CN114078189B - 基于机器学习方法的点阵模型增材制造的自适应填充方法 - Google Patents
基于机器学习方法的点阵模型增材制造的自适应填充方法 Download PDFInfo
- Publication number
- CN114078189B CN114078189B CN202010847333.3A CN202010847333A CN114078189B CN 114078189 B CN114078189 B CN 114078189B CN 202010847333 A CN202010847333 A CN 202010847333A CN 114078189 B CN114078189 B CN 114078189B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- filling
- area
- filled
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000004215 lattice model Methods 0.000 title claims abstract description 21
- 239000000654 additive Substances 0.000 title claims abstract description 18
- 230000000996 additive effect Effects 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000001154 acute effect Effects 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 5
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000010998 test method Methods 0.000 claims 1
- 238000003754 machining Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000003016 pheromone Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010146 3D printing Methods 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/30—Polynomial surface description
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种适用于点阵模型增材制造加工的自适应填充方法，包括：根据学习样本对待填充的几何特征进行分类；选用适宜的填充路径对各个待加工子区域进行填充；确定各个子区域的加工次序，将各个子区域的填充轨迹进行连接。本发明方法对复杂点阵模型采用基于机器学习的自适应路径选择规划方式及无交叉轨迹连接方法，提高了加工的均匀性及光顺性；提高了加工效率和质量；采用根据机器学习对几何特征进行分类的加工区域归类方法，获得了适宜采用等距轮廓偏置、双螺旋轨迹及基于直骨架路径填充方式的的加工区域分类结果，实现了加工轨迹的光顺性和高效性；基于旅行商问题的连接路径，将使得轨迹连接没有交叉，实现高效的填充次序规划。
Description
技术领域
本发明涉及机器学习、计算机图形学、增材制造加工及轨迹规划及连接等技术，具体为一种适用于在曲面进行分层切片计算后，采用机器学习方法得到待填充区域的自适应填充轨迹、进行合理规划并进行轨迹连接的方法。
背景技术
与传统结构相比，具有多层级结构的点阵结构表现出优异的力学性能，其具有可以减轻系统重量、噪声等优势。由于点阵结构具有轻质量、高刚度和易于实现多功能一体化等优势，使其在航天器结构领域具有广泛的应用前景。尤其是在国家军事防御领域，如航空光学元件和高速制导武器的某些要求轻质量、高强度的一些关键部件，而其加工质量将直接影响整体设备的使用质量。
因其结构的复杂性，很多时候甚至不能通过传统的数控加工等方式加工出来，但技术日益增进的增材制造技术，使得复杂点阵结构能够通过3D打印的方式被制造出来。点阵部件因结构复杂，其加工效率一直是亟待解决的难题，本文针对点阵结构部件的分层切片算法产生的大量小多边形的填充技术的瓶颈问题，通过计算机图形学技术，采用旅行商问题的解决方法，将多种填充方式等工艺技术的创新整合，开发出点阵结构的高效填充方法。
现阶段要通过3D打印的方式获得点阵模型的缺点是很明显的：首先切片后获得数量非常多的小多边形为待填充区域，多边形的形状多种多样，单一的填充轨迹难以适用于所有的形状；而采用传统的等距轮廓偏置路径(CPO)或往复行切路径(Zig-Zag)效率不高、费时费力，而且后者的往复运行更容易造成锯齿状边界，导致打印精度不高；切片后数量众多的待填充区域的填充顺序与网格模型及切片平面求交的顺序有关系，是属于离散、无序的，依照这种默认的方式进行填充将导致大量的空行程。
要实现点阵模型的3D打印必须对现有的填充方式和轨迹连接方式进行改进和创新，让填充方式能够根据几何特征自适应选择填充方案是点阵模型高效、高精度3D打印的核心所在。
发明内容
针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种基于机器学习方法的点阵模型增材制造的自适应填充方法及轨迹连接方法。
本发明为实现上述目的所采用的技术方案是：一种基于机器学习方法的点阵模型增材制造的自适应填充方法及轨迹连接方法，包括以下步骤：
基于机器学习方法的点阵模型增材制造的自适应填充方法，包括以下步骤：
步骤1：根据几何特征对待填充切片层划分子区域；对存在多孔结构的多边形区域划分为CPO路径填充区域，对其余单孔结构区域或不含有孔结构的多边形区域采用机器学习的方法进行分类；
步骤2：根据学习样本归纳若干几何特征进一步划分子区域，将训练样本按特征进行交叉验证，并绘制ROC曲线，判断特征区分的质量优化几何特征分类，确定对应各个几何特征的路径规划方式；
步骤3：将各区域的外轮廓多边形抽象为其对应的重心坐标，以旅行商TSP求解确定各个子区域的加工次序，生成各个子区域的填充轨迹；
步骤4：将各个子区域的轨迹采用对应的路径规划方式进行连接。
所述采用的机器学习方法为支持向量机SVM方法或人工神经网络。
所述根据学习样本归纳的若干几何特征进一步划分子区域包括：
具有圆度大的几何特征的子区域；
具有锐角或直角比例大的几何特征的子区域；
具有网栅结构或者具有狭长瓶颈结构的几何特征的子区域。
所述交叉验证为五折交叉测试法。
所述的绘制ROC曲线为：根据学习的结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要的值：横坐标FPR与纵坐标TPR；FPR表示，预测为正例且真实情况为反例的，占所有真实情况中反例的比率，又称假正例率；TRP表示，预测为正例但真实情况为反例的，占所有情况中正例的比率，又称真正利率；FPR越小，同时TPR越大，则表示分类效果越准确。
判断特征区分的质量优化几何特征分类，包括：
1)以圆形度及锐角间距的距离占边界周长的百分比,判断其外边界的光顺性，从而判断圆度大的待填充区域：
其中，圆形度e公式为：e＝(4π*面积)/(周长*周长)；
若e的数值小于预设阈值，则认为外边界不够光顺，圆形度较低；反之外边界足够光顺；
2)以锐角或直角占总转角数量的百分比判断外边界的尖锐情况，从而判断锐角或直角比例占总量大的待填充区域：
若锐角或直角总量占所有角度比例均超过预设阈值，则认为外边界不够光顺，尖锐转角较多，判断为锐角或直角比例占总量大的待填充区域；
3)以面积与周长的比值判断外边界的狭长情况，从而判断网栅或者瓶颈狭长区域：
若面积与周长的比值小于等于面积值开平方的四分之一，则认为该形状狭长，为网栅或瓶颈区域；
其中，上述光顺性、尖锐情况、狭长情况的计算结果若未满足要求则返回步骤2加入新的样本重新计算。
所述根据几何特征确定对应的路径规划方式，包括：
对圆度大的待填充区域，确定采用双螺旋路径进行填充；
对锐角比例大、或直角比例大的待填充区域，确定采用CPO路径进行填充；
对网栅或者瓶颈狭长区域确定采用直骨架法进行填充。
所述以旅行商TSP求解确定各个子区域的加工次序是采用的蚁群算法来确定各个子区域的填充轨迹。
所述路径连接轨迹不存在交叉，且选择的连接路径相对较短。
本发明具有以下有益效果及优点：
1.本发明方法采用一种基于机器学习方法的复杂点阵模型切片后离散区域的自适应填充方法，降低了加工残留及重复加工，提高了加工效率和质量的问题。
2.本发明采用了适用于大量离散区域的增材加工轨迹连接方法，可实现无交叉的最短路径连接方式，可大大提高连接效率。
3.本发明中基于双螺旋轨迹规划方式的填充方法，提高了加工的均匀性及光顺性，可提高填充效率。
4.本发明中基于直骨架法规划方式的填充方法，提高了填充区域的均匀性及光顺性。
附图说明
图1为方法步骤流程图。
图2为复杂点阵模型的某层切片图。
图3为适用于螺旋轨迹的几何特征为外边界较圆润多边形模型。
图4为适用于CPO轨迹的几何特征为外边界多为锐角及直角的多边形模型。
图5为适用于直骨架轨迹的几何特征为外边界多为锐角及直角且粗细均匀的多边形模型。
图6(a)为典型的点阵结构件；
图6(b)为典型的点阵结构件切片后的得到第8层的路径规划前后对比图。
图6(c)为典型的点阵结构件切片后得到第10层的路径规划前后对比图。
图6(d)为典型的点阵结构件切片后得到第23层的路径规划前后对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
实施例：本发明基于机器学习方法的点阵模型增材制造的自适应填充方法，首先确定制备学习样本，再针对各个子加工区域，对各个子区域的几何特征进行分类，确定与各个子区域对应的相适应的填充轨迹，然后按照旅行商问题求解轨迹连接次序，进行点阵模型的增材制造加工。
具体的基于机器学习方法的点阵模型增材制造的自适应填充方法步骤，如下：
步骤1：根据几何特征对切片后的多边形区域进行人工样本制备，按照该多边形区域几何特征确定对应的路径规划方式；
步骤2：选用一种机器学习方法，将样本分若干组进行轮换训练，并根据获得的训练结果确定机器学习的参数；
步骤3：应用上述机器学习方案及选定参数对切片后的多边形数据进行处理，获得多边形的各个适宜的填充方式；
步骤4：将各个多边形抽象为其对应的重心坐标，以旅行商问题求解各个子区域的加工次序，进行轨迹连接；
具体地：
针对各个切片加工子区域进行划分。
子区域的划分根据为几何特征，不能存在多孔区域：如图1所示，由于多孔的分布可能非常复杂，采用效率较高的双螺旋加工未必适合，甚至造成较大的加工误差，因此，将多孔区域分割出来，不进行划分，全部按照CPO的方式进行填充。
对于学习样本，需要按照几何特征进行制备，如适合双螺旋加工轨迹的区域不能存在尖锐转角区域：如图2所示，在狭长区域会有较大的加工残留区域，因此，将具有尖锐转角的区域分割出来；对应的，在接近圆形或环形的子区域，即在较圆润区域得到光顺、误差小的双螺旋轨迹；此外，划分的依据还包括具有尖锐转角的子区域，这样的子区域以CPO轨迹规划方式进行加工，如图3所示；对于狭长的瓶颈区域，如图4，可以考虑采取由中轴线进行偏置的方式，适合以骨架线法进行高效填充。
其中，边界圆润的区域以圆形度及锐角间距的距离占边界周长的百分比进行判断，从而判断外边界的光顺性。例如，若圆形度计算、锐角间距的距离占边界周长的百分比均达到预设阈值时判断尖锐情况符合要求，该几何特征选取合适。圆形度公式e如下：
e＝(4π*面积)/(周长*周长)(e为圆形度)。e＝1时，颗粒为圆形，e越小，颗粒与圆形的差距越大。若e的数值小于0.8(此为经验值)，则认为外边界不够光顺，圆形度较低，反之圆形度高可以判断为圆度大的待填充区域。例如：圆的圆形度为1.0，正方形的圆形度为π/4，约为0.79，正三角形的圆形度为(π*√3)/9，约等于0.60。
其中，具有尖锐转角的区域以锐角或直角占总转角数量的百分比进行判断，从而判断外边界的尖锐情况。例如，若计算的百分比均达到预设阈值时判断尖锐情况符合要求，该几何特征选取合适。若锐角或直角总量占所有角度比例超过30％(此为经验值)，则认为外边界不够光顺，尖锐转角较多。
其中，具有狭长的瓶颈区域以面积与周长的比值进行判断，从而判断外边界的狭长情况。例如，若计算的百分比达到预设阈值时判断狭长情况符合要求，该几何特征选取合适。若面积与周长的比值小于等于面积值开平方的四分之一，则认为该形状狭长，为网栅或瓶颈区域。
所述的在圆度大区域选择用双螺旋路径是为了保证精度的前提下，使得加工路径光顺、高效；所述的锐角比例大、或直角比例大的待填充区域，选择CPO路径进行填充是为了优先保证精度；所述的网栅(具有栅格结构的薄壁件)或者狭长区域规定为按照骨架法进行填充是为了保证使用单路激光路径进行填充并将误差控制在轮廓外部。
样本的制备采用人工采集的方式，以特征明确并分类准确为目的，对于可以并入不同分类的样本，则不宜采用；此外，对于同一分类的样本应保证区别较大，相似性过大的样本，不宜多次出现在分类样本集中；对于样本的采集，宜在不同的点阵模型中选取。
所述的机器学习的选定参数为：对训练和测试样本上同时归一化后，遍历求识别率的最大值，可通过交叉验证的方法获得评估结果并选择参数。
所述的研究学习性能工具为：进行分组交叉验证进行，并绘制ROC曲线，明确所选择特征的“请问泛化性能”的好坏。
所述的ROC曲线为：其全称是“Receiver Operating Characteristic”曲线，根据学习的结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要的值(FPR及TPR)，分别为横纵坐标。横坐标FPR表示，预测为正例且真实情况为反例的，占所有真实情况中反例的比率，又称假正例率；所述的纵坐标TRP表示，预测为正例但真实情况为反例的，占所有情况中正例的比率，又称真正利率。TPR越大，则表示越有可能是正确的；而FPR越大，则表示越不可能是正确的。因此，FPR越小，同时TPR越大，则表示分类效果越准确。
在选取完样本集合后，对样本进行混合，并随机分为五组(五折测试)或多组进行交叉验证测试；测试采用多种机器学习方法，如支持向量机及人工神经网络等方式，前者适合选取样本数量较少的样本集合，而后者适合选取样本数量较大的样本集合。对所采用的数据模型泛化能力进行性能度量，绘制各个特征的ROC曲线，如对前述的面积与周长比、圆形度及锐角和直角比例进行曲线所包围面积的分别对比，取消所包围面积小的特征选取规则，并进行特征选取结果更理想规则的挑选。挑选原则可依据：在TRP值越小的情况下，而FPR值越大，进而该曲线所包围面积越大，为优良的特征选取标准。
采用全新的切片数据作为测试集，进一步对样本进行训练测试，并对该样本数据进行分析，绘制ROC曲线，进一步修正所确定的训练特征。
采用TSP进行连接轨迹规划问题：将前述的多边形抽象为其对应的重心坐标(将多边形的重心坐标值替代离散的多边形)，对比多种TSP算法得到的连接路径长度和计算时间，采用耗费时间较少的蚁群算法，进行TSP轨迹连接问题的求解。
对各个抽象点求解旅行商问题，本发明选用蚁群算法，具体为：
用一只蚂蚁的行走路径代表一个可行解，即一个遍历抽象点序列；
1、确定迭代周期；
2、确定蚂蚁数；
2.a、对每只蚂蚁，随机选择起点；
2.a.a、进入循环选择后N-1个抽象点；
2.a.b、根据所有与当前抽象点相连的路径上的信息素多少，决定下一步，即选择信息素最多的路径；
2.a.c、蚂蚁有一定概率选择错误，即随机选择下一步要走的路径；
2.a.d、选择后，在选择的路径上按照一定规则留下一定量的信息素；
2.b、蚂蚁路径就是本次搜索的路径；
3、每群蚂蚁结束后，所有路径上的信息素进行一次衰退，保证越后进行的蚂蚁的信息素影响越大；
4、等待周期结束。
所述的双螺旋加工轨迹具有互补结构，轨迹连接方式简单，可实现无退刀抬刀的填充加工规划方式。
所述的直骨架加工轨迹由中轴线偏置、裁剪生成，从多边形中央区域开始填充，具有保证中央区域精度，再通过加工外边界获得精度，可实现内部组织强度与精度的填充加工规划方式。如图5为适用于直骨架轨迹的几何特征为外边界多为锐角及直角且粗细均匀的多边形模型。
图6(a)为典型的点阵结构件，切片后得到若干层，本专利列出三层：第8层、第10层、第23层的路径规划前后对比图，如图6(b)、图6(c)、图6(d)作为示例说明。多边形以三角形或四边形为主，经分类后均以CPO路径进行填充。若不采用TSP路径规划，则连接路径混乱，产生大量的交叉；这里仅给出通过TSP进行路径连接的效果。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (6)
1.基于机器学习方法的点阵模型增材制造的自适应填充方法，其特征在于，包括以下步骤：
步骤1：根据几何特征对待填充切片层划分子区域；对存在多孔结构的多边形区域划分为CPO路径填充区域，对其余单孔结构区域或不含有孔结构的多边形区域采用机器学习的方法进行分类；
步骤2：根据学习样本归纳若干几何特征进一步划分子区域，将训练样本按特征进行交叉验证，并绘制ROC曲线，判断特征区分的质量优化几何特征分类，确定对应各个几何特征的路径规划方式；
判断特征区分的质量优化几何特征分类，包括：
1)以圆形度及锐角间距的距离占边界周长的百分比,判断其外边界的光顺性，从而判断圆度大的待填充区域：
其中，圆形度e公式为：e＝(4π*面积)/(周长*周长)；
若e的数值小于预设阈值，则认为外边界不够光顺，圆形度较低；反之外边界足够光顺；
2)以锐角或直角占总转角数量的百分比判断外边界的尖锐情况，从而判断锐角或直角比例占总量大的待填充区域：
若锐角或直角总量占所有角度比例均超过预设阈值，则认为外边界不够光顺，尖锐转角较多，判断为锐角或直角比例占总量大的待填充区域；
3)以面积与周长的比值判断外边界的狭长情况，从而判断网栅或者瓶颈狭长区域：
若面积与周长的比值小于等于面积值开平方的四分之一，则认为该形状狭长，为网栅或瓶颈区域；
其中，上述光顺性、尖锐情况、狭长情况的计算结果若未满足要求则返回步骤2加入新的样本重新计算；
所述根据几何特征确定对应的路径规划方式，包括：
对圆度大的待填充区域，确定采用双螺旋路径进行填充；
对锐角比例大、或直角比例大的待填充区域，确定采用CPO路径进行填充；
对网栅或者瓶颈狭长区域确定采用直骨架法进行填充；
步骤3：将各区域的外轮廓多边形抽象为其对应的重心坐标，以旅行商TSP求解确定各个子区域的加工次序，生成各个子区域的填充轨迹；
步骤4：将各个子区域的轨迹采用对应的路径规划方式进行连接。
2.根据权利要求1所述的基于机器学习方法的点阵模型增材制造的自适应填充方法，其特征在于，所述采用的机器学习方法为支持向量机SVM方法或人工神经网络。
3.根据权利要求1所述的基于机器学习方法的点阵模型增材制造的自适应填充方法，其特征在于，所述根据学习样本归纳的若干几何特征进一步划分子区域包括：
具有圆度大的几何特征的子区域；
具有锐角或直角比例大的几何特征的子区域；
具有网栅结构或者具有狭长瓶颈结构的几何特征的子区域。
4.根据权利要求1所述的基于机器学习方法的点阵模型增材制造的自适应填充方法，其特征在于，所述交叉验证为五折交叉测试法。
5.根据权利要求1所述的基于机器学习方法的点阵模型增材制造的自适应填充方法，其特征在于，所述的绘制ROC曲线为：根据学习的结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算出两个重要的值：横坐标FPR与纵坐标TPR；FPR表示，预测为正例且真实情况为反例的，占所有真实情况中反例的比率，又称假正例率；TRP表示，预测为正例但真实情况为反例的，占所有情况中正例的比率，又称真正利率；FPR越小，同时TPR越大，则表示分类效果越准确。
6.根据权利要求1所述的基于机器学习方法的点阵模型增材制造的自适应填充方法，其特征在于，所述以旅行商TSP求解确定各个子区域的加工次序是采用的蚁群算法来确定各个子区域的填充轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010847333.3A CN114078189B (zh) | 2020-08-21 | 2020-08-21 | 基于机器学习方法的点阵模型增材制造的自适应填充方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010847333.3A CN114078189B (zh) | 2020-08-21 | 2020-08-21 | 基于机器学习方法的点阵模型增材制造的自适应填充方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114078189A CN114078189A (zh) | 2022-02-22 |
| CN114078189B true CN114078189B (zh) | 2024-05-14 |
Family
ID=80282058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010847333.3A Active CN114078189B (zh) | 2020-08-21 | 2020-08-21 | 基于机器学习方法的点阵模型增材制造的自适应填充方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114078189B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294244B (zh) * | 2022-08-11 | 2023-10-31 | 北京理工大学 | 一种基于机器学习的蜂窝结构图案化自适应填充方法 |
| CN116039093B (zh) * | 2023-02-15 | 2023-09-26 | 南京衍构科技有限公司 | 一种用于增材制造的自适应螺旋路径规划方法 |
| CN115880354B (zh) * | 2023-03-02 | 2023-05-30 | 成都工业学院 | 一种基于点云自适应切片的计算树冠体积的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104325638A (zh) * | 2014-05-14 | 2015-02-04 | 浙江大学 | 基于分区的3d打印填充路径生成方法 |
| WO2015042422A1 (en) * | 2013-09-19 | 2015-03-26 | Markforged, Inc. | Methods for fiber reinforced additive manufacturing |
| CN106569456A (zh) * | 2015-10-13 | 2017-04-19 | 中国科学院沈阳自动化研究所 | 一种适用于双螺旋轨迹的加工区域分割及轨迹连接方法 |
| CN109808171A (zh) * | 2019-01-28 | 2019-05-28 | 杭州电子科技大学 | 一种面向熔融沉积制造的3d连续路径生成方法 |
| CN111299577A (zh) * | 2020-02-29 | 2020-06-19 | 华中科技大学 | 一种基于智能扫描路径规划的slm成形方法及产品 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11119466B2 (en) * | 2016-12-02 | 2021-09-14 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Implicit method and an algorithm for flexible functionally tailorable slicing for additive manufacturing |
-
2020
- 2020-08-21 CN CN202010847333.3A patent/CN114078189B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015042422A1 (en) * | 2013-09-19 | 2015-03-26 | Markforged, Inc. | Methods for fiber reinforced additive manufacturing |
| CN104325638A (zh) * | 2014-05-14 | 2015-02-04 | 浙江大学 | 基于分区的3d打印填充路径生成方法 |
| CN106569456A (zh) * | 2015-10-13 | 2017-04-19 | 中国科学院沈阳自动化研究所 | 一种适用于双螺旋轨迹的加工区域分割及轨迹连接方法 |
| CN109808171A (zh) * | 2019-01-28 | 2019-05-28 | 杭州电子科技大学 | 一种面向熔融沉积制造的3d连续路径生成方法 |
| CN111299577A (zh) * | 2020-02-29 | 2020-06-19 | 华中科技大学 | 一种基于智能扫描路径规划的slm成形方法及产品 |
Non-Patent Citations (1)
| Title |
|---|
| 复杂三角网格模型分治加工刀具轨迹生成;林俊锋;黄常标;祁杨停;计算机辅助设计与图形学学报;20151231;第27卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114078189A (zh) | 2022-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114078189B (zh) | 基于机器学习方法的点阵模型增材制造的自适应填充方法 | |
| CN105719249B (zh) | 一种基于三维格网的机载激光雷达点云去噪方法 | |
| CN110161464A (zh) | 一种雷达多目标聚类方法及装置 | |
| Hu et al. | Error-bounded and feature preserving surface remeshing with minimal angle improvement | |
| CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
| CN110442994A (zh) | 一种基于图论的3d打印切片处理方法 | |
| CN113344019A (zh) | 一种决策值选取初始聚类中心改进的K-means算法 | |
| CN103136535A (zh) | 一种用于点云简化的k近邻搜索方法 | |
| CN103473388A (zh) | 实现流程图自动布局的系统及装置 | |
| CN104850712B (zh) | 实物表面采样数据拓扑邻域查询方法 | |
| CN111209805B (zh) | 车道线众包数据的多道路片段数据的快速融合优化方法 | |
| CN106708659A (zh) | 一种自适应最近邻缺失数据的填充方法 | |
| CN109035363A (zh) | 一种快速迭代的线圆最优拟合方法 | |
| CN110001066B (zh) | 一种三维打印最少分区填充方向确定方法 | |
| CN109034372B (zh) | 一种基于概率的神经网络剪枝方法 | |
| CN110310322A (zh) | 一种10微米级高精度器件装配表面检测方法 | |
| CN114417095A (zh) | 一种数据集划分方法及装置 | |
| CN115880354B (zh) | 一种基于点云自适应切片的计算树冠体积的方法 | |
| Tian et al. | Robot global path planning using PSO algorithm based on the interaction mechanism between leaders and individuals | |
| CN117076520A (zh) | 一种基于多维索引树的高效近似查询系统及方法 | |
| Lin et al. | A new density-based scheme for clustering based on genetic algorithm | |
| CN104700458B (zh) | 实物表面采样数据边界样点识别方法 | |
| Si et al. | Design and verification of a transfer path optimization method for an aircraft on the aircraft carrier flight deck | |
| CN115063415A (zh) | 一种基于机器视觉的车桥焊接区域识别方法 | |
| CN111400969B (zh) | 一种非结构直角网格加速生成方法 |
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 |