算阶段I的计算阶段我没有包括阶段。(1)阶段。(4)。第二和第三项在II期计算。第二项是直接矩阵的乘法,也就是说,l和其次是乘法, 。第三项在上面的方程的数量取决于集群和不断为每个集群计算。自第三项是一个迭代的过程,需要巨大的矩阵乘法,它使用多处理并行编程。因此,方程(8),串行执行是利用计算第一项,而第二和第三项实施相比使用多处理,因为它涉及更高程度的迭代矩阵乘法。

为了评估PKIP算法的性能提出的实验中,我们使用c++编程语言实现它通过导入打开计算机视觉(OpenCV)库,用于图像处理功能。的顺序执行k意味着集群可以进一步并行多核CPU。有许多应用程序编程接口(API)用于并行处理;然而,对于提出的实验中,我们使用开放多处理(OpenMP)并行执行。OpenMP是对多处理编程API支持共享内存架构(52]。OpenMP是其庞大的指令集的主要特性。、OpenMP语法用于自动并行化。拟定实验,OpenMP编译指示omp对用于并行化的矩阵计算参与第二阶段。为了我多核之间鸿沟的执行阶段,OpenMP共享使用构造。

3.6。并行的k - means使用使用映射-规约模式

以并行化k意味着使用程序使用映射-规约模式聚类算法,使用Hadoop Hadoop框架界面图像处理(HIPI)使用。Apache Hadoop是一个用java编程语言编写的开源框架支持分布式处理大型数据集的集群计算机节点使用简单的编程模型(53]。Hadoop的环境工作包括跨集群的分布式存储和计算的计算机节点。Hadoop的目的是扩大从单节点到数千个节点,每个节点提供本地计算和存储。

地图是单个任务的输入记录转换成一个中间记录。任何给定的输入对可能映射到零个或最多n对输出。Hadoop使用映射-规约模式结构产生单一映射任务为每个输入分割产生的输入格式。Reduce函数的Hadoop框架是第二阶段。减速机通过减少中间值的集合映射器和股票类似的关键。数量的减少客户机设置的工作是通过减少任务的功能。一般来说,减速机执行传递工作通过可配置的任务配置类。框架然后调用函数reduce()为每个收集输入键-值对。

Map函数作用于每一个点x在给定的图像数据集。在一个给定的点x方之间的距离x和每一个的意思是计算和随后的意思米_我这最小化距离决定。这些参数的基础上,一个索引的键-值对被释放的意思是“我“关键和(x,1)的价值。因此,一个映射函数可能是陷害

另一方面,Reduce函数只是一个成对求和上执行的每个键相关联的值。例如,如果两个值对((x,问),(y,r)相关联到一个特定的键,然后通过添加所有元素结合形成是可能的在给定的一对。在这方面,k意味着减少函数可以形成如下:

组k值可以使用两个函数的使用映射-规约模式特点形成显示 在哪里表示最近的点集的意思米_我。现在更新的方法可以计算

提出的实验中,初始簇中心(意味着)测定使用树冠算法(54),一组初始距离阈值,即:,T1 and T2 were assigned for each sample image such that T1 > T2. Post threshold initialization, the mapper function selects a sample vector randomly from the sample image and assigns it as a central vector of the canopy, and accordingly, it traverses the entire sample image. The distance between the scene image and the canopy central vector has to be less than T1 in order to get classified as canopy. If it is less than T2, then it gets discarded from the dataset. Finally, the output of the mapper function gets processed by the reducer to integrate the central vectors of the canopy. This generates a new canopy of the central vector which is considered as the initial clustering center.

为了计算一个点之间的距离x和每个意味着使用Map函数,每个计算节点组必须具备的当前值的意思。因此,在这方面,分发给所有新方法每次迭代的计算节点完成后。如果收敛达到一个特定的迭代之后,然后执行完成了;再次,新方法/质心计算使用迭代()函数。

伪代码2显示的实现k意味着使用使用映射-规约模式。

我们的实验装置由4台机器组成的1硕士和3奴隶。主节点负责将输入图像文件。提出的实验中,使用Hadoop框架(2.7.1版)为了实现使用4个节点的并行计算。图2显示了配置设置。Hadoop参数修改的设置如表所示3。表4显示节点的规格。

3.7。阈值处理的样品

为分析沥青混合料的标本k使用意味着集群,HSV阈值(请参阅附录部分)(55]。

在拟议的实验中,背景和前景分离是重要的获得都清晰可见的ROI。例如,HSV颜色空间的边界条件{[0,1],[0,1],[0,255]}属于{色调_输入,坐_输入,瓦尔_输入},感兴趣的区域(ROI)被一个特定的颜色对象。然后计算阈值对,即。(颜色_较低的,色调_上),(坐_较低的,坐_上),(瓦尔_较低的,瓦尔_上)可以利用HSV色彩空间的图像转换为二进制形式使用以下方程:

在这里C(x,y)是分割的部分。方程(13)说明了HSV,如果输入图像的像素值在范围的上界值下界,然后相关的输出像素属于1类对象,否则它被指定为null (0) (56]。

图的流程图3说明了HSV阈值计算的零和非零像素。图4显示不同的图像的标本的WMA数据集(干燥,1英尺,3英尺)和图5显示了其原始RGB模式,它可以观察到的变量布朗组件的强度代表WMA的粘附失效样本。图6显示了不同标本协会数据集和图的图像7给出相关的原始RGB模型。从视觉评估的角度,白色区域内的样本代表破碎的总量。如果RGB模型详细地观察到的WMA和协会的样本,然后可以观察到微小的区别对布朗组件模式的WMA和协会的样本,即。布朗,更高程度的组件是可见的协会样本如果相比,的WMA的所有三个类别,即。、干燥、1英尺,3英尺。(数据4- - - - - -7)。

4所示。结果与讨论

拟议的工作亮点PKIP CPU-based执行算法的效率测试的几个数据集沥青混合物。分析了提出算法的执行时间的性能和准确性。在这项研究中,三个类别的数据进行评估,即干,1英尺,3英尺。与此同时,混合温度的影响(即。,180年°C for HMA and 170°C, 160°C and 150°C for WMA) and type of filler (OPC and PMD) were analysed as well. The details of the different datasets are shown in Table5。

为了消除噪声,中值滤波应用,随后,WMA连同它的图像RGB颜色模型和协会样品连同它的RGB颜色模型图所示8,9,10,11。清晰的观察后过滤图像及其RGB颜色模型,它可以看到大量元素被模糊和噪声样本图像被抛光。中值滤波器的应用,的过程k意味着集群成为调整,从而有助于提供准确的结果。

启动前的解释CPU-based性能,应突出其执行时间结果的准确性。关于执行时间,重要的是要注意,有阅读每次运行后的波动PKIP算法每个样本;因此,记录错误是该算法获得的最佳的帖子4分。这种性能对比如图12。获得的值的波动范围内最好的记录值。此外,有必要澄清一下,这个错误是由于线程之间的通信开销(虚拟CPU核心版本),结果是额外的等待时间。

正如前面所提到的部分3.5关于PKIP,算法构成两个阶段,即。,stage I involves the kernelization phase and stage II involves iterative procedure to compute the distance of every pattern to the different center of clusters. As stage II is an iterative process, it has to complete a predefined maximum number of iterations to attain the convergence. With respect to the proposed experiment, for each value ofk的成本,k意味着Scala函数计算使用vegas-viz情节库(参见附录部分)(57]。的最佳选择k被观察的价值得到了最小化很少获得回报。拟定PKIP算法,获得最好的隔离是通过设置集群大小为10。图13显示了一个样本(WP170受到3英尺)与不同数量的集群(k)。从每个聚类阶段观察到,不同强度的棕色(粘合破坏)越来越规范化。通过保持的价值k= 10,罚款隔离实现对不同强度的颜色组件HSV阈值的一个有利因素。提出的实验中,噪声被使用中值滤波函数。从视觉评估,观察从图13那篇文章集群5,最大程度的实现隔离,或intra-cluster变化减少了在样本地区。然而,我们选择k= 10的k价值和成本k意味着函数作为最好的情况。

图14显示了RGB颜色模型以及直方图在RGB和HSV颜色空间样本输入图像。在RGB模型中,包围部分代表了附着力失败。重要的是要注意,在初始聚类过程之前,直方图均衡化是应用于输入图像保持统一的光度。直方图的观察,大部分的RGB分量的变化对应于一个统一的低范围值的像素(低光度)。然而,极右的直方图,RGB是被更高的山峰,这显然意味着集群噪音高亮度。也必须注意,光度,越越高在HSV直方图的值。

4.1。讨论CPU实现

关于的CPU实现提出PKIP算法,值得注意的一些想法,尤其是并行代码利用CPU线程(s)的数量被认为是一个虚拟CPU核心。图15显示的效果增加线程执行PKIP集群不同的沥青混合料的数据集k= 10。如图15,增加线程的数量从1到2以非线性的方式降低了计算时间。这是由于所涉及的各个阶段的计算方程(8)不直接与可用内核规模。对方程(8),舞台我并不拥有迭代计算显示更高程度的线性扩展阶段II。这尤其意味着所有组件的II期并没有完全并行化,和有一些组成串行执行剩余。很明显从C程序的执行时间(串行执行)和C + OpenMP(见附录部分)项目(并行执行),有一个提高大约25%到30%的执行时间对C + OpenMP计划,即。并行执行的k意味着集群。

此外,当线程的数量从2增加到3,然后从执行计时结果可以观察到,单线程之间并没有太多不同之处和三线的结果。此外,当线程的数量从3增加到4,然后有一个大约增加25%至30%的执行时间C + OpenMP。因此,很明显增加线程数量的结果并不总是提高执行时间受到CPU的规范。与上下文的影响超线程,请参考附录部分。

表6,7,8显示PKIP算法的执行时间(sec)结果实现顺序和WMA和协会样品平行。表9显示顺序之间的增长加速实现使用C程序(串行执行)和并行实现使用C + OpenMPk= 10。

它是被推断出来的表6,7和8当集群的数量(k)增加然后PKIP算法尺度如果相对于串行或顺序编程的数据集。特别是,获得了最好的时间差异k= 2,之间平行k手段和顺序。为干燥的条件下,可以观察到一个更广泛的差距通过考虑降低C + OpenMP的执行时间是9.49秒,同样k= 4,6,8,10,相关的时间差异是14.84秒,22.30秒,30.73秒和37.17秒。标本1英尺的条件,最好的时间差异k= 2,之间平行k方法和顺序k意思是9.43秒时间k= 4、6和10个相关的不同时间是18.87秒,28.43秒,38.34秒和47.47秒。最后,对于3英尺的标本条件,最好的时间差异k= 2,之间平行k方法和顺序k意思是9.03秒,而为k= 4、6、8和10个相关的不同时间是18.07秒,22.34秒,31.66秒和45.18秒。

4.2。Map-Reduce-Based实现

表10,11,12比较Map-Reduce-based PKIP的实现算法的执行时间结果对干燥、单个节点和多个节点1英尺,3英尺图像数据集。表13显示了加速比较Map-Reduce-based PKIP算法实现的顺序实现使用使用C + C程序和并行实现OpenMP。从结果可以推断,使用映射-规约模式基于PKIP算法尺度的增加节点。PKIP执行对单节点实现的算法,算法的开销导致分裂后Map和Reduce阶段。还必须注意Map-Reduce-based PKIP算法实现可以超越C + OpenMP-based PKIP实现通过增加计算节点的数量由于C + OpenMP不能实现在分布式节点。后执行最初的实验中,我们观察到Hadoop块大小应该取决于输入图像数据集。在Hadoop中,数据文件分为块。当块大小太小,数据块合作参与的数量可能增加,从而影响整体结果(58]。

如果我们仔细观察表的执行时间10- - - - - -13,然后我们可以看到一些相似性C + OpenMP的执行时间和单节点PKIP算法的实现k= 10。此外,减少高达26%的可以观察到的执行时机k= 10,实现4个节点,如果相对于单节点执行时间。然而,只能观察到减少高达4.3%的执行时间k= 4,实现4个节点如果相比单一节点执行时间。

结果说明提出的优越性Map-Reduce-based PKIP算法适用于不同的图像数据集。Map-Reduce-based PKIP算法提高了集群响应时间通过利用Hadoop框架特点。影响的数量计算节点上使用聚类算法也可以研究了3种图像数据集通过增加计算节点的数量(即。,from 2 to n). Scalability of Map-Reduce based PKIP algorithm can be tested by researchers by maintaining the same type of sample image datasets but varying the cluster size.

对测量精度的执行时机PKIP使用使用映射-规约模式实现,记录错误是最佳的4分后类似于C + OpenMP实现的情况。图16显示了波动或执行时间阅读的准确性Map-Reduce-based PKIP实现。PKIP实现使用使用映射-规约模式,获得值的波动范围内最好的记录值。这种波动的可能原因是由于通信映射和降低成本。此外,在这方面,研究人员可以自由探索的可能性减少这种波动通过优化缩放和紧凑的Hadoop参数调度。也被观察到的波动而导致的执行时间阅读是低如果相比,C + OpenMP读数。这表明稳定性的Hadoop的地图缩放时考虑减少框架。然而,在单节点的实现方面,OpenMP可能拥有较小的波动程度如果Hadoop相比受到系统规范。

4.3。精度、召回和F-Measure评估

精度、召回和F测量被称为影响参数的评估目的提出PKIP算法。数据集包含600个样本组成的协会和WMA形象。样本分为300份阳性样本和300年负样本。正样本的附着力失败,而负样本协会样品只有不到0.5%附着失败。样例图像裁剪成500×500像素,它的标签是女士使用油漆。为训练目的,样例图像被随机划分。

精度是真正的阳性病例的比例预计都是积极正面的。拟定实验,真正的积极正确的像素。的水平是正确的选择的情况下,计算如下:

回忆是所有真正的阳性比例地面实况像素。地面实况像素是所有分段像素。回忆起计算如下:

确定精度和召回的加权平均,F-measure使用的参数计算如下:

对于初始测试,不同的块大小视为像素的容器使用维度3×3,5×5和9×9。表14显示补丁大小影响参数的影响。它可以清楚地观察到精确,回忆,和F值是几乎相同的3×3和5×5。9×9的精度值略大于其他两个;然而,执行时间大幅高相比,如果3×3和5×5。因此,对于培训评估,我们使用3×3补丁为不同的值k。影响参数的分析,实现了单节点使用顺序处理。

表15显示的影响k值的影响参数,它可以清楚地观察到k= 10给出了最高F价值。

4.4。粘附失效分析使用HSV阈值

表16,17,18代表粘附失败后水分调节的百分比(冻融循环)和间接拉伸测试的k(即意味着clustering-based沥青混合料图像样本。,的WMA和协会准备PMD和OPC)。WMA的加工使用HSV图像阈值图像样本图像数据集和协会示例图像数据集的所有三个水分敏感性测试数据所示17和18,集群的数量被设置为10 (k= 10)和非零的构成和零像素计算使用方程(13)来确定所有沥青混合料的粘附失效比例数据集。拟定实验,Scala版本2.11编程语言已经被用于零和non-zero-pixel计算。

从表16- - - - - -18它变得明显,热拌沥青混凝土和WMA粘附失效样品的百分比受到不同程度的水分调节过程取决于混合温度和填料的类型使用。降低百分比混合温度的影响附着力失败WMA混合物的一致的增量在粘附在不同级别的水分调节。此外,为类别,即。,协会和的WMA,the PMD filler comes out to be better if compared with OPC filler, and in this regard, a difference in adhesion failure for up to 4-5% could be observed in 3FT condition. Section5讨论的一些关键元素有关的结果结果属于PKIP实现。

5。讨论

对执行时间的分析PKIP使用C + OpenMP和顺序,它是从表推测的6- - - - - -8得到最好的执行时间的处理WP150, WP160, WP170样本。进一步的研究是需要找到背后的推理更快的执行时间为这些样品。从最近的研究(2),至关重要的是要注意,在剥离分析使用k意味着算法,更大的执行时间出现由于黑暗阴影区域在图像分类样本。这个原因提出实验也盛行。此外,为了减少的执行时间k意味着集群,它不推荐将其缩小图像样本,因为它导致的分辨率像素损失最终将显著影响最终结果的准确性。从加速表9,我们也可以推断,获得1.41倍的最大加速WP150为1英尺的数据集和WP170反过来意味着使用C + OpenMP执行时间降低了30%,这些数据集。

分析使用映射-规约模式实现PKIP之后,它可以推断从加速表13,对于单节点实现,C + OpenMP-basedk意味着实现是一个可行的选择k小于或等于5受到系统的规格。然而,如果我们想要增加集群的数量10 +,然后Map-Reduce-based PKIP算法的实现是非常合适的,因为它可以加速1.86倍,即,减少46.5%的执行时机WP150和WP170相比,1英尺数据集分类如果直接与顺序的实现k意味着使用C程序。更高的增长加速是可能的如果更多的计算节点被添加到集群中。提出的实验中,只有3额外添加计算节点。至关重要的是要注意,有一组庞大的调度配置Hadoop框架。因此,用户可以利用这些配置资源利用的最大受益于Hadoop,从而探索更好的执行计时结果的可能性比默认的调度算法。这也突显出一个事实:更多的空间使用映射-规约模式优化盛行的算法。认为有必要了解执行时间在聚类过程中起着重要的作用。拟议中的Map-Reduce-based PKIP算法适合集群相比,大型数据集顺序k意味着算法。

它也是从表中16- - - - - -18WMA标本准备使用PMD填料受到3英尺条件时显示的比例相对较少的损伤演化粘附失败如果相比1英尺和干燥条件。然而,当协会准备使用PMD填料受到3英尺条件,附着力的百分比的进化失败如果仅略高于1英尺和干燥条件。是指出一个环境与间接照明条件应使用以防止光反射。如果是不可避免的,以避免这样的条件,那么沉重的使用先进的过滤器将需要消耗更高的处理时间。浅蓝色或奶油背景很适合作为背景图像分析,因为它变得容易区分前景和背景之前的实现阈值的过程。拟定实验除了区分使用粘合破坏剥离,断裂表面由于破碎的总也被观察到。合成图像样本进行不同的冻融周期表明,大面积的非零像素(棕色像素)减少的Cecabase温拌添加剂。因此结果表明surfactant-based行之有效的化学添加剂大幅度减少暴露于水分特别是在混合使用PMD填料。此外,平均剥离率的WMA混合处理PMD抗剥落剂不到5.5%相比,最大程度的达到11%协会混合使用OPC填料后3英尺周期。在不同程度的水分条件(干燥,1英尺,3英尺)周期,协会和WMA混合物OPC填料显示脱胶(图的比例最高1(a))。另一方面,使用PMD的抗剥离剂协会和WMA显示相对较低的百分比粘合破坏与OPC填料相比,使用不同的调节周期。的分析结果表明,涂层的数量一直在增加包含PMD的混合填料使用WMA添加剂不管所使用的调节周期。

6。结论

从实验结果,得出结论,提出PKIP算法是可行的和有效的替代评估粘附在沥青混合料失败的百分比,从而鼓励的方法来确定水分损失程度的温拌沥青。重要的是要注意,在这个实验中,高分辨率(5520×3680)的图像沥青混合物被用来保持图像质量完好无损。因此,当PKIP算法应用于沥青混合料高分辨率图像使用OpenMP和使用映射-规约模式、执行时间减少30%和46%相比,如果顺序处理的k意味着集群。尽管如此,研究人员被鼓励提出PKIP算法适用于quadcore和octacore计算节点利用效率最好的程度。此外,一个分布式的版本k意味着集群也可以应用于3 d图像分析沥青混合料的试验不同类型的过滤器(39]。

从失败获得的结果的附着力,对协会,的WMA标本准备使用PMD填料在干燥条件有更高的抗湿性。同样明显的是,协会与OPC混合物填充后三个冻融循环(3英尺)更容易水分损失。然而,的WMA混合物与PMD填料被认为是更有效的比1英尺和干燥标本,是百分比的增加附着力失败并不是太高,如果相比,干燥和1英尺。百分比粘附WMA混合物的失败受到3英尺周期比无条件混合物更普遍(干)和混合物进行调节1英尺,确认pg - 76为基础的WMA混合物时受到3英尺空调协会相比更有效率。因此,分析沥青混合料的粘附失效,PKIP算法可以用来量化水分损失由于其高精度和较低的执行时间。

附录

色相饱和度值(HSV)阈值。的色调(H)组件的任何颜色代表其相似性的纯粹形式的颜色,而饱和度(年代)组件的任何颜色显示了非白人元素出现在它。值( )任何颜色的组件显示其随后的黑暗或光明。k中位数是一个变动的k手段,而不是计算意味着集群的计算质心,平均计算。K-medoid最小化的总和之间的异同点标记在集群和一个点为中心的集群。注意在超线程。至关重要的是要注意,CPU有两个物理核心有能力处理四个线程平行使用超线程。然而,实际上,一个物理核心是指定只运行单线程,但借助超线程、CPU能够利用空闲管道阶段执行另一个线程。通过这样做,它给出了一个幻想的一个单独的物理核心操作系统。处理器的某些部分复制存储架构状态,但主要执行资源。一个基本的RISC处理器指令管道包括五个阶段,即指令取出(如果),指令解码(ID),内存访问(MEM),执行(特异),注册回信(WB)。一个线程可以在MEM阶段,另一个线程可以在如果阶段。虽然有一些危险。例如,如果MEM阶段依赖于前阶段,那么它可能会导致问题。超线程旨在减少依赖指令的数量,这样可以让另一个线程运行在空闲管道阶段没有依赖的问题。 With respect to OpenMP code parallelization, data points and cluster centres were marked within the shared construct. Moreover, under the shared construct, the iterative matrix multiplication as mentioned in equation (8)第三任期被使用omp实现结构。OpenMP。图书馆为shared-memory-processors实现并行编程。首先进行阈值。一个算法用于图像分割它返回一个单一强度阈值区分前景和背景像素。 。在这里n是对象的数量,k集群的数量和吗我是迭代的数量。Scala。一个一般目的编程语言支持面向对象和函数式编程范式。

数据可用性

输入图像样本在这项研究中使用的沥青混合物可用Mendeley数据存储库通过链接:https://data.mendeley.com/datasets/x8ptnsjd7x/1 DOI: 10.17632 / x8ptnsjd7x.1。PKIP可用的源代码https://github.com/nishatakhtar/PKIP。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

提出的实验进行了航空航天工程学院和马来西亚理科大学土木工程学院。作者要感谢公路工程实验室的技术人员,土木工程学院的马来西亚理科大学,为他们完成这个项目的支持。作者要感谢RU-Top-Down格兰特(1001。PAERO.87052)和鲁伊·格兰特(1001. paero.8014035)提供的研究创新和管理办公室,马来西亚理科大学,支持本研究。此外,作者要感谢大学各种马来西亚国家石油公司和其工业格兰特md0 (015 - 052)。

引用

1. 吴y和h·金”,数字成像在评价建设项目进展,”21国际研讨会的程序自动化和机器人技术在施工发表会,页537 - 542年,济州岛,韩国,2004年1月。视图:谷歌学术搜索
2. a . Sahari穆贾达姆,大肠Rezazadeh阿扎尔,y Mejias, h·贝尔,“估计剥离的沥青涂料使用k——聚类和基于机器学习分类。”计算机在土木工程杂志》上,34卷,不。1,文章ID 4019044, 2019。视图:谷歌学术搜索
3. c·科赫Georgieva k、v . Kasireddy b . Akinci和p . Fieguth”审查基于计算机视觉缺陷检测和评估混凝土和沥青民用基础设施条件,”先进的工程信息卷,29号2、196 - 210年,2015页。视图:出版商的网站|谷歌学术搜索
4. 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
5. m . o .兄弟,s . y .格兰b . Golchin和j . Voskuilen”使用成像技术和直接拉伸试验来评估水分损失温拌沥青的性质使用响应面方法,”建筑和建筑材料卷,132年,第334 - 323页,2017年。视图:出版商的网站|谷歌学术搜索
6. w·歌,b .黄,x蜀”针对温拌沥青技术的影响和回春剂包含50%再生沥青路面沥青混合料的性能,”《清洁生产卷,192年,第198 - 191页,2018年。视图:出版商的网站|谷歌学术搜索
7. m·r·卡卡尔m . o .兄弟,和j·瓦伦汀,”回顾热,温拌沥青的水分损失和相关调查,“《清洁生产卷。99年,39-58,2015页。视图:出版商的网站|谷歌学术搜索
8. 徐,f·肖、美国Amirkhanian和d·辛格“混合物的水分特征与温拌沥青技术审查,”建筑和建筑材料卷,142年,第161 - 148页,2017年。视图:出版商的网站|谷歌学术搜索
9. t . Manzur k .马哈茂德•s妖妇Sultana, s·马哈茂德,“表面损伤的测量通过边界检测方法:一种方法来评估下的胶结复合材料耐久性制革厂废水,”先进工程材料ID 5368635条,卷。2016年,13页,2016。视图:出版商的网站|谷歌学术搜索
10. t . s . Yee和m . o .兄弟,”水分敏感性评价asphalt-aggregate成分受到直接拉伸试验使用成像技术,”建筑和建筑材料文章ID 116642卷,227年,2019年。视图:出版商的网站|谷歌学术搜索
11. m·r·卡卡尔m . o .兄弟,和j·瓦伦汀,”温拌沥青的剥离潜力分析使用成像技术,”IOP会议系列:材料科学与工程,卷236,不。1,p。012013年,2017。视图:出版商的网站|谷歌学术搜索
12. m·n·艾克塔、j·m·萨利赫和c . Grelck”使用Hadoop并行处理图像分割的数据。”国际期刊的综合工程,10卷,不。1,2018。视图:出版商的网站|谷歌学术搜索
13. j·李,美国歌曲,y,和z,“强劲k-median和k - means聚类算法对不完整的数据,”数学问题在工程卷,2016篇文章ID 4321928、8页,2016。视图:出版商的网站|谷歌学术搜索
14. h .歌曲,J.-G。李,W.-S。汉族,“PAMAE:平行k-medoids聚类精度和效率高,”第23届ACM SIGKDD学报》国际会议上知识发现和数据挖掘加拿大哈利法克斯,页1087 - 1096,,2017年8月。视图:谷歌学术搜索
15. 美国Garg“k-mean算法的变异:高维大数据集的研究,“信息技术杂志5卷,第1135 - 1132页,2006年。视图:出版商的网站|谷歌学术搜索
16. m . o .兄弟,m·r·卡卡尔和m . r . Hainin”在沥青混合料水分损失的概述Jurnal各种,卷73,不。4、125 - 131年,2015页。视图:出版商的网站|谷歌学术搜索
17. l . l . Li太阳、g .宁和s . Tan“路面裂缝自动识别基于BP神经网络,”Promet-Traffic &运输,26卷,不。时间为1页。月11日至22日,2014年。视图:出版商的网站|谷歌学术搜索
18. a . Cubero-Fernandez f . j . Rodriguez-Lozano r . Villatoro j .集中政策和j·m·帕”有效的路面裂缝检测和分类EURASIP杂志在图像和视频处理,卷1,39页,2017。视图:出版商的网站|谷歌学术搜索
19. b . Yu x顾、f .倪和l .高,“微观结构表征的就地冷再生沥青混合物通过x射线计算机断层扫描,”建筑和建筑材料卷,171年,第976 - 969页,2018年。视图:出版商的网站|谷歌学术搜索
20. j .江f .倪董,赵y,和k .徐“石头矩阵的疲劳损伤模型基于拉伸应变演化与聚合物改性沥青粘结剂使用数字图像相关方法和剩余强度退化,“测量卷。123年,此前,2018页。视图:出版商的网站|谷歌学术搜索
21. N.-D。黄平君”,表面裂纹的检测建筑结构使用图像处理技术和一种改进的大津方法图像阈值”土木工程的发展卷,2018篇文章ID 3924120, 10页,2018。视图:出版商的网站|谷歌学术搜索
22. N.-D。黄平君Q.-L。阮,d . Bui,天山”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 4018037, 2018。视图:出版商的网站|谷歌学术搜索
23. j . Schindelin c . t . Rueden m·c·西纳和k . w . Eliceiri”imagej生态系统:一个开放的平台为生物医学图像分析,“分子繁殖和发展,卷82,不。7 - 8,518 - 529年,2015页。视图:出版商的网站|谷歌学术搜索
24. 巴塔查里亚,美国Gupta, k . s . Venkatesh来说,“Dehazing使用随机彩色图像的增强,“《IEEE国际会议上图像处理(ICIP)凤凰,页2251 - 2255年,阿兹,美国,2016年9月。视图:出版商的网站|谷歌学术搜索
25. Chae y、m . Nakazawa和b轮“提高点击率改进,产品图片”学报2018年25日IEEE国际会议上图像处理(ICIP),页1428 - 1432年,雅典,希腊,2018年10月。视图:出版商的网站|谷歌学术搜索
26. a·c·尼尔森和s . Khorram图像处理和数据分析与ERDAS公司想象®美国佛罗里达州波卡拉顿,CRC新闻,2018年。
27. m . o .兄弟,m·r·卡卡尔s . a .表示“四”和j·瓦伦汀,”量化的水分的敏感性温拌沥青利用图像分析技术,”《清洁生产卷,68年,第208 - 200页,2014年。视图:出版商的网站|谷歌学术搜索
28. 美国东,j .钟,p .郝et al .,“多个关联规则挖掘在LTPP数据库:分析沥青路面热裂解痛苦,”建筑和建筑材料卷,191年,第852 - 837页,2018年。视图:出版商的网站|谷歌学术搜索
29. x郑,Lei, r .姚明,y锣,问:阴,“基于自适应k - means算法图像分割,”EURASIP杂志在图像和视频处理,卷1,p。68年,2018年。视图:出版商的网站|谷歌学术搜索
30. 兰提里,r . Lamperti a .西蒙et al .,“使用图像分析滚动瓶子测试结果,评估”国际路面研究和技术杂志》上,10卷,不。1,45-53,2017页。视图:出版商的网站|谷歌学术搜索
31. 李z . g . Liu d·张,y,“强大的求解图像分割基于突出的过渡区,”模式识别52卷,第331 - 317页,2016年。视图:出版商的网站|谷歌学术搜索
32. h·朱f·孟、j . Cai和美国,“除了像素:一个全面的调查从自下而上的语义图像分割和cosegmentation”杂志的视觉传达和图像表示34卷,12日到27日,2016页。视图:出版商的网站|谷歌学术搜索
33. c . k . t . Liu Liyanaarachchi Lekamalage G.-B。黄,z林”,一种自适应图像学习方法基于双聚类数据表示,“模式识别卷,77年,第139 - 126页,2018年。视图:出版商的网站|谷歌学术搜索
34. m . Al-Ayyoub s . Al Zubi y Jararweh, m . a . Shehab比比Gupta,“使用gpu加速3 d医疗体积分割,“多媒体工具和应用程序,卷77,不。4、4939 - 4958年,2018页。视图:出版商的网站|谷歌学术搜索
35. m .分支头目,a·佩雷斯,j . a . Lozano”一个高效的近似的k - means聚类大规模数据,”以知识为基础的系统卷。117年,56 - 69,2017页。视图:出版商的网站|谷歌学术搜索
36. m . Baydoun h . Ghaziri, m·胡赛尼”CPU和GPU并行内核k - means, "《华尔街日报》的超级计算,卷74,不。8,3975 - 3998年,2018页。视图:出版商的网站|谷歌学术搜索
37. k·Kerdprasop和n . Kerdprasop“k - means聚类的并行多核处理器,”《十圆柱应用计算机科学国际会议,页472 - 477,布达佩斯,匈牙利,2010年12月。视图:谷歌学术搜索
38. l .白x Cheng j .梁h .沈郭y,“快密度聚类策略基于k - means算法,”模式识别卷,71年,第386 - 375页,2017年。视图:出版商的网站|谷歌学术搜索
39. m·n·艾克塔j·m·萨利赫h . Awais和e·a·Bakar”使用映射-规约模式基于临界点调度程序并行图像处理中,“专家系统与应用程序文章ID 112848卷,139年,2020年。视图:出版商的网站|谷歌学术搜索
40. n . Dhanachandra k Manglem, y . j . Chanu”图像分割使用k - means聚类算法和减法聚类算法,”Procedia计算机科学54卷,第771 - 764页,2015年。视图:出版商的网站|谷歌学术搜索
41. t张和f·马”,改善粗糙k - means聚类算法基于加权距离测量与高斯函数,“国际计算机数学杂志》上,卷94,不。4、663 - 675年,2017页。视图:出版商的网站|谷歌学术搜索
42. k . Rajeswari o·阿·m·沙玛,m . Kopnar和k . Karandikar”改进k - means聚类算法使用数据集群”《2015年国际会议上计算通信控制和自动化普纳,页367 - 369年,印度,2015年2月。视图:出版商的网站|谷歌学术搜索
43. 美国丁:张j .张x, z .史,“无监督与表征特性,极端的学习机器”国际期刊的机器学习和控制论,8卷,不。2、587 - 595年,2017页。视图:出版商的网站|谷歌学术搜索
44. 答:汉和美国Poobal裂纹检测使用图像处理:关键的审查和分析,“亚历山大工程杂志卷,57号2、787 - 798年,2018页。视图:出版商的网站|谷歌学术搜索
45. m·r·卡卡尔m . o .兄弟,m·n·艾克塔和j·m·萨利赫“评估表面自由能和水分的敏感性温拌沥青粘结剂使用动态接触角,“土木工程的发展卷,2019篇文章ID 9153603, 15页,2019年。视图:出版商的网站|谷歌学术搜索
46. 公共工程部,为道路施工标准规范在马来西亚,第四部分:灵活的人行道,PWD,马来西亚,2008年。
47. 沥青研究所“Superpave Superpave混合设计”系列,2号(sp 2), 3日ed,沥青研究所,列克星敦肯塔基州,美国,2001年。视图:谷歌学术搜索
48. ASTM, ASTM D1559:测试方法的塑性流动阻力沥青混合使用马歇尔装置。美国ASTM,,西肯肖霍肯的PA, 2006。
49. 测试方法标准ASTM, ASTM D4867:水分对沥青混凝土摊铺混合的影响。美国ASTM,,西肯肖霍肯的PA, 2006。
50. d .陈:Roohi Sefidmazgi, h·巴伊亚,“探索的可行性评价沥青路面表面macro-texture使用基于图像的纹理分析方法,”道路材料和路面设计,16卷,不。2、405 - 420年,2015页。视图:出版商的网站|谷歌学术搜索
51. r .昌德尔·g·古普塔,“图像滤波算法和技术:审查。”国际先进研究期刊》的研究在计算机科学和软件工程,3卷,不。10日,2013年。视图:谷歌学术搜索
52. e . Ayguade“openMP的设计任务,”IEEE并行和分布式系统,20卷,不。3、404 - 418年,2008页。视图:出版商的网站|谷歌学术搜索
53. t .白色,Hadoop:明确的指南O ' reilly Media, Inc .,塞瓦斯托波尔,CL,美国,2012年。
54. h . j .曹m . Wang, g . Hu和y .田,“大规模场景图像检索新方法基于改进并行算法则在mapreduce的环境中,“数学问题在工程ID 3593975条,卷。2016年,17页,2016。视图:出版商的网站|谷歌学术搜索
55. m .丹麦,m . n, r . Hashim j·m·萨利赫和e·a·Bakar”分析使用图像分割的基本构成活性炭,”MethodsXID 100983条,卷。7日,2020年。视图:出版商的网站|谷歌学术搜索
56. m·n·艾克塔、j·m·萨利赫和t . Irshad“使用使用映射-规约模式框架,图像分割”《2018年国际会议上应用数学与计算科学(ICAMCS。净)2018年10月,布达佩斯,匈牙利,。视图:谷歌学术搜索
57. c·麦克唐纳,r·麦克格雷迪,苧,敏捷信息检索实验犬笔记本格拉斯哥大学格拉斯哥,苏格兰,2018。
58. c . Sreedhar: Kasiviswanath, p . c . Reddy”使用k - means聚类大型数据集修改内部以及相互在hadoop集群(KM-I2C),“《大数据,4卷,不。1,p。27日,2017。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年穆罕默德Nishat艾克塔等。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。