Damage to reinforced concrete (RC) can be hazardous to structures and threaten users' health and work efficiency; it is an indicator of the deterioration level of a facility. Developing automatic detection methods for facility damage has always been a goal that competent authorities of facility management strive to achieve, and such methods can provide engineers with references when evaluating facility damage and maintenance. This study introduced a hybrid machine learning (HML) that combined cluster analyses and a support vector machine (SVM) to create SVM-based clustering. The method was proposed to detect four types of RC damage: rebar exposure, spalling, efflorescence, and cracking. First, grouping was implemented according to damage features in images using cluster analysis, and the results were used as the standard for SVM classification. Second, the detection efficacy of the two types of machine learning, namely, SVM-based clustering and SVM, were compared. The functions of the suggested HML were evaluated with the six indicators based on image data with human annotations. In the classification experiment of three models, HML was superior to the single supervised machine learning. SVM-based clustering had the highest detection efficacy for cracks (accuracy = 99.3%), followed by the detection of the ternary damage of rebar exposure, spalling, and efflorescence (accuracy = 94.9%). HML can quickly extract damage features from digital images and classify multiple types of RC damage in a certain time. The proposed method is effective for facilitating the damage evaluation of facilities and is useful for facility competent authorities and user safety.

中文翻译：

---

使用基于支持向量机的数字图像聚类检测钢筋混凝土的多重损伤

钢筋混凝土 (RC) 的损坏可能对结构造成危害并威胁用户的健康和工作效率；它是设施退化程度的指标。开发设施损坏自动检测方法一直是设施管理主管部门努力实现的目标，此类方法可为工程师评估设施损坏和维护提供参考。本研究介绍了一种混合机器学习 (HML)，它结合了集群分析和支持向量机 (SVM) 来创建基于 SVM 的集群。该方法被提议用于检测四种类型的 RC 损伤：钢筋暴露、剥落、风化和开裂。首先，使用聚类分析根据图像中的损伤特征进行分组，并将结果作为支持向量机分类的标准。其次，比较了两种机器学习的检测效率，即基于 SVM 的聚类和 SVM。基于带有人工注释的图像数据，使用六个指标评估建议的 HML 的功能。在三种模型的分类实验中，HML 优于单监督机器学习。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。比较了两种机器学习的检测效果，即基于SVM的聚类和SVM。基于带有人工注释的图像数据，使用六个指标评估建议的 HML 的功能。在三种模型的分类实验中，HML 优于单监督机器学习。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。比较了两种机器学习的检测效果，即基于SVM的聚类和SVM。基于带有人工注释的图像数据，使用六个指标评估建议的 HML 的功能。在三种模型的分类实验中，HML 优于单监督机器学习。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。比较了基于 SVM 的聚类和 SVM。基于带有人工注释的图像数据，使用六个指标评估建议的 HML 的功能。在三种模型的分类实验中，HML 优于单监督机器学习。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。比较了基于 SVM 的聚类和 SVM。基于带有人工注释的图像数据，使用六个指标评估建议的 HML 的功能。在三种模型的分类实验中，HML 优于单监督机器学习。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。基于带有人工注释的图像数据，使用六个指标评估建议的 HML 的功能。在三种模型的分类实验中，HML 优于单监督机器学习。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。基于带有人工注释的图像数据，使用六个指标评估建议的 HML 的功能。在三种模型的分类实验中，HML 优于单监督机器学习。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。基于 SVM 的聚类对裂纹的检测效率最高（准确率 = 99.3%），其次是对钢筋外露、剥落和风化三元损伤的检测（准确率 = 94.9%）。HML 可以从数字图像中快速提取损伤特征，并在一定时间内对多种类型的 RC 损伤进行分类。所提出的方法对于促进设施的损坏评估是有效的，并且对于设施主管部门和用户安全是有用的。