CN109808183B - 基于神经网络的3d打印误差补偿方法、系统、装置 - Google Patents
基于神经网络的3d打印误差补偿方法、系统、装置 Download PDFInfo
- Publication number
- CN109808183B CN109808183B CN201910005702.1A CN201910005702A CN109808183B CN 109808183 B CN109808183 B CN 109808183B CN 201910005702 A CN201910005702 A CN 201910005702A CN 109808183 B CN109808183 B CN 109808183B
- Authority
- CN
- China
- Prior art keywords
- model
- network
- printing
- deformation
- inverse
- 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.)
- Active
Links
- 238000010146 3D printing Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000007639 printing Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 74
- 230000007786 learning performance Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 239000000654 additive Substances 0.000 abstract description 2
- 230000000996 additive effect Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001723 curing Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010017 direct printing Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000000016 photochemical curing Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
- G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop 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
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49023—3-D printing, layer of powder, add drops of binder in layer, new powder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2021—Shape modification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Architecture (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
Abstract
本发明属于3D打印领域,具体涉及一种基于神经网络的3D打印误差补偿方法、系统、装置,旨在解决3D打印过程中对模型误差补偿困难的问题。本发明结合人工智能领域的神经网络来预测和补偿加式制造所产生的误差,通过三维扫描等技术获得数据,然后利用神经网络学习3D打印中的形变函数并完成预测,或学习逆向的形变函数并直接补偿。通过本发明对新模型误差补偿更容易,同样硬件基础上模型打印的精准度得到提高,或为达到同样的精度可以降低对硬件的要求。
Description
技术领域
本发明属于3D打印领域,具体涉及一种基于神经网络的3D打印误差补偿方法、系统、装置。
背景技术
作为典型的信息物理系统(Cyber-Physical System,CPS),3D打印近年来发展非常迅速。大规模定制需求强烈,但现今3D打印的精度对于某些打印需求仍旧无法达到最佳的使用效果,如打印牙冠。与传统方法相比,3D打印物体的精确度普遍较低。如今,商用3D打印机的定位精度处于几十或几百微米的水平,打印物体的误差普遍比这个更大。其原因是在3D打印过程中,通常会有加热和冷却,粘合和聚合的过程,会造成打印后的物体发生收缩和卷曲的现象。其次,随着近几年的发展,3D打印趋向于客户定制化发展,不同模型形状任意且打印的数量不多,打印形变受物体形状的影响。在这种情况下,手动进行补偿既不容易,也不经济。
误差补偿的一般方法是有限元法(Finite Element Method,FEM)。应用有限元法时,不仅要考虑打印材料的性质,还应考虑打印的过程,所以很难将有限元法应用于任意给定的模型。综上,我们缺乏一种通用的3D打印误差补偿方法。
发明内容
为了解决现有技术中的上述问题,即为了解决3D打印过程中对新模型误差补偿构建困难的问题,本发明的第一方面,提出了一种基于神经网络的3D打印误差补偿方法,通过训练好的形变网络/逆形变网络,对输入模型进行补偿,并基于补偿后的模型进行3D打印;
所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建,其训练样本包括3D打印的打印前模型样本、打印后模型样本;
其中,
依据3D打印形变函数所构建的形变网络记为第一网络;训练样本中的打印前模型样本经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本作为真实输入模型,以打印后的模型样本作为真实输出模型;
依据3D打印逆形变函数所构建的逆形变网络记为第二网络;训练样本中的打印后模型样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模型样本作为真实输入模型,以打印前的模型样本作为真实输出模型。
在一些优选的实施例中,还包括所述形变网络/逆形变网络的选择步骤:
构建多种神经网络架构的形变网络/逆形变网络;
基于预设损失函数进行训练,获取多个训练好的形变网络/逆形变网络;
基于预设的学习性能指标集,分别获取各训练好的形变网络/逆形变网络各学习性能指标值,得到每个训练好的形变网络/逆形变网络的学习性能指标值集;
选择学习性能指标值集,并将其对应的训练好的形变网络/逆形变网络作为被选择的形变网络/逆形变网络。
在一些优选的实施例中,“预设的学习性能指标集”基于变量TPi、TNi、FPi、FNi构建,其中,i为“所述形变网络/逆形变网络的选择步骤”中所用到三维模型样本集中第i个三维模型样本;
TPi为第i个三维模型样本的真正值,该值等于三维模型样本的真实输出为1、预期输出为1的体素数量;
TNi为第i个三维模型的真负值,该值等于三维模型样本的真实输出为0、预期输出为0的体素数量;
FPi为第i个三维模型的假正值,该值等于三维模型样本的真实输出为1、预期输出为0的体素数量;
FNi为第i个三维模型的假负值,该值等于三维模型样本的真实输出为0、预期输出为1的体素数量。
在一些优选的实施例中,“预设的学习性能指标集”包括Precision、Recall、F1、Accuracy、Accuracyi、Accuracyi,white中一个或多个;
其中,Precision为精度,Recall为召回率,F1为精度和召回率的综合值,Accuracy为准确率,Accuracyi为第i个三维模型样本的准确率、Accuracyi,white为第i个三维模型样本内的体素的准确率,N为三维模型样本集中三维模型样本的数量,M为三维模型样本的体素数量。
在一些优选的实施例中,所述形变网络/逆形变网络训练用的损失函数L为:
其中,M为训练过程中预期输出模型的体素数量;a为预设的惩罚系数,a∈[0,1];yi为预期输出模型中第i个体素网格被占用的真实概率值,数值为0或1;y′i为神经网络预测第i个体素网格被占用的概率值,数值在0和1之间。
在一些优选的实施例中,所述形变网络/逆形变网络的训练样本为三维模型数据,或者三维模型的二维切片数据。
在一些优选的实施例中,所述形变网络/逆形变网络的训练样本,其输出模型样本为基于3D打印实物模型获取,或者基于仿真方法生成。
本发明的第二方面,提出了一种基于神经网络的3D打印误差补偿系统,包括输入模块、补偿模块、输出模块;
所述输入模块,配置为获取输入模型;
所述补偿模块包括训练好的基于神经网络的形变网络/逆形变网络,该模块配置为对输入模型进行补偿,并生成补偿后的输入模型;
输出模块,配置为输出补偿后的输入模型;
其中,所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建,其训练样本包括3D打印的打印前模型样本、打印后模型样本;
依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本作为真实输入模型,以打印后的模型样本作为真实输出模型;
依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模型样本作为真实输入模型,以打印前的模型样本作为真实输出模型。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于神经网络的3D打印误差补偿方法。
本发明的第四方面,提出了一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于神经网络的3D打印误差补偿方法。
本发明的第五方面,提出了一种3D打印装置,包括控制单元,所述控制单元适用于加载并执行多条程序,以在3D打印过程中通过上述的基于神经网络的3D打印误差补偿方法对输入模型进行误差补偿。
本发明的有益效果:
本发明在提高3D打印精度的同时,相比于现有的有限元法来完成误差补偿,无需考虑像打印工艺以及使用材料种类等会影响打印形变的因素,结合了计算机中神经网络,从训练形变函数或逆形变函数的方法切入,利用二维或三维数据,全面的对3D打印的形变进行解析和学习。本发明方法可以作为一种通用的方法直接地、有效地、精准地对3D打印进行误差补偿。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明一种实施例的基于神经网络的3D打印误差补偿方法流程示意图;
图2是数字化之前的和数字化之后的牙冠三维模型示例图;
图3是一个示例的牙冠三维模型、切割到牙冠三维模型某一层的截图以及切片后该层的二维图像;
图4为本发明一个实施例中基于逆形变函数构建的逆形变网络的示例。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
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组合。
本发明主要思路在于:
结合人工智能领域的神经网络来预测和补偿加式制造所产生的误差。通过三维扫描等技术获得数据,然后利用神经网络学3D打印中的形变函数并完成补偿,或学习逆向的形变函数并打印模型。通过引入这种新方法,我们可以放宽对硬件的要求,并且可以降低具有相同性能的打印机的成本,有非常大的现实意义和应用价值。
本发明提出的是一种端到端的解决方式,该解决方式将整个的打印制造过程连接为一个闭环,同时考虑了较为全面的影响打印精度的因素。通过扫描或仿真等技术获取3D打印输出的三维物体的形状数据作为打印后模型样本,将对应的待打印3D模型数据作为打印前模型样本,构建训练样本集;利用神经网络构建基于形变函数的形变网络,通过训练样本集对该网络进行训练;基于训练好的形变网络,对待打印3D模型数据的打印输出进行预测,获取形变数据,对待打印3D模型数据进行补偿后进行3D打印。本发明还可以基于逆形变函数构建逆形变网络,使用打印后的模型样本作为输入,打印前的模型样本作为输出。基于逆形变函数构建的逆形变网络,经训练后,可以直接利用要打印的模型作为神经网络的输入,网络的输出就是校正过的模型,直接打印就可以实现。
为了便于本发明技术方案的描述,此处对形变函数、逆形变函数进行说明:3D打印的形变函数为表示3D打印设备由打印前模型到打印后模型的形变关系的函数;3D打印的逆形变函数为表示3D打印设备由打印后模型到打印前模型的逆形变关系的函数。
本发明的一种基于神经网络的3D打印误差补偿方法,通过训练好的形变网络/逆形变网络,对输入模型进行预测、补偿,并基于补偿后的模型进行3D打印;
所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建,其训练样本包括3D打印的打印前模型样本、打印后模型样本。
依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本作为真实输入模型,以打印后的模型样本作为该网络的真实输出模型;
依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模型样本作为真实输入模型,以打印前的模型样本作为该网络的真实输出模型。
需要说明的是,在对输入模型的补偿过程中只通过预先设定或者选择的方式采用第一网络、第二网络中的一个即可。
本发明中所述形变网络/逆形变网络,其训练用的损失函数基于预期输出和训练样本中的真实输出模型进行构建,用于评价预期输出与真实输出之间的损失,其函数可以有多种表示。本文仅给出了一种较优的损失函数表示,损失函数L如公式(1)所示
其中,M为训练过程中预期输出模型的体素数量;a为预设的惩罚系数,a∈[0,1];yi为预期输出模型中第i个体素网格被占用的真实概率值,数值为0或1;y′i为神经网络预测第i个体素网格被占用的概率值,数值在0和1之间。
为了更清晰地对本发明基于神经网络的3D打印误差补偿方法、系统、装置分别进行说明,下面利用DLP光固化3D打印牙冠作为具体实例分别通过多个实施例进行展开详述,但由于本方案不限制打印的工艺和打印的物件形状,实际可以被推广应用于各种3D打印工艺以及需要打印的各种形状的物件。
实施例一:一种基于神经网络的3D打印误差补偿方法实施例
该实施例中逆形变网络为基于3D打印逆形变函数所构建的神经网络。通过训练好的基于神经网络的逆形变网络,对输入模型进行补偿,生成补偿后的模型,并基于补偿后的模型进行3D打印。通过逆形变函数构建的逆形变网络,经训练后,可以直接利用要打印的模型作为输入,输出就是校正过的模型,直接就可以打印。
该实施例中逆形变网络训练用的损失函数L如公式(1)所示。训练样本中的打印后模型样本经所述逆形变网络的输出模型作为预期输出模型;本实施例中逆形变网络训练时以打印后的模型样本作为真实输入模型,以打印前的模型样本作为该网络的真实输出模型。
为了更清晰地对本实施例进行说明,下面从训练样本的获取、形变网络的构建、逆形变网络的训练、逆形变网络的选择等多个方面依次展开描述。图1给出了该实施例的流程示意图,该图中不包含逆形变网络的选择相关内容。
1、训练样本的获取
本实施例中,形变网络的训练样本,其输入模型样本为基于3D打印实物模型获取的数字化模型,输出模型样本为对应的待打印的数字化模型,以下仅给出一种具体的获取方式,该方式仅用于技术方案的说明,不可理解为对本发明技术方案的限定。
(1)打印。利用模型处理软件对待打印的模型数据进行打印前的预处理;将多个模型数据批量加载到软件中制成一个待打印模型,可以减少打印次数;将待打印模型数据载入3D打印机,进行批量打印;打印并人工后处理打印后的3D模型,包括清洗、固化等不同工艺,批量处理可以为训练样本数据获取节省时间。
(2)获取数据。组建采集数据设备,利用3D扫描仪或其他拍照设备获取打印后的3D模型数据。数据获取可以采用多种方式实现。例如,将打印后的模型取下,按之前测量好的方向和位置固定在一个固定的平面上,然后利用3D扫描仪等设备按照设定好的路径进行扫描,可以避免其他因素对数据获取的干扰。本发明只阐述这一种方法,实际获取三维数据有多种方式,比如还可以利用多个固定方向的相机进行拍照获取后再合成,这里不再一一说明。
(3)对获取的3D实物模型数据进行三维数据处理,包括去噪、阈值分割等去除扫描环境带来的干扰,只保留模型部分。
(4)将模型数字化。利用处理三维模型软件将模型数字化。数字化处理包括将模型体素化、网格化或用点云来表示等方式。将模型表示为只有0和1的二进制变量的概率分布。
这里以体素化方式为例来具体解释说明,但不能用于限定本发明。具体步骤为:
所有输出模型都是以原点为中心的,首先计算输出模型在x、y、z方向的最大长度,即求maxlength,如公式(2)所示,
maxlength=
max{max(x)-min(x),max(y)-min(y),max(z)-min(z)} (2)
设置体素分辨率resolution,计算每个体素单位对应的长度,如公式(3)所示,
length=maxlength/resolution (3)
利用处理三维模型软件将三维模型数据转化为3D体素网络,将三维模型表示为三维体素网格上的二进制变量的概率分布,其中1表示网格内有元素,是牙冠部分的信息,而0表示没有,则为背景部分的信息。图2为数字化之前和数字化之后的牙冠三维模型对比图。
(5)训练样本的构建。训练样本集合包含多个训练样本,每个训练样本的输入模型样本为3D打印实物模型获取的数字化模型,输出模型样本为对应的输入打印机的数字化模型。
本实施例从所获取的训练样本分出一部分,分别作为后续测试过程中的测试样本、用于检验补偿效果的验证样本。
2、逆形变网络的构建
这里解释一个网络的案例,在实际应用中,所有神经网络结构都可用来训练打印中的逆形变函数,此案例仅用于对技术方案进行解释说明,不能用于限定本发明。
(1)依据3D打印逆形变函数构建,基于神经网络搭建逆形变网络。逆形变网络由一个编码器和一个译码器组成,编码器有三层结构,每一层结构都由一个三维卷积层和一个2×2×2的步长为2的最大池化层组成。每一个卷积层后都有一个LRELU(Leaky RectifiedLinear Unit)函数。编码器和译码器通过全连接层相连。译码器部分也由三层结构组成,每一层结构都含有一个三维反卷积层,前两层的卷积层后面都有一个修正线性单元(ReLU),第三层结构的卷积层后设置的是Sigmoid函数,目的是将输出限制在(0,1)范围内。如图4所示,输入模型(input)依次通过编码器、译码器的网络结构后获取待打印的3D模型(output)。
(2)逆形变网络使用的是改进的交叉熵损失函数。改进的交叉熵损失函数中考虑到了数据本身的性质。在三维模型的体素化数据中,大多数体素的数值为0,这样体素将1识别为0的概率大,对其设置一个较高的惩罚系数a,对于体素将0识别为1的情况,设置一个较低的惩罚系数(1-a)。如果将预期输出设为y,真实输出(输出模型样本)设为y′,则对每个体素,改进的交叉熵损失函数L′如公式(4)所示:
L′=-ay log(y′)-(1-a)(1-y)log(1-y′) (4)
根据公式(4)可得如公式(1)所示的逆形变网络训练用的损失函数。
3、逆形变网络的训练
(1)读入数据。将训练样本中的输入模型样本作为输入模型读入逆形变网络,将输出模型样本作为真实输出模型(real output)读入神经网络。
(2)训练逆形变网络。结合逆形变网络的网络结构,利用训练样本中的输入模型样本通过逆形变网络后得到的预期输出(expected output)模型,将预期输出模型与对应的真实输出模型(输出模型样本)做差,差值决定损失函数大小,通过损失函数上调整每层网络的参数,最后损失函数达到最小,逆形变网络能够达到精度最高的近似形变,训练结束。
4、逆形变网络的选择
基于设定的指标体系,在一些实施例中还可以从多个逆形变网络中选出最合适的进行实际打印补偿的应用。具体步骤包括:
步骤S401,构建多种神经网络架构的逆形变网络;
步骤S402,基于预设损失函数通过本实施例逆形变网络的训练的方式分别对各逆形变网络进行训练,获取多个训练好的逆形变网络;
步骤S403,基于预设的学习性能指标集,分别获取各训练好的逆形变网络各学习性能指标值,得到每个训练好的逆形变网络的学习性能指标值集;
步骤S404,选择学习性能指标值集,并将其对应的训练好的逆形变网络作为被选择的逆形变网络。该步骤中的选择可以通过设定的各指标阈值进行选择,还可以通过各种各指标排序选择最优的,其选择的实现方式可以通过计算机方式自动实现,也可以通过人机交互设备获取外部选择指令进行选择。
本实施例中,“预设的学习性能指标集”基于变量TPi、TNi、FPi、FNi构建,其中,i为所用到三维模型样本集中第i个三维模型样本;对于预期输出模型的体素:如果输出不小于设定阈值,将其设置为1,否则为0。此处的三维模型样本可以采用测试样本。
本发明选用了以下的参数定义来判断逆形变网络效果。使用N来表示测试模型样本集中测试模型样本的数量,对于模型Pi(i=0,1,…,N-1),使用M来表示测试模型样本的体素数量,则有,
TPi为第i个三维模型样本的真正值,该值等于测试模型样本的真实输出为1、预期输出为1的体素数量;
TNi为第i个三维模型的真负值,该值等于三维模型样本的真实输出为0、预期输出为0的体素数量;
FPi为第i个三维模型的假正值,该值等于三维模型样本的真实输出为1、预期输出为0的体素数量;
FNi为第i个三维模型的假负值,该值等于三维模型样本的真实输出为0、预期输出为1的体素数量。
本发明中,“预设的学习性能指标集”包括Precision、Recall、F1、Accuracy、Accuracyi、Accuracyi,white中一个或多个。本实施例为了达到更好的选择效果,指标计算规则包括上述6项,其公式如(5)-(10)。
其中,Precision为精度,显示逆形变网络将牙冠内的体素与牙冠外的体素分开识别的能力,精度值越大,网络可以更好地分离出牙冠内的体素。Recall为召回率,表示逆形变网络识别牙冠内的体素的能力,当召回率值较大时,逆形变网络可以在每个模型中准确地识别更多的牙冠内的体素。F1为精度和召回率的综合值,F1的值越大,网络的表现就越好。Accuracy为准确率,表示正确识别N个模型的M个体素中的体素值的性能。Accuracyi为第i个三维模型样本的准确率,表示第i个模型中正确识别体素的性能。Accuracyi,white为第i个三维模型样本内的体素的准确率,表示识别第i个模型的牙冠内体素的性能。用这些值作为用来测试神经网络的学习性能的指标,并基于这些指标进行最合适逆形变网络的选择。
实施例二:第二种基于神经网络的3D打印误差补偿方法实施例
该实施例与实施例一的区别之处在于:
所述形变网络依据3D打印形变函数构建;训练样本中的打印前模型样本经所述形变网络的输出模型作为预期输出模型。该实施例中的形变网络训练时以打印前的模型样本作为真实输入模型,以打印后的模型样本作为该网络的真实输出模型。
每个训练样本的输入模型样本为待打印的数字化模型,输出模型样本为对应的3D打印实物模型获取的数字化模型。
通过形变函数构建的形变网络经训练后,获得待打印模型数据的误差补偿数据,需要通过人机交互设备对待打印模型数据进行补偿后,再打印。此处的人机交互设备可以为具有信息录入功能的计算机设备,当获取误差补偿数据后,通过计算机设备录入误差补偿数据,对待打印模型进行误差补偿,得到误差补偿后的待打印模型,再进行3D打印,计算机设备录入的操作可以通过操作人员手动操作的方式进行,当然还可以采用其他计算机技术模仿人机交互的误差补偿数据录入过程进行实现。
其他部分内容与上述实施例一致,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例三:第三种基于神经网络的3D打印误差补偿方法实施例
该实施例与实施例一或实施例二的区别之处在于:所述形变网络/逆形变网络的训练样本为三维模型的二维切片数据。
从二维数据进行操作的原因是三维数据较难获取,二维数据相对更容易获取且对补偿误差同样有效。具体操作为将三维模型进行切片操作。这里的切片操作是利用软件按照与模型保持水平的方向进行切片操作,对三维模型进行降维。如图3所示为牙冠三维模型、切割的牙冠三维模型某一层的截图以及切片后该层的二维图像。
其他部分内容均与上述实施例一致,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例四:第四种基于神经网络的3D打印误差补偿方法实施例
该实施例与实施例一或实施例二的区别之处在于:所述形变网络/逆形变网络的训练样本,其打印后模型样本为基于仿真方法生成。采用仿真方法无需等待真实打印过程,因此也可以更快速的找到学习效果好的网络结构。
以形变函数为例,可以将3D打印输入模型与3D打印输出模型的形变过程仅以常规的四种变换为例进行说明:平移,缩小,放大和旋转。实际应用中可以增加其他类型的变换关系,也可以从这四种变化中进一步减少。
为了更清晰地展示具体变换关系,下面以具体的形变示例进行公式展示。用(x,y,z)表示变换前的坐标值(3D打印输入模型中的坐标),用(x′,y′,z′)表示变换操作后的坐标值(3D打印输出模型中的坐标)。
(1)平移:将3D打印输入模型沿x、y、z轴正方向分别平移0.5(该值即为平移补偿量),3D打印输入模型用一系列小三角形面片逼近三维实体表面,每个小三角形面片包括三个点,每个点由一个三维坐标(x,y,z)表示,则(x′,y′,z′)=(x+0.5,y+0.5,z+0.5)。
(2)缩小:以原点为中心,将3D打印输入模型沿x、y、z轴分别缩小0.9倍(该值即为缩小补偿倍数),则(x′,y′,z′)=(x×0.9,y×0.9,z×0.9)。
(3)放大:以原点为中心,将3D打印输入模型沿x、y、z轴分别放大1.1倍(该值即为放大补偿倍数),则(x′,y′,z′)=(x×1.1,y×1.1,z×1.1)。
(4)旋转:将3D打印输入模型以原点为旋转中心,沿x轴旋转11.25度(该值即为旋转补偿量)。
其他部分内容均与上述实施例一致,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例五:一种基于神经网络的3D打印误差补偿系统实施例
该系统包括输入模块、补偿模块、输出模块。
所述输入模块,配置为获取输入模型。
所述补偿模块包括训练好的基于神经网络的形变网络/逆形变网络,该模块配置为对输入模型进行补偿,并生成补偿后的输入模型。
输出模块,配置为输出补偿后的输入模型。
所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建,其训练样本包括3D打印的打印前模型样本、打印后模型样本。
依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本作为真实输入模型,以打印后的模型样本作为真实输出模型。
依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模型样本作为真实输入模型,以打印前的模型样本作为真实输出模型。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于神经网络的3D打印误差补偿系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
实施例六:一种存储装置实施例
该实施例的存储装置存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于神经网络的3D打印误差补偿方法。
实施例七:一种处理装置实施例
该实施例的处理装置包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于神经网络的3D打印误差补偿方法。
实施例八:一种3D打印装置实施例
该实施例的3D打印装置包括控制单元,该单元适用于加载并执行多条程序,以在3D打印过程中通过上述的基于神经网络的3D打印误差补偿方法对输入模型进行误差补偿。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的实施例六、实施例七、实施例八的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种基于神经网络的3D打印误差补偿方法,其特征在于,通过训练好的形变网络/逆形变网络,对输入模型进行补偿,并基于补偿后的模型进行3D打印;
所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建,其训练样本包括3D打印的打印前模型样本、打印后模型样本;
其中,
依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本作为真实输入模型,以打印后的模型样本作为真实输出模型;
依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模型样本作为真实输入模型,以打印前的模型样本作为真实输出模型;
所述形变函数为表示3D打印设备由打印前模型到打印后模型的形变关系的函数;所述逆形变函数为表示3D打印设备由打印后模型到打印前模型的逆形变关系的函数。
2.根据权利要求1所述的基于神经网络的3D打印误差补偿方法,其特征在于,还包括所述形变网络/逆形变网络的选择步骤:
构建多种神经网络架构的形变网络/逆形变网络;
基于预设损失函数分别对各形变网络/逆形变网络进行训练,获取多个训练好的形变网络/逆形变网络;
基于预设的学习性能指标集,分别获取各训练好的形变网络/逆形变网络各学习性能指标值,得到每个训练好的形变网络/逆形变网络的学习性能指标值集;
选择学习性能指标值集,并将其对应的训练好的形变网络/逆形变网络作为被选择的形变网络/逆形变网络。
3.根据权利要求2所述的基于神经网络的3D打印误差补偿方法,其特征在于,“预设的学习性能指标集”基于变量TPi、TNi、FPi、FNi构建,其中,i为“所述形变网络/逆形变网络的选择步骤”中所用到三维模型样本集中第i个三维模型样本;
TPi为第i个三维模型样本的真正值,该值等于三维模型样本的真实输出为1、预期输出为1的体素数量;
TNi为第i个三维模型样本的真负值,该值等于三维模型样本的真实输出为0、预期输出为0的体素数量;
FPi为第i个三维模型样本的假正值,该值等于三维模型样本的真实输出为1、预期输出为0的体素数量;
FNi为第i个三维模型样本的假负值,该值等于三维模型样本的真实输出为0、预期输出为1的体素数量。
6.根据权利要求1-4任一项所述的基于神经网络的3D打印误差补偿方法,其特征在于,所述形变网络/逆形变网络的训练样本为三维模型数据,或者三维模型的二维切片数据。
7.根据权利要求1-4任一项所述的基于神经网络的3D打印误差补偿方法,其特征在于,所述形变网络/逆形变网络的训练样本,其输出模型样本为基于3D打印实物模型获取,或者基于仿真方法生成。
8.一种基于神经网络的3D打印误差补偿系统,其特征在于,包括输入模块、补偿模块、输出模块;
所述输入模块,配置为获取输入模型;
所述补偿模块,配置为基于训练好的基于神经网络的形变网络/逆形变网络,对输入模型进行补偿,并生成补偿后的输入模型;
输出模块,配置为输出补偿后的输入模型;
其中,所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建,其训练样本包括3D打印的打印前模型样本、打印后模型样本;
依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本作为真实输入模型,以打印后的模型样本作为真实输出模型;
依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模型样本作为真实输入模型,以打印前的模型样本作为真实输出模型;
所述形变函数为表示3D打印设备由打印前模型到打印后模型的形变关系的函数;所述逆形变函数为表示3D打印设备由打印后模型到打印前模型的逆形变关系的函数。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-7任一项所述的基于神经网络的3D打印误差补偿方法。
10.一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-7任一项所述的基于神经网络的3D打印误差补偿方法。
11.一种3D打印装置,包括控制单元,其特征在于,所述控制单元适用于加载并执行多条程序,以在3D打印过程中通过权利要求1-7任一项所述的基于神经网络的3D打印误差补偿方法对输入模型进行误差补偿。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910005702.1A CN109808183B (zh) | 2019-01-03 | 2019-01-03 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
EP19906991.5A EP3907057A4 (en) | 2019-01-03 | 2019-09-16 | 3D PRINTING ERROR COMPENSATION METHOD AND SYSTEM BASED ON A NEURONAL NETWORK, AND DEVICE |
US17/258,748 US11106193B1 (en) | 2019-01-03 | 2019-09-16 | Neural network-based error compensation method, system and device for 3D printing |
PCT/CN2019/105963 WO2020140477A1 (zh) | 2019-01-03 | 2019-09-16 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910005702.1A CN109808183B (zh) | 2019-01-03 | 2019-01-03 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109808183A CN109808183A (zh) | 2019-05-28 |
CN109808183B true CN109808183B (zh) | 2020-06-16 |
Family
ID=66603934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910005702.1A Active CN109808183B (zh) | 2019-01-03 | 2019-01-03 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11106193B1 (zh) |
EP (1) | EP3907057A4 (zh) |
CN (1) | CN109808183B (zh) |
WO (1) | WO2020140477A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109808183B (zh) * | 2019-01-03 | 2020-06-16 | 中国科学院自动化研究所 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
CN110372374A (zh) * | 2019-07-05 | 2019-10-25 | 北京航空航天大学 | 一种陶瓷件及其结构设计与3d打印方法 |
EP4096901A4 (en) * | 2020-01-31 | 2023-10-11 | Hewlett-Packard Development Company, L.P. | MODEL PREDICTION |
US11794415B2 (en) * | 2020-09-23 | 2023-10-24 | Ut-Battelle, Llc | System and method for simulation-assisted additive manufacturing involving estimating anisotropic deformation |
CN112706406B (zh) * | 2020-12-18 | 2022-12-02 | 湖南华曙高科技股份有限公司 | 快速成型制造模型的处理方法、装置和计算机设备 |
CN112916987B (zh) * | 2021-02-02 | 2022-02-15 | 北京理工大学 | 一种电弧增材制造在线监测及实时控制方法和系统 |
CN113721866A (zh) * | 2021-08-19 | 2021-11-30 | 东莞中国科学院云计算产业技术创新与育成中心 | 应用于3d打印的数据获取系统及方法 |
US11557078B1 (en) * | 2022-02-08 | 2023-01-17 | Honeywell Federal Manufacturing & Technologies, Llc | Machine learning simulation of finite element analysis in augmented reality |
CN114474742A (zh) * | 2022-02-11 | 2022-05-13 | 哈尔滨工业大学 | 一种基于深度强化学习的电路自动3d打印方法 |
CN115563687B (zh) * | 2022-10-27 | 2024-06-14 | 湖北绿森林新材料有限公司 | 3d打印装饰预制件及设计方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105935772A (zh) * | 2016-07-14 | 2016-09-14 | 四川天塬增材制造材料有限公司 | 一种具有仿生表面结构的金属3d打印制备方法 |
CN105965886A (zh) * | 2016-05-04 | 2016-09-28 | 杭州研智科技有限公司 | 误差控制自学习式3d打印机及其控制方法 |
CN107014339A (zh) * | 2017-04-26 | 2017-08-04 | 北京理工大学 | 一种用于大数据的高精度角度传感器误差补偿方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781557B2 (en) * | 1999-08-11 | 2014-07-15 | Osteoplastics, Llc | Producing a three dimensional model of an implant |
US9841750B2 (en) * | 2014-05-13 | 2017-12-12 | Autodesk, Inc. | Dynamic real-time slice engine for 3D printing |
US9827717B2 (en) * | 2014-08-15 | 2017-11-28 | University Of Southern California | Statistical predictive modeling and compensation of geometric deviations of 3D printed products |
CN105058795B (zh) | 2015-08-06 | 2017-03-08 | 清华大学 | 增材制造的误差补偿方法 |
JP6691017B2 (ja) | 2016-08-08 | 2020-04-28 | 株式会社ミマキエンジニアリング | 造形方法、及び造形システム |
CN110298443B (zh) | 2016-09-29 | 2021-09-17 | 中科寒武纪科技股份有限公司 | 神经网络运算装置及方法 |
US20190272346A1 (en) | 2016-11-10 | 2019-09-05 | Singapore University Of Technology And Design | Multi-material optimization for 4d printing of active rod structures |
CN108995220B (zh) | 2018-07-17 | 2020-04-28 | 大连理工大学 | 基于强化学习的复杂薄壁结构物体3d打印路径规划方法 |
CN109808183B (zh) | 2019-01-03 | 2020-06-16 | 中国科学院自动化研究所 | 基于神经网络的3d打印误差补偿方法、系统、装置 |
-
2019
- 2019-01-03 CN CN201910005702.1A patent/CN109808183B/zh active Active
- 2019-09-16 EP EP19906991.5A patent/EP3907057A4/en active Pending
- 2019-09-16 WO PCT/CN2019/105963 patent/WO2020140477A1/zh unknown
- 2019-09-16 US US17/258,748 patent/US11106193B1/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105965886A (zh) * | 2016-05-04 | 2016-09-28 | 杭州研智科技有限公司 | 误差控制自学习式3d打印机及其控制方法 |
CN105935772A (zh) * | 2016-07-14 | 2016-09-14 | 四川天塬增材制造材料有限公司 | 一种具有仿生表面结构的金属3d打印制备方法 |
CN107014339A (zh) * | 2017-04-26 | 2017-08-04 | 北京理工大学 | 一种用于大数据的高精度角度传感器误差补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3907057A1 (en) | 2021-11-10 |
CN109808183A (zh) | 2019-05-28 |
WO2020140477A1 (zh) | 2020-07-09 |
US20210247737A1 (en) | 2021-08-12 |
US11106193B1 (en) | 2021-08-31 |
EP3907057A4 (en) | 2022-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109808183B (zh) | 基于神经网络的3d打印误差补偿方法、系统、装置 | |
CN109283230B (zh) | 一种平面阵列电容成像方法及系统 | |
CN109584327B (zh) | 人脸老化模拟方法、装置以及设备 | |
Zanjani et al. | Mask-MCNet: Instance segmentation in 3D point cloud of intra-oral scans | |
CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
CN114387317B (zh) | Ct图像和mri三维图像的配准方法、装置 | |
CN109859204A (zh) | 卷积神经网络模型检验方法及装置 | |
CN114022718A (zh) | 消化系统病理图像识别方法、系统及计算机存储介质 | |
CN113516651A (zh) | 基于残差网络的焊接接头缺陷检测方法及装置 | |
Peiffer et al. | A novel method for quantifying spatial correlations between patterns of atherosclerosis and hemodynamic factors | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
CN110647859B (zh) | 人脸图像分解方法和装置、电子设备及存储介质 | |
US10914690B2 (en) | Method for characterising a part | |
CN114549922A (zh) | 卷积神经网络识别与评估系统动态特性的方法和装置 | |
CN111951316A (zh) | 图像量化方法和存储介质 | |
CN109886105B (zh) | 基于多任务学习的价格牌识别方法、系统及存储介质 | |
CN110853003A (zh) | 手部骨骺发育等级确定方法及相关设备 | |
Steuben et al. | Multiphysics Missing Data Synthesis (MiDaS): A Machine-Learning Approach for Mitigating Data Gaps and Artifacts | |
CA3199809A1 (en) | Deep learning based image enhancement for additive manufacturing | |
CN110705689B (zh) | 可区分特征的持续学习方法及装置 | |
CN113658183B (zh) | 工件质检方法、装置及计算机设备 | |
CN108564659A (zh) | 面部图像的表情控制方法及装置、计算设备 | |
CN117252788B (zh) | 一种图像修复方法、装置及存储介质 | |
KR102593247B1 (ko) | 컴퓨터 단층 촬영의 기하 보정 방법 및 기하 보정 장치 | |
CN109903289B (zh) | 一种太赫兹图像无损检测的方法、装置以及设备 |
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 |