基于图像处理的防火风管耐火极限模拟和优化设计方法

技术领域

本发明涉及建筑安全防护技术，尤其是基于图像处理的防火风管耐火极限模拟和优化设计方法。

背景技术

风管作为防火排烟系统组件，在建筑工程领域有着广泛应用，是保证系统有效性的关键因素。合理可靠的防火排烟系统能够控制测气蔓延速度，延长烟气危害来时间，并且及时排除烟气，保障建筑内人员的安全疏散和消防救援的展开。防火排烟系统的部分组件属于消防产品，按照现行消防法规的有关规定，消防产品必领符合国家标准；没有国家标准的，必须符合行业标准，依法实行强制性产品认证。长期以来，喷涂防火涂料一直是应用最多的钢结构防火保护手段，早在20世纪50年代欧美、日本等国家就广泛采用防火涂料保护钢结构。20世纪80年代初期，国内开始在一些重要钢结构建筑中采用防火涂层保护，但防火涂料均为进口，1985年后国内研制了多种钢结构防火涂料，并已应用于很多重要工程中，为促进钢结构防火涂料生产，应用的标准化和规范化，国家先后颁布实施了相关标准和规程，获得了较好的经济社会效果。

在工程实践中，许多项目在风管外表面（比如镀锌钢板）涂覆防火涂料，用于防火排烟系统，但是这种设计能否作为防火保护措施，根据现有规范，没法进行判断。风管的形状材料参数，以及防火涂料的型号众多，如何快速地得到耐火极限数据，从而判断是否符合防火标准，目前还没有很好的解决方案。

综上，针对风管耐火极限的研究，目前还不完善，需要提供新的解决方案。

发明内容

发明目的，提供一种基于图像处理的防火风管耐火极限模拟和优化设计方法，以解决现有技术存在的上述问题。

技术方案，基于图像处理的防火风管耐火极限模拟和优化设计方法，包括如下步骤：

步骤S1、构建防火风管耐火极限模拟系统，包括：

至少一个防火风管实验池、设置在防火风管实验池中的防火风管安装架、安装在防火风管安装架上的防火风管，位于防火风管一端的点火装置，以及设置在实验池外部预定位置的红外传感器和工业激光相机；所述防火风管上至少有两个沿防火风管长度方向平行设置的防火涂料涂覆区域；

步骤S2、开启点火装置和红外传感器，进行第一阶段模拟，获取防火涂料涂覆区域的温度场数据；当接收到防火风管外部产生火焰的信号，或者防火涂料膨胀变形信号后，开启工业激光相机，进入第二阶段模拟，获取防火风管的表面形变数据；

步骤S3、调取温度场数据和表面形变数据，生成防火风管的温度场图像和表面形变图像，并进行图像优化，获得优化后的温度场图像和表面形变图像；

步骤S4、基于优化后的温度场图像和表面形变图像，分析防火涂层的失效行为，并确定耐火极限，根据失效行为和耐火极限，输出防火风管的优化设计方案。

有益效果，通过构建新的模拟测试平台，可以同时模拟测试多组防火涂料，而且能给获取整个工作过程中的涂料变化过程数据，大大提高了防火风管的模拟效率，相关技术优势将在下文结合实施例进行详细描述。

附图说明

图1是本发明的流程图。

图2是本发明实施例的标准升温曲线图。

图3是本发明实施例的不同涂料耐火极限对应涂层厚度。

具体实施方式

如图1至图3所示，基于图像处理的防火风管耐火极限模拟和优化设计方法，包括如下步骤：

步骤S1、构建防火风管耐火极限模拟系统，包括：

至少一个防火风管实验池、设置在防火风管实验池中的防火风管安装架、安装在防火风管安装架上的防火风管，位于防火风管一端的点火装置，以及设置在实验池外部预定位置的红外传感器和工业激光相机；所述防火风管上至少有两个沿防火风管长度方向平行设置的防火涂料涂覆区域；

步骤S2、开启点火装置和红外传感器，进行第一阶段模拟，获取防火涂料涂覆区域的温度场数据；当接收到防火风管外部产生火焰的信号，或者防火涂料膨胀变形信号后，开启工业激光相机，进入第二阶段模拟，获取防火风管的表面形变数据；

步骤S3、调取温度场数据和表面形变数据，生成防火风管的温度场图像和表面形变图像，并进行图像优化，获得优化后的温度场图像和表面形变图像；

步骤S4、基于优化后的温度场图像和表面形变图像，分析防火涂层的失效行为，并确定耐火极限，根据失效行为和耐火极限，输出防火风管的优化设计方案。

在本实施例中，测试平台可以在受控条件下对防火风管进行标准化、可重复的耐火性能测试，为后续的数据分析和优化设计提供可靠的实验基础。同时，多传感器的联合监测，可以全面采集风管在高温火灾情景下的热响应和变形数据，为深入理解风管失效机理提供丰富的数据支撑。

采用分阶段模拟策略，先利用红外传感器采集风管表面温度场数据，当检测到风管起火或涂层开始破坏时，再启动激光相机采集表面形变数据。这种分阶段的模拟方式，可以根据风管失效的动态过程，有针对性地调整数据采集手段和频率，在提高数据采集效率的同时，降低数据冗余和资源浪费。此外，该方案融合了热成像和形变测量数据，可以从热力和力学角度对风管失效行为进行多角度、全方位的表征，拓宽了失效机理分析的路径。

通过对温度场图像和形变场图像进行图像增强、分割、特征提取等处理，可以自动、高效地定位涂层破坏区域，刻画涂层开裂、脱落等失效模式的定量特征。基于此，结合涂层失效的物理机理和评价准则，就能定量评估涂层的耐火极限。与传统的涂层失效评估方法相比，该方案充分利用了风管表面成像数据，可以实现涂层失效过程的可视化表征和精细化评估，大大提升了涂层失效分析的精度和效率。

在涂层耐火极限评估的基础上，进一步建立了面向设计优化的闭环。通过将涂层失效数据反馈到风管设计参数中，并结合风管结构和涂层材料的仿真分析，可以针对性地调整风管结构细节和涂层配方工艺，生成改进的风管优化设计方案，形成"分析-设计-优化"的正反馈设计闭环。这种仿真优化与实验评估相结合的设计改进范式，可以显著缩短防火风管的设计优化周期，提高风管的耐火性能裕度。

在本申请的另一实施例中，在消防排烟风机的作用下，高温烟气通过排烟口吸入到风管中并通过排烟防火阀输送到末端排出建筑外，这属于内部受火条件。防烟系统为加压送风系统，高温烟气不会直接从送风口进入风管内，不需要进行内部受火条件试验。但无论是排烟和防烟风管都可能穿越火场，管道内处于补风或排出烟气的状态，管道外部受火作用下，需要维持补风和烟气输送的功能，因此管道必须具备在外部受火条件下满足耐火性能要求的能力。根据相关要求，防烟风管的耐火性能应按外部受火条件进行试验，排烟风管的耐火性能应按内部和外部受火条件分别进行试验。防烟排烟风管在建筑中分为水平和垂直两种安装形式，主要以水平方式为主，垂直管道主要布设在管道井中，在管道竖井的保护下，这部分风管的防火风险可控，因此耐火性能试验方法以水平安装为主。

内部受火条件耐火性能试验前，开启并调节引风机和调节阀，使风管内气体流速保持在（3±0.45）m/s。试验装置点火后，当管道末端截面上烟气平均温度达到 50℃，开始记录试验开始时间。调节炉温，应使管道末端烟气平均温度在2min 内达到 280℃，同时应调节引风机、变频器等使管道内烟气流速稳定在（3±0.45）m/s。整个试验过程控制管道末端烟气平均温度在 280℃~310℃内，从试验开始 5min 后，应使燃烧条件和气流状态达到稳定，并保持控制条件不变。

应记录试验至 10min 时稳定状态下的烟气流量，并设定为烟气流量初始值（V 0 ），后续试验过程中应继续实时监测烟气流量（V 1 ）。试验开始 25min 后，应隔断管道内的烟气流动，模拟风机处于关闭状态，保持 5min，在此期间持续监测风管试件 的完整性和隔热性。随后重新连通管道，使烟气流动状态与隔断前保持一致。每30min 为一个试验周期，并在每个试验周期结束前 5min 重复上述操作，直到风管试件达到耐火极限。

外部受火条件耐火性能试验前，开启并调节引风机和调节阀，使风管内压力低于大气压力（300±15）Pa。试验装置点火后开始记录试验开始时间。炉内温度应满足相关规范中规定的升温条件，如图2所示。整个试验期间保持管道内压力低于大气压力（300±15）Pa。当风管试件达到耐火极限时，试验可终止。如图3所示，可以由防火涂料涂层厚度对风管耐火性能影响，转变为防火涂料耐火极限对风管耐火性能影响，既可以统一不同防火涂料判定依据，又可以降低试验成本。

在本申请的另一实施例中，步骤S2中，可以采用硬件触发的方式，通过外部触发信号同步红外传感器和激光相机的数据采集过程。触发信号可以是定时脉冲信号，也可以是与风管失效过程相关的物理事件(如温度阈值触发)。数据采集过程中，需要记录每一帧数据的时间戳，以便后续进行数据对齐和融合。时间戳精度应满足分析任务的需求，一般毫秒级或微秒级精度即可。

在本申请的另一实施例中，针对红外图像，可采用自适应直方图均衡化算法增强图像对比度，然后用小波变换或双边滤波算法对图像进行降噪。针对激光散斑图像，首先利用散斑相关法计算散斑图样的位移场和应变场，然后对位移场进行平滑滤波，以消除噪声干扰。优化目标可设置为图像信噪比(SNR)、互信息(MI)等指标。SNR度量图像的信号强度和噪声水平之比，MI度量两幅图像间的统计相关性。在迭代优化过程中，通过最大化SNR或MI来寻找最优的图像增强参数。

根据本申请的一个方面，所述步骤S4进一步为：

步骤S41、获取优化后的温度场图像和表面形变图像，提取涂层失效图像；

利用图像分割、目标检测等计算机视觉技术，从优化后的温度场图像和表面形变图像中自动提取涂层失效区域，得到精确的涂层失效图像，可以显著提高涂层失效分析的效率和精度，减少人工识别的主观性和不确定性。

步骤S42、分析涂层失效图像的分数维数特征，构建分数维数与涂层失效模式的映射关系；

通过分析涂层失效图像的分数维数特征，实现涂层失效模式的定量表征和识别。分数维数能够刻画涂层失效形态的空间填充特性和自相似性。通过提取涂层失效区域的局部分形维数，并分析其概率分布特征，可以构建分数维数特征与失效模式之间的映射关系。一般可以采用基于小波变换、盒维数等多种分形维数估计方法，从多个尺度提取涂层失效图像的分形特征。

步骤S43、计算涂层失效图像的张量场，构建每一涂层失效模式的涂层失效定量特征；

通过将涂层失效图像序列表示为时空张量场，提取张量场的高阶不变量特征，构建涂层失效的定量评价指标体系。张量场能够统一表征涂层失效过程中的多物理场耦合效应，如温度场、应力场、位移场等，其高阶不变量(如张量熵、张量模、张量迹等)蕴含了丰富的涂层失效动力学信息。通过分析张量不变量的时空演化规律，可以刻画不同失效阶段的定量特征。

步骤S44、基于每一涂层失效模式的涂层失效定量特征和分数维数，确定耐火极限；

综合利用步骤S42和S43提取的涂层失效定量特征和分数维数，建立涂层失效过程的多元指标评价体系，进而确定防火涂层的耐火极限。通过引入机器学习模型，将涂层失效特征映射到耐火极限，可以克服传统单一失效准则的局限性，提高耐火极限预测的准确性和可靠性。

步骤S45、基于实验参数和涂层失效数据，构建涂层失效的知识图谱，分析涂层失效原因并给出优化方案。

通过融合多源异构数据，挖掘涂层材料、涂层工艺、环境因素、失效机理等多维度信息之间的关联规律，形成涂层失效知识的语义网络表示。基于知识图谱，可以实现涂层失效原因的快速溯源和诊断，并利用推理引擎、优化算法等人工智能技术，自动生成防火涂层优化设计方案，形成"分析-诊断-优化"的智能闭环。

根据本申请的一个方面，所述步骤S42进一步为：

步骤S421、读取提取涂层失效图像，采用小波分形法对涂层失效图像进行多尺度分解和重构，提取每一尺度下的局部特征，局部特征包括纹理和边缘；

步骤S422、基于小波变换的高频系数计算涂层失效图像在不同尺度下的局部分形维数，以获取定量刻画局部区域的形态复杂程度数据；

步骤S423、逐一分析局部分形维数的尺度分布规律，构建多尺度分形谱。

步骤S424、基于基本LBP编码将涂层失效图像转化为一个基本LBP特征谱，并提取反映失效区域纹理特点的旋转不变和灰度不变的基本LBP特征；

步骤S425、基于椭圆LBP编码，将涂层失效图像转化为一个椭圆LBP特征谱，提取反应失效区域每一方向、每一尺度的椭圆LBP特征；

步骤S426、融合基本LBP特征和椭圆LBP特征，形成一组多尺度多方向的LBP特征向量；采用多核学习方法，将各个尺度、各个方向的LBP特征进行优化组合，得到一个统一的LBP特征描述子。

步骤S427、构建并训练分形卷积神经网络，并引入空间注意力和通道注意力机制，以预定的分形维数在涂层失效图像上进行采样，提取每一尺度自相似特征；

步骤S428、基于训练后的分形卷积神经网络，形成分数维数与涂层失效模式之间的映射关系。

在本实施例中，利用小波变换来实现图像的多尺度分解，通过分析不同尺度下小波系数的统计特性(如奇异性指数)，来揭示图像纹理的分形特征，小波基函数的形状也体现了一定的自相似结构。这种方法计算各尺度下的全局分形维数特征。全局分形特征对图像的整体纹理复杂度有很好的刻画能力，但可能忽略了图像局部区域的细节特征。

LBP编码通过比较中心像素与邻域像素的大小关系，得到一个局部二值模式，反映了图像局部纹理的空间分布特征。不同尺度下的LBP编码结果具有尺度不变性，即在图像放大或缩小时，LBP编码所反映的纹理基元结构保持不变。尺度不变性与分形几何的自相似性有着内在的一致性。LBP编码通过提取图像局部邻域的二值模式，得到反映局部纹理结构的LBP特征谱。这种局部编码方式可以很好地捕捉图像的细节纹理信息，并具有旋转不变性和灰度不变性等优良性质。

分形卷积神经网络引入了分形采样和分形卷积核的设计思路。网络在多个尺度下提取图像的自相似特征，并通过分形卷积核来刻画不同尺度特征之间的尺度关系，从而实现对图像分形特征的端到端学习。分形卷积神经网络自动提取图像在不同尺度下的分形特征，避免了手工设计特征的局限性。同时，擅长学习层次化的特征表示，可以兼顾局部细节和全局语义，对复杂纹理的刻画能力更强。

通过三种方法的综合，通过利用在特征表示、提取方式等方面存在的差异和互补，可以针对不同涂料的应用场景和性能要求进行灵活选择和组合，提高了方法的鲁棒性。

根据本申请的一个方面，所述步骤S421进一步为：

步骤S4211、读取涂层失效图像，进行离散小波分解，得到各尺度下的小波系数；

步骤S4212、在每个尺度下，对小波系数取模，得到模值系数；

步骤S4213、提取各尺度下的模极大值的系数；

步骤S4214、对每个模极大值对应的点，利用其不同尺度下的模极大值计算局部奇异性指数。

根据本申请的一个方面，所述步骤S43进一步为：

步骤S431、将涂层失效图像依序转化为高阶张量场，形成图像张量序列，采用Tucker分解将高阶张量场分解为一个核心张量和若干因子矩阵的乘积；

步骤S432、将图像张量序列嵌入到用于描述涂层失效行为演化轨迹的高维流形；

步骤S433、在高维流形中提取平均曲率、高斯曲率和张量熵作为涂层失效定量特征。

根据本申请的一个方面，所述步骤S44进一步为：

读取涂层失效定量特征，建立涂层失效定量特征、分数维数和涂层失效关键参数的回归关系。

在本申请的另一实施例中，处理流程具体如下：

基于小波分形的涂层失效图像多尺度分析：

1)、小波分解:对涂层失效图像f(x，y)进行J层离散小波分解，得到各尺度下的小波系数W

W

=∫

其中，Ψ

2)、模极大值系数提取:在每个尺度下，对小波系数W

3)、局部奇异性指数估计:对每个极大值点(x

log

其中，c为常数。α(x

4)、多尺度分形谱构建:统计各奇异性指数α的出现频率，得到奇异性指数的概率分布P(α)。定义多尺度分形谱D(α)为:

D(α)=lim（（logN

其中，N

基于局部二值模式编码的涂层失效图像纹理分析的过程如下：

1) 基本LBP算子:对于图像中的每个像素gc，考虑其邻域半径为R的P个采样点{g0，g1，…，g（P-1）}。将采样点的灰度值与中心像素gc作比较，得到一个P位二进制编码：

LBP

2) 旋转不变LBP算子:为了提取旋转不变的纹理特征，定义旋转不变LBP算子为:

LBP

3) 方向性LBP算子:为了增强LBP对方向性纹理(如裂纹)的表征能力，引入椭圆形LBP算子。定义椭圆LBP算子的采样点坐标为:

x

y

其中，(R，θ)为椭圆的长轴半径和旋转角度。通过改变(R，θ)，可以得到不同方向、不同尺度的椭圆LBP特征，增强对方向性纹理的刻画能力。

4) 多尺度LBP特征融合:在不同参数(P，R)下，提取图像的旋转不变LBP特征和椭圆LBP特征，得到一组多尺度、多方向的LBP特征向量{f

基于深度学习的涂层失效分数维数特征自动提取的过程可以为：

1)、分形卷积神经网络FractalNet:设计FractalNet的核心是分形卷积层。传统卷积层通过滑动窗口提取局部特征，难以刻画图像的自相似性。分形卷积层采用分形采样策略，以一定的分形维数在图像上进行采样，提取多尺度自相似特征。设第l层分形卷积的输出为F

F

其中，W

2)、注意力机制:在FractalNet中引入空间注意力和通道注意力。空间注意力通过生成空间注意力图，自适应地关注图像的显著区域。通道注意力通过学习不同卷积特征通道的重要性权重，自适应地强调信息量大的特征通道。将空间注意力和通道注意力相乘，得到注意力增强的特征图:

F

其中，M

3) 分数维数回归:在FractalNet的顶层，提取深层分形特征，送入全连接层和回归层，预测涂层失效区域的分数维数。回归损失可采用均方误差(MSE)。通过端到端训练，FractalNet可以从大量涂层失效图像中自动学习到分数维数特征提取器，实现分数维数的精准预测。

总之，在本实施例中，提出了一种基于小波分形的多尺度分析方法，通过奇异性指数概率分布刻画涂层失效形貌的多尺度分形特性；构建了一种多尺度、多方向的LBP纹理描述子，融合旋转不变性和方向敏感性，增强了对涂层失效裂纹、脱落等典型缺陷的刻画能力；设计了一种新颖的分形卷积神经网络FractalNet，引入分形卷积和注意力机制，实现了端到端的涂层失效分数维数特征自动提取与预测。这些方法为定量表征涂层失效形貌的复杂性、不规则性提供了新的思路，有望从数学和物理的角度揭示涂层失效机理，为涂层失效的精准诊断和预警提供新的依据。

在本申请的另一实施例中，具体数据处理流程如下：

将涂层失效图像表示为一个高阶张量场T∈R

2)、张量分解:采用Tucker分解将高阶张量场T分解为一个核心张量G和若干因子矩阵U

T=G×

3)、流形嵌入:将涂层失效图像张量序列T

ds

4)、张量不变量提取：在流形M上定义一系列张量不变量，作为涂层失效的定量评价指标。例如，可以定义张量场的平均曲率H和高斯曲率K:

，

；

其中，g^{ij}为度量张量的逆矩阵。平均曲率H反映了张量场的局部弯曲程度，高斯曲率K反映了张量场的内蕴几何性质。另外，还可以定义张量熵S，张量熵S反映了张量场的无序程度和复杂性。通过回归分析，可以建立张量不变量与涂层失效关键参数(如失效面积、失效深度等)之间的定量关系，实现涂层失效的定量表征。

步骤S4.3:涂层失效的多模态图像融合与增强

1) 多模态图像配准:对不同成像模态(可见光、红外、光谱等)下的涂层失效图像进行配准，消除由成像视角、成像距离等因素引起的几何失真。常用的配准方法有基于特征的配准(如SIFT、SURF等)和基于区域的配准(如互信息、相关系数等)。配准过程可以通过优化某个相似性度量J来实现:

T

其中，I1，I2为待配准的两幅图像，T为配准变换(如仿射变换、透视变换等)。

2) 多模态图像融合：设计一种多尺度、多方向的图像融合框架，将配准后的多模态涂层失效图像进行融合。以小波变换为例，设两幅待融合图像为I1(x，y)和I2(x，y)，它们的小波分解系数分别为C

C

其中，w

3) 图像增强:针对融合后的涂层失效图像，采用深度学习方法进行图像增强，提升图像的视觉质量。以卷积神经网络(CNN)为例，设计一个端到端的图像增强网络，将原始图像IF映射为增强图像IE:

IE=f

其中，f

L(Θ)= λ

其中，L

4) 多模态图像质量评价:构建一个涂层失效的多模态图像质量评价体系，综合考虑不同成像模态对涂层失效表征的贡献度。可以从图像的信息量、清晰度、对比度、信噪比等方面设计一系列无参考图像质量评价指标，如结构相似性(SSIM)、梯度幅值相似性偏差(GMSD)等。然后，采用加权融合的方式，得到涂层失效图像的综合质量评价指标Q:Q=∑

其中，q

总之，在本实施例中，将张量场理论引入涂层失效图像分析，通过张量分解和流形学习，提取蕴含在高维张量中的失效特征提出了一系列新的张量不变量作为涂层失效的定量指标，建立了张量不变量与失效参数之间的映射关系；设计了一种多尺度、多方向的图像融合框架，充分利用多模态图像的互补信息，增强涂层失效的特征表示；发展了基于深度学习的涂层失效图像增强方法，显著提升了涂层失效的视觉分辨能力。

根据本申请的一个方面，所述步骤S1中，防火风管耐火极限模拟系统还包括斯托克斯/反斯托克斯拉曼成像装置，用于对火焰中的化学组分进行二维/三维成像，获取火焰的组分分布信息；并结合红外传感器的火焰成像，获取火焰与涂层表面的温度分布，实现火焰-涂层的温度场与组分场的融合。

在本申请的另一实施例中，一个实施例如下：

步骤S1:构建防火风管耐火极限模拟系统。

搭建一个尺寸为2m×2m×4m的防火风管实验池，池壁采用加厚防火板，内部填充耐火棉材料，模拟风管所处的建筑环境。在实验池中安装一个长度为3m的圆形钢制风管，作为实验用的防火风管。风管两端通过法兰与实验池壁固定连接，风管外表面设置3个涂覆区域，每个区域长1m，涂覆厚度分别为1mm、2mm、3mm。在防火风管一端安装一个30万大卡的燃气燃烧器，通过控制燃气流量和空气比例，模拟不同火灾强度下的热流条件。在实验池外布置1个红外热像仪和1台激光三维扫描仪，分别用于采集风管表面温度场和变形场数据。红外热像仪的温度范围为-20℃~650℃，空间分辨率为640×480；激光扫描仪扫描精度0.1mm，采样频率1MHz。

步骤S2:开展分阶段耐火极限模拟实验。

点燃燃烧器，调节燃气流量，使风管入口处热流强度达到30kW/m²，持续加热15min，每隔3s采集一次风管表面红外热图。当风管表面任一位置测温点温度达到500℃，或涂层开始出现膨胀变形时，启动激光扫描仪，每隔1min扫描一次风管表面三维形貌，直至实验结束。实验过程中，通过高清摄像机记录风管外观变化和烟气流动情况；通过K型热电偶测量风管进出口烟气温度；通过孔板流量计测量风管内烟气流速。实验数据通过数据采集卡实时传输到计算机终端。

步骤S3:温度场与形变场图像的生成与优化。

将红外图像序列和三维点云数据导入软件，编写图像配准程序，通过特征点匹配和仿射变换，实现不同时间、不同模态图像的空间配准，生成一致化的温度场和形变场图像。

针对红外图像，采用自适应直方图均衡化算法CLAHE增强图像对比度，再用非局部均值滤波算法NLM去除高频噪声，得到清晰、平滑的风管表面温度分布图。针对激光扫描图像，采用快速随机采样一致算法RANSAC提取风管表面三角网格，通过高斯平滑和Taubin滤波处理网格噪声，得到精细、光顺的风管表面形变三维模型。

步骤S4:涂层失效行为分析与寿命预测。

步骤S41:读取风管加热30min时的温度场和形变场图像，通过阈值分割和轮廓提取，得到3个涂覆区域的失效图像。

步骤S42:基于分数维分析方法，表征涂层失效图像的形态复杂性。

采用Haar小波基，对失效图像进行5级离散小波分解，提取小波系数的模值，计算每个尺度下的局部Holder指数，得到涂层失效区域的多尺度分形维数谱。

采用半径为3的8邻域LBP算子，以及长短轴比为2的椭圆LBP算子，提取失效图像的局部二值模式特征；通过KPCA核主成分分析，实现多尺度、多方向LBP特征的降维融合，形成72维LBP特征向量。

构建含3个分形卷积层的FractalNet网络，在ImageNet数据集上预训练，然后在涂层失效图像数据集上进行微调，学习得到9种典型失效模式(如裂纹、脱落、鼓泡等)与分形维数的判别模型，分类精度达到91%。

步骤S43:基于张量场分析方法，表征涂层失效过程的动力学演化特性。

步骤S431:将500帧涂层失效图像序列表示为6阶时空张量，采用HOSVD分解方法，得到尺寸为9×12×8×6×4×3的核心张量和6个特征基矩阵。

步骤S432:利用t-SNE流形学习算法，将涂层失效图像序列嵌入到一个由512个神经元组成的三层自编码网络中，通过无监督逐层预训练，获得张量流形的低维嵌入表示。

步骤S433:定义张量平均曲率、高斯曲率、张量商作为涂层失效过程的定量特征，通过多元线性回归，建立特征量与失效面积、失效深度的定量关系，残差均方根误差分别为0.5%、2.1%。

步骤S44:针对不同涂覆区域，分别计算其涂层的分数维数特征和张量不变量特征，结合温升曲线的斜率变化，判定其耐火极限。结果表明，1mm、2mm、3mm厚度的纳米陶瓷基复合涂层，其耐火极限时间分别为23min、39min、57min。

步骤S45:收集不同厚度、不同施工工艺的涂层配置参数，以及对应的失效模式、失效时间等实验数据，通过因果关系挖掘、本体构建等方法，形成一个包含132个实体、527条关系的涂层失效知识图谱；应用图卷积网络GCN进行关系推理和语义搜索，构建涂层配方、施工工艺与失效模式之间的映射模型；采用NSGA-III多目标优化算法，得到兼顾防火性能和成本的最优涂层厚度为2.4mm，最优固化温度为200℃。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。