Resumen

El aprendizaje automático desempeña un papel importante en la inteligencia computacional y se ha utilizado ampliamente en muchos campos de la ingeniería. Los huecos superficiales o bugholes que aparecen con frecuencia en la superficie del hormigón tras el proceso de colada hacen que la correspondiente inspección manual sea larga, costosa, laboriosa e inconsistente. Para poder realizar una mejor inspección de la superficie del hormigón, es necesario realizar una clasificación automática de los huecos del hormigón. En este artículo, se propone una estrategia de selección de variables para conseguir la interpretabilidad de las características, junto con una clasificación automática de conjunto diseñada para obtener una mayor precisión en la clasificación de los agujeros. Se extrae una característica de textura derivada del filtro de Gabor y de las longitudes de carrera de nivel de gris en imágenes de superficie de hormigón. Las variables interpretables, que son también los componentes de la característica, se seleccionan según una estrategia de votación acumulativa presentada. Se proporciona un clasificador de conjunto con su clasificador base asignado automáticamente para detectar si existe un vacío superficial en una imagen o no. Los resultados experimentales sobre 1000 muestras de imágenes indican la eficacia de nuestro método con una precisión de predicción comparable y un modelo explicable.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:vacío en la superficie, superficie de hormigón, imagen de la superficie de hormigón, muchos campos de la ingeniería, clasificación automática de conjuntos, longitud de recorrido de nivel, tiempo de inspección manual, precisión de predicción comparable, estrategia de selección de variables, estrategia de votación acumulativa
• Keywords:surface void, concrete surface, concrete surface image, many engineering field, automatic ensemble classification, level run length, manual inspection time, comparable prediction accuracy, variable selection strategy, cumulative voting strategy