CN113263728A - 3d打印机的报警方法、装置、3d打印机和存储介质 - Google Patents

3d打印机的报警方法、装置、3d打印机和存储介质 Download PDF

Info

Publication number
CN113263728A
CN113263728A CN202110583772.2A CN202110583772A CN113263728A CN 113263728 A CN113263728 A CN 113263728A CN 202110583772 A CN202110583772 A CN 202110583772A CN 113263728 A CN113263728 A CN 113263728A
Authority
CN
China
Prior art keywords
image
printing
printing error
model
printer
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
CN202110583772.2A
Other languages
English (en)
Inventor
敖丹军
唐京科
易陈林
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.)
Shenzhen Chuangxiang 3D Technology Co Ltd
Original Assignee
Shenzhen Chuangxiang 3D Technology 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 Shenzhen Chuangxiang 3D Technology Co Ltd filed Critical Shenzhen Chuangxiang 3D Technology Co Ltd
Priority to CN202110583772.2A priority Critical patent/CN113263728A/zh
Publication of CN113263728A publication Critical patent/CN113263728A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)

Abstract

本申请涉及一种3D打印机的报警方法、装置、3D打印机和存储介质，该方法包括：采集在3D打印机的热床上成型的模型图像；获取模型图像的特征向量；根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误；若发生打印错误，发出错误报警。由于在确认是否发生打印错误时是根据模型图像的特征向量和不同类型的打印错误的特征向量确认的，从而可以确认出是否发生这些类型的打印错误，相较于仅仅只能在没有物料时才会发出错误报警，该方法在发生其他类型的打印错误时，也可以确认发生打印错误，即当发生打印错误时，提高检测出打印错误的可能性，降低物料的浪费和打印时间的浪费。

Description

3D打印机的报警方法、装置、3D打印机和存储介质
技术领域
本申请涉及3D打印技术领域，特别是涉及一种3D打印机的报警方法、装置、3D打印机和存储介质。
背景技术
在计算机数字技术智能化的推动下三维(three-dimensional，3D)打印技术应用的领域越来越广，3D打印是通过打印一层层的粘合材料来制造三维的物体。在打印过程中可能会发生打印错误，目前的打印机仅仅只是在没有物料时才会发出错误报警，然后打印机停止打印，等待操作人员的下一步操作；然而在打印过程中也可能发生其他的打印错误，例如：模型未粘牢在热床上、打印出现拉丝、打印出现严重变形等，对于其他的打印错误打印机并没有产生错误报警，打印机依旧继续工作，造成物料的浪费和打印时间的浪费。
发明内容
基于此，有必要针对上述技术问题，提供一种3D打印机的报警方法、装置、3D打印机和存储介质。
本申请实施例提供了一种3D打印机的报警方法，包括：采集成型的模型图像；获取所述模型图像的特征向量；根据所述模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误；若确认发生打印错误，发出错误报警。
本申请实施例还提供了一种3D打印机的报警装置，包括：采集模块，所述采集模块用于采集成型的模型图像；获取模块，所述获取模块用于获取所述模型图像的特征向量；确认模块，所述确认模块用于根据所述模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误；报警模块，所述报警模块用于若确认发生打印错误，发出错误报警。
本申请实施例还提供了一种3D打印机，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现根据上述所述的3D打印机的报警方法。
本申请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，所述计算机程序被处理器执行时实现上述所述的3D打印机的报警方法的步骤。
另外，所述获取所述模型图像的特征向量，包括：将所述模型图像输入预先训练的卷积神经网络模型中，根据所述模型图像及所述卷积神经网络模型已确认的权重和偏置获取所述模型图像的特征向量；其中，所述卷积神经网络模型通过以下方式得到：将不同类型的打印错误图像作为训练集；将所述训练集输入卷积神经网络模型中，得到已确认权重和偏置的卷积神经网络模型。通过卷积神经网络获取的特征向量是一系列不同深度的特征组合的特征向量，所以通过这样的方法使获取的模型图像的特征向量更准确，从而使得确认是否发生打印错误的结果更准确。
另外，在所述得到已确认出权重和偏置的卷积神经网络模型之后，还包括：根据打印错误图像上的标记确认属于同一类型的打印错误图像；根据同一类型的打印错误图像、所述权重和所述偏置，获取同一类型的打印错误图像的特征向量。通过这样的方法，可以直接根据用于进行卷积神经网络训练的图像来确认不同类型的打印错误图像的特征向量，提高了确认出不同类型的打印错误图像的特征向量。
另外，所述根据同一类型的打印错误图像、所述权重和所述偏置，获取同一类型的打印错误图像的特征向量，包括：从同一类型的打印错误图像中选取一张图像；根据选取的一张图像、所述权重和所述偏置，获取同一类型的打印错误图像的特征向量。仅选取一张图像，并通过该张图像、权重和偏置来获取同一类型的打印错误图像的特征向量，计算量降低，提高了速度，从而更快的确认出不同类型的打印错误图像的特征向量。
另外，所述根据所述模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误，包括：分别计算所述模型图像的特征向量与各类型的打印错误图像的特征向量的各欧式距离；将所述各欧氏距离分别与对应的各类型的打印错误图像的阈值进行比较，根据比较结果确认是否发生打印错误。由于比较结果可以较准确的反映出模型图像的特征向量对应的点和不同类型的打印错误图像的特征向量对应的点在多维空间中的距离，该距离反应的是图像之间的相似性，通过相似性的大小与阈值进行比较可以较准确的确认出是否发生打印错误。
另外，所述将所述欧氏距离与当前遍历的类型的打印错误图像的预设阈值进行比较，根据比较结果确认是否发生打印错误，包括：若所述比较结果为存在一个欧式距离小于对应的类型的打印错误图像的阈值，则确认发生打印错误。通过这样的方法，只要存在一个欧氏距离小于对应的类型的打印错误图像的阈值时，就认为是发生了打印错误，进一步提高了检测出打印错误的可能性。
另外，在所述若确认发生打印错误之后，还包括：根据所述模型图像对确认出权重和偏置的卷积神经网络进行更新，得到更新了权重和偏置的卷积神经网络模型。通过模型图像对卷积神经网络模型中的权重和偏置进行更新，可以使得卷积神经网络模型中的权重和偏置更加准确，从而使后续确认出的特征向量更加准确。
上述方法、装置、3D打印机和存储介质，采集在3D打印机的热床上成型的模型图像；获取模型图像的特征向量；根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误；若发生打印错误，发出错误报警。由于在确认是否发生打印错误时是根据模型图像的特征向量和不同类型的打印错误的特征向量确认的，从而可以确认出是否发生这些类型的打印错误，相较于仅仅只能在没有物料时才会发出错误报警，该方法在发生其他类型的打印错误时，也可以确认发生打印错误，即当发生打印错误时，提高检测出打印错误的可能性，降低物料的浪费和打印时间的浪费。
附图说明
图1为本申请第一实施例的3D打印机的报警方法的流程图；
图2为本申请第一实施例中步骤103的一种具体实现方式的流程图；
图3为本申请第二实施例的3D打印机的报警方法的流程图；
图4为本申请第三实施例的3D打印机的报警装置的结构示意图；
图5为本申请第四实施例的3D打印机的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请第一实施例涉及一种3D打印机的报警方法，应用于3D打印机。本实施例的3D打印机的报警方法的流程图如图1所示，包括：
步骤101，采集成型的模型图像。
具体地，通过3D打印机上的摄像头实时采集成型的模型图像或者按照预设周期采集成型的模型图像，当3D打印机为熔融沉积(Fused Deposition Modeling，FDM)打印机时，通过3D打印机上的摄像头按照预设周期采集在热床上成型的模型图像；当3D打印机为光固化(Digital Light Processing，DLP)打印机时，通过3D打印机上的摄像头按照预设周期采集在成型平台上成型的模型图像；其中，预设周期可以根据实际需要进行设定，例如，预设周期为2s，则摄像头每隔2s采集成型的模型图像。
步骤102，获取模型图像的特征向量。
步骤103，根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误，若确认发生打印错误，进入步骤104，若确认未发生打印错误，重新进入步骤101。
具体地，可以通过预设算法获取模型图像的特征向量，预设算法可以为几何法或模型法或信号处理法，其中，几何法可以为Voronio棋盘格特征法或结构法等，模型法可以为马尔可夫(Markov)随机场(MRF)模型法或Gibbs随机场模型法等，信号处理法可以为灰度共生矩阵或Tamura纹理特征法等。对于不同类型的打印错误图像的特征向量可以为预设的特征向量，也可以为通过预设算法获取的。对于某个类型的打印错误图像的特征向量可以通过以下方式获取：先获取该类型的打印错误图像，再将该类型的打印错误图像通过预设算法算出各打印错误图像的特征向量，并将各打印错误图像的特征向量进行融合，得到该类型的打印错误图像的特征向量；将不同类型的打印错误图像的特征向量均通过上述方式获取。对于某个类型的打印错误图像的特征向量也可以通过以下方式获取：先获取该类型的打印错误图像，再从该类型的打印错误图像中选取一张打印错误图像，通过预设算法算出该打印错误图像的特征向量，并将该打印错误图像的特征向量作为该类型的打印错误图像的特征向量，将不同类型的打印错误图像的特征向量均通过上述方式获取。这样就可以得到模型图像的特征向量和不同类型的打印错误的特征向量，再根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误。
在一个例子中，根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误的流程图如图2所示，包括：
步骤1031，分别计算模型图像的特征向量与各类型的打印错误图像的特征向量的各欧式距离。
具体地，以一个例子来说，当不同类型的打印错误有四类即1、2、3、4时，分别计算模型图像的特征向量X与1类打印错误图像的特征向量A之间的欧氏距离为a，计算模型图像的特征向量X与2类打印错误图像的特征向量B之间的欧氏距离为b，计算模型图像的特征向量X与3类打印错误图像的特征向量C之间的欧氏距离为c，计算模型图像的特征向量X与4类打印错误图像的特征向量D之间的欧氏距离为d。
步骤1032，将各欧式距离分别与对应的各类型的打印错误图像的阈值进行比较，根据比较结果确认是否发生打印错误。
具体地，各类型的打印错误图像的阈值可以根据实际需要进行预设的，各类型的打印错误图像的阈值可以相同，也可以不同，本实施例不做具体限定。以上述例子来说，将欧氏距离a与1类打印错误图像的阈值a’进行比较得到比较结果，将欧式距离b与2类打印错误图像的阈值b’进行比较得到比较结果，将欧式距离c与3类打印错误图像的阈值c’进行比较得到比较结果，将欧式距离d与4类打印错误图像的阈值d’进行比较得到比较结果，若比较结果为存在一个欧式距离小于对应的类型的打印错误图像的阈值时，则确认发生打印错误，例如，若比较结果为a小于a’，b大于b’，c大于c’，d大于d’，此时存在a小于a’，则确认发生打印错误；此时只要存在一个欧氏距离小于对应的类型的打印错误图像的阈值时，就认为是发生了打印错误，进一步提高了检测出打印错误的可能性。
由于比较结果可以较准确的反映出模型图像的特征向量对应的点和不同类型的打印错误图像的特征向量对应的点在多维空间中的距离，该距离反应的是图像之间的相似性，通过相似性的大小与阈值进行比较可以较准确的确认出是否发生打印错误。
在一个例子中，若比较结果为存在N个欧式距离小于对应的类型的打印错误图像的阈值时，则确认发生打印错误，N不大于打印错误图像的类型数。
在一个例子中，遍历每一类型的打印错误图像的特征向量，当遍历到一种类型的打印错误图像的特征向量时，计算模型图像的特征向量与当前遍历的类型的打印错误图像的特征向量的欧氏距离；将欧氏距离与当前遍历的类型的打印错误图像的预设阈值进行比较，若欧式距离小于当前遍历的类型的打印错误图像的预设阈值，则停止遍历且确认发生打印错误，若欧式距离不小于当前遍历的类型的打印错误图像的预设阈值，继续进行遍历直至遍历完成。
具体地，以一个例子来说，当不同类型的打印错误有四类即1、2、3、4时，计算模型图像的特征向量X与1类打印错误图像的特征向量A之间的欧氏距离为a，将欧氏距离a与1类打印错误图像的阈值a’进行比较，若a小于a’，则停止遍历且确认发生打印错误，若a大于a’，继续遍历，计算模型图像的特征向量X与2类打印错误图像的特征向量B之间的欧氏距离为b，将欧氏距离b与2类打印错误图像的阈值b’进行比较，若b小于b’，则停止遍历且确认发生打印错误，若b大于b’，继续遍历，计算模型图像的特征向量X与3类打印错误图像的特征向量C之间的欧氏距离为c，将欧氏距离c与3类打印错误图像的阈值c’进行比较，若c小于c’，则停止遍历且确认发生打印错误，若c大于c’，继续遍历，计算模型图像的特征向量X与4类打印错误图像的特征向量D之间的欧氏距离为d，将欧氏距离d与4类打印错误图像的阈值d’进行比较，若d小于d’，则停止遍历且确认发生打印错误，若d大于d’，遍历完成。
步骤104，发出错误报警。
具体地，若确认发生打印错误，发出错误报警，错误报警可以以文字的形式展示在控制面板，也可以以声音的形式进行告警，当3D打印机连接有终端时，也可以将错误报警发送给终端。
在一个例子中，在若确认发生打印错误之后，还包括：根据模型图像对确认出权重和偏置的卷积神经网络进行更新，得到更新了权重和偏置的卷积神经网络模型。具体地，将模型图像作为训练样本，对卷积神经网络进行训练，从而更新卷积申请网络中的权重和偏置，得到更新了权重和偏置的卷积神经网络模型。
本实施例中，采集在3D打印机的热床上成型的模型图像；获取模型图像的特征向量；根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误；若发生打印错误，发出错误报警。由于在确认是否发生打印错误时是根据模型图像的特征向量和不同类型的打印错误的特征向量确认的，从而可以确认出是否发生这些类型的打印错误，相较于仅仅只能在没有物料时才会发出错误报警，该方法在发生其他类型的打印错误时，也可以确认发生打印错误，即当发生打印错误时，提高检测出打印错误的可能性，降低物料的浪费和打印时间的浪费。
本申请第二实施例涉及一种3D打印机的报警方法，应用于3D打印机，第二实施例与第一实施例大致相同，不同之处在于：第二实施例中模型图像的特征向量是通过卷积神经网络模型获取的。本实施例的3D打印机的报警方法的流程图如图3所示，包括：
步骤201，采集成型的模型图像。
步骤201与第一实施例中的步骤101类似，在此不再赘述。
步骤202，将模型图像输入预先训练的卷积神经网络模型中，根据模型图像及卷积神经网络模型已确认的权重和偏置获取模型图像的特征向量；其中，卷积神经网络模型通过以下方式得到：将不同类型的打印错误图像作为训练集；将训练集输入卷积神经网络模型中，得到已确认出权重和偏置的卷积神经网络模型。
具体地说，人工收集不同类型的3D打印错误图像，不同类型的3D打印错误包括但不限于没有物料、模型未粘牢在热床上、打印出现拉丝、打印出现严重变形、打印出现翘边等，将不同类型的打印错误图像作为训练集输入卷积神经网络模型中进行训练，确认出权重和偏置，从而得到已确认出权重和偏置的卷积神经网络模型。
当采集到成型的模型图像之后，将模型图像输入确认出权重和偏置的卷积神经网络模型中进行卷积运算，卷积运算相当于图像处理中的滤波器运算，用来作卷积运算的东西叫卷积核即权重(也叫核、滤波器或者过滤器)，卷积核通常为较小尺寸的矩阵，例如，3*3或5*5或1*1，每一次卷积操作则将卷积核上的每个像素点和对应模型图像上的像素点相乘、求和、再加上偏置，即为本次卷积的结果，然后将卷积核移动一个预设补偿，接着下一次卷积，直至卷积核遍历完模型图像的每个像素点，即可获取一个新的矩阵即模型图像的特征向量。通过卷积神经网络获取的特征向量是一系列不同深度的特征组合的特征向量，所以通过这样的方法使获取的模型图像的特征向量更准确。
在一个例子中，在得到已确认出权重和偏置的卷积神经网络模型之后，还包括：根据标记确认属于同一类型的打印错误图像；根据同一类型的打印错误图像、权重和偏置，获取同一类型的打印错误图像的特征向量。
具体地说，人工收集不同类型的3D打印错误图像之后，将打印错误图像进行区分，对不同类型的打印错误图像进行标记，标记可以为颜色，也可以为特殊的符号，打印机可以检测图像上的标记，并根据打印错误图像上的标记确认属于同一类型的打印错误图像，例如：标记为颜色，1类打印错误图像的标记为黄色、2类打印错误图像的标记为黑色，3类打印错误图像的标记为橙色、4类打印错误图像的标记为红色，则打印机检测图像上的标记，根据标记的颜色来确认属于同一类型的打印错误图像。由于确认卷积神经网络模型时已经将这些不同类型的打印错误图像输入到卷积神经网络模型中了，所以在得到确认出权重和偏置的卷积神经网络模型之后，根据打印错误图像上的标记确认属于同一类型的打印错误图像，对于某个类型的打印错误图像的特征向量可以通过以下方式获取：分别根据该类型的各打印错误图像、权重和偏置，获取该类型的各打印错误图像的特征向量，并将各打印错误图像的特征向量进行融合，得到该类型的打印错误图像的特征向量，例如：该类型的打印错误图像为m、n、v，根据打印错误图像m、权重和偏置，获取打印错误图像的特征向量m’，根据打印错误图像n、权重和偏置，获取打印错误图像的特征向量n’，打印错误图像v、权重和偏置，获取打印错误图像的特征向量v’，将特征向量m’、n’、v’进行融合，得到该类型的打印错误图像的特征向量，将不同类型的打印错误图像的特征向量均通过上述方式获取。通过这样的方法，可以直接根据用于进行卷积神经网络训练的图像来确认不同类型的打印错误图像的特征向量，提高了确认出不同类型的打印错误图像的特征向量。
在一个例子中，根据同一类型的打印错误图像、权重和所述偏置，获取同一类型的打印错误图像的特征向量，包括：从同一类型的打印错误图像中选取一张图像；根据选取的一张图像、权重和偏置，获取同一类型的打印错误图像的特征向量。
具体地，对于某个类型的打印错误图像的特征向量可以通过以下方式获取：该类型的打印错误图像为m、n、v，若选取的打印错误图像为m，根据打印错误图像m、权重和偏置，获取打印错误图像的特征向量m’，则将打印错误图像m的特征向量m’作为该类型的打印错误图像的特征向量，将不同类型的打印错误的特征向量均通过上述方式获取。仅选取一张图像，并通过该张图像、权重和偏置来获取同一类型的打印错误图像的特征向量，计算量降低，从而进一步提高了确认出不同类型的打印错误图像的特征向量。
步骤203，根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误，若确认发生打印错误，进入步骤204，若确认未发生打印错误，重新进入步骤201。
在一个例子中，根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误，包括：分别计算模型图像的特征向量与各类型的打印错误图像的特征向量的各欧式距离；将各欧式距离分别与对应的各类型的打印错误图像的阈值进行比较，根据比较结果确认是否发生打印错误。
在一个例子中，若比较结果为存在N个欧式距离小于对应的类型的打印错误图像的阈值时，则确认发生打印错误，N不大于打印错误图像的类型数。
在一个例子中，若比较结果为存在一个欧式距离小于对应的类型的打印错误图像的阈值时，则确认发生打印错误。
在一个例子中，遍历每一类型的打印错误图像的特征向量，当遍历到一种类型的打印错误图像的特征向量时，计算模型图像的特征向量与当前遍历的类型的打印错误图像的特征向量的欧氏距离；将欧氏距离与当前遍历的类型的打印错误图像的预设阈值进行比较，若欧式距离小于当前遍历的类型的打印错误图像的预设阈值，则停止遍历且确认发生打印错误，若欧式距离不小于当前遍历的类型的打印错误图像的预设阈值，继续进行遍历直至遍历完成。
步骤204，发出错误报警。
步骤204与第一实施例中的步骤104类似，在此不再赘述。
在一个例子中，在若确认发生打印错误之后，还包括：根据模型图像对确认出权重和偏置的卷积神经网络进行更新，得到更新了权重和偏置的卷积神经网络模型。
本实施例中，通过卷积神经网络获取的特征向量是一系列不同深度的特征组合的特征向量，所以通过这样的方法使获取的模型图像的特征向量更准确，从而使得确认是否发生打印错误的结果更准确。
本申请第三实施例涉及一种3D打印机的报警装置，如图4所示，3D打印机的报警装置包括：
采集模块301，采集模块301用于采集成型的模型图像。
获取模块302，获取模块302用于获取所述模型图像的特征向量；
确认模块303，确认模块303用于根据模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误；
报警模块304，报警模块304用于若确认发生打印错误，发出错误报警。
关于装置的具体限定可以参见上文中对于方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于3D打印机中的处理器中，也可以以软件形式存储于3D打印机中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请第四实施例提供了一种3D打印机，其结构示意图可以如图5所示。该3D打印机包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该3D打印机的处理器用于提供计算和控制能力。该3D打印机的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该3D打印机的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种模型打印方法。该3D打印机的显示屏可以是液晶显示屏或者电子墨水显示屏，该3D打印机的输入装置可以是显示屏上覆盖的触摸层，也可以是3D打印机外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的3D打印机的限定，具体的3D打印机可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个例子中，还提供了一种3D打印机，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
本申请第六实施例提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个例子中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。3D打印机的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该3D打印机执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种3D打印机的报警方法，其特征在于，包括：
采集成型的模型图像；
获取所述模型图像的特征向量；
根据所述模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误；
若确认发生打印错误，发出错误报警。
2.根据权利要求1所述的3D打印机的报警方法，其特征在于，所述获取所述模型图像的特征向量，包括：
将所述模型图像输入预先训练的卷积神经网络模型中，根据所述模型图像及所述卷积神经网络模型已确认的权重和偏置获取所述模型图像的特征向量；
其中，所述卷积神经网络模型通过以下方式得到：将不同类型的打印错误图像作为训练集；将所述训练集输入卷积神经网络模型中，得到已确认权重和偏置的卷积神经网络模型。
3.根据权利要求2所述的3D打印机的报警方法，其特征在于，在所述得到已确认权重和偏置的卷积神经网络模型之后，还包括：
根据打印错误图像上的标记确认属于同一类型的打印错误图像；
根据同一类型的打印错误图像、所述权重和所述偏置，获取同一类型的打印错误图像的特征向量。
4.根据权利要求3所述的3D打印机的报警方法，其特征在于，所述根据同一类型的打印错误图像、所述权重和所述偏置，获取同一类型的打印错误图像的特征向量，包括：
从同一类型的打印错误图像中选取一张图像；
根据选取的一张图像、所述权重和所述偏置，获取同一类型的打印错误图像的特征向量。
5.根据权利要求1所述的3D打印机的报警方法，其特征在于，所述根据所述模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误，包括：
分别计算所述模型图像的特征向量与各类型的打印错误图像的特征向量的各欧式距离；
将所述各欧氏距离分别与对应的各类型的打印错误图像的阈值进行比较，根据比较结果确认是否发生打印错误。
6.根据权利要求5所述的3D打印机的报警方法，其特征在于，所述将所述欧氏距离与当前遍历的类型的打印错误图像的预设阈值进行比较，根据比较结果确认是否发生打印错误，包括：
若所述比较结果为存在一个欧式距离小于对应的类型的打印错误图像的阈值，则确认发生打印错误。
7.根据权利要求2所述的3D打印机的报警方法，其特征在于，在所述若确认发生打印错误之后，还包括：
根据所述模型图像对确认出权重和偏置的卷积神经网络进行更新，得到更新了权重和偏置的卷积神经网络模型。
8.一种3D打印机的报警装置，其特征在于，包括：
采集模块，所述采集模块用于采集成型的模型图像；
获取模块，所述获取模块用于获取所述模型图像的特征向量；
确认模块，所述确认模块用于根据所述模型图像的特征向量和不同类型的打印错误图像的特征向量，确认是否发生打印错误；
报警模块，所述报警模块用于若确认发生打印错误，发出错误报警。
9.一种3D打印机，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现根据权利要求1至7中任一所述的3D打印机的报警方法。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的3D打印机的报警方法的步骤。
CN202110583772.2A 2021-05-27 2021-05-27 3d打印机的报警方法、装置、3d打印机和存储介质 Pending CN113263728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110583772.2A CN113263728A (zh) 2021-05-27 2021-05-27 3d打印机的报警方法、装置、3d打印机和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110583772.2A CN113263728A (zh) 2021-05-27 2021-05-27 3d打印机的报警方法、装置、3d打印机和存储介质

Publications (1)

Publication Number Publication Date
CN113263728A true CN113263728A (zh) 2021-08-17

Family

ID=77233232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110583772.2A Pending CN113263728A (zh) 2021-05-27 2021-05-27 3d打印机的报警方法、装置、3d打印机和存储介质

Country Status (1)

Country Link
CN (1) CN113263728A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023217219A1 (zh) * 2022-05-13 2023-11-16 上海轮廓科技有限公司 用于3d打印机的方法、装置、3d打印机和存储介质
SE2250597A1 (en) * 2022-05-19 2023-11-20 Cellink Bioprinting Ab Multi-sensor evaluation of a printing process

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200247063A1 (en) * 2018-04-02 2020-08-06 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
CN112508105A (zh) * 2020-12-11 2021-03-16 南京富岛信息工程有限公司 一种采油机故障检测与检索方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200247063A1 (en) * 2018-04-02 2020-08-06 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
CN112508105A (zh) * 2020-12-11 2021-03-16 南京富岛信息工程有限公司 一种采油机故障检测与检索方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023217219A1 (zh) * 2022-05-13 2023-11-16 上海轮廓科技有限公司 用于3d打印机的方法、装置、3d打印机和存储介质
SE2250597A1 (en) * 2022-05-19 2023-11-20 Cellink Bioprinting Ab Multi-sensor evaluation of a printing process

Similar Documents

Publication Publication Date Title
CN108009543B (zh) 一种车牌识别方法及装置
CN109815997B (zh) 基于深度学习的识别车辆损伤的方法和相关装置
CN110598512B (zh) 一种车位检测方法及装置
CN112257692B (zh) 一种行人目标的检测方法、电子设备及存储介质
CN113263728A (zh) 3d打印机的报警方法、装置、3d打印机和存储介质
CN112001406B (zh) 一种文本区域检测方法及装置
CN113409382A (zh) 车辆损伤区域的测量方法和装置
CN111292377B (zh) 目标检测方法、装置、计算机设备和存储介质
CN111814716A (zh) 印章去除方法、计算机设备和可读存储介质
US20200005078A1 (en) Content aware forensic detection of image manipulations
CN111915567A (zh) 一种图像质量评估方法、装置、设备及介质
CN113420848A (zh) 神经网络模型的训练方法及装置、手势识别的方法及装置
JP5750093B2 (ja) ダイナミックグリッドによるバンドベースのパッチ選択
CN110910322A (zh) 图片处理方法、装置、电子设备及计算机可读存储介质
CN110472640B (zh) 一种目标检测模型预测框处理方法及装置
JP2023181587A (ja) 欠陥検査装置
US20150235399A1 (en) Variable Patch Shape Synthesis
JP7059889B2 (ja) 学習装置、画像生成装置、学習方法、及び学習プログラム
CN117115415B (zh) 基于大数据分析的图像标记处理方法和系统
JP2012123631A (ja) 注目領域検出方法、注目領域検出装置、及びプログラム
CN111583159B (zh) 一种图像补全方法、装置及电子设备
CN110264452A (zh) 一种工件检测方法、装置、设备及存储介质
JP2019185615A (ja) 動線管理装置、動線管理方法及び動線管理プログラム
JP7321452B2 (ja) プログラム、情報処理装置、情報処理方法及び学習済みモデルの生成方法
CN111640076B (zh) 一种图像补全方法、装置及电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210817