一种镀锌层腐蚀失效视觉反演方法

摘要: 本发明属于金属材料腐蚀检测、镀锌钢结构状态评估及人工智能视觉分析交叉,具体涉及一种镀锌层腐蚀失效视觉反演方法,利用镀锌钢表面视觉图像反演镀锌层腐蚀、保护失效以及...
一种镀锌层腐蚀失效视觉反演方法

本发明属于金属材料腐蚀检测、镀锌钢结构状态评估及人工智能视觉分析交叉,具体涉及一种镀锌层腐蚀失效视觉反演方法,利用镀锌钢表面视觉图像反演镀锌层腐蚀、保护失效以及钢基体暴露状态的方法。

背景技术:

1、镀锌处理是户外钢结构最为广泛采用的腐蚀防护措施之一。形成于钢基体表面的镀锌层不仅能够通过物理隔离方式阻挡外界腐蚀介质与钢基体的直接接触,更可利用含锌金属镀层自身的电化学特性--即锌相对于铁具有更低的电极电位,在镀层完整时对钢基体提供阴极保护作用,在镀层发生局部破损时仍能对裸露的钢基体小面积区域提供牺牲阳极保护。正是由于这种双重保护机制,镀锌层在钢结构长期服役过程中的实际完整状态,直接关系到钢基体是否持续受到有效防护,因而对镀锌层状态的准确评估构成了钢结构腐蚀管理与寿命预测的重要基础环节。

2、然而,在大气环境的长期作用下,镀锌层不可避免地会受到水分、溶解氧、氯盐沉积、工业污染物以及温湿度循环等多种环境因素的协同影响,并逐渐发生表面氧化、腐蚀产物形成与堆积、镀层有效厚度消耗以及局部缺损等退化过程。需要特别指出的是,镀锌钢的表面退化过程与普通裸钢表面的直接锈蚀过程存在本质区别,二者不可简单类比。对于未经镀锌防护的裸钢而言,表面一旦出现黄褐色或红褐色的铁基腐蚀产物,通常即可直接判定钢基体已参与腐蚀反应,其腐蚀状态相对明确。然而对于镀锌钢而言,其表面最初发生的是镀锌层自身的腐蚀与消耗,在该阶段钢基体尚未参与腐蚀过程。镀锌层表面即使已经形成了范围较广、视觉上较为显著的白色、灰白色或灰色腐蚀产物覆盖区域,也并不意味着钢基体已经暴露,更不能据此直接推断镀锌层已经完全丧失保护功能。

3、深入来看,在不同大气环境作用下,镀锌层表面可形成的腐蚀产物类型极为多样,包括锌的氧化物、氢氧化物、碱式碳酸盐、碱式硫酸盐以及受氯盐影响形成的氯氧化物等。这些腐蚀产物的形成条件、生长速率、覆盖形态、堆积密度、开裂行为以及局部剥落趋势均存在显著差异,它们的共同作用结果决定了镀锌钢表面的颜色、亮度、纹理和空间分布特征。随着镀锌层进一步消耗,部分区域可能发生明显减薄甚至局部完全缺失,进而导致钢基体局部暴露于环境之中;只有当钢基体暴露之后,才可能进一步形成铁基腐蚀产物。因此,从镀锌钢腐蚀演化的内在规律出发,可以明确得出一个对工程检测具有重要指导意义的结论:镀锌钢表面发生腐蚀变化,并不等同于镀锌层已经失效,现有检测技术中普遍将表面腐蚀产物覆盖程度直接等同于镀层失效程度的做法,在科学原理上是不充分的。

4、在工程实践中,大型户外钢结构普遍具有构件数量庞大、安装高度大、节点连接形式复杂以及人工接近困难等突出特点。利用数码相机、移动终端或无人机等设备获取构件表面图像,已经成为当前巡检工作中发现腐蚀区域的便捷手段。然而,现有基于视觉的巡检方法通常仍然停留在“是否存在锈蚀”“腐蚀面积大致为多少”或依据人工经验划分腐蚀等级等较为粗放的判断层面。这种判断方式存在着若干难以克服的固有缺陷。首先,仅根据表面颜色或腐蚀产物覆盖面积无法准确判断镀锌层是否仍保持连续保护,因为锌基腐蚀产物的大量存在并不等同于钢基体已经暴露,二者之间不存在简单的对应关系。其次,不同镀锌层剩余厚度和局部缺损状态可能呈现相似的宏观视觉外观,这使得单纯依靠视觉经验进行状态评估的不确定性极大。再者,污渍、灰尘、水膜、阴影以及表面污染等非腐蚀因素同样可能产生与腐蚀相似的视觉变化,进一步干扰视觉判断的准确性。更重要的是,普通图像本身无法直接给出镀锌层实际剩余状态以及钢基体是否已经局部暴露的定量信息。另一方面,传统镀层测厚、截面显微观察和材料成分分析虽然能够获取较为准确的镀层状态信息,但这些方法通常需要近距离接触构件,部分方法还需要取样或使用专用设备,完全不适用于对大量高空钢结构实施全面、高频的检测。因此,如何在非接触、远距离的条件下获取镀锌层的真实保护状态信息,已经成为制约镀锌钢结构高效运维的关键技术瓶颈。

5、近年来,深度学习和计算机视觉技术在图像分类、目标检测和语义分割等领域取得了显著进展,这类技术能够从图像中自动提取复杂的颜色、纹理、局部边缘和空间分布特征,理论上具备从表面图像推断材料状态的能力。然而,如果训练模型时仅采用人工目测腐蚀等级作为监督标签,那么所得模型本质上仍然只是在学习人工视觉判断的经验结论,而非真正建立图像与镀锌层实际材料状态之间的物理关联。模型的有效性将不可避免地受限于人工判断的准确性,无法突破前述根本性局限。因此,如何利用独立于视觉图像的材料检测手段获得镀锌层真实状态,并将其以可监督学习的形式嵌入人工智能模型的训练过程,进而建立表面视觉信息与镀锌层连续保护状态、局部失效状态以及钢基体暴露状态之间的深层映射关系,是实现镀锌钢结构非接触式定量评估所亟需解决的核心技术问题。

技术实现思路

1、本发明的目的在于旨在从根本上解决现有镀锌钢结构视觉巡检只能停留在表面腐蚀现象观察层面,而无法进一步确定镀锌层实际保护状态的技术难题。具体而言,本发明着力解决以下若干关键技术问题:如何准确区分镀锌层自身表面腐蚀状态与镀锌层实际保护失效状态之间的本质差异;如何在存在明显腐蚀产物覆盖的情况下判断镀锌层是否仍保持连续保护功能;如何根据表面视觉信息识别镀锌层发生局部缺损和不连续的具体区域;如何基于非接触式图像反演钢基体是否已经发生局部暴露;如何使人工智能模型的监督标签具有独立于视觉图像的材料检测依据,而非单纯依赖人工目测分类;以及如何在真实工程图像受到光照、反光、污渍等非腐蚀因素干扰时,对模型判断的可靠性进行有效识别并自动触发人工复检。为此,本发明提出一种以“视觉图像-实际镀锌层状态精确配对数据”为核心构建理念的数据集构建方法,并在此基础上建立人工智能视觉反演模型,从而实现从普通表面图像向镀锌层真实保护状态的可靠反演。

2、本发明通过对具有不同腐蚀状态的镀锌钢建立表面视觉图像与真实镀锌层状态之间的对应关系,利用人工智能模型学习镀锌层腐蚀演化过程中形成的多尺度视觉表征,实现对镀锌层保护状态、局部失效区域及钢基体暴露状态的非接触式评估。本发明可用于户外镀锌角钢、连接板、格构式钢结构、塔架类钢结构以及其他大型或不便近距离接触检测的镀锌钢构件。

3、本发明首先构建具有不同镀锌层腐蚀及失效状态的镀锌钢样本。选择具有镀锌层的钢质试样或工程代表性构件作为研究对象,本说明书所称“镀锌层”是指形成于钢基体表面并承担腐蚀防护作用的含锌金属镀层,其具体形式可以是热浸镀锌层、电镀锌层或其他具有连续含锌金属镀层的钢材表面保护层。在实施过程中,首先对每一样本进行系统编号,记录其基体材料牌号、初始镀锌层状态、初始镀层厚度分布、有效暴露区域尺寸以及表面初始图像等基础信息。随后利用可控腐蚀环境使样本获得不同镀锌层腐蚀状态,所涉及的可控环境因素包括但不限于氯盐沉积水平、环境温度、相对湿度、干湿交替频率、腐蚀性污染介质种类与浓度以及腐蚀持续时间。设置这些因素的目的是获得覆盖从镀锌层基本完整、镀锌层表面发生腐蚀、镀锌层明显消耗、镀锌层发生局部不连续、镀锌层局部失效、钢基体局部暴露直至暴露钢基体进一步发生腐蚀等全链条不同保护状态的样本群,而非将腐蚀环境本身作为最终反演目标。

4、在此基础上进行系统的视觉图像采集。在预设的各个腐蚀阶段节点采集样本表面视觉图像,所述视觉图像优选为rgb可见光图像,其采集范围可包括样本整体表面图像、局部高分辨率图像以及由整体图像通过裁剪获得的多尺度局部图像块。为保证图像与真实材料状态之间能够建立可靠的对应关系,每次图像采集均应详细记录试样编号、拍摄时间、图像编号、图像对应的检测区域以及拍摄设备基本信息等元数据。需要指出的是,实验室数据采集阶段宜采用相对稳定的光照条件、拍摄距离和成像参数设置,以最大程度减少非腐蚀因素引入的视觉差异,使模型的学习过程聚焦于与腐蚀状态相关的视觉特征;但对于实际工程应用而言,并不要求现场图像完全满足实验室的理想成像条件,但应对输入图像进行基本的成像质量检测。

5、完成视觉图像采集之后,对与图像相对应的检测区域实施独立于所述视觉图像的材料状态检测。所谓独立材料状态检测,是指不依赖于前述普通rgb视觉图像本身所包含信息的独立材料表征手段,具体可以包括镀层厚度检测、截面显微观察、三维表面形貌检测、表面元素组成检测、腐蚀产物物相分析以及任何能够有效区分镀锌层覆盖区域与钢基体暴露区域的其他检测方法。举例而言,对于整体镀层消耗程度的评估,可以采用磁性法或涡流法进行镀层厚度的系统测量;对于局部基体暴露状态的确认,可以采用局部元素检测、截面显微观察或其他能够明确判断镀锌层是否连续存在的方法;对于代表性样本,还可进一步采用x射线衍射、拉曼光谱、扫描电子显微镜及能谱分析等手段辅助理解不同腐蚀状态下的材料变化特征。需要特别说明的是,上述辅助表征手段的作用在于建立或验证材料状态的物理依据,而非预先假定某一特定表面颜色必然对应某一种确定的腐蚀物相,更不将腐蚀产物的物相种类作为最终的工程判定指标。

6、根据独立材料状态检测所获得的实际状态参数,建立镀锌层物理状态标签体系。该标签体系优选包括以下类别中的一种或多种:其一为镀锌层连续保护状态标签,即根据镀锌层连续性、局部缺损程度以及钢基体是否暴露等综合因素,对镀锌层整体保护状态进行分级描述,例如可划分为镀锌层基本完整、镀锌层发生表面腐蚀但总体连续、镀锌层发生明显消耗或局部完整性降低、镀锌层局部失效并出现钢基体暴露、以及钢基体暴露区域进一步发展并出现明显基体腐蚀等若干等级,但需要明确这些分级方式仅为示例性说明,不构成对本发明的限定;其二为镀锌层失效区域标签,即对于能够通过独立检测确认的镀锌层局部失效区域建立像素级或区域级的失效掩膜;其三为钢基体暴露区域标签,即对于镀锌层已经缺失且钢基体实际暴露的区域依据独立检测结果建立基体暴露区域掩膜;其四为镀锌层失效面积率,定义为经材料状态检测确认的镀锌层失效区域面积与有效检测区域面积之比;其五为钢基体暴露面积率,定义为经材料状态检测确认的钢基体暴露区域面积与有效检测区域面积之比;其六为镀锌层剩余状态参数,根据镀层剩余厚度、厚度损失率、局部连续性和缺损程度中的一种或多种信息建立连续或分级的量化状态参数。

7、视觉图像与物理状态标签之间需要建立精确的空间对应关系。为避免图像区域与材料检测区域因空间位置不一致而引入标签噪声,需要利用样本外轮廓、固定角点、预设标记点、结构孔位、螺栓孔、几何边缘或其他稳定几何特征来确定视觉图像和材料检测位置之间的对应关系。对于局部检测位置,应精确记录该位置在原始图像中的空间坐标;必要时可采用单应性变换、特征点配准或其他几何变换方法实现图像坐标与检测坐标的统一。经过配准之后,每一个图像样本均应能够对应一个整体镀锌层状态、一个或多个局部镀层状态以及可选的局部失效区域或基体暴露区域。在此基础上,将表面视觉图像与对应的镀锌层保护状态标签、局部失效区域标签、钢基体暴露区域标签、失效面积率、基体暴露面积率以及可选的镀层剩余状态参数共同组织形成视觉反演数据集。值得强调的是,数据集的划分应严格按照物理试样或实际构件进行,而非仅按照图像样本进行随机划分,即来自同一物理试样的不同腐蚀阶段图像应整体划入训练集、验证集或测试集中的同一个子集,以避免模型利用特定试样的固有外观特征而导致数据泄漏和虚假的高性能表现。

8、在数据集构建完成的基础上,训练人工智能视觉反演模型。所述人工智能视觉反演模型至少包括多尺度视觉特征提取模块、特征融合模块和状态反演模块三个主要组成部分。对于输入镀锌钢表面图像,多尺度视觉特征提取模块负责提取包括rgb颜色分布、颜色通道统计量、亮度、局部纹理、边缘、斑块尺度、腐蚀产物覆盖形貌、局部高对比特征、表面粗糙视觉表现、空间非均匀性、局部疑似基体暴露区域以及宏观腐蚀覆盖状态在内的多维度视觉特征。其中,浅层特征主要表征局部颜色、边缘和细小纹理等细节信息,中层特征主要表征腐蚀斑块、局部连续性和纹理结构等中间层次信息,深层特征则主要表征整体腐蚀产物覆盖状态、区域空间分布和较大尺度表面变化等高层次信息。特征融合模块负责将不同空间尺度和不同语义层级的视觉特征进行有效融合,形成共享的视觉状态表征,其具体融合方式可采用特征拼接、加权求和、注意力加权、多尺度池化或特征金字塔等任何一种能够有效融合局部和全局信息的方法。状态反演模块则根据融合后的视觉特征输出镀锌层腐蚀失效状态的综合判定结果。

9、为使模型能够同时输出多维度的镀锌层状态信息,优选将状态反演模块设计为多任务结构,可同时设置镀锌层保护状态分类分支、镀锌层失效区域识别或分割分支、钢基体暴露区域识别或分割分支、镀锌层失效面积率回归分支、钢基体暴露面积率回归分支以及镀锌层剩余状态参数回归分支中的多种输出任务。各任务共享底层的视觉表征提取网络,同时保留任务特定的输出层,以实现信息共享与任务专精之间的合理平衡。

10、为了进一步提高模型输出的逻辑一致性和可靠性,本发明在模型训练过程中引入了状态一致性约束机制。该机制旨在降低或消除以下明显相互矛盾的预测结果:例如同一区域同时被预测为镀锌层完整区域和钢基体暴露区域,或者整体镀锌层保护状态为基本完整但局部镀锌层失效区域比例却异常偏高,又或者钢基体暴露面积率的回归输出与钢基体暴露区域分割结果之间出现显著不一致。所述状态一致性约束可以通过在损失函数中引入惩罚项、通过逻辑规则进行输出后处理或者在模型结构内部嵌入约束层等方式实现。需要强调的是,本发明显式地不要求建立未经充分实验验证的严格单调关系,仅利用一致性约束来减少明显违反镀锌层状态演化基本逻辑的输出组合。

11、在模型的训练策略上,本发明除了采用基于真实物理状态标签的有监督学习之外,还优选在监督训练之前或训练过程中利用大量未配置完整材料状态标签的实际工程镀锌钢结构表面图像进行自监督视觉表征学习。这类实际工程图像虽然缺少对应的镀层厚度、元素组成或截面检测等物理状态标签,但其数量庞大且来源广泛,能够真实反映户外服役条件下镀锌钢结构表面的颜色分布、纹理特征、腐蚀斑块形态以及复杂多变的成像条件。通过同一图像不同增强视图之间的一致性学习、对比学习、局部遮挡重建或图像特征重构等自监督方法,可使模型预先学习实际工程环境下镀锌钢表面的常见视觉结构模式,再通过少量有真实物理状态标签的数据进行精细调优,从而有效提升模型的泛化能力。

12、对于待评估的镀锌钢构件,获取其表面视觉图像。图像来源可以灵活选用固定式成像设备、便携式工业相机、智能移动终端、无人机搭载成像装置或其他非接触式成像设备中的任意一种,具体设备类型不构成对本发明的限定。获取图像后首先进行基本的图像质量检测,对于因严重运动模糊、大面积过曝或欠曝、严重遮挡等原因而不满足分析质量要求的图像,可要求重新采集或直接排除。对于质量合格的图像,将其输入训练后的视觉反演模型,模型即输出镀锌层保护状态、镀锌层局部失效区域、钢基体暴露区域、镀锌层失效面积率、钢基体暴露面积率以及对应的预测置信度中的一种或多种反演结果。

13、考虑到实际工程图像中不可避免地存在强反光、阴影、污渍、灰尘、水膜、遮挡、拍摄模糊或过大拍摄角度等多种非腐蚀性视觉干扰因素,本发明在模型中设置了预测置信度或不确定性参数输出机制。当模型对某一构件或某一局部区域的预测置信度低于预设阈值,或不确定性指标高于预设阈值时,说明在当前图像条件下模型对该区域的状态判断缺乏足够的依据,此时模型不强制给出确定的镀锌层状态结论,而是自动将该区域标记为需要人工复检或需要采用镀层测厚等接触式检测手段进一步确认的复检对象。这一机制确保了本发明在大规模工程筛查应用中能够在自动化效率与判断可靠性之间实现合理的平衡。

14、本发明优点:

15、与仅依据表面腐蚀外观进行人工判断或常规图像识别分类的现有方法相比,本发明至少具有以下显著的技术效果。

16、第一,本发明实现了由“腐蚀现象识别”向“镀锌层保护状态反演”的实质性跨越。模型输出的并非简单的“是否腐蚀”或“人工腐蚀等级”,而是与镀锌层连续保护状态、局部失效状态和钢基体暴露状态直接相关的材料状态信息,具有明确的工程判定价值。

17、第二,本发明中所使用的监督标签具有独立于视觉图像的材料检测依据。本发明利用镀层厚度检测、截面显微观察、表面元素检测等独立于普通视觉图像的材料表征方法建立真实状态标签,使得人工智能模型所学习的目标具有明确的材料科学含义,从根本上避免了单纯依赖人工视觉经验分类所产生的系统性偏差。

18、第三,本发明能够有效区分镀锌层自身腐蚀与钢基体暴露这两个本质不同的物理状态。针对镀锌钢区别于裸钢的腐蚀过程特征进行专门的状态建模,能够避免将锌基腐蚀产物的表观存在简单等同于钢基体腐蚀或镀锌层完全失效的错误判断,填补了现有视觉检测方法在该关键判别环节上的空白。

19、第四,本发明尤其适用于大型及高空镀锌钢结构的快速筛查。通过普通可见光图像即可完成初步的镀锌层状态反演,显著降低了对大量不便逐点接触检测的户外镀锌钢构件进行初步状态评估的技术门槛和成本,能够有效地从数量庞大的检测对象中筛选出需要进一步近距离复检的重点区域,从而大幅提升检测资源的利用效率。

20、第五,本发明通过置信度输出与复检标识机制,能够有效应对工程现场复杂成像条件带来的不确定性,在自动化批量筛查的效率需求与关键状态判断的可靠性要求之间建立了科学的反馈闭环,使得该技术方案既具备工程实用性,又保持了科学严谨性。