CN114986878B - 光固化多画幅3d打印机的投影畸变及均匀性矫正设备和方法 - Google Patents

光固化多画幅3d打印机的投影畸变及均匀性矫正设备和方法 Download PDF

Info

Publication number
CN114986878B
CN114986878B CN202210422194.9A CN202210422194A CN114986878B CN 114986878 B CN114986878 B CN 114986878B CN 202210422194 A CN202210422194 A CN 202210422194A CN 114986878 B CN114986878 B CN 114986878B
Authority
CN
China
Prior art keywords
distortion
curing
photo
projection
pixel
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
Application number
CN202210422194.9A
Other languages
English (en)
Other versions
CN114986878A (zh
Inventor
邱崧
齐恬恬
周梅
匡磊
许仁杰
王蔚生
林翡
乔得礼
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.)
Shanghai Viseri Photoelectric Technology Co ltd
East China Normal University
Original Assignee
Shanghai Viseri Photoelectric Technology Co ltd
East China Normal University
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 Shanghai Viseri Photoelectric Technology Co ltd, East China Normal University filed Critical Shanghai Viseri Photoelectric Technology Co ltd
Priority to CN202210422194.9A priority Critical patent/CN114986878B/zh
Publication of CN114986878A publication Critical patent/CN114986878A/zh
Application granted granted Critical
Publication of CN114986878B publication Critical patent/CN114986878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B29C64/10—Processes of additive manufacturing
    • B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
    • B29C64/124—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material using layers of liquid which are selectively solidified
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Abstract

本发明公开了一种光固化多画幅3D打印机的投影畸变及均匀性矫正设备，包括：光固化投影光机、样品台、计算机、板式相机和高精度位移模块。本发明利用搭载平面玻璃的板式相机拍摄通过光固化投影光机投影出的畸变图像，获得打印图像与畸变图像中控制点的坐标映射关系，计算畸变及均匀性网络。利用拼接亮度矫正算法及本发明的畸变及均匀性网络对实际需要的打印图像进行拼接亮度矫正和畸变及均匀性矫正，改善多画幅3D打印机投影图像的畸变现象、亮度不均匀性以及边缘区域出现的重叠断层等现象，提高打印精度。

Description

光固化多画幅3D打印机的投影畸变及均匀性矫正设备和方法
技术领域
本发明涉及3D打印机的投影矫正技术领域，特别是多画幅3D打印机的投影畸变及均匀性矫正设备和方法。
背景技术
3D打印技术已经在许多领域得到应用，其中光固化3D打印技术具有制作原型表面质量好、尺寸精度高、打印速度快等优点，被广泛应用在小尺寸高精度的产品生产。然而一般单台光固化投影光机单边最大打印尺寸仅有200mm，为了实现大尺寸精密零件的生产，例如汽车配件，就需要多台光固化投影光机进行投影拼接，在保证微米级精度的同时扩大打印面积。因此如何在多画幅3D打印中仍保持画幅的完整性和高精度是亟需解决的难题。
通常，为了保证3D模型打印的连续性和完整性，多台光固化投影光机的投影区域会有所重叠，导致投影图像拼接处出现畸变重叠以及亮度重叠。为了消除该现象，一种做法是对要投影的图像先进行拼接预处理，再通过棋盘标定的方式[1]计算光固化投影光机镜头的畸变参数，利用该畸变参数对要投影的图像进行畸变矫正，从而达到光固化投影光机投影出的图像无畸变且边缘拼接处自然过渡的效果。但是在棋盘标定时使用的相机镜头也存在畸变，因此需要计算两种畸变参数，并进行两次畸变矫正，这造成了误差的增加，不适用3D打印高精度的要求。
另一种做法是在光固化投影光机的样品台上放置与光固化投影光机的投影区域相同大小的标定板，利用标定板计算畸变参数，从而对需要投影的图像进行畸变矫正。影响图像畸变的因素有主要有径向畸变，多项式拟合是常用的方法之一。这种方法需要建立畸变数学模型，且矫正精度取决于数学模型的阶次，阶次越高矫正效果越好。但阶次高的数学模型在求解时不仅耗时而且可能出现奇异矩阵，难以求解。除此之外还需要制作高精度标定板，才能保证畸变矫正的精度，这种方法灵活性差，自动化程度低。
另外，光固化投影光机进行3D打印时通过投射光使样品台里的打印材料进行化学反应，光强的强度越强，打印材料的化学反应越快，光强的强度越弱，打印材料的化学反应越慢，为了使3D打印更加精准、均匀，投射到样品台上的光强必须均匀。然而由于光固化投影光机设计制造等方面的原因，照射在样品台上的光强分布会呈现一定程度的不均匀，影响3D打印制品的精度。
发明内容
本发明的目的在于克服现有光固化多画幅3D打印机投影矫正效果差的缺陷，利用拼接亮度矫正算法[2]及本发明的畸变及均匀性网络对实际需要的打印图像进行拼接亮度矫正和畸变及均匀性矫正，改善多画幅3D打印机投影图像的畸变现象、亮度不均匀性以及边缘区域出现的重叠断层等现象，提高打印精度。
本发明的光固化多画幅3D打印机的投影畸变及均匀性矫正设备包括：至少两台光固化投影光机、样品台、计算机、板式相机(灰度相机)和高精度位移模块。计算机将事先准备好的打印图像通过所有光固化投影光机投影在样品台上，计算机通过控制高精度位移模块驱动板式相机采集所有光固化投影光机投影出来的畸变图像，利用畸变图像与打印图像进行重叠拼接宽度的计算。计算机利用重叠拼接宽度对各光固化投影光机的打印图像进行拼接亮度矫正，并将其依次通过对应光固化投影光机投影至样品台。计算机通过控制高精度位移模块驱动板式相机依次采集各光固化投影光机投影出来的畸变图像，利用畸变图像与经过拼接亮度矫正的打印图像进行各光固化投影光机的畸变及均匀性网络的计算。计算机通过拼接亮度矫正算法以及各光固化投影光机的畸变及均匀性网络，对实际需要打印的图像(实际打印图像)进行拼接亮度矫正、畸变矫正及均匀性矫正。若干台光固化投影光机将经过本发明矫正的实际打印图像投影至样品台，即可实现多画幅3D模型的打印，扩大打印产品尺寸的同时保证产品精度。
所述板式相机的CCD上只搭载一张平面玻璃，不另外装配其他光学元件，使得光固化投影光机投射的光线直接在板式相机的CCD上进行成像，因此板式相机拍摄的图片不存在相机镜头引起的光学畸变。
所述光固化投影光机简称光机。至少两台光机的投影图像以短边拼接，为防止打印产品出现断裂，短边拼接处存在画面重叠现象。本发明中相邻两台光机的间隔距离相同，因此任意相邻两台光机投影图像的画面重叠宽度相同。另外，在光机投影时，由于光机镜头光学畸变的影响，投影图像会出现畸变的问题，且该畸变是从投影图像的中心区域向投影图像边缘发生畸变，因此投影图像的中心点不发生畸变，坐标不发生偏移。同时，光机的光学系统非线性特性使得投影图像出现亮度不均匀性的问题。
基于以上设备，本发明提出了一种光固化多画幅3D打印机的投影畸变及均匀性矫正方法，包括以下步骤：
a)准备一幅分辨率为长(L像素)*宽(W像素)且具有均匀背景灰度值的打印图像Ⅰ，并在该打印图像Ⅰ上绘制控制点，所述背景的灰度值要求不影响控制点的识别：
所述控制点可以是任何中心对称图案，比如圆形、十字形等，其灰度值与实际打印图像的灰度值相同，且与背景的灰度值相异。
所述控制点的位置可以任意，但需分散分布于打印图像Ⅰ，不能集中在某个区域，打印图像Ⅰ的中心位置必须绘制1个控制点，命名为中心控制点c，在过中心控制点c中心位置的水平线上且距离中心控制点c中心位置五个像素距离的位置必须绘制2个控制点，命名为控制点r和控制点l，其余任意位置的控制点总个数不少于80个。
b)若干光机(至少两台)将同一打印图像Ⅰ投影至样品台，并利用板式相机采集所有光机的投影图像得到畸变图Ⅱ。畸变图Ⅱ的分辨率调整至与若干张打印图像Ⅰ恰巧拼接(即图像无交叠拼接)时的分辨率相同。根据畸变图Ⅱ中任意两个相邻中心控制点c的中心位置得到重叠拼接宽度d像素。
c)将若干打印图像Ⅰ根据各光机对应的重叠拼接宽度d像素进行拼接亮度矫正[2]，得到各光机的打印图像Ⅰ_bc。将若干打印图像Ⅰ_bc分别经过对应的光机依次投影至样品台，并利用板式相机依次得到若干畸变图Ⅱ_bc。
d)打印图像Ⅰ_bc和畸变图Ⅱ_bc是光机投影前后的一对畸变映射图。以某台光机为例，将打印图像Ⅰ_bc中的中心控制点c的中心位置作为坐标原点，控制点r和控制点l中心位置的连线为x轴，建立二维直角坐标系，单个控制点的坐标及像素值用其中心位置处的坐标及像素值表示，得到所有控制点在该光机投影前的坐标及像素值；将畸变图Ⅱ_bc参照上述方式建立二维直角坐标系，单个控制点的畸变坐标及像素值用其中心位置处的坐标及像素值表示，得到所有控制点经该光机投影后的畸变坐标及像素值，因此所述控制点投影前的坐标及像素值和投影后的畸变坐标及像素值构成该光机的坐标像素映射点集。其余光机利用上述方式在畸变映射图中建立各自的二维直角坐标系，得到各个光机关于控制点的坐标像素映射点集。
e)神经网络训练：将步骤d中各光机对应的坐标像素映射点集作为数据集训练各光机的LM-Res-Net神经网络，根据LM-Res-Net神经网络实际输出数据和理想输出数据设计损失函数更新网络参数，得到各光机的畸变及均匀性网络。
f)畸变及均匀性矫正：先根据任意一台光机对应的重叠拼接宽度d像素对实际打印图像(命名为打印图像Ⅴ)中会发生投影重叠现象的像素进行拼接亮度矫正，得到打印图像Ⅴ_bc；再利用步骤e中该光机的畸变及均匀性网络对打印图像Ⅴ_bc中所有坐标点及像素值(旧坐标点和旧像素值)进行畸变矫正和均匀性矫正。
其中，畸变矫正和均匀性矫正的具体过程：新建一张与打印图像Ⅴ_bc相同尺寸且像素值初始化为0的图像，命名为输入矫正图像Ⅳ，将其以中心像素点为坐标原点，过中心像素点且与长边平行的线为x轴建立二维直角坐标系得到所有像素点的坐标。将打印图像Ⅴ_bc按照同样方式建立坐标系得到所有像素点的旧坐标点及旧像素值，并将其作为输入值送入该光机的畸变及均匀性网络，预测得到对应的新畸变坐标点及新畸变像素值。旧坐标点的像素值与对应的新畸变坐标点的像素值的差值记作像素差。将打印图像Ⅴ_bc中不需要打印的区域定义为空白区域，需要打印的区域定义为非空白区域。若对应的新畸变坐标点落在打印图像Ⅴ_bc的空白区域，则输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值赋0。若对应的新畸变坐标点落在打印图像Ⅴ_bc的非空白区域，当新畸变坐标点的坐标值均为整数时，在打印图像Ⅴ_bc上取出新畸变坐标点所在位置的旧像素值，将其与像素差的和进行取整后赋值给输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值；当新畸变坐标点的坐标值带有小数时，在打印图像Ⅴ_bc上取出新畸变坐标点的四个近邻像素点，对其进行双线性插值[3]得到新畸变坐标点所在位置的旧像素值，将其与像素差的和进行取整后赋值给输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值，由此得到该光机对应的输入矫正图像Ⅳ。其余光机参照上述步骤得到各自的输入矫正图像Ⅳ。
所述步骤b中的若干光机配置相同，但由于光学结构及机械结构存在误差，导致打印效果存在微小差异。为保证产品精度，本发明将对所有光机求取对应的畸变及均匀性网络弥补打印效果的差异。
所述步骤b中板式相机获取畸变图Ⅱ的步骤包括：
使用高精度位移模块驱动板式相机，使板式相机从采集区域的左上角开始呈弓型曲线进行拍摄，先向右依次移动一个距离并拍摄至右边边缘，向下移动一个距离，再向左依次移动一个距离并拍摄至左边边缘，向下移动一个距离，重复上述方法至拍摄结束。
此处定义光机的打印精度是指正方形单位像素的实际打印边长，则单台光机的标准投影区域的长为光机的打印精度*打印图像Ⅰ的长，单台光机的标准投影区域的宽为光机的打印精度*打印图像Ⅰ的宽。采集区域是由若干台光机的标准投影区域恰巧拼接(即无交叠拼接)所构成的。高精度位移模块每次移动的距离为板式相机实际拍摄尺寸，如板式相机实际拍摄到的尺寸为0.73cm*0.49cm，则控制高精度位移模块每次向右(左)移动的距离为0.73cm，向下移动的距离为0.49cm。板式相机拍摄结束后，将板式相机获取的所有图像按照拍摄次序进行拼接，并将拼接后的图像中属于采集区域内的画面分辨率进行缩放，得到畸变图Ⅱ。畸变图Ⅱ的分辨率调整至与若干张打印图像Ⅰ恰巧拼接(即图像无交叠拼接)时的分辨率相同。
所述步骤b中的重叠拼接宽度d像素是根据光机镜头中心的投影区域不发生畸变原理得到。以两台光机为例，打印图像Ⅰ中的长为L像素，根据畸变图Ⅱ中两个相邻中心控制点c中心位置之间的距离可以计算重叠拼接宽度，若畸变图Ⅱ中两个相邻中心控制点c中心位置之间的距离为Lc像素，则重叠拼接宽度d＝(L/2*2-Lc)＝(L-Lc)像素。
所述步骤b与步骤c中的若干打印图像Ⅰ是指打印图像Ⅰ的个数与光机台数相同。
所述步骤c中的拼接亮度矫正是指，在会发生投影重叠现象的区域对每个点的亮度值进行矫正，达到拼接区域自然过渡的效果。拼接亮度矫正算法可使用现有的拼接融合算法，例如线性矫正[2]等。
所述步骤c中板式相机采集得到若干畸变图Ⅱ_bc的方法参照所述步骤b中板式相机获取畸变图Ⅱ的步骤，其中采集区域是指各单台光机的标准投影区域，畸变图Ⅱ_bc的分辨率调整至与打印图像Ⅰ_bc的分辨率相同。在采集过程中统一控制板式相机的曝光时间使得所有畸变图Ⅱ_bc的中心像素值与打印图像Ⅰ_bc的中心像素值相同，如果某台光机对应的畸变图Ⅱ_bc的中心像素值无法达到上述要求，调整该台光机的光源输出功率以满足上述要求。
所述步骤e中的LM-Res-Net神经网络是本发明构造的基于LM[4]优化算法的环形残差神经网络。该神经网络包括输入层、多个隐藏层和输出层。
输入层含三个神经元，以全连接的方式连接至第二层；
隐藏层为第二至第六层；第二层为环形结构，由边缘四个神经元和中间一个神经元组成，分别关注图像边缘位置及中间位置的控制点坐标和像素值变化。边缘四个神经元的输出经激活函数以全连接的方式连接至第三层的第一个神经元，中间一个神经元的输出经激活函数以全连接的方式连接至第三层的第二个神经元；第三层仅有两个神经元，第一个神经元连同输入层的三个神经元以全连接的方式输入至第四层上层网络，第二个神经元连同输入层的三个神经元以全连接的方式输入至第四层下层网络；第四层分为上层网络及下层网络，各含有三个神经元，分别提取图像边缘位置及中间位置的坐标和像素值特征。第四层的上层网络和下层网络的输出经激活函数以全连接的方式连接至第五层；第五层含有三个神经元，将其输出与输入层神经元线性叠加构成残差结构，经激活函数以全连接的方式连接至第六层；第六层含有五百个神经元，经激活函数以全连接的方式连接至输出层；
输出层含有三个神经元，经过线性激活函数得到该神经网络的输出结果。其中激活函数均使用RELU激活函数，线性激活函数使用purelin激活函数。
步骤e中各光固化投影光机的LM-Res-Net神经网络的输入数据为该台光机对应的坐标像素映射点集中控制点投影前的坐标和像素值，理想输出数据为步骤d中该光机对应的坐标像素映射点集中控制点投影后的畸变坐标和像素值。训练时将输入数据进行归一化处理并打乱顺序，分批送入上述神经网络进行训练，根据网络实际输出数据和理想输出数据设计损失函数，结合LM算法[4]进行网络参数的更新。所述LM-Res-Net神经网络中用到的新的损失函数如式(1)：
Figure BDA0003608338510000061
式(1)中，N为每批控制点个数，(xi,yi,pi)为第i个控制点经上述神经网络的实际输出数据，其中(xi,yi)为第i个控制点经上述神经网络的实际输出坐标，pi为第i个控制点经上述神经网络的实际输出像素值；(Xi,Yi,Pi)为第i个控制点的理想输出数据，其中(Xi,Yi)为第i个控制点的理想输出坐标，Pi为第i个控制点的理想输出像素值；(Xc,Yc)为理想输出数据里中心控制点c坐标；α∈[0.01,10]为超参数，β∈[1,100]为超参数，e为自然常数。
本发明与现有的技术相比，具有以下优点和有益效果：
本发明利用搭载平面玻璃的板式相机拍摄通过光固化投影光机投影出的畸变图像，获得打印图像与畸变图像中控制点的坐标映射关系，克服由于相机镜头产生的二次畸变现象，减少计算误差，提高精度。
本发明在使用板式相机拍摄畸变图像时利用高精度位移模块实现拍摄自动化，使得在多画幅3D打印机投影畸变矫正的过程中可以实现图像的自动化校正，相比于传统的相机标定及标定板等方式，操作简单、自动化程度高，适用于多画幅3D打印机的畸变矫正。
本发明在对多画幅3D打印机投影图像畸变及均匀性矫正时先进行拼接亮度矫正，再通过本发明的LM-Res-Net神经网络同时进行畸变矫正和均匀性矫正，从而改善多画幅3D打印机投影图像畸变现象、亮度不均匀性以及边缘区域出现的重叠断层等现象，提高打印精度。
本发明构造了LM-Res-Net神经网络进行3D打印图像的畸变矫正和均匀性矫正，针对畸变和均匀性存在的空间位置特征，提出环形结构和残差结构，使神经网络在训练的时候尽可能逼近物理映射关系，同时运用基于LM优化算法和设计新的损失函数提高模型的泛化能力和矫正精度，从而弥补由于投影机本身的机械误差及光学结构导致的畸变及不均匀性，扩大打印产品尺寸的同时保证产品精度，从而提高打印质量。
附图说明
图1为本发明投影畸变及均匀性矫正方法的流程图。
图2为本发明中打印图像Ⅰ示意图。
图3为本发明中板式相机拍摄(以两台光固化投影光机为例)示意图。
图4为本发明中畸变图Ⅱ(以两台光固化投影光机为例)示意图。
图5为本发明中LM-Res-Net神经网络示意图。
图6为本发明中经过矫正的投影图像(以两台光固化投影光机为例)示意图。
具体实施方式
结合以下具体实施例和附图，对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
实施例
本实施例提供了一种光固化多画幅3D打印机的投影畸变及均匀性矫正方法，本实施例以两画幅3D打印为例进行说明，但推广到多画幅3D打印是显而易见的。
本实施例所需设备包括两台光固化投影光机(以下简称光机)、样品台、计算机、板式相机(灰度相机)和高精度位移模块。
本发明方法如图1所示，本实施例基于该方法实施，具体包括以下步骤：
1)准备一幅含若干控制点的打印图像Ⅰ，所述打印图像Ⅰ是一幅除控制点外背景具有均匀灰度的图案，所述背景的灰度值不影响控制点的识别。如图2所示，该打印图像Ⅰ的分辨率为2000*1000，即长(L像素)为2000个像素，宽(W像素)为1000个像素，包含中心控制点c、控制点r、控制点l及其余80个控制点，图2中仅绘制11个代表性控制点。
2)两台光机同时将打印图像Ⅰ(图2)投影至样品台。
光机的打印精度为75微米/像素，因此单台光机标准投影区域的长为15cm，宽为7.5cm，两台光机的标准投影区域的长为30cm，宽为7.5cm。
利用板式相机采集两台光机的投影图像，其采集区域为两台光机的标准投影区域恰巧拼接(即无交叠拼接)构成，即长30cm，宽7.5cm。板式相机由高精度位移模块驱动，其拍摄过程如图3所示。光机1和光机2按图3方式固定，使其投影图像在样品台上成像。板式相机从采集区域的左上角开始拍摄，依次向右移动一个距离并拍摄，直至右边边缘，再向下移动一个距离并拍摄，最后向左依次移动一个距离并拍摄至左边边缘，向下移动一个距离，重复上述方法至拍摄结束。高精度位移模块每次移动的距离为板式相机实际拍摄尺寸，本实施例中板式相机的分辨率为3072*2048，实际拍摄区域尺寸为长0.73cm，宽0.49cm，则高精度位移模块每次向右(左)移动的距离为0.73cm，向下移动的距离为0.49cm。板式相机拍摄结束后，将板式相机获取的所有图像按照拍摄次序进行拼接得到拼接图像，并将拼接图像中采集区域内的画面保留，得到畸变拼接图像。畸变拼接图像应与两张打印图像Ⅰ恰巧拼接时(即无交叠拼接)的分辨率相同，即4000*1000，因此畸变拼接图像的分辨率应缩小至4000*1000，由此得到畸变图Ⅱ，如图4所示。
根据光机镜头中心的投影区域不发生畸变原理，可以通过畸变图Ⅱ中两个中心控制点c中心位置之间的距离计算重叠拼接宽度，若畸变图Ⅱ中两个中心控制点c中心位置之间的距离为Lc像素，则重叠拼接宽度d＝(L/2*2-Lc)＝(L-Lc)像素。
3)对于光机1，打印图像Ⅰ的右边d列像素为重叠区域；对于光机2，打印图像Ⅰ的左边d列像素为重叠区域。
根据光机1对应的重叠拼接宽度d像素对打印图像Ⅰ中右边d列像素进行拼接亮度矫正，得到打印图像Ⅰ_bc(光机1)。再根据光机2对应的重叠拼接宽度d像素对打印图像Ⅰ中左边d列像素进行拼接亮度矫正，得到打印图像Ⅰ_bc(光机2)。
将打印图像Ⅰ_bc(光机1)和打印图像Ⅰ_bc(光机2)分别经过光机1和光机2依次投影到样品台，利用板式相机参照上述步骤2得到各光机对应的畸变图Ⅱ_bc(光机1)和畸变图Ⅱ_bc(光机2)，其中板式相机的采集区域为单台光机的标准投影区域，畸变图Ⅱ_bc(光机1或2)的分辨率调整至与打印图像Ⅰ_bc(光机1或2)的分辨率相同。在采集过程中统一控制板式相机的曝光时间使得两台光机的畸变图Ⅱ_bc的中心像素值与对应的打印图像Ⅰ_bc的中心像素值相同，如果其中一台光机对应的畸变图Ⅱ_bc的中心像素值无法达到上述要求，调整该台光机的光源输出功率以满足上述要求。
4)打印图像Ⅰ_bc(光机1)和畸变图Ⅱ_bc(光机1)是光机1投影前后的一对畸变映射图。将打印图像Ⅰ_bc(光机1)的中心控制点c的中心位置作为坐标原点，控制点r和控制点l中心位置的连线为x轴，建立二维直角坐标系，单个控制点的坐标及像素值用其中心位置处的坐标及像素值表示，得到所有控制点在光机1投影前的坐标和像素值；将畸变图Ⅱ_bc(光机1)参照上述方式建立二维直角坐标系，单个控制点的畸变坐标及像素值用其中心位置处的坐标及像素值表示，得到所有控制点经光机1投影后的畸变坐标及像素值，因此所述控制点投影前的坐标及像素值和投影后的畸变坐标及像素值可以构成光机1的坐标像素映射点集。参考上述步骤，可以得到光机2的坐标像素映射点集。
5)神经网络训练：将步骤4中光机1对应的坐标像素映射点集作为数据集，训练光机1的LM-Res-Net神经网络。
LM-Res-Net神经网络是本发明构造的基于LM[4]优化算法的环形残差神经网络，网络结构如图5所示，其中FC表示全连接。该神经网络包括输入层、多个隐藏层和输出层。输入层含三个神经元，以全连接的方式连接至第二层；第二层为环形结构，由边缘四个神经元和中间一个神经元组成，分别关注图像边缘位置及中间位置的控制点坐标和像素值变化。边缘四个神经元的输出经激活函数以全连接的方式连接至第三层的第一个神经元，中间一个神经元的输出经激活函数以全连接的方式连接至第三层的第二个神经元；第三层仅有两个神经元，第一个神经元连同输入层的三个神经元以全连接的方式输入至第四层上层网络，第二个神经元连同输入层的三个神经元以全连接的方式输入至第四层下层网络；第四层分为上层网络及下层网络，各含有三个神经元，分别提取图像边缘位置及中间位置的坐标和像素值特征。第四层的上层网络和下层网络的输出经激活函数以全连接的方式连接至第五层；第五层含有三个神经元，将其输出与输入层神经元线性叠加构成残差结构，经激活函数以全连接的方式连接至第六层；第六层含有五百个神经元，经激活函数以全连接的方式连接至输出层；输出层含有三个神经元，经过线性激活函数得到该神经网络的输出结果。其中激活函数均使用RELU激活函数，线性激活函数使用purelin激活函数。
神经网络的输入为步骤4中光机1对应的坐标像素映射点集中控制点投影前的坐标和像素值，理想输出数据为步骤4中光机1对应的坐标像素映射点集中控制点投影后的畸变坐标和像素值。训练时将输入数据进行归一化处理并打乱顺序，分批送入上述神经网络进行训练，每训练一批数据更新一次网络参数，参数更新采用LM优化算法[4]，经若干次迭代后得到光机1的畸变及均匀性网络。所述LM-Res-Net神经网络中用到的损失函数如式(1)所示：
Figure BDA0003608338510000091
式(1)中，N为每批控制点个数，(xi,yi,pi)为第i个控制点经上述神经网络的实际输出数据，其中(xi,yi)为第i个控制点经上述神经网络的实际输出坐标，pi为第i个控制点经上述神经网络的实际输出像素值；(Xi,Yi,Pi)为第i个控制点的理想输出数据，其中(Xi,Yi)为第i个控制点的理想输出坐标，Pi为第i个控制点的理想输出像素值；(Xc,Yc)为理想输出数据里中心控制点c坐标；α∈[0.01,10]为超参数，β∈[1,100]为超参数，e为自然常数。
参考上述步骤，即可得到光机2的畸变及均匀性网络。
6)畸变及均匀性矫正：
参照步骤3，根据重叠拼接宽度d像素对实际打印图像(命名为打印图像Ⅴ)中会发生投影重叠现象的像素进行拼接亮度矫正得到打印图像Ⅴ_bc(光机1)和打印图像Ⅴ_bc(光机2)；再利用步骤5中光机1的畸变及均匀性网络对打印图像Ⅴ_bc(光机1)进行畸变矫正及均匀性矫正，具体矫正过程为：新建一张与打印图像Ⅴ_bc(光机1)相同尺寸且像素值初始化为0的图像，命名为输入矫正图像Ⅳ，将其以中心像素点为坐标原点，过中心像素点且与长边平行的线为x轴建立二维直角坐标系得到所有像素点的坐标。将打印图像Ⅴ_bc(光机1)按照同样方式建立坐标系得到所有像素点的旧坐标点及旧像素值，并将其作为输入值送入光机1的畸变及均匀性网络，预测得到对应的新畸变坐标点及新畸变像素值。旧坐标点的像素值与对应的新畸变坐标点的像素值的差值记作像素差。将打印图像Ⅴ_bc中不需要打印的区域定义为空白区域，需要打印的区域定义为非空白区域。若对应的新畸变坐标点落在打印图像Ⅴ_bc的空白区域，则输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值赋0。若对应的新畸变坐标点落在打印图像Ⅴ_bc的非空白区域，当新畸变坐标点的坐标值均为整数时，在打印图像Ⅴ_bc(光机1)上取出新畸变坐标点所在位置的旧像素值，将其与像素差的和进行取整后赋值给输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值；当新畸变坐标点的坐标值带有小数时，在打印图像Ⅴ_bc(光机1)上取出新畸变坐标点的四个近邻像素点，对其进行双线性插值得到新畸变坐标点所在位置的旧像素值，将其与像素差的和进行取整后赋值给输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值。
例如：打印图像Ⅴ_bc(光机1)中旧坐标(3，5)，对应旧像素值为229，经本发明LM-Res-Net神经网络预测得到新畸变坐标点(2.1，4.1)，新畸变像素值为225.5；新畸变坐标点(2.1，4.1)落在打印图像Ⅴ_bc(光机1)的非空白区域。在打印图像Ⅴ_bc(光机1)中距离(2.1，4.1)最近的四个点是，(2，4)、(2，5)、(3，4)，(3，5)，那么输入矫正图像Ⅳ中对应旧坐标(3，5)的像素值f(3,5)为：
f(3,5)＝[w1*g(2,4)+w2*g(2,5)+w3*g(3,4)+w4*g(3,5)+(229-225.5)]
其中g(2,4)、g(2,5)、g(3,4)、g(3,5)分别表示打印图像Ⅴ_bc(光机1)中旧坐标(2，4)、(2，5)、(3，4)、(3，5)的旧像素值，w1～w4表示权重系数，具体计算方式见参考文献3，“[]”表示取整函数，即[10.5]＝10。由此可得输入矫正图像Ⅳ(光机1)。
利用上述类似步骤可得输入矫正图像Ⅳ(光机2)。
最后，将输入矫正图像Ⅳ(光机1)和输入矫正图像Ⅳ(光机2)分别作为光机1和光机2的输入图像，其投射至样品台经过矫正的投影图像如图6所示，畸变现象及不均匀性大大减小，弥补由于投影机本身的机械误差及光学结构导致的问题，拼接处的亮度重叠现象也得到较大程度的改善，实现大尺寸高精度产品的3D打印。
参考文献
[1]Z.Zhang,"A flexible new technique for camera calibration,"in IEEETransactions on Pattern Analysis and Machine Intelligence,vol.22,no.11,pp.1330-1334,Nov.2000,doi:10.1109/34.888718.
[2]上海唯视锐光电技术有限公司.渐变拼接的多次曝光大画幅3D打印系统及使用方法:CN202010458076.4[P].2020-07-03.
[3]王杰,李洪兴,王加银,等.一种图像快速线性插值的实现方案与分析[J].电子学报,2009,37(7):1481-1486.DOI:10.3321/j.issn:0372-2112.2009.07.016.
[4]Wilamowski,B.M.,&Yu,H.(2010).Improved computation for Levenberg–Marquardt training.IEEE transactions on neural networks,21(6),930-937.
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (11)

1.一种光固化多画幅3D打印机的投影畸变及均匀性矫正设备，其特征在于，包括：光固化投影光机、样品台、计算机、板式相机和高精度位移模块；其中，
所述计算机将打印图像通过至少两台光固化投影光机投影在样品台上，通过控制高精度位移模块驱动板式相机采集所有光固化投影光机投影出来的畸变图像，利用畸变图像与打印图像进行重叠拼接宽度的计算；计算机利用重叠拼接宽度对各光固化投影光机的打印图像进行拼接亮度矫正，并将其依次通过对应光固化投影光机投影至样品台；计算机通过控制高精度位移模块驱动板式相机依次采集各光固化投影光机投影出来的畸变图像，利用畸变图像与经过拼接亮度矫正的打印图像进行各光固化投影光机的畸变及均匀性网络的计算；所述板式相机为灰度相机；
所述计算机通过拼接亮度矫正算法以及畸变及均匀性网络，对实际打印图像进行拼接亮度矫正、畸变及均匀性矫正；
至少两台光固化投影光机的投影图像以短边相接，至少两台光固化投影光机将经过矫正的实际打印图像投影至样品台，实现多画幅3D模型的打印；
所述至少两台光固化投影光机中任意相邻两台光固化投影光机的间隔距离相同，任意相邻的两台光固化投影光机的投影图像的画面重叠拼接宽度均相同。
2.如权利要求1所述的光固化多画幅3D打印机的投影畸变及均匀性矫正设备，其特征在于，所述板式相机的CCD搭载一张平面玻璃，光固化投影光机投射的光线直接在板式相机的CCD上进行成像。
3.一种光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，所述方法采用如权利要求1或2所述的光固化多画幅3D打印机的投影畸变及均匀性矫正系统；所述方法包括以下步骤：
a)在打印图像Ⅰ上设置灰度值与实际打印图像V的灰度值相同且与背景灰度值相异的若干控制点，包括：中心控制点c、控制点r和控制点l；
b)若干台光固化投影光机将同一打印图像Ⅰ投影至样品台，并利用板式相机采集所有光固化投影光机的投影图像，得到畸变图Ⅱ；所述畸变图Ⅱ的分辨率调整至与若干张打印图像Ⅰ恰巧拼接时的分辨率相同；所述恰巧拼接指图像无交叠拼接；根据所述畸变图Ⅱ任意两个相邻中心控制点c的中心位置得到重叠拼接宽度d像素；
c)将若干打印图像Ⅰ根据各光固化投影光机对应的重叠拼接宽度d像素进行拼接亮度矫正，得到各光固化投影光机的打印图像Ⅰ_bc；将若干打印图像Ⅰ_bc分别经过光固化投影光机依次投影到样品台，并利用板式相机依次得到若干畸变图Ⅱ_bc；
d)将各个光固化投影光机对应的打印图像Ⅰ_bc中的中心控制点c的中心位置作为坐标原点，控制点r和控制点l中心位置的连线为x轴，建立每个光固化投影光机各自的二维直角坐标系；其中，单个控制点的坐标及像素值用其中心位置处的坐标及像素值表示，得到各个控制点在对应光固化投影光机投影前的坐标及像素值；同样，在每个光固化投影光机对应的畸变图Ⅱ_bc建立各自的二维直角坐标系，单个控制点的畸变坐标及像素值用其中心位置处的坐标及像素值表示，得到各个控制点经对应光固化投影光机投影后的畸变坐标及像素值，所述控制点投影前的坐标及像素值和投影后的畸变坐标及像素值构成对应光固化投影光机各自的坐标像素映射点集；
e)将步骤d中各光固化投影光机对应的坐标像素映射点集作为数据集训练各光固化投影光机的LM-Res-Net神经网络，根据所述LM-Res-Net神经网络实际输出数据和理想输出数据设计损失函数更新网络参数，得到各光固化投影光机的畸变及均匀性网络；
f)畸变及均匀性矫正：
针对每一台光固化投影光机，根据各自对应的重叠拼接宽度d像素对其实际打印图像Ⅴ中发生投影重叠现象的像素进行拼接亮度矫正，得到对应的打印图像Ⅴ_bc；再利用步骤e中各个光固化投影光机的畸变及均匀性网络对其对应的打印图像Ⅴ_bc中所有旧坐标点及旧像素值进行畸变矫正和均匀性矫正；其中，所述畸变矫正和均匀性矫正过程为：针对每一台光固化投影光机，新建一张输入矫正图像Ⅳ，其与打印图像Ⅴ_bc具有相同尺寸且像素值初始化为0；将所述输入矫正图像Ⅳ以中心像素点为坐标原点，过中心像素点且与长边平行的线为x轴建立二维直角坐标系得到所有像素点的坐标；将打印图像Ⅴ_bc按照同样方式建立坐标系得到所有像素点的旧坐标及旧像素值，并将其作为输入值送入光固化投影光机的畸变及均匀性网络，预测得到对应的新畸变坐标点及新畸变像素值；旧坐标点的像素值与对应的新畸变坐标点的像素值的差值记作像素差；将打印图像Ⅴ_bc中不需要打印的区域定义为空白区域，需要打印的区域定义为非空白区域；若对应的新畸变坐标点落在打印图像Ⅴ_bc的空白区域，则输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值赋0；若对应的新畸变坐标点落在打印图像Ⅴ_bc的非空白区域，当新畸变坐标点的坐标值均为整数时，在打印图像Ⅴ_bc上取出新畸变坐标点所在位置的旧像素值，将其与像素差的和进行取整后赋值给输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值；当新畸变坐标点的坐标值带有小数时，在打印图像Ⅴ_bc上取出新畸变坐标点的四个近邻像素点，对其进行双线性插值得到新畸变坐标点所在位置的旧像素值，将其与像素差的和进行取整后赋值给输入矫正图像Ⅳ中与旧坐标点相同位置处的像素值，得到每一台光固化投影光机对应的输入矫正图像Ⅳ。
4.如权利要求3所述的光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，所述步骤b中板式相机获取畸变图Ⅱ的方法包括：使用高精度位移模块驱动板式相机，使板式相机从采集区域的左上角开始呈弓型曲线进行拍摄，先向右依次移动一个距离并拍摄至右边边缘，向下移动一个距离，再向左依次移动一个距离并拍摄至左边边缘，向下移动一个距离，重复上述方法至拍摄结束；所述高精度位移模块每次移动的距离为板式相机实际拍摄尺寸；板式相机拍摄结束后，将板式相机获取的所有图像按照拍摄次序进行拼接，并将拼接后的图像中属于采集区域内的画面分辨率进行缩放，使得畸变图Ⅱ的分辨率应与若干张打印图像Ⅰ无交叠拼接时的分辨率相同；其中，光固化投影光机的打印精度是指正方形单位像素的实际打印边长，单台光固化投影光机的标准投影区域的长为光固化投影光机的打印精度*打印图像Ⅰ的长L像素，单台光固化投影光机的标准投影区域的宽为光固化投影光机的打印精度*打印图像Ⅰ的宽W像素；采集区域是由若干台光固化投影光机的标准投影区域无交叠拼接所构成。
5.如权利要求4所述的光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，所述步骤c中板式相机采集得到若干畸变图Ⅱ_bc的方法参照板式相机获取畸变图Ⅱ的步骤，其中采集区域是指各单台光固化投影光机的标准投影区域，畸变图Ⅱ_bc的分辨率调整至与打印图像Ⅰ_bc的分辨率相同；在采集过程中统一控制板式相机的曝光时间使得所有畸变图Ⅱ_bc的中心像素值与打印图像Ⅰ_bc的中心像素值相同，如果某台光固化投影光机对应的畸变图Ⅱ_bc的中心像素值无法与打印图像Ⅰ_bc的分辨率相同，调整该台光固化投影光机的光源输出功率使得畸变图Ⅱ_bc的中心像素值与打印图像Ⅰ_bc的中心像素值相同。
6.如权利要求3所述的光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，所述步骤b在打印过程中，根据畸变图Ⅱ中两个相邻中心控制点c中心位置之间的距离计算重叠拼接宽度，若畸变图Ⅱ中两个相邻中心控制点c中心位置之间的距离为Lc像素，则重叠拼接宽度d＝(L/2*2-Lc)＝(L-Lc)像素。
7.如权利要求3所述的光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，所述步骤b和步骤c中的若干打印图像Ⅰ是指打印图像Ⅰ的个数与光固化投影光机台数相同。
8.如权利要求3所述的光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，所述步骤c中的拼接亮度矫正是指在会发生投影重叠现象的区域对每个点的亮度值进行矫正，达到拼接区域自然过渡的效果。
9.如权利要求3所述的光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，所述步骤e中的LM-Res-Net神经网络包括：输入层、多个隐藏层和输出层；
输入层包括三个神经元，以全连接的方式连接至第二层；
隐藏层包括第二层到第六层：
第二层为环形结构，由边缘四个神经元和中间一个神经元组成，分别关注图像边缘位置及中间位置的控制点坐标和像素值变化；边缘四个神经元的输出经激活函数以全连接的方式连接至第三层的第一个神经元，中间一个神经元的输出经激活函数以全连接的方式连接至第三层的第二个神经元；
第三层包括两个神经元，第一个神经元连同输入层的三个神经元以全连接的方式输入至第四层上层网络，第二个神经元连同输入层的三个神经元以全连接的方式输入至第四层下层网络；
第四层分为上层网络及下层网络，各含有三个神经元，分别提取图像边缘位置及中间位置的坐标和像素值特征；第四层的上层网络和下层网络的输出经激活函数以全连接的方式连接至第五层；
第五层包括三个神经元，将其输出层与输入层神经元线性叠加构成残差结构，经激活函数以全连接的方式连接至第六层；
第六层包括五百个神经元，经激活函数以全连接的方式连接至输出层；
输出层包括三个神经元，经过线性激活函数得到该神经网络的输出结果；其中激活函数均使用RELU激活函数，线性激活函数使用purelin激活函数。
10.如权利要求3所述的光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，步骤e中各光固化投影光机的LM-Res-Net神经网络的输入数据为该光固化投影光机对应的坐标像素映射点集中控制点投影前的坐标和像素值，理想输出数据为该光固化投影光机对应的坐标像素映射点集中控制点投影后的畸变坐标和像素值；训练时将输入数据进行归一化处理并打乱顺序，分批送入所述LM-Res-Net神经网络进行训练，根据LM-Res-Net神经网络实际输出数据和理想输出数据设计损失函数，结合LM算法进行网络参数的更新；所述LM-Res-Net神经网络中的损失函数如式(1)：
Figure FDA0003608338500000041
式(1)中，N为每批控制点个数，(xi,yi,pi)为第i个控制点经上述神经网络的实际输出数据，其中(xi,yi)为第i个控制点经上述神经网络的实际输出坐标，pi为第i个控制点经上述神经网络的实际输出像素值；(Xi,Yi,Pi)为第i个控制点的理想输出数据，其中(Xi,Yi)为第i个控制点的理想输出坐标，Pi为第i个控制点的理想输出像素值；(Xc,Yc)为理想输出数据里中心控制点c坐标；α∈[0.01,10]为超参数，β∈[1,100]为超参数，e为自然常数。
11.如权利要求3所述的光固化多画幅3D打印机的投影畸变及均匀性矫正方法，其特征在于，所述打印图像Ⅰ是一幅除控制点外背景具有均匀灰度的图案，所述背景的灰度值要求不影响控制点的识别；至少在图像中心位置设置有1个中心控制点c，在过中心控制点c中心位置的水平线上且距离所述中心控制点c中心位置五个像素距离的位置设置控制点r和控制点l，其余任意位置的控制点个数总和不低于80个。
CN202210422194.9A 2022-04-21 2022-04-21 光固化多画幅3d打印机的投影畸变及均匀性矫正设备和方法 Active CN114986878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210422194.9A CN114986878B (zh) 2022-04-21 2022-04-21 光固化多画幅3d打印机的投影畸变及均匀性矫正设备和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210422194.9A CN114986878B (zh) 2022-04-21 2022-04-21 光固化多画幅3d打印机的投影畸变及均匀性矫正设备和方法

Publications (2)

Publication Number Publication Date
CN114986878A CN114986878A (zh) 2022-09-02
CN114986878B true CN114986878B (zh) 2023-06-23

Family

ID=83026056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210422194.9A Active CN114986878B (zh) 2022-04-21 2022-04-21 光固化多画幅3d打印机的投影畸变及均匀性矫正设备和方法

Country Status (1)

Country Link
CN (1) CN114986878B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751609A (zh) * 2019-10-25 2020-02-04 浙江迅实科技有限公司 一种基于智能光畸变校正的dlp打印精度提升方法
CN110884127A (zh) * 2019-12-28 2020-03-17 上海唯视锐光电技术有限公司 一种拼接式3d打印装置及打印方法
CN111361147A (zh) * 2020-05-27 2020-07-03 上海唯视锐光电技术有限公司 渐变拼接的多次曝光大画幅3d打印系统及使用方法
CN111619108A (zh) * 2019-02-28 2020-09-04 宁波市石生科技有限公司 一种新型光固化3d打印设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111619108A (zh) * 2019-02-28 2020-09-04 宁波市石生科技有限公司 一种新型光固化3d打印设备
CN110751609A (zh) * 2019-10-25 2020-02-04 浙江迅实科技有限公司 一种基于智能光畸变校正的dlp打印精度提升方法
CN110884127A (zh) * 2019-12-28 2020-03-17 上海唯视锐光电技术有限公司 一种拼接式3d打印装置及打印方法
CN111361147A (zh) * 2020-05-27 2020-07-03 上海唯视锐光电技术有限公司 渐变拼接的多次曝光大画幅3d打印系统及使用方法

Also Published As

Publication number Publication date
CN114986878A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN106780388B (zh) 一种线阵相机光学畸变矫正方法
CN107945130B (zh) 一种光固化3d打印机的投影畸形矫正方法
CN104677314A (zh) 检测显示面板表面平坦度的装置及方法
CN109978958B (zh) 一种互动投影系统标定误差补偿方法
CN106296711A (zh) 一种手机摄像头模组的多轴主动对准方法
CN101576715B (zh) 一种微观成像系统的标定方法
CN107167779B (zh) 基于LabVIEW的光波导相控阵扫描电压校准系统
CN107561876A (zh) 一种新型无掩膜光刻系统及其工艺流程
KR20120083854A (ko) 조정 장치, 레이저 가공 장치 및 조정 방법
CN108072319A (zh) 一种运动平台的快速标定系统及标定方法
CN103475820B (zh) 一种摄像机中pi位置校正方法及系统
CN112848281B (zh) 一种光固化3d打印机光补偿方法
CN110246193A (zh) 工业机器人末端相机在线标定方法
CN108447098A (zh) 一种远心移轴相机标定方法和系统
CN109283804A (zh) 一种提高直写曝光机曝光精度以及涨缩测量精度的方法
CN114986878B (zh) 光固化多画幅3d打印机的投影畸变及均匀性矫正设备和方法
CN114211003B (zh) 一种用于增材制造设备的多激光系统搭接校正方法
CN109581824B (zh) 一种直写式光刻机光均匀性标定方法及系统
Xiao et al. Constrained nonlinear optimization method for accurate calibration of a bi-telecentric camera in a three-dimensional microtopography system
CN104597722A (zh) 一种基于仿射变换单应矩阵的投影套刻对位系统及其对准方法
CN112465918B (zh) 一种基于Tsai标定的显微视觉标定方法
JP2011158718A (ja) 露光装置、露光方法、及び表示用パネル基板の製造方法
CN110751692B (zh) 一种摄像机成像误差标定方法与矫正方法
CN111507904A (zh) 一种微观打印图案的图像拼接方法及装置
CN109426094B (zh) 曝光方法、测量方法以及曝光装置

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