综述：关于3D打印混凝土质量监控方法的综述 李子墨、 赵宏伟、 王向宇

《Forecasting》：Review on Quality Monitoring Methods for 3D Printed Concrete Zimo Li, Hongyu Zhao and Xiangyu Wang

　　摘要 3D打印混凝土技术在改变施工方法、提高效率以及减少环境影响方面展现了巨大潜力。然而，目前3D打印混凝土的质量控制和缺陷识别主要依赖于人工经验和传统的非实时测量方法，这使得打印质量面临诸多挑战。尽管越来越多的研究探讨了3D打印混凝土的自动化质量监控和缺陷检测技术，但系统综合这些方法的专门综述仍显缺失。本文对3D打印混凝土的自动化质量监控方法进行了全面综述，重点关注当前的技术、挑战及未来应用方向。光学图像处理和机器学习已被成功应用于3D打印混凝土的缺陷检测，尽管这些方法在实时性能、自动化程度和数据质量方面存在局限性。此外，基于深度学习的方法在提高缺陷检测的准确性和自动化水平方面显示出巨大潜力，但仍面临数据标注、模型泛化、大规模建设项目以及实时集成等方面的挑战。最后，建议将质量监控与建筑信息建模相结合，并进一步发展多源数据融合、数据增强、实时自适应控制和主动质量控制技术，以应对当前面临的挑战。

1. 引言
全球制造业的转型使3D打印技术在众多领域逐渐展现出广泛应用前景[1,2]。在建筑行业，3D打印混凝土（3DPC）是最常见的增材建造技术，它通过计算机控制的自动化流程逐层沉积混凝土材料来构建结构或建筑物[3,4]。3DPC技术最初作为快速原型制作方法应用于小型模型的生产，可以追溯到上个世纪90年代[5,6]。3DPC技术具有高效、环保和自动化性能等优势，已成为建筑行业的发展战略和未来发展方向[7,8]。
如图1所示，3DPC在建筑领域通常以三种形式应用：模块化3D打印、轮廓模板3D打印和现场3D打印[9,10,11]。模块化3D打印将整体结构拆分为多个模块，在受控环境下进行工厂生产，然后通过运输和现场组装形成完整建筑[12,13]。轮廓模板3D打印涉及利用3D打印技术制造结构模板[14]，随后在模板完成后采用传统的混凝土浇筑技术形成最终建筑结构[15,16]。现场3D打印则是直接在建筑工地使用3D打印设备完成整个建筑物的制造[17]。模块化3D打印和轮廓模板3D打印可以与预制建筑相结合[18]，这种结合发挥了3D打印和预制技术的显著优势，符合当前建筑工业化和绿色可持续发展的趋势[19]。
然而，现有的3D打印技术主要依赖于预定义的数字模型进行打印，受到固定流程和参数的限制，缺乏实时适应环境变化的能力，尽管操作相对简单[20]。随着需求日益复杂，3D打印技术正在从数字化向智能化转型[21]。感知能力是3D打印技术智能转型的基础，使打印设备能够实时感知外部环境变化并将其转化为数据输入[22,23]。利用这些数据输入，3D打印系统可以根据实时反馈调整控制流程，从而提高打印质量和操作效率[24,25]。
图2展示了使用3DPC技术的组件方向和接口。如图3b所示，打印层在层间方向的变形逐渐累积，导致层间界面粘合力丧失，严重影响整个打印结构的性能[26]。打印过程中的任何错误都可能导致最终结构出现缺陷，影响其结构强度和安全性，甚至在极端情况下可能导致建筑物倒塌[23,27]。3DPC的质量直接关系到建筑行业的结构稳定性和使用寿命，因此精度和成型质量控制在3DPC中至关重要[28]。

为了确保3DPC在建筑中的可靠应用，需要在整个打印过程中对打印机参数、环境温度以及打印混凝土材料的工作性能等因素进行实时监控和调整[29,30,31]。为此，智能控制系统和实时反馈机制至关重要，使设备能够在打印过程中感知并调整参数[20,24]。上述流程可以有效保证打印结构的稳定性和一致性，因此研发3DPC的质量监控和控制系统具有重要的实际意义[25]。然而，3DPC的质量监控和控制在很大程度上依赖于人工检查异常情况以及操作员在流程调节方面的经验[32,33]。同时，还采用了非实时测量方法，如材料流变特性分析、环境湿度和温度监测等[34,35]。当观察到异常时，操作员必须中断打印过程并依据经验手动调整打印机和材料参数[36]。然而，这种传统方法存在效率低下、严重依赖操作员经验以及主观判断易受影响的缺点[36,37,38]。此外，先前的研究还指出了其他问题，如高 labor成本、有限的准确性和耗时较长，这些问题阻碍了3D打印混凝土在大规模和建筑级别施工中的应用[36,39]。因此，开发实时和自动化的3D打印混凝土质量监控和控制方法变得十分必要。

以往的综述对3DPC的质量监控和缺陷检测关注较少，主要集中在材料特性和打印路径上。需要一份全面的指南来帮助研究人员选择合适的算法模型和监控方向，以提升3DPC的机械性能和成型精度。因此，本文总结了当前关于3DPC质量监控方法的知识现状，包括光学图像处理、机器学习和深度学习方法。主要研究内容包括：
(1) 定义3DPC缺陷的类别和打印方向。
(2) 介绍3DPC中质量监控方法的类别、优势、劣势及实时性能。
(3) 系统回顾了3DPC质量监控方法中使用的传感器类型和监控方向。
(4) 讨论了现有3DPC质量监控方法的当前局限性和未来研究方向。

2. 方法论
本研究采用了三大全球学术数据库（ProQuest、Scopus和Web of Science）进行系统文献回顾，这些数据库涵盖了ScienceDirect、SpringerLink、ASCE、Wiley Online Library、PubMed和Taylor and Francis等资源。根据本研究的核心议题，通过特定搜索词在标题、摘要和作者关键词范围内进行了初步搜索。具体搜索词包括“printed concrete”、“3D concrete printing”、“3D printed concrete control”、“3D printed concrete monitoring”、“3D printed concrete defect detection”、“vision-based 3D printed concrete”、“challenges for 3D printing concrete”和“deep-learning-based 3D printed concrete”。所选文献主要为发表在权威国际期刊上的同行评审论文。为进一步提高综述质量，还考虑了会议论文和书籍章节。
经过对3D打印混凝土监控相关文献的全面回顾，最终选取了24篇核心研究。根据不同的监控目标，所识别方法被分为两类：3D打印混凝土过程中的质量监控和3D打印混凝土的微观缺陷检测方法。随后，根据所使用的监控算法，3D打印混凝土过程中的质量监控方法进一步分为光学图像处理方法和机器学习方法两类。

基于对文献的回顾和缺陷形成的多尺度特性，3D打印混凝土的缺陷可以归类为与尺寸偏差、形态不稳定性和材料不连续性相关的类别。具体而言，异常高度代表着垂直几何精度的偏差；丝材宽度和层宽描述了不同沉积尺度上的横向尺寸偏差；层变形和层曲率反映了沉积后的形状不稳定性；材料缺陷和丝材缺陷表明了材料挤出和沉积过程中的不连续性和不一致性。这种分类更适用于3D打印混凝土的工艺监控、图像识别和质量评估。

3. 3D打印混凝土过程中的质量监控
由于非接触式监控的显著优势，光学方法在工业应用中得到了广泛应用[40]。这些方法减少了对被监控物体的物理干扰，特别是在复杂或危险环境中具有广泛适用性[41]。因此，光学方法已被有效应用于3DPC的工艺监控，以减少打印过程中的现场干预[42,43,44]。如表1所示，现有研究将3D打印混凝土的光学监控方法分为三类：光学图像处理、机器学习和基于深度学习的方法。
实时能力和准确性是评估3DPC质量监控和控制方法的关键标准。系统需要满足实时响应的要求，以确保打印质量的稳定性，因为打印过程是动态的。此外，成型精度对于大型结构中打印建筑组件的机械性能至关重要。

3.1 基于光学图像处理的质量监控方法
传统的光学图像处理算法是最早用于3DPC质量监控的方法。如图4所示，飞行时间（ToF）技术利用光学距离传感器测量传感器与最上层打印层之间的距离[45,46]。此外，通过保持恒定距离来检测丝材间的异常高度。然而，这种方法需要高精度设备，成本较高，并且提供实时反馈的能力有限。此外，该方法的监控范围有限，其性能受打印过程环境条件的影响较大。另外，仅通过测量单个打印丝材的宽度或层宽度只能提供局部几何异常的评估。基于ToF的方法依赖预定义的规则或静态模型，限制了泛化能力，无法实现实时调整监控策略。因此，它仅适用于极其有限和简单的场景。

与基于简单机制的ToF技术相比，具有更复杂功能的光学算法在3D打印混凝土质量监控中具有更大优势。Senthilnathan等人[47]应用局部二值模式（LBP）算法通过纹理分析检测缺陷，实现了80.45%的检测准确率，单层分析时间不到5秒。LBP是一种常用的纹理特征提取技术，它通过比较局部图像区域内的像素值与中心像素的值并将结果转换为二进制数。通过信息熵等指标量化纹理变化，从而评估3DPC的表面质量。Senthilnathan[48]将LBP与灰度共生矩阵（GLCM）结合使用，通过分析图像中像素对之间的灰度关系来捕捉纹理特征，实现了90%的检测准确率，单层分析时间不到10秒，能够有效识别打印层中的异常。然而，这些方法仅能根据打印材料的表面特性来分析其流动性能。为了获得更详细的信息，Kazemian等人[49]使用了LBP和高斯滤波器在3DPC过程中对层间方向的打印纤维边界进行分割。这种方法可以初步确定最上层单根纤维的宽度，并根据该宽度评估打印层的成型质量，如图5所示。该方法通过高斯滤波器将图像中每个像素的值与其周围像素的加权平均值结合，从而减少由噪声引起的错误检测，并提取打印纤维的边缘。同样，Barjuei等人[50]采用了经典的Canny边缘检测算法来提取打印过程中的单层纤维边界信息，实现每秒10帧（FPS）的视觉处理速度，如图6所示。图5. 通过局部二值模式监测打印纤维宽度 [49]。图6. 使用Canny边缘检测控制单层打印纤维的厚度 [50]。然而，这些传统的光学图像处理算法依赖于手动定义的参数，如阈值设置、边缘检测算法中的参数选择以及图像平滑和滤波的配置[51]。当施工环境发生变化（如照明、温度和湿度的变化）时，需要手动调整这些参数以适应不同的图像或环境条件[52]。3DPC的表面通常表现出不规则的特征，而施工现场的环境因素（如照明、湿度和温度）也可能有很大差异。手动调整参数会降低计算效率，并限制算法在动态施工环境中的适应能力，从而导致自动化程度较低。

3.2. 使用机器学习的质量监测方法
与基于传统光学图像处理算法的质量检测方法相比，机器学习方法可以从大量数据中学习并提取数据中嵌入的复杂模式和关系。此外，机器学习技术可以自动提取图像特征并利用它们进行准确的质量评估，从而克服了传统方法在处理复杂数据时的局限性[53]。Nair[54]使用了迭代最近点（ICP）算法来配准从3DPC获得的点云数据，并采用层次聚类进行初步的点云分割。如图7所示，建立了一个3DPC的几何模型，通过与设计模型的比较来评估打印质量。然而，这一框架是事后评估，并不支持打印过程中的实时质量监测或自适应控制。此外，当处理具有复杂形态特征的3DPC图像时，传统的机器学习算法仍然面临挑战[54]。图7. 迭代最近点算法计算点云距离以确定打印结构的几何尺寸：(a) 点云图像和 (b) 扫描的外表面 [54]。传统的机器学习方法和光学图像处理方法需要大量的手动干预来调整算法参数和模型，以改进几何特征提取。因此，这些方法在具体3D打印质量监测和控制方面缺乏足够的准确性和泛化能力，同时它们的自动化程度仍然有限。

深度学习作为机器学习的一个强大分支，在计算机视觉领域表现出显著的优势，已在工业生产质量监测中超越了传统方法[55]。深度学习采用多层神经网络架构，并通过迭代权重优化直接从大规模原始数据中学习层次特征表示[56]。自动化的特征学习机制减少了对人工干预的依赖，使得能够识别细微的数据变化，从而提高了泛化能力和预测准确性[57]。深度学习在工业生产中的效率和准确性得到了显著提高，尤其是在质量监测和缺陷检测方面[58]。卷积神经网络（CNN）作为数据驱动的深度学习算法，近年来已成为计算机视觉中最具影响力的技术之一。CNN在对象检测和图像分割任务中取得了显著进展。CNN利用层次化多层架构直接从大规模原始数据中学习特征表示，在图像分析应用中表现出卓越的能力[59]。CNN可以通过其多层结构从大量原始数据中自动提取特征，并在图像数据处理方面展现出强大的能力[60]。卷积神经网络能够识别图像中的局部特征并融合局部信息，这使它们在图像处理中具有更强的鲁棒性和准确性。它们的表现优于传统的机器学习方法[61]。基于CNN的方法在混凝土表面裂缝检测应用中显示出很大的潜力。在这些领域，卷积神经网络的自动特征提取能力使得检测过程不再依赖于手动设计的特征，从而显著提高了检测准确性。基于卷积神经网络的工业质量检测系统具有更高的准确性和更强的适应性[62]。它们可以在复杂的工业环境中进行实时监测，并大大减少对劳动密集型手动检测的依赖[63]。同时，在混凝土裂缝检测中，卷积神经网络方法能够高效识别裂缝的位置、形状和大小，提供更高效和准确的 quality 监测手段[64]。卷积神经网络提高了检测准确性并减少了手动检测的劳动强度，使得大规模生产中的自动化和效率显著提高，相比传统的手动检测。

鉴于CNN在混凝土材料质量监测方面的优势，它们也被应用于3DPC[13]。Davtalab等人[65]采用基于CNN的U-Net在打印过程中分割层间界面线，取得了91%的F分数。根据分割结果识别了打印层的局部变形区域，从而支持操作员的决策，如图8a所示。U-Net是一种专为图像分割设计的经典CNN架构，特别适合于像素级检测任务。通过编码器-解码器结构提取上下文信息，并在解码过程中恢复高分辨率特征，从而实现混凝土3D打印过程中层间界面的分割，如图8b所示。随后，Rill-Garcia等人[66]采用U-Net分割层间界面线和打印层的曲率，通过曲率变化的幅度来检测异常打印区域。此外，还应用了二值模式分析和GLCM生成3DPC材料表面的热图。最终，通过整合材料状态和层间界面条件来评估整体打印质量，如图9所示。与传统机器学习和光学算法相比，基于CNN的分割方法能够识别更复杂的目标并在3DPC中提取更具代表性的信息。然而，这两种早期基于U-Net的方法生成的信息不是实时的，这限制了它们在指导打印过程中的有效性。同时，需要额外的训练数据来提高模型的可靠性，因为这两种方法使用的训练数据样本少于1000个。图8. 基于卷积神经网络的层间界面分割：(a) 界面分割渲染和 (b) U-Net模型架构 [65]。图9. 使用U-Net和灰度共生矩阵评估混凝土3D打印的质量 [66]。为了提高准确性和实时性能，Zhang等人[67]使用超过3000个样本训练了一个CNN模型，以分类混凝土3DPC中纤维间的材料状态，如图10a所示。同时，通过减少计算参数改进了初始的视觉几何组（VGG）网络以提高其实时性能，如图10b所示。然而，这种方法仍然受到CNN架构固有局限性的影响，它依赖于滑动窗口来提取局部特征，无法直接捕获全局信息[67]。图10. 使用深度学习评估3DPC材料质量：(a) 评估方法和 (b) 改进的VGG网络 [67]。相比之下，Transformer网络克服了CNN在局部特征处理方面的局限性[68]。通过自注意力机制，图像中的每个像素可以直接与输入序列中的所有其他像素交互[69]。Zhao等人[70]提出了一种基于Transformer的物体检测算法，用于从喷嘴移动方向实时检测打印过程中的纤维缺陷，如图11a所示。如图11b所示，其原始的基于Transformer的物体检测算法通过多种策略得到了改进，以提高检测准确性和计算效率。此外，还应用了生成算法来生成合成数据，以解决打印纤维数据集规模有限的问题，如图11c所示。通过这些方法，实现了0.50（mAP50）的交叉平均精度和74 FPS的高实时性能，用于打印纤维的缺陷检测[70]。图11. 使用深度学习检测打印纤维的缺陷：(a) 检测结果，(b) 算法框架改进，以及 (c) 虚拟数据生成 [70]。总之，当前基于深度学习的检测方法在打印过程中的实时性能逐渐提高，底层模型已经从简单架构发展到更复杂的设计，从而实现了更高的监测准确性。然而，评估通常是从单一角度进行的，主要关注表面外观或局部几何异常。使用单一检测方法进行全面的质量监测仍然很困难，必须集成针对不同监测对象的多种方法才能获得3DPC质量的完整评估。表1. 用于打印过程中3DPC质量监测的算法、传感器、识别目标及监测方向。

4. 3D打印混凝土的微观缺陷检测方法
混凝土中的宏观缺陷源于微观缺陷的逐步演化[71]。由于3DPC是无模板且逐层施工的过程，每根打印纤维必须在短时间内迅速获得足够的刚性以支撑上层的载荷[30]。这一特性要求混凝土材料具有快速凝固的能力并迅速发展初始强度[72]。然而，基于水泥的材料的快速凝固以及喷嘴的挤出效应会显著改变打印纤维的内部微观结构，影响孔隙和裂缝的形态和分布，并加剧微观缺陷的起始和演化[73]。因此，在微观缺陷发展成宏观质量问题之前，对其进行动态检测和定量评估至关重要。微裂纹和微孔是3DPC材料中观察到的主要类型的微观缺陷[74,75]。目前还没有建立统一的微观缺陷分类标准。参考传统浇筑混凝土的标准，3DPC中的微裂纹通常定义为宽度在0.1–10 μm之间[76]。直径超过1 mm的孔隙通常被定义为宏观孔隙，而微孔的直径通常小于10 μm[77,78]。CT是量化3DPC内部缺陷的主要技术，因为它可以重建材料的三维内部结构[79]。然而，高分辨率CT对设备、操作和计算资源的要求很高。在小尺度上，密集的骨料也可能引入噪声和模糊伪影，从而降低微观缺陷识别的准确性和定量分析的准确性[80]。与CT相比，SEM在二维缺陷表征方面具有明显优势，包括更高的放大倍数、更好的空间分辨率和更低的成本[81,82]。传统的SEM分析仍然很大程度上依赖于人工解释，这限制了其客观性和重复性[83]。随着深度学习的发展及其在图像分析中的广泛应用，CNN已被用作特征提取器，以识别SEM图像中的复杂成分，从而提高了自动量化的能力。随后，深度学习也被应用于3DPC材料中微观缺陷的检测。如图12a所示，Zhao等人[81,84]使用Transformer架构检测3DPC SEM图像中的微裂纹，并在像素级别测量它们的宽度，实现了83.32%的平均像素准确率（mPA）和6.03%的微裂纹面积比率平均相对误差。为了提高测量精度，采用了一种基于深度学习的超分辨率重建方法来提高原始图像的质量，获得了87.61%的mPA和超过95%的微裂纹宽度测量精度。随后，Zhao等人[85]使用基于深度学习的方法量化了微缺陷的数量、宽度和比例，基于这种方法开发了一个专用检测系统，如图12b所示。因此，用于检测3DPC中微观缺陷的方法正在从基于经验的定性观察向自动化和定量分析发展。未来的研究可以进一步提高检测准确性和鲁棒性，将 these 方法整合到一个多尺度的质量评估框架中。图12. 使用深度学习检测3DPC中的微观缺陷：(a) 微观裂纹测量；(b) 微观缺陷检测系统 [81,84,85]。

5. 未来挑战与预期应用
5.1. 未来挑战
5.1.1. 缺乏质量评估框架
尽管在3DPC的缺陷检测和过程监控方面已经取得了相当大的进展，但一个系统的质量评估框架尚未完全建立 [86,87,88]。大多数现有研究关注特定的监控目标，如尺寸偏差、表面形态、纤维一致性或内部缺陷，但用于评估这些指标的标准往往不一致 [89,90]。不同的研究通常采用不同的评估指标、测试条件和判断阈值，这使得结果难以直接比较或形成对打印质量的统一理解 [91,92,93]。此外，3DPC的质量涉及多个方面，包括几何精度、表面光洁度、层间粘结性能、机械完整性和长期耐久性 [28,94,95,96,97]。这些方面虽然密切相关，但仍然通常以孤立的方式进行分析，而不是在一个综合框架内进行评估。因此，当前的质量评估方法在实际施工场景中仍然缺乏标准化、可比性和系统的适用性。因此，未来的研究需要建立一个更全面的3DPC质量评估系统，为质量判断、技术比较和工程实施提供更可靠的基础。
5.1.2. 数据质量和数量不足
尽管在3DPC质量监控方面，光学传感、机器学习和深度学习方法取得了快速进展，但仍存在几个关键挑战 [98,99]。主要限制之一是可用数据的质量和数量不足。现有的基于深度学习的方法严重依赖于标注的数据集，但收集高质量的3DPC数据仍然很困难 [100,101,102,103]。光照条件、相机角度、打印速度、喷嘴运动、材料流变性和环境温度湿度的变化都可能显著影响打印过程中的图像一致性和数据可靠性 [104]。这些因素增加了构建具有强代表性的稳健数据集的难度。此外，3DPC中缺陷的标注通常需要大量的手动工作和专家知识，特别是对于微妙的几何异常、层间变形和微观缺陷 [85,105]。因此，许多当前的研究仍然基于相对较小的数据集，这限制了训练模型的泛化能力、稳定性和在实际施工场景中的适用性。因此，未来的研究需要建立更大、更多样化和更标准化的数据集，同时改进数据增强、合成数据生成和跨条件数据采集策略，以提高模型的鲁棒性和可转移性。
5.1.3. 获取全面的质量信息
单一的检测方法仍然不足以获取3DPC的全面质量信息 [106]。当前的监控方法通常只关注一个特定目标，如纤维宽度、层高、表面纹理、局部变形或微观裂纹 [107]。虽然这些方法可以为质量评估的某个特定方面提供有用信息，但它们不能完全反映打印结构的整体状况。3DPC的质量本质上是多尺度和多维度的，涉及几何精度、表面形态、层间粘结、材料状态和内部缺陷演变 [108]。仅基于一个传感器或一个算法的监控框架很难同时捕捉到所有这些方面。因此，未来的研究应该朝着多源数据融合和多模态协作监控方向发展，整合不同的传感技术，如RGB成像、深度感知、点云分析和微观成像，以及多种算法方法。
5.1.4. 在复杂条件下的鲁棒性有限
尽管基于视觉的质量监控方法在3DPC中表现出有希望的性能，但它们在复杂条件下的鲁棒性尚未得到充分验证 [109]。大多数现有研究是在相对规则的打印条件下进行的，而实际打印往往涉及曲线路径、方向变化、开始-停止事件和局部重叠 [110]。这些因素会影响挤出稳定性、表面质量和缺陷形成，还可能导致局部时间延迟，从而影响水分蒸发、水合作用和层间粘结 [111,112]。此外，实际施工环境通常涉及变化的光照、灰尘、振动、遮挡和材料变化，这些都可能降低图像质量并削弱缺陷检测的可靠性。因此，当前的基于视觉的方法在复杂现场场景中的适用性可能有限。因此，未来的研究应该在更真实的打印和环境条件下验证监控方法，并进一步探索传感器融合策略，以提高鲁棒性并支持更可靠的质量评估 [113,114]。
5.2. 预期应用
5.2.1. 与建筑信息模型（BIM）结合的应用
BIM为建筑物整个生命周期中的几何信息、施工参数、材料属性和项目协调提供了一个数字平台 [115,116,117]。当BIM与3DPC中的质量监控技术结合时，它支持设计模型与实际打印状态之间的实时比较 [29,118]。在打印过程中获得的监控数据，如几何偏差、层高变化、表面缺陷和尺寸误差，可以持续映射到BIM环境中 [119,120]。这种整合可以提高质量信息的可视化和可追溯性，使其更容易识别与设计结构的偏差，并评估它们对结构性能和施工进度的潜在影响 [121]。因此，将质量监控与BIM结合起来可以促进设计师、工程师和施工管理人员之间的数据共享，从而提高决策效率并增强过程协调。
5.2.2. 打印过程中的主动质量控制
大多数现有研究主要关注缺陷检测、质量评估或后处理分析，但直接使用监控结果进行即时打印调整的应用仍然有限。通过结合实时传感、智能数据分析和自动化控制策略，未来的3DPC系统有望实现闭环质量控制 [106]。在这样的框架中，与纤维形态、沉积精度、层变形或表面缺陷相关的监控结果可以快速分析并反馈给打印系统 [91]。然后，打印机可以根据检测到的异常情况主动调整关键参数，如打印速度、挤出速率、喷嘴 height 或路径规划 [122]。这种应用有潜力减少误差积累，提高结构一致性，并在不同施工条件下的打印可靠性。因此，主动质量控制有望成为实现自主、适应性和智能3DPC施工系统的关键步骤。
5.2.3. 在大型建设项目中的应用
3DPC的监控研究仍主要在实验室规模进行，而未来的应用预计将扩展到大型建设项目 [123]。在全面打印中，监控系统需要处理更广泛的感知范围、更复杂的结构几何形状和更长的打印时间 [3,95]。这需要具有更好空间覆盖范围和更强适应性的监控策略，例如多传感器配置或移动传感系统 [124]。此外，大规模施工将产生更多的监控数据，这对数据传输、处理效率和实时响应提出了更高的要求 [125]。未来的研究应促进更高效的计算框架的发展，以支持大规模监控任务 [126]。来自计算机视觉和人工智能在其他基于水泥和砌体材料方面的相关经验也可能为3DPC监控系统的未来发展提供有用的参考 [95,127,128,129]。这种跨材料的知识可能有助于提高基于视觉的监控方法在大规模建设项目中的实际适用性和可扩展性 [130,131,132,133,134,135,136,137,138,139]。同时，基于视觉的监控方法应进一步与工业打印系统集成，包括设备控制、路径规划和数字管理平台，以提高其在自动化和智能3DPC施工中的实际适用性。

6. 结论性意见
3D打印技术与建筑的结合在革新建筑业方面显示出巨大潜力，提高了效率并减少了环境影响。然而，3DPC的质量识别主要依赖于手动经验和传统的非实时测量，如材料流变性和环境测试。为了提高3D打印混凝土的自动化程度并促进其在大规模和建筑规模施工中的使用，本文回顾了现有的3D打印混凝土质量监控方法。同时，还回顾了这些方法中采用的算法类别、优势与局限性、实时性能、传感器类型和监控方向。基于本研究，得出以下结论：
(1) 传统的机器学习方法和光学图像处理方法，包括基于ToF、LBP、GLCM、高斯滤波和Canny边缘检测的方法，可以捕捉到层高变化、纤维宽度、边界形态和表面纹理等特征，使其可用于初步评估打印质量。然而，这些方法严重依赖于手动定义的阈值和参数设置，使其在复杂和动态的打印环境中的鲁棒性、泛化能力和自动化程度仍然不足。
(2) 深度学习显著提高了3DPC质量监控的准确性和自动化程度。基于CNN和Transformer的方法可以提取更具代表性的特征，并检测比传统光学和传统机器学习方法更复杂的缺陷，而最近的模型改进也提高了实时性能。然而，当前的研究仍然主要关注从一个角度查看表面外观或局部几何异常，这限制了它们全面评估整体打印质量的能力。
(3) 微观缺陷检测对于评估3D打印混凝土的内部质量至关重要，因为这些缺陷强烈影响结构的紧凑性和失效行为。基于深度学习的方法可以更准确和定量地识别微观缺陷，包括微观裂纹宽度、微观缺陷数量和微观缺陷比例的测量。3DPC中的微观缺陷检测正从主观的定性评估向自动化和定量分析转变，尽管在准确性、鲁棒性和多尺度集成方面仍需进一步改进。
(4) 3DPC的质量监控挑战仍然限制了其建立系统质量评估框架、提高数据质量和数量、获取更全面的质量信息以及在复杂施工条件下的鲁棒性。这些仍然限制了当前3DPC监控方法的标准化、可靠性和实际适用性。
(5) 3DPC质量监控的预期应用主要包括BIM辅助的质量管理、打印过程中的主动质量控制以及在大规模建设项目中的应用。这些方向可以提高质量信息的可视化和可追溯性，支持打印参数的实时调整，并促进基于视觉的监控方法在3DPC中的实际可扩展性。