CN116879299A - 一种基于人工智能图像识别的3d打印水泥基材料的缺陷实时监测方法 - Google Patents

一种基于人工智能图像识别的3d打印水泥基材料的缺陷实时监测方法 Download PDF

Info

Publication number
CN116879299A
CN116879299A CN202310702163.3A CN202310702163A CN116879299A CN 116879299 A CN116879299 A CN 116879299A CN 202310702163 A CN202310702163 A CN 202310702163A CN 116879299 A CN116879299 A CN 116879299A
Authority
CN
China
Prior art keywords
cement
defect
printing
based material
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310702163.3A
Other languages
English (en)
Inventor
丁尧
欧行健
齐宏拓
刘界鹏
滕超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202310702163.3A priority Critical patent/CN116879299A/zh
Publication of CN116879299A publication Critical patent/CN116879299A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，包括以下步骤：1)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，得到若干水泥基材料监测图像；2)利用人工智能算法对水泥基材料监测图像进行缺陷识别，若存在缺陷，则利用人工智能算法对水泥基材料监测图像中的缺陷进行分类与定位，实现对3D打印过程中水泥基材料的缺陷实时监测。本发明结合人工智能技术与3D打印工艺，提供了一种基于人工智能图像识别的3D打印水泥基材料缺陷的实时监测与自动检测方法，能有效提高3D打印水泥基材料的生产合格率，避免因打印缺陷导致的3D打印构件的性能缺陷，保证3D打印建筑构件的质量可控性，实现3D打印构件的智能化生产。

Description

一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时 监测方法
技术领域
本发明涉及智能建造领域，具体涉及一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法。
背景技术
建筑3D打印是一种以数字文件为基础，以水泥混凝土为油墨或粘合材料，通过逐层堆叠构造建筑物的快速建造技术，具有数字化、自动化、智能化、快速高效、灵活精细、无需模板、节材及节约劳动力等特点，尤其在一些个性化建筑、复杂造型建筑以及偏远地区甚至极端环境下具有较大优势。然而，水泥基材料在3D打印过程中易发生因打印参数不合理、材料可打印性欠缺而导致的打印层不连续、底层坍落变形、材料过度沉积等打印缺陷，严重影响打印构件的整体性能，造成材料浪费、打印效率低、打印质量难以保证等问题。因此，如何提供一种3D打印水泥基材料的缺陷实时监测方法，对不同打印缺陷进行自动分类与定位，为技术人员及时根据打印缺陷做出相应调整提供可靠参考，是本领域亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，包括以下步骤：
1)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，得到若干水泥基材料监测图像。
2)利用人工智能算法对水泥基材料监测图像进行缺陷识别，若存在缺陷，则利用人工智能算法对水泥基材料监测图像中的缺陷进行分类与定位，实现对3D打印过程中水泥基材料的缺陷实时监测。
进一步，在3D打印过程中，所述双相机图像采集系统周期性采集水泥基材料监测图像。
所述水泥基材料监测图像包括水泥基材料的侧视图像和俯视图像。
进一步，所述人工智能算法包括人工神经网络模型、深度学习算法。
进一步，当人工智能算法为人工神经网络模型时，对采集图像进行缺陷识别的步骤包括：
1)设置3D打印的无缺陷水泥基材料三维模型、有缺陷水泥基材料三维模型及缺陷图像的采集方式。
2)打印所有设定的3D打印的水泥基材料三维模型，并利用双相机图像采集系统采集水泥基材料监测图像。
3)对水泥基材料监测图像进行预处理，并打上标签，所述标签包括有缺陷和无缺陷。
4)利用带有标签的水泥基材料监测图像对神经网络进行训练，得到缺陷识别模型。
5)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，并通过缺陷识别模型对采集的图像进行缺陷识别。
进一步，当人工智能算法为人工神经网络模型时，对图像中的缺陷进行分类与定位的步骤包括：
1)根据水泥基材料在3D打印过程中可能出现的缺陷类型，设置3D打印的水泥基材料三维模型及缺陷图像的采集方式。
所述缺陷图像的采集方式包括采集水泥基材料的侧视图像和俯视图像。
2)打印所有设定的3D打印的水泥基材料三维模型，并利用双相机图像采集系统采集水泥基材料监测图像。
3)对采集的水泥基材料监测图像进行分类及预处理，得到缺陷图像数据，并根据缺陷图像数据构建缺陷数据库。
4)构建人工神经网络分类与定位模型。
5)通过缺陷数据库对人工神经网络分类与定位模型进行训练，得到缺陷自动分类与定位模型。
6)当识别到水泥基材料监测图像中存在缺陷时，利用缺陷自动分类与定位模型对采集图像中的缺陷进行分类与定位。
进一步，所述对水泥基材料监测图像进行的预处理包括灰度化处理、降噪处理、二值化处理。
进一步，所述对人工神经网络模型进行训练是使用深层卷积神经网络中的残差网络进行训练的，包括以下步骤：
1)在残差单元的前端进行预卷积处理。
2)在残差单元的输出端先进行全局平均池化处理，然后进行拉平处理以接入全连接层。
3)由全连接层输出分类结果。
进一步，所述预卷积处理包括：对输入图像进行卷积处理、批量标准化处理、激活处理和最大池化处理。
进一步，水泥基材料3D打印过程中的缺陷包括：打印层不连续缺陷、底层坍落变形缺陷、材料过度沉积缺陷。
所述打印层不连续缺陷是由于喷嘴移动速率高于材料挤出速率，导致打印件产生不连续层。
所述底层坍落变形缺陷是由于挤出层的自重压力超过底层材料的抗压强度，导致底层打印条束坍落变形。
所述材料过度沉积缺陷是由于挤出层材料的屈服应力低，导致材料沉积，甚至产生“外流”现象。
进一步，所述水泥基材料包括具备打印性能的砂浆、混凝土、纤维增强水泥基材料、高性能水泥基复合材料、地聚物基材料。
本发明的技术效果是毋庸置疑的，本发明结合人工智能技术与3D打印工艺，提供了一种基于人工智能图像识别的3D打印水泥基材料缺陷的实时监测与自动检测方法，能有效提高3D打印水泥基材料的生产合格率，避免因打印缺陷导致的3D打印构件的性能缺陷，保证3D打印建筑构件的质量可控性，实现3D打印构件的智能化生产。
进一步的，本发明的双相机图像采集系统能够采集俯视、侧视两个方向的画面，与单相机监测方法相比，能有效避免采集画面不完整等问题；
进一步的，本发明结合人工智能技术与3D打印工艺，提供了一种基于人工智能图像识别的3D打印水泥基材料缺陷的实时监测与自动检测方法，首先通过双相机图像采集系统捕获水泥基材料3D打印过程中的实时画面，然后结合人工神经网络识别图像中的3D打印缺陷并实现缺陷的分类与定位，从而实现3D打印水泥基材料的缺陷实时监测，为技术人员提供可靠参考。
更进一步的，本发明中，固定于打印喷嘴附近的双相机可与打印设备随动，实时采集打印画面，可改善打印缺陷监测不及时等问题，提高监测效率与智能化水平。
附图说明
图1为一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法流程图；
图2为本发明实施例采用的对打印缺陷进行分类的深层卷积神经网络中的残差网络ResNet18结构图；
图3为本发明实施例中用于训练人工神经网络模型的打印层不连续缺陷图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1至图3，一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，包括以下步骤：
1)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，得到若干水泥基材料监测图像。
2)利用人工智能算法对水泥基材料监测图像进行缺陷识别，若存在缺陷，则利用人工智能算法对水泥基材料监测图像中的缺陷进行分类与定位，实现对3D打印过程中水泥基材料的缺陷实时监测。
实施例2：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例1，进一步，在3D打印过程中，所述双相机图像采集系统周期性采集水泥基材料监测图像。
所述水泥基材料监测图像包括水泥基材料的侧视图像和俯视图像。
实施例3：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例1或2任一项，进一步，所述人工智能算法包括人工神经网络模型、深度学习算法。
实施例4：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例3，进一步，当人工智能算法为人工神经网络模型时，对采集图像进行缺陷识别的步骤包括：
1)设置3D打印的无缺陷水泥基材料三维模型、有缺陷水泥基材料三维模型及缺陷图像的采集方式。
所述缺陷图像的采集方式包括采集水泥基材料的侧视图像和俯视图像。
2)打印所有设定的3D打印的水泥基材料三维模型，并利用双相机图像采集系统采集水泥基材料监测图像。
3)对水泥基材料监测图像进行预处理，并打上标签，所述标签包括有缺陷和无缺陷。
4)利用带有标签的水泥基材料监测图像对神经网络进行训练，得到缺陷识别模型。
5)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，并通过缺陷识别模型对采集的图像进行缺陷识别。
实施例5：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例3或4任一项，进一步，当人工智能算法为人工神经网络模型时，对图像中的缺陷进行分类与定位的步骤包括：
1)根据水泥基材料在3D打印过程中可能出现的缺陷类型，设置3D打印的水泥基材料三维模型及缺陷图像的采集方式。
2)打印所有设定的3D打印的水泥基材料三维模型，并利用双相机图像采集系统采集水泥基材料监测图像。
3)对采集的水泥基材料监测图像进行分类及预处理，得到缺陷图像数据，并根据缺陷图像数据构建缺陷数据库。
4)构建人工神经网络分类与定位模型。
5)通过缺陷数据库对人工神经网络分类与定位模型进行训练，得到缺陷自动分类与定位模型。
6)当识别到水泥基材料监测图像中存在缺陷时，利用缺陷自动分类与定位模型对采集图像中的缺陷进行分类与定位。
实施例6：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例4或5任一项，进一步，所述对水泥基材料监测图像进行的预处理包括灰度化处理、降噪处理、二值化处理。
实施例7：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例4至6任一项，进一步，所述对人工神经网络模型进行训练是使用深层卷积神经网络中的残差网络进行训练的，包括以下步骤：
1)在残差单元的前端进行预卷积处理。
2)在残差单元的输出端先进行全局平均池化处理，然后进行拉平处理以接入全连接层。
3)由全连接层输出分类结果。
实施例8：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例7，进一步，所述预卷积处理包括：对输入图像进行卷积处理、批量标准化处理、激活处理和最大池化处理。
实施例9：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例1至8任一项，进一步，水泥基材料3D打印过程中的缺陷包括：打印层不连续缺陷、底层坍落变形缺陷、材料过度沉积缺陷。
所述打印层不连续缺陷是由于喷嘴移动速率高于材料挤出速率，导致打印件产生不连续层。
所述底层坍落变形缺陷是由于挤出层的自重压力超过底层材料的抗压强度，导致底层打印条束坍落变形。
所述材料过度沉积缺陷是由于挤出层材料的屈服应力低，导致材料沉积，甚至产生“外流”现象。
实施例10：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例1至9任一项，进一步，所述水泥基材料包括具备打印性能的砂浆、混凝土、纤维增强水泥基材料、高性能水泥基复合材料、地聚物基材料。
实施例11：
参见图1至图3，一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，包括以下步骤：
1)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，得到若干水泥基材料监测图像。
基于计算机视觉，通过图像采集系统捕获水泥基材料3D打印过程中的实时画面。
2)利用人工智能算法对水泥基材料监测图像进行缺陷识别，若存在缺陷，则利用人工智能算法对水泥基材料监测图像中的缺陷进行分类与定位，实现对3D打印过程中水泥基材料的缺陷实时监测。
实施例12：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例11，进一步，在3D打印过程中，所述双相机图像采集系统周期性采集水泥基材料监测图像。
图像采集速度可为每0.1-2秒采集一次，实际采集速度可根据打印件尺寸、打印机规格等做出调整。
所述水泥基材料监测图像包括水泥基材料的侧视图像和俯视图像。
所述双相机图像采集系统与打印喷嘴位于同一空间内，且双相机图像采集系统可随打印设备移动。
实施例13：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例11或12任一项，进一步，所述人工智能算法包括人工神经网络模型、深度学习算法。
实施例14：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例13，进一步，当人工智能算法为人工神经网络模型时，对采集图像进行缺陷识别的步骤包括：
1)设置3D打印的无缺陷水泥基材料三维模型、有缺陷水泥基材料三维模型及缺陷图像的采集方式。
所述缺陷图像的采集方式包括采集水泥基材料的侧视图像和俯视图像。即在侧视及俯视方向安装深度相机，确定双相机随动的缺陷图像采集方式
2)打印所有设定的3D打印的水泥基材料三维模型，并利用双相机图像采集系统采集水泥基材料监测图像。
3)对水泥基材料监测图像进行预处理，并打上标签，所述标签包括有缺陷和无缺陷。
4)利用带有标签的水泥基材料监测图像对神经网络进行训练，得到缺陷识别模型。
5)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，并通过缺陷识别模型对采集的图像进行缺陷识别。
实施例15：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例13或14任一项，进一步，当人工智能算法为人工神经网络模型时，对图像中的缺陷进行分类与定位的步骤包括：
1)根据水泥基材料在3D打印过程中可能出现的缺陷类型，设置3D打印的水泥基材料三维模型及缺陷图像的采集方式。
2)打印所有设定的3D打印的水泥基材料三维模型，并利用双相机图像采集系统采集水泥基材料监测图像。
3)对采集的水泥基材料监测图像进行分类及预处理，得到缺陷图像数据，并根据缺陷图像数据构建缺陷数据库。
4)构建人工神经网络分类与定位模型。
5)通过缺陷数据库对人工神经网络分类与定位模型进行训练，得到缺陷自动分类与定位模型。
6)当识别到水泥基材料监测图像中存在缺陷时，利用缺陷自动分类与定位模型对采集图像中的缺陷进行分类与定位。
实施例16：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例14或15任一项，进一步，所述对水泥基材料监测图像进行的预处理包括灰度化处理、降噪处理、二值化处理。
实施例17：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例14至16任一项，进一步，所述对人工神经网络模型进行训练是使用深层卷积神经网络中的残差网络ResNet18进行训练的，包括以下步骤：
1)在残差单元的前端进行预卷积处理。
2)在残差单元的输出端先进行全局平均池化处理(Avg Pool)，然后进行拉平处理(Flatten)以接入全连接层(FC)。
3)由全连接层输出分类结果。
实施例18：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例17，进一步，所述预卷积处理为连续对输入图像进行卷积处理(CONV)、批量标准化处理(BN)、激活处理(RELU)和最大池化处理(Max Pool)。
实施例19：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例11至18任一项，进一步，水泥基材料3D打印过程中的缺陷包括：打印层不连续缺陷、底层坍落变形缺陷、材料过度沉积缺陷。
所述打印层不连续缺陷是由于喷嘴移动速率高于材料挤出速率，导致打印件产生不连续层。
所述底层坍落变形缺陷是由于挤出层的自重压力超过底层材料的抗压强度，导致底层打印条束坍落变形。
所述材料过度沉积缺陷是由于挤出层材料的屈服应力低，导致材料沉积，甚至产生“外流”现象。
实施例20：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容见实施例11至19任一项，进一步，所述水泥基材料包括具备打印性能的砂浆、混凝土、纤维增强水泥基材料、高性能水泥基复合材料、地聚物基材料。
所述纤维增强水泥基材料包括但不限于纤维混凝土、高性能纤维增强水泥基复合材料、工程水泥基复合材料等；
所述高性能水泥基复合材料包括但不限于高强水泥基复合材料、高延性水泥基复合材料、超高性能混凝土等；
所述地聚物基材料包括但不限于地聚物混凝土、地聚物砂浆、纤维增韧地聚物基材料等。
实施例21：
参见图1至图3，本实施例提供一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，监测流程如图1所示，包括以下步骤：
1)根据水泥基材料在3D打印过程中所期望监测到的缺陷，设计3D打印三维模型及其缺陷图像采集方式，本实施例选用打印层不连续作为缺陷类型。
2)基于双相机图像采集系统，重复打印步骤1所述的三维模型并在侧视、俯视两个方向采集缺陷图像数据。
3)对所采集的缺陷图像数据进行人工分类，构建打印层不连续的缺陷数据库。
4)根据步骤3所述的数据库训练人工神经网络模型以提高模型准确性，实现水泥基材料3D打印过程中打印层不连续缺陷的自动识别与定位。
5)使用步骤4所述的训练完成的人工神经网络模型结合双相机图像采集系统，对水泥基材料3D打印过程进行实时监测，并输出打印过程中有无缺陷的监测结果，若有缺陷，则进一步输出缺陷类型。
本实施例中，首先构建结合双相机图像采集系统的水泥基材料3D打印平台，相机配置微距镜头以采集水泥基材料3D打印条束的表观形貌图像，相机支架与摇臂安装于打印喷嘴附近。对打印试件进行三维建模及分层切片处理，通过计算机规划打印路径、设置合适的打印参数并生成3D打印G代码。
本实施例中，前期须通过双相机图像采集系统采集缺陷图像以构建数据库，对图像进行灰度化、降噪、二值化等预处理后输入给人工神经网络模型进行训练，使人工神经网络模型能准确识别并定位3D打印过程中打印层不连续的缺陷问题。
本实施例中，使用深层卷积神经网络中的残差网络ResNet18进行训练，网络结构如图2所示。在残差单元的前端首先进行预卷积操作，预卷积操作将输入图像连续进行卷积(CONV)、批量标准化(BN)、激活(RELU)和最大池化(Max Pool)操作，以减小特征图的尺寸。在残差单元输出端首先进行全局平均池化(Avg Pool)来减少训练参数，提高训练速度，然后进行拉平(Flatten)操作以接入全连接层(FC)，最后由全连接层输出分类结果。
本实施例中，主要针对人工神经网络模型能准确识别打印层连续与否进行训练，为后续面向水泥基材料3D打印缺陷监测的实时控制与参数调整提供基础。
实施例22：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容同实施例21，进一步，所述缺陷类型可以是底层坍落变形或材料过度沉积等其他打印缺陷。
实施例23：
一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，主要技术内容同实施例21或22任一项，进一步，训练采用的人工神经网络模型可以是其他能够对打印过程中的缺陷进行识别、分类与定位的机器学习模型，可实现3D打印水泥基材料的缺陷实时监测。
实施例24：
参见图1至图3，一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，包括以下步骤：基于计算机视觉，通过图像采集系统捕获水泥基材料3D打印过程中的实时画面，结合人工智能算法识别图像中的3D打印缺陷并实现缺陷的分类与定位，从而实现3D打印水泥基材料的缺陷实时监测。
所述的图像采集系统采用固定于打印喷嘴附近的双相机，在打印过程中于特定时间间隔分别采集打印喷嘴附近侧视、俯视两个方向的实时画面，图像采集速度可为每0.1-2秒采集一次，实际采集速度可根据打印件尺寸、打印机规格等做出调整。
所述的人工智能算法包括人工神经网络模型、深度学习算法等。
所述的3D打印水泥基材料缺陷类别主要分为但不限于：(1)打印层不连续：由于喷嘴移动速率高于材料挤出速率，导致打印件产生不连续层。(2)底层坍落变形：由于挤出层的自重压力超过底层材料的抗压强度，导致底层打印条束坍落变形。(3)材料过度沉积：由于挤出层材料的屈服应力过低，导致材料过度沉积，甚至产生“外流”现象。
所述的水泥基材料包括具备打印性能的砂浆、混凝土、纤维增强水泥基材料(包括但不限于纤维混凝土、高性能纤维增强水泥基复合材料、工程水泥基复合材料等)、高性能水泥基复合材料(包括但不限于高强水泥基复合材料、高延性水泥基复合材料、超高性能混凝土等)、地聚物基材料(包括但不限于地聚物混凝土、地聚物砂浆、纤维增韧地聚物基材料等)。
所述的3D打印水泥基材料的缺陷实时监测方法包括以下步骤：
1)根据水泥基材料在3D打印过程中所期望监测到的缺陷，设计3D打印三维模型及其缺陷图像采集方式。
2)基于双相机图像采集系统，重复打印步骤1所述的三维模型，并在侧视、俯视两个方向采集缺陷图像数据。
3)根据前期采集的缺陷图像特征，对图像中所包含的缺陷数据进行人工分类，构建缺陷数据库。
4)根据步骤3所述的数据库训练人工神经网络模型，提高模型准确性，实现3D打印水泥基材料的缺陷自动分类与定位。
5)使用步骤2与步骤4所述的双相机图像采集系统和人工神经网络模型进行水泥基材料3D打印过程的缺陷实时监测。
本发明的有益结果在于：
1.本发明结合人工智能技术与3D打印工艺，提供了一种基于人工智能图像识别的3D打印水泥基材料缺陷的实时监测与自动检测方法，能有效提高3D打印水泥基材料的生产合格率，避免因打印缺陷导致的3D打印构件的性能缺陷，保证3D打印建筑构件的质量可控性。
2.本发明中，双相机图像采集系统能够采集俯视、侧视两个方向的画面，与单相机监测方法相比，能有效避免采集画面不完整等问题。
3.本发明中，固定于打印喷嘴附近的双相机可与打印设备随动，实时采集打印画面，可改善打印缺陷监测不及时等问题，提高监测效率与智能化水平。

Claims (10)

1.一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，包括以下步骤：
1)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，得到若干水泥基材料监测图像。
2)利用人工智能算法对水泥基材料监测图像进行缺陷识别，若存在缺陷，则利用人工智能算法对水泥基材料监测图像中的缺陷进行分类与定位，实现对3D打印过程中水泥基材料的缺陷实时监测。
2.根据权利要求1所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，在3D打印过程中，所述双相机图像采集系统周期性采集水泥基材料监测图像。
所述水泥基材料监测图像包括水泥基材料的侧视图像和俯视图像。
3.根据权利要求1所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，所述人工智能算法包括人工神经网络模型、深度学习算法。
4.根据权利要求3所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，当人工智能算法为人工神经网络模型时，对采集图像进行缺陷识别的步骤包括：
1)设置3D打印的无缺陷水泥基材料三维模型、有缺陷水泥基材料三维模型及缺陷图像的采集方式；
所述缺陷图像的采集方式包括采集水泥基材料的侧视图像和俯视图像；
2)打印所有设定的3D打印的水泥基材料三维模型，并利用双相机图像采集系统采集水泥基材料监测图像；
3)对水泥基材料监测图像进行预处理，并打上标签，所述标签包括有缺陷和无缺陷；
4)利用带有标签的水泥基材料监测图像对神经网络进行训练，得到缺陷识别模型；
5)利用双相机图像采集系统采集3D打印过程中水泥基材料的图像，并通过缺陷识别模型对采集的图像进行缺陷识别。
5.根据权利要求3所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，当人工智能算法为人工神经网络模型时，对图像中的缺陷进行分类与定位的步骤包括：
1)根据水泥基材料在3D打印过程中可能出现的缺陷类型，设置3D打印的水泥基材料三维模型及缺陷图像的采集方式；
2)打印所有设定的3D打印的水泥基材料三维模型，并利用双相机图像采集系统采集水泥基材料监测图像；
3)对采集的水泥基材料监测图像进行分类及预处理，得到缺陷图像数据，并根据缺陷图像数据构建缺陷数据库；
4)构建人工神经网络分类与定位模型；
5)通过缺陷数据库对人工神经网络分类与定位模型进行训练，得到缺陷自动分类与定位模型；
6)当识别到水泥基材料监测图像中存在缺陷时，利用缺陷自动分类与定位模型对采集图像中的缺陷进行分类与定位。
6.根据权利要求4或5任一项所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，所述对水泥基材料监测图像进行的预处理包括灰度化处理、降噪处理、二值化处理。
7.根据权利要求4或5任一项所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，所述对人工神经网络模型进行训练是使用深层卷积神经网络中的残差网络进行训练的，包括以下步骤：
1)在残差单元的前端进行预卷积处理；
2)在残差单元的输出端先进行全局平均池化处理，然后进行拉平处理以接入全连接层；
3)由全连接层输出分类结果。
8.根据权利要求7所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，所述预卷积处理包括：对输入图像进行卷积处理、批量标准化处理、激活处理和最大池化处理。
9.根据权利要求1所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，水泥基材料3D打印过程中的缺陷包括：打印层不连续缺陷、底层坍落变形缺陷、材料过度沉积缺陷；
所述打印层不连续缺陷是由于喷嘴移动速率高于材料挤出速率，导致打印件产生不连续层；
所述底层坍落变形缺陷是由于挤出层的自重压力超过底层材料的抗压强度，导致底层打印条束坍落变形；
所述材料过度沉积缺陷是由于挤出层材料的屈服应力低，导致材料沉积，甚至产生“外流”现象。
10.根据权利要求1所述的一种基于人工智能图像识别的3D打印水泥基材料的缺陷实时监测方法，其特征在于，所述水泥基材料包括具备打印性能的砂浆、混凝土、纤维增强水泥基材料、高性能水泥基复合材料、地聚物基材料。
CN202310702163.3A 2023-06-14 2023-06-14 一种基于人工智能图像识别的3d打印水泥基材料的缺陷实时监测方法 Pending CN116879299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310702163.3A CN116879299A (zh) 2023-06-14 2023-06-14 一种基于人工智能图像识别的3d打印水泥基材料的缺陷实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310702163.3A CN116879299A (zh) 2023-06-14 2023-06-14 一种基于人工智能图像识别的3d打印水泥基材料的缺陷实时监测方法

Publications (1)

Publication Number Publication Date
CN116879299A true CN116879299A (zh) 2023-10-13

Family

ID=88257622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310702163.3A Pending CN116879299A (zh) 2023-06-14 2023-06-14 一种基于人工智能图像识别的3d打印水泥基材料的缺陷实时监测方法

Country Status (1)

Country Link
CN (1) CN116879299A (zh)

Similar Documents

Publication Publication Date Title
CN110779937B (zh) 一种铸件产品内部缺陷智能检测装置
CN110648364B (zh) 一种多维度空间固废视觉检测定位及识别方法与系统
CN107944504B (zh) 木板识别及木板识别的机器学习方法、装置及电子设备
CN108760747A (zh) 一种3d打印模型表面缺陷视觉检测方法
CN111340798A (zh) 深度学习在产品外观瑕疵检测中的应用
CN113723325B (zh) 一种装配式预制构件的工装缺陷检测系统
CN109840900A (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
CN111369538B (zh) 一种基于深度卷积神经网络的传输机胶带跑偏检测方法
CN104483320A (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN115184359A (zh) 一种自动调参的表面缺陷检测系统与方法
CN113723841B (zh) 一种装配式预制构件中工装缺失的在线检测方法
CN109693140A (zh) 一种智能化柔性生产线及其工作方法
CN114812403A (zh) 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN114812398A (zh) 一种基于无人机的高精度实时裂缝检测平台
CN105023018A (zh) 一种喷码检测方法及系统
CN116337887A (zh) 铸造缸体上表面缺陷检测方法及系统
CN216525503U (zh) 一种基于机器视觉的碳纤维预浸料表面缺陷在线检测装置
CN114387261A (zh) 一种适用于铁路钢桥螺栓病害的自动检测方法
CN117162220A (zh) 一种基于人工智能图像识别的3d打印水泥基材料的配合比自动调整方法
CN117705720A (zh) 一种双块式轨枕外观尺寸及缺陷同步快速检测系统
CN114022448A (zh) 一种隧道壁裂缝与鼓包检测方法及多功能巡检系统
CN116879299A (zh) 一种基于人工智能图像识别的3d打印水泥基材料的缺陷实时监测方法
CN116834127A (zh) 一种基于人工智能图像识别的3d打印水泥基材料的打印参数自动调整方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination