本发明涉及混凝土构建质量评估，特别是涉及一种3d打印混凝土构建质量实时评估方法。
背景技术：
1、混凝土是许多建筑结构的主要材料，其质量直接影响结构的安全性。低质量混凝土可能导致结构强度不足，从而增加崩塌或损坏的风险。高质量的混凝土具有更好的耐久性，能够抵抗风化、化学侵蚀和水渗透，从而延长建筑的使用寿命。
2、虽然高质量的混凝土在短期内可能成本较高，但从长远来看，它能够减少维护和修复成本，提供更好的经济性。混凝土的质量影响其功能性，包括承载能力、抗裂性和防水性。这对于确保建筑或结构能够满足其预定用途至关重要。高质量混凝土的生产和使用可以减少对环境的负面影响，如减少资源浪费和减少有害排放。
3、3d打印技术是一种新型机器人建造工艺，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。目前3d打印技术在建筑领域的应用主要针对混凝土和其他水泥基材料，也十分契合智能建造领域的发展理念。但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3d打印混凝土的质量进行检测。制造出来的产品质量不稳定具有结构安全风险，限制了3d打印在大规模生产方面的发展和应用。
4、图像分割技术被广泛应用于计算机视觉、自然语言处理等领域，将其应用于混凝土质量的检测，是一种理想的智能检测途径，能够实现施工过程当中的质量检测。但传统质量检测网络虽然能够对上传图像进行准确定位，但是定位结果准确率较低，对工程当中的实际施工过程指导意义有限。因此，针对3d打印混凝土的质量，如何采用高精度的语义分割算法进行监测与测量是领域内的迫切需求。
技术实现思路
1、本发明的目的是克服了以上技术的缺点，提供了一种稳定的高精度智能化的3d打印混凝土构建质量实时评估方法及系统，实现3d打印混凝土时，能够准确、高效地检测出打印过程中的混凝土的质量包括层间厚度和混凝土的监测，为打印质量的保障提供了有效的手段。
2、为了解决上述的技术问题，本发明的技术方案是：
3、第一方面，本发明提供一种3d打印混凝土构建质量实时评估方法，所述方法包括以下步骤：
4、步骤1、构建评估数据集：
5、将相机固定在打印喷嘴上，对打印墙体沿打印高度方向进行侧面拍摄，此时相机能够拍摄到包含已打印最上层浆条的图像，每帧图像包含7—9层打印浆条，每帧图像中最上层的中间窗口区域认为是正对喷嘴中心的窗口位置；在打印过程中使用相机进行图像实时采集，图像采集过程中确保相机到挤出式3d打印的挤出点连线与打印墙保持垂直，从采集到的图像中，选择不含打印件背景、打印层清晰可见、纹理细节清楚的子集图像，子集图像中包含在不同的打印参数下获得的满足不含打印件背景、打印层清晰可见、纹理细节清楚的图像；
6、将子集图像和非3d打印的混凝土图像作为原始数据集；对原始数据集利用msr算法进行数据增强处理得到增强数据集r*；
7、对增强数据集r*，进行两种标注处理：第一种对应于层间线的二进制分割掩模，将数据集r*中所需识别的区域利用photoshop工具进行像素级标注，为每个像素分配相应的语义标签，确定是否为层间线，形成带有标注信息的数据集，在标注完成后生成二值图，黑色像素值为0，代表背景，白色像素值为255，这些二值图中的白色像素的宽度为18-22像素代表目标层间线；
8、第二种标注对应于从增强数据集图像r*提取的窗口的纹理分类：设定窗口宽度为200像素，窗口的高度以覆盖每一打印层的厚度为准，但不包括相邻层；以窗口大小对增强数据集图像r*中的图像进行分割，相当于把图像每层混凝土取一个小窗口，分别判断小窗口是否异常；将正对打印喷嘴中心的窗口视为一个异常窗口，寻找每张图像中所有窗口中存在异常的窗口，且异常面积超过整张图像表面面积的30％时，则提供图像为异常标签；否则为良好标签；
9、获得增强数据集r*中图像对应的二值图、纹理分类异常结果的对应关系，以此作为评估数据集；
10、步骤2、构建层厚分割模型
11、所述层厚分割模型包括oneformer网络和层间厚度计算模块，用于检测3d打印混凝土的层间厚度是否合格；
12、利用评估数据集训练oneformer网络，输出预测混凝土层间线位置信息的二值图，以及层间厚度计算模块需要的数据(包括二值图中所有像素点的坐标)；从二值图中确定层间线，层间线能将图像中的独立打印层进行分割，对每一层进行单独的层间厚度计算；
13、利用层间厚度计算模块用于计算两条相邻层间线间的距离；
14、步骤3、构建纹理异常判断模型
15、对评估数据集中的图像进行灰度共生矩阵计算，利用灰度共生矩阵生成热力图，热力图中包括能量、对比度、均值这些特征，每张热力图都对应着是否异常的标签；以热力图作为ann网络的输入，输出图像是否异常的二分类结果；利用评估数据集中的图像获得的热力图数据集训练ann网络获得纹理异常判断模型；
16、步骤4、实际监测
17、在3d打印混凝土构建过程中，实时获取过程中不含打印件背景、打印层清晰可见、纹理细节清楚的图像，并获得对应的热力图，利用层厚分割模型获得图像的层间厚度，利用纹理异常判断模型获得纹理是否异常的分类，利用层间厚度和纹理异常情况评估打印质量。
18、进一步地，所述oneformer网络包括5个主干模块，分别为骨干网络backbone主干模块、transformer解码器主干模块、查询映射器主干模块、文本映射器主干模块、对比损失主干模块；
19、骨干网络backbone主干模块采用加强效率网络pn-efficientnet，所述加强效率网络pn-efficientnet的具体流程是：
20、首先，对输入图像先经过第一卷积层输出是一个维度为(112×112×32)的特征图，填充为“same”即输出的宽和高缩小一半；再进入代理归一化层，然后经过swish激活函数处理后进入移动翻转瓶颈卷积mbconv1，移动翻转瓶颈卷积mbconv1的扩张比例为1，深度卷积核大小为3x3，核步长为1x1，包含压缩与激发操作，无连接失活和连接跳越；
21、接着，进入六个串联的移动翻转瓶颈卷积mbconv6层，每层中具有多个mbconv6，mbconv6的扩张因子为6；
22、最后，进入第二卷积层，填充为“same”即输出的宽和高不变，之后经代理归一化层、swish激活函数、全局平均池化层、随机失活dropout、全连接层、softmax分类层处理，输出一个包含特征向量的张量。
23、进一步地，所述代理归一化层的计算流程为：
24、首先，对于每个通道c，计算代理变量
25、其中，和是代理变量的均值和方差，n表示正态分布；
26、然后，选择层归一化作为批次无关归一化法，则对于每个批次元素b和通道c，计算：
27、
28、其中，μb和σ2b是批次元素b的输入x在通道c上的均值和标准差；xb...是批次中第b个元素的未归一化预激活；yb...是批次中第b个元素的归一化预激活，经过批次无关归一化处理后的结果；ε是归一化的数值稳定性常数；
29、接着，对于每个通道c，计算代理归一化的激活：
30、z...c
31、
32、其中，φ是激活函数，γc和βc是归一化的缩放和偏移参数，e[]和var[]分别是期望值和方差，～表示相应变量或值的估计或近似值；z…c是经过激活函数φ处理后的激活值；y…c表示在特定通道c上的激活值；e[]和var[]分别是期望值和方差；
33、最后，通过代理归一化，确保预激活y保持接近归一化状态，从而保持网络的表达能力和稳定性。
34、进一步地，所述对比损失主干模块采用moco对比学习机制，命名为moco损失计算，具体流程为：
35、首先，定义一个查询编码器，用于将输入图像转换成特征表示；同时，初始化一个动量编码器，其参数是查询编码器参数的副本；
36、然后，对输入图像进行数据增强，以生成一对正样本，这些增强的图像将分别作为查询图像query和键图像key分别输入到查询编码器和动量编码器中；
37、随后，使用查询编码器对查询图像进行编码，得到查询特征表示；同时，使用动量编码器对键图像进行编码，得到键特征表示；将数据样本通过查询编码器和动量编码器进行编码后得到的特征表示为编码键，在moco中，编码键是动态字典的一部分，通过维护一个队列来存储和更新这些编码键，以便进行对比学习和优化过程；
38、同时，维护一个队列queue作为动态字典，其中存储了之前若干个小批量的编码键(5-10个)；当前小批量的编码键被加入到队列的末尾(enqueue)时，同时从队列的前端移除(dequeue)最老的小批量的编码键，通过不断更新队列中的编码键，确保动态字典中包含最新的样本特征表示；随着训练的进行，队列中的编码键会不断更新，从而使动态字典能够覆盖更广泛的样本空间，通过移除最老的小批量的编码键，控制动态字典的大小；
39、通过查询编码器对查询图像进行编码得到查询特征，通过动量编码器对对应的正样本图像进行编码得到的特征表示为正键特征；
40、在moco中，正样本图像是指与查询图像配对的图像，也称为正键，负样本图像是指与查询图像不配对的其他图像，也称为负键；正样本图像通过动量编码器进行编码，用于计算查询特征和正键特征之间的相似度，通过最大化查询和正键之间的相似度，模型学习到更具区分性的特征表示；负样本图像通过动态字典中的其他编码键进行编码，用于计算查询特征和负键特征之间的相似度，通过最小化查询和负键之间的相似度，模型学习到更好的视觉表示，提高特征的区分性；
41、其次，使用对比损失函数，计算查询特征和正键特征之间的相似度，同时计算查询特征与队列中所有负键特征之间的不相似度；对比损失函数旨在最大化查询和正键之间的相似度，同时最小化查询和负键之间的相似度；
42、最后，重复上述步骤，直到达到设定的最大迭代次数为止。
43、进一步地，步骤1中，所述异常是标注者通过比较本次窗口内的纹理特征和公开数据集中对应的同种材料图像对应位置的纹理特征窗口是否存在明显差异，若存在明显差异即为异常窗口。
44、进一步地，所述层间厚度计算模块的具体过程：
45、首先，对预测的包含层间线的二值图应用快速欧几里得距离变换edt，这个变换为图像中的每个像素点i计算一个距离值d(i)，表示该点到最近层间线的距离；
46、d(i)利用公式获得,
47、其中：d(a,b)：表示像素点(a,b)到其最短距离的度量，即层间中的像素点与层间线上的像素点(a′,b′)的距离；b表示在二值图中的前景区域中与像素(a,b)相关的所有可能位置的集合；
48、接着，找到距离变换结果d(i)的局部最大值点，这些点大致对应于打印层的中心位置；通过使用垂直核i1＝(0,-1,1)和i2＝(1,-1,0)对距离变换结果d进行卷积，来精确地定位局部最大值，即层中心点i；对于位于两个层间线之间的层中心点i，局部层厚度t(i)定义为对应层间线之间距离的两倍，公式为：
49、
50、其中，s为在距离变换结果d上应用垂直核进行卷积，可以识别出的局部最大值点集合；
51、m:是图像中当前正在分析的层的区域，这个区域限定了计算层厚度的像素点的范围，确保只考虑当前层的厚度，而忽略图像中其他不相关的部分,称为感兴趣区域；
52、条件i∈s∩m表示只有当像素点i同时位于局部最大值点集合s和感兴趣区域m内时，才会计算该点的层厚度，如果像素点i不在s和m的交集内，那么t(i)将被定义为未定义；
53、通过上述步骤，计算出每个层中心点i处的局部层厚度t(i)，以局部层间厚度作为预测的层间厚度与层厚阈值进行对比，用于评估打印层的一致性和检测可能的异常；所述层厚阈值为7mm-13mm。
54、第二方面，本发明提供一种3d打印混凝土构建质量实时评估系统，所述系统包括：
55、图像采集模块，用于获取3d打印混凝土构建施工过程中已打印区域的混凝土图像；
56、图像处理模块，用于对图像采集模块的混凝土图像进行增强处理、获得二值图和热力图，并进行像素级别层间线标注和纹理异常标注；
57、层厚分割模型，包括oneformer网络和层间厚度计算模块，用于检测3d打印混凝土的层间厚度是否合格，输出层厚异常结果；
58、纹理异常判断模型，用于对热力图进行纹理是否异常的判断，若识别为纹理特征异常，则作出异常标记；
59、预警模块，若层厚分割模型和纹理异常判断模型输出的结果中至少有一个的输出结果为异常，则认为混凝土质量不合格，并及时向后台系统反馈缺陷信息，后台系统提示相关人员检查材料状态。
60、与现有技术相比，本发明的有益效果是：
61、本发明针对3d打印混凝土构建过程中的质量进行实时检测，针对这一对象构建了评估数据集，以此为基础分别利用层厚分割模型和纹理异常判断模型对质量检测，反馈异常情况，能够利用层间厚度和纹理异常情况高效高精度评估打印质量。
62、本发明中优选层间厚度为oneformer网络，其使用pn-efficientnet(加强效率网络)和moco(memory-augmented contrastive learning)动量对比函数，大大提升了分割和预测的准确率，使得系统能够实现实时高精度的测量，有助于减少过拟合和提高模型的泛化能力，能够提高训练效率和收敛速度，其在多个数据集和任务上进行了训练和测试，显示出良好的泛化能力。
63、本发明可以为实现更大规模的建筑级别3d打印提供了可能性，进一步推动了该领域的发展，具有重大的意义和广阔的应用前景，同时也为混凝土3d打印技术的发展提供了有力的支持和保障。
1.一种3d打印混凝土构建质量实时评估方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的3d打印混凝土构建质量实时评估方法，其特征在于，所述oneformer网络包括5个主干模块，分别为骨干网络backbone主干模块、transformer解码器主干模块、查询映射器主干模块、文本映射器主干模块、对比损失主干模块；
3.根据权利要求2所述的3d打印混凝土构建质量实时评估方法，其特征在于，所述代理归一化层的计算流程为：
4.根据权利要求2所述的3d打印混凝土构建质量实时评估方法，其特征在于，所述对比损失主干模块采用moco对比学习机制，命名为moco损失计算，具体流程为：
5.根据权利要求1所述的3d打印混凝土构建质量实时评估方法，其特征在于，步骤1中，所述异常是标注者通过比较本次窗口内的纹理特征和公开数据集中对应的同种材料图像对应位置的纹理特征窗口是否存在明显差异，若存在明显差异即为异常窗口。
6.根据权利要求1所述的3d打印混凝土构建质量实时评估方法，其特征在于，所述层间厚度计算模块的具体过程：
7.一种3d打印混凝土构建质量实时评估系统，其特征在于，所述系统包括：
