CN112835541A - 识别3d模型类型的打印方法、装置、设备及存储介质 - Google Patents
识别3d模型类型的打印方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112835541A CN112835541A CN202011616020.3A CN202011616020A CN112835541A CN 112835541 A CN112835541 A CN 112835541A CN 202011616020 A CN202011616020 A CN 202011616020A CN 112835541 A CN112835541 A CN 112835541A
- Authority
- CN
- China
- Prior art keywords
- model
- type
- printing
- matched
- screenshot
- 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
- 238000007639 printing Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013136 deep learning model Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 239000000463 material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010146 3D printing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000000843 powder Substances 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 239000004416 thermosoftening plastic Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/1203—Improving or facilitating administration, e.g. print management
- G06F3/1204—Improving or facilitating administration, e.g. print management resulting in reduced user or operator actions, e.g. presetting, automatic actions, using hardware token storing data
-
- 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
- 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
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/1203—Improving or facilitating administration, e.g. print management
- G06F3/1208—Improving or facilitating administration, e.g. print management resulting in improved quality of the output result, e.g. print layout, colours, workflows, print preview
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
- G06F3/1237—Print job management
- G06F3/1253—Configuration of print job parameters, e.g. using UI at the client
- G06F3/1254—Automatic configuration, e.g. by driver
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
- G06F3/1237—Print job management
- G06F3/1253—Configuration of print job parameters, e.g. using UI at the client
- G06F3/1257—Configuration of print job parameters, e.g. using UI at the client by using pre-stored settings, e.g. job templates, presets, print styles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
Abstract
本发明实施例提供了一种识别3D模型类型的打印方法、装置、设备及存储介质,该方法包括:获取导入的3D模型;根据所述3D模型获取多张截图照片;将所述多张截图照片输入到预先训练好的深度学习模型中以获取匹配的3D模型类型;根据所述匹配的3D模型类型获取对应的参数配置并进行打印。本发明实施例提供的一种识别3D模型类型的打印方法,通过人工智能识别导入的3D模型类型,从而自动匹配最佳打印参数及相关设置,解决了现有技术中通过需要人为判断进行参数设置的问题,实现了自动识别模型从而提高打印精度和简化打印过程的效果。
Description
技术领域
本发明实施例涉及3D技术,尤其涉及一种识别3D模型类型的打印方法、 装置、设备及存储介质。
背景技术
现有的打印方式都是用户设计好3D模型,根据模型的特点,设置不同的 打印参数;对模型进行切片,生成相应的打印文件,进行打印。由于不同模型 的打印需要设置不同的参数,而参数的设置相对比较复杂,需要有一定的实际 经验,并且很多参数需要人为的根据经验来识别需要怎么设置。比如:手动支 撑的添加,有些悬空的地方是需要加支撑才可以完成打印的,但是这些参数无 法根据通用的规则来设置,只能根据模型整体是什么类型,形状,和一些使用 经验来设置,导致初学者想打印出高质量的模型存在困难。
发明内容
本发明提供一种识别3D模型类型的打印方法、装置、设备及存储介质, 以实现自动识别模型从而提高打印精度和简化打印过程的效果。
第一方面,本发明实施例提供了一种识别3D模型类型的打印方法,包括:
获取导入的3D模型;
根据所述3D模型获取多张截图照片;
将所述多张截图照片输入到预先训练好的深度学习模型中以获取匹配的3D模型类型;
根据所述匹配的3D模型类型获取对应的参数配置并进行打印。
通过人工智能识别导入的3D模型类型,从而自动匹配最佳打印参数及相 关设置,实现了自动识别模型从而提高打印精度和简化打印过程的效果。
可选的,所述获取导入的3D模型之前还包括:
获取多种模型与所述多种模型匹配的参数配置;
根据所述多种模型与所述多种模型匹配的参数配置建立数据库。
通过建立数据库,便于保存和存储历史数据,方便快速比较和查询模型与 其对应的参数配置。
可选的,所述根据所述3D模型获取多张截图照片包括:
根据所述3D模型从多个方向进行拍摄以获取多张截图照片。
可选的,所述根据所述3D模型从多个方向进行拍摄以获取多张截图照片 包括:
根据所述3D模型从正面、侧面和后面进行拍摄以获取多张截图照片。
通过多方向对3D模型进行拍摄截图,便于深度学习模型准确识别该3D模 型种类。
可选的,所述根据所述3D模型类型获取多张截图照片之后还包括:
对未训练的深度学习模型进行训练以获取训练好的深度学习模型。
所述对未训练的深度学习模型进行训练以获取训练好的深度学习模型包括:
可选的,获取样本截图照片与所述样本截图照片匹配的3D模型类型;
根据所述样本截图照片与所述样本截图照片匹配的3D模型类型对为未训 练的深度学习模型进行训练以获取训练好的深度学习模型。
通过样本图片和匹配的3D模型对未训练好的深度学习模型进行训练以提 高深度学习模型的识别精度和识别准确率。
可选的,所述根据所述匹配的3D模型获取对应的参数配置并进行打印包 括:
根据所述匹配的3D模型获取对应的参数配置并进行设置;
根据所述设置后的3D模型进行切片打印。
通过3D模型进行切片打印便于获取高精度的打印模型。
第二方面,本发明实施例还提供了一种识别3D模型类型的打印装置,该 装置包括:
模型获取模块,用于获取导入的3D模型;
图片获取模块,用于根据所述3D模型获取多张截图照片;
模型匹配模块,用于将所述多张截图照片输入到预先训练好的深度学习模 型中以获取匹配的3D模型类型;
模型打印模块,用于根据所述匹配的3D模型类型获取对应的参数配置并 进行打印。
第三方面,本发明实施例还提供了一种识别3D模型类型的打印设备,包 括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多 个处理器实现如上述任一所述的识别3D模型类型的打印方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有 计算机程序,该程序被处理器执行时实现如上述任一所述的识别3D模型类型 的打印方法。
本发明实施例提供的一种识别3D模型类型的打印方法,该方法包括:获 取导入的3D模型;根据所述3D模型获取多张截图照片;将所述多张截图照片 输入到预先训练好的深度学习模型中以获取匹配的3D模型类型;根据所述匹 配的3D模型类型获取对应的参数配置并进行打印。通过人工智能识别导入的 3D模型类型,从而自动匹配最佳打印参数及相关设置,解决了现有技术中通过 需要人为判断进行参数设置的问题,实现了自动识别模型从而提高打印精度和 简化打印过程的效果。
附图说明
图1是本发明实施例一中的一种识别3D模型类型的打印方法流程示意图;
图2是本发明实施例二中的一种识别3D模型类型的打印方法流程示意图;
图3是本发明实施例二中的另一种识别3D模型类型的打印方法流程示意 图;
图4是本发明实施例二中的另一种识别3D模型类型的打印方法流程示意 图;
图5是本发明实施例三中的一种识别3D模型类型的打印装置的结构示意 图;
图6是本发明实施例四中的一种识别3D模型类型的打印设备的结构示意 图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需 要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结 构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被 描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理, 但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺 序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括 在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等 等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤 或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用 于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。 举例来说,在不脱离本申请的范围的情况下,可以将第一模块为第二模块,且 类似地,可将第二模块称为第一模块。第一模块和第二模块两者都是模块,但 其不是同一模块。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性 或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征 可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个” 的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种识别3D模型类型的打印方法的流程示 意图,本发明实施例提供的一种识别3D模型类型的打印方法适用于在进行打 印前通过人工智能识别出3D模型并进行参数配置的情况,具体地,本发明实 施例提供的一种识别3D模型类型的打印方法包括:
步骤100、获取导入的3D模型。
在本实施例中,3D打印技术原理为:首先在计算机上创建一个3D数字模 型,然后把粉末或胶体等“打印材料”装入打印机,将打印机与电脑连接,读 取电脑中的3D数字模型数据,控制打印喷头的移动与材料输出,把“打印材 料”一层层叠加成型,最终把计算机上的蓝图变成实物。3D模型通常为一般在 3D打印中通过3D软件建立的模型,将该模型输入到3D打印软件中即可进行 打印。一般的,通过计算机辅助设计软件(CAD,computer-aideddesign)或其 它三维建模软件进行三维模型构建。模型可以独立设计,也可以通过扫描现实 物体得到。例如对于小尺度岩石样品,采用高精度微纳米级CT扫描获取天然 岩石的内部结构图像,然后利用三维重构方法建立数字化的三维结构网络模型。
步骤110、根据所述3D模型获取多张截图照片。
在本实施例中,所述根据所述3D模型获取多张截图照片包括:根据所述 3D模型从多个方向进行拍摄以获取多张截图照片。具体地,通过步骤100中获 取到的3D模型进行多方向的截图获取到多张不同方向的3D模型截图。在本实 施例中,所述根据所述3D模型从多个方向进行拍摄以获取多张截图照片包括: 根据所述3D模型从正面、侧面和后面进行拍摄以获取多张截图照片,从前, 侧,后三个不同角度对模型进行截图快照,通过多方向对3D模型进行拍摄截 图,便于深度学习模型准确识别该3D模型种类。在替代实施例中,还可以从多种不同方向拍摄多张照片,例如左上角、左下角、顶面等等多方向,当拍摄 的截图照片越多时,识别的准确率也越高,更加适合深度学习模型进行识别, 提高识别的准确率。
步骤120、将所述多张截图照片输入到预先训练好的深度学习模型中以获 取匹配的3D模型类型。
在本实施例中,深度学习模型是让机器能够像人一样具有分析学习能力, 能够识别文字、图像和声音等数据的软件功能模块,在本实施例中,深度学习 模型可以为神经网络模型或者卷积神经网络模型等等,在本实施例中,将多张 截图照片输入到预先训练好的深度学习模型中会输出识别结果,该识别结果即 为该多张截图照片对应的3D模型类型,示例性的,将多张截图照片输入到预 先训练好的深度学习模型中,该深度学习模型通过识别后输出该3D模型类型, 例如为汽车模型、玩具模型、手办模型等等。
步骤130、根据所述匹配的3D模型类型获取对应的参数配置并进行打印。
在本实施例中,获取步骤120中匹配的3D模型类型,并根据该3D模型对 应的参数配置输入配料,示例性的,汽车模型和手办模型所使用的打印材料不 同,现有技术中一般认为确定打印模型后进行手动进行材料配比,而在本实施 例中,通过深度学习模型识别出的3D模型类型将与其对应的配料进行输入即 可进行打印,具体地,3D打印可使用的材料很多,如SLA所用的材料为液态 光敏树脂,LOM采用纸、金属膜、塑料薄膜,SLS可采用热塑性塑料、金属粉 末、陶瓷粉末。打印材料确定之后,便要选择合适的3D打印机。目前,3D打 印机分为工业级和桌面级(消费级)两类。比较著名的企业有美国3D Systems 公司、Stratasys公司、Formlabs公司、惠普公司,德国EOS公司,以色列Objet 公司等。在本实施例中,具体打印方式在本实施例中不做限定。
本发明实施例提供的一种识别3D模型类型的打印方法,该方法包括:获 取导入的3D模型;根据所述3D模型获取多张截图照片;将所述多张截图照片 输入到预先训练好的深度学习模型中以获取匹配的3D模型类型;根据所述匹 配的3D模型类型获取对应的参数配置并进行打印。通过人工智能识别导入的 3D模型类型,从而自动匹配最佳打印参数及相关设置,解决了现有技术中通过 需要人为判断进行参数设置的问题,实现了自动识别模型从而提高打印精度和 简化打印过程的效果。
实施例二
图2为本发明实施例二提供的一种识别3D模型类型的打印方法的流程示 意图,本实施例是在实施例一的基础上对部分内容作了进一步解释和补充,本 实施例适用于在进行打印前通过人工智能识别出3D模型并进行参数配置的情 况,具体地,本发明实施例提供的一种识别3D模型类型的打印方法包括:
步骤200、获取多种3D模型与所述多种3D模型匹配的参数配置。
步骤210、根据所述多种3D模型与所述多种3D模型匹配的参数配置建立 数据库。
在本实施例中,在进行3D模型识别前,首先将多种3D模型与其对应的参 数配置进行一一匹配,示例性的,例如汽车模型对应的打印材料、打印机器等 等与手办模型对应打印材料、打印机器等等都不相同,因此需要统一将不同的 3D模型与其对应的参数配置进行匹配后输入到数据库中,此后,也可以将识别 出的深度学习模型记录保存在数据中,便于保存和存储历史数据,方便快速比 较和查询模型与其对应的参数配置。
步骤220、获取导入的3D模型。
步骤230、根据所述3D模型获取多张截图照片。
步骤240、对未训练的深度学习模型进行训练以获取训练好的深度学习模 型。
在本实施例中,首先选择合适的深度学习模型,例如卷积神经网络模型或 者神经网络模型,具体地模型类型在本实施例中不做限定,选择好适合的深度 学习模型后,需要通过大量的样本数据对该模型进行训练以获取训练好的深度 学习模型。
参阅图3,在本实施例中,步骤240还包括:
步骤241、获取样本截图照片与所述样本截图照片匹配的3D模型类型。
步骤242、根据所述样本截图照片与所述样本截图照片匹配的3D模型类型 对为未训练的深度学习模型进行训练以获取训练好的深度学习模型。
步骤250、将所述多张截图照片输入到预先训练好的深度学习模型中以获 取匹配的3D模型类型。
在本实施例中,通过获取多种样本图像对未训练好深度学习模型进行训练, 其中,多种样本图像为多张截图照片与其匹配的3D模型类型,例如汽车模型 与其多张各方向截图进行匹配为一个样本图像,将多张各方向截图作为输入, 将汽车模型作为输出,对未训练好的深度学习模型进行训练。样本图像的获取 可以在已经确定的3D模型进行多方向截图,从而获取多张截图张片,为了使 深度学习模型更加准确,优选的尽量选择更多的样本图像进行训练,从而提升 训练精度。
步骤260、根据所述匹配的3D模型类型获取对应的参数配置并进行打印。
在本实施例中,参阅图4,步骤260还包括:
步骤261、根据所述匹配的3D模型获取对应的参数配置并进行设置。
步骤262、根据所述设置后的3D模型进行切片打印。
在本实施例中,3D模型的参数配置好之后,在计算机中将模型分割成一片 片薄片,设置好打印路径与参数,传输至3D打印机将三维数字模型打印成实 体。待打印成型之后,再根据打印机的要求对实物进行后处理,得到3D打印 实体。
本发明实施例提供的一种识别3D模型类型的打印方法,该方法包括:获 取多种3D模型与所述多种3D模型匹配的参数配置;根据所述多种3D模型与 所述多种3D模型匹配的参数配置建立数据库;获取导入的3D模型;根据所述 3D模型获取多张截图照片;对未训练的深度学习模型进行训练以获取训练好的 深度学习模型;将所述多张截图照片输入到预先训练好的深度学习模型中以获 取匹配的3D模型类型;根据所述匹配的3D模型类型获取对应的参数配置并进 行打印。通过人工智能识别导入的3D模型类型,从而自动匹配最佳打印参数 及相关设置,解决了现有技术中通过需要人为判断进行参数设置的问题,实现 了自动识别模型从而提高打印精度和简化打印过程的效果。
实施例三
图5为本发明实施例三提供了识别3D模型类型的打印装置,本发明实施 例三所提供的识别3D模型类型的打印装置可执行本发明任意实施例所提供的 识别3D模型类型的打印方法,具备执行方法相应的功能模块和有益效果。如 图5所示,该识别3D模型类型的打印装置300包括:
模型获取模块310,用于获取导入的3D模型;
图片获取模块320,用于根据所述3D模型获取多张截图照片;
模型匹配模块330,用于将所述多张截图照片输入到预先训练好的深度学 习模型中以获取匹配的3D模型类型;
模型打印模块340,用于根据所述匹配的3D模型类型获取对应的参数配置 并进行打印。
可选的,在一个实施例中,还包括:
参数匹配模块,用于获取多种3D模型与所述多种3D模型匹配的参数配置;
参数获取模块,用于根据所述多种3D模型与所述多种3D模型匹配的参数 配置建立数据库。
可选的,在一个实施例中,还包括:
图片获取子模块,用于根据所述3D模型从多个方向进行拍摄以获取多张 截图照片。
可选的,在一个实施例中,还包括:
图片获取单元:用于根据所述3D模型从正面、侧面和后面进行拍摄以获 取多张截图照片。
可选的,在一个实施例中,还包括:
模型训练模块,用于对未训练的深度学习模型进行训练以获取训练好的深 度学习模型。
可选的,在一个实施例中,还包括:
样本获取子模块,用于获取样本截图照片与所述样本截图照片匹配的3D 模型类型;
模型训练模块,用于根据所述样本截图照片与所述样本截图照片匹配的3D 模型类型对为未训练的深度学习模型进行训练以获取训练好的深度学习模型。
可选的,在一个实施例中,还包括:
参数设置模块,用于根据所述匹配的3D模型获取对应的参数配置并进行 设置;
切片打印模块,用于根据所述设置后的3D模型进行切片打印。
本实施例提供了一种识别3D模型类型的打印装置,包括:模型获取模块, 用于获取导入的3D模型;图片获取模块,用于根据所述3D模型获取多张截图 照片;模型匹配模块,用于将所述多张截图照片输入到预先训练好的深度学习 模型中以获取匹配的3D模型类型;模型打印模块,用于根据所述匹配的3D模 型类型获取对应的参数配置并进行打印。通过人工智能识别导入的3D模型类 型,从而自动匹配最佳打印参数及相关设置,解决了现有技术中通过需要人为 判断进行参数设置的问题,实现了自动识别模型从而提高打印精度和简化打印 过程的效果。
实施例四
图6为本发明实施例四提供的一种识别3D模型类型的打印设备12的结构 示意图。图6示出了适于用来实现本发明实施方式的示例性识别3D模型类型 的打印设备12的框图。图6显示的识别3D模型类型的打印设备12仅仅是一 个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,识别3D模型类型的打印设备12以通用计算设备的形式表现。 识别3D模型类型的打印设备12的组件可以包括但不限于:一个或者多个处理 器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和 处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控 制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线 结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构 (ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会 (VESA)局域总线以及外围组件互连(PCI)总线。
识别3D模型类型的打印设备12典型地包括多种计算机系统可读介质。这 些介质可以是任何能够被识别3D模型类型的打印设备12访问的可用介质,包 括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随 机存取存储器(RAM)30和/或高速缓存存储器32。识别3D模型类型的打印设备 12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储 介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图 6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可 移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光 盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况 下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块, 这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储 器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个 应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可 能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能 和/或方法。
识别3D模型类型的打印设备12也可以与一个或多个外部设备14(例如键 盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该识别 3D模型类型的打印设备12交互的设备通信,和/或与使得该识别3D模型类型 的打印设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡, 调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且, 识别3D模型类型的打印设备12还可以通过网络适配器20与一个或者多个网 络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所 示,网络适配器20通过总线18与识别3D模型类型的打印设备12的其它模块 通信。应当明白,尽管图中未示出,可以结合应用于3D打印的文件处理设备 12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处 理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能 应用以及数据处理,例如实现本发明实施例所提供的应用于3D打印的文件处 理方法:
获取导入的3D模型;
根据所述3D模型获取多张截图照片;
将所述多张截图照片输入到预先训练好的深度学习模型中以获取匹配的 3D模型类型;
根据所述匹配的3D模型类型获取对应的参数配置并进行打印。
本发明实施例提供的一种识别3D模型类型的打印设备,用于执行以下方 法:获取导入的3D模型;根据所述3D模型获取多张截图照片;将所述多张截 图照片输入到预先训练好的深度学习模型中以获取匹配的3D模型类型;根据 所述匹配的3D模型类型获取对应的参数配置并进行打印。通过人工智能识别 导入的3D模型类型,从而自动匹配最佳打印参数及相关设置,解决了现有技 术中通过需要人为判断进行参数设置的问题,实现了自动识别模型从而提高打 印精度和简化打印过程的效果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程 序,该程序被处理器执行时实现如本发明任一实施例提供的识别3D模型类型 的打印方法:
获取导入的3D模型;
根据所述3D模型获取多张截图照片;
将所述多张截图照片输入到预先训练好的深度学习模型中以获取匹配的 3D模型类型;
根据所述匹配的3D模型类型获取对应的参数配置并进行打印。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质 的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储 介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、 红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存 储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便 携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式 可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件 中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以 被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据 信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种 形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读 的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算 机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用 或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括—— 但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计 算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、 Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的 程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算 机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算 机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形 中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN) —连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供 商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进 行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽 然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以 上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例, 而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种识别3D模型类型的打印方法,其特征在于,包括:
获取导入的3D模型;
根据所述3D模型获取多张截图照片;
将所述多张截图照片输入到预先训练好的深度学习模型中以获取匹配的3D模型类型;
根据所述匹配的3D模型类型获取对应的参数配置并进行打印。
2.根据权利要求1中所述的识别3D模型类型的打印方法,其特征在于,所述获取导入的3D模型之前还包括:
获取多种3D模型与所述多种3D模型匹配的参数配置;
根据所述多种3D模型与所述多种3D模型匹配的参数配置建立数据库。
3.根据权利要求1中所述的识别3D模型类型的打印方法,其特征在于,所述根据所述3D模型获取多张截图照片包括:
根据所述3D模型从多个方向进行拍摄以获取多张截图照片。
4.根据权利要求3中所述的识别3D模型类型的打印方法,其特征在于,所述根据所述3D模型从多个方向进行拍摄以获取多张截图照片包括:
根据所述3D模型从正面、侧面和后面进行拍摄以获取多张截图照片。
5.根据权利要求1中所述的识别3D模型类型的打印方法,其特征在于,所述根据所述3D模型类型获取多张截图照片之后还包括:
对未训练的深度学习模型进行训练以获取训练好的深度学习模型。
6.根据权利要求5中所述的识别3D模型类型的打印方法,其特征在于,所述对未训练的深度学习模型进行训练以获取训练好的深度学习模型包括:
获取样本截图照片与所述样本截图照片匹配的3D模型类型;
根据所述样本截图照片与所述样本截图照片匹配的3D模型类型对为未训练的深度学习模型进行训练以获取训练好的深度学习模型。
7.根据权利要求1中所述的识别3D模型类型的打印方法,其特征在于,所述根据所述匹配的3D模型获取对应的参数配置并进行打印包括:
根据所述匹配的3D模型获取对应的参数配置并进行设置;
根据所述设置后的3D模型进行切片打印。
8.一种识别3D模型类型的打印装置,其特征在于,包括:
模型获取模块,用于获取导入的3D模型;
图片获取模块,用于根据所述3D模型获取多张截图照片;
模型匹配模块,用于将所述多张截图照片输入到预先训练好的深度学习模型中以获取匹配的3D模型类型;
模型打印模块,用于根据所述匹配的3D模型类型获取对应的参数配置并进行打印。
9.一种识别3D模型类型的打印设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的识别3D模型类型的打印方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的识别3D模型类型的打印方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011616020.3A CN112835541A (zh) | 2020-12-30 | 2020-12-30 | 识别3d模型类型的打印方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011616020.3A CN112835541A (zh) | 2020-12-30 | 2020-12-30 | 识别3d模型类型的打印方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112835541A true CN112835541A (zh) | 2021-05-25 |
Family
ID=75925584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011616020.3A Pending CN112835541A (zh) | 2020-12-30 | 2020-12-30 | 识别3d模型类型的打印方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112835541A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108127913A (zh) * | 2017-12-22 | 2018-06-08 | 珠海天威飞马打印耗材有限公司 | 智能3d打印系统及其打印方法 |
CN108960288A (zh) * | 2018-06-07 | 2018-12-07 | 山东师范大学 | 基于卷积神经网络的三维模型分类方法及系统 |
CN110356007A (zh) * | 2019-05-29 | 2019-10-22 | 北京工业大学 | 一种基于IPv6网络的大规模3D打印模型切片云平台 |
US20200250322A1 (en) * | 2017-10-27 | 2020-08-06 | Hewlett-Packard Development Company, L.P. | Three-dimensional (3d) model protection via consumables |
-
2020
- 2020-12-30 CN CN202011616020.3A patent/CN112835541A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200250322A1 (en) * | 2017-10-27 | 2020-08-06 | Hewlett-Packard Development Company, L.P. | Three-dimensional (3d) model protection via consumables |
CN108127913A (zh) * | 2017-12-22 | 2018-06-08 | 珠海天威飞马打印耗材有限公司 | 智能3d打印系统及其打印方法 |
CN108960288A (zh) * | 2018-06-07 | 2018-12-07 | 山东师范大学 | 基于卷积神经网络的三维模型分类方法及系统 |
CN110356007A (zh) * | 2019-05-29 | 2019-10-22 | 北京工业大学 | 一种基于IPv6网络的大规模3D打印模型切片云平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242903B (zh) | 三维数据的生成方法、装置、设备及存储介质 | |
CN109521403B (zh) | 多线激光雷达的参数标定方法及装置、设备及可读介质 | |
Aouad et al. | Computer aided design guide for architecture, engineering and construction | |
KR20190021187A (ko) | 딥 러닝에 기반한 차량번호판 분류 방법, 시스템, 전자장치 및 매체 | |
CN106997613B (zh) | 根据2d图像的3d模型生成 | |
CN108734058B (zh) | 障碍物类型识别方法、装置、设备及存储介质 | |
Beltramello et al. | Artistic robotic painting using the palette knife technique | |
CN114648615B (zh) | 目标对象交互式重现的控制方法、装置、设备及存储介质 | |
KR20200136723A (ko) | 가상 도시 모델을 이용하여 객체 인식을 위한 학습 데이터 생성 방법 및 장치 | |
CN117152363B (zh) | 基于预训练语言模型的三维内容生成方法、装置及设备 | |
CN113326851B (zh) | 图像特征提取方法、装置、电子设备及存储介质 | |
CN112650457A (zh) | 应用于3d打印的文件处理方法、装置、设备及存储介质 | |
CN111152234A (zh) | 用于机器人的书法临摹方法、装置及机器人 | |
CN108664860A (zh) | 房间平面图的识别方法及装置 | |
CN112906092B (zh) | 一种映射方法和映射系统 | |
CN112721150A (zh) | 一种光固化3d打印方法、装置、设备及存储介质 | |
CN112835541A (zh) | 识别3d模型类型的打印方法、装置、设备及存储介质 | |
CN114627438A (zh) | 目标检测模型生成方法、目标检测方法、设备及介质 | |
CN116324783A (zh) | 用于在cad环境中提供三维计算机辅助设计(cad)模型的方法和系统 | |
Chen et al. | A quick development toolkit for augmented reality visualization (QDARV) of a Factory | |
US10755459B2 (en) | Object painting through use of perspectives or transfers in a digital medium environment | |
Kang et al. | Physics-based simulation of soft-body deformation using RGB-D data | |
García-Ruiz et al. | Object Localization with Multiplanar Fiducial Markers: Accurate Pose Estimation | |
CN110910478B (zh) | Gif图生成方法、装置、电子设备及存储介质 | |
EP3330927A1 (en) | Method and apparatus for sculpting a 3d model |
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 | ||
CB02 | Change of applicant information |
Address after: 1808, Jinxiu Hongdu building, Meilong Avenue, Xinniu community, Minzhi street, Longhua District, Shenzhen City, Guangdong Province (office address) Applicant after: Shenzhen chuangxiang 3D Technology Co.,Ltd. Address before: 518000 1808, Jinxiu Hongdu building, Meilong Avenue, Xinniu community, Minzhi street, Longhua District, Shenzhen City, Guangdong Province Applicant before: Shenzhen Chuangxiang 3D Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210525 |
|
RJ01 | Rejection of invention patent application after publication |