在施工现场收集的数字图像和视频剪辑通常用于提取有用信息。在建筑工程和管理领域探索图像处理技术的新应用是一个不断发展的研究领域。各种图像处理应用的初始步骤之一是自动检测施工图像上的各种类型的建筑材料。在本文中作者进行了一项对比研究，以评估不同机器学习技术在检测三种常见的建筑材料分类：混凝土、红砖、OSB板上的性能。本研究中使用的分类器是：多层感知器（MLP），径向基函数（RBF）和支持向量机（SVM）。为了实现该目标，将从图像块中提取的特征向量进行分类，比较这些方法对建筑材料检测的效率。结果表明，对于全部三种材料，SVM在准确检测图像中的材料纹理方面优于其他两种技术。结果还表明，常用的材料检测算法在检测颜色和外观不同的材料(如红砖)时表现良好；然而它们在检测具有颜色和纹理变化的材料(如混凝土)以及包含与场景中其他元素(如ORB板)所类似的颜色和外观属性的材料的性能可能不太准确。数字图像，多层感知器（MLP），径向基函数（RBF），支持向量机（SVM），建筑材料，检测图4：12种不同类型的Gabor Wavelets。
图6：利用SVM、RBF、MLP对部分图像进行混凝土检测，并与人工分割的结果进行比较。
图7：利用SVM、RBF、MLP对红砖检测结果进行了实例分析，并与人工检测结果进行了比较。
图8：利用SVM、RBF、MLP对OSB板进行检测，并与人工分割的结果进行对比。
图9：使用不同SVM内核检测红砖的准确率和召回率。
本文提出了三种生成和判别机器学习算法的比较分析，包括MLP，RBF和SVM，用于检测数字图像中的建筑材料，获得了混凝土，OSB板和红砖三类建筑材料的结果。本研究中得出的最重要的结论概述如下：
（1）无论选择何种分类器，检测混凝土和OSB板表面的总精度率约为75-95%；（2）检测红砖的精度和召回率分别约为94%和96%；（3）使用为此特定研究工作收集的数据集，用于检测全部的三种类型的建筑材料，与其他两种类型的分类器相比，具有RBF内核的SVM分类器提供了更准确的结果。
