【技术实现步骤摘要】
本专利技术涉及智能建造领域，特别是涉及一种基于平衡对抗网络网络的3d打印混凝土质量分类方法及系统。
技术介绍
1、3d打印，也被称为增材制造，是一种通过逐层堆叠材料来创建物体的先进制造技术。这项技术因其高设计自由度、高制造效率、高资源利用率以及能够制造复杂结构的特点而备受青睐。在3d打印混凝土的过程中，混凝土通过被挤出成长丝状层层堆叠形成构件和结构，这个过程无需使用传统模板，从而显著区别于传统的混凝土浇筑过程，后者是混合后散装浇筑的。
2、然而，3d打印混凝土的独特建造过程给实际应用带来了质量监控和控制的挑战。在大多数基于挤压的3d打印混凝土工艺中，尽管混凝土是分批混合的，但其连续挤压的性质导致打印混凝土在搅拌和挤压之间的休息时间不同。此外，新拌混凝土的材料流动性具有显著的时间敏感性，这种流动性的变化会引起可挤压性和可建造性的不稳定性，进而影响打印混凝土长丝的几何形状、粗糙度和绿色强度的波动。干燥状态下的混凝土3d打印可能导致表面粗糙、层间粘结不足、打印长丝过细甚至出现初始缺陷，因此实现实时质量分类对于保证3d打印混凝土结构的质量至关重要。
3、尽管3d打印混凝土技术在提高建筑效率、减少材料浪费以及提升设计自由度等方面具有明显优势，但由于其技术新颖性，从理论探索到实践应用的时间较短，行业内积累的实践经验和案例研究相对不足。3d打印混凝土的过程涉及复杂的物理和化学变化，这些变化受到多种因素的影响，包括打印参数、材料特性以及环境条件等，使得收集全面且具有代表性的训练数据变得困难，特定条件下的实验数据难以推广到
4、针对这些问题，本专利技术提出了一个专门针对不平衡数据集的系统，该系统能够对已有数据进行人工增强，在保持数据标注一致性的前提下，增加训练样本的数量和多样性，并且能对打印长丝进行在线监测，并建立3d打印混凝土质量分类实时反馈系统。利用计算机视觉和深度学习技术对3d打印过程进行质量分类，从而解决3d打印混凝土在实际应用中的质量控制问题，推动其在建筑领域的进一步发展和应用。
技术实现思路
1、本专利技术的目的是克服了以上技术的缺点，提供了一种基于平衡对抗网络的3d打印混凝土的质量分类方法及系统。
2、相对于现有技术而言，本专利技术系统创造性地利用计算机视觉技术实现了混凝土3d打印过程质量监测，能够准确、高效地检测出3d打印混凝土的分类，实现了实时监测，为打印质量的保障提供了有效的手段。
3、为了解决上述技术问题，本专利技术的技术方案是：
4、第一方面，本专利技术提供一种基于平衡对抗网络的3d打印混凝土的质量分类方法，所述质量分类方法的步骤是：
5、步骤1、获取不同打印宽度和不同流动性的3d混凝土长丝的原始图像，采集时保证含有3d打印混凝土的检测区域照明一致；
6、步骤2、图像预处理：
7、将步骤1获得的原始图像裁剪出含有长丝600×600像素的小图像，并标注长丝区域，原始图像的尺寸大于600×600像素；之后使用gamma校正法对亮度进行归一化，
8、
9、其中，为第k张图中第m个通道第i行第j列的像素，k＝1,2,…，为图像号，m＝“r”，“g”，“b”为通道名；i,j＝1,2，…，600，表示像素位置；为归一化后的像素；γ为亮度归一化参数；
10、再使用下式处理使得不同批次的材料的输入图像的色度均匀分布，
11、
12、其中，为色度均匀处理后的像素；β为色度归一化过程的常数值，eij为亮度归一化后数据的平均像素期望；
13、至此获得自编码图像数据集；
14、步骤3、标签标注：
15、按宽度和流动性对图像标签标注，获得带有分类标签的图像集合，并定义为标签数据集；
16、步骤4、构建改进的平衡对抗对抗网络
17、所述改进的平衡对抗对抗网络包括自编码器和对抗模块，所述对抗模块包括生成器和判别器，所述自编码器包括编码器e和解码器δ，利用自编码器的编码器来推断不同类别在潜在空间中的分布，解码器δ与生成器g的拓扑结构相匹配，编码器e与判别器d的结构相匹配；
18、步骤5、训练改进的平衡对抗网络
19、首先，利用自编码数据集训练自编码器，之后利用训练好的自编码器来初始化对抗模块，初始化时，输入经自编码器处理后连接类条件潜在向量生成器，之后分成两个分支，分别连接生成器g和判别器d；初始化时输入图像为含有分类标签的图像，初始化时将自编码器的编码器参数赋予判别器，将自编码器的解码器参数赋予生成器；
20、初始化后去掉自编码器，使用标注数据集中的图像对改进的平衡对抗网络进行训练，类别标签c输入到类条件潜在向量生成器中，生成潜在矢量，再经生成器g处理后与原始数据一起输入到判别器d中，在训练判别器d时，使用优化稀疏分类交叉熵损失函数来匹配真实图像的类标签和生成图像的假标签；经过稀疏分类交叉熵损失函数约束，使判别器选择的标签与用于生成图像的标签c相匹配，其中稀疏分类交叉熵损失函数为：
21、
22、其中n是样本数量；c是类别数量；yij是样本i的类别j是否真实的判断值，当为真时取值为1，否则为0；pij是模型预测的样本i属于类别j的概率；
23、训练模型达到收敛，停止训练；
24、再利用训练后的生成器生成目标数量的分辨率为600*600的增强图像，构成增强数据，每张增强数据都带有标签；
25、步骤6、将标注数据集和带有标签的增强数据组合构成分类数据集，以分类数据集训练resnet-18网络，进而判别3d混凝土长丝类型，用于获得3d打印混凝土的质量分类。
26、进一步地，所述编码器e包括八个依次连接的卷积激活块、两个密集层和一个softmax激活函数，每个卷积激活块包括3×3滤波器的卷积层和leakyrelu激活函数，输入图像通过8个3×3滤波器的卷积层，8个3×3滤波器的卷积层的特征映射数从64个增加到512个，在最后一个卷积激活块后依次连接密集层、leakyrelu激活函数、密集层、softmax激活函数，softmax激活函数以获得样本分类的概率，再将其编码为潜在向量z；
27、所述解码器δ包括特征映射数为64的卷积激活块、五个依次串联的残差结构，每个残差结构包括两个3×3核的卷积层、leakyrelu激活函数和逐元素求和操作，每个3×3核的卷积层的特征映射数为64个，一个3×3核的卷积层经过leakyrelu激活函数、另一个3×3核的卷积层处理后，再与残差结构的输入进行逐元素求和操作，获得输出；最后一个残差结构的输出经过卷积处理后与第一个残差结构的输入进行逐元素求和处理，之后经过两个亚像素卷积层处理后进入卷积层，获得解码器的输出。
28、进一步地，所述亚像素卷积层包括一个卷积层、两个像素遮蔽层和一个leakyrelu激活函数，其中卷积层：k＝3，n＝256，s＝1，其中k为卷积核本文档来自技高网...
【技术保护点】
1.一种基于平衡对抗网络的3D打印混凝土的质量分类方法，其特征在于，所述质量分类方法的步骤是：
2.根据权利要求1所述的方法，其特征在于，所述编码器E包括八个依次连接的卷积激活块、两个密集层和一个softmax激活函数，每个卷积激活块包括3×3滤波器的卷积层和LeakyRelu激活函数，输入图像通过8个3×3滤波器的卷积层，8个3×3滤波器的卷积层的特征映射数从64个增加到512个，在最后一个卷积激活块后依次连接密集层、LeakyRelu激活函数、密集层、softmax激活函数，softmax激活函数以获得样本分类的概率，再将其编码为潜在向量z；
3.根据权利要求2所述的方法，其特征在于，所述亚像素卷积层包括一个卷积层、两个像素遮蔽层和一个LeakyRelu激活函数，其中卷积层：k＝3，n＝256，s＝1，其中k为卷积核大小，n为特征映射数，s为步长。
4.根据权利要求2所述的方法，其特征在于，所述自编码器训练时使用用L2损失函数进行约束；所述解码器最后一个卷积层的卷积核为9，特征映射数为3，步长为1；解码器中最后一个残差结构连接的卷积的卷积核
5.根据权利要求1所述的方法，其特征在于，打印长丝设置三种宽度标准35mm、30mm和25mm，宽度评估等级由三个级别组成，包括“宽”、“适中”和“薄”；基于三个宽度目标，对每张图像分配不同的宽度评估等级，实际宽度与目标宽度相差>10.0mm的极端样本被排除在训练之外；
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可实现权利要求1-5任一所述方法的步骤。
7.一种基于平衡对抗网络的3D打印混凝土的质量分类系统，其特征在于，所述系统执行权利要求1所述方法，包括：
...【技术特征摘要】
1.一种基于平衡对抗网络的3d打印混凝土的质量分类方法，其特征在于，所述质量分类方法的步骤是：
2.根据权利要求1所述的方法，其特征在于，所述编码器e包括八个依次连接的卷积激活块、两个密集层和一个softmax激活函数，每个卷积激活块包括3×3滤波器的卷积层和leakyrelu激活函数，输入图像通过8个3×3滤波器的卷积层，8个3×3滤波器的卷积层的特征映射数从64个增加到512个，在最后一个卷积激活块后依次连接密集层、leakyrelu激活函数、密集层、softmax激活函数，softmax激活函数以获得样本分类的概率，再将其编码为潜在向量z；
3.根据权利要求2所述的方法，其特征在于，所述亚像素卷积层包括一个卷积层、两个像素遮蔽层和一个leakyrelu激活函数，其中卷积层：k＝3，n＝256，s＝1，其中k为卷积核大小，n为特征映射数，s为步长。<...
【专利技术属性】
技术研发人员：孙浚博，王翔宇，黄成浩，赵宏宇，郭乔明，吴飞，史伟翔，王海红，宋成伟，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。