छवि-आधारित स्टील रेबार आकार अनुमान और गणना विधि

शोध पत्रस्टील

साझा करना ही देखभाल है

फ़रवरी 4th, 2022

प्रस्तावित विधि, जो कि होमोग्राफी के साथ संयुक्त एक सीएनएन मॉडल है, आकार का अनुमान लगा सकती है और एक छवि में स्टील रिबार की संख्या को जल्दी और सटीक रूप से गिन सकती है, और विकसित विधि को वास्तविक निर्माण स्थलों पर प्रभावी ढंग से स्टील रिबर्स के स्टॉक का प्रबंधन करने के लिए लागू किया जा सकता है। .

 

By यूंसू शिनो

आर्किटेक्चरल इंजीनियरिंग विभाग, इंजीनियरिंग कॉलेज, डैनकूक यूनिवर्सिटी, कोरिया

तथा सेकोजे हेओस

आर्किटेक्चरल इंजीनियरिंग विभाग, इंजीनियरिंग कॉलेज, डैनकूक यूनिवर्सिटी, कोरिया

तथा सेही हानो

आर्किटेक्चरल इंजीनियरिंग विभाग, इंजीनियरिंग कॉलेज, डैनकूक यूनिवर्सिटी, कोरिया


 

सार

 

परंपरागत रूप से, निर्माण स्थलों पर स्टील रिबार की संख्या की गणना श्रमिकों द्वारा मैन्युअल रूप से की जाती है। हालाँकि, यह अभ्यास कई समस्याओं को जन्म देता है: यह धीमा, मानव-संसाधन-गहन, समय लेने वाला, त्रुटि-प्रवण है, और बहुत सटीक नहीं है। नतीजतन, निर्माण स्थलों पर कार्य कुशलता बढ़ाने और श्रम लागत को कम करने के लिए कम से कम श्रमिकों के साथ स्टील रीबार को जल्दी और सटीक रूप से गिनने की एक नई विधि विकसित करने की आवश्यकता है। इस अध्ययन में, लेखकों ने एक दृढ़ तंत्रिका नेटवर्क (सीएनएन) के आधार पर कंप्यूटर दृष्टि तकनीकों का उपयोग करके आकार का अनुमान लगाने और बेल पैकिंग में स्टील रीबार की संख्या की गणना करने के लिए एक स्वचालित प्रणाली विकसित की। कुल 622 रीबार क्रॉस सेक्शन और 186,522 पॉली टैग के साथ 409 छवियों वाला एक डेटासेट छवियों में सेगमेंटेशन रीबार और पॉली टैग के लिए स्थापित किया गया था। छवियों को 1920 × 1080 पिक्सल के पूर्ण एचडी रिज़ॉल्यूशन में एकत्र किया गया था और फिर 512 × 512 पिक्सेल के बीच में काटा गया था। इसके अलावा, प्रशिक्षण डेटासेट के लिए 4668 चित्र बनाने के लिए डेटा वृद्धि की गई। इस अध्ययन के उद्देश्य को पूरा करने के लिए प्रशिक्षण डेटासेट के आधार पर, YOLACT- आधारित स्टील बार आकार का अनुमान और 30 mAP से अधिक के बॉक्स और मास्क के साथ एक गिनती मॉडल तैयार किया गया था। प्रस्तावित विधि, जो कि होमोग्राफी के साथ संयुक्त एक सीएनएन मॉडल है, आकार का अनुमान लगा सकती है और एक छवि में स्टील रिबार की संख्या को जल्दी और सटीक रूप से गिन सकती है, और विकसित विधि को वास्तविक निर्माण स्थलों पर प्रभावी ढंग से स्टील रिबर्स के स्टॉक का प्रबंधन करने के लिए लागू किया जा सकता है। .

 

1। परिचय

 

निर्माण के अपेक्षाकृत सरल तरीकों के कारण कई देशों में प्रबलित कंक्रीट प्रमुख रूप से उपयोग की जाने वाली संरचनात्मक सामग्री है; इसका बेहतर अग्नि प्रतिरोध प्रदर्शन; इसके घटकों की उपलब्धता, जिसमें सरिया, समुच्चय, पानी और सीमेंट शामिल हैं; और इसकी आर्थिक व्यवहार्यता, निर्माण के अन्य रूपों की तुलना में [1,2,3]. कंक्रीट में अनूठी विशेषताएं हैं; यह संपीड़ित भार में मजबूत है लेकिन तन्य शक्ति में कमजोर है। इन विशेषताओं के कारण, कंक्रीट में अत्यधिक तन्यता ताकत कंक्रीट संरचनाओं की सतह पर दरारों के विकास को जन्म देती है। इस खराब प्रदर्शन को दूर करने के लिए, कंक्रीट की ढलाई के दौरान एम्बेडेड स्टील बार या तारों द्वारा कंक्रीट के लिए सुदृढीकरण प्रदान किया जाता है। विशेष रूप से, स्टील रेबार का उपयोग आमतौर पर कंक्रीट के सुदृढीकरण के लिए किया जाता है क्योंकि कंक्रीट और स्टील के थर्मल विस्तार का गुणांक लगभग बराबर होता है, और कंक्रीट और स्टील रीबार दोनों का विरूपण या तनाव स्टील के सरिया से फिसलने से रोकने के लिए लगभग समान होता है। ठोस। एक इमारत की निर्माण लागत का लगभग 23% कंक्रीट का काम करता है। इसके अलावा, स्टील सरिया की सामग्री लागत कंक्रीट के काम की कुल सामग्री लागत का लगभग 28% है [4,5,6,7]. तदनुसार, स्टील सरिया प्रबलित कंक्रीट संरचनाओं में उनके शानदार यांत्रिक गुणों और संपूर्ण संरचना पर निर्माण लागत के उनके अनुपात के कारण एक महत्वपूर्ण निर्माण सामग्री है।

 

सामान्य तौर पर, स्टील बार स्टील मिलों से निर्मित होते हैं और बेल पैकिंग में निर्माण स्थलों तक पहुँचाए जाते हैं। पिछले अध्ययनों के अनुसार [8,9,10,11,12], स्टील बार की संख्या को कारखाने छोड़ने से पहले और निर्माण स्थल पर पहुंचने के बाद बेल पैकिंग में गिना जाना चाहिए। हालांकि, दक्षिण कोरिया में स्टील रिबर्स की मात्रा निर्धारित करने की प्रथा को स्टील मिलों में वजन से मापा जाता है ताकि उन्हें शिपिंग की गति और दक्षता में वृद्धि हो सके। एक वितरण केंद्र के निर्माताओं से वजन के आधार पर ले जाने वाले स्टील रिबार्स को निर्माण स्थल पर स्टॉक किया जाता है। निर्माण स्थल पर, श्रमिकों द्वारा आवश्यक मात्रा की गणना करने के बाद स्टील रिबार्स को एक रीबार प्रोसेसिंग वर्कशॉप में ले जाया जाता है। जबकि निर्माण स्थलों पर मैनुअल रीबार काउंटिंग एक आम बात है, इसमें कई कमियां हैं: यह मानव-संसाधन-गहन, समय लेने वाली और त्रुटि-प्रवण है, और इससे चोट लग सकती है। विशेष रूप से, यह साइट पर सबसे खतरनाक निर्माण सामग्री में से एक है; वे छुरा घाव और टेटनस का कारण बन सकते हैं, यह देखते हुए कि इन स्टील सरिया का आकार सिरों पर लंबा और तेज है। नतीजतन, निर्माण स्थल पर कार्य कुशलता बढ़ाने और श्रम लागत को कम करने के लिए कम से कम श्रमिकों के साथ स्टील रिबार को जल्दी और सटीक रूप से गिनने की एक नई विधि विकसित करने की आवश्यकता है।

 

इस अध्ययन में, लेखकों ने एक दृढ़ तंत्रिका नेटवर्क (सीएनएन) के आधार पर कंप्यूटर दृष्टि तकनीकों का उपयोग करके बेल पैकिंग में स्टील रीबार के आकार और गिनती का अनुमान लगाने के लिए एक स्वचालित प्रणाली विकसित की। विकसित तकनीक बेल पैकिंग से स्टील रिबार और पॉली टैग को विभाजित करने के लिए एक सीएनएन मॉडल उत्पन्न करती है और दूसरा होमोग्राफी लागू करके एक ही सामने के दृश्य के साथ छवियों को विभिन्न आकारों और दृष्टिकोणों में परिवर्तित करने के लिए। सीएनएन मॉडल उत्पन्न करने के लिए, स्टील रिबार के क्रॉस-सेक्शन को विभिन्न कोणों और दृष्टिकोणों से लिया गया था, और विभिन्न परिवेश बनाने के लिए डेटा वृद्धि की गई थी। एनोटेशन के साथ 622 छवियों के साथ प्रशिक्षित सीएनएन मॉडल, स्टील रिबार के डेटासेट के क्रॉस-सेक्शनल छवियों को विभाजित करके बहुभुज निर्देशांक निकालने में सक्षम है। इसके अतिरिक्त, स्टील बार पैकिंग पर पॉली टैग के बहुभुज निर्देशांक को खंडित करने के लिए होमोग्राफी ऑपरेशन के दौरान गणना की गई होमोग्राफी मैट्रिक्स के अनुप्रयोगों द्वारा स्टील रीबार के बहुभुज क्षेत्र को वास्तविक स्केल किए गए क्षेत्र में परिवर्तित किया गया था। हम उम्मीद करते हैं कि इस प्रणाली के आवेदन से न केवल निर्माण सामग्री प्रबंधन की दक्षता में वृद्धि करना संभव होगा, बल्कि स्टील रिबारों की गिनती में श्रम लागत को भी कम करना संभव होगा। इस पत्र के शेष भाग की रचना इस प्रकार है: धारा 2 मशीन लर्निंग और कंप्यूटर विज़न तकनीकों पर अनुसंधान की गणना के संदर्भ में प्रासंगिक अध्ययनों की संक्षिप्त समीक्षा करता है। धारा 3 स्टील रिबर्स की संख्या को खंडित करने और गिनने के लिए समग्र शोध पद्धति से संबंधित है। परीक्षा परिणाम में दर्शाया गया है धारा 4. अंतिम खंड में, आगे के शोध में इस अध्ययन के निष्कर्षों और सीमाओं को प्रस्तुत किया गया है।

 

2. संबंधित कार्य

 

परंपरागत रूप से, विभिन्न वस्तुओं की संख्या की गणना हाथ से तैयार की गई गिनती या मनुष्यों द्वारा मैन्युअल गणना पर आधारित होती है। हालाँकि, यह अभ्यास कई समस्याओं के साथ आता है: यह धीमा, मानव-संसाधन-गहन, समय लेने वाला, त्रुटि-प्रवण है, और बहुत सटीक नहीं है [13,14,15,16,17]. हाल ही में, मशीन लर्निंग (एमएल), एक प्रकार की कृत्रिम बुद्धि, इन चुनौतियों से निपटने के लिए एक वैकल्पिक पद्धति के रूप में उभर रही है [18,19,20]. विशेष रूप से, कई शोध क्षेत्रों में कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) की सफलता का उपयोग दृश्य छवियों से वस्तुओं का पता लगाने और खंडित करने की उत्कृष्ट क्षमताओं के लिए किया गया है [16,21,22,23,24]. इसके अलावा, छवियों से गैर-रेखीय कार्यों को सीखने की सीएनएन की क्षमता छवियों में कई वस्तुओं से विभिन्न वस्तुओं की गिनती के लिए महत्वपूर्ण रही है। नतीजतन, छवि वर्गीकरण, ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन जैसी सीएनएन तकनीकें, जो छवि में वस्तुओं से निपटती हैं, छवि प्रसंस्करण तकनीकों के संयोजन में मॉडल विकास और एल्गोरिदम के साथ वस्तुओं की गिनती के लिए उपयोग की जाती हैं।

 

क्राउड काउंटिंग, एक शोध क्षेत्र के रूप में, छवियों या वीडियो क्लिप से एकत्रित लोगों का अनुमान लगाने और उनकी गणना करने के लिए सीएनएन मॉडल को अपनाने के लिए महत्वपूर्ण है। उदाहरण के लिए, वांग एट अल। [18] छवियों में अत्यधिक सघन परिस्थितियों में लोगों की गिनती के लिए एक गहन प्रतिगमन मॉडल लागू किया। जब किसी छवि की गुणवत्ता 10 पिक्सेल से कम होती है, तो मानवीय चेहरों या सहायक मनुष्यों में अंतर करके लोगों की संख्या गिनने के मौजूदा तरीकों में सीमित अनुप्रयोग होते हैं। हालांकि, सुझाई गई विधि, नकारात्मक नमूनों के साथ गहन शिक्षण मॉडल का उपयोग करके, मजबूती में सुधार कर सकती है और झूठे अलार्म को कम कर सकती है। इसी तरह, वलाच और वुल्फ [25] ने उन्नत सीएनएन मॉडल का उपयोग किया जो गिनती की सटीकता बढ़ाने और प्रसंस्करण समय को कम करने के लिए स्तरित बूस्टिंग और चयनात्मक नमूने को मिलाते हैं। क्राउड काउंटिंग स्टडीज में वेरिएबल्स जैसे स्केल फैक्टर, बैकग्राउंड के विभिन्न परिदृश्य और घनत्व के स्तर से निपटा गया है। ली एट अल। [22] ने एक भीड़भाड़ वाले दृश्य पहचान नेटवर्क (सीएसआरएन) का प्रस्ताव रखा जो अत्यधिक भीड़भाड़ वाले दृश्यों में लोगों की संख्या की गणना करने में सक्षम है। इस अध्ययन में, नेटवर्क की रीढ़ एक सीएनएन मॉडल थी जिसमें फ्रंट-एंड 2 डी फीचर निष्कर्षण और बैक एंड के लिए एक पतला सीएनएन था। इस अध्ययन की फैली हुई दृढ़ परतें अत्यधिक भीड़-भाड़ वाले दृश्यों में लोगों की गिनती करने में मदद करती हैं। भीड़ की गिनती और घनत्व आकलन अध्ययनों में व्यवस्थित करने के लिए अनुचित पैमाने चुनौतियों में से एक हैं। इन कठिनाइयों को दूर करने के लिए, कई नई सीएनएन विधियों का सुझाव दिया गया है, और इन नए सुझाए गए तरीकों के लिए मूल्यांकन मीट्रिक (मीन एब्सोल्यूट एरर और मीन स्क्वायर एरर) में सुधार किया गया है [22]. हाल ही में, भीड़ की गिनती पर शोध, सड़कों, मकई की फसल और फूलों पर एकत्रित लोगों से लेकर वाहनों तक मतगणना लक्ष्य के दायरे का विस्तार कर रहा है।

 

इसी तरह, वाहन गिनती एक ऐसा क्षेत्र है जो यातायात नियंत्रण और अनुकूलन, सबसे तेज़ मार्ग के सुझावों, सुरक्षा प्रबंधन, आदि के लिए एक बुद्धिमान यातायात निगरानी प्रणाली के निर्माण के लिए सीएनएन-आधारित गिनती विधियों को लागू कर रहा है।13,15,23,26]. अब्दालवाहाब [26] रोड इमेज में वाहनों की गिनती के लिए ऑब्जेक्ट डिटेक्शन मेथड के रूप में कन्वेन्शनल न्यूरल नेटवर्क (आर-सीएनएन) के साथ क्षेत्रों को अपनाया और गिने हुए वाहनों के ट्रैजेक्टोरियों को ट्रेस करने के लिए केएलटी ट्रैकर। सन एट अल। [15] सीसीटीवी छवियों से सीधे वाहनों की संख्या की गणना करने के लिए एक मल्टी-चैनल और मल्टी-कनवल्शनल न्यूरल नेटवर्क का उपयोग करके एक नया नेटवर्क प्रस्तावित किया। भले ही खराब दृश्य स्थितियों में वाहनों का पता लगाने में सीमाएं थीं, जैसे धूमिल मौसम और कम रोशनी की स्थिति, यह दिखाया गया था कि समग्र परिणाम भीड़ सीएनएन और भीड़ कन्वनेट मॉडल से बेहतर प्रदर्शन करते थे। इसी तरह, गोमा एट अल। [23] ने यातायात नियंत्रण और प्रबंधन को बेहतर बनाने के लिए एक सीएनएन और ऑप्टिकल फ्लो फीचर ट्रैकिंग पद्धति दोनों को मिलाकर एक वाहन गिनती एल्गोरिथ्म का उपयोग किया। इस एल्गोरिथम ने तीन चरणों का गठन किया: वाहनों का पता लगाने के लिए एक सीएनएन-आधारित क्लासिफायरियर, एक फीचर मोशन एनालिसिस स्टेप, और एक गैर-दोहराई जाने वाली गिनती प्रक्रिया के लिए क्लस्टरिंग। इस अध्ययन में, उन्होंने क्रमशः 96.3% और 96.8% की औसत पहचान और गणना सटीकता दिखाई। इसके अलावा, चुंग एट अल। [27], उदाहरण के लिए, एक चरण डिटेक्टर के लिए प्रशिक्षण डेटासेट का निर्माण करते समय, अतिरिक्त लेबलिंग कार्य के बिना, किसी अन्य साइट पर प्रशिक्षित सीएनएन मॉडल का उपयोग करके एक छवि में वाहनों की संख्या की गणना की जाती है। इस अध्ययन की सुझाई गई विधि हर बार छवि डेटा बदलने पर लेबलिंग कार्यों के स्तर को कम करना संभव बनाती है।

 

जैसा कि ऊपर चर्चा की गई है, वस्तुओं की गिनती पर सीएनएन-आधारित अनुसंधान के दायरे ने विभिन्न क्षेत्रों में इसके आवेदन का विस्तार किया है, और बढ़ती संख्या में अध्ययनों ने निर्माण उद्योग में वस्तुओं की गणना करने के लिए मशीन सीखने को लागू करने की कोशिश की है। निर्माण सामग्री प्रबंधन और सूची प्रबंधन के क्षेत्र तेजी से सीएनएन-आधारित गणना विधियों को लागू कर रहे हैं [8,17]. जबकि सीएनएन में एक छवि में वस्तुओं का पता लगाने की एक उत्कृष्ट क्षमता है, यह कंप्यूटिंग समय को भी धीमा कर देता है और जब परतें गहरी होती हैं और जब स्टील रिबर्स की गणना की जाती है तो वस्तुओं की संख्या बढ़ जाती है। तदनुसार, कम्प्यूटेशनल समय को कम करने और सीएनएन मॉडल में सटीकता बढ़ाने के लिए विभिन्न एल्गोरिदम विकसित किए गए हैं। फैन एट अल। [28], उदाहरण के लिए, एक सीएनएन-डीसी (डिस्टेंस क्लस्टरिंग) पद्धति लागू की, जो एक सीएनएन का उपयोग करके स्टील रिबार के उम्मीदवार केंद्र बिंदुओं का पता लगाने और क्लस्टर करने के लिए एक क्लस्टरिंग एल्गोरिदम को जोड़ती है और उम्मीदवार केंद्र से स्टील रिबार के सही केंद्र का पता लगाती है। अंक। इस अध्ययन से पता चला है कि इसने 99.26% स्टील रीबार गिनती सटीकता हासिल की और स्टील रीबार डेटासेट पर केंद्र स्थानीयकरण के लिए केंद्र ऑफसेट का 4.1% हासिल किया। इसी तरह, हर्नांडेज़-रुइज़ एट अल। [12] कम-कंप्यूटिंग संसाधनों के साथ सटीकता में सुधार करने के लिए SA-CNN-DC (स्केल एडेप्टिव-कनवल्शनल न्यूरल नेटवर्क-डिस्टेंस क्लस्टरिंग) का उपयोग करके छवियों से स्टील रिबार की गणना की जाती है, जिसे अक्सर मशीन लर्निंग रिसर्च में चुनौतियों में से एक के रूप में बताया जाता है। इस अध्ययन में इस्तेमाल की गई विधियों से आकार की परवाह किए बिना स्टील रिबार की गणना करना और कम-कंप्यूटिंग संसाधनों के साथ संतोषजनक परिणाम का संकेत देना संभव होगा। स्टील रीबार गिनती का समर्थन करने के लिए विभिन्न सुझावों के बावजूद, एक छवि में स्टील रीबार का आकार अपेक्षाकृत छोटा है, और उनका एक सीखने वाला डेटासेट बनाना मुश्किल होगा। झू एट अल। [10] एक छवि में छोटी वस्तु स्थानीयकरण के प्रदर्शन को बेहतर बनाने के लिए स्लाइडिंग विंडो डेटा ऑग्मेंटेशन (SWDA) नामक एक छोटी वस्तु वृद्धि विधि का सुझाव दिया। अनुमान का समय कंप्यूटिंग संसाधनों और सीएनएन मॉडल की समग्र वास्तुकला से भी प्रभावित होगा। उदाहरण के लिए, ली एट अल। [29] ने एक YOLOv3 डिटेक्टर को अपनाया, जो स्वचालित स्टील रीबार डिटेक्शन के लिए सिंगल-स्टेज ऑब्जेक्ट डिटेक्शन एल्गोरिथम है और कम अनुमान समय के साथ उच्च सटीकता के लिए गिनती करता है। लागू मॉडल ने 99.7% की औसत सटीकता और 0.5 के एक इंटरसेक्शन ओवर यूनियन (IoU) के साथ समानांतर में स्टील रिबर्स की पहचान और गिनती की।

 

3. आकार का अनुमान और स्टील रिबर्स की संख्या की गणना

 

3.1. अनुसंधान विधि

 

जबकि कई अध्ययनों ने सटीकता बढ़ाने और अनुमान समय को कम करने के लिए विभिन्न प्रस्तावित सीएनएन आर्किटेक्चर को अपनाकर रिबार्स की गणना करने की कोशिश की है, उन्होंने केवल उनके आकार को समझने के बजाय रीबार की सटीक संख्या की गणना करने पर ध्यान केंद्रित किया है, जैसा कि पिछले अनुभाग में चर्चा की गई है। इस अध्ययन में, हमने कंस्ट्रक्शनल न्यूरल नेटवर्क (सीएनएन) पर आधारित एक स्वचालित रीबार काउंटिंग और आकार अनुमान तकनीक विकसित की और निर्माण स्थलों या रीबार निर्माण संयंत्रों में सामग्री के कुशल प्रबंधन के लिए इमेज प्रोसेसिंग का विकास किया। गैर-संपर्क छवि संवेदन एक कैमरे का उपयोग करके कई वस्तुओं को कवर कर सकता है और मोबाइल फोन जैसे अन्य सेंसर की तुलना में बेहतर पहुंच है। इसके अतिरिक्त, सुरक्षा और सुरक्षा कारणों से निर्माण स्थलों पर सीसीटीवी पहले से ही लगाए गए हैं। इसलिए, अतिरिक्त सेंसर स्थापित करने की आवश्यकता के बिना विकसित छवि-आधारित तकनीक को लागू करना संभव है।

 

रेबार की गिनती और आकार का अनुमान प्रत्येक छवि में अलग-अलग रिबार के क्रॉस-सेक्शनल डिवीजन और क्रॉस-सेक्शन द्वारा कब्जा कर लिया गया पिक्सेल रेंज द्वारा प्राप्त किया जा सकता है। इसलिए, क्रॉस-सेक्शन वाली छवियों का अधिग्रहण, और व्यक्तिगत रीबार के क्रॉस-सेक्शन का पता लगाने और विभाजन को क्रमिक रूप से करने की आवश्यकता है। हालांकि अलग-अलग रीबार के क्रॉस-सेक्शन का पता लगाने और विभाजन एक सीएनएन मॉडल के माध्यम से किया जा सकता है, दो अन्य मुद्दों को रीबार गिनती और आकार आकलन करने के लिए संबोधित करने की आवश्यकता है: (1) वास्तविक आयामों को लागू करने के लिए एक स्केल फैक्टर की आवश्यकता होती है पिक्सेल निर्देशांक से बना पहचान और विभाजन निर्देशांक। (2) एक तिरछे कोण से ली गई छवि के मामले में, निकट क्रॉस-सेक्शन का क्षेत्र और दूर-क्रॉस-सेक्शन का क्षेत्र अलग-अलग होता है, यहां तक ​​​​कि एक ही रिबार के लिए भी। कंप्यूटर-दृष्टि-आधारित होमोग्राफी इन दोनों मुद्दों को एक साथ हल करने में कारगर है।

 

होमोग्राफी एक इमेज प्रोसेसिंग है जो दो छवियों के संबंधित बिंदुओं के बीच परिवर्तन संबंध के माध्यम से एक आभासी छवि-कैप्चरिंग कोण से एक छवि प्राप्त करती है [30,31,32,33,34]. होमोग्राफी एक तिरछी दिशा से कैप्चर की गई छवि के परिप्रेक्ष्य को सामने की दिशा से कैप्चर की गई फ्रंट व्यू इमेज में बदल सकती है (जहां कैमरा सीधे ऑब्जेक्ट का सामना कर रहा है)। आम तौर पर, इस परिवर्तन को करने के लिए ज्ञात आकारों वाले चार संगत बिंदुओं की आवश्यकता होती है। हालांकि, समान आयामों के पॉली टैग रिबार के ढेर से जुड़े होते हैं, और उनमें उत्पादन समय और रीबार विनिर्देशों जैसी जानकारी होती है। इस जानकारी का उपयोग होमोग्राफी में पिक्सल और वर्चुअल फ्रंट व्यू इमेज के लिए स्केल प्राप्त करने के लिए किया जाता है।

 

जैसा कि में दिखाया गया है, रीबार काउंटिंग और आकार के आकलन की शोध प्रक्रिया में पांच-चरण अनुक्रमिक एल्गोरिथम शामिल हैं चित्रा 1. सबसे पहले, ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन के लिए विभिन्न रीबार क्रॉस सेक्शन वाली छवियों का उपयोग करके एक सीएनएन मॉडल बनाया जाता है। डेटासेट में प्रशिक्षण के लिए एक प्रशिक्षण डेटासेट, ओवरफिटिंग को रोकने के लिए एक सत्यापन डेटासेट और प्रशिक्षित मॉडल को सत्यापित करने के लिए एक परीक्षण डेटासेट होता है। दूसरे, उत्पन्न सीएनएन मॉडल में रीबार काउंटिंग और आकार अनुमान के लिए छवियों को डालकर विभाजन छवि प्राप्त की जाती है। विभाजन छवि में (यू, वी), एक परिप्रेक्ष्य समन्वय प्रणाली से बना रीबार होते हैं, और पॉली टैग की प्रत्येक वस्तु बहुभुज से बनी होती है। यहां, पॉली टैग जानकारी को पहले से दर्ज करके पूरी छवि पर होमोग्राफी लागू की जाती है, और (यू, वी) और पॉली टैग की अलग-अलग वस्तुओं से बना रिबार वास्तविक के (एक्स, वाई) समन्वय प्रणाली में परिवर्तित हो जाते हैं। होमोग्राफी मैट्रिक्स के माध्यम से स्केल। अंत में, परिवर्तित रिबार्स के बारे में जानकारी, जैसे कि छवि में रीबार के प्रकारों की संख्या और प्रत्येक प्रकार के लिए रीबार्स की संख्या और आकार, हिस्टोग्राम और गॉसियन वितरण विश्लेषण के माध्यम से प्राप्त किए जाते हैं।

 

चित्रा 1। स्टील सरिया की संख्या और आकार के आकलन के लिए फ्लो चार्ट।

 

चित्रा 1. स्टील सरिया की संख्या और आकार का अनुमान लगाने के लिए प्रवाह चार्ट।

 

3.2. इंस्टेंस सेगमेंटेशन के लिए छवि अधिग्रहण

 

ऑब्जेक्ट डिटेक्शन तकनीकों पर विभिन्न अध्ययन किए गए हैं जो आयताकार निर्देशांक और इंस्टेंस सेगमेंटेशन तकनीकों का उपयोग करके ऑब्जेक्ट वाले क्षेत्र की न्यूनतम सीमा को व्यक्त करते हैं जो एक सीएनएन मॉडल का उपयोग करके छवि में वस्तुओं को संभालने के लिए बहुभुज के साथ ऑब्जेक्ट की सीमा का प्रतिनिधित्व करते हैं [19,25,35,36,37]. आम तौर पर, ऑब्जेक्ट डिटेक्शन चार निर्देशांक का उपयोग करके ऑब्जेक्ट की स्थिति को व्यक्त करता है, जबकि इंस्टेंस सेगमेंटेशन ऑब्जेक्ट की सीमा का प्रतिनिधित्व करने के लिए दसियों से सैकड़ों निर्देशांक का उपयोग करता है, जो छवि के आकार और ऑब्जेक्ट के आकार और आकार पर निर्भर करता है। हालाँकि इंस्टेंस सेगमेंटेशन ऑब्जेक्ट की सीमा को सटीक रूप से निकाल सकता है, लेकिन यह ऑब्जेक्ट डिटेक्शन की तुलना में अधिक समय और कंप्यूटिंग संसाधनों की खपत करता है। इसलिए, इस उद्देश्य के लिए उपयुक्त सीएनएन मॉडल का उपयोग करना महत्वपूर्ण है।

 

छवि में रेबार क्रॉस-सेक्शन द्वारा कब्जा किए गए पिक्सेल सीधे होमोग्राफी लागू करने के बाद रीबार के आकार से जुड़े होते हैं। इसलिए, रिबार के क्रॉस-सेक्शन द्वारा कब्जा किए गए पिक्सेल को सटीक रूप से खंडित किया जाना चाहिए। अलग-अलग रीबार का इंस्टेंस सेगमेंटेशन बहुभुज के रूप में संबंधित रीबार के लिए पिक्सेल के निर्देशांक का प्रतिनिधित्व करता है। सीएनएन-आधारित पर्यवेक्षित सीखने के उदाहरण विभाजन के लिए, लक्ष्य वस्तु के किनारों के निर्देशांक को खंडित करने की आवश्यकता है जो एक व्यक्ति द्वारा एनोटेट किए जाने की आवश्यकता है। इस अध्ययन में, एक छवि पर एनोटेशन किया गया था जिसमें रीबर क्रॉस-सेक्शन को खंडित किया जाना था और एक पॉली टैग था और सीएनएन मॉडल बनाने के लिए डेटासेट के रूप में उपयोग किया गया था।

 

कुल 622 रीबार क्रॉस सेक्शन और 186,522 पॉली टैग सहित रीबार की संसाधित 409 छवियों वाला एक डेटासेट छवियों में सेगमेंटेशन रीबार और पॉली टैग के लिए स्थापित किया गया था। छवियों को 1920 × 1080 पिक्सल के पूर्ण एचडी रिज़ॉल्यूशन में एकत्र किया गया था और फिर केंद्र-क्रॉप करके 1080 × 1080 पिक्सेल किया गया था। क्रॉप की गई छवियों को तब कंप्यूटिंग गति बढ़ाने के लिए 512 × 512 पिक्सेल में डाउन-सैंपल किया गया था। डेटासेट में, एकल छवि में कैप्चर किए गए रेबार क्रॉस सेक्शन की संख्या लगभग 50 से 1000 तक भिन्न होती है। एनोटेशन टूल लेबलमे [38] का उपयोग पॉलीगॉन ग्राउंड-ट्रुथ बाउंडिंग बॉक्स को रीबार क्रॉस सेक्शन में असाइन करने के लिए किया गया था, जो पर्यवेक्षित शिक्षण प्रक्रियाओं के लिए आवश्यक है। चित्रा 2 प्रतिनिधि कच्चे चित्र और जमीनी सच्चाई का एक लेबल दिखाता है। 622 छवियों में से, 409 छवियों में पॉली टैग थे, लेकिन शेष 213 छवियों में पॉली टैग के बिना केवल रीबार क्रॉस सेक्शन थे। चित्र विभिन्न कोणों से लिए गए थे, साथ ही सामने से भी; रिबारों के एक ही ढेर से अधिकतम चार चित्र लिए गए। 622 छवियों में से, 498, 93, और 31 छवियों (या 80%, 15%, और 5% छवियों) को क्रमशः ट्रेन, सत्यापन और परीक्षण डेटासेट में वर्गीकृत किया गया था। इसके अतिरिक्त, कुछ परीक्षण डेटासेट छवियों को 1920 × 1080 पिक्सल की मूल छवि पर एनोटेट किया गया था ताकि मिनट की वस्तुओं के लिए सटीकता में सुधार किया जा सके, जैसे कि D10 से कम के रिबार, ऑब्जेक्ट पहचान की गति को कम करने के साथ सटीकता को बढ़ाने के लिए मशीन लर्निंग मॉडल को अपनाना।

 

चित्रा 2। एनोटेशन के साथ प्रतिनिधि कच्ची छवियां।

 

चित्रा 2. एनोटेशन के साथ प्रतिनिधि कच्चे चित्र।

 

3.3. होमोग्राफी का उपयोग करके रेबार आकार का अनुमान

 

चित्रा 3 विस्तृत रीबार गिनती और आकार अनुमान प्रक्रिया को दिखाता है, जो सीएनएन मॉडल का उपयोग करके रीबार और पॉली टैग का पता लगाने और विभाजन के पूरा होने के बाद किया जाता है। सेगमेंटेशन इमेज से निकाले गए पॉली टैग पर कॉर्नर डिटेक्शन लागू होता है; इस प्रकार, होमोग्राफी में उपयोग किए जाने वाले चार संगत बिंदु निकाले जाते हैं। इस अध्ययन में उपयोग किए गए पॉली टैग की चौड़ाई और लंबाई में 6.5 सेमी × 9 सेमी के निश्चित आयाम हैं और सभी समरूप कार्यों के लिए एक ही आकार में इनपुट हैं। एक तिरछी दिशा से फोटो खिंचवाने वाले पॉली टैग को होमोग्राफी के माध्यम से ललाट दिशा में बदल दिया जाता है। इसी समय, क्षैतिज और ऊर्ध्वाधर पिक्सेल का वास्तविक पैमाना 6.5 सेमी × 9 सेमी होता है। यहां बनाए गए होमोग्राफी मैट्रिक्स को पॉली टैग के अलावा, पूरी छवि और व्यक्तिगत रीबार पर समान रूप से लागू किया जाता है, ताकि सामने के दृश्य की व्यवस्थित छवि और वास्तविक पैमाने के (x, y) निर्देशांक से बना बहुभुज निर्देशांक प्राप्त किया जा सके।

 

चित्रा 3। टोमोग्राफी का उपयोग करके रेबार आकार का अनुमान और गिनती प्रक्रिया।

 

रेबार आकार का अनुमान और होमोग्राफी का उपयोग करके गिनती प्रक्रिया।

 

परिवर्तित बहुभुज क्षेत्र संबंधित रीबार क्रॉस-सेक्शन का क्षेत्रफल है; इसलिए, सभी बहुभुज क्षेत्रों का प्रतिनिधित्व करने वाले हिस्टोग्राम पर गाऊसी वितरण विश्लेषण किया जाता है। यहाँ, गाऊसी वितरण में चोटियों की संख्या rebar आकार के प्रकारों का प्रतिनिधित्व करती है, और x मान μ, जो कि शिखर का स्थान है, संबंधित गाऊसी वितरण में rebar क्रॉस-सेक्शन के समूह का औसत है। रेबार के व्यास की गणना समीकरण (1) के माध्यम से की जा सकती है।

 

 

कहा पे, d स्टील सरिया का व्यास है (मिमी में), और μ हिस्टोग्राम और गाऊसी वितरण विश्लेषण से शिखर मूल्य है। संबंधित आकार के लिए रिबार की संख्या प्रस्तावित क्षेत्र सीमा के भीतर हिस्टोग्राम नमूनों की संख्या है जो प्रस्तुत की गई है टेबल 1. पहले से अनुमानित रीबार आकार प्रकारों के बाहर एक श्रेणी में हिस्टोग्राम नमूने छवि प्रसंस्करण के दौरान होने वाली त्रुटियों के रूप में वर्गीकृत होते हैं। इसका विस्तार से वर्णन किया गया है धारा 4 इस कागज का।

 

टेबल 1. KS D3504:2021 में रेबार मानक [39] और आकार अनुमान के लिए प्रस्तावित क्षेत्र सीमा।

 

केएस डी3504:2021 [39] में रेबार मानक और आकार अनुमान के लिए प्रस्तावित क्षेत्र सीमा।

क्योंकि नमूना छवि में प्रयोग किया जाता है चित्रा 3 दो प्रकार के सरिया होते हैं, गाऊसी वितरण विश्लेषण में दो चोटियों को उत्पन्न किया गया था। दो चोटियों के x मान, μ1 और μ2, क्रमशः 73.5 mm2 और 383.2 mm2 हैं। दो प्रकार के सरिया के व्यास क्रमशः 9.7 मिमी और 22.1 मिमी हैं। दूसरे शब्दों में, हम पुष्टि कर सकते हैं कि दो रीबार प्रकार डी10 और डी22 रीबार हैं। प्रस्तावित रीबर क्षेत्र के आधार पर टेबल 1, 724 रिबारों को डी10 रिबार्स के लिए गिना गया था, और 372 रिबार्स को डी22 रिबार्स के लिए गिना गया था।

 

मौजूदा मानक उपयोगकर्ताओं की बढ़ती आवश्यकताओं के साथ उत्पाद निर्माण में प्रौद्योगिकी की प्रगति में एक निश्चित देरी को दर्शाते हैं। सरिया के मामले में, आईएसओ मानकों को अभी तक व्यापक रूप से नहीं अपनाया गया है, और राष्ट्रीय मानक अभी भी प्रमुख हैं। इस पत्र में, कोरिया के राष्ट्रीय मानक, KS D3504:2021 [39], प्राप्त डेटा और विश्लेषण परिणामों की सटीक तुलना के लिए रिबार के आकार के अनुसार व्यास और क्षेत्र के मूल्यों के लिए लागू किया गया था। क्योंकि केएस डी3504:2021 [39] अंतरराष्ट्रीय मानकों आईएसओ 3534-1:2006 को संदर्भित करता है [40], और अमेरिकी राष्ट्रीय मानक ASTM A615 [41], रेबार नोटेशन और आकार अंतरराष्ट्रीय मानकों के समान हैं। Rebars को 18 प्रकारों में वर्गीकृत किया गया है, D4 से D57 तक। मानक मात्रात्मक रूप से रिबार के नाममात्र व्यास और नाममात्र क्रॉस-सेक्शन क्षेत्र को प्रस्तुत करते हैं, और उनमें से कुछ सूचीबद्ध हैं टेबल 1. यहां, छवि से प्राप्त रीबार के आकार को निर्धारित करने के लिए अनुमानित क्षेत्र के रूप में दो लगातार रीबार प्रकारों के नाममात्र क्रॉस-सेक्शन क्षेत्र का औसत मूल्य प्रस्तावित किया गया था। उदाहरण के लिए, D13 का अनुमानित क्षेत्रफल 99.0 से 162.6 के बीच है। यहाँ, 99.0 का न्यूनतम मान D13 (126.7 मिमी .) के क्षेत्रफल का औसत मान है2) और D10 (71.33 मिमी .) का2), और अधिकतम मूल्य 162.6 मिमी2 D13 (126.7 मिमी .) के क्षेत्रफल का औसत मान है2) और D16 (198.6 मिमी .) का2).

 

4. परिणाम

 

4.1. प्रशिक्षण और मूल्यांकन

 

इस खंड में, हम शोध के परिणाम प्रस्तुत करते हैं। एल्गोरिथम परीक्षण के लिए हार्डवेयर ने NVIDIA GeForce RTX 2080 Ti ग्राफिक्स प्रोसेसिंग यूनिट (GPU) का उपयोग किया। योलैक्ट [42] का उपयोग सीएनएन-आधारित मॉडल बनाने के लिए किया गया था जो छवि में रीबार क्रॉस सेक्शन और पॉली टैग को विभाजित कर सकता है। COCO डेटासेट के पूर्व-प्रशिक्षित भार के आधार पर सीखने को स्थानांतरित करें [43] और इमेज प्रोसेसिंग-आधारित डेटा वृद्धि का प्रदर्शन किया गया। स्थानांतरण सीखने को पहले एक बड़े डेटासेट पर किया गया था, और फिर पूर्व-प्रशिक्षित वज़न का उपयोग आरंभीकरण के लिए या सीखने की सटीकता में सुधार के लिए एक नए लक्ष्य कार्य के लिए निश्चित फीचर एक्सट्रैक्टर्स के रूप में किया गया था। स्थानांतरण सीखने को दो चरणों में किया गया था: (1) COCO डेटासेट पर पूर्व-प्रशिक्षित वज़न का उपयोग बैकबोन और पोस्ट-प्रोसेसिंग मॉड्यूल को प्रारंभ करने के लिए किया जाता है। पोस्ट-प्रोसेसिंग मॉड्यूल के केवल वज़न पैरामीटर को स्टील फ्रेम डेटासेट के आधार पर अनुकूलित किया जाता है। (2) पूरे नेटवर्क के वजन मापदंडों को बहाल किया जाता है, और उन्हें उसी डेटासेट का उपयोग करके ठीक किया जाता है।

 

डेटा संवर्द्धन का उद्देश्य एक ही छवि की परिवर्तनशीलता को बढ़ाना है ताकि प्रशिक्षित मॉडल को विभिन्न वातावरणों में प्राप्त छवियों के लिए मजबूत बनाया जा सके। चमक, ज़ूम, फ्लिप, और रोटेशन तकनीकों को यादृच्छिक रूप से 10 बार लागू किया गया था ताकि एक ही तकनीक को एक छवि के लिए दो बार तक अनावश्यक रूप से लागू किया जा सके। HSV (ह्यू, सैचुरेशन और वैल्यू) के आधार पर चमक को ± 40% रेंज के भीतर लागू किया गया था, और ज़ूम को अधिकतम पिक्सेल के 20% रेंज के भीतर लागू किया गया था। फ्लिप को क्रमशः क्षैतिज और लंबवत आकार की 20% सीमा के भीतर लागू किया गया था, और केंद्र के चारों ओर 360 डिग्री रेंज के भीतर रोटेशन लागू किया गया था। ज़ूम को छोड़कर, इन तकनीकों के लिए डेटा वृद्धि से पहले और बाद में पॉली टैग के क्षेत्र अनुपात की गणना की जाती है। यदि अनुपात एक से छोटा हो जाता है, तो यह इंगित करता है कि पॉली टैग का एक हिस्सा क्षतिग्रस्त है। नतीजतन, उस छवि को प्रशिक्षण डेटासेट से बाहर रखा गया है। चित्रा 4 प्रत्येक तकनीक का एक उदाहरण दिखाता है।

 

चित्रा 4। डेटा संवर्द्धन छवियों पर लागू होता है।

 

चित्रा 4. छवियों पर लागू डेटा वृद्धि।

 

डेटा वृद्धि तकनीक को पूर्व-कॉन्फ़िगर प्रशिक्षण डेटासेट की 498 छवियों पर लागू किया गया था, और अंतिम प्रशिक्षण के लिए कुल 4668 छवियों का उपयोग किया गया था। डेटासेट पर कुल 10,000 प्रशिक्षण पुनरावृत्तियों का प्रदर्शन किया गया। टेबल 2 500 से 1000 तक विभिन्न IoU थ्रेसहोल्ड पर स्टील रिबार और पॉली टैग के दो वर्गों के लिए प्रत्येक 5000, 10,000, 0.5 और 0.95 पुनरावृत्तियों के लिए एमएपी (औसत औसत परिशुद्धता) सूचीबद्ध करता है। सभी IoU श्रेणियों में, बॉक्स और मास्क के लिए 50 से अधिक या उसके बराबर mAP 1000वें पुनरावृत्ति में प्राप्त किए गए थे। इसके बाद, 52.21 के बॉक्स और 52.83 के मास्क वाला एक मॉडल फाइनल, 10,000वें पुनरावृत्ति में प्राप्त किया गया था।

 

टेबल 2. YOLACT आधारित प्रशिक्षण द्वारा एमएपी।

 

YOLACT आधारित प्रशिक्षण द्वारा एमएपी।

 

4.2. रेबार आकार अनुमान और गणना परिणाम

 

चित्रा 5 रिबार आकार अनुमान और गिनती के लिए परीक्षण डेटासेट से चार नमूना छवियों के परिणाम प्रस्तुत करता है। प्रत्येक छवि के लिए, विभाजन छवि, जो विभाजन मॉडल का आउटपुट है, पॉली टैग के लिए कोने का पता लगाने के द्वारा होमोग्राफी छवि, और हिस्टोग्राम और गाऊसी वितरण प्लॉट क्रमिक रूप से सूचीबद्ध हैं। टेबल 3 इन परिणामों को प्रस्तुत करता है। रीबार की वास्तविक संख्या किसी व्यक्ति द्वारा लेबल किए गए एनोटेशन की संख्या है।

 

चित्रा 5। रिबर्स के नमूना परिणाम। (a) एकल प्रकार के रिबार के ढेर पर नमूना छवि एक तिरछे कोण से ली जाती है। (b) में दिखाए गए रिबार के नमूना ढेर पर नमूना छवि (a) दिशा से लिया गया है। (c) पाइल रिबार पर नमूना छवि जिससे एक छोटा पॉली टैग जुड़ा हुआ है। (d) दो प्रकार के सरिया के ढेर पर नमूना छवि।

 

रिबर्स के नमूना परिणाम।

 

टेबल 3. नमूनों के परिणामों पर विवरण।

 

नमूनों के परिणामों पर विवरण।

 

चित्रा 5ए, बी डी13 आकार के रिबार के एक ही ढेर से ली गई छवियां हैं। चित्रा 5a एक तिरछी दिशा से दाईं ओर ली गई छवि है, और चित्रा 5b सामने की दिशा से ली गई छवि है। गाऊसी मापदंडों का मतलब है μ और मानक विचलन σ μ=128.1 और σ=10.7 इंच . हैं चित्रा 5ए और μ=124.5 और σ=7.8 इंच . हैं चित्रा 5बी। μ का उपयोग करके परिकलित सरिया के व्यास क्रमशः 12.77 और 12.59 हैं, और त्रुटि दर क्रमशः 1.7% और 3.1% हैं। इस प्रकार, का मानक विचलन चित्रा 5b, की तुलना में 2.9 कम है चित्रा 5बी। यह परिणाम पुष्टि करता है कि सामने की दिशा से ली गई छवि का क्षेत्र वितरण अधिक स्थिर है।

 

चित्रा 5c D16 रिबार का ढेर दिखाता है, और पॉली टैग आकार छवि आकार का लगभग 1/30 है। इस प्रकार, यह उस मामले के लिए एक नमूना छवि है जब होमोग्राफी लक्ष्य बहुत छोटा है। इसी तरह, इस नमूने में पॉली टैग के कोने की पहचान की गई, और होमोग्राफी सुचारू रूप से की गई। 201.7 के आकार के साथ μ=16.03 का परिणाम प्राप्त किया गया था।

 

चित्रा 6b एक छवि दिखाता है जिसमें दो प्रकार के rebars, D10 और D22 शामिल हैं। हिस्टोग्राम और गाऊसी वितरण विश्लेषण में दो चोटियों को उत्पन्न किया गया था, और μ1 = 76.1 और μ2 = 383.2 के मान प्राप्त किए गए थे। प्रत्येक रीबार प्रकार का आकार क्रमशः 9.85 और 22.09 है, जो अत्यधिक सटीक अनुमान दर्शाता है।

 

चित्रा 6। रेबार क्षेत्र सीमा के बाहर नमूना विश्लेषण। (a) हिस्टोग्राम विश्लेषण और त्रुटि रेंज D13 rebar क्षेत्र सीमा के बाहर। (b) त्रुटि श्रेणी में देखे गए नमूना सरिया।

 

रेबार क्षेत्र सीमा के बाहर नमूना विश्लेषण। (ए) हिस्टोग्राम विश्लेषण और त्रुटि रेंज डी13 रेबार क्षेत्र सीमा के बाहर। (बी) एरर रेंज में देखे गए सैंपल रिबार्स।

 

चार नमूना छवियों में, चित्रा 5ए उच्चतम गिनती त्रुटि दिखाता है। नतीजतन, rebar क्षेत्र की सीमा के बाहर की वस्तुओं पर एक विश्लेषण किया गया था चित्रा 5ए, जो रीबार हैं जिन्हें त्रुटियों के रूप में वर्गीकृत किया गया है। D13 सरियों की रीबार क्षेत्र सीमा 99.0 मिमी2−162.7 मिमी है। इसलिए, यदि खंडित बहुभुज क्षेत्र 99.0 मिमी 2 से छोटा या 162.7 मिमी 2 से बड़ा है, तो संबंधित रीबार को डी 13 रीबार के रूप में पहचाना नहीं जाता है, जैसा कि दिखाया गया है चित्रा 6a. चित्रा 6बी एक ऐसी छवि प्रस्तुत करता है जो केवल होमोग्राफी छवि के रीबार को दिखाती है जो त्रुटि श्रेणी में आती है। यदि क्षेत्र 162.7 मिमी 2 से बड़ा है, तो यह इंगित करता है कि अनुमानित रिबार असमान इंडेंटेशन के कारण हुआ है। यदि क्षेत्र 99.0 मिमी 2 से छोटा है, तो यह इंगित करता है कि रेबार का एक हिस्सा छवि के किनारे या पॉली टैग को काट दिया गया है। इस विश्लेषण से, यह अनुमान लगाया गया था कि गिनती त्रुटि घटना दर को कम करने के लिए रीबार ढेर को अच्छी तरह से व्यवस्थित किया जाना चाहिए, या यह सुनिश्चित करने के लिए चित्र लिया जाना चाहिए कि सभी रीबार छवि में शामिल हैं।

 

चित्रा 7 उन छवियों को दिखाता है जिनके लिए आकार का आकलन ठीक से नहीं किया गया था। चित्रा 7ए एक ऐसा मामला दिखाता है जहां पॉली टैग रिबार से अलग हो जाता है या विकृत हो जाता है। ऐसे मामलों में, पॉली टैग को पहचाना जा सकता है, लेकिन ज्यादातर मामलों में कॉर्नर डिटेक्शन विफल हो गया। कोने का पता लगाने में सफल होने पर भी, होमोग्राफी ठीक से नहीं की जा सकी। चित्रा 7b एक छवि है जहां पॉली टैग का एक हिस्सा काट दिया जाता है। हालांकि कोने का पता लगाना संभव है, होमोग्राफी को गलत आकार के साथ लागू किया जाता है क्योंकि पॉली टैग इनपुट का आकार पहले से 6.5 सेमी × 9 सेमी पर सेट किया गया है। के लिये चित्रा 7सी, रीबार और पॉली टैग के उन्मुखीकरण मेल नहीं खाते क्योंकि पॉली टैग रीबार से सही ढंग से जुड़ा नहीं था। इस मामले में, जबकि पॉली टैग रिकग्निशन, कॉर्नर डिटेक्शन और होमोग्राफी ठीक से की जाती है, रेबार का क्रॉस सेक्शन सामने के दृश्य से संरेखित नहीं होता है। यह गलत संरेखण परिप्रेक्ष्य के कारण क्षेत्र में अंतर की ओर ले जाता है, हालांकि सरिया एक ही आकार के होते हैं। नतीजतन, रीबर आकार का गलत अनुमान लगाया गया है। इसलिए, इस अध्ययन में विकसित आकार अनुमान तकनीक को लागू करने के लिए, एक पॉली टैग जो कट या विकृत नहीं है, को रिबार के उन्मुखीकरण से मेल खाने वाली दिशा में संलग्न किया जाना है।

 

चित्रा 7। रेबार आकार के आकलन में विफलता के मामले। (a) पॉली टैग अलग या विकृत। (b) पॉली टैग काट दिया जाता है। (c) अभिविन्यास बेमेल।

 

रेबार आकार के आकलन में विफलता के मामले

 

5। निष्कर्ष

 

अपने शानदार यांत्रिक गुणों के साथ-साथ पूर्ण संरचना पर निर्माण लागत के अनुपात के कारण प्रबलित कंक्रीट संरचनाओं में स्टील रीबार एक महत्वपूर्ण निर्माण सामग्री है। जबकि निर्माण स्थलों पर मैनुअल रीबार की गिनती एक आम बात है, इसमें कई कमियां हैं: यह मानव-संसाधन-गहन, समय लेने वाली, त्रुटि-प्रवण और संभवतः हानिकारक है। इस अध्ययन में, लेखकों ने सीएनएन-आधारित कंप्यूटर विज़न तकनीकों के आधार पर आकार का अनुमान लगाने और बेल पैकिंग में स्टील रिबर्स की संख्या की गणना करने के लिए एक स्वचालित प्रणाली विकसित की। इस शोध के परिणाम निम्नलिखित दिखाते हैं:

 

  • प्रस्तावित विधि, एक सीएनएन मॉडल, जो होमोग्राफी के साथ संयुक्त है, आकार का अनुमान लगा सकता है और एक छवि में स्टील रिबर्स की संख्या को जल्दी और सटीक रूप से गिन सकता है, और इस विधि को वास्तविक निर्माण स्थलों पर प्रभावी ढंग से स्टील रिबर्स के स्टॉक को प्रबंधित करने के लिए लागू किया जा सकता है।
  • पॉली टैग के साथ-साथ हिस्टोग्राम और गॉसियन डिस्ट्रीब्यूशन प्लॉट के लिए कॉर्नर डिटेक्शन द्वारा होमोग्राफी इमेज का उपयोग प्रभावी रूप से आकार का अनुमान लगाने और विभिन्न दृष्टिकोणों के साथ इमेज से स्टील रिबार की संख्या की गणना करने के लिए किया जा सकता है।
  • इस अध्ययन में, विभिन्न कोणों पर ली गई 622 छवियों और जिसमें कुल 182,522 स्टील रिबार शामिल हैं, को डेटासेट बनाने के लिए मैन्युअल रूप से लेबल किया गया था। प्रशिक्षण डेटासेट के लिए 4668 चित्र बनाने के लिए डेटा वृद्धि की गई। इस अध्ययन के उद्देश्य को पूरा करने के लिए प्रशिक्षण डेटासेट के आधार पर, YOLACT- आधारित स्टील बार आकार का अनुमान और 30 mAP से अधिक के बॉक्स और मास्क के साथ एक गिनती मॉडल तैयार किया गया था।
  • परीक्षण के परिणाम बताते हैं कि आकार का अनुमान लगाने और छवि में स्टील रिबार की संख्या की गणना करने के लिए अधिकतम त्रुटि दर क्रमशः 3.1% और 9.6% थी। इस अध्ययन में दिखाई गई अधिकांश त्रुटियां स्टील रिबार की छवियों के कारण हुईं, जिनके किनारों को काट दिया गया था या जो असमान इंडेंटेशन से पीड़ित थे।

 

जबकि इस अध्ययन में प्रस्तावित विधि प्रदर्शन के स्वीकार्य स्तर को दर्शाती है, जटिल वास्तविक निर्माण स्थलों के व्यावहारिक अनुप्रयोगों के लिए आकार का अनुमान लगाने और स्टील रिबार की संख्या की गणना करने में त्रुटि दर में सुधार किया जाना चाहिए। इसके अलावा, निर्माण स्थलों पर निर्माण सामग्री को कुशलतापूर्वक प्रबंधित करने के लिए प्रस्तावित विधि के आवेदन का विस्तार किया जाना चाहिए, उदाहरण के लिए, एच-बीम, चैनल, कोण और पाइप तक।

 

लेखक योगदान

 

संकल्पना वाईएस, एसएच (सेकोजे हेओ) और जेके; डेटा क्यूरेशन वाईएस और एसएच (सेही हान); औपचारिक विश्लेषण YS, SH (Sekojae Heo) और SN; कार्यप्रणाली वाईएस, एसएच (सेकोजे हेओ) और जेके; फंडिंग एक्विजिशन एसएच (सेकोजे हीओ); लेखन-मूल मसौदा YS और SN; परियोजना प्रशासन एसएच (सेकोजे हेओ) और एसएन; लेखन-समीक्षा और संपादन एसएच (सेही हान) और एसएन सभी लेखकों ने पांडुलिपि के प्रकाशित संस्करण को पढ़ लिया है और सहमत हैं।

 

निधिकरण

 

इस काम को कोरिया सरकार के शिक्षा मंत्रालय (नंबर NRF-2018R1A6A1A07025819 और NRF-2020R1C1C1005406) ​​द्वारा वित्त पोषित नेशनल रिसर्च फाउंडेशन ऑफ कोरिया (NRF) अनुदान द्वारा समर्थित किया गया था।

 

डेटा उपलब्धता विवरण

 

इस शोध में परिणामों का समर्थन करने के लिए उपयोग किए गए डेटा को लेख में शामिल किया गया है। इसके अलावा, इस आलेख के कुछ डेटा पेपर में उल्लिखित संदर्भों द्वारा समर्थित हैं। यदि डेटा के संबंध में आपके कोई प्रश्न हैं, तो इस शोध का डेटा अनुरोध पर पत्राचार से उपलब्ध होगा।

 

संदर्भ

 

  1. मैकग्रेगर, जेजी; वाइट, जेके प्रबलित कंक्रीट: यांत्रिकी और डिजाइन, छठा संस्करण; अप्रेंटिस हॉल अपर: सैडल रिवर, एनजे, यूएसए, 6; खंड 1997. [गूगल स्कॉलर]
  2. ना, एस.; पाइक, I. कंक्रीट संरचनाओं में रेबार जंग का पता लगाने के लिए थर्मल इमेज डेटा का अनुप्रयोग। Appl। विज्ञान। 20199, 4700। [गूगल स्कॉलर] [CrossRef]
  3. Kmiecik, पी.; कामिंस्की, एम। प्रबलित कंक्रीट संरचनाओं और कंक्रीट की ताकत में गिरावट के साथ मिश्रित संरचनाओं की मॉडलिंग को ध्यान में रखा गया। आर्क। नागरिक मेच। इंजी. 201111, 623-636। [गूगल स्कॉलर] [CrossRef]
  4. कामिंग, पीएफ; ओलोमोलाई, पीओ; होल्ट, जी.; हैरिस, एफसी कारक इंडोनेशिया में उच्च-वृद्धि वाली परियोजनाओं पर निर्माण समय और लागत में वृद्धि को प्रभावित करते हैं। कांस्ट्र। मनाग। इकोन। 199715, 83-94। [गूगल स्कॉलर] [CrossRef]
  5. दुग्गल, एसके निर्माण सामग्री; रूटलेज: लंदन, यूके, 2017. [गूगल स्कॉलर]
  6. कोदुर, वी.; हार्मथी, टी। निर्माण सामग्री के गुण। में अग्नि सुरक्षा इंजीनियरिंग की एसएफपीई हैंडबुक; स्प्रिंगर: चाम, स्विट्जरलैंड, 2016; पीपी. 277-324। [गूगल स्कॉलर]
  7. एलन, ई.; इयानो, जे. भवन निर्माण की मूल बातें: सामग्री और तरीके; जॉन विले एंड संस: होबोकेन, एनजे, यूएसए, 2019। [गूगल स्कॉलर]
  8. किम, एम.-के.; थेजा, जेपीपी; ची, एच.-एल.; ली, डी.-ई. पॉइंट क्लाउड डेटा आधारित मशीन लर्निंग का उपयोग करके स्वचालित रीबार व्यास वर्गीकरण। ऑटोम। कांस्ट्र। 2021122, 103476। [गूगल स्कॉलर] [CrossRef]
  9. झांग, डी.; ज़ी, जेड.; वैंग, सी. बार सेक्शन इमेज एन्हांसमेंट एंड पोजिशनिंग मेथड इन ऑन लाइन स्टील बार काउंटिंग एंड ऑटोमेटिक सेपरेटिंग सिस्टम। इमेज एंड सिग्नल प्रोसेसिंग पर 2008 कांग्रेस की कार्यवाही में, वाशिंगटन, डीसी, यूएसए, 27-30 मई 2008; इलेक्ट्रिकल और इलेक्ट्रॉनिक्स इंजीनियर्स संस्थान (आईईईई): पिस्काटावे, एनजे, यूएसए, 2008; खंड 2, पीपी. 319-323। [गूगल स्कॉलर]
  10. झू, वाई.; तांग, सी.; लियू, एच.; हुआंग, पी. एंड-फेस लोकलाइजेशन और स्टील बार का सेगमेंटेशन कनवल्शन न्यूरल नेटवर्क पर आधारित है। आईईईई प्रवेश 20208, 74679-74690। [गूगल स्कॉलर] [CrossRef]
  11. यिंग, एक्स.; वेई, एक्स.; पेई-शिन, वाई.; किंग-दा, एच.; चांग-हाई, सी। स्टील बार्स की छवि के लिए एक स्वचालित गणना पद्धति पर अनुसंधान। विद्युत और नियंत्रण इंजीनियरिंग पर 2010 अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, वाशिंगटन, डीसी, यूएसए, 25-27 जून 2010; इलेक्ट्रिकल और इलेक्ट्रॉनिक्स इंजीनियर्स संस्थान (आईईईई): पिस्काटावे, एनजे, यूएसए, 2010; पीपी. 1644-1647. [गूगल स्कॉलर]
  12. हर्नांडेज़-रुइज़, ए.; मार्टिनेज-नीटो, जेए; Buldain-Pérez, JD Steel Bar काउंटिंग फ्रॉम इमेजेज विथ मशीन लर्निंग। इलेक्ट्रानिक्स 202110, 402। [गूगल स्कॉलर] [CrossRef]
  13. ज़िया, वाई।; शि, एक्स.; गीत, जी.; गेंग, क्यू .; लियू, वाई। यातायात प्रवाह अनुमान के लिए वीडियो-आधारित वाहन गणना पद्धति की गुणवत्ता में सुधार की ओर। सिग्नल प्रक्रिया। 2016120, 672-681। [गूगल स्कॉलर] [CrossRef]
  14. सिंदागी, वीए; पटेल, वीएम सीएनएन-आधारित सिंगल इमेज क्राउड काउंटिंग और डेंसिटी एस्टीमेशन में हालिया प्रगति का एक सर्वेक्षण। पैटर्न पहचान। लेट. 2018107, 3-16। [गूगल स्कॉलर] [CrossRef]
  15. सन, एम.; वांग, वाई.; ली, टी.; लव, जे.; वू, जे। मल्टी-चैनल और मल्टी-टास्क कनवल्शनल न्यूरल नेटवर्क के साथ भीड़ भरे दृश्यों में वाहन की गिनती। जे विस। कम्युन। छवि प्रतिनिधित्व। 201749, 412-419। [गूगल स्कॉलर] [CrossRef]
  16. शेन, जे.; जिओंग, एक्स.; ज़ू, जेड.; बियान, वाई। विभिन्न भीड़ भरे दृश्यों के लिए एक दृढ़ तंत्रिका-नेटवर्क-आधारित पैदल यात्री गिनती मॉडल। संगणना। सहायता प्राप्त नागरिक बुनियादी ढांचा। इंजी. 201934, 897-914। [गूगल स्कॉलर] [CrossRef]
  17. असदी, पी.; गिंडी, एम.; अल्वारेज़, एम। कंक्रीट ब्रिज डेक ग्राउंड पेनेट्रेटिंग राडार बी-स्कैन इमेज में स्वचालित रीबर डिटेक्शन और गिरावट की मात्रा के लिए एक मशीन लर्निंग आधारित दृष्टिकोण। केएससीई जे. सिव। इंजी. 201923, 2618-2627। [गूगल स्कॉलर] [CrossRef]
  18. वांग, सी.; झांग, एच.; यांग, एल.; लियू, एस.; काओ, एक्स. डीप पीपल काउंटिंग इन एक्सट्रीमली डेंस क्राउड। मल्टीमीडिया पर 23वें एसीएम अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, ब्रिस्बेन, ऑस्ट्रेलिया, 26-30 अक्टूबर 2015; कम्प्यूटिंग मशीनरी के लिए एसोसिएशन: न्यूयॉर्क, एनवाई, यूएसए, 2015; पीपी. 1299-1302। [गूगल स्कॉलर]
  19. मिक्कुलैनेन, आर.; लिआंग, जे.; मेयर्सन, ई.; रावल, ए.; फ़िंक, डी.; फ्रेंकोन, ओ.; राजू, बी.; शाहरज़ाद, एच.; नवरुज़्यान, ए.; डफी, एन.; और अन्य। डीप न्यूरल नेटवर्क्स का विकास। में तंत्रिका नेटवर्क और मस्तिष्क कंप्यूटिंग के युग में कृत्रिम बुद्धिमत्ता; एल्सेवियर: एम्स्टर्डम, नीदरलैंड्स, 2019; पीपी. 293-312. [गूगल स्कॉलर]
  20. सैम, डीबी; सूर्या, एस.; भीड़ की गिनती के लिए बाबू, आर.वी. स्विचिंग कनवल्शनल न्यूरल नेटवर्क। कंप्यूटर विजन और पैटर्न पहचान (सीवीपीआर) पर 2017 आईईईई सम्मेलन की कार्यवाही में, होनोलूलू, एचआई, यूएसए, 21-26 जुलाई 2017; पीपी. 4031-4039। [गूगल स्कॉलर]
  21. इलियास, एन.; शहजाद, ए.; किम, के. कन्वेन्शनल-न्यूरल नेटवर्क-आधारित इमेज क्राउड काउंटिंग: समीक्षा, वर्गीकरण, विश्लेषण और प्रदर्शन मूल्यांकन। सेंसर 201920, 43। [गूगल स्कॉलर] [CrossRef] [PubMed के]
  22. ली, वाई.; झांग, एक्स.; चेन, डी. सीएसआरनेट: अत्यधिक भीड़भाड़ वाले दृश्यों को समझने के लिए डाइलेटेड कन्वेन्शनल न्यूरल नेटवर्क्स। कंप्यूटर विजन और पैटर्न पहचान पर 2018 आईईईई/सीवीएफ सम्मेलन की कार्यवाही में, साल्ट लेक सिटी, यूटी, यूएसए, 18-23 जून 2018; पीपी. 1091-1100। [गूगल स्कॉलर]
  23. गोमा, ए.; अब्देलवाहाब, एम.एम.; अबो-ज़हद, एम.; मिनेमात्सु, टी.; तानिगुची, आर.-आई. एक दृढ़ तंत्रिका नेटवर्क और ऑप्टिकल प्रवाह को नियोजित करने वाले मजबूत वाहन का पता लगाने और गणना एल्गोरिदम। सेंसर 201919, 4588। [गूगल स्कॉलर] [CrossRef]
  24. खाकी, एस.; सफ़ाई, एन.; फाम, एच.; वांग, एल। व्हीटनेट: उच्च-थ्रूपुट छवि-आधारित गेहूं के सिर का पता लगाने और गिनती के लिए एक हल्का दृढ़ तंत्रिका नेटवर्क। arXiv 2021, arXiv:2103.09408। [गूगल स्कॉलर]
  25. वलाच, ई.; वुल्फ, एल। सीएनएन बूस्टिंग के साथ गिनती करना सीखना। में कंप्यूटर विजन पर यूरोपीय सम्मेलन; स्प्रिंगर: चाम, स्विट्जरलैंड, 2016। [गूगल स्कॉलर]
  26. अब्देलवाहाब, एमए सटीक वाहन गणना दृष्टिकोण डीप न्यूरल नेटवर्क पर आधारित है। कंप्यूटर इंजीनियरिंग (ITCE) में अभिनव रुझानों पर 2019 अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, असवान, मिस्र, 2-4 फरवरी 2019; इंस्टीट्यूट ऑफ इलेक्ट्रिकल एंड इलेक्ट्रॉनिक्स इंजीनियर्स (आईईईई): पिस्काटावे, एनजे, यूएसए, 2019; पीपी. 1-5. [गूगल स्कॉलर]
  27. चुंग, जे.; किम, जी.; यातायात घनत्व को मापने के लिए सोहन, के. एक कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) की हस्तांतरणीयता। इलेक्ट्रानिक्स 202110, 1189। [गूगल स्कॉलर] [CrossRef]
  28. फैन, जेड।; लू, जे.; किउ, बी.; जियांग, टी.; एक, के.; जोसेफराज, एएन; वी, सी। स्वचालित स्टील बार गिनती और केंद्र स्थानीयकरण दृढ़ तंत्रिका नेटवर्क के साथ। arXiv 2019, arXiv:1906.00891। [गूगल स्कॉलर]
  29. ली, वाई.; लू, वाई.; चेन, जे। YOLOv3 डिटेक्टर पर आधारित निर्माण स्थल पर रीयल-टाइम रीबार काउंटिंग के लिए एक गहन शिक्षण दृष्टिकोण। ऑटोम। कांस्ट्र। 2021124, 103602। [गूगल स्कॉलर] [CrossRef]
  30. डब्रोफ्स्की, ई. होमोग्राफी अनुमान। डिप्लोमोवा प्रैस; Univerzita Britské Kolumbie: वैंकूवर, BC, कनाडा, 2009; खंड 5, ऑनलाइन उपलब्ध: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.186.5926&rep=rep1&type=pdf (1 सितंबर 2021 को एक्सेस किया गया)।
  31. डीटोन, डी.; मालिसिविज़, टी.; राबिनोविच, ए। डीप इमेज होमोग्राफी अनुमान। arXiv 2016, arXiv:1606.03798। [गूगल स्कॉलर]
  32. सुकथंकर, आर.; स्टॉकटन, आरजी; मुलिन, एमडी स्मार्टर प्रेजेंटेशन: कैमरा-प्रोजेक्टर सिस्टम में होमोग्राफी का शोषण। कंप्यूटर विज़न पर आठवें IEEE अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, ICCV 2001, वैंकूवर, BC, कनाडा, 7-14 जुलाई 2001; इंस्टीट्यूट ऑफ इलेक्ट्रिकल एंड इलेक्ट्रॉनिक्स इंजीनियर्स (आईईईई): पिस्काटावे, एनजे, यूएसए, 2002। [गूगल स्कॉलर]
  33. बेनहिमने, एस.; मालिस, ई. होमोग्राफी-आधारित 2डी विजुअल ट्रैकिंग और सर्वोइंग। इंट. जे रोबोट। रेस. 200726, 661-676। [गूगल स्कॉलर] [CrossRef]
  34. मालिस, ई.; वर्गास, एम। विजन-आधारित नियंत्रण के लिए होमोग्राफी अपघटन की गहरी समझ। आईएनआरआईए। 2007. ऑनलाइन उपलब्ध: https://hal.inria.fr/inria-00174036/ (1 सितंबर 2021 को एक्सेस किया गया)।
  35. अल्बावी, एस.; मोहम्मद, टीए; अल-ज़वी, एस। एक दृढ़ तंत्रिका नेटवर्क की समझ। इंजीनियरिंग और प्रौद्योगिकी (आईसीईटी) पर 2017 अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, अंताल्या, तुर्की, 21-23 अगस्त 2017; पीपी. 1-6. [गूगल स्कॉलर]
  36. लॉरेंस, एस.; जाइल्स, सीएल; त्सोई, एसी; बैक, एडी फेस रिकग्निशन: ए कन्वेन्शनल न्यूरल-नेटवर्क अप्रोच। IEEE ट्रांस। तंत्रिका नेटव। 19978, 98-113। [गूगल स्कॉलर] [CrossRef] [PubMed के]
  37. लिन, एक्स.; झाओ, सी.; पैन, डब्ल्यू। सटीक बाइनरी कन्वेन्शनल न्यूरल नेटवर्क की ओर। arXiv 2017, arXiv:1711.11294। [गूगल स्कॉलर]
  38. रसेल, ई.पू.; तोराल्बा, ए.; मर्फी, केपी; फ्रीमैन, डब्ल्यूटी लेबलमे: इमेज एनोटेशन के लिए एक डेटाबेस और वेब-आधारित टूल। इंट. जे. कम्प्यूट. विस. 200877, 157-173। [गूगल स्कॉलर] [CrossRef]
  39. प्रौद्योगिकी और मानकों के लिए कोरिया एजेंसी। केएस डी 3504: 2021 कंक्रीट सुदृढीकरण के लिए स्टील बार्स; कोरिया मानक और प्रमाणन: सियोल, कोरिया, 2021। [गूगल स्कॉलर]
  40. अंतरराष्ट्रीय मानकीकरण संगठन। आईएसओ 3534-1:2006 सांख्यिकी-शब्दावली और प्रतीक-भाग 1: संभाव्यता में प्रयुक्त सामान्य सांख्यिकीय शर्तें और शर्तें; मानकीकरण के लिए अंतर्राष्ट्रीय संगठन: जिनेवा, स्विट्जरलैंड, 2016। [गूगल स्कॉलर]
  41. एएसटीएम मानक। ASTM A615/A615M-20: कंक्रीट सुदृढीकरण के लिए विकृत और सादा कार्बन-स्टील बार्स के लिए मानक विशिष्टता; एएसटीएम मानक: वेस्ट कॉन्शोहोकेन, पीए, यूएसए, 2020। [गूगल स्कॉलर]
  42. बोल्या, डी.; झोउ, सी.; जिओ, एफ.; ली, वाईजे योलैक्ट: रीयल-टाइम इंस्टेंस सेगमेंटेशन। कंप्यूटर विजन (आईसीसीवी) पर 2019 आईईईई/सीवीएफ अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, सियोल, कोरिया, 27 अक्टूबर-2 नवंबर 2019 [गूगल स्कॉलर]
  43. लिन, टी.-वाई।; मायरे, एम.; बेलोंगी, एस.; हेज़, जे.; पेरोना, पी.; रामनन, डी.; डॉलर, पी.; ज़िटनिक, सीएल माइक्रोसॉफ्ट कोको: संदर्भ में सामान्य वस्तुएं। में कंप्यूटर विजन-ईसीसीवी 2014; फ्लीट, डी।, पजडला, टी।, शिएले, बी।, टुयटेलर्स, टी।, एड।; स्प्रिंगर: चाम, स्विट्जरलैंड, 2014। [गूगल स्कॉलर]

 

यह लेख मूल रूप से लाइसेंसधारी एमडीपीआई, बेसल, स्विटजरलैंड द्वारा 09 अक्टूबर, 2021 को प्रकाशित किया गया था, और इसके अनुसार पुनर्प्रकाशित किया गया है क्रिएटिव कॉमन्स एट्रिब्यूशन-नॉन-कॉमर्शियल-नोएडरिव्स 4.0 इंटरनेशनल पब्लिक लाइसेंस। आप मूल लेख पढ़ सकते हैं यहाँ उत्पन्न करें । इस लेख में व्यक्त किए गए विचार अकेले लेखक के हैं न कि वर्ल्डरफ के।

 


यह जानने के लिए WorldRef सेवाओं का अन्वेषण करें कि हम आपके वैश्विक विस्तार को कैसे आसान और अधिक किफायती बना रहे हैं!

थर्मल पावर और कोजेनरेशन | खनन और खनिज | वायु प्रदूषण नियंत्रण | सामग्री हैंडलिंग सिस्टम | जल और अपशिष्ट जल उपचार | पुर्जों, उपकरण और उपभोग्य |  पावर प्लांट सॉल्यूशंस | इस्पात और धातु प्रसंस्करण