基于计算机视觉的智能化水泥基材料毛细吸水性能评估数据集SorpVision的构建与应用

本研究针对传统ASTM C1585标准测定水泥基材料毛细吸水性能(Sorptivity)存在耗时费力、无法连续监测等瓶颈问题，开发了集成计算机视觉与机器学习的自动化检测系统SorpVision。通过构建包含7,384张真实/合成图像的数据集，结合特征金字塔网络(FPN)和USB显微摄像头，实现了对水泥浆体(w/c=0.4-0.8)、砂浆和混凝土初始/二次吸水率(S/S)的高精度预测(R2>0.9)，为基础设施耐久性评估提供了可扩展的智能化解决方案。

　　

在建筑行业追求高效耐久性评估方法的背景下，水泥基材料的毛细吸水性能(Sorptivity)测定长期面临重大技术挑战。传统ASTM C1585标准依赖人工称重，不仅耗时长达数天，且无法实现连续数据采集。虽然X射线CT、中子成像等先进技术能监测水分迁移，但其高昂成本限制了工程应用。更棘手的是，水泥基材料复杂的多孔结构使得初始快速吸水阶段(由毛细作用主导)与后续缓慢二次吸水阶段(涉及溶解空气扩散)呈现显著差异，现有方法难以同时准确捕捉这两个关键参数。这些瓶颈严重制约了对混凝土结构抗冻融、抗盐蚀等耐久性能的快速评估。

针对这一系列问题，伊利诺伊大学厄巴纳-香槟分校的Hossein Kabir团队在《Scientific Data》发表了开创性研究。该团队开发了名为SorpVision的智能化检测系统，通过计算机视觉技术实现了水泥基材料吸水性能的自动化评估。研究采用正交布置的USB显微摄像头(单价<30美元)构建低成本硬件系统，在漫反射和镜面反射两种光照条件下采集样本吸水过程。核心创新在于构建了包含7,384张图像的综合数据集(5,000张真实图像来自4人标注，2,384张合成图像通过PowerPoint模拟生成)，并开发了基于EfficientNet-B2主干网络的特征金字塔模型(FPN)，通过跳跃连接保留空间特征，最终实现448×448像素分辨率下的水分边界精确分割。

关键技术路线包含三个创新维度：数据层面采用多标注者策略降低水位标记误差(图1d-f显示4人标注可使变异系数COV最小化)；算法层面构建金字塔式解码器逐步恢复特征图分辨率；工程层面提出几何校正因子√(0.39/D)实现从10mm水泥试块到2英寸混凝土试件的尺度扩展(图3)。特别值得注意的是，合成数据虽不能提高分割匹配度(DoM)，但能显著提升模型稳定性(图4c)。

研究结果部分揭示了多项重要发现。在数据生成方面，图2展示的标准化标注流程确保将640×480像素视频帧转换为PDF格式时保持6.4:4.8的长宽比，通过iPad手写标注后经Jupyter Notebook自动生成掩膜。模型性能方面，FPN在水泥浆体中获得0.97的初始吸水率(S)预测精度，推广至砂浆和混凝土后仍保持0.96和0.87的高相关性(表1)。对于更难预测的二次吸水率(S)，在混凝土中仍能达到0.65的R²值。与传统方法对比显示，计算机视觉系统将测试时间从24小时缩短至实时监测，且通过wetted area ratio与吸收时间的神经网络建模(含64-32-16节点隐藏层)，在测试集上取得93%的穿透深度预测精度。

讨论部分强调了该研究的双重突破价值。方法论上，首次证明USB摄像头配合机器学习可替代昂贵成像设备，其中合成数据增强和几何校正因子设计解决了小样本与尺度迁移难题。工程应用上，建立的Zenodo永久数据库(含VGA视频、标注帧和训练代码)为标准制定提供了数据基础。作者特别指出，当水灰比(w/c)从0.4增至0.8时，初始吸水率增长幅度达300%，而视觉系统仍能保持稳定检测，这为配合比优化提供了新工具。

该研究的局限在于对低水位阶段(0.5-2mm)的检测误差相对较高(图1f)，未来需通过更高分辨率摄像头改进。但总体而言，SorpVision系统通过将计算机视觉、合成数据与经典渗透理论结合，开创了水泥基材料耐久性评估的新范式。其价值不仅体现在替代传统ASTM C1585测试，更在于为智能建造时代的基础设施健康监测提供了可扩展的技术框架，这对推进可持续基础设施建设具有重要实践意义。