文摘

在建设调查的阶段,剥落和其严重性应该尽可能早些时候发现提供及时的信息结构健康建筑维护机构。正确检测碎片严重程度可以显著帮助决策者制定有效的维修计划和优先考虑他们的金融资源更好。本研究旨在开发一个计算机自动分类方法建立混凝土剥落的严重性。基于输入图像的混凝土表面,该方法能够区分一个轻微剥落切材料的深度小于混凝土覆盖层和深层剥落,钢筋已揭晓。描述混凝土表面状况、图像纹理描述符的统计测量颜色通道,灰度运行长度和center-symmetric局部二进制模式。基于这些texture-based特性,水母的支持向量机分类器优化搜索metaheuristic提出构建决策边界输入数据划分成两类浅层剥落,剥落。组成的数据集收集300份图像样本训练并验证该计算机视觉方法。实验结果支持的Wilcoxon符号秩检验指出,新开发的方法非常适用于混凝土碎片严重程度分类准确率= 93.33%,F1分= 0.93,接受者操作特征曲线下面积= 0.97。

1。介绍

剥落是一个明显的缺陷在钢筋混凝土结构表面广泛遇到(见图1)。剥落的出现显著恶化的完整性和耐久性混凝土元素。这一缺陷可能是由于严重的服务环境和负载。更重要的是,裂开等的出现可能表明更严重的损害在钢筋混凝土的内部结构元素,例如,钢筋腐蚀。

剥落应该尽可能早些时候发现由于以下几个原因。首先,碎裂严重影响建筑结构的审美对象,因此对居住者带来不适。第二,如果删除层混凝土保护层剥落,钢筋暴露在环境和这个事实加速钢筋的腐蚀(如图1 (b))。随后,碎片对象的面积和深度增加。第三,剥落出现在天花板、包层结构,为居住者或混凝土梁尤其有害。的材料断裂剥落区域可以造成严重的伤害,甚至失去生命。

因此,周期性的目视检查是必要的检测和评估剥落缺陷的严重程度。最重要的是,深层剥落的层混凝土保护层完全折断,钢筋暴露应及时发现和需要紧急补救措施。在越南以及其他发展中国家,目视检查由人类技术人员和人工视觉数据处理碎片检测的主要方法。虽然这些方法可以帮助检测和评估的严重性这痛苦准确,他们也是出了名的劳工和耗时。大表面积的混凝土结构,及时检查和快速可视化数据处理有限数量的核查人员几乎不可能。

因此,保持良好的适用性通过周期性的目视检查和评估是至关重要的保持建筑环境操作和保护居住者的健康。近年来,由于低成本的数码相机的可用性以及快速图像处理技术的提高,计算机应用结构健康监测系统已经越来越多地用于提高生产力的周期建设调查1- - - - - -3]。这些系统被证明是切实可行的构建工具缺陷检测。他们不仅能够提供可接受的检测精度,但同时也保证评估结果的一致性。计算机应用方法产生客观评价的结果;他们不受主观判断进行数据处理的人类。

由于上述优点,各种自动化和数据驱动方法用于混凝土剥落检测已经在文献中。德国et al。4)构建一个自动检测模型表面的剥落区域混凝土柱根据当地entropy-based阈值算法,全局自适应阈值算法,和形态学操作;测试模型与混凝土柱在postearthquake调查。Dawood et al。5)提出了一个计算机的方法建立剥落在地铁网络检测和量化;本研究利用各种图像处理技术包括图像阈值转换法,直方图均衡化,过滤,以探测碎片对象的量化程度。这台计算机的方法建立验证图像样本和一组75达到89.3%的准确率。

黄平君[6)依赖于一个可操纵的过滤器用于特征提取和基于机器学习数据分类识别墙缺陷包括混凝土剥落。粗糙度的方法描述符描述的基于霍夫变换和相似分析吴et al。7];这种方法用于识别混凝土剥落发生在地铁隧道表面。一个模型,集成了图像处理技术提出了纹理分析和机器学习的黄平君et al。8];一个分段线性随机梯度下降法逻辑回归已经被用于分类的图像混凝土表面分成两类“nonspall”和“碎片”。

Abdelkader et al。9)利用粒子群优化的能力metaheuristic加上Tsallis熵函数和离散小波变换自动化剥落区域的检测。黄平君[10)开发了一个提供基于图像处理碎片对象检测方法依赖于伽柏过滤器对感兴趣的区域提取、纹理分析方法对混凝土表面的特色之一,和逻辑回归模型用于数据分类;这种综合方法可以有效找到碎片对象而不是碎片严重程度分类的能力。

Abdelkader et al。11)开发了一个entropy-based自动检测方法,对钢筋混凝土剥落的严重性的评估桥梁;入侵杂草文中针对图像分割,图像信息基于理论的形式主义和Elman神经网络杂化制定方法。赵et al。12)研究各种特征选择策略使用机器学习模型和纹理描述符来检测混凝土表面的空洞。

最近,学习方法也被应用于解决这一问题的兴趣。深度学习模型的主要优势是特征提取阶段可以自动执行(13,14]。通过各种卷积和池操作,有用的特征,如边缘、形状、纹理等可以显示机器,用于随后的模式识别任务在一个完全连接层15]。魏et al。16)提出了混凝土表面bughole深上优于识别和量化;采用人工智能方法是卷积神经网络(CNN);主要研究发现CNN-based模型可以有效地取代传统的检测方法进行手动检查。

另一个深上优于混凝土表面空隙检测方法提出了在17];这个方法是由小型训练图像28×28像素,和它的性能优于传统的图像处理技术高斯拉普拉斯算子的算法和大津法。CNN-based方法用于检测建筑缺陷了(18];该方法能够自动检测和本地化等关键建筑缺陷模具、恶化,污渍。

尽管CNN-based方法通常能够工具检测混凝土表面剥落等缺陷,深入学习方法通常要求大量的图像数据集,以构建可靠的分类器(13,19]。这一事实需要努力在视觉数据收集和细致的数据标签的过程。此外,成功实现深度学习的模型还需要经验和调整大量的试错过程模型调优参数。

一般来说,根据最近的审查工作由科赫et al。20.];冯和冯21];盾和Catbas22];和Yadhunath et al。23),有增加趋势,应用图像处理和机器学习等自动检测混凝土表面祸患碎裂。因此,调查其他的图像处理工具和机器学习框架有助于提供一个广泛的对计算机视觉方法的可能性和能力在处理手头的任务。它还指出,尽管各种碎片对象模型检测被提出和验证,很少有研究构造碎裂严重程度分类模型基于二维数字图像。这样的模型可以非常有助于决策者和建筑维护机构安排他们的维护和优化他们的预算花在治疗有效的建筑元素。

此外,尽管机器学习方法被广泛用于计算机应用结构健康监测(3,12,24- - - - - -26),混合方法,结合机器学习的优势和metaheuristic算法很少在这个领域的研究特别是对混凝土碎片识别。Metaheuristic算法可以用来优化机器学习模型的学习阶段,因此有助于获得更好的预测性能(27- - - - - -33]。

因此,当前的研究旨在促进知识的身体通过构造一个混合动力机器学习和metaheuristic方法用于计算机应用混凝土碎片严重程度识别。采用机器学习的方法是支持向量机(34因为SVM已被证明是一个高度工具模式识别能力尤其是对非线性和多变量数据集(35- - - - - -40]。优化支持向量机的性能,小说,最近提议metaheuristic水母搜索的方法是利用。

水母搜索metaheuristic算法被用来确认最合适的调优参数的支持向量机模型,产量所需的钢筋混凝土碎片严重程度识别的预测性能。支持向量机用于这项研究认识到混凝土表面缺陷的浅碎裂和深邃的碎片。,第一节课代表碎片对象的深度小于混凝土保护层;后者类包含碎片对象嵌入钢筋暴露自己。

此外,由于上述类的地区有不同的堆焊粗/细度等属性的统计度量图像纹理描述符颜色通道(41的),灰度行程(42,43],center-symmetric局部二进制模式(44)是用来描述混凝土的表面性质用于碎裂严重程度分类。这些纹理描述符选择本研究由于其易于实现,快速计算,和很好的区别的能力(8,45- - - - - -50]。此外,由于在之前的研究(25,51,52),结合图像的颜色属性和纹理能够带来良好的图像分类精度。

总之,当前研究的主要贡献知识的身体可以表示如下:(我)本研究提出并验证计算机的方法建立混凝土碎片严重程度分类的能力。这种方法可以显著提高的效率和有效性定期调查混凝土结构健康的元素。(2)该方法是一种杂交的JSO metaheuristic和支持向量机。JSO算法用于自动优化支持向量机的训练阶段。(3)集成各种纹理描述符,包括统计测量颜色通道,灰度运行长度和center-symmetric局部二进制模式,旨在有效地描述混凝土表面的表面特征。(iv)计算机的方法是训练有素的和优化的自动建立最低人工干预和精力参数微调。

这项研究的后续部分组织如下。部分2综述了研究方法。在下一节中描述的结构提出了计算机的方法用于建立碎裂严重程度分类。实验结果发表在部分4。结束语,总结了主要研究成果在本文的最后部分。

2。研究方法

这部分的文章介绍了当前的研究的研究方法。研究方法包括四个主要部分:图像采集、图像纹理计算,模型优化和建设模式。整体研究方法是描绘在图2。本节的后续部分检查图像纹理描述符用于特征提取、机器学习和metaheuristic算法用于优化模型。

2.1。采用图像纹理描述符

可见,路面混凝土的性质与不同类别的剥落严重程度可用于模式分类。因此,本研究依赖于统计测量的图像像素强度(41),灰度行程(42,43],center-symmetric局部二进制模式混凝土碎片严重程度分类(44]。

2.1.1。统计测量的图像像素强度

本研究依赖于二维RGB图像样本识别混凝土碎片严重性。一个图像样本有三个颜色通道的红色(R),绿色( ),和蓝色(B),通常由三个分离矩阵,每一个都包含在一个颜色通道的像素强度的信息。提取图像的像素强度图像的统计测量样本我,有必要建立一阶直方图P(我)描述像素的灰度的统计分布。使用P(我),指标的意思 ,标准偏差 ,偏态 ,峰度 ,熵 ,和范围计算颜色通道 。因为每个颜色通道收益率六统计测量,总数的特性描述一个图像的像素强度分布样本三个颜色通道6×3 = 18。

指数的意思 ,标准偏差 ,偏态 ,峰度 ,熵 ,和范围得到以下方程(51]: 在哪里问= 256代表强度离散值的数量,c颜色通道的指数(R, ,或B),P(我)表示图像的一阶直方图。

2.1.2。灰度行程(GLRL)

GLRL,提出了42),是一个功能强大的方法,提取空间分布的统计特性,灰色的水平。该方法利用高阶统计分析多个像素的联合分布(48]。首先,从灰度图像GLRL矩阵计算。随后,发生在给定方向的像素是检查和统计量化。GLRL用于描述图像区域的粗或细度由于粗纹理的观察了大量的邻近像素强度具有相同的灰色。相反,少量的邻近像素的相似的灰度强度中观察到细微的纹理。鉴于GLRL感兴趣的一个图像,构造一个运行周期矩阵的印数源于一个位置(我,j)在某一方向上图像的47]。一般来说,对于一个图像样本,四个GLRL矩阵计算水平方向,垂直方向,和两个对角线的方向53]。

让p(我,j)表示一个运行周期矩阵,短期重点(行为),长期重点(LRE),灰度不均匀性(GLN),运行长度不均匀性(RLN),并运行百分比(RP)计算如下19,42]: 在哪里米和N表示灰色的数量水平和最大运行长度,N_r代表的总数和运行N_p是像素的数量,和我和j表示一个像素的坐标在一个图像样本。

除了上述指标,楚et al。54]提出的低灰度强调的重点(LGRE)和高灰度跑(HGRE)描述如下:

Dasarathy和持有人55]提出额外的指标提取GLRL矩阵。这些指标是短期的低灰度强调(SRLGE),短期内的高灰度强调(SRHGE),长期的低灰度强调(LRLGE),和长期的高灰度强调(LRHGE);他们的方程正解

2.1.3。Center-Symmetric局部二进制模式(CS-LBP)

CS-LBP,提出了44),是一个标准的修改版本局部二值模式(LBP) (56,57]。CS-LBP继承了枸杞多糖的能力在描述感兴趣区域的纹理通过其本地的分布结构以及排斥照明的变化。CS-LBP和枸杞多糖都公认简单但有效的纹理描述符(50,58]。然而,原始LBP的一个主要缺点是,它得到的长柱状图,因此产生大量(即。要学会,256)的特性。大量的数据维度通常强加一个重大的挑战对于机器学习模型依赖于感兴趣的数据构建分类器(59,60]。此外,标准的纹理描述符是不健壮的平面在描述图像区域44,58]。

提高枸杞多糖的性能,CS-LBP设计提出了一个新的方案两两像素比较如图3坚强一片×3像素,CS-LBP比较center-symmetric双像素附近产生不同的二进制模式。Δ功能是用于比较对像素;它的公式是由 在哪里T代表一个阈值的值用来检查2像素的灰度强度差异的重要性。

center-symmetric对像素进行比较来描述图像纹理的局部结构。因此,提取特征的总数只有16岁,而不是256根据枸杞多糖。此外,为了改善平面图像的鲁棒性,一个阈值的值T用于确定两个像素之间的灰度差异的重要性。阈值的值T通常被设置为3,建议在61年]。因此,公式用于计算CS-LBP描述符是由 在哪里我和k表示一个像素在图像样本的协调N= 8相邻像素的数量。

2.2。支持向量机分类(SVC)

SVC的模式识别方法首次提出在34]。该方法是一种高效的工具适合处理高维空间中分类任务。在这项研究中,SVC用于分类的输入图像数据分成两类标签深和浅的混凝土剥落。让 表示一个训练数据集。这里,输入特性是指由上述数值数据提取纹理描述符的统计测量颜色通道,GLRL, CS-LBP。利用SVC,一个近似函数 可以建立标签−1这意味着“浅碎片”和对应的标签+ 1“深碎片。”

应对非线性可分的数据集,SVC依赖内核函数来构建一个从原始输入空间映射到高维特征空间中数据集的线性分离是可行的。超平面的数据映射和建筑图演示了用于数据分离4。建立这样的超平面,下面的非线性优化问题必须解决: 在哪里 和b R超平面的参数,表示松弛变量的向量,C和代表了惩罚系数和非线性数据映射函数,分别。

制定一个SVC模型,映射函数的显式形式不是必需的。相反,点积表示一个内核函数K(x_k,x_l)可以获得。对于非线性模式识别,核函数的选择是径向基核函数(RBKF) [62年];它的公式是由 在哪里代表一个hyperparameter内核函数。

2.3。搜索(JS) Metaheuristic水母

可以前一节所示,建立一个SVC模型用于碎裂严重程度分类需要一个合适的惩罚系数的测定C基于函数和内核数据映射反映在调优参数σRBKF。惩罚系数C表明遭受处罚的数量分类错误的样本数据在模型训练阶段;调优参数σRBKF控制内核函数的位置影响SVC模型的泛化(63年]。

有人指出的任务寻找那些hyperparameters可以被认为是一个全局优化问题(28,32,64年- - - - - -71年]。此外,由于C和σ在连续空间,搜索参数组合是无限大的数量。这一事实进行了详尽的搜索最佳hyperparameters不可行。因此,本研究采用在JS metaheuristic解决此类优化问题。

JS metaheuristic,提出在72年),是一个表面算法非常适合解决全局优化问题。这个metaheuristic行为动机的水母在海里。在此,每个搜索代理被建模为水母。在人造海洋的运动搜索代理的搜索空间利益实际上模仿他们的动作由洋流的现实世界的海洋,一群内的运动,运动的时间控制机制模式发生变化。

周和Truong72年)提出了三个理想化的规则制定JS优化算法。第一条规则是,水母可以顺着洋流或者改变他们的位置在一个群有一个时间控制功能来管理他们的运动类型的转换。第二个规则是,水母改变他们的位置以寻找更好的食物来源。第三个规则是,健身的位置(反映在成本函数的值)以及水母在这个位置的食物量成正比。

后一群水母是随机生成的,搜索代理开始探索和利用人造海洋寻找更好的食物来源。第一种水母运动是随着洋流。在此,电流的方向表示如下: 在哪里T表示海流的方向,X_最好的是当前的位置最好的水母,新泽西是水母的数量,β= 3的比例因子,兰德代表一个随机数在[0,1]。

因此,通过更新水母的位置

在一群水母演示被动和主动的运动(73年,74年]。最初,当一群刚刚建立,水母往往表现出被动运动。随后,水母有倾向于遵循积极运动。被动运动是数学上制定如下: 在哪里γ= 0.1是一个运动系数和磅,乌兰巴托的上下边界搜索变量。

水母的活跃的运动是由数量决定的食物储存在一个随机选择的位置。一般来说,水母群方法更好的食物来源。一群内个体的位置是迭代修正如下: DJ表示水母的方向,X_我是目标水母,X_j是一个随机选择的水母群中,f表示感兴趣的问题的成本函数。

此外,治理水母的运动之间的群内的洋流和移动后,时间控制机制包括时间控制功能c(t)和一个常数C₀= 0.5采用。时间控制函数产生一个随机值从0到1。如果该值的c(t)超过C₀水母附着在洋流。相反,水母群内移动。时间控制函数是数学描述如下: 在哪里T_马克斯表示搜索迭代的最大数量。

2.4。收集到的图像样本

这项工作的目的是处理图像样本的钢筋混凝土表面剥落严重程度分类的任务。为了达到这种目的,本研究开展了实地调查在岘港市(越南)采集图像样本的钢筋混凝土表面。这幅图像集包含两个类别的浅层剥落和深层剥落。第一类包括剥落对象中剥落的深度小于混凝土覆盖层。第二类包括剥落对象的钢筋暴露在外部环境。

收集图像样本的总数是300;数据在每个类别的数量是150,以确保平衡分类问题。收集到的图像样本见图5。有人指出已被18-megapixel分辨率图像样本佳能EOS M10和16.2像素分辨率尼康。图像数据的标签已经被人类分配人员。

3所示。计算机应用水母搜索优化支持向量分类(JSO-SVC)混凝土剥落严重程度分类

文章的这一部分旨在描述的整体结构提出了计算机应用的方法用于自动分类混凝土剥落的严重性。新开发方法的总体结构包括三个模块:(i)图像纹理计算,(ii) JS-based模型优化和(iii) SVC-based剥落严重程度分类基于输入图像样本。图6展示了集成模块命名为JSO-SVC拟议的模型。该方法自动混凝土剥落严重程度的分类是一个整合图像纹理描述,基于监督机器学习模式识别,和随机搜索模型优化。

像素的图像纹理描述统计的方法测量强度,GLRL, CS-LBP用于从收集到的数字图像中提取texture-based特性。SVC模式识别器采用JS随机搜索的帮助下建立一个类边界输入特征空间划分为两个类别的“浅碎片”和“深碎裂。“JS随机搜索的作用是优化SVC模型的参数设置。指出结构计算模块开发了作者与Visual c# . net Microsoft Visual Studio。此外,JS的SVC模型优化算法在MATLAB环境中编码的帮助下统计和机器学习工具箱(75年)和JS的源代码可以在[访问76年]。优化计算机建立模型依赖于模块的结构计算和JS-SVC模型编码和编译在Visual c#。net框架4.7.2和协议提供的内置函数。净框架(77年]。

描述混凝土表面的性质,本研究依赖于像素的纹理描述统计的方法测量强度,GLRL, CS-LBP。第一个纹理描述符措施三个颜色通道的统计指数(红、绿、蓝)。对于每个通道,六个指标的平均值、标准偏差、偏态、峰态,熵,计算范围。因此,第一个描述符生成3×6 = 18特性。此外,由于研究目标之一是检测内钢筋的外观图像样本,在给定方向的像素的发生可能是有用的。因此,它有利于采用GLRL方法在特征提取阶段。四GLRL矩阵与取向0°、45°、90°和135°,计算每个收益率11统计测量。因此,GLRL描述符生成4×11 = 44特性。最后,CS-LBP纹理描述方法描述图像的局部模式计算区域。指出,计算CS-LBP,围绕中央像素的相邻像素的数量是8。 In other words, the radius of this texture descriptor is 1 pixel. As mentioned earlier, the CS-LBP yields 16 texture-based features. Accordingly, the total number of texture-based features used for spall severity classification is 18 + 44 + 16 = 78. The texture computation processes for the two class labels of interest area are demonstrated in Figure7。

训练和验证该JSO-SVC模型,收集到的数据集被随机划分为训练集(90%)和一组测试(10%)。训练集用于模型构建阶段;测试集是用于检查当看不见的数据样本预测模型的预测能力。此外,模型训练阶段前,Z分数归一化通常采用预处理提取的特征(78年]。因此,提取的特征都是大约集中在0和单位标准差。的Z是由分数方程 在哪里X_Z和X_D表示归一化和原始输入数据,分别米_X和性病_X代表均值和标准差的原始输入数据,分别。

此外,水母随机搜索与20水母是用来协助SVC训练阶段。有人指出JS metaheuristic的优化迭代次数为100。JS算法的参数包括比例因子(β),运动系数(γ),参数C₀的时间控制功能设置为3,0.1和0.5周的建议和Truong72年]。

这个随机搜索引擎优化模型选择的SVC模型用于碎裂严重程度分类hyperparameters通过一个适当的设置模型。通过操作基于海流和动作在一群后,人口的水母逐步探索和利用人造海洋和标识一组良好的惩罚系数和RBFK参数。在此,搜索变量的上限与下限[0.1,0.01]和(1000、1000),分别。此外,有效优化机器学习模型中,5倍cross-validation-based目标函数已被使用。JSO-SVC的目标函数是由(19] 在FNR_k和玻璃钢_k表示假阴性率(FNR)和假阳性(玻璃钢)计算的k分别th数据褶皱。

FNR和玻璃钢给出的指标 FN, FP、TP、TN指假阴性、假阳性,真正积极的,和真正的负面数据样本,分别。

4所示。实验结果和讨论

如前所述,JS-SVC模型编码和履行在4.7.2 Visual c# . net框架。此外,实验编制计算机程序已经执行在华硕FX705GE-EW165T(酷睿i7 8750 h和8 GB Ram)平台。JS metaheuristic用于调整SVC-based碎裂严重程度分类的方法。100次迭代后,JS metaheuristic坐落的最佳值搜索变量如下:惩罚系数= 867.6788和RBKF参数= 58.6156。最好的成本函数值是1.0696。水母群的优化过程是显示在图8。

如前一节所述,收集到的数据集,包括300个数据样本被随机分为训练集(90%)和一组测试(10%)。此外,可靠地评估的预测性能提出了JSO-SVC,这种模型研究反复训练和测试流程与20个独立运行。这些20个独立运行的统计测量获得用来量化模型预测能力的任务混凝土剥落严重程度的认可。这个重复的模型评价旨在减少造成的变化的随机性数据分离过程。

此外,为了演示JSO-SVC预测性能,随机森林分类(RFC)模型(79年)和卷积神经网络(CNN)模型(80年)曾作为基准的方法。RFC和CNN选择结果比较在这项研究中,因为这两种机器学习方法已经成功地应用于各种计算机应用相关工作或非破坏性试验结构健康监测/诊断[14,26,81年- - - - - -88年]。

RFC与MATLAB构造的统计和机器学习工具箱(75年]。自适应估计时刻(亚当)(89年(RMSprop)[]和均方根传播90年)是两个最先进的方法来训练神经网络。CNN模型由亚当和训练RMSprop被指示为CNN-Adam CNN-RMSprop,分别。这两个模型构造的帮助下深学习MATLAB工具箱(91年]。基准方法的模型结构已确定通过几个试错与收集到的实验数据集。分类树的数量用于随机森林系综是50。此外,两个CNN模型训练3000时代的批量大小8。采用CNN模型训练和学习速率参数= 0.001;此外,l₂正规化的正则化系数0.0001被用来减轻模型过度拟合(91年]。实现深层神经计算模型,输入图像的大小被标准化的32×32像素。的模型结构采用CNN模型如表所示1。

此外,评价的预测能力提出JSO-SVC和雇用基准方法,采用一组性能度量指标在本节中。碎裂的问题严重性以来建模为两分类问题,分类准确率的指数(汽车),精度,还记得,阴性预测值(NPV),F1分,接受者操作特征曲线下面积(AUC) [92年,93年)是用来量化分类模型的性能。接受者操作特性曲线的绘制和计算的AUC,引导读者van Erkel和Pattynama的以前的工作94年]。汽车的详细计算,精度,回忆,NPV,F1给出了[92年,95年] 在哪里N_C和N_一个表示数字的正确预测数据和数据的总数,分别。如前所述,FN、FP、TP、TN代表假阴性,假阳性,真正积极的,和真正的负面数据样本,分别。

提出的预测表现JSO-SVC和其他基准方法如表所示2这报道的平均值和标准偏差(Std)使用性能度量指标。从这个表可见,JS和SVC的提出杂交获得最准确的混凝土剥落严重汽车= 93.333%,分类精度= 0.932,回忆= 0.936,净现值= 0.963,F1分= 0.933。的模型构建阶段JSO-SVC需要计算时间1067.4秒。该方法的计算时间约是3.3秒。

RFC是第二个最好的方法与汽车= 87.500%,精度= 0.871,回忆= 0.890,净现值= 0.892,F1分= 0.877,其次是CNN-Adam(召回汽车= 81.500%,精度= 0.877,= 0.750,净现值= 0.788,和F1分= 0.799)和CNN-RMSprop(召回汽车= 79.167%,精度= 0.809,= 0.777,净现值= 0.794,和F1分= 0.785)。与汽车> 90%F1 > 0.9,可以看出JSO-SVC高度准确的预测结果。决策树的性能车= 87.5%,RFC的合奏F1分= 0.877是相当准确的和可接受的。与此同时,随着汽车的值和80%左右F1分数接近0.8,CNN模型的性能显然不如JSO-SVC和RFC的机器学习方法。箱线图展示统计分布模型的性能车F1分数获得20独立运行提供了数据9和10。

除了上述指标,ROC曲线和AUC也分类性能的重要指标。ROC曲线是一个图描述模型分类阈值时的性能变化。图的横轴是假阳性率和图的纵轴是真正的积极的速度。提出的ROC曲线JSO-SVC和其他基准模型提供了数据11- - - - - -14。从这些曲线,AUC值可以计算。AUC措施ROC曲线下的二维区域。这个指标描述了一个综合评价模型的性能与分类阈值的所有可能的值。AUC在0和1之间变化与0指示一个无用的分类器和1展示一个完美的分类器。从实验观察结果,JSO-SVC也达到最高的AUC为0.969,其次是RFC (AUC = 0.944), CNN-Adam (AUC = 0.896),和CNN-RMSprop (AUC = 0.855)。箱线图的AUC结果如图15。

此外,为了可靠地维护新开发的优越性JSO-SVC模型用于混凝土剥落严重程度分类,本研究采用Wilcoxon符号秩检验(96年)显著水平(值)= 0.05。的Wilcoxon符号秩检验是一种广泛使用非参数统计假设检验用于模型性能比较(97年]。这个统计假设测试的一个重要优点是它不需要正态分布的假设数据65年]。因此,Wilcoxon符号秩检验提供了健壮的统计力量和可能产生统计显著的结果。

汽车的重要性能度量指标,F1分,AUC这非参数假设检验。这里,零假设是,意味着两个模型的预测性能实际上是相等的。的Wilcoxon符号秩检验的结果被发表在表3- - - - - -5。显著地,值< 0.05,可以拒绝零假设,提出了混合法的优越性可以坚定地说。

实验结果显示的优越性JSO-SVC在深神经CNN模型的计算方法。可以看出,尽管CNN模型被证明是强大的方法在不同的计算机视觉任务,其性能很大程度上取决于训练样本的大小(48]。CNN的主要优点在于其能力的自动功能表示通过卷积运算符及其分层架构学习高级特性从原始数据。然而,这两种优势才能实现与样本数量足够大的图像正确的地面真值标签。所(98年),当训练样本的数量不足,深度学习的性能模型可以不如手工功能的预测方法。

的情况下有数量有限的数据样本,有困难的CNN模型适当微调他们的内部结构需要大量的参数中指定不同的隐藏层(58,99年]。因此,拥有300数据集的图像样本,JSO-SVC的混合机器学习方法与texture-based特征提取的能力优于CNN的方法。模型优化过程通过梯度下降算法采用CNN遇到某些困难识别适应的网络参数,因为训练参数的数量大大超过大小的数据。这个事实在一定程度上反映在深度学习模型的预测结果的稳定性。

量化模型的稳定性预测,本研究采用了变异系数(浸)One hundred.]。这个指数被定义为均值标准差的比值。一般来说,一个小x值表示一个小变化的预测结果和与一个可靠的模型。浸指数的模型,RFC,两个CNN报道在图模型16。考虑到指标的汽车,F1分,AUC JSO-SVC x (x和_车= 4.07%,浸_F1-score= 4.54%,浸_AUC= 2.04%)明显低于CNN-Adam (x和_车= 6.96%,浸_F1-score= 8.35%,浸_AUC= 6.65%)和CNN-RMSprop (x和_车= 10.48%,浸_F1-score= 12.28%,浸_AUC= 9.36%)。

另一方面,该方法基于SVC模式识别器,有助于学习与小型或中型规模的数据集,因为SVC关注稀疏属性在构建一个从数据分类模型。换句话说,最后SVC模型只有诉诸一小部分的数据集构建分类边界。中包含的数据点这么小的子集被称为支持向量,和他们是高度相关的信息进行混凝土碎片严重程度分类的任务。这是一个重大的优势JSO-SVC因为稀疏混凝土碎片严重程度分类模型不太可能遭受过度拟合数据。这一点清楚地演示了通过学习性能(汽车= 95.926%)和测试性能JSO-SVC (93.333%)。提议的方法的准确率的训练和测试阶段相对接近对方。

JSO基于集成的分类模型和SVC还有一个高度稳定的学习由于其稀疏属性因为稀疏模型能够减轻噪声样本收集的数据集内的影响。此外,SVC模型结构可以归结为求解一个二次规划问题,可以保证学习收敛到全局最优的解决方案。这个特性JSO-SVC也促进了碎片严重程度识别的可靠性和稳定性能。x和上述分析揭示了这些事实。JSO-SVC浸,不到5%,相对低于其他基准模型。

然而,拟议的碎片严重程度识别模型的缺点之一是,优化过程需要确定一组最优参数的SVC可能代价高昂。原因是SVC-based模型训练和预测阶段的内部运营成本函数计算阶段JSO利用。JSO-SVC-based抗剥落严重程度分类器的另一个限制是它没有配备先进的特征选择。这些缺点应该在未来的扩展当前的工作。

5。结束语

本研究提出和验证计算机自动分类方法建立混凝土剥落的严重性。该方法是一种集成的图像纹理分析方法,基于metaheuristic优化和机器学习模式识别。统计测量的纹理描述符的颜色通道,GLRL,和CS-LBP用于描述图像的混凝土表面颜色,灰色像素运行长度和局部结构。提取特征,SVC机器学习优化的JS metaheuristic被用来构造一个决策边界分割输入数据分为两类的深层剥落和浅层剥落。

收集数据集包括300图像样本训练提出了计算机视觉方法。实验结果指出,该集成模型可以帮助达到最理想的碎片严重程度分类与汽车= 93.333%,精度= 0.932,回忆= 0.936,净现值= 0.963,F1分= 0.933,AUC = 0.969。这些结果明显优于基准的方法包括RFC和CNN模型。因此,新开发JSO-SVC可能是一个潜在的工具来协助建立维护机构的任务周期结构健康调查。进一步改善当前的方法可能包括以下:(我)利用混合模型来检测其他混凝土表面缺陷如裂纹、bughole藻殖民等等。(2)其他复杂的纹理描述符表示的就业特点的混凝土表面和表面处理噪音背景更好。(3)增加当前数据集的大小来改善当前方法的适用性。(iv)调查结合的可能性手工texture-based特性与深度学习模型用于混凝土剥落严重程度分类。(v)metaheuristic-based模型采用先进技术优化和特征选择提高碎裂严重程度识别任务的性能。

数据可用性

数据集用于支持这项研究的结果已经存入的GitHub库https://github.com/NDHoangDTU/ConcreteSpallSeverity_JSO_SVC。78年第一列的数据texture-based特性从图像中提取样本。最后一列的标签数据实例与0 =“浅层剥落”和1 =“深层剥落。”

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由越南国家科学技术发展基金会(NAFOSTED)批准号107.01 - -2019.332。