建筑材料表面质量识别方法及系统与流程

本发明涉及材料识别，具体为建筑材料表面质量识别方法及系统。

背景技术：

1、建筑材料在长期服役过程中的性能演变与表面质量退化，已成为影响结构安全、使用功能及全生命周期成本的关键因素。在施工、验收及运维阶段，对混凝土、钢材、装饰板材等材料的表面状态进行精准识别与评估，是保障工程品质的核心环节。传统上，这一过程高度依赖人工目视检查或简单的物理测量，其效率与记录可追溯性均面临挑战。同时，物联网、传感器技术与人工智能的快速发展，为构建数字化、智能化的工程质量管理体系提供了技术可能。

2、传统方法严重依赖检测人员的经验与主观判断，评估结果波动大，难以进行精准的横向对比与历史追溯，在信息处理的深度与效率上存在局限，现有手段多侧重于对表观缺陷的即时发现与记录，而未能有效整合多维特征数据，更缺乏对海量检测数据进行深度挖掘以揭示缺陷演化规律的能力，现有技术体系大多只能反映材料当前的状态，无法基于当前数据和历史规律，对其在未来特定严苛环境下的性能恶化趋势进行科学预测与风险评估，使得维护决策往往滞后。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术所存在的上述缺点，本发明提供了建筑材料表面质量识别方法及系统，能够有效地解决现有技术的问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、本发明公开了建筑材料表面质量识别方法，包括以下步骤：

6、步骤1：根据目标建筑材料的类型及其在预设施工场景下的质量要求，预先定义若干表面特征采集指标；

7、步骤2：基于构建的采集指标集，通过图像传感器、激光扫描仪或高光谱成像设备，采集当前建筑材料样本的表面数据，对所述表面数据进行预处理与特征提取，输出对应于每个采集指标的当前表面特征值；

8、步骤3：将得到的每个当前表面特征值，与预存的同类型合格建筑材料对应的标准特征值范围进行比对，基于比对偏差，通过预设的归一化算法，分别计算每个表面特征相对于标准状态的异常系数，所述异常系数用于量化表征该特征项的偏离程度；

9、步骤4：将计算得到的所有表面特征的异常系数进行整合，形成异常特征向量，将异常特征向量与当前建筑材料的标识信息、采集时间及环境参数进行关联存储，构建异常特征数据集；

10、步骤5：构建恶化预测模型，模型以历史异常特征数据集及对应的后续实际恶化记录为训练样本，将当前异常特征数据集作为模型输入，恶化预测模型评估并输出当前建筑材料在未来特定预设施工场景下的综合恶化系数，所述恶化系数用于预测材料性能衰退的风险等级；

11、步骤6：根据恶化系数，结合预设的风险阈值规则，自动生成包含材料质量现状和未来恶化风险预测的质量评估报告，将报告通过通信网络递交至施工管理端，用于指导材料使用、更换或施工方案调整。

12、更进一步地，所述在步骤1中的采集指标集包括表面纹理复杂度、颜色均匀度、孔隙分布密度、微观裂纹长度、反射率光谱特征、局部形变曲率中的至少一种或多种。

13、更进一步地，所述步骤3中归一化算法的运行逻辑为：

14、将当前表面特征值，与预存的对应合格标准特征值范围进行比对，确定该当前值相对于标准范围中点的偏离方向与大小；

15、对于落在标准范围内的特征值，其异常系数通过计算该值偏离范围中点的距离，并与整个标准范围宽度相除的比值来获得，使得该系数成为一个介于零到一之间的无量纲数值，用以表征其在正常范围内的相对偏离程度；

16、对于落在标准范围外的特征值，其异常系数则在上述比值计算的基础上，引入一个与超出边界距离成比例的惩罚因子，使得最终计算出的异常系数大于一，从而量化地表征其超标异常的严重程度；通过此方法，将不同量纲和量级的表面特征测量值统一转化为可比较的异常系数。

17、更进一步地，所述步骤4中的环境参数包括采集时的环境温度、相对湿度及光照强度；所述异常特征数据集的存储格式为时间序列数据库，用于记录同一建筑材料在不同时间点的异常特征向量变化，以支持趋势分析。

18、更进一步地，所述步骤5中预设的施工场景包括长期高湿度环境、周期性冻融循环、强酸碱腐蚀环境或持续高荷载受力状态中的一种或多种组合。

19、更进一步地，所述步骤5中恶化预测模型的构建过程，包括：

20、获取历史异常特征数据集及对应的实际恶化数据记录；所述历史异常特征数据集由步骤1至4的方法对历史建筑材料样本处理得到，其每条数据记录包含一个异常特征向量、材料标识、采集时间、环境参数及后续预设施工场景标识；所述实际恶化记录为对应建筑材料样本在经历所述后续施工场景后，通过实测或专家评估获得的量化恶化程度标签；

21、构建深度学习网络作为恶化预测模型，该网络至少包含一个用于捕捉异常特征时序依赖关系的长短期记忆网络，以及一个用于融合环境参数与场景标识的全连接分支；以所述历史异常特征数据集及对应的实际恶化记录作为训练样本，以预测恶化程度与真实恶化标签之间的误差最小化为目标，采用时间序列反向传播算法与梯度下降优化器对深度学习网络的参数进行迭代训练，直至模型收敛。

22、更进一步地，所述恶化预测模型将生成的当前异常特征数据集，按采集时间顺序组织成时间序列形式的模型输入数据，将组织好的时间序列数据、当前环境参数及目标未来施工场景标识，一同输入至经训练收敛后的恶化预测模型；模型通过其长短期记忆网络提取异常特征的演变模式，并通过全连接层融合环境与场景信息，最终经由输出层计算并输出一个表征未来风险的综合恶化系数。

23、更进一步地，所述步骤6中风险阈值规则的预设逻辑为：依据综合恶化系数的数值范围，预先划分至少三个连续的风险阈值区间，分别对应低风险、中风险与高风险等级；对于低风险等级，建议措施为周期性复检与常规监测；对于中风险等级，建议措施包括缩短检测周期、施加临时性防护涂层或进行局部加固；对于高风险等级，建议措施为立即更换材料、调整结构设计或变更施工工艺参数。

24、更进一步地，所述步骤2中的预处理包括对采集的原始表面数据进行去噪、增强、尺度归一化及图像拼接；所述特征提取采用灰度共生矩阵算法提取纹理特征，采用颜色直方图统计法提取颜色分布特征，采用边缘检测与形态学算法提取裂纹与孔隙几何特征。

25、本发明还公开了建筑材料表面质量识别系统，包括：

26、指标定义模块，用于根据目标建筑材料的类型及其在预设施工场景下的质量要求，预先定义若干表面特征采集指标，并形成采集指标集；

27、特征提取模块，基于所述采集指标集采集当前建筑材料样本的表面数据，对表面数据进行预处理与特征提取，输出对应于每个采集指标的当前表面特征值；

28、异常计算模块，用于将每个当前表面特征值与预存的同类型合格建筑材料对应的标准特征值范围进行比对，基于比对偏差，通过预设的归一化算法分别计算每个表面特征的异常系数；

29、数据集构建模块，用于将所有表面特征的异常系数整合为异常特征向量，并将所述异常特征向量与当前建筑材料的标识信息、采集时间及环境参数进行关联存储，构建异常特征数据集；

30、恶化预测模块，用于以历史异常特征数据集及对应的后续实际恶化记录为训练样本构建的恶化预测模型，将当前异常特征数据集输入模型，评估并输出当前建筑材料在未来特定预设施工场景下的综合恶化系数；

31、报告生成模块，用于根据恶化系数及预设的风险阈值规则，自动生成包含材料质量现状与未来恶化风险预测的质量评估报告，并通过通信网络递交至施工管理端；

32、所述指标定义模块与特征提取模块通过无线网络交互连接，所述特征提取模块与异常计算模块通过无线网络交互连接，所述异常计算模块与数据集构建模块通过无线网络交互连接，所述恶化预测模块与数据集构建模块和报告生成模块通过无线网络交互连接。

33、（三）有益效果

34、采用本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果：

35、1、通过预先定义可量化的采集指标，并利用传感器与算法自动提取表面特征值，通过计算异常系数并构建结构化数据集，将原本模糊的定性描述转化为可计算的数字指标，提升了检测效率与一致性，为质量评估提供客观的数据基础，使得不同批次与不同时期的材料质量可以进行精准对比与分析。

36、2、通过引入了基于深度学习的恶化预测模型，该模型能够学习历史数据中表面异常特征与后续实际性能恶化之间的复杂映射关系，通过输入当前材料的异常特征数据集，模型可以输出其在未来预设施工场景下的恶化系数，实现了对材料长期性能衰退风险的量化预测，允许施工方和管理者提前预知风险，提前制定材料更换或加固方案。