CN115423781A - 一种基于ai识别的3d打印机缺陷检测装置 - Google Patents

一种基于ai识别的3d打印机缺陷检测装置 Download PDF

Info

Publication number
CN115423781A
CN115423781A CN202211079890.0A CN202211079890A CN115423781A CN 115423781 A CN115423781 A CN 115423781A CN 202211079890 A CN202211079890 A CN 202211079890A CN 115423781 A CN115423781 A CN 115423781A
Authority
CN
China
Prior art keywords
image
printer
module
processing
intelligent
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
CN202211079890.0A
Other languages
English (en)
Inventor
于雅楠
潘奇
赵洪利
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.)
Tianjin University of Technology and Education China Vocational Training Instructor Training Center
Original Assignee
Tianjin University of Technology and Education China Vocational Training Instructor Training Center
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 Tianjin University of Technology and Education China Vocational Training Instructor Training Center filed Critical Tianjin University of Technology and Education China Vocational Training Instructor Training Center
Priority to CN202211079890.0A priority Critical patent/CN115423781A/zh
Publication of CN115423781A publication Critical patent/CN115423781A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于AI识别的3D打印机缺陷检测装置，包括：智能图像捕获模块和智能控制板，智能图像捕获模块安装在3D打印底盘的上面，将智能图像捕获模块采集到的图像传输至智能控制板中的分割网络模型分割得到3D打印建模图像和3D喷头图像，3D喷头图像传输至智能控制板中的对比网络进行处理；交互软件模块实时监控3D打印机的断丝和缺陷检测的工作情况；智能图像捕获模块每隔一个时间间隔T采集图像，按照时间顺序依次采集出支持集和查询集图像，并输入到智能控制板中基于VIT特征提取的小样本学习算法中处理。本发明基于小样本分类的检测和基于残差网络的3D喷头断丝检测，实现了准确检测3D喷头断丝和3D建模缺陷，满足了实际应用中的多种需要。

Description

一种基于AI识别的3D打印机缺陷检测装置
技术领域
本发明涉及计算机视觉领域，应用于3D打印机工作的环节，尤其涉及一种基于AI识别的3D打印机缺陷检测装置。
背景技术
3D打印机在日常生活中发挥着重要的作用，然而3D打印机的普遍应用也带了很多问题，例如：3D喷头断丝和3D建模的过程中出现模型缺陷的问题。很多时候这些问题如果不及时发现解决会造成打印材料的浪费，严重时还会造成经济损失。
目前，大多数厂商在解决该问题上受到技术以及成本的限制。在3D喷头断丝检测方面，一部分采用人工检查的方法，这样造成了比较大的人力成本。另一部分采用硬件传感器技术对喷头进行检测。这种技术的缺点在于当需求升级时需要对3D打印机的硬件进行更改，而对3D打印机硬件升级困难，对于多类型的3D打印机来说，适配性较差。在3D建模缺陷检测方面，现有的缺陷检测多为传统的图像处理技术，处理效果差且耗时长。另一方面，带有缺陷的样本数量有限，采用传统的深度学习算法会有过拟合的风险。
发明内容
本发明提供了一种基于AI识别的3D打印机缺陷检测装置，本发明基于小样本分类的检测和基于残差网络的3D喷头断丝检测，实现了准确检测3D喷头断丝和3D建模缺陷，满足了实际应用中的多种需要，详见下文描述：
一种基于AI识别的3D打印机缺陷检测装置，所述装置包括：智能图像捕获模块和智能控制板，
所述智能图像捕获模块安装在3D打印底盘的上面，将智能图像捕获模块采集到的图像传输至智能控制板中的分割网络模型分割得到3D打印建模图像和3D喷头图像，3D喷头图像传输至智能控制板中的对比网络进行处理；交互软件模块实时监控3D打印机的断丝和缺陷检测的工作情况；
智能图像捕获模块每隔一个时间间隔T采集图像，按照时间顺序依次采集出支持集和查询集图像，并输入到智能控制板中基于VIT特征提取的小样本学习算法中处理。
其中，所述支持集图像共2个类别，分别是3D建模正常形态在T时刻得到、3D建模缺陷形态在2T时刻得到，每个类别一张图像；查询集图像在3T时刻得到。
进一步地，所述交互软件模块收集3D打印机的工作状态，使得用户在室外也能监控3D打印机的工作状态；
所述交互软件模块用于远程控制检测装置启动、关闭，监控打印机的工作状态和打印过程；在交互软件模块中开启室外报警模式，在打印机出现喷头断丝和模型缺陷时进行报警。
其中，所述智能图像捕获模块按照时间T采集图像，使用分割网络模型得到3D喷头图像，再输入至智能控制板中的对比网络模型进行处理；
所述对比网络模型的特征提取部分为改进的注意力机制残差网络，第一部分是采用残差结构的卷积神经网络resnet，整个resnet网络由多个残差块拼接而成，先对输入的喷头图像进行卷积层处理，再经过池化层处理后输入到残差块中进行处理；除第一残差块外，其他残差块再处理特征图之前要进行特征图的缩放处理；经过所有残差块处理后输入到一个全连接层中输出处理后的特征图。第二部分是CBAM注意力机制模块，可以对得到的特征进行重构，使特征更加符合样本的潜在分布规律，提高模型的对比效果。
所述CBAM注意力机制模块由通道注意力模块和空间注意力模块组成，输入的特征图首先通过通道注意力模块得到包含通道注意力的特征图，再通过空间注意力模块得到包含空间注意力的特征图，每个注意力都是通过矩阵乘法整合在特征图中。
所述通道注意力模块：对输入的特征分别进行最大池化和平均池化操作，分别得到两个不同的特征向量M1∈Rc×1×1和M2∈Rc×1×1；采用全连接网络处理两个特征向量；将处理后的特征向量相加，使用sigmoid函数对得到的和向量中的元素进行处理，最终得到通道注意力，即：
CAM＝sigmoid(MLP(M1)+MLP(M2)) (1)
其中，MLP(·)为全连接网络；
所述空间注意力模块：对输入特征图进行最大池化和平均池化操作，分别得到两个不同的特征向量A1∈R1×w×h和A2∈R1×w×h；将两个特征向量在通道上进行拼接，使用卷积层处理拼接向量；使用sigmoid函数对拼接向量中的元素进行处理，最终得到空间注意力，即：
PAM＝sigmoid(conv(cat[A1,A2])) (2)
其中，conv(·)为卷积网络。
所述小样本学习中的backbone是一个Vision Transformer，通过backbone处理得到支持集特征向量[α，β]和查询集特征向量q，再对特征向量计算余弦相似度判断查询集图像是否存在缺陷；
Vision Transformer的结构为：原始图像经过卷积层处理成n个token，使用位置编码层在每一个token中加入位置编码，使用transformer编码器处理加入位置编码的token，经过全连接层处理得到处理后的特征图。transformer编码器能够通过计算自注意力的方法来重新重构特征。
本发明提供的技术方案的有益效果是：
1、本发明基于深度学习的图像对比技术实现检测3D打印机的断丝和3D打印过程中的缺陷问题，能够在数据集有限的条件下节约成本并且实现过程较为简单并且准确率较高，缓解人工检查3D打印机的问题带来的困扰，使人力得到解放；
2、本发明解决在3D打印机工作过程中出现的3D喷头断丝检测困难和高效检测打印过程中3D模型缺陷的问题；本发明结合计算机视觉深度学习算法，能够在智能图像捕获装置采集的实时画面中判断是否发生3D喷头断丝现象和3D模型建模缺陷的问题；
3、本发明在3D打印生产的条件下，提高生产力，解放人工；不仅实现了解决缺陷检测的问题，节约了成本。
附图说明
图1为一种基于AI识别的3D打印机缺陷检测装置的工作原理的流程图；
图2为一种基于AI识别的3D打印机缺陷检测装置检测断丝现象的流程图；
图3为一种基于AI识别的3D打印机缺陷检测装置检测3D模型打印缺陷现象的流程图；
图4为改进的注意力机制残差网络的结构图；
图5为通道注意力、空间注意力、卷积注意力模块结构图；
图6为基于VIT特征提取的小样本学习3D模型打印缺陷检测算法示意图；
图7为Vision Transformer结构图；
图8为一种基于AI识别的3D打印机缺陷检测装置硬件模块的结构示意图；
图9为Transformer编码器的结构图。
附图中，各部件所代表的部件列表如下：
1：3D打印喷头； 2：3D打印底板；
3：智能图像捕获模块； 4：声光警报装置；
5：智能控制板； 6：交互软件模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
参见图1和图2，一种基于AI识别的3D打印机缺陷检测装置，该装置包括：3D打印机(包括：3D打印喷头1、3D打印底板2)、智能图像捕获模块3、声光报警模块4、智能控制板5(内部有缺陷检测模型)、以及交互软件模块6。
实施例1
一种基于AI识别的3D打印机缺陷检测装置的3D喷头断丝检测过程，包括：3D打印喷头1、智能图像捕获模块3、智能控制板5(包括：分割网络模型和对比网络模型)，智能图像捕获模块3按照时间T采集图像，使用分割网络模型得到3D喷头打印图像和3D喷头图像，再输入至对比网络模型进行处理。对比网络模型的特征提取部分为一种改进的残差注意力机制网络，是由采用残差结构的卷积神经网络(CNN)和卷积注意力机制(CBAM)模块组成的，结构如图4所示：
第一部分是残差网络，整个网络由多个残差块拼接而成，先对输入的3D喷头图像进行卷积层处理(64个卷积核，卷积核大小7*7，步长2，之后再进行BN(批标准化))再经过池化层处理后输入到残差块中进行处理；随着层数的加深，残差块的数量不断增加，残差块中卷积核的数量也在增加，也就意味着特征图的通道数不断增加；一个残差块称为一个stage。除第一个残差块外，其他残差块再处理特征图之前要进行特征图的缩放处理(例如：使用3*3的卷积核，步长为2)；经过所有残差块处理后输入到一个全连接层中输出处理后的特征图。
第二部分是卷积注意力机制(CBAM)模块，它的核心是由通道注意力模块(CAM)和空间注意力模块(SAM)组成，结构如图5所示。通道注意力机制(CAM)的过程是：对前面网络输入的特征分别进行最大池化和平均池化操作，分别得到两个不同的特征向量M1∈Rc×1×1和M2∈Rc×1×1；之后，全连接网络处理两个特征向量；最后，将处理后的特征向量相加，使用sigmoid函数对得到的和向量中的元素进行处理，最终得到通道注意力，即：
CAM＝sigmoid(MLP(M1)+MLP(M2)) (1)
其中，MLP(·)为全连接网络。空间注意力(SAM)的过程是：首先，对输入特征图进行最大池化和平均池化操作，分别得到两个不同的特征向量A1∈R1×w×h和A2∈R1×w×h；之后，将两个特征向量在通道上进行拼接，使用卷积层处理拼接向量；最后，使用sigmoid函数对拼接向量中的元素进行处理，最终得到空间注意力，即：
PAM＝sigmoid(conv(cat[A1,A2])) (2)
其中，conv(·)为卷积网络。卷积注意力是上述二者的结合，输入的特征图首先通过通道注意力模块得到包含通道注意力的特征图，再通过空间注意力模块得到包含空间注意力的特征图，每个注意力都是通过矩阵乘法整合在特征图中。
每隔T秒，智能图像捕获模块3会捕获打印过程中的图像，经过对比网络模型分割成两部分：3D喷头打印图像和3D打印建模图像。智能控制板5利用对比网络模型的特征提取部分(resnet网络)的处理将3D喷头打印图像处理成两个特征向量C和向量D，智能控制板5中的断丝检测模型利用得到的向量C和向量D通过对比网络模型的相似度计算部分计算两个向量C和向量D的余弦相似度，进而得到两幅图像的对比结果，流程图如图2所示。
优选地，智能图像捕获模块3的型号为大河爱莎S6，智能控制板5的型号为树莓派(CPU：i5 GPU：英伟达1660ti，控制器智能控制板4b开发套件)。
实施例2
一种基于AI识别的3D打印机缺陷检测装置，包括：智能图像捕获模块3和智能控制板5中的缺陷检测算法，智能图像捕获模块3安装在3D打印底盘2的上面，略高于3D打印底盘2，智能图像捕获模块3采集到的图像会送到智能控制板5中的分割网络模型分割得到3D打印建模图像。在此期间交互软件6会始终检测装置的运行状态。
3D打印模型在打印过程中有两种状态，第一种称为模型初始状态，此过程是模型刚开始打印过程，此过程不进行检测；第二种状态称为模型打印状态，此模型打印状态属于模型检测缺陷的范围，值得注意的是，有些模型会打印底盘2，确保模型粘在3D打印底盘2的上面，此种状态不属于模型异常。
智能图像捕获模块3每隔一个时间间隔T采集图像，按照时间顺序依次采集出支持集和查询集图像，支持集图像共2个类别，分别是3D建模正常形态(I1)在T时刻得到、3D建模缺陷形态(I2)在2T时刻得到，每个类别一张图像；查询集图像，类别未知但是属于支持集图像中的一种，共三张图像。查询集图像在3T时刻得到，得到的支持集图像和查询集图像输入到智能控制板5中基于VIT特征提取的小样本学习算法中处理。基于VIT特征提取的小样本学习算法结构如图5所示。
从图4中看出，该小样本学习算法中的backbone(特征提取器)是一个VisionTransformer(VIT，视觉Transformer)，通过backbone处理得到支持集特征向量[α，β]和查询集特征向量q，在对特征向量计算余弦相似度判断查询集图像是否存在缺陷，流程如图6所示。
Vision Transformer(VIT)的结构如图7所示，原始图像会经过卷积层处理成n个的token(分块)，之后使用位置编码层在每一个token中加入位置编码，使用transformer编码器处理加入位置编码的token，经过全连接层处理得到处理后的特征图。Transformer编码器的结构如图9所示，Transformer编码器能够通过计算自注意力的方法来重新构造特征，自注意力机制的计算需要Q、K和V三个矩阵。
Q、K和V三个矩阵的生成公式分别为：
Q＝X·Wq (3)
K＝X·Wk (4)
V＝X·Wv (5)
其中，Wq、Wk和Wv是可学习权重，用于生成QKV矩阵。
自注意力机制计算公式为：
Figure BDA0003833240560000061
其中，sigmoid(·)表示sigmoid函数，dk为Q、K和V三个矩阵的维度，T为转置。
其中，3D建模缺陷检测的小样本学习算法包括：预训练特征提取器VisionTransformer和元训练两个阶段。图5为模型图，特征提取器backbone需要在比较大的数据量上进行训练，使其能够很好的提取输入图片的特征；算法的训练要在3D打印机运行的过程中重复采集图像，检测缺陷的步骤，在使用的过程中使分类模型成长起来。
实施例3
下面对一种基于AI识别的3D打印机缺陷检测装置中的声光警报模块4进行详细介绍，详见下文描述：
声光警报模块4，用户可以在声光警报装置4中设置是否开启室内报警模式，声光警报模块4设置了两种警报音效：警报音效A和警报音效B。在3D打印机工作过程中通过交互软件一直监控装置的工作状态，如果在交互软件模块6的对比网络模型中发现3D打印喷头1出现断丝现象，就会发送信号至声光警报模块4，声光警报模块4会发出警报音效A，提示工作人员此时发生喷头断丝现象；如果在智能控制板5的小样本学习算法中发现3D建模存在缺陷的情况，就会发送信号给声光警报模块4，声光警报模块4会发出警报音效B，提示工作人员此时发生3D建模缺陷的情况。
实施例4
下面对一种基于AI识别的3D打印机缺陷检测装置中的智能控制板5进行详细介绍，详见下文描述：
智能控制板5中包括：供电模块、MCU模块、无线模块，供电模块用于给整个检测装置供电，为3D打印机和模型的缺陷检测提供电力支持；MCU模块可以接收打印过程中反馈的信号，执行报警、向控制程序反馈等作用；无线模块可以使检测装置连接无线网络，便于控制软件远程控制测装置，其工作原理如图6所示。
实施例5
下面对一种基于AI识别的3D打印机缺陷检测装置中的交互软件模块6进行详细介绍，详见下文描述：
该交互软件模块能够实时监控3D打印机的断丝和缺陷检测的工作情况，并收集该模块反馈的3D打印机的工作状态，保证用户在室外也能监控3D打印机的工作状态。
交互软件模块6的作用有两个：第一个是远程控制检测装置启动、关闭，监控打印机工作状态和监控打印过程，第二个是打印机出现喷头断丝和模型缺陷时进行报警，可以在交互软件模块6中设置开启室外报警模式。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于AI识别的3D打印机缺陷检测装置，其特征在于，所述装置包括：智能图像捕获模块和智能控制板，
所述智能图像捕获模块安装在3D打印底盘的上面，将智能图像捕获模块采集到的图像传输至智能控制板中的分割网络模型分割得到3D打印建模图像和3D喷头图像，3D喷头图像传输至智能控制板中的对比网络进行处理；交互软件模块实时监控3D打印机的断丝和缺陷检测的工作情况；
智能图像捕获模块每隔一个时间间隔T采集图像，按照时间顺序依次采集出支持集和查询集图像，并输入到智能控制板中基于VIT特征提取的小样本学习算法中处理。
2.根据权利要求1所述的一种基于AI识别的3D打印机缺陷检测装置，其特征在于，所述支持集图像共2个类别，分别是3D建模正常形态在T时刻得到、3D建模缺陷形态在2T时刻得到，每个类别一张图像；查询集图像在3T时刻得到。
3.根据权利要求1所述的一种基于AI识别的3D打印机缺陷检测装置，其特征在于，所述交互软件模块收集3D打印机的工作状态，使得用户在室外也能监控3D打印机的工作状态；
所述交互软件模块用于远程控制检测装置启动、关闭，监控打印机的工作状态和打印过程；在交互软件模块中开启室外报警模式，在打印机出现喷头断丝和模型缺陷时进行报警。
4.根据权利要求1所述的一种基于AI识别的3D打印机缺陷检测装置，其特征在于，所述智能图像捕获模块按照时间T采集图像，使用分割网络模型得到3D喷头图像，再输入至智能控制板中的对比网络模型进行处理；
所述对比网络模型的特征提取部分为改进的注意力机制残差网络，第一部分是采用残差结构的卷积神经网络resnet，整个resnet网络由多个残差块拼接而成，先对输入的喷头图像进行卷积层处理，再经过池化层处理后输入到残差块中进行处理；除第一残差块外，其他残差块再处理特征图之前要进行特征图的缩放处理；经过所有残差块处理后输入到一个全连接层中输出处理后的特征图；第二部分是CBAM注意力机制模块，对得到的特征进行重构，使特征符合样本的潜在分布规律。
5.根据权利要求4所述的一种基于AI识别的3D打印机缺陷检测装置，其特征在于，所述CBAM注意力机制模块由通道注意力模块和空间注意力模块组成，输入的特征图首先通过通道注意力模块得到包含通道注意力的特征图，再通过空间注意力模块得到包含空间注意力的特征图，每个注意力都是通过矩阵乘法整合在特征图中。
6.根据权利要求5所述的一种基于AI识别的3D打印机缺陷检测装置，其特征在于，
所述通道注意力模块：对输入的特征分别进行最大池化和平均池化操作，分别得到两个不同的特征向量M1∈Rc×1×1和M2∈Rc×1×1；采用全连接网络处理两个特征向量；将处理后的特征向量相加，使用sigmoid函数对得到的和向量中的元素进行处理，最终得到通道注意力，即：
CAM＝sigmoid(MLP(M1)+MLP(M2))
其中，MLP(·)为全连接网络；
所述空间注意力模块：对输入特征图进行最大池化和平均池化操作，分别得到两个不同的特征向量A1∈R1×w×h和A2∈R1×w×h；将两个特征向量在通道上进行拼接，使用卷积层处理拼接向量；使用sigmoid函数对拼接向量中的元素进行处理，最终得到空间注意力，即：
PAM＝sigmoid(conv(cat[A1,A2]))
其中，conv(·)为卷积网络。
7.根据权利要求1所述的一种基于AI识别的3D打印机缺陷检测装置，其特征在于，
所述小样本学习中的backbone是一个Vision Transformer，通过backbone处理得到支持集特征向量[α，β]和查询集特征向量q，再对特征向量计算余弦相似度判断查询集图像是否存在缺陷；
Vision Transformer的结构为：原始图像经过卷积层处理成n个token，使用位置编码层在每一个token中加入位置编码，使用transformer编码器处理加入位置编码的token，经过全连接层处理得到处理后的特征图。
CN202211079890.0A 2022-09-05 2022-09-05 一种基于ai识别的3d打印机缺陷检测装置 Pending CN115423781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211079890.0A CN115423781A (zh) 2022-09-05 2022-09-05 一种基于ai识别的3d打印机缺陷检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211079890.0A CN115423781A (zh) 2022-09-05 2022-09-05 一种基于ai识别的3d打印机缺陷检测装置

Publications (1)

Publication Number Publication Date
CN115423781A true CN115423781A (zh) 2022-12-02

Family

ID=84201890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211079890.0A Pending CN115423781A (zh) 2022-09-05 2022-09-05 一种基于ai识别的3d打印机缺陷检测装置

Country Status (1)

Country Link
CN (1) CN115423781A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116135797A (zh) * 2023-04-19 2023-05-19 江苏海峡环保科技发展有限公司 污水处理智能控制系统
CN116664846A (zh) * 2023-07-31 2023-08-29 华东交通大学 基于语义分割实现3d打印桥面施工质量监测方法及系统
CN116843685A (zh) * 2023-08-31 2023-10-03 山东大学 一种基于图像检测的3d打印工件缺陷识别方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116135797A (zh) * 2023-04-19 2023-05-19 江苏海峡环保科技发展有限公司 污水处理智能控制系统
CN116135797B (zh) * 2023-04-19 2023-07-04 江苏海峡环保科技发展有限公司 污水处理智能控制系统
CN116664846A (zh) * 2023-07-31 2023-08-29 华东交通大学 基于语义分割实现3d打印桥面施工质量监测方法及系统
CN116664846B (zh) * 2023-07-31 2023-10-13 华东交通大学 基于语义分割实现3d打印桥面施工质量监测方法及系统
CN116843685A (zh) * 2023-08-31 2023-10-03 山东大学 一种基于图像检测的3d打印工件缺陷识别方法及系统
CN116843685B (zh) * 2023-08-31 2023-12-12 山东大学 一种基于图像检测的3d打印工件缺陷识别方法及系统

Similar Documents

Publication Publication Date Title
CN115423781A (zh) 一种基于ai识别的3d打印机缺陷检测装置
CN111460728B (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN111079640B (zh) 一种基于自动扩增样本的车型识别方法及系统
CN114596448A (zh) 一种肉鸭健康管理方法及其管理系统
CN112669305B (zh) 一种金属表面抗锈性能测试台及抗锈性能测评方法
CN113221889A (zh) 一种芯片字符抗干扰识别方法及装置
CN109543605A (zh) 基于卷积神经网络的食物变质管理方法、系统、贮藏设备
CN115080290A (zh) 一种基于智能算法的异常数据检测方法及系统
CN116681962A (zh) 基于改进YOLOv5的电力设备热图像检测方法及系统
CN108664886A (zh) 一种适应变电站进出监控需求的人脸快速识别方法
CN109784390B (zh) 一种人工智能嗅觉动态响应图谱气体检测识别方法
CN115204257A (zh) 一种用于传感器数据的异常监测方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN114821328A (zh) 一种基于完全学习的电力图像处理方法及装置
CN201035376Y (zh) 工业生产过程小样本条件下的故障诊断装置
CN114820486A (zh) 基于改进YOLOv5s的印刷电路板缺陷检测方法
CN116091786B (zh) 猪只估重的全息体尺自编码方法、系统、设备及存储介质
CN108073873A (zh) 基于高清智能摄像机的人脸检测与识别系统
CN116313164B (zh) 抗干扰的睡眠监控方法、装置、设备及存储介质
CN201017233Y (zh) 基于小波分析的工业生产过程故障诊断装置
CN117079099A (zh) 一种基于改进YOLOv8n的违规行为检测方法
US20240169510A1 (en) Surface defect detection model training method, and surface defect detection method and system
CN116484312A (zh) 一种基于压力流量特征图的雨淋阀健康状态评估方法及系统
CN114387524B (zh) 基于多层级二阶表征的小样本学习的图像识别方法和系统
CN114005064A (zh) 一种基于机器视觉技术的生物式水体污染预警方法及装置

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