[发明专利]基于语义分割实现3D打印桥面施工质量监测方法及系统

说明书

本发明为基于语义分割实现3D打印桥面施工质量监测方法及系统，包括以下内容：获取3D打印桥面施工过程中打印区域的缺陷图像，并对缺陷视频图像逐帧进行标注，将标注后的缺陷图像分为训练集和测试集；构建语义分割缺陷测量模型，所述语义分割缺陷测量模型包括SegFormer神经网络和用于像素面积与实际面积换算的面积换算模块：利用训练集训练SegFormer神经网络获得缺陷的像素面积，再通过面积换算模块获得缺陷的实际面积，至此完成语义分割缺陷测量模型的构建，用于3D打印桥面施工质量监测。该系统应用到桥面施工过程质量监测中，具有精细化识别图像信息的功能，可对裂缝和气泡缺陷识别并量化，提高施工效率和质量。

技术领域

本发明涉及智能建造领域和计算机视觉语义分割技术领域，特别是涉及一种基于语义分割实现3D打印桥面施工质量监测方法及系统。

背景技术

传统桥面施工通常需要花费大量人力成本，施工过程中需要考虑混凝土的浇注、养护、外加荷载等因素，施工难度大、施工周期长，如何用较短的时间建造出高质量的桥面结构至关重要。

3D打印技术是一种新型施工工艺，适应数字化和智能化，其优点在于自动化程度高、建造速度快、材料利用率高、可实现异形建造、节约模板成本等方面。但3D打印由于其无模化的工艺，施工过程中极易产生裂缝，目前3D打印技术严重依赖于人工监测，需耗费大量的人力和经济成本，且人工无法监测到超过人自身视野高度的地方，无法对桥面进行施工过程的质量监测。除此之外，人工监测工作成本高,而且检测效率低,检测结果精确度和可信度较低；制造出来的产品质量不稳定，限制了3D打印在大规模生产方面的发展和应用。

计算机视觉语义分割技术是用于缺陷图像检测的基础技术，能够实现施工过程当中的实时质量检测，并能够将裂缝进行量化。但当前技术存在计算量大、耗时长、参数阈值受环境影响大等不足，无法满足缺陷快速识别的发展需求；传统语义分割通过阈值、边缘、区域等方法实现目标提取，或通过人工设置特征提取目标，其获取目标方式均是通过手动提取图像浅层或中层形态特征，这种基于特征假设的方法在复杂环境下不具备鲁棒性，无法满足高精度裂缝识别。因此，针对3D打印桥面裂缝，如何采用稳定的实时高精度的语义分割算法进行监测是领域内的迫切需求。

发明内容

本发明的目的是克服了以上技术的缺点，提供了一种智能化的具有自动修正的基于语义分割实现3D打印桥面施工质量监测方法及系统。

相对于现有技术而言 ，本发明创造性地利用语义分割技术实现了3D打印桥面施工质量监测，能够准确、高效地检测出打印过程中的裂缝缺陷和气泡缺陷并进行量化，实现了监测和预警，为打印质量的保障提供了有效的手段。

为了解决上述的技术问题，本发明的技术方案是：

第一方面，本发明提供一种基于语义分割实现3D打印桥面施工质量监测方法，所述方法包括以下步骤：

获取3D打印桥面施工过程中打印区域的缺陷图像，并对缺陷视频图像逐帧进行标注，将标注后的缺陷图像分为训练集和测试集；

构建语义分割缺陷测量模型，所述语义分割缺陷测量模型包括SegFormer神经网络和用于像素面积与实际面积换算的面积换算模块：

所述SegFormer神经网络包括编码器和解码器，图像输入编码器中的重叠补丁嵌入模块，将输入图像切割为一个个图块，然后依次经第一转换器模块、第二转换器模块、第三转换器模块、第四转换器模块后，获得多层特征图，将多层特征图输出连接解码器的多层感知机层（MLP Layer），将经过多层感知机输出的多层次特征进行拼接操作，拼接后的结果经过一个多层感知机后输出结果；

第一转换器模块、第二转换器模块、第三转换器模块、第四转换器模块结构相同，包括基于滑动窗口技术的自注意力机制模块（SW Efficient Self-Attention）、混合前馈网络模块（MiX-FFN）和重叠补丁融合模块（Overlap Patch Merging），获得大小相同但分辨率不同的四个特征图；