CN112036073A - 一种3d打印零件测量结果矫正方法 - Google Patents

一种3d打印零件测量结果矫正方法 Download PDF

Info

Publication number
CN112036073A
CN112036073A CN202010687954.XA CN202010687954A CN112036073A CN 112036073 A CN112036073 A CN 112036073A CN 202010687954 A CN202010687954 A CN 202010687954A CN 112036073 A CN112036073 A CN 112036073A
Authority
CN
China
Prior art keywords
positioning method
value
model
machine learning
measurement result
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
Application number
CN202010687954.XA
Other languages
English (en)
Inventor
刘顺涛
荣鹏
高川云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202010687954.XA priority Critical patent/CN112036073A/zh
Publication of CN112036073A publication Critical patent/CN112036073A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种3D打印零件测量结果矫正方法，包括第一定位方法、第二定位方法，且第二定位方法的精度高于第一定位方法，利用机器学习模型，将第一定位方法确定的探头的目标位置与第二定位方法确定的探头的目标位置进行对比，基于对比值对第一定位方法的值进行修正。本发明通过采用有限的样本测试实现采用高精度的第二定位方法不断的训练机器学习模型，从而实现采用第一定位方法测试并结合机器学习模型的方法实现对后续产品的高精度测量。本发明采用普通的第一定位方法进行检测，更容易推广，提高了检测精度，节省了高精度的仪器费用，促进了工业化生产。

Description

一种3D打印零件测量结果矫正方法
技术领域
本发明属于3D打印的技术领域，具体涉及一种3D打印零件测量结果矫正方法。
背景技术
长期以来，3D打印零件的内腔难以检验。尤其是针对管型件，由于管型3D打印零件需要运载液体或气体，因此其内表面质量影响流体的运输及管体强度。
目前使用的方式是在一批管道生产中，随机地抽取1~2件进行破坏性试验，即沿着管道弯曲段破开，观察管道内壁的划伤情况。无法在不破坏3D打印零件的情况下实现对管道内壁的检测。目前做的比较好的方法是采用探头加绝对GPS定位系统进行无损检测，然而该GPS定位系统非常昂贵，成本为千万以上，一般的企业无法承担高额的成本，只能是采用多次借用的方式进行试验，然而由于成本限制了试验样本的数量以及测试的次数，直接导致了检测的随机性较大，整体检测精度较差，同时也给工作人员带来了不便，无法及时高效的检测样品。
发明内容
本发明的目的在于提供一种3D打印零件测量结果矫正方法，旨在实现高精度的对管道内壁进行不破坏3D打印零件的检测。
本发明主要通过以下技术方案实现：一种3D打印零件测量结果矫正方法，包括第一定位方法、第二定位方法，且第二定位方法的精度高于第一定位方法，利用机器学习模型，将第一定位方法确定的探头的目标位置与第二定位方法确定的探头的目标位置进行对比，基于对比值对第一定位方法的值进行修正。
为了更好地实现本发明，进一步的，主要包括以下步骤：
步骤S100：将第一定位方法的测试结果带入机器学习模型中，得到模型预测值，
步骤S200：然后将模型预测值与第二定位方法的测试结果进行对比得到差值，
步骤S300：将差值带入机器学习模型中，得到损失值与梯度，进而得到新的训练模型。
为了更好地实现本发明，进一步的，已知存在模型矩阵w和偏置矩阵b，所述第一定位方法获取的测量值为X，第二定位方法获取的测量值为Y，则：
根据模型矩阵预测Y`=w*X+b，
将模型损失值计算为K=Y`-Y，
基于K反向传播，得到模型梯度Gb，而后更新模型w。
为了更好地实现本发明，进一步的，设定差值阈值，当差值大于差值阈值时，则循环步骤S100-S300，直至差值小于等于差值阈值。
为了更好地实现本发明，进一步的，所述第一定位方法采用探头和视觉传感系统进行测试，所述第二定位方法采用探头和绝对GPS进行测试。
本发明的有益效果：
本发明通过采用有限的样本测试实现采用高精度的第二定位方法不断的训练机器学习模型，从而实现采用第一定位方法测试并结合机器学习模型的方法实现对后续产品的高精度测量。本发明采用普通的第一定位方法进行检测，更容易推广，提高了检测精度，节省了高精度的仪器费用，促进了工业化生产。
具体实施方式
实施例1：
一种3D打印零件测量结果矫正方法，包括第一定位方法、第二定位方法，且第二定位方法的精度高于第一定位方法，利用机器学习模型，将第一定位方法确定的探头的目标位置与第二定位方法确定的探头的目标位置进行对比，基于对比值对第一定位方法的值进行修正。
本发明通过采用有限的样本测试实现采用高精度的第二定位方法不断的训练机器学习模型，从而实现采用第一定位方法测试并结合机器学习模型的方法实现对后续产品的高精度测量。本发明采用普通的第一定位方法进行检测，更容易推广，提高了检测精度，节省了高精度的仪器费用，促进了工业化生产。
实施例2：
本实施例是在实施例1的基础上进行优化，主要包括以下步骤：
步骤S100：将第一定位方法的测试结果带入机器学习模型中，得到模型预测值，
步骤S200：然后将模型预测值与第二定位方法的测试结果进行对比得到差值，
步骤S300：将差值带入机器学习模型中，得到损失值与梯度，进而得到新的训练模型。
设定差值阈值，当差值大于差值阈值时，则循环步骤S100-S300，直至差值小于等于差值阈值。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例是在实施例2的基础上进行优化，已知存在模型矩阵w和偏置矩阵b，所述第一定位方法获取的测量值为X，第二定位方法获取的测量值为Y，则：
根据模型矩阵预测Y`=w*X+b，
将模型损失值计算为K=Y`-Y，
基于K反向传播，得到模型梯度Gb，而后更新机器学习模型。
本实施例的其他部分与上述实施例2相同，故不再赘述。
实施例4：
一种3D打印零件测量结果矫正方法，主要包括以下步骤：
1）基于第一定位方法确定探头的目标位置1；
2）基于第二定位方法确定探头的目标位置2；
其中目标位置1的获取方法精度低于目标位置2的获取方法。
3）利用机器学习模型，将第一定位方法确定探头的目标位置1和第二定位方法确定探头的目标位置2进行对比；基于所述对比值对基第一定位方法的值进行修正，得到修正后的结果。
已知存在模型矩阵w和偏置矩阵b，将第一定位获取方法的值设置为X，第二定位获取方法获取的测量值为Y。
根据模型矩阵预测Y`=w*X+b.
将模型损失值计算为K=Y`-Y.
基于K反向传播，得到模型梯度Gb，而后更新模型w。
对同一点，第一定位方法测得的结果是（0,0,1），第二定位方法测得的结果是（0，-0.5,0.5）。将第一定位方法的结果带入模型w中，得到模型预测值Y`可能为（0，-0.11,0.8），此时，与第二定位方法测得的结果是（0，-0.5,0.5）仍有差距，将此差距带入模型w中，得到损失值与梯度，进而得到新的训练模型w，从而对后续的数据进行验证。
本发明通过采用有限的样本测试实现采用高精度的第二定位方法不断的训练机器学习模型，从而实现采用第一定位方法测试并结合机器学习模型的方法实现对后续产品的高精度测量。本发明采用普通的第一定位方法进行检测，更容易推广，提高了检测精度，节省了高精度的仪器费用，促进了工业化生产。
实施例5：
本实施例是在实施例1-4任一个的基础上进行优化，所述第一定位方法采用探头和视觉传感系统进行测试，所述第二定位方法采用探头和绝对GPS进行测试。所述第一定位方法具体的测试组件如下：
摄像头：使用市面上常规摄像头，如果定位需要，可以在摄像头表面镀一些，或者内部安装用于定位的物质 。
定位系统 ：
根据真实管道同X射线或超声波等扫描设备提供的图片信息进行匹配 ，包括不限于以下情况：
1)外部使用特殊波段的摄像头，在摄像头位置增加在此波段反射强烈的物质，可以快速定位摄像头在管道内的真实情况，快速同X射线扫描图片匹配；
2)根据管道内的特征结构，查找特征点，可以快速查找摄像头在体内的真实位置，快速进行匹配；
3）根据定位器进行定位，锁定探头的位置。
图像处理：处理定位信息，X射线、超声波等设备扫描图片信息，根据以上信息进行图像融合，便于观察摄像头在管道中的位置；
基板：搭载ISP 所需要的外围电路及显示装置做需要的外围器件；
显示:便于操作者观察,不限于显示器,VR,AR等装置;
管道合成影像:根据X光等扫描设备生成的影像,再根据图像处理定位的影像合成的最终效果影像,此影像可以实时观测摄像头在管道内部的位置(通过VR或者其他显示装置),快速定位和找到摄像头所处位置。
本实施例的其他部分与上述实施例2相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (5)

1.一种3D打印零件测量结果矫正方法，其特征在于，包括第一定位方法、第二定位方法，且第二定位方法的精度高于第一定位方法，利用机器学习模型，将第一定位方法确定的探头的目标位置与第二定位方法确定的探头的目标位置进行对比，基于对比值对第一定位方法的值进行修正。
2.根据权利要求1所述的一种3D打印零件测量结果矫正方法，其特征在于，主要包括以下步骤：
步骤S100：将第一定位方法的测试结果带入机器学习模型中，得到模型预测值，
步骤S200：然后将模型预测值与第二定位方法的测试结果进行对比得到差值，
步骤S300：将差值带入机器学习模型中，得到损失值与梯度，进而得到新的训练模型。
3.根据权利要求2所述的一种3D打印零件测量结果矫正方法，其特征在于，已知存在模型矩阵w和偏置矩阵b，所述第一定位方法获取的测量值为X，第二定位方法获取的测量值为Y，则：
根据模型矩阵预测Y`=w*X+b，
将模型损失值计算为K=Y`-Y，
基于K反向传播，得到模型梯度Gb，而后更新机器学习模型。
4.根据权利要求2或3所述的一种3D打印零件测量结果矫正方法，其特征在于，设定差值阈值，当差值大于差值阈值时，则循环步骤S100-S300，直至差值小于等于差值阈值。
5.根据权利要求1所述的一种3D打印零件测量结果矫正方法，其特征在于，所述第一定位方法采用探头和视觉传感系统进行测试，所述第二定位方法采用探头和绝对GPS进行测试。
CN202010687954.XA 2020-07-16 2020-07-16 一种3d打印零件测量结果矫正方法 Pending CN112036073A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010687954.XA CN112036073A (zh) 2020-07-16 2020-07-16 一种3d打印零件测量结果矫正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010687954.XA CN112036073A (zh) 2020-07-16 2020-07-16 一种3d打印零件测量结果矫正方法

Publications (1)

Publication Number Publication Date
CN112036073A true CN112036073A (zh) 2020-12-04

Family

ID=73579585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010687954.XA Pending CN112036073A (zh) 2020-07-16 2020-07-16 一种3d打印零件测量结果矫正方法

Country Status (1)

Country Link
CN (1) CN112036073A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115183690A (zh) * 2022-06-10 2022-10-14 成都飞机工业（集团）有限责任公司 一种基于3d打印的内型腔直径的测量方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9937673B1 (en) * 2013-11-21 2018-04-10 United Services Automobile Association (Usaa) Plumbing systems with integrated leak detection and repair
US20180180765A1 (en) * 2017-02-27 2018-06-28 Philip Teague Detecting Anomalies in Annular Materials of Single and Dual Casing String Environments
WO2018204410A1 (en) * 2017-05-04 2018-11-08 Minds Mechanical, Llc Metrology system for machine learning-based manufacturing error predictions
CN109709497A (zh) * 2019-02-16 2019-05-03 冀中能源峰峰集团有限公司 一种高精度定位系统及方法
US20190139215A1 (en) * 2017-11-09 2019-05-09 Redzone Robotics, Inc. Pipe feature identification using pipe inspection data analysis
US20190331301A1 (en) * 2016-12-30 2019-10-31 Du Yuchuan Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
WO2020068075A1 (en) * 2018-09-26 2020-04-02 Hewlett-Packard Development Company, L.P. Setting air flow rates for 3d printing
CN111295714A (zh) * 2017-08-21 2020-06-16 阿里巴巴(以色列)科技有限公司 在虚拟环境中使用高精度传感器数据来训练低精度传感器数据以进行对象定位的双精度传感器系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9937673B1 (en) * 2013-11-21 2018-04-10 United Services Automobile Association (Usaa) Plumbing systems with integrated leak detection and repair
US20190331301A1 (en) * 2016-12-30 2019-10-31 Du Yuchuan Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
US20180180765A1 (en) * 2017-02-27 2018-06-28 Philip Teague Detecting Anomalies in Annular Materials of Single and Dual Casing String Environments
WO2018204410A1 (en) * 2017-05-04 2018-11-08 Minds Mechanical, Llc Metrology system for machine learning-based manufacturing error predictions
CN111295714A (zh) * 2017-08-21 2020-06-16 阿里巴巴(以色列)科技有限公司 在虚拟环境中使用高精度传感器数据来训练低精度传感器数据以进行对象定位的双精度传感器系统
US20190139215A1 (en) * 2017-11-09 2019-05-09 Redzone Robotics, Inc. Pipe feature identification using pipe inspection data analysis
WO2020068075A1 (en) * 2018-09-26 2020-04-02 Hewlett-Packard Development Company, L.P. Setting air flow rates for 3d printing
CN109709497A (zh) * 2019-02-16 2019-05-03 冀中能源峰峰集团有限公司 一种高精度定位系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
丛迅超: "基于深度学习的数据级多源融合定位增强算法", 《电子质量》 *
刘健: "基于脉冲交流电磁场的管道内外壁缺陷检测系统开发", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
刘炜: "基于智能信息处理理论的输油管道泄漏检测定位技术研究", 《中国博士学位论文全文数据库 工程科技I辑》 *
隋少春 等: "面向航空智能制造的DT与AI融合应用", 《面向航空智能制造的DT与AI融合应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115183690A (zh) * 2022-06-10 2022-10-14 成都飞机工业（集团）有限责任公司 一种基于3d打印的内型腔直径的测量方法
CN115183690B (zh) * 2022-06-10 2023-09-29 成都飞机工业（集团）有限责任公司 一种基于3d打印的内型腔直径的测量方法

Similar Documents

Publication Publication Date Title
CN109559348B (zh) 一种基于特征点追踪的桥梁非接触式变形测量方法
Gros et al. NDT data fusion at pixel level
CN110689579A (zh) 基于合作目标的快速单目视觉位姿测量方法及测量系统
CN102800096B (zh) 一种摄像机参数的鲁棒性估计算法
JP2007087210A (ja) 画像補正装置、パターン検査装置、画像補正方法、及び、パターン欠陥検査方法
CN110223355B (zh) 一种基于双重极线约束的特征标志点匹配方法
CN105911724B (zh) 确定用于检测的光照强度的方法和装置、及光学检测方法和装置
CN112036073A (zh) 一种3d打印零件测量结果矫正方法
JP2007086534A (ja) 画像補正装置、パターン検査装置、画像補正方法、及び、パターン検査方法
Wang Automatic pointer meters recognition system based on line scan vision
Luo et al. Camera calibration with coplanar calibration board near parallel to the imaging plane
CN113446932A (zh) 非接触式裂纹测量方法及其系统
CN116433661B (zh) 多任务学习的半导体晶圆检测方法、装置、设备及介质
Kamiyama et al. Estimation of low-cycle fatigue damage of sputtered Cu thin films at the micro scale using deep learning
CN116092984B (zh) 用于确定晶圆传输设备的定位精度的方法
CN117406146A (zh) 一种基于深度学习的磁场检测方法
CN109470269B (zh) 空间目标测量机构的标定方法、标定设备及标定系统
Jianming et al. Error correction for high-precision measurement of cylindrical objects diameter based on machine vision
JP2021144015A (ja) 磁気探傷方法、磁界計測処理装置及び磁気探傷装置
Li et al. Normal strain measurement by machine vision
CN113865487B (zh) 一种基于结构表面位移场的疲劳裂纹扩展实时监测方法
CN110345866B (zh) 一种用于手持扫描仪测孔的测量装置和方法
CN114266835A (zh) 一种非量测相机的变形监测控制方法与系统
Wang et al. Precision circular target location in vision coordinate measurement system
CN110567345A (zh) 基于机器视觉的非接触式管材壁厚测量方法与系统

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

Application publication date: 20201204

RJ01 Rejection of invention patent application after publication