CN111783273A - 一种3d打印组织预测方法 - Google Patents
一种3d打印组织预测方法 Download PDFInfo
- Publication number
- CN111783273A CN111783273A CN202010439949.7A CN202010439949A CN111783273A CN 111783273 A CN111783273 A CN 111783273A CN 202010439949 A CN202010439949 A CN 202010439949A CN 111783273 A CN111783273 A CN 111783273A
- Authority
- CN
- China
- Prior art keywords
- sub
- deep learning
- learning model
- image
- training
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种3D打印组织预测方法,属于3D打印技术领域,其特征在于,包括以下步骤:a、获取初始深度学习模型;b、对样本图像进行划分,生成若干子图集;c、加载第一子图集,提取第一子图集的特征,修正或优化初始深度学习模型中的参数,并获得经过更新的深度学习模型;d、向计算机加载第i个子图集;e、i自动加1,之后再次执行步骤d,进行下一次迭代;f、基于第i个子图集训练经过更新的深度学习模型,判断子图集训练是否满足条件;g、获取目标参数即得到组织及形貌。本发明通过训练深度学习模型获取输入图像,并基于经过训练的深度学习模型处理输入图像,能够获得准确的组织与结果。
Description
技术领域
本发明涉及到3D打印技术领域,尤其涉及一种3D打印组织预测方法。
背景技术
3D打印是一种自下而上的制造方式,也称为增材制造技术,其实现了数学模型的建立。3D打印广泛应用于工业设计,建筑,汽车,航空航天,牙科和教育领域。影响3D打印质量的因素较多,除了仪器设备和印刷程序参数外,制件的外形检测也是影响3D打印产品质量的关键因素。
目前,3D打印的组织及残余的模拟计算是基于计算机的一次计算完成的,具体方法是:
1、根据所使用的工艺换算热输入量;
2、单位离散化数据模型,基于STL数模划分计算单元;
3、设置个单位边界条件;
4、选择合适的计算模型,如高斯热模型、笛卡尔模型;
5、进行模拟计算。
这种模拟方式的结果往往依赖于计算模型的精确度,但目前尚无一个标准的计算模型可以完全解释3D打印完整的热过程,组织预测往往也只能进行粗略估计。
公开号为CN 109242949A,公开日为2019年01月18日的中国专利文献公开了一种智能化3D打印系统,其特征在于,系统包括:
图像输入单元,用于输入原始的图像信息;
图像操作单元,用于对输入的原始的图像信息进行基础图框架勾画、细节处理和润色处理;
图像输出单元,用于输出经图像操作单元处理后的图像,让用户对该图像进行确认;
格式转换单元,用于对确认后的图像进行格式转换,获得高清的图像;
图像处理单元,用于对高清图像进行图像处理,获得只有边缘轮廓的二值化图像;
3D建模单元,用于根据只有边缘轮廓的二值化图像进行3D建模;
3D打印单元,用于将3D建模后的图像打印出来。
该专利文献公开的智能化3D打印系统,能够对实时输入的图像信息进行处理,然后建立对应的3D模型,进行3D打印;但是,仍然是基于纯计算的方式,难以获得准确的组织与结果。
发明内容
本发明为了克服上述现有技术的缺陷,提供一种3D打印组织预测方法,本发明通过训练深度学习模型获取输入图像,并基于经过训练的深度学习模型处理输入图像,能够获得准确的组织与结果。
本发明通过下述技术方案实现:
一种3D打印组织预测方法,其特征在于,包括以下步骤:
a、获取初始深度学习模型,获取样本图像,将样本图像划分成若干子图集,若干子图集包括第一子图集和第二子图集,并且若干子图集中的任意两个相邻的子图集具有部分重叠的区域;
b、基于若干子图集,训练初始深度学习模型,以得到经过训练的深度学习模型,对样本图像进行划分,生成若干子图集;
c、加载第一子图集,将第一子图集带入初始深度学习模型中的各层神经网络进行运算,提取第一子图集的特征,与预期结果进行比较,修正或优化初始深度学习模型中的参数,并获得经过更新的深度学习模型;
d、向计算机加载第i个子图集,i为大于0的正整数,i代表当前的迭代次数,i的初始值是一个预设的数值1,排除已经训练的i-1个子图集,从剩余子图集中选取一个子图集作为第i个子图集;
e、i自动加1,之后再次执行步骤d,进行下一次迭代;
f、基于第i个子图集训练经过更新的深度学习模型,判断子图集训练是否满足条件,包括第i-1次训练后,经过更新的模型参数的改变值与第i次训练后,i不小于预设阈值,当条件满足时,结束训练,当条件不满足时,返回执行步骤e;
g、基于数据模型,输入目标参数,获取目标参数即得到组织及形貌。
所述步骤a中,获取初始深度学习模型是指基于人工判断前100块试块的热输入参数、组织图像以及残余,获得训练所需的初始深度学习模型。
本发明的有益效果是:
“a、获取初始深度学习模型,获取样本图像,将样本图像划分成若干子图集,若干子图集包括第一子图集和第二子图集,并且若干子图集中的任意两个相邻的子图集具有部分重叠的区域;b、基于若干子图集,训练初始深度学习模型,以得到经过训练的深度学习模型,对样本图像进行划分,生成若干子图集;c、加载第一子图集,将第一子图集带入初始深度学习模型中的各层神经网络进行运算,提取第一子图集的特征,与预期结果进行比较,修正或优化初始深度学习模型中的参数,并获得经过更新的深度学习模型;d、向计算机加载第i个子图集,i为大于0的正整数,i代表当前的迭代次数,i的初始值是一个预设的数值1,排除已训练的i-1个子图集,从剩余子图集中选取一个子图集作为第i个子图集;e、i自动加1,之后再次执行步骤d,进行下一次迭代;f、基于第i个子图集训练经过更新的深度学习模型,判断子图集训练是否满足条件,包括第i-1次训练后,经过更新的模型参数的改变值与第i次训练后,i不小于预设阈值,当条件满足时,结束训练,当条件不满足时,返回执行步骤e;g、基于数据模型,输入目标参数,获取目标参数即得到组织及形貌”,较现有技术而言,通过训练深度学习模型获取输入图像,并基于经过训练的深度学习模型处理输入图像,能够获得准确的组织与结果。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的具体说明:
图1为本发明的流程框图。
具体实施方式
实施例1
参见图1,一种3D打印组织预测方法,包括以下步骤:
a、获取初始深度学习模型,获取样本图像,将样本图像划分成若干子图集,若干子图集包括第一子图集和第二子图集,并且若干子图集中的任意两个相邻的子图集具有部分重叠的区域;
b、基于若干子图集,训练初始深度学习模型,以得到经过训练的深度学习模型,对样本图像进行划分,生成若干子图集;
c、加载第一子图集,将第一子图集带入初始深度学习模型中的各层神经网络进行运算,提取第一子图集的特征,与预期结果进行比较,修正或优化初始深度学习模型中的参数,并获得经过更新的深度学习模型;
d、向计算机加载第i个子图集,i为大于0的正整数,i代表当前的迭代次数,i的初始值是一个预设的数值1,排除已经训练的i-1个子图集,从剩余子图集中选取一个子图集作为第i个子图集;
e、i自动加1,之后再次执行步骤d,进行下一次迭代;
f、基于第i个子图集训练经过更新的深度学习模型,判断子图集训练是否满足条件,包括第i-1次训练后,经过更新的模型参数的改变值与第i次训练后,i不小于预设阈值,当条件满足时,结束训练,当条件不满足时,返回执行步骤e;
g、基于数据模型,输入目标参数,获取目标参数即得到组织及形貌。
实施例2
参见图1,一种3D打印组织预测方法,包括以下步骤:
a、获取初始深度学习模型,获取样本图像,将样本图像划分成若干子图集,若干子图集包括第一子图集和第二子图集,并且若干子图集中的任意两个相邻的子图集具有部分重叠的区域;
b、基于若干子图集,训练初始深度学习模型,以得到经过训练的深度学习模型,对样本图像进行划分,生成若干子图集;
c、加载第一子图集,将第一子图集带入初始深度学习模型中的各层神经网络进行运算,提取第一子图集的特征,与预期结果进行比较,修正或优化初始深度学习模型中的参数,并获得经过更新的深度学习模型;
d、向计算机加载第i个子图集,i为大于0的正整数,i代表当前的迭代次数,i的初始值是一个预设的数值1,排除已经训练的i-1个子图集,从剩余子图集中选取一个子图集作为第i个子图集;
e、i自动加1,之后再次执行步骤d,进行下一次迭代;
f、基于第i个子图集训练经过更新的深度学习模型,判断子图集训练是否满足条件,包括第i-1次训练后,经过更新的模型参数的改变值与第i次训练后,i不小于预设阈值,当条件满足时,结束训练,当条件不满足时,返回执行步骤e;
g、基于数据模型,输入目标参数,获取目标参数即得到组织及形貌。所述步骤a中,获取初始深度学习模型是指基于人工判断前100块试块的热输入参数、组织图像以及残余,获得训练所需的初始深度学习模型。
“a、获取初始深度学习模型,获取样本图像,将样本图像划分成若干子图集,若干子图集包括第一子图集和第二子图集,并且若干子图集中的任意两个相邻的子图集具有部分重叠的区域;b、基于若干子图集,训练初始深度学习模型,以得到经过训练的深度学习模型,对样本图像进行划分,生成若干子图集;c、加载第一子图集,将第一子图集带入初始深度学习模型中的各层神经网络进行运算,提取第一子图集的特征,与预期结果进行比较,修正或优化初始深度学习模型中的参数,并获得经过更新的深度学习模型;d、向计算机加载第i个子图集,i为大于0的正整数,i代表当前的迭代次数,i的初始值是一个预设的数值1,排除已训练的i-1个子图集,从剩余子图集中选取一个子图集作为第i个子图集;e、i自动加1,之后再次执行步骤d,进行下一次迭代;f、基于第i个子图集训练经过更新的深度学习模型,判断子图集训练是否满足条件,包括第i-1次训练后,经过更新的模型参数的改变值与第i次训练后,i不小于预设阈值,当条件满足时,结束训练,当条件不满足时,返回执行步骤e;g、基于数据模型,输入目标参数,获取目标参数即得到组织及形貌”,较现有技术而言,通过训练深度学习模型获取输入图像,并基于经过训练的深度学习模型处理输入图像,能够获得准确的组织与结果。
Claims (2)
1.一种3D打印组织预测方法,其特征在于,包括以下步骤:
a、获取初始深度学习模型,获取样本图像,将样本图像划分成若干子图集,若干子图集包括第一子图集和第二子图集,并且若干子图集中的任意两个相邻的子图集具有部分重叠的区域;
b、基于若干子图集,训练初始深度学习模型,以得到经过训练的深度学习模型,对样本图像进行划分,生成若干子图集;
c、加载第一子图集,将第一子图集带入初始深度学习模型中的各层神经网络进行运算,提取第一子图集的特征,与预期结果进行比较,修正或优化初始深度学习模型中的参数,并获得经过更新的深度学习模型;
d、向计算机加载第i个子图集,i为大于0的正整数,i代表当前的迭代次数,i的初始值是一个预设的数值1,排除已经训练的i-1个子图集,从剩余子图集中选取一个子图集作为第i个子图集;
e、i自动加1,之后再次执行步骤d,进行下一次迭代;
f、基于第i个子图集训练经过更新的深度学习模型,判断子图集训练是否满足条件,包括第i-1次训练后,经过更新的模型参数的改变值与第i次训练后,i不小于预设阈值,当条件满足时,结束训练,当条件不满足时,返回执行步骤e;
g、基于数据模型,输入目标参数,获取目标参数即得到组织及形貌。
2.根据权利要求1所述的一种3D打印组织预测方法,其特征在于:所述步骤a中,获取初始深度学习模型是指基于人工判断前100块试块的热输入参数、组织图像以及残余,获得训练所需的初始深度学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439949.7A CN111783273A (zh) | 2020-05-22 | 2020-05-22 | 一种3d打印组织预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439949.7A CN111783273A (zh) | 2020-05-22 | 2020-05-22 | 一种3d打印组织预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783273A true CN111783273A (zh) | 2020-10-16 |
Family
ID=72754394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010439949.7A Pending CN111783273A (zh) | 2020-05-22 | 2020-05-22 | 一种3d打印组织预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783273A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420736A (zh) * | 2021-08-23 | 2021-09-21 | 成都飞机工业(集团)有限责任公司 | 一种基于视频拆分的3d打印缺陷确定方法 |
CN115563687A (zh) * | 2022-10-27 | 2023-01-03 | 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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846261A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 基于卷积神经网络的水下图像处理方法 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN107832807A (zh) * | 2017-12-07 | 2018-03-23 | 深圳联影医疗科技有限公司 | 一种图像处理方法和系统 |
US20190056715A1 (en) * | 2017-08-16 | 2019-02-21 | General Electric Company | Framework for rapid additive design with generative techniques |
US20190282344A1 (en) * | 2018-03-19 | 2019-09-19 | James R. Glidewell Dental Ceramics, Inc. | Dental cad automation using deep learning |
CN110490867A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度学习的金属增材制造成形尺寸实时预测方法 |
US20200160497A1 (en) * | 2018-11-16 | 2020-05-21 | Align Technology, Inc. | Machine based three-dimensional (3d) object defect detection |
-
2020
- 2020-05-22 CN CN202010439949.7A patent/CN111783273A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846261A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 基于卷积神经网络的水下图像处理方法 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
US20190056715A1 (en) * | 2017-08-16 | 2019-02-21 | General Electric Company | Framework for rapid additive design with generative techniques |
CN107832807A (zh) * | 2017-12-07 | 2018-03-23 | 深圳联影医疗科技有限公司 | 一种图像处理方法和系统 |
US20190282344A1 (en) * | 2018-03-19 | 2019-09-19 | James R. Glidewell Dental Ceramics, Inc. | Dental cad automation using deep learning |
US20200160497A1 (en) * | 2018-11-16 | 2020-05-21 | Align Technology, Inc. | Machine based three-dimensional (3d) object defect detection |
CN110490867A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度学习的金属增材制造成形尺寸实时预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420736A (zh) * | 2021-08-23 | 2021-09-21 | 成都飞机工业(集团)有限责任公司 | 一种基于视频拆分的3d打印缺陷确定方法 |
CN115563687A (zh) * | 2022-10-27 | 2023-01-03 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712145B (zh) | 一种图像抠图方法及系统 | |
CN108460770B (zh) | 抠图方法及装置 | |
CN109948522B (zh) | 一种基于深度神经网络的x光片手骨成熟度判读方法 | |
CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
CN111681162B (zh) | 一种缺陷样本生成方法、装置、电子设备及存储介质 | |
WO2019047949A1 (zh) | 图像质量评估方法及图像质量评估系统 | |
CN111783273A (zh) | 一种3d打印组织预测方法 | |
CN111506036B (zh) | 一种重尾噪声干扰下的多变量Hammerstein模型辨识方法及系统 | |
CN107622276B (zh) | 一种基于机器人仿真与物理采样结合的深度学习训练方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN111986126B (zh) | 一种基于改进vgg16网络的多目标检测方法 | |
CN113012169A (zh) | 一种基于非局部注意力机制的全自动抠图方法 | |
CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
CN115641323A (zh) | 医学图像自动标注的方法及装置 | |
CN110097615B (zh) | 一种联合风格化和去风格化的艺术字编辑方法和系统 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN110309727B (zh) | 一种建筑识别模型的建立方法、建筑识别方法和装置 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN112288680A (zh) | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 | |
CN115861349A (zh) | 基于约简概念结构元素和矩阵序的彩色图像边缘提取方法 | |
CN114723601B (zh) | 一种虚拟场景下的模型结构化建模及快速渲染方法 | |
CN113886578B (zh) | 一种表单分类方法及装置 | |
CN114581729A (zh) | 一种基于弱监督学习的高分遥感不透水面提取方法 | |
CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
CN114663337A (zh) | 神经网络训练方法及缺陷检测方法、装置和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |