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

文摘

识别表面剥落的混凝土墙建设情况调查是至关重要的。早期发现这种形式的缺陷可以帮助开发有效的康复方法维护机构。本研究发展一种方法剥落区域的自动检测。该方法包括图像特征提取和图像纹理计算一个分段线性随机梯度下降法逻辑回归(PL-SGDLR)用于模式识别。从颜色通道的统计特性,获得图像纹理灰度同现矩阵,灰度运行长度作为特性来描述混凝土墙的表面条件。基于这些特征提取,采用PL-SGDLR分类图像样本分成两类“nonspall”(负类)和“碎片”(积极类)。值得注意的是,PL-SGDLR是标准的扩展逻辑回归的线性决定表面是被一个分段线性取代。这个改进可以提高逻辑回归的能力在处理碎片检测是一个复杂的模式分类问题。实验与1240年收集的图像样本显示,PL-SGDLR可以帮助提供一个好的检测精度(分类准确率= 90.24%)。缓解模型实现,PL-SGDLR程序开发并在MATLAB和Visual c# . net编译。 Thus, the proposed PL-SGDLR can be an effective tool for maintenance agencies during periodic survey of buildings.

1。介绍

在高层建筑的维护过程,重要的是识别表面缺陷,确保结构的使用可靠性。原因是表面质量强烈影响建筑物的安全以及美学。建筑后交付给客户,他们的条件迅速恶化由于恶劣天气条件的综合影响,居住者的活动,和结构老化(1]。恶化的建筑通常是反映在形式的裂缝和裂开等。这些形式的损害不仅给使用者带来不便,也降低了结构完整性(2]。如果定期维修过程不能检测和处理这种损害及时、建筑物的所有者可能遭受经济损失由于资产价值的下降。因此,正确的表面损伤检测是一个重要的任务在建设条件评估。

剥落(见图1)当碎片的材料(如混凝土、砂浆)逐出表面结构的影响或内部压力。剥落发生在混凝土由于水分侵入结构元素。裂开等普遍观察到在不同的结构元素在建筑如墙、梁、柱、天花板和地板上。特别是对于钢筋混凝土结构,裂开等指标的氧化或腐蚀钢筋的3- - - - - -5]。因此,如果这种形式的缺陷是不明和未经处理的建筑维护过程中,腐蚀问题的增援部队可能迅速扩大和显著恶化的结构耐久性。

在越南,周期性建筑维护通常是由人类的技术人员。这种做法在其他国家也很常见,由于人类的检查可以帮助获得高水平的准确性和直接指出潜在的问题发现缺陷(6]。然而,人工调查是出了名的已知是耗费大量的时间和人力3]。此外,建筑的质量评估也强烈地依赖于技巧,人类核查人员的经验和主观判断。这一事实可能导致构建评估结果的可变性。此外,数据收集的过程通过测量、数据处理和报告是非常耗时的高层建筑有大量的结构元素需要定期调查。因此,它有利于维护机构配备一个更有效率的方法构建条件数据收集和处理。

自动化的构建条件评估方法中,基于图像处理的方法被广泛使用,因为该领域的快速发展和负担得起的数码相机的成本7- - - - - -9]。使用图像处理技术,区域的图像样本遭受剥落可以从健康的杰出和孤立地区基于从这些区域提取的特征。从本质上讲,剥落属于一类基于区域的缺陷。这意味着使用一个像素的信息不能满足碎片检测。因此,需要提取图像的特征区域和分析识别碎裂的缺陷。

然而,表面缺陷基于识别的区域结构是一个具有挑战性的任务。这是由于各种困难包括多元化的混凝土表面纹理、不均匀照明,不规则纹理造成的污渍,等。因此,近年来,相当数量的研究工作一直致力于自动检测区域的痛苦包括剥落。Suwwanakarn et al。10)提出了三个圆形的就业过滤器来检测混凝土表面气泡。科赫和Brilakis [11)提出了一个深坑采用图像阈值检测方法,形态变薄,椭圆回归,和纹理提取。

德国et al。4)提取剥落区域混凝土柱的主要属性postearthquake建筑物的安全评价;本研究涉及图像阈值的技术通过一个本地entropy-based算法和全局自适应阈值的方法。随后,模板匹配和形态学操作可以执行识别受损区域(4]。提出了一种多光谱图像分析方法通过Valenca et al。12)来评估混凝土损伤和描绘的恶化区域以自动的方式。

金等。13)建立了一个框架来评估预制混凝土元素的尺寸和表面质量的基础上BIM和3 d激光扫描。桩等。14)提出一个基于计算机视觉的方法检测大楼列用于损伤识别和检索它们的属性。本地化技术和量化在混凝土表面剥落缺陷提出了地面激光扫描仪(就业的5]。李等人。15]调查一个集成框架的可行性凹坑的检测和测量的基础上2 d图像和地面穿透雷达数据。Konishi et al。16]在地铁隧道衬砌检测无效使用热成像照片和信号分析。Dawood et al。3)开发基于图像处理技术的集成模型和机器学习算法剥落检测中使用情况调查的地铁网络;图像处理技术包括各种方法的图像平滑、阈值转换法,直方图均衡化,过滤。黄平君[2]依赖可操纵的过滤器和机器学习识别缺陷出现在墙面。奥利维拉桑托斯et al。17和桑托斯等。18)提出了高光谱图像处理模型来检测裂缝模式对清洁和混凝土表面与生物染色。最近的研究工作(19- - - - - -23]指出越来越趋势的应用计算机视觉在结构健康检查。

自剥落区域和健康的独特的纹理特性,纹理的图像样本计算和用于碎裂的认可。图像纹理表达颜色和强度的空间安排在一个图像样本24]。因此,图像纹理等计算方法统计测量颜色的渠道(如平均值、标准偏差、偏态等)(25),灰度同现矩阵(26),和灰度运行长度(27]可能申请碎片检测。基于图像纹理的基础功能,机器学习分类方法可以用于分类数据实例的碎片(积极类)和nonspall(负类)。然而,很少有研究调查的效率提到的图像纹理计算碎片识别。此外,很明显,图像处理和机器学习的结合可能导致有效的结构健康监测解决方案(28- - - - - -34]。然而,杂交模型基于图像处理和机器学习分类器的优势很少用于碎片检测。因此,当前的研究是为了填补这些差距在文献中。

此外,碎裂的问题检测可以制定两种模式识别;它能够模型目标输出为一个二进制响应变量与“nonspall”= 0和“碎片”= 1。因此,逻辑回归(LR),这是一个模型的二进制数据(35),可以用于模式分类。逻辑回归线性分类器是一个简单但有效的机器学习模型的概率预测的结果。LR模型的关键过程是定义一个线性分类器(超平面的形式)和一个目标函数(在对数似然函数的形式);因此,梯度下降算法可以应用于适应模型参数(36]。LR的实现非常简单,其成功应用在各种研究已报告(37- - - - - -39]。

然而,LR可观测的限制之一是,其就业的一个线性分类器在超平面的形式表达。改善LR的能力在处理非线性数据,本研究调查的可行性替代传统的线性分类器中使用LR的分段线性模型。这个修改会导致更高程度的灵活性的模型结构,并可能带来一个更好的预测精度。在这项研究中,一个分段线性LR模型,名叫PLLR开发检测混凝土表面剥落区域墙结构。此外,以前的工作的描述顺序算法黄平君[40)和随机梯度下降算法(41)用于火车PLLR模型。收集数据集包括1240图像样本构造和验证该方法。颜色通道的统计描述,灰度同现矩阵的属性和属性的灰度运行长度是用来计算图像样本的纹理。此外,基于图像纹理的特征为基础,采用主成分分析的降维。的性能提出PLLR与随机梯度下降法为基准LR和反向传播人工神经网络。

本文的后续部分组织如下。第二部分回顾了研究方法,第三部分描述收集图像数据集;第四部分描述了该模型的结构用于自动识别混凝土墙壁剥落。第五部分将报告实验结果;几本研究结论提供了最后一节。

2。研究方法

2.1。图像纹理计算

由于混凝土墙的典型结构,两个像素有相同的彩色/灰度可以属于剥落和nonspalled地区。因此,它是不可行的探测碎片在像素级,因为信息碎片识别单个像素是不够的。如前所述,由于剥落和nonspalled混凝土墙面有关于颜色和粗糙度的特色。因此,纹理图像的区域信息可以帮助识别剥落了墙部分。因此,一个大型测量图像分为若干nonoverlapped图像样本与一个固定大小(例如100 x100像素)。这个部门还可以帮助加快纹理计算过程。基于这样的小图像样本,关于统计度量图像纹理的颜色通道(25),灰度同现矩阵(26),和灰度运行长度(27计算和用于数据分类。

2.1.1。统计特性的颜色通道

从混凝土表面背景可能包含不规则对象(如油漆或污渍引起的腐蚀钢铁增援,信息图像的颜色样本可以有助于碎片识别的任务。让代表图像的一阶直方图样本 ; 计算如下(25]: 在哪里是一个颜色通道(红色或绿色或蓝色)。表示数量的像素颜色值的通道 和代表图像的高度和宽度的两个参数。

因此,平均( )和标准偏差( )的颜色值可以计算以下列方式: 在哪里 。问= 256是离散的颜色值的数量。

此外,偏态( )和峰态( )离散的颜色值计算如下:

熵( )和范围( )颜色的强度计算和描述图像样本的独特特征。这些和计算如下:

2.1.2。应用灰度共生矩阵建立灰度同现矩阵()

在计算机视觉领域,灰度同现矩阵应用灰度共生矩阵建立()(26)是一种常见的纹理分类方法。同现矩阵提供了信息的分布cooccurring像素值在给定偏移量(42]。同现矩阵计算之后,它往往是标准化的。随后,一组统计措施可以从这个归一化矩阵计算。此外,它是有益的对纹理图像的分类检测特点的区域旋转不变。这就是为什么同现矩阵通常是计算在不同的正则角( )某些值的偏移量 。的常用值0°、45°、90°、135°(42]。

是适当的注意,彩色图像样本之前,必须转换为灰度图像计算应用灰度共生矩阵建立的。让 代表一个应用灰度共生矩阵建立用来计算图像的关系。因此,对颜色的联合概率水平发生在两个地点由关系可以计算(42]。这个联合概率的信息提供了一个同现矩阵在这 表示两个颜色的概率水平的和发生的关系(43]。

规范化的同现矩阵计算如下: 在哪里代表了应用灰度共生矩阵建立规范化和是像素的总数。

与 和= 0°、45°、90°、135°,我们可以建立四个同现矩阵。基于这四个矩阵,角二阶矩的指数(AM),对比(有限公司)、相关(CR)和熵(ET)可以获得和利用纹理分类(44,45]。这些指标是由下列方程计算(26]: 在哪里 表示颜色的数量水平值。考虑 在哪里 ,和代表了手段和相关的边缘分布的标准偏差 (26]。

2.1.3。灰度运行长度(GLRL)

首次提出了加洛韦(27),纹理分析的基于灰度运行长度在图像处理是一种有效的方法。这种方法是基于灰度相对较长,运行更经常发生在一个粗糙的纹理和质地细腻通常包括短运行(46]。基于先前的实验工作,灰度运行长度的属性可以帮助构造纹理分类任务的有用特性(47- - - - - -50]。图像样本和在一个特定的方向,一个运行周期矩阵被定义为图像的次数都包含一个运行长度j灰色的水平(27]。基于 ,各种纹理特征计算(46]。

让和表示灰色的数量水平和最大运行长度,分别。此外,让的总数,让运行是图像中像素的数量。给定一组的方向 ,运行长度矩阵计算。因此,根据每次运行长度矩阵,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)定义如下27,46]:

除了以上五个属性,楚et al。51]提出的低灰度强调的重点(LGRE)和高灰度跑(HGRE)如下: 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(48)如下:

2.2。随机梯度下降法逻辑回归

指出,手头的任务是构建一个决策边界数据实例分为两类标签nonspall和碎裂。因此,逻辑回归模型(LR),这是一种强大的模式分类器,可以使用(52]。LR选择建立碎片检测模型在这项研究中,因为它的学习阶段是非常简单的。此外,LR模型结构很容易解释。这台机器学习方法也被成功地应用于各种最近的应用程序(53- - - - - -56]。

让模型的结果。= 1(积极的类),当一个样本受碎裂和形象= 0(负类)当一个图像样本是免费的从碎裂。让是一个向量的输入特性从一幅图像中提取样本。在此, 在哪里表示用于分类的特征的数量。此外,一个向量的 代表了适应性的LR模型的参数。

是用来表达积极的概率类碎裂的输出计算如下(35]: 在哪里 。

值得注意的是, 被称为物流功能或乙状结肠函数及其导数表示在以下表格41]:

积极的和消极的概率类给出如下:

因此,输出概率可以在下列方程计算(41]:

LR的可能性模型参数可以表示如下(41]: 在哪里表示数据样本的数量。

来识别模型参数 ,下面的对数似然函数最大化:

随机梯度下降法(SGD) (36)可以用来构造LR模型通过调整其适应能力的参数 。在模型构建阶段之前,收集到的原始数据样本应该分为两组:一个训练集和测试集。第一组采用适应模型参数;后者集是用于确认模型的泛化能力。SGD算法中描述的程序算法1。

在SGD算法,数量可以计算如下:

因此,更新规则用来确定LR模型参数表示如下: 在哪里 与所有 。

2.3。分段线性模型

如前所述,一个限制标准的LR是其决定的形式给出了一个线性模型,本质上是一个超平面。本研究旨在扩展的能力LR表面采用分段线性的决定。底层概念如图2。在此,一个模型是用来描述两个数据输入空间划分为两个区域类别。而不是使用一个线性决定表面,采用分段线性的,以适应输入数据的一个子集 。位置从某个子集过渡到另一个称为断点或一个结57]。断点增强模型的灵活性瓦解输入空间到子空间中的每个线性模型可以用来配合收集到的数据(40]。

类似于一个分段线性回归的概念58),一个分段线性模型的数学公式和一个断点显示如下: 在哪里表示的向量预测变量组成的元素。代表结的价值。表示模型的输出。

分段线性的模型建立分类模型需要结的选择和模型参数( )。在这项研究中,结的位置被确定通过序贯算法描述黄平君(以前的工作的40]。此外,根据收集到的数据样本和所选节,上述SGD算法用于训练分段LR和揭示的集合这带来了最好的适合手头的数据集。

3所示。图像数据集

由于逻辑回归是一个监督机器学习算法,组成的一个数据集1240路面图像样本收集与地面真理标签来构建基于逻辑回归的分类模型。,图像的两类样本的数量nonspalling和剥落都是620。数字图像被调查期间收集的旅行的几个高层建筑在城市岘港(越南)。使用的相机是佳能EOS M10。相机是定位在一个距离约1.5米的混凝土表面。形象两类样本nonspalling(标签= 0)和剥落(标签= 1)已经准备进一步分析。

加快的速度特征提取过程中,图像样本的大小已经固定为100 x100像素。收集到的图像样本显示在图3。值得注意的是,图像样本的地面实况分配由人类检查员和墙上的条件(nonspalling或剥落)在图像的水平。此外,一个图像标记为剥落如果剥落面积占至少50%的整个图像样本。为了确保图像集的多样性,nonspalling包括样本的类完整的混凝土表面,裂纹,和污渍;剥落的类也考虑样品的钢筋。

4所示。提出的分段线性随机梯度下降法逻辑回归模型墙碎片检测

本节的研究描述了新开发的整体结构分段线性(PL)随机梯度下降法逻辑回归(SGDLR)墙碎裂模型检测。名叫PL-SGDLR,该模型是一个杂化的图像纹理计算和数据分类方法。应用灰度共生矩阵建立的统计测量颜色通道,并GLRL被用于计算每个图像的纹理样本。PL-SGDLR使用图像纹理作为分类特征数据样本的类别nonspall和碎裂。该模型结构如图4主要包括两个模块:基于图像纹理特征提取和PL-SGDLR数据分类。第一个模块是在Visual c#开发。由作者净;第二个模块是在MATLAB编程。两个模块的图形用户界面是显示在图5。

第一个模块的特征提取,图像纹理计算技术包括统计分析颜色通道,GLCM, GLRL用来从图像中提取特征样本。这个模块开发了作者在Visual c#。4.6.1净(框架)。首先,群特性基于彩色图像的统计特性计算。为每个三个颜色通道(红、绿、蓝),六个统计指标的意思是,标准差,偏态、峰态,熵,根据上述公式计算和范围。因此,特征提取的总数从这些统计测量图像的样本是6 x 3 = 18。

第二,纹理特征提取的四个同现矩阵对应的方向0°、45°、90°、135°。因为每个同现矩阵收益率四个角二阶矩的属性,相反,相关性,和熵特征提取的总数GLCMs是4 * 4 = 16。第三,功能组提取四个GLRL矩阵计算。四GLRL矩阵是由四个方向的考虑到像素的纹理0°、45°、90°、135°。对于每个GLRL矩阵,短期的11个属性(行为),强调长期重点(LRE),灰度不均匀性(GLN),运行长度不均匀性(RLN),运行百分比(RP)的低灰度重点(LGRE)运行,运行的高灰度强调(HGRE),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)计算来表示图像纹理。因此,从GLRL提取的特征矩阵的总数是4 x 11 = 44。

因此,每个图像样本提出了特征向量组成的18 + 16 + 44 = 78元素。当数值特征提取模块完成数据集组成的1240个数据样本和78年准备输入特性进行进一步分析。这类数据集有两个输出:0表示nonspall(负类)和1表示碎片(积极类)。标准化数据的范围和促进数据建模过程,提取的数据集已经使用z分数数据标准化处理(59]。此外,广泛采用统计程序的主成分分析(PCA)是用于降维。PCA基本转换原始数值数据的输入特性设置为一组线性不相关的变量(60]。处理过的数据然后被随机分为两组:一组训练(90%)和一组测试(10%)。第一组数据用于模型建设;后者数据集用于模型验证。

的训练阶段PL-SGDLR模型依赖于一个铰链函数的概念(61年)(见图6)。从图我们可以看到,一个铰链函数的输出是零在一定范围的一部分。因此,这个函数是用于将数据划分为区域分开;每个地区可以令人满意地由一个线性模型拟合。使用这样一个铰链的概念功能,PL-SGDLR模型有一个预测变量和一个断点给出如下:

因此,输出根据不同的解释变量的值可以写成:(我)如果 然后 。(2)如果 然后 。(3)如果 然后 。

从本质上讲,双方一个断点预测变量的 ,两个线性模型构造。条款β₀,β₁₁,β₁₂,β₂₁,β₂₂这两个参数是线性模型。没有多大困难,模型与一个预测变量和一个断点可以广义模型和许多预测变量和多个断点在以下方式: 在哪里预测变量的指数;表示数量的预测变量;代表的铰链的索引功能预测变量;表示数量的铰链的功能预测变量。

确定适当的断点的预测变量,每个输入功能的范围被划分到等距的子范围如下: 。因此,每个变量有 候选人的节。然后模型构造顺序通过添加一个适合每个输入变量在每个迭代的断点。过程模型的构建阶段中演示了算法2。

为了从一组候选人接受一个断点,以下提出了适应度函数: PPV和NPV阳性预测值和阴性预测值,分别。代表一个正则化参数;SumBP是目前公认的断点的数量;= 1是一个标量只是用来确保数值稳定。

这两个量的PPV和NPV计算如下:

在(35),第一项( )代表了模型分类精度;第二项( )用于量化模型的复杂性。合理获得模型具有高价值的分类精度和减少复杂性。这是因为一个模型具有高度的复杂性往往overfitted。此外,该模型可以表示的复杂性SumBP。因此,具有高价值获得理想模型的预测值(PPV和NPV)和低SumBP。断点验收标准(BAC)计算适应度值检查的好处接受结的候选人。如果一个候选人可以帮助增加模型的健身价值,允许输入模型结构。指出,为了计算分类精度整个LR模型由SGD安装在前一节中描述的研究。

5。实验结果和比较

正如上一节中提到的,数据集,它由1240个样本和78输入功能,用来构建和验证该PL-SGDLR方法。原始输入数据的数量特性= 78已经被PCA预处理来消除其变量间线性相关。主成分分析的结果数据转换过程是一组新的线性不相关的变量;每个新变量是一个78年的原始特征的线性组合表示纹理的图像样本。

图7主成分分析结果报告的形式总方差解释主成分。基于几个试验,总方差= 95%的阈值是用来选择合适数量的主要组件。因此,主成分的数量= 7(对应于总方差= 95.88%)。此外,提出的特征提取过程PL-SGDLR模型演示了一个图像样本nonspall类(图8(一个))和一个图像样本的碎片类(图8 (b))。

基于主成分分析的结果,转换后的数据集包括7输入变量和类标签的0 (nonspall)或1(碎片)分为训练和测试的子集。前者和后者子集包括收集的数据集合的90%和10%,分别。第一组是受雇于模型构建阶段;第二组是用于评估模型泛化能力预测裂开等在小说形象样本。此外,由于一次模型的训练和测试不能揭示了模型泛化能力由于数据选择的随机性,本研究进行了一个随机二次抽样的原始数据集。这种随机二次抽样过程包含20分。在每次运行,10%的数据是随机形成测试设备;其余的数据用于模型训练的目的。

可以看到从PL-SGDLR的训练过程,应选择的参数训练的迭代的数量(麦克斯特),培训时期的数量(MaxEpoch),决定结候选人的数量,学习速率用于SGD算法和正则化参数( )用于PL-SGDLR的训练阶段。这些模型的hyperparameters的合适的值与实验发现如下:麦克斯特= 3,MaxEpoch= 300,= 50,学习速率= 0.1,= 0.01。

此外,除了上述PPV和NPV,分类准确率(汽车),记得,和F1的分数也可以用来表达模型碎片检测结果。这些性能度量指标计算如下62年]:

重复数据采样与20个独立运行后,PL-SGDLR模型用于预测的平均性能测试样品报告如下:汽车= 90.24%,PPV = 0.90,回忆= 0.91,净现值= 0.91,F1得分= 0.90。的一个典型的训练阶段提出PL-SGDLR模型显示在图9。在这个图中,横轴表示的数量等于训练步骤麦克斯特乘以输入变量的数量。在此,麦克斯特3和输入变量的数量是7。纵轴代表描述的适应度函数值(35)。

如前所述,保证图像集的多样性,更好地应对现实世界的情况下,异常如裂缝和污点已经包含在图像数据集(见图10)。剥落的范畴还包含图像样本的钢筋。图像样本的剥落和异常(如裂缝和污点)共存也包含在图像样本训练和验证预测模型。在实验结果的基础上,预测模型可以预测正确的标签包含异常图像的样本。

此外,为了演示的能力提出PL-SGDLR模型,SGD-LR和Levenberg-Marquardt反向传播人工神经网络(LM-ANN) [63年]运用基准方法。选择这两个机器学习模型由于其成功的应用在先前的研究报告(37,39,64年- - - - - -66年]。SGD-LR由作者在MATLAB编程。此外,LM-ANN模型是由MATLAB构造的统计和机器学习的工具箱67年]。SGD-LR也是训练300时代,学习速率= 0.1。此外,通过几个试错,适当的BPANN模型的配置如下:神经元的数量= 7,学习速率= 0.01,训练时期的数量= 1000。

碎片检测模型的性能从重复数据采样获得20分总结表1。从实验结果可以观察到,该PL-SGDLR取得最佳的预测性能(召回汽车= 90.24%,PPV = 0.90, = 0.91,净现值= 0.91,和F1分数= 0.90),其次是LM-ANN(召回汽车= 88.83%,PPV = 0.88, = 0.90,净现值= 0.90,和F1分数= 0.89)和SGD-LR(召回汽车= 84.40%,PPV = 0.84, = 0.85,净现值= 0.85,和F1分数= 0.84)。的框块碎石检测性能提出PL-SGDLR LM-ANN的基准模型以及SGD-LR图所示11。如这个图所示,汽车的中值的PL-SGDLR(90.72%)也高于LM-ANN(84.68%)和SGD-LR (88.31%)。因此,可以看出,新开发PL-SGDLR已超过两个基准方法在所有的性能度量指标。

此外,Wilcoxon符号秩检验(68年)也在这部分调查统计每一对剥落检测方法的差异。的显著性水平,测试将是0.05。通过评估汽车值从重复数据采样获得20分,Wilcoxon的符号秩的碎石检测性能试验表明,PL-SGDLR统计不同于SGD-LR的假定值= 0.0001。然而,统计检验的表演PL-SGDLR和LM-ANN模型假定值= 0.1971。基于这个结果,可以看出PL-SGDLR的性能与LM-ANN具有很强的竞争力。PPV,然而,由于汽车召回,NPV,和F1得分高于LM-ANN PL-SGDLR,它能够证实PL-SGDLR能够探测混凝土墙裂开等。

6。结论

检测剥落了地区混凝土墙结构在结构健康监测是一个重要的任务。本研究提出了一种基于计算机视觉模型来取代耗时的手工方法常用于定期构建的调查。该模型是一个杂交的图像纹理分析和机器学习方法。图像纹理的统计测量计算颜色通道,GLCM, GLRL聘为特性来描述混凝土墙表面的状况。根据PL-SGDLR提取等功能,采用分类图像样本分为两类nonspall和碎裂。一个图像数据集组成的1240个样本收集PL-SGDLR模型训练和验证。

这个研究还扩展了建模能力标准的LR模型采用分段线性决定表面。连续的过程提出了迭代构造分段线性LR模型。实验结果指出,新开发的模型可以帮助实现良好的碎片检测精度与汽车= 90.24%。这个结果比那些LM-ANN(车= 88.83%)和LR(车= 84.40%)。自PL-SGDLR性能优于LR,它能够证实,利用分段线性决定表面可以帮助LR扩大其非线性建模能力。因此,拟议的PL-SGDLR可能成为一个潜在的工具协助维护机构定期调查的任务。未来的扩展当前的工作可能包括调查不同空间分辨率剥落的影响检测结果和其他利用先进的机器学习方法来提高预测精度。此外,不同百分比的剥落的影响区域对模型预测结果也值得研究。

数据可用性

补充文件提供在本研究中使用的数据集。数据集和开发项目可以通过访问https://github.com/NhatDucHoang/PL_LR_WSD。

的利益冲突

作者宣称没有利益冲突有关的出版研究工作。

确认

这项研究由Duy谭大学财务支持。

补充材料

补充文件提供在本研究中使用的数据集。78年第一列数据是基于纹理特征提取的图像样本。最后一列是地面真理标签的数据实例0 = 1 =“nonspall碎裂。“数据集和开发项目可以通过访问https://github.com/NhatDucHoang/PL_LR_WSD。(补充材料)

引用

1. w·张,z, d . Qi, y . Liu“裂纹自动检测和分类方法对地铁隧道安全监测,“传感器,14卷,不。10日,19307 - 19328年,2014页。视图:出版商的网站|谷歌学术搜索
2. n .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队,2018页。视图:出版商的网站|谷歌学术搜索
3. t . Dawood z朱,t·扎耶德”机器的碎石检测和量化模型建立在地铁网络,”自动化建设卷,81年,第160 - 149页,2017年。视图:出版商的网站|谷歌学术搜索
4. 德国,即Brilakis, r . Desroches”快速entropy-based与机器视觉检测和属性测量混凝土的剥落震后安全评估,”先进的工程信息,26卷,不。4、846 - 858年,2012页。视图:出版商的网站|谷歌学术搜索
5. 孙h . m . Kim和c . Chang,“混凝土剥落缺陷的定位和定量使用地面激光扫描时,“计算机在土木工程杂志》上卷,29号6、文章ID 04014086, 2015。视图:出版商的网站|谷歌学术搜索
6. 崔y Cha, w . g . Suh s Mahmoudkhani和o . Buyukozturk“自治结构目视检查使用提出深度学习检测多种损伤类型,“计算机辅助土木与基础设施工程,33卷,不。9日,第747 - 731页,2018年。视图:出版商的网站|谷歌学术搜索
7. 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,2017年。视图:出版商的网站|谷歌学术搜索
8. Y.-S。杨,C.-l。吴,t·t·c·许H.-C。杨,周宏儒。陆,c c。常,“图像分析方法估计为钢筋混凝土结构,裂缝分布和宽度”自动化建设卷,91年,第132 - 120页,2018年。视图:出版商的网站|谷歌学术搜索
9. h·k·荣格和g .公园”,快速和非侵入性的表面裂纹检测pressed-panel产品在线图像处理的基础上,“结构健康监测,2019年。视图:出版商的网站|谷歌学术搜索
10. s . Suwwanakarn z朱,i Brilakis”自动气泡检测建筑混凝土检查,”学报建设国会,美国土木工程师学会莱斯顿,弗吉尼亚州,美国,2007年。视图:谷歌学术搜索
11. c·科赫和i Brilakis“壶穴检测沥青路面图像中,”先进的工程信息,25卷,不。3、507 - 515年,2011页。视图:出版商的网站|谷歌学术搜索
12. l . j . Valenca Goncalves大肠胡里奥,“损失评估使用多光谱图像分析在混凝土表面,”建筑和建筑材料40卷,第981 - 971页,2013年。视图:出版商的网站|谷歌学术搜索
13. M.-K。金,j . c . p . Cheng孙h和c c。常”,一个尺寸和表面质量评估的预制混凝土框架元素使用BIM和3 d激光扫描,”自动化建设49卷,第238 - 225页,2015年。视图:出版商的网站|谷歌学术搜索
14. s . g .桩j .全Brilakis, r . DesRoches说道,“自动损伤指数评估钢筋混凝土柱的灾后评估,”结构工程杂志,卷141,不。9篇文章ID 04014228, 2015。视图:出版商的网站|谷歌学术搜索
15. 李,c .元,刘,h . Cai”综合处理图像和自动化壶穴探地雷达数据检测,”计算机在土木工程杂志》上,30卷,不。6、文章ID 04016015, 2016。视图:出版商的网站|谷歌学术搜索
16. s Konishi、k .川和m .田口”检验方法和红外温度测量在地铁隧道衬砌检测无效,”Procedia工程卷,165年,第483 - 474页,2016年。视图:出版商的网站|谷歌学术搜索
17. j·b·奥利维拉桑托斯Valenca, e .胡里奥”自动映射在混凝土表面开裂模式生物污渍用hyper-spectral图像处理,”结构控制和健康监测,26卷,不。第三条ID e2320, 2019。视图:出版商的网站|谷歌学术搜索
18. b·o·桑托斯j . Valenca大肠胡里奥,“检测混凝土表面裂缝的高光谱图像处理”程序的自动视觉检测和机器视觉学报光学计量,卷。10334年,德国。视图:谷歌学术搜索
19. c, s . Shirowzhan s m . e . Sepasgozar和a . Kaboli”评价的古典运营商和模糊逻辑算法的边缘检测板在建筑外墙覆盖层,”建筑,9卷,不。2、第四十条,2019年。视图:谷歌学术搜索
20. 李y, b . Wang, w .赵,z, y,和z,“有效裂缝损伤检测和增量使用多层稀疏特性表示极端的学习机器,”应用科学,9卷,不。3,第614条,2019年。视图:谷歌学术搜索
21. 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
22. x w .你们,c . z盾,t·刘”的机器的结构健康监测:建立方法和应用,“杂志上的传感器卷,2016篇文章ID 7103039, 10页,2016。视图:出版商的网站|谷歌学术搜索
23. N.-D。黄平君,“基于图像处理的自动识别的沥青路面修补使用metaheuristic优化的机器学习方法,“先进的工程信息40卷,第120 - 110页,2019年。视图:出版商的网站|谷歌学术搜索
24. l·g·夏皮罗和g·c .仓库管理员计算机视觉普伦蒂斯霍尔,鞍上游,2001。
25. Theodoridis和k . Koutroumbas模式识别、学术出版社,2009年。
26. r . m . Haralick k Shanmugam,汀斯坦,”纹理特征的图像分类,“IEEE系统,人,控制论,3卷,不。6,610 - 621年,1973页。视图:出版商的网站|谷歌学术搜索
27. 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
28. e . h . Kim安、m . Shin和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
29. s . Dorafshan r . j .托马斯·m·马奎尔,“比较深卷积神经网络和基于图像的裂纹检测混凝土边缘探测器,“建筑和建筑材料卷,186年,第1045 - 1031页,2018年。视图:出版商的网站|谷歌学术搜索
30. 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——交通,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
31. 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,”《IEEE第五国际会议上先进计算智能(ICACI 12)南京,页404 - 411年,中国,2012。视图:出版商的网站|谷歌学术搜索
32. n .黄平君问: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 04018037, 2018。视图:出版商的网站|谷歌学术搜索
33. h . Hasni A . h . Alavi p .焦和n . Lajnef”检测钢桥的疲劳裂纹梁:支持向量机的方法,”土木和机械工程档案,17卷,不。3、609 - 622年,2017页。视图:出版商的网站|谷歌学术搜索
34. 王,邱,w . Wang d·肖和k·c·p·王,“破解使用最小矩形cover-based支持向量机分类,“计算机在土木工程杂志》上没有,卷。31日。5、文章ID 04017027, 2017。视图:出版商的网站|谷歌学术搜索
35. a . Agresti介绍分类数据分析在概率论与数理统计,威利系列,约翰威利& Sons, Inc .,霍博肯,新泽西,美国,2019年。视图:MathSciNet
36. m .葛姆雷”,上课笔记,10 - 701,介绍机器学习,”逻辑回归,2016岁的卡内基梅隆大学计算机科学学院https://www.cs.cmu.edu/ mgormley /课程/ 10701 - f16 /幻灯片/ lecture5.pdf。视图:谷歌学术搜索
37. m . Chang m·马奎尔和y太阳,“随机建模的桥恶化使用分类树和逻辑回归,”《基础设施系统,25卷,不。1,文章ID 04018041, 2019。视图:出版商的网站|谷歌学术搜索
38. 伦巴第人l ., p . m .麦”,呈现逻辑回归滑坡敏感性的结果。”工程地质卷。244年,14 - 24,2018页。视图:出版商的网站|谷歌学术搜索
39. t·h . Kim香港,j·金,“自动通风控制算法考虑到室内环境质量因素和主人通风行为使用逻辑回归模型,”建筑与环境卷。153年,46-59,2019页。视图:出版商的网站|谷歌学术搜索
40. N.-D。黄平君”,估计冲剪钢纤维钢筋混凝土板使用顺序分段能力多元线性回归和人工神经网络,”测量卷。137年,58 - 70、2019页。视图:出版商的网站|谷歌学术搜索
41. a . Ng“讲义”,CS229机器学习斯坦福大学,2018年,http://cs229.stanford.edu/notes/cs229-notes1.pdf。视图:谷歌学术搜索
42. f .获利,美国教授,计算机视觉纹理分析Springer科学+商业媒体,纽约,纽约,美国,1990年。
43. m . Sonka诉Hlavac, r·博伊尔图像处理、分析与机器视觉,2013年Cengage学习。
44. 通用Hadjidemetriou, p . a .船帆座,s . e . Christodoulou”自动人行道上补丁使用支持向量机检测和量化,”计算机在土木工程杂志》上,32卷,不。1,文章ID 04017073, 2018。视图:出版商的网站|谷歌学术搜索
45. 答:金达尔:Aggarwal, s·古普塔,”一个障碍检测方法为视障人士地平面删除使用骗健壮的特性和灰度共生矩阵法,“模式识别和图像分析,28卷,不。2、288 - 300年,2018页。视图:出版商的网站|谷歌学术搜索
46. x,“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
47. j . s . Weszka c·r·代尔和a·罗森菲尔德,“地形纹理措施分类比较研究”,IEEE系统,人,控制论》第六卷,没有。4、269 - 285年,1976页。视图:出版商的网站|谷歌学术搜索
48. 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
49. b·亚伯拉罕m . s . Nair,“计算机辅助分类前列腺癌的年级组通过MRI图像纹理特性和稀疏autoencoder堆放,”计算机医学影像和图形卷。69年,60 - 68、2018页。视图:出版商的网站|谷歌学术搜索
50. m·r·Mookiah t·鲍姆k .梅et al .,“减少辐射剂量对纹理的影响骨小梁微结构的措施:一个在体外研究中,“骨和矿物质代谢》期刊上,36卷,不。3、323 - 335年,2018页。视图:出版商的网站|谷歌学术搜索
51. 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
52. w·w·Piegorsch统计数据分析:基础数据挖掘、信息和知识发现约翰•威利& Sons 2015。
53. T.-Y j . k . Kim Kim。夸克和C.-K。钟”,逻辑回归模型由于受损的下水道排水口易感性,”自然灾害,卷93,不。2、765 - 785年,2018页。视图:出版商的网站|谷歌学术搜索
54. t·k·萨哈和美国朋友”,探索物理湿地的脆弱性Atreyee流域在印度和孟加拉国使用逻辑回归和模糊逻辑方法,”生态指标卷,98年,第265 - 251页,2019年。视图:出版商的网站|谷歌学术搜索
55. h·c·陈,c . c . Chang, p . a . Chen和j·t·李,“使用多项逻辑回归预测的土壤深度在台湾地区复杂的地形,”系列卷,176年,第429 - 419页,2019年。视图:出版商的网站|谷歌学术搜索
56. n .黄平君“自动检测沥青路面剥落使用基于图像纹理特征提取和随机梯度下降法逻辑回归,”自动化建设文章ID 102843卷,105年,2019年。视图:出版商的网站|谷歌学术搜索
57. s e·赖安和l . s .与“教程分段回归方法应用于碎石运输数据,”创科技代表rmrs gtr - - 189柯林斯堡有限公司:美国农业部林务局,落基山研究所,2007。视图:出版商的网站|谷歌学术搜索
58. m·e·格林o . Rolfson g . Garellick m·戈登,美国所“改善统计分析的预处理和后处理patient-reported结果措施(舞会):分段线性回归曲线的适用性,”生活质量的研究,24卷,不。3、567 - 573年,2015页。视图:出版商的网站|谷歌学术搜索
59. 诉Nhu:黄平君、诉Duong h . Vu和d Bui,天山”混合计算智能方法为预测土壤抗剪强度城市住房建设:一个案例研究在Vinhomes统帅权项目,海防港城市(越南),“与计算机工程,2019年。视图:出版商的网站|谷歌学术搜索
60. j . Shlens“主成分分析教程,”https://arxiv.org/abs/1404.1100v1。视图:谷歌学术搜索
61. l . Breiman”要超平面的回归、分类和函数逼近,“IEEE信息理论,39卷,不。3、999 - 1013年,1993页。视图:出版商的网站|谷歌学术搜索
62. a . Tharwat“分类评价方法”,应用计算和信息,2018,https://doi.org/10.1016/j.aci.2018.08.003。视图:谷歌学术搜索
63. m·哈根和m . Menhaj”与马夸特算法训练前馈网络”,IEEE神经网络和学习系统,5卷,不。6,989 - 993年,1994页。视图:出版商的网站|谷歌学术搜索
64. 答:南帝,a . Mandal m·威尔逊和d·史密斯,“洪水风险映射在牙买加使用主成分分析和逻辑回归,”环境地球科学,卷75,不。6日,第465条,2016年。视图:出版商的网站|谷歌学术搜索
65. c . Polykretis和c Chalkias”,比较和评价滑坡敏感性地图获得重量的证据,逻辑回归,和人工神经网络模型,”自然灾害,卷93,不。1,第274 - 249页,2018。视图:出版商的网站|谷歌学术搜索
66. p .非政府组织,n .黄平君b Pradhan et al .,“一种新型混合群优化多层神经网络的空间预测洪水在热带地区使用sentinel-1 SAR图像和地理空间数据,”传感器,18卷,不。11日,第3704条,2018年。视图:出版商的网站|谷歌学术搜索
67. Matwork,统计和机器学习工具箱用户指南公司由,的垫上运动,2017年。
68. 西德尼,非参数统计行为科学美国麦格劳-希尔,纽约,纽约,1988年。

版权

版权©2019 Nhat-Duc黄平君等。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。