一种钢结构建筑涂料防腐性能检测方法与流程

1.本发明涉及钢材涂料性能检测技术领域，特别是一种钢结构建筑涂料防腐性能检测方法。


背景技术：

2.钢结构作为建筑材料中不可或缺的部分，其性能决定建筑的质量，但受材料特性的影响，在使用的过程中，易和空气中的水蒸汽发生反应，从而出现生锈腐蚀，使建筑钢结构使用寿命缩短。针对该问题，通常在钢结构表面涂装防腐涂料，从而起到防腐和减少摩擦的作用。目前，通过采用热喷涂法将防腐涂料喷涂在钢结构表面，热喷涂法是采用燃烧火焰等离子弧作为热源，将喷涂材料加热到塑态或熔融状态，同时在高速气流的加速作用下，使呈雾化的材料颗粒束冲击到预处理的集体表面上，从而形成复合防腐涂层。在对钢结构喷涂完毕后，需要对防腐涂层进行质量检测，以判断涂层中是否存在空隙、缝隙等缺陷，传统的方法是采用人工进行检测，检测效率低，不利于大批量生产，并且人为误差较大，检测结果的可靠性较低。


技术实现要素：

3.本发明克服了现有技术的不足，提供了一种钢结构建筑涂料防腐性能检测方法。
4.为达到上述目的本发明采用的技术方案为：
5.本发明公开了一种钢结构建筑涂料防腐性能检测方法，具体包括以下步骤：
6.获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果；
7.若识别结果为第一识别结果，则获取缺陷的位置信息，基于所述位置信息由所述待检测产品图像中分割出缺陷图像，基于所述缺陷图像构建得到缺陷三维模型图；
8.由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果；
9.若产品的分析结果为不合格品，则对产品进行报废；若产品的分析结果为可修复品，则构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型；
10.将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略。
11.进一步的，本发明的一个较佳实施例中，获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果，具体为：
12.预设关键检索词，基于所述关键检索词对大数据网络中的共享资源数据进行检索，获取得到不同缺陷类型图像；构建知识图谱，并将所述不同缺陷类型图像导入所述知识图谱中；
13.获取待检测产品图像，并将所述待检测产品图像导入所述知识图谱中，通过sift
算法计算所述待检测产品图像与各缺陷类型图像之间的匹配度，得到若干个匹配度；
14.构建排序表，并将若干个所述匹配度导入所述排序表中进行大小排序，排序完成后，由所述排序表中提取出最大配对度；
15.将所述最大配对度与预设配对度进行比较；若所述最大配对度大于预设配对度，说明产品中存在缺陷，则生成第一识别结果；若所述最大配对度不大于预设配对度，说明产品中不存在缺陷，则生成第二识别结果，并将产品标记为合格品。
16.进一步的，本发明的一个较佳实施例中，基于所述缺陷图像构建得到缺陷三维模型图，具体为：
17.对所述缺陷图像进行特征匹配处理，得到若干个稀疏特征点；构建空间坐标系，将若干个所述稀疏特征点导入所述空间坐标系中，选取任意一个稀疏特征点作为种子点，并使得所述种子点与所述空间坐标系的坐标原点重合；
18.在所述空间坐标系中获取各稀疏特征点对应的坐标信息，基于所述各稀疏特征点对应的坐标信息计算出每两个稀疏特征点之间的向量，得到若干个向量；
19.获取每一向量的向量中点，并在获取所述空间坐标系中获取各向量中点对应的坐标信息；将所述各稀疏特征点与各向量中点进行汇聚，得到若干稠密特征点；
20.基于若干所述稠密特征点构建得到若干初始化面片，并对若干所述初始化面片进行细化处理，得到若干精细化面片，将若干所述精细化面片进行重组，得到缺陷三维模型图。
21.进一步的，本发明的一个较佳实施例中，由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果，具体为：
22.由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的体积信息；
23.基于所述缺陷的体积信息得到待检测产品中缺陷的总体积值，获取待检测产品的总体积值，基于所述缺陷的总体积值与待检测产品的总体积值计算出待检测产品中缺陷的浓度值；
24.将所述浓度值与预设预设阈值进行比较；若所述浓度值大于预设阈值，则将产品标记为不合格品；若所述浓度值不大于预设阈值，则将产品标记为可修复品。
25.进一步的，本发明的一个较佳实施例中，构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型，具体为：
26.通过大数据网络获取各种缺陷的虚拟三维模型图，以及在大数据网络中获取各虚拟三维模型图所对应的内应力值，将所述虚拟三维模型图及其对应的内应力值进行捆绑，得到若干个数据包；并将所述数据包分为训练数据本与验证数据本；
27.基于卷积神经网络构建内应力识别模型，并将所述训练数据本中的数据信息导入所述内应力识别模型中进行卷积处理与池化处理，得到处理后的数据信息；
28.通过交叉熵损失函数对所述处理后的数据信息进行反向传播训练，得到训练数据，并获取训练数据的数据误差，当数据误差收敛至预设误差值后，保存内应力识别模型中的训练数据；
29.将所述验证数据本导入所述内应力识别模型中进行验证，判断所述训练数据是否
满足预设要求，若满足预设要求，则将满足预设要求的训练数据作为内应力识别模型的最终参数，得到训练完成的内应力识别模型。
30.进一步的，本发明的一个较佳实施例中，将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略，具体为：
31.将所述缺陷三维模型图导入所述训练完成的内应力识别模型中，通过灰色关联分析法计算所述缺陷三维模型图与各虚拟三维模型图之间的重合度，得到若干个重合度；
32.由若干个所述重合度之中提取出最大重合度，获取与所述最大重合度对应的虚拟三维模型图，并在所述训练完成的内应力识别模型中检索出与所述最大重合度对应的虚拟三维模型图的数据包，在该数据包中获取得到缺陷的实际内应力值；
33.获取涂层的特性信息，基于所述特性信息得到涂层的屈服应力值，将缺陷的实际内应力值与涂层的屈服应力值进行比较；
34.若所述实际内应力值大于所述屈服应力值，则将该缺陷标记为可延伸缺陷，并对该可延伸缺陷进行恢复性修复；若所述实际内应力值不大于所述屈服应力值，则将该缺陷标记为不可延伸缺陷，并对该不可延伸缺陷进行预防性修复；
35.其中，所述预防性修复为对缺陷直接进行喷涂修复，所述恢复性修复为对缺陷进行打磨后再进行喷涂修复。
36.本发明另一方面公开了一种钢结构建筑涂料防腐性能检测系统，所述防腐性能检测系统包括存储器与处理器，所述存储器中存储有防腐性能检测方法程序，所述防腐性能检测方法程序被所述处理器执行时，实现如下步骤：
37.获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果；
38.若识别结果为第一识别结果，则获取缺陷的位置信息，基于所述位置信息由所述待检测产品图像中分割出缺陷图像，基于所述缺陷图像构建得到缺陷三维模型图；
39.由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果；
40.若产品的分析结果为不合格品，则对产品进行报废；若产品的分析结果为可修复品，则构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型；
41.将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略。
42.进一步的，本发明的一个较佳实施例中，获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果，具体为：
43.预设关键检索词，基于所述关键检索词对大数据网络中的共享资源数据进行检索，获取得到不同缺陷类型图像；构建知识图谱，并将所述不同缺陷类型图像导入所述知识图谱中；
44.获取待检测产品图像，并将所述待检测产品图像导入所述知识图谱中，通过sift算法计算所述待检测产品图像与各缺陷类型图像之间的匹配度，得到若干个匹配度；
45.构建排序表，并将若干个所述匹配度导入所述排序表中进行大小排序，排序完成
后，由所述排序表中提取出最大配对度；
46.将所述最大配对度与预设配对度进行比较；若所述最大配对度大于预设配对度，说明产品中存在缺陷，则生成第一识别结果；若所述最大配对度不大于预设配对度，说明产品中不存在缺陷，则生成第二识别结果，并将产品标记为合格品。
47.进一步的，本发明的一个较佳实施例中，构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型，具体为：
48.通过大数据网络获取各种缺陷的虚拟三维模型图，以及在大数据网络中获取各虚拟三维模型图所对应的内应力值，将所述虚拟三维模型图及其对应的内应力值进行捆绑，得到若干个数据包；并将所述数据包分为训练数据本与验证数据本；
49.基于卷积神经网络构建内应力识别模型，并将所述训练数据本中的数据信息导入所述内应力识别模型中进行卷积处理与池化处理，得到处理后的数据信息；
50.通过交叉熵损失函数对所述处理后的数据信息进行反向传播训练，得到训练数据，并获取训练数据的数据误差，当数据误差收敛至预设误差值后，保存内应力识别模型中的训练数据；
51.将所述验证数据本导入所述内应力识别模型中进行验证，判断所述训练数据是否满足预设要求，若满足预设要求，则将满足预设要求的训练数据作为内应力识别模型的最终参数，得到训练完成的内应力识别模型。
52.进一步的，本发明的一个较佳实施例中，将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略，具体为：
53.将所述缺陷三维模型图导入所述训练完成的内应力识别模型中，通过灰色关联分析法计算所述缺陷三维模型图与各虚拟三维模型图之间的重合度，得到若干个重合度；
54.由若干个所述重合度之中提取出最大重合度，获取与所述最大重合度对应的虚拟三维模型图，并在所述训练完成的内应力识别模型中检索出与所述最大重合度对应的虚拟三维模型图的数据包，在该数据包中获取得到缺陷的实际内应力值；
55.获取涂层的特性信息，基于所述特性信息得到涂层的屈服应力值，将缺陷的实际内应力值与涂层的屈服应力值进行比较；
56.若所述实际内应力值大于所述屈服应力值，则将该缺陷标记为可延伸缺陷，并对该可延伸缺陷进行恢复性修复；若所述实际内应力值不大于所述屈服应力值，则将该缺陷标记为不可延伸缺陷，并对该不可延伸缺陷进行预防性修复；
57.其中，所述预防性修复为对缺陷直接进行喷涂修复，所述恢复性修复为对缺陷进行打磨后再进行喷涂修复。
58.本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：获取待检测产品图像，对所述待检测产品图像进行识别检测，从而自动对钢结构涂料的防腐性能进行检测，能够适用于大批量自动化生产车间，检测结果的可靠性高；并且通过本方法不需要经过复杂的运算便对钢结构涂料的防腐性能进行检测，能够降低系统运算量，提高系统的鲁棒性，提高检测效率；并且通过本方法能够根据缺陷的实际内应力情况制定出相应的修复策略，能够确保对缺陷进行修复后的可靠性与稳定性，避免缺陷在修复后发生延伸开裂现象，能够以最低的修复成本对缺陷进行修复，最大成本低节省加工成本，提高经济效益。
附图说明
59.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
60.图1为一种钢结构建筑涂料防腐性能检测方法的第一方法流程图；
61.图2为一种钢结构建筑涂料防腐性能检测方法的第二方法流程图；
62.图3为一种钢结构建筑涂料防腐性能检测方法的第三方法流程图；
63.图4为一种钢结构建筑涂料防腐性能检测系统的系统框图。
具体实施方式
64.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
65.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
66.本发明公开了一种钢结构建筑涂料防腐性能检测方法，如图1所示，具体包括以下步骤：
67.s102：获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果；
68.s104：若识别结果为第一识别结果，则获取缺陷的位置信息，基于所述位置信息由所述待检测产品图像中分割出缺陷图像，基于所述缺陷图像构建得到缺陷三维模型图；
69.s106：由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果；
70.s108：若产品的分析结果为不合格品，则对产品进行报废；若产品的分析结果为可修复品，则构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型；
71.s110：将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略。
72.需要说明的是，通过获取待检测产品图像，对所述待检测产品图像进行识别检测，从而自动对钢结构涂料的防腐性能进行检测，能够适用于大批量自动化生产车间，检测结果的可靠性高；并且通过本方法不需要经过复杂的运算便对钢结构涂料的防腐性能进行检测，能够降低系统运算量，提高系统的鲁棒性，提高检测效率；并且通过本方法能够根据缺陷的实际内应力情况制定出相应的修复策略，能够确保对缺陷进行修复后的可靠性与稳定性，避免缺陷在修复后发生延伸开裂现象，能够以最低的修复成本对缺陷进行修复，最大成本低节省加工成本，提高经济效益。另外需要说明的是，可以通过图像分割算法由所述待检测产品图像中分割出缺陷图像，如分水岭图像分割算法等。
73.在本发明的一个较佳实施例中，获取待检测产品图像，对所述待检测产品图像进
行识别，得到第一识别结果或第二识别结果，具体为：
74.预设关键检索词，基于所述关键检索词对大数据网络中的共享资源数据进行检索，获取得到不同缺陷类型图像；构建知识图谱，并将所述不同缺陷类型图像导入所述知识图谱中；
75.获取待检测产品图像，并将所述待检测产品图像导入所述知识图谱中，通过sift算法计算所述待检测产品图像与各缺陷类型图像之间的匹配度，得到若干个匹配度；
76.构建排序表，并将若干个所述匹配度导入所述排序表中进行大小排序，排序完成后，由所述排序表中提取出最大配对度；
77.将所述最大配对度与预设配对度进行比较；若所述最大配对度大于预设配对度，说明产品中存在缺陷，则生成第一识别结果；若所述最大配对度不大于预设配对度，说明产品中不存在缺陷，则生成第二识别结果，并将产品标记为合格品。
78.需要说明的是，所述关键检索词包括但不限于“钢、喷涂、缺陷、图像”，通过设置好的关键检索词对大数据网络中的资源共享数据库进行检索，从而获取得到不同缺陷类型图像，如直线型缝隙图像、j字型缝隙图像、圆形缝隙图像等。然后再通过工业摄像机获取待检测产品图像(喷涂涂料后的钢结构图像)，通过sift算法计算所述待检测产品图像与各缺陷类型图像之间的匹配度，再提取出最大配对度，若所述最大配对度大于预设配对度，此时说明待检测产品中某一各或多个区域中缺陷，此时生成则生成第一识别结果，继续对该产品进行检测分析；若所述最大配对度不大于预设配对度，说明产品中不存在缺陷，则生成第二识别结果，并将产品标记为合格品，此时将该产品转移至下一生产工站。其中，所述sift算法为尺度不变特征变换算法。通过本方法能够快速识别出待检测产品中是否存在喷涂缺陷(如喷涂空隙、喷涂缝隙)，通过构建知识图谱的方式进行配对识别，能够大大降低识别过程中系统的运算量，提高识别效率，进而提高检测效率。
79.在本发明的一个较佳实施例中，基于所述缺陷图像构建得到缺陷三维模型图，具体为：
80.对所述缺陷图像进行特征匹配处理，得到若干个稀疏特征点；构建空间坐标系，将若干个所述稀疏特征点导入所述空间坐标系中，选取任意一个稀疏特征点作为种子点，并使得所述种子点与所述空间坐标系的坐标原点重合；
81.在所述空间坐标系中获取各稀疏特征点对应的坐标信息，基于所述各稀疏特征点对应的坐标信息计算出每两个稀疏特征点之间的向量，得到若干个向量；
82.获取每一向量的向量中点，并在获取所述空间坐标系中获取各向量中点对应的坐标信息；将所述各稀疏特征点与各向量中点进行汇聚，得到若干稠密特征点；
83.基于若干所述稠密特征点构建得到若干初始化面片，并对若干所述初始化面片进行细化处理，得到若干精细化面片，将若干所述精细化面片进行重组，得到缺陷三维模型图。
84.需要说明的是，当通过如pmvs等特征匹配算法对缺陷图像进行特征匹配处理后，获取得到的稀疏特征点中往往会存在部分丢失和失真现象，若直接通过得到的稀疏特征点直接构建缺陷三维模型图，得到的模型图往往会存在曲面不连续，曲线部分丢失现象，导致所得到的缺陷三维模型图的模型精度降低，影响后续的判断分析过程，进而对检测结果造成较大影响。在本方法中，当得到稀疏特征点，接着对稀疏特征点进一步进行稠密处理，以
获取得到更多的特征点(稠密特征点)，然后再根据稠密特征点利用三维建模软件构建得到缺陷的初始化面片，并且通过三维建模软件对初始化面片进行细化处理，从而得到精细化面片，接着将各精细化面片进行重新组合，便能够缺陷三维模型图。通过本方法能够解决因特征点丢失与失真而导致建模精度过低的问题，所获取得到的缺陷三维模型图精度更高，能够进一步提高检测结果的可靠性。
85.在本发明的一个较佳实施例中，由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果，如图2所示，具体为：
86.s202：由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的体积信息；
87.s204：基于所述缺陷的体积信息得到待检测产品中缺陷的总体积值，获取待检测产品的总体积值，基于所述缺陷的总体积值与待检测产品的总体积值计算出待检测产品中缺陷的浓度值；
88.s206：将所述浓度值与预设预设阈值进行比较；若所述浓度值大于预设阈值，则将产品标记为不合格品；若所述浓度值不大于预设阈值，则将产品标记为可修复品。
89.需要说明的是，所述特征参数包括缺陷的长度、宽度、深度信息。由于在待检测产品中可能在多个位置区域存在缺陷，因此将待检测产品中所有缺陷的体积进行求和便能够得到待检测产品中缺陷的总体积值，然后将所述缺陷的总体积值与待检测产品的总体积值进行比值运算，便能够得到待检测产品中缺陷的浓度值。若待检测产品中的浓度值大于预设阈值，说明该产品中存在的缺陷过多，当需要对该待检测产品的缺陷进行修复时，所需要的耗费的修复成本过大(大于报废成本)，因此此时直接对该产品进行报废处理，能够最大程度降低生产成本。若所述浓度值不大于预设阈值，说明该产品中存在的缺陷并不多，对该待检测产品的缺陷进行修复所需要的耗费的修复成本并不高，此时可以对该产品进行修复处理，能够提高资源利用率。
90.在本发明的一个较佳实施例中，构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型，具体为：
91.通过大数据网络获取各种缺陷的虚拟三维模型图，以及在大数据网络中获取各虚拟三维模型图所对应的内应力值，将所述虚拟三维模型图及其对应的内应力值进行捆绑，得到若干个数据包；并将所述数据包分为训练数据本与验证数据本；
92.基于卷积神经网络构建内应力识别模型，并将所述训练数据本中的数据信息导入所述内应力识别模型中进行卷积处理与池化处理，得到处理后的数据信息；
93.通过交叉熵损失函数对所述处理后的数据信息进行反向传播训练，得到训练数据，并获取训练数据的数据误差，当数据误差收敛至预设误差值后，保存内应力识别模型中的训练数据；
94.将所述验证数据本导入所述内应力识别模型中进行验证，判断所述训练数据是否满足预设要求，若满足预设要求，则将满足预设要求的训练数据作为内应力识别模型的最终参数，得到训练完成的内应力识别模型。
95.在本发明的一个较佳实施例中，将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺
陷的修复策略，具体为：
96.s302：将所述缺陷三维模型图导入所述训练完成的内应力识别模型中，通过灰色关联分析法计算所述缺陷三维模型图与各虚拟三维模型图之间的重合度，得到若干个重合度；
97.s304：由若干个所述重合度之中提取出最大重合度，获取与所述最大重合度对应的虚拟三维模型图，并在所述训练完成的内应力识别模型中检索出与所述最大重合度对应的虚拟三维模型图的数据包，在该数据包中获取得到缺陷的实际内应力值；
98.s306：获取涂层的特性信息，基于所述特性信息得到涂层的屈服应力值，
99.将缺陷的实际内应力值与涂层的屈服应力值进行比较；
100.s308：若所述实际内应力值大于所述屈服应力值，则将该缺陷标记为可延伸缺陷，并对该可延伸缺陷进行恢复性修复；若所述实际内应力值不大于所述屈服应力值，则将该缺陷标记为不可延伸缺陷，并对该不可延伸缺陷进行预防性修复；
101.其中，所述预防性修复为对缺陷直接进行喷涂修复，所述恢复性修复为对缺陷进行打磨后再进行喷涂修复。
102.需要说明的是，当通大数据网络获取得到不同缺陷的虚拟三维模型图及其对应的内应力值后，然后将虚拟三维模型图及其对应的内应力值进行捆绑，从而捆绑得到多个数据包，然后将数据包分为训练数据本与验证数据本，以导入内应力识别模型中进行训练，直至训练至模型平稳，以提高模型的识别精度，提高其稳定性。然后再将缺陷三维模型图导入训练完成的内应力识别模型中，并且通过灰色关联分析法计算缺陷三维模型图与各虚拟三维模型图之间的重合度；并且提取出最大重合度，接着再通过与所述最大重合度对应的虚拟三维模型图的数据包便能够获取得到缺陷的实际内应力值，通过此方式不需要经过复杂的运算便能够快速获取得到缺陷的实际内应力值，能够降低系统运算量，提高系统的鲁棒性。
103.接着，获取涂层的特性信息，其中，所述特性信息包括涂层厚度、涂层组成成分，通过特性信息便能够获取得到涂层的屈服应力值；再将缺陷的实际内应力值与涂层的屈服应力值进行比较；若所述实际内应力值大于所述屈服应力值，说明该缺陷的内应力值大于涂层的屈服极限，该缺陷发生进一步开裂的概率较大，因此为了避免该缺陷在修复后会发生进一步延伸现象，再喷涂修复前需要将该缺陷进行研磨步骤，以将该缺陷附近区域的涂层彻底消除，以将该缺陷彻底消除，然后再对该研磨后的区域进行喷涂新的涂料进行修复，此过程便为恢复性修复策略。反之，若所述实际内应力值不大于所述屈服应力值，说明该缺陷的内应力值并大于涂层的屈服极限，该缺陷发生进一步开裂的概率较低，因此该缺陷在修复后发生进一步延伸现象的概率较低，因此在对该缺陷进行修复时，直接对该缺陷进行喷涂涂料进行修复即可，此过程便为预防性修复策略。通过本方法能够根据缺陷的实际内应力情况制定出相应的修复策略，能够确保对缺陷进行修复后的可靠性与稳定性，避免缺陷在修复后发生延伸开裂现象，并且能够以最低的修复成本对缺陷进行修复，最大成本低节省加工成本，提高经济效益。
104.此外，所述一种钢结构建筑涂料防腐性能检测方法，还包括以下步骤：
105.s1：若修复策略为预防性修复策略，则获取预防性修复策略所需修复缺陷的缺陷三维模型图，由所述缺陷三维模型图中获取所需修复缺陷的体积值；
106.s2：通过大数据网络获取涂料在喷涂修复后涂料单位体积的收缩率，基于所述所需修复缺陷的体积值与涂料单位体积的收缩率获取得到对所需修复缺陷进行修复时涂料的第一喷涂量；
107.s3：构建虚拟喷涂空间，并将所述缺陷三维模型图导入所述虚拟喷涂空间中，并基于所述第一喷涂量对所述缺陷三维模型图进行仿真喷涂修复，得到仿真喷涂修复后的三维模型图；
108.s4：对所述仿真喷涂修复后的三维模型图进行有限元应力分析，得到缺陷在经过仿真喷涂修复后的预估内应力值；将所述预估内应力值与预设内应力值进行比较；
109.s5：若所述预估内应力值小于预设内应力值，则将所述第一喷涂量作为最终的喷涂修复参数，并将所述第一喷涂量输出至喷涂修复工站上；
110.s6：若所述预估内应力值大于预设内应力值，则对所述第一喷涂量进行修正，得到修正后的第一喷涂量，重复s3-s4步骤，直至预估内应力值小于预设内应力值，则将修正后的第一喷涂量作为最终的喷涂修复参数，并将所述修正后的第一喷涂量输出至喷涂修复工站上。
111.需要说明的是，当需要对钢结构上的喷涂缺陷进行修复时，由于修复涂料在干燥后具有一定的收缩率，因此先根据所需修复缺陷的体积值与涂料单位体积的收缩率获取得到对所需修复缺陷进行修复时涂料的第一喷涂量；并且当确定出第一喷涂量后，通过如solidworks、ug等三维软件对待修复的缺陷进行仿真修复，得到仿真喷涂修复后的三维模型图，并且继续通过三维软件对所述仿真喷涂修复后的三维模型图进行有限元应力分析，得到缺陷在经过仿真喷涂修复后的预估内应力值；若所述预估内应力值小于预设内应力值，说明缺陷在经过喷涂修复后的效果较好，缺陷在经过喷涂修复后的稳定性较好，此时将所述第一喷涂量作为最终的喷涂修复参数，并将所述第一喷涂量输出至喷涂修复工站上，以使得喷涂修复工站以第一喷涂量对该缺陷进行修复。若所述预估内应力值大于预设内应力值，说明缺陷在经过喷涂修复后的效果较差，缺陷在经过喷涂修复后的稳定性较差，此时需要对第一喷涂量进行修正，直至通过修正后的第一喷涂量的预估内应力值小于预设内应力值，则将修正后的第一喷涂量作为最终的喷涂修复参数，并将所述修正后的第一喷涂量输出至喷涂修复工站上。通过本方法能够自动确定出对喷涂缺陷进行修复时所需的修复体积值，并且能够确保缺陷在修复后的稳定性，避免在缺陷在修复后进一步发生延伸开裂现象。
112.此外，所述一种钢结构建筑涂料防腐性能检测方法，还包括以下步骤：
113.获取待检测产品的缺陷位置信息，基于所述缺陷位置信息与喷涂设备进行关联，得到关联性文本；
114.获取喷涂设备的实时工作参数信息，基于所述实时工作参数信息与关联性文本得到有可能发生异常的子设备信息；
115.将所述有可能发生异常的子设备信息导入马尔可夫模型进行随机推演，得到最终发生故障的子设备。
116.需要说明的是，通过获取待检测产品的缺陷位置信息，以对引发该缺陷的子设备进行推演，从而判断出喷涂工站中是否发生了故障，通过本方法能够根据缺陷情况快速的分析出发生故障的子设备。
117.此外，所述一种钢结构建筑涂料防腐性能检测方法，还包括以下步骤：
118.在预设时间内获取产品在检测完毕后的报废品信息，基于所述报废信息计算出相应喷涂设备的加工报废率；
119.基于深度学习网络构建出货量预测模型，并将所述相应喷涂设备的加工报废率导入出货量预测模型中进行训练，得到训练完成后的出货量预测模型；
120.获取产品批次的生产计划信息，并将所述生产计划信息导入所述训练完成后的出货量预测模型中，以获取相应喷涂设备的出货量；
121.将所述出货量与预设出货量进行比较，若所述出货量小于预设出货量，则生成产量预警信息，并将所述产量预警信息发送至客户端。
122.需要说明的是，在喷涂设备对钢结构进行喷涂涂料时，由于不同批次原料往往具备一定的差异性，在对不同批次原料进行喷涂加工时，产品的报废率往往存在一定的差异，因此在对喷涂完毕的产品进行检测时，先统计出相应喷涂设备的加工报废率，然后根据相应喷涂设备的加工报废率计算出在预设时间内相应喷涂设备的出货量，其中所述出货量表示产品的喷涂加工合格量，若所述出货量小于预设出货量，说明当前的喷涂设备不能够按时完成出货任务，此时则需要通知管理人员增加其他喷涂设备对钢结构进行喷涂加工。通过本方法能够自动检测出当前在工作过程中的喷涂设备能否按时完成生产任务，若不能，则能够及时将产量预警信息发送给管理人员，以安排其他设备进行生产，进而确保能够按时完成订单任务，并且造成产量不足而导致毁约现象。
123.本发明另一方面公开了一种钢结构建筑涂料防腐性能检测系统，所述防腐性能检测系统包括存储器41与处理器62，所述存储器41中存储有防腐性能检测方法程序，所述防腐性能检测方法程序被所述处理器62执行时，如图4所示，实现如下步骤：
124.获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果；
125.若识别结果为第一识别结果，则获取缺陷的位置信息，基于所述位置信息由所述待检测产品图像中分割出缺陷图像，基于所述缺陷图像构建得到缺陷三维模型图；
126.由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果；
127.若产品的分析结果为不合格品，则对产品进行报废；若产品的分析结果为可修复品，则构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型；
128.将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略。
129.进一步的，本发明的一个较佳实施例中，获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果，具体为：
130.预设关键检索词，基于所述关键检索词对大数据网络中的共享资源数据进行检索，获取得到不同缺陷类型图像；构建知识图谱，并将所述不同缺陷类型图像导入所述知识图谱中；
131.获取待检测产品图像，并将所述待检测产品图像导入所述知识图谱中，通过sift算法计算所述待检测产品图像与各缺陷类型图像之间的匹配度，得到若干个匹配度；
132.构建排序表，并将若干个所述匹配度导入所述排序表中进行大小排序，排序完成后，由所述排序表中提取出最大配对度；
133.将所述最大配对度与预设配对度进行比较；若所述最大配对度大于预设配对度，说明产品中存在缺陷，则生成第一识别结果；若所述最大配对度不大于预设配对度，说明产品中不存在缺陷，则生成第二识别结果，并将产品标记为合格品。
134.进一步的，本发明的一个较佳实施例中，构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型，具体为：
135.通过大数据网络获取各种缺陷的虚拟三维模型图，以及在大数据网络中获取各虚拟三维模型图所对应的内应力值，将所述虚拟三维模型图及其对应的内应力值进行捆绑，得到若干个数据包；并将所述数据包分为训练数据本与验证数据本；
136.基于卷积神经网络构建内应力识别模型，并将所述训练数据本中的数据信息导入所述内应力识别模型中进行卷积处理与池化处理，得到处理后的数据信息；
137.通过交叉熵损失函数对所述处理后的数据信息进行反向传播训练，得到训练数据，并获取训练数据的数据误差，当数据误差收敛至预设误差值后，保存内应力识别模型中的训练数据；
138.将所述验证数据本导入所述内应力识别模型中进行验证，判断所述训练数据是否满足预设要求，若满足预设要求，则将满足预设要求的训练数据作为内应力识别模型的最终参数，得到训练完成的内应力识别模型。
139.进一步的，本发明的一个较佳实施例中，将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略，具体为：
140.将所述缺陷三维模型图导入所述训练完成的内应力识别模型中，通过灰色关联分析法计算所述缺陷三维模型图与各虚拟三维模型图之间的重合度，得到若干个重合度；
141.由若干个所述重合度之中提取出最大重合度，获取与所述最大重合度对应的虚拟三维模型图，并在所述训练完成的内应力识别模型中检索出与所述最大重合度对应的虚拟三维模型图的数据包，在该数据包中获取得到缺陷的实际内应力值；
142.获取涂层的特性信息，基于所述特性信息得到涂层的屈服应力值，将缺陷的实际内应力值与涂层的屈服应力值进行比较；
143.若所述实际内应力值大于所述屈服应力值，则将该缺陷标记为可延伸缺陷，并对该可延伸缺陷进行恢复性修复；若所述实际内应力值不大于所述屈服应力值，则将该缺陷标记为不可延伸缺陷，并对该不可延伸缺陷进行预防性修复；
144.其中，所述预防性修复为对缺陷直接进行喷涂修复，所述恢复性修复为对缺陷进行打磨后再进行喷涂修复。
145.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
146.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
147.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
148.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
149.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
150.以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种钢结构建筑涂料防腐性能检测方法，其特征在于，具体包括以下步骤：获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果；若识别结果为第一识别结果，则获取缺陷的位置信息，基于所述位置信息由所述待检测产品图像中分割出缺陷图像，基于所述缺陷图像构建得到缺陷三维模型图；由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果；若产品的分析结果为不合格品，则对产品进行报废；若产品的分析结果为可修复品，则构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型；将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略。2.根据权利要求1所述的一种钢结构建筑涂料防腐性能检测方法，其特征在于，获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果，具体为：预设关键检索词，基于所述关键检索词对大数据网络中的共享资源数据进行检索，获取得到不同缺陷类型图像；构建知识图谱，并将所述不同缺陷类型图像导入所述知识图谱中；获取待检测产品图像，并将所述待检测产品图像导入所述知识图谱中，通过sift算法计算所述待检测产品图像与各缺陷类型图像之间的匹配度，得到若干个匹配度；构建排序表，并将若干个所述匹配度导入所述排序表中进行大小排序，排序完成后，由所述排序表中提取出最大配对度；将所述最大配对度与预设配对度进行比较；若所述最大配对度大于预设配对度，说明产品中存在缺陷，则生成第一识别结果；若所述最大配对度不大于预设配对度，说明产品中不存在缺陷，则生成第二识别结果，并将产品标记为合格品。3.根据权利要求1所述的一种钢结构建筑涂料防腐性能检测方法，其特征在于，基于所述缺陷图像构建得到缺陷三维模型图，具体为：对所述缺陷图像进行特征匹配处理，得到若干个稀疏特征点；构建空间坐标系，将若干个所述稀疏特征点导入所述空间坐标系中，选取任意一个稀疏特征点作为种子点，并使得所述种子点与所述空间坐标系的坐标原点重合；在所述空间坐标系中获取各稀疏特征点对应的坐标信息，基于所述各稀疏特征点对应的坐标信息计算出每两个稀疏特征点之间的向量，得到若干个向量；获取每一向量的向量中点，并在获取所述空间坐标系中获取各向量中点对应的坐标信息；将所述各稀疏特征点与各向量中点进行汇聚，得到若干稠密特征点；基于若干所述稠密特征点构建得到若干初始化面片，并对若干所述初始化面片进行细化处理，得到若干精细化面片，将若干所述精细化面片进行重组，得到缺陷三维模型图。4.根据权利要求1所述的一种钢结构建筑涂料防腐性能检测方法，其特征在于，由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果，具体为：
由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的体积信息；基于所述缺陷的体积信息得到待检测产品中缺陷的总体积值，获取待检测产品的总体积值，基于所述缺陷的总体积值与待检测产品的总体积值计算出待检测产品中缺陷的浓度值；将所述浓度值与预设预设阈值进行比较；若所述浓度值大于预设阈值，则将产品标记为不合格品；若所述浓度值不大于预设阈值，则将产品标记为可修复品。5.根据权利要求1所述的一种钢结构建筑涂料防腐性能检测方法，其特征在于，构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型，具体为：通过大数据网络获取各种缺陷的虚拟三维模型图，以及在大数据网络中获取各虚拟三维模型图所对应的内应力值，将所述虚拟三维模型图及其对应的内应力值进行捆绑，得到若干个数据包；并将所述数据包分为训练数据本与验证数据本；基于卷积神经网络构建内应力识别模型，并将所述训练数据本中的数据信息导入所述内应力识别模型中进行卷积处理与池化处理，得到处理后的数据信息；通过交叉熵损失函数对所述处理后的数据信息进行反向传播训练，得到训练数据，并获取训练数据的数据误差，当数据误差收敛至预设误差值后，保存内应力识别模型中的训练数据；将所述验证数据本导入所述内应力识别模型中进行验证，判断所述训练数据是否满足预设要求，若满足预设要求，则将满足预设要求的训练数据作为内应力识别模型的最终参数，得到训练完成的内应力识别模型。6.根据权利要求1所述的一种钢结构建筑涂料防腐性能检测方法，其特征在于，将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略，具体为：将所述缺陷三维模型图导入所述训练完成的内应力识别模型中，通过灰色关联分析法计算所述缺陷三维模型图与各虚拟三维模型图之间的重合度，得到若干个重合度；由若干个所述重合度之中提取出最大重合度，获取与所述最大重合度对应的虚拟三维模型图，并在所述训练完成的内应力识别模型中检索出与所述最大重合度对应的虚拟三维模型图的数据包，在该数据包中获取得到缺陷的实际内应力值；获取涂层的特性信息，基于所述特性信息得到涂层的屈服应力值，将缺陷的实际内应力值与涂层的屈服应力值进行比较；若所述实际内应力值大于所述屈服应力值，则将该缺陷标记为可延伸缺陷，并对该可延伸缺陷进行恢复性修复；若所述实际内应力值不大于所述屈服应力值，则将该缺陷标记为不可延伸缺陷，并对该不可延伸缺陷进行预防性修复；其中，所述预防性修复为对缺陷直接进行喷涂修复，所述恢复性修复为对缺陷进行打磨后再进行喷涂修复。7.一种钢结构建筑涂料防腐性能检测系统，其特征在于，所述防腐性能检测系统包括存储器与处理器，所述存储器中存储有防腐性能检测方法程序，所述防腐性能检测方法程序被所述处理器执行时，实现如下步骤：
获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果；若识别结果为第一识别结果，则获取缺陷的位置信息，基于所述位置信息由所述待检测产品图像中分割出缺陷图像，基于所述缺陷图像构建得到缺陷三维模型图；由所述缺陷三维模型图中提取出缺陷的特征参数，基于所述特征参数得到缺陷的浓度值，基于所述缺陷的浓度值对待检测产品进行分析，得到分析结果；若产品的分析结果为不合格品，则对产品进行报废；若产品的分析结果为可修复品，则构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型；将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略。8.根据权利要求7所述的一种钢结构建筑涂料防腐性能检测系统，其特征在于，获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果，具体为：预设关键检索词，基于所述关键检索词对大数据网络中的共享资源数据进行检索，获取得到不同缺陷类型图像；构建知识图谱，并将所述不同缺陷类型图像导入所述知识图谱中；获取待检测产品图像，并将所述待检测产品图像导入所述知识图谱中，通过sift算法计算所述待检测产品图像与各缺陷类型图像之间的匹配度，得到若干个匹配度；构建排序表，并将若干个所述匹配度导入所述排序表中进行大小排序，排序完成后，由所述排序表中提取出最大配对度；将所述最大配对度与预设配对度进行比较；若所述最大配对度大于预设配对度，说明产品中存在缺陷，则生成第一识别结果；若所述最大配对度不大于预设配对度，说明产品中不存在缺陷，则生成第二识别结果，并将产品标记为合格品。9.根据权利要求7所述的一种钢结构建筑涂料防腐性能检测系统，其特征在于，构建内应力识别模型，并对所述内应力识别模型进行训练，得到训练完成的内应力识别模型，具体为：通过大数据网络获取各种缺陷的虚拟三维模型图，以及在大数据网络中获取各虚拟三维模型图所对应的内应力值，将所述虚拟三维模型图及其对应的内应力值进行捆绑，得到若干个数据包；并将所述数据包分为训练数据本与验证数据本；基于卷积神经网络构建内应力识别模型，并将所述训练数据本中的数据信息导入所述内应力识别模型中进行卷积处理与池化处理，得到处理后的数据信息；通过交叉熵损失函数对所述处理后的数据信息进行反向传播训练，得到训练数据，并获取训练数据的数据误差，当数据误差收敛至预设误差值后，保存内应力识别模型中的训练数据；将所述验证数据本导入所述内应力识别模型中进行验证，判断所述训练数据是否满足预设要求，若满足预设要求，则将满足预设要求的训练数据作为内应力识别模型的最终参数，得到训练完成的内应力识别模型。10.根据权利要求7所述的一种钢结构建筑涂料防腐性能检测系统，其特征在于，将所
述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略，具体为：将所述缺陷三维模型图导入所述训练完成的内应力识别模型中，通过灰色关联分析法计算所述缺陷三维模型图与各虚拟三维模型图之间的重合度，得到若干个重合度；由若干个所述重合度之中提取出最大重合度，获取与所述最大重合度对应的虚拟三维模型图，并在所述训练完成的内应力识别模型中检索出与所述最大重合度对应的虚拟三维模型图的数据包，在该数据包中获取得到缺陷的实际内应力值；获取涂层的特性信息，基于所述特性信息得到涂层的屈服应力值，将缺陷的实际内应力值与涂层的屈服应力值进行比较；若所述实际内应力值大于所述屈服应力值，则将该缺陷标记为可延伸缺陷，并对该可延伸缺陷进行恢复性修复；若所述实际内应力值不大于所述屈服应力值，则将该缺陷标记为不可延伸缺陷，并对该不可延伸缺陷进行预防性修复；其中，所述预防性修复为对缺陷直接进行喷涂修复，所述恢复性修复为对缺陷进行打磨后再进行喷涂修复。

技术总结
本发明涉及钢材涂料性能检测技术领域，特别是一种钢结构建筑涂料防腐性能检测方法，获取待检测产品图像，对所述待检测产品图像进行识别，得到第一识别结果或第二识别结果；若识别结果为第一识别结果，则获取缺陷的位置信息，基于所述位置信息由所述待检测产品图像中分割出缺陷图像，基于所述缺陷图像构建得到缺陷三维模型图；将所述缺陷三维模型图导入所述训练完成的内应力识别模型中进行分析，分析得到缺陷的实际内应力值，基于所述实际内应力值确定出缺陷的修复策略，能够自动对钢结构涂料的防腐性能进行检测，能够适用于大批量自动化生产车间，检测结果的可靠性高。检测结果的可靠性高。检测结果的可靠性高。


技术研发人员：梁振兴 彭梅志 卢健雄 陈益龙 陈宇航 蔡锐 梁应年 李振华 胡珍珍 叶奇营 谢丽金 吴宇森 邓小科
受保护的技术使用者：云浮市建设工程质量监督站
技术研发日：2023.05.12
技术公布日：2023/8/14