CN108724733A - 一种面向面曝光3d打印的视觉监视反馈方法 - Google Patents
一种面向面曝光3d打印的视觉监视反馈方法 Download PDFInfo
- Publication number
- CN108724733A CN108724733A CN201810462227.6A CN201810462227A CN108724733A CN 108724733 A CN108724733 A CN 108724733A CN 201810462227 A CN201810462227 A CN 201810462227A CN 108724733 A CN108724733 A CN 108724733A
- Authority
- CN
- China
- Prior art keywords
- exposure
- camera
- curve
- obtains
- molding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
Landscapes
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
Abstract
一种面向面曝光3D打印的视觉监视反馈方法涉及智能化控制和机器学习技术领域。该方法步骤:相机摆放位置确定:根据面曝光投影仪的位置,计算出相机位置,避免拍摄到的杂光影响监控;灰度变化曲线的获取:在曝光时间内等时间间隔自动获取监视区域的视觉图像,从而获取每个监视区域等长度图像平均灰度变化曲线,通过实验,得到成型成功与成型失败时的成型曲线;灰度曲线识别:将得到的成型成功与成型失败的曲线用KNN分类算法进行分类,并对分类之后结果进行测试,得到最终的KNN算法中的K值使得分类的准确率最高,并根据分类结果判断打印状态来控制机械系统运动。本发明可以提高打印材料利用率,节省打印时间。
Description
技术领域
本发明涉及智能化控制和机器学习技术,具体涉及对相机所拍摄的面曝光图像进行处理,并对拍摄图像的曝光区域进行亮度分析,得到其成型曲线,通过把得到的曲线与分类好的样本进行相似度比较,从而实现对面向面曝光 3D打印的视觉监视反馈方法的研究与实现。
背景技术
3D打印机诞生于20世纪80年代中期,是由美国科学家最早发明的。3D 打印机是指利用3D打印技术生产出真实三维物体的一种设备,其基本原理是利用特殊的耗材(胶水、树脂或粉末等)按照由电脑预先设计好的三维立体模型,通过黏结剂的沉积将每层粉末黏结成型,最终打印出3D实体。快速成形技术以其加工速度快、成本低,广泛应用于产品开发阶段的模型制作。3D打印是快速成形技术的一种,它首先将物品转化为3D数据,然后运用粉末状金属或塑料等可粘合材料,逐层分切打印。模具制造、工业设计用于建造模型,现正发展成产品制造,形成“直接数字化制造”。目前已形成多种不同的快速成形工艺,如立体光固化(SLA)、层合实体制造(LOM)、熔融沉积造型 (FDM)、选域激光烧结(SLS)、三维打印(3DP)、面曝光打印等。其中,面曝光打印一次成型一个面,打印速度快,精度高,数字光处理技术(DLP)是面曝光打印的一种,技术较为成熟且稳定性好,但就目前而言,基于DLP技术的 3D打印的成型率一般在70%-80%之间,只有在产品基本打印成型后才能判断产品是否合格,倘若不合格,则又需重新开始产品的整体打印,这样既造成了材料的浪费,又耗费了打印时间。所以,目前基于DLP技术的3D打印,在节省材料和节省时间上还可以得到更好的发展。
发明内容
本发明实施例将提供一种面向面曝光3D打印的视觉监视反馈方法,主要根据成型曲线的分类效果来监控反馈打印是否继续,从而提高面曝光3D打印的材料利用率,并且节省了打印时间。
为解决上述技术问题,本发明实施例采用如下技术方案:
一种面向面曝光3D打印的视觉监视反馈方法,包括以下步骤:
步骤100、根据面曝光投影仪的位置,计算出相机合理的摆放位置,避免因投影镜头的眩光效应对拍摄到图像造成影响;
步骤200、根据步骤100的视觉图像与光学投影位置关系,在曝光时间内等时间间隔自动获取监视区域的视觉图像,从而获取每个监视区域等长度图像平均灰度变化曲线,通过实验,得到成型成功与成型失败时的成型曲线;
步骤300、对步骤200得到的成型成功与成型失败的曲线用K最近邻 (KNN,K-NearestNeighbor)分类算法进行分类,并对分类之后结果进行测试,得到最终的KNN算法中的K值使得分类的准确率最高,并判断打印状态;
步骤400、根据步骤300打印状态的判断来控制机械系统运动。
其中,根据面曝光投影仪的位置,计算出相机合理的摆放位置,避免因投影镜头的眩光效应对拍摄到图像造成影响的步骤100包括:
面曝光需要较强的入射光才能使树脂固化,故当较高的入射光经过镜头中多组镜片反射最终成像时,不可避免的就会形成眩光现象;
计算机获取投影仪的最大分辨率,并借助投影仪在打印槽上投出同等分辨率的网格图像,投影仪投出的网格线较为模糊,调节投影仪的焦距,直至网格线变清晰;
获取清晰的网格图像后,将网格图像换成纯白色图片投出,这时保持投影仪的位置不变,以投影仪的镜头中心为原点建立三维坐标系,以此来调整相机的位置;
将相机拍摄出的图片投在电脑屏幕上,屏幕上出现投影仪投出的纯白色图像以及因眩光效应产生的光斑,水平面上移动相机使电脑屏幕上纯白色图片边缘临近消失,获得相机位置坐标的(Xmax,Ymax),接着移动相机直至光斑临近纯白色图片边缘,获得相机位置坐标的(Xmin,Ymin),在保证相机拍摄到的图片投在电脑屏幕上时是完整清晰且纯白色图片上无光斑干扰的情况下,确定水平方向上相机的位置坐标范围(Xmin~Xmax,Ymin~Ymax);
再根据二次成像原理算法公式 [x∈(xmin,xmax),y∈(ymin,ymax)],(其中焦距用φ表示,物距用U表示,芯片尺寸用S表示,投影视野用V表示,投影仪镜头距离打印槽的高度用H 表示,相机的三维坐标分别用x,y,z表示),确定相机位置坐标的Z值。
其中,根据步骤100的视觉图像与光学投影位置关系,在曝光时间内等时间间隔自动获取监视区域的视觉图像,从而获取每个监视区域等长度图像平均灰度变化曲线,通过实验,得到成型成功与成型失败时的成型曲线的步骤200包括:
对每一张模型切片根据前面确定的视觉图像与光学投影位置关系进行分区域监视,在曝光时间4秒内,每秒10帧采样间隔自动获取监视区域的视觉图像;
对待打印模型进行切片处理,得到的切片图像分为黑白两个区域,白色区域为打印模型的单层形状,然后对全部切片为进行或运算,有白色的即为1,同黑色则为0,从而得到模型的最大曝光区域;
根据最大曝光区域对应打印平面的位置,对曝光图像进行裁剪,获得打印过程中的曝光区域,并针对曝光区域逐像素点进行处理;
首先判断每个曝光时间段内切片的像素灰度,采集一个曝光时间段内切片的白色区域为监视区域,在监视区域内对每张图片相同位置的像素点进行亮度统计,每个监视点获得其图像灰度变化数据,从而获取每个监视点的等长度图像平均灰度变化曲线;
通过对每个像素点进行实时监视,实现整个成型曝光平面分区域控制,通过实验,最终得到成型成功与成型失败时的成型曲线。
其中,对步骤200得到的成型成功与成型失败的曲线用K最近邻(KNN, K-NearestNeighbor)分类算法进行分类,并对分类之后结果进行测试,得到最终的KNN算法中的K值使得分类的准确率最高,并判断打印状态的步骤300 包括:
首先根据步骤200得到的灰度变化曲线,进行长度归一化,用归一化结果曲线进行参数拟合;
然后将归一化后的结果用KNN进行分类,将其中的一部分作为训练集,另一部分作为测试集,得到正负标签基准值,并通过多次实验得到K值为4 时准确率最高(其中K值是使用KNN分类算法时定义的一个特征样本空间中与特征样本最邻近的样本个数);
由于3D打印过程中引起错误率的原因不一,导致多种负样本无法进行模拟实验,对于这一问题,一方面通过曲线模拟生成部分负样本,另一方面,在实验过程中,根据正负样本比例,剔除变化趋势相同的几组负样本,将新出现的负样本加入到样本集中,以此来保证样本的均衡性;
最后在打印实验的过程中,将一个曝光时间内得到数据放入KNN中与得到的正负标签基准值进行比较分类,根据分类的结果判断打印状态,若为正样本则打印继续,若为负样本则停止打印。
其中,根据步骤300打印状态的判断来控制机械系统运动的步骤400包括:
根据步骤300的判断结果来对机械进行控制,将对成型成功与成型失败时的曲线的分类效果反馈给打印机,若分类为正样本,则提取下一个切片,控制机械系统运动,继续打印切片,若分类为负样本,则控制机械停止打印。
本发明实施例的一种面向面曝光3D打印的视觉监视反馈方法具有如下优点:
1)提高材料利用率;
2)提高打印产品成功率;
3)节省打印时间;
附图说明
图1是根据本发明实施例的一种面向面曝光3D打印的视觉监视反馈方法的流程图。
图2调节焦距时所用的网格图像示例图。
图3是视觉图像与光学投影位置坐标关系示意图。
图4(a)为KNN分类原始数据所得正样本曲线示例图,图4(b)为KNN 分类归一化数据所得正样本曲线示例图。
图5是不同K值对应的准确率分布曲线
具体实施方式
下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
本发明提供一种面向面曝光3D打印的视觉监视反馈方法,通过对每一张图片进行逐像素点处理,并对逐像素点后得到的图片的同一像素点进行亮度分析统计,获取每个像素点等长度图像平均灰度变化曲线,对这些曲线进行分类判别,从而获得打印状态,来达到对面向面曝光3D打印的视觉监视反馈效果。
面曝光3D打印机,主要使用投影仪作为光源,进行逐层曝光,打印过程中产生的打印误差,并不能及时发现,只有当打印完成时才能发现打印产品不合格,这样既浪费了打印材料,又浪费了打印时间。因此,设计出一种算法应用于面曝光3D打印的视觉监视反馈。
图1为本发明实施例的一种面向面曝光3D打印的视觉监视反馈方法的流程图。
本发明实施例提出一种面向面曝光3D打印的视觉监视反馈方法,包括:
步骤100、根据面曝光投影仪的位置,计算出相机合理的摆放位置,避免因投影镜头的眩光效应对拍摄到图像造成影响;
步骤200、根据步骤100的视觉图像与光学投影位置关系,在曝光时间内等时间间隔自动获取监视区域的视觉图像,从而获取每个监视区域等长度图像平均灰度变化曲线,通过实验,得到成型成功与成型失败时的成型曲线;
步骤300、对步骤200得到的成型成功与成型失败的曲线用K最近邻 (KNN,K-NearestNeighbor)分类算法进行分类,并对分类之后结果进行测试,得到最终的KNN算法中的K值使得分类的准确率最高,并判断打印状态;
步骤400、根据步骤300打印状态的判断来控制机械系统运动。
其中,处理步骤100包括:
步骤110、面曝光需要较强的入射光才能使树脂固化,故当较高的入射光经过镜头中多组镜片反射最终成像时,不可避免的就会形成眩光现象;
步骤120、计算机获取投影仪的最大分辨率,并借助投影仪在打印槽上投出同等分辨率的网格图像,如图2所示,网格图投影到打印槽上,当焦距不合适时,投影仪投出的网格线较为模糊,调节投影仪的焦距,直至网格线变清晰,以此获取清晰较好的图像;
步骤130、获取清晰的网格图像后,将网格图像换成纯白色图片投出,这时保持投影仪的位置不变,以投影仪的镜头中心为原点建立三维坐标系,以此来调整相机的位置,如图3所示,本例中以投影仪的镜头为原点建立三维坐标系,调整相机位置来接收投影仪投影在打印槽上的图片;
步骤140、将相机拍摄出的图片投在电脑屏幕上,屏幕上出现投影仪投出的纯白色图像以及因眩光效应产生的光斑,水平面上移动相机使电脑屏幕上纯白色图片边缘临近消失,获得相机位置坐标的(Xmax,Ymax),接着移动相机直至光斑临近纯白色图片边缘,获得相机位置坐标的(Xmin,Ymin),在保证相机拍摄到的图片投在电脑屏幕上时是完整清晰且纯白色图片上无光斑干扰的情况下,确定水平方向上相机的位置坐标范围(Xmin~Xmax,Ymin~Ymax);
步骤150、根据二次成像原理算法公式
[x∈(xmin,xmax),y∈(ymin,ymax)],(其中焦距用φ表示,物距用U表示,芯片尺寸用S表示,投影视野用V表示,投影仪镜头距离打印槽的高度用H 表示,相机的三维坐标分别用x,y,z表示),确定相机位置坐标的Z值。
进一步的,步骤200包括:
子步骤210、对每一张模型切片根据前面确定的视觉图像与光学投影位置关系进行分区域监视,在曝光时间4秒内,每秒10帧采样间隔自动获取监视区域的视觉图像;
子步骤220、对待打印模型进行切片处理,得到的切片图像分为黑白两个区域,白色区域为打印模型的单层形状,然后对全部切片为进行或运算,有白色的即为1,同黑色则为0,从而得到模型的最大曝光区域;
子步骤230、根据最大曝光区域对应打印平面的位置,对曝光图像进行裁剪,获得打印过程中的曝光区域,并针对曝光区域逐像素点进行处理;
子步骤240、首先判断每个曝光时间段内切片的像素灰度,采集一个曝光时间段内切片的白色区域为监视区域,在监视区域内对每张图片相同位置的像素点进行亮度统计,每个监视点获得其图像灰度变化数据,从而获取每个监视点的等长度图像平均灰度变化曲线;
子步骤240、通过对每个像素点进行实时监视,实现整个成型曝光平面分区域控制,通过实验,最终得到成型成功与成型失败时的成型曲线。
进一步地,步骤300包括:
子步骤310、首先根据步骤200得到的灰度变化曲线,进行长度归一化,用归一化结果曲线进行参数拟合;
子步骤320、然后将归一化后的结果用KNN进行分类,将其中的一部分组作为训练集,另一部分作为测试集,得到正负标签基准值,并通过多次实验得到K值为4时准确率最高(其中K值是使用KNN分类算法时定义的一个特征样本空间中与特征样本最邻近的样本个数),如图4所示,为KNN分类后得到的一组正样本曲线示例图,图4(a)为原始数据曲线示例图,图4 (b)为归一化数据曲线示例图,如图5所示为KNN分类时不同的K值对应的准确率分布曲线,可以看出当K=4时分类准确率最高;
子步骤330、由于3D打印过程中引起错误率的原因不一,导致多种负样本无法进行模拟实验,对于这一问题,一方面通过曲线模拟生成部分负样本,另一方面,在实验过程中,根据正负样本比例,剔除变化趋势相同的几组负样本,将新出现的负样本加入到样本集中,以此来保证样本的均衡性;
子步骤340、最后在打印实验的过程中,将一个曝光时间内得到的数据放入KNN中与得到的正负标签基准值进行比较分类,根据分类的结果判断打印状态,若为正样本则打印继续,若为负样本则停止打印。
所述步骤400包括:
根据步骤300的判断结果来对机械进行控制,将对成型成功与成型失败时的曲线的分类效果反馈给打印机,若分类为正样本,则提取下一个切片,控制机械系统运动,继续打印切片,若识分类为负样本,则控制机械停止打印。
本发明实施例的一种面向面曝光3D打印的视觉监视反馈方法具有如下优点:
1)提高材料利用率;
2)提高打印产品成功率;
3)节省打印时间。
Claims (7)
1.一种面向面曝光3D打印的视觉监视反馈方法,其特征在于,包括以下步骤:
步骤100、根据面曝光投影仪的位置,计算出相机合理的摆放位置,避免因投影镜头的眩光效应对拍摄到图像造成影响;
步骤200、根据步骤100的视觉图像与光学投影位置关系,在曝光时间内等时间间隔自动获取监视区域的视觉图像,从而获取每个监视区域等长度图像平均灰度变化曲线,通过实验,得到成型成功与成型失败时的成型曲线;
步骤300、对步骤200得到的成型成功与成型失败的曲线用K最近邻分类KNN算法进行分类,并对分类之后结果进行测试,得到最终的KNN算法中的K值使得分类的准确率最高,并判断打印状态;
步骤400、根据步骤300打印状态的判断来控制机械系统运动。
2.如权利要求1所述的方法,其中,步骤100包括下述子步骤:
计算机获取投影仪的最大分辨率,并借助投影仪在打印槽上投出同等分辨率的网格图像,当焦距不合适时,投影仪投出的网格线较为模糊,调节投影仪的焦距,直至网格线变清晰;
获取清晰的网格图像后,将网格图像换成纯白色图片投出,这时保持投影仪的位置不变,以投影仪的镜头中心为原点建立三维坐标系,以此来调整相机的位置;
将相机拍摄出的图片投在电脑屏幕上,屏幕上出现投影仪投出的纯白色图像以及因眩光效应产生的光斑,水平面上移动相机使电脑屏幕上纯白色图片边缘临近消失,获得相机位置坐标的(Xmax,Ymax),接着移动相机直至光斑临近纯白色图片边缘,获得相机位置坐标的(Xmin,Ymin),在保证相机拍摄到的图片投在电脑屏幕上时是完整清晰且纯白色图片上无光斑干扰的情况下,确定水平方向上相机的位置坐标范围(Xmin~Xmax,Ymin~Ymax);
再根据二次成像原理算法公式
[x∈(xmin,xmax),y∈(ymin,ymax)],其中焦距用φ表示,物距用U表示,芯片尺寸用S表示,投影视野用V表示,投影仪镜头距离打印槽的高度用H表示,相机的三维坐标分别用x,y,z表示,确定相机位置坐标的z值。
3.如权利要求1所述的方法,其中,步骤200包括下述子步骤:
对每一张模型切片根据前面确定的视觉图像与光学投影位置关系进行分区域监视,在曝光时间段内,等间隔采样自动获取监视区域的视觉图像;
对待打印模型进行切片处理,得到的切片图像分为黑白两个区域,白色区域为打印模型的单层形状,然后对全部切片为进行或运算,有白色的即为1,同黑色则为0,从而得到模型的最大曝光区域;
根据最大曝光区域对应打印平面的位置,对曝光图像进行裁剪,获得打印过程中的曝光区域,并针对曝光区域逐像素点进行处理;
首先判断每个曝光时间段内切片的像素灰度,采集一个曝光时间段内切片的白色区域为监视区域,在监视区域内对每张图片相同位置的像素点进行亮度统计,每个监视点获得其图像灰度变化数据,从而获取每个监视点的等长度图像平均灰度变化曲线;
通过对每个像素点进行实时监视,实现整个成型曝光平面分区域控制,通过实验,最终得到成型成功与成型失败时的成型曲线。
4.如权利要求1-3中任一项所述的方法,其中,在步骤300中,
将得到的灰度变化曲线,进行长度归一化,用归一化结果曲线进行参数拟合;
然后将归一化后的结果用KNN进行分类,将其中一部分作为训练集,另一部分作为测试集,得到正负标签基准值,K值为4,其中K值是使用KNN分类算法时定义的一个特征样本空间中与特征样本最邻近的样本个数;
一方面通过曲线模拟生成部分负样本,另一方面,在实验过程中,根据正负样本比例,剔除变化趋势相同的几组负样本,将新出现的负样本加入到样本集中,以此来保证样本的均衡性;
最后在打印实验的过程中,将一个曝光时间内得到的数据放入KNN中与得到的正负标签基准值进行比较分类,根据分类的结果判断打印状态,若为正样本则打印继续,若为负样本则停止打印。
5.如权利要求1-4任意一项所述的方法,其中,在步骤400中,
根据打印状态的判断结果来对机械进行控制,将对成型成功与成型失败时的曲线的分类效果反馈给打印机,若分类为正样本,则提取下一个切片,控制机械系统运动,继续打印切片,若分类为负样本,则控制机械停止打印。
6.如权利要求4所述的方法,其中,将1000组归一化后的结果用KNN进行分类,将其中的800组作为训练集,200组作为测试集,得到正负标签基准值。
7.如权利要求1所述的方法,其中,所述方法采用4秒曝光时间,且每秒10帧采样间隔自动获取监视区域的视觉图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462227.6A CN108724733B (zh) | 2018-05-15 | 2018-05-15 | 一种面向面曝光3d打印的视觉监视反馈方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462227.6A CN108724733B (zh) | 2018-05-15 | 2018-05-15 | 一种面向面曝光3d打印的视觉监视反馈方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108724733A true CN108724733A (zh) | 2018-11-02 |
CN108724733B CN108724733B (zh) | 2020-04-28 |
Family
ID=63937511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810462227.6A Active CN108724733B (zh) | 2018-05-15 | 2018-05-15 | 一种面向面曝光3d打印的视觉监视反馈方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108724733B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110126481A (zh) * | 2019-04-08 | 2019-08-16 | 上海泰威技术发展股份有限公司 | 一种板材数码打印系统 |
CN112693120A (zh) * | 2021-01-07 | 2021-04-23 | 北京工业大学 | 一种面向面曝光3d打印过程的视觉监视方法 |
CN114274514A (zh) * | 2021-12-22 | 2022-04-05 | 深圳市创必得科技有限公司 | 模型打印环形纹理全消隐方法、装置、设备及存储介质 |
CN115195124A (zh) * | 2022-06-10 | 2022-10-18 | 深圳市纵维立方科技有限公司 | 一种3d打印模型的检测方法及相关装置 |
CN116052185A (zh) * | 2023-01-09 | 2023-05-02 | 四川轻化工大学 | 模板匹配的车辆vin码的识别和打刻深度检测系统及方法 |
CN117261213A (zh) * | 2023-11-21 | 2023-12-22 | 南昌航空大学 | 一种增材制造装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08235367A (ja) * | 1994-12-12 | 1996-09-13 | Xerox Corp | グレーマスキング技術によるアンチエリアシング方法 |
US8730268B2 (en) * | 2010-02-05 | 2014-05-20 | Arizona Board Of Regents, A Body Corporate Of The State Of Arizona, Acting For And On Behalf Of Arizona State University | Image processing systems and methods |
CN103049767B (zh) * | 2013-01-25 | 2015-07-15 | 西安电子科技大学 | 基于生物激发特征和流形学习的极光图像分类方法 |
CN105425546A (zh) * | 2015-12-30 | 2016-03-23 | 大族激光科技产业集团股份有限公司 | 一种dlp曝光能量均匀化的方法 |
CN106042390A (zh) * | 2016-07-28 | 2016-10-26 | 北京工业大学 | 一种多源大尺度面曝光3d打印方法 |
CN107941808A (zh) * | 2017-11-10 | 2018-04-20 | 中国计量大学 | 基于机器视觉的3d打印成型质量检测系统及方法 |
-
2018
- 2018-05-15 CN CN201810462227.6A patent/CN108724733B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08235367A (ja) * | 1994-12-12 | 1996-09-13 | Xerox Corp | グレーマスキング技術によるアンチエリアシング方法 |
US8730268B2 (en) * | 2010-02-05 | 2014-05-20 | Arizona Board Of Regents, A Body Corporate Of The State Of Arizona, Acting For And On Behalf Of Arizona State University | Image processing systems and methods |
CN103049767B (zh) * | 2013-01-25 | 2015-07-15 | 西安电子科技大学 | 基于生物激发特征和流形学习的极光图像分类方法 |
CN105425546A (zh) * | 2015-12-30 | 2016-03-23 | 大族激光科技产业集团股份有限公司 | 一种dlp曝光能量均匀化的方法 |
CN106042390A (zh) * | 2016-07-28 | 2016-10-26 | 北京工业大学 | 一种多源大尺度面曝光3d打印方法 |
CN107941808A (zh) * | 2017-11-10 | 2018-04-20 | 中国计量大学 | 基于机器视觉的3d打印成型质量检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
YU, GANG;LI, TING: "Recognition of Human Continuous Action", 《LECTURE NOTES IN COMPUTER SCIENCE》 * |
毋立芳,赵立东,邱健康,简萌,郭小华: "面向面曝光3D打印的模型自适应光照均匀化方法", 《信号处理》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110126481A (zh) * | 2019-04-08 | 2019-08-16 | 上海泰威技术发展股份有限公司 | 一种板材数码打印系统 |
CN110126481B (zh) * | 2019-04-08 | 2024-02-27 | 上海泰威技术发展股份有限公司 | 一种板材数码打印系统 |
CN112693120A (zh) * | 2021-01-07 | 2021-04-23 | 北京工业大学 | 一种面向面曝光3d打印过程的视觉监视方法 |
CN112693120B (zh) * | 2021-01-07 | 2022-05-06 | 北京工业大学 | 一种面向面曝光3d打印过程的视觉监视方法 |
CN114274514A (zh) * | 2021-12-22 | 2022-04-05 | 深圳市创必得科技有限公司 | 模型打印环形纹理全消隐方法、装置、设备及存储介质 |
CN115195124A (zh) * | 2022-06-10 | 2022-10-18 | 深圳市纵维立方科技有限公司 | 一种3d打印模型的检测方法及相关装置 |
CN116052185A (zh) * | 2023-01-09 | 2023-05-02 | 四川轻化工大学 | 模板匹配的车辆vin码的识别和打刻深度检测系统及方法 |
CN116052185B (zh) * | 2023-01-09 | 2023-10-31 | 四川轻化工大学 | 模板匹配的车辆vin码的识别和打刻深度检测系统及方法 |
CN117261213A (zh) * | 2023-11-21 | 2023-12-22 | 南昌航空大学 | 一种增材制造装置 |
CN117261213B (zh) * | 2023-11-21 | 2024-04-12 | 南昌航空大学 | 一种增材制造装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108724733B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108724733A (zh) | 一种面向面曝光3d打印的视觉监视反馈方法 | |
JP7307509B2 (ja) | 積層造形における人工知能フィードバック制御のためのシステム、方法および媒体 | |
US10718721B2 (en) | Powder spreading quality test method and additive manufacturing device | |
CN106228598B (zh) | 一种面向面曝光3d打印的模型自适应光照均匀化方法 | |
EP2869266B1 (en) | Method and apparatus for generating depth map of a scene | |
CN105825494B (zh) | 一种图像处理方法及移动终端 | |
CN106127842B (zh) | 一种结合光源分布与反射特性的面曝光3d打印的方法及系统 | |
JP2018538167A (ja) | 積層造形プロセスにおけるエラー検出 | |
WO2018090297A1 (zh) | 一种面向多源大尺度面曝光3d打印的光照均匀化方法 | |
US9956717B2 (en) | Mapping for three dimensional surfaces | |
JP2001166809A (ja) | 実立体モデル作成装置、立体データ作成装置、疑似立体データ作成装置並びにその方法 | |
CN108805056B (zh) | 一种基于3d人脸模型的摄像监控人脸样本扩充方法 | |
CN112525107A (zh) | 一种基于事件相机的结构光三维测量方法 | |
CN110085709A (zh) | 一种led图像全自动计数统计系统 | |
US20160282813A1 (en) | Recording holographic data on reflective surfaces | |
CN107316345A (zh) | 艺术设计用展示装置 | |
CN109764827A (zh) | 用于投影光栅建模的同步方法及装置 | |
WO1994027198A1 (en) | A system and a method for the reproduction of three-dimensional objects | |
CN109277568A (zh) | 一种选区激光熔化的实时监测方法、装置和系统 | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和系统 | |
CN112648935A (zh) | 一种图像处理方法、装置和三维扫描系统 | |
CN108875844A (zh) | 激光雷达图像与摄像机图像的匹配方法及系统 | |
CN115453839A (zh) | 一种面向dlp3d打印的单光源水平校准方法 | |
Cockshott et al. | Experimental 3-D digital TV studio | |
US20160282812A1 (en) | Applying holographic effects to prints |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |