CN116330664A - 一种基于图像形态学运算的3d打印精度控制方法和系统 - Google Patents
一种基于图像形态学运算的3d打印精度控制方法和系统 Download PDFInfo
- Publication number
- CN116330664A CN116330664A CN202310334558.2A CN202310334558A CN116330664A CN 116330664 A CN116330664 A CN 116330664A CN 202310334558 A CN202310334558 A CN 202310334558A CN 116330664 A CN116330664 A CN 116330664A
- Authority
- CN
- China
- Prior art keywords
- contour
- image
- slice
- compensated
- layer
- 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
- 238000010146 3D printing Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007639 printing Methods 0.000 claims abstract description 40
- 230000000877 morphologic effect Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000003628 erosive effect Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 37
- 238000010586 diagram Methods 0.000 description 8
- 210000000299 nuclear matrix Anatomy 0.000 description 8
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 7
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 7
- 230000010339 dilation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000016 photochemical curing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001723 curing Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
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
-
- 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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
Abstract
本发明属于3D打印领域,具体涉及一种基于图像形态学运算的3D打印精度控制方法和系统,具体包括首先从3D打印切片软件获取模型的切片图像,然后对切片图像进行轮廓提取,并将提取到的轮廓图像与设定的核矩阵进行图像形态学运算操作,得到补偿后轮廓图像,将补偿后轮廓图像合并得到补偿后切片图像,然后进行图像处理,将处理后的补偿后切片图像发送至3D打印机打印成型。本发明采用图像形态学的运算对切片图像进行精度控制,可以有效的处理切片图像中的边缘轮廓像素点,并针对切片图像中轮廓边缘的误差进行补偿;同时通过轮廓提取对切片图像中每个轮廓(包含内外轮廓)进行不同程度的补偿,从而提高实际打印的精度。
Description
技术领域
本发明属于3D打印领域,具体设计一种基于图像形态学运算的3D打印精度控制方法和系统。
背景技术
3D打印时一种新的生产制造方式,它集合了数字化、人工智能化、新型材料的应用等技术特点。光固化3D打印技术因为其制作原型表面质量好、打印速度较快、尺寸精度高等优点,是高精度成型的主要实现方式,被广泛应用在小尺寸高精度的产品生产。光固化的方式目前有激光扫描和数字光处理(Digital Light Processing,DLP)成像两种方式。DLP成像方式原则上可以实现微米级极高精度的3D打印,其核心显示器件为数字微镜器件(Digital Micromirror Device,DMD)。
当前的3D打印过程中有模型切片和打印切片两个关键步骤。在真实的3D打印应用中,理想模型切片图像和真实打印的切片图像总会存在一定的误差。如在DLP 3D打印技术中,3D打印机的DMD在进行投影时产生的光学畸变误差,经过实验测量,该误差主要体现在切片图像内外轮廓的边缘上,且针对切片图像的内外轮廓,也会存在不同大小的误差,从而造成成品与模型之间存在误差,影响实际打印精度。
发明内容
为解决上述背景技术中存在的问题,本发明提供了一种基于图像形态学运算的3D打印精度控制方法,具体包括以下步骤:
S1、采用切片软件处理三维模型,得到切片图像,取出第l层切片图像,基于所述切片图像获得轮廓图像,l为大于等于1的自然数;
S2、采用核矩阵对所述轮廓图像进行图像形态学运算,以对所述轮廓图像进行内径轮廓精度控制和外径轮廓精度控制,得到补偿后轮廓图像;所述内径轮廓精度控制为对每层切片轮廓图像封闭的内轮廓的尺寸精度的补偿,所述外径轮廓精度控制为对每层切片轮廓图像外围轮廓的尺寸精度的补偿;
S3、将所述补偿后轮廓图像通过图像的代数运算进行合并,得到补偿后切片图像;
S4、对所述补偿后切片图像进行图像处理,将处理后的补偿后切片图像发送至3D打印机打印;
循环上述步骤,直至将所述三维模型打印成型。
进一步地,所述S1基于所述切片图像获得轮廓图像具体包括以下步骤:
S101、提取所述切片图像的图像轮廓数据,基于所述图像轮廓数据构建轮廓层级树;
S102、根据所述轮廓层级树划分内外轮廓,并填充所述内外轮廓,获得轮廓图像。
进一步地,所述核矩阵的参数由机器学习算法生成,所述机器学习算法输入为打印误差特征,输出为当前核矩阵参数;
所述机器学习算法输入和输出的关系表示为:
l表示所述切片图像的序号,i表示所述第l层切片图像包含的轮廓图像的序号,j表示求和遍历的序号;normal_contourl,i是第l层切片图像中的第i个标准的3D打印切片轮廓图像;γ∈(0,1]为折扣因子;是历史打印的折扣误差特征之和;kl,i为第l层中的第i个轮廓的核矩阵,kl,i={Knm,anchor(x,y)},Knm是元素为0或1的布尔矩阵,anchor(x,y)为核矩阵的锚点位置,1≤x≤n,1≤y≤m;iterationsl,i是与kl,i核矩阵相对应的迭代次数,iterationsl,i∈Z,Z表示整数集,当iterationsl,i为负整数时表示腐蚀运算,iterationsl,i为正整数时表示膨胀运算,iterationsl,i为0时表示不做运算;迭代次数iterationsl,i=n表示使用核矩阵进行abs(n)次循环运算,abs(·)表示取绝对值;layer_errorj表示第j层的打印误差;
所述计算打印误差特征的函数模型为:
contour_numl表示第l层切片图像中总共包含的轮廓数,contour_errorl,j表示第l层切片图像中第j个轮廓的误差特征,其计算函数模型为:
contour_errorl,j=g(normal_contourl,j,deform_contourl,j)
deform_contourl,j是第l层切片图像中第j个3D打印机打印的切片轮廓图像。
进一步地,所述步轮廓图像的补偿规则如下:
当iterationsl,i<0,所述轮廓图像的图像形态学运算表示为:
normal_contourl,iΘ[kl,i,iterationsl,i],
即对轮廓图像的补偿结果为:
当iterationsl,i>0,所述轮廓图像的图像形态学运算表示为:
即对轮廓图像的补偿结果为:
当iterationsl,i=0,所述轮廓图像不做运算,即对轮廓图像的补偿结果为其本身。
进一步地,所述历史打印误差特征保存于误差特征数据库中,所述误差特征数据库由每一次新打印的误差特征累积形成。
进一步地,所述补偿后轮廓图像根据轮廓合并函数merge(·)进行轮廓图像合并,compensated_layerl=merge(compensate_contoursl,contour_hierarchy_treel),
其中OR表示“或”,即采用“腐蚀”或“膨胀”运算,compensated_layerl为第l层的补偿后切片图像,compensated_contoursl为第l层切片图像的补偿后轮廓图像集合,contour_hierarchy_treel为第l层切片图像的轮廓层级树。
进一步地,所述merge(·)具体操作包括以下步骤:
S301、对第l层切片图像的轮廓层级树进行层次遍历,获取所述轮廓层级树中每层切片图像的层级序号;
S302、将每层补偿后轮廓图像进行图像的加法运算,合并为一张包含多个轮廓的层级轮廓图像,并按轮廓层级树的层级序号排序,所述轮廓层级树包含所有轮廓的层级关系,具体包括后一个轮廓、前一个轮廓、内嵌轮廓、父轮廓的索引序号;
S303、对层级轮廓图像进行图像的加减运算,实现多个层级轮廓图像合并为一张,获得补偿后切片图像。
进一步地,所述核矩阵的参数包括核矩阵大小、核矩阵元素值、核矩阵锚点位置。
进一步地,所述机器学习算法包括但不限于监督学习算法和强化学习算法,所述监督学习算法是采用深度神经网络架构的核矩阵进行优化训练,其中输入为误差特征数据,输出核矩阵,然后将核矩阵与核矩阵标签进行Loss计算,利用反向传播对深度神经网络参数进行训练优化;所述强化学习算法输入为回报函数和误差特征数据,输出为核矩阵,通过核矩阵对切片图像形态学运算进行补偿,将补偿后的切片图像输入到3D打印机中,切片图像输出,补偿后的切片图像与切片图像输出进行误差计算得出误差特征数据,并送入回报函数,给出当前核矩阵的奖励值,并继续输入到下一时刻。
进一步地,所述图像处理方法为高斯平滑处理。
一种基于图像形态学运算的3D打印精度控制系统,包括:
切片模块,用于处理三维模型以得到切片图像,并基于所述切片图像获得轮廓图像;
图像处理模块,用于对所述轮廓图像进行图像形态学运算以得到补偿后轮廓图像,然后将所述补偿后轮廓图像合并得到补偿后切片图像,将所述补偿后切片图像进行图像处理;
3D打印模块,用于对处理后的补偿后切片图像进行打印。
一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,其特征在于,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的一种基于图像形态学运算的3D打印精度控制方法的步骤。。
相比现有技术,本发明的有益效果在于:
本发明采用图像形态学的运算对切片图像进行精度控制,可以有效的处理切片图像中的边缘轮廓像素点,并针对切片图像中轮廓边缘的误差进行补偿;同时通过对切片图像进行轮廓提取,构建轮廓层级树,可对切片图像中,每个轮廓(包含内外轮廓)进行不同程度的补偿。在实际的仿真实验和生产应用中,使用该精度控制方法,相比无任何补偿操作,可以很大程度上减少3D打印过程中,由于材料收缩、投影误差等原因造成成品与模型之间存在的误差,从而提高实际打印的精度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例一种基于图像形态学运算的3D打印精度控制方法的流程示意图;
图2示出了本发明实施例一种基于图像形态学运算的3D打印精度控制过程流程示意图;
图3示出了实施例中基于监督学习方法对采用深度神经网络架构的核矩阵优化训练示意图;
图4示出了本发明实施例中基于强化学习方法对采用深度神经网络架构的核矩阵优化结构示意图;
图5示出了本发明实施例中图像形态学运算中的腐蚀膨胀操作运算示例图一;
图6示出了本发明实施例中图像形态学运算中的腐蚀膨胀操作运算示例图二;
图7示出了本发明实施例中对内外径进行精度控制的示意图;
图8示出了本发明实施例中对切片图像进行不同的精度控制操作的效果对比图;
图9示出了本发明实施例中对补偿后切片图像进行不同高斯平滑等级处理的效果对比图;
图10示出了一种基于图像形态学运算的3D打印精度控制方法的系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-2所示,本发明提供了一种基于图像形态学运算的3D打印精度控制方法,具体包括以下步骤:
S1、采用切片软件处理三维模型,得到切片图像,基于所述切片图像获得轮廓图像。
切片软件是3D打印时处理三维模型的主要工具,支持对三维模型进行旋转、缩放、生成支撑等功能。切片软件的主要功能是将一个完整的三维模型分为多个层切片图像,将该层切片图像经过精度控制后,生成若干张二值图像打包后形成切片图像数据,然后将该切片图像数据发送至3D打印机识别,以供3D打印机进行实体打印任务。三维模型为待打印的物体的3D模型,三维是一种为快速原型制造技术服务的三维图形文件格式,三维模型由多个三角形面片的定义组成,每个三角形面片的定义包括三角形各个定点的三维坐标及三角形面片的法矢量,可以通过图形建模软件或者借助三维扫描仪来生成三维模型。
进一步地,步骤S1中基于切片图像采集轮廓图像具体包括以下步骤:
S101、提取切片图像的图像轮廓数据,基于所述图像轮廓数据构建轮廓层级树;
S102、根据所述轮廓层级树划分内外轮廓进行填充,获得轮廓图像。
具体地,将待打印的3D物体三维模型导入到切片软件中,切片软件将三维模型切割成若干张二值图像,获得切片图像。提取切片图像的图像轮廓数据是将3D3D打印切片图像中物体的边界提取出来并在图中用封闭的曲线描绘出来,并将轮廓曲线内部进行完全填充,其中提取的曲线是封闭的,并且提取的均为目标的边界。所提取的轮廓图像会根据实际切片图像中物体不同,可能会有多个轮廓图像,多个轮廓图像之间会建立轮廓层级树。具体而言,按顺序取出一张切片图像,利用基于二值图像的轮廓提取算法,将轮廓数据提取到多组由连续点集合的向量,并且同时提取轮廓结构信息构建轮廓树,根据轮廓树划分为不同的轮廓进行补偿,具体为取出一个轮廓图像,将轮廓内部包围的像素值,全部填充为和轮廓曲线一致的像素值,进行内部填充,以获得切片图像的所有轮廓图像,即轮廓图像。
S2、采用核矩阵对所述轮廓图像进行图像形态学运算,以对所述轮廓图像进行内径轮廓精度控制和外径轮廓精度控制,得到补偿后轮廓图像;所述内径轮廓精度控制为对每层切片轮廓图像封闭的内轮廓的尺寸精度的补偿,所述外径轮廓精度控制为对每层切片轮廓图像外围轮廓的尺寸精度的补偿。
具体地,所述核矩阵的参数由机器学习算法生成或人工设定,其中机器学习算法是通过对打印数据中的误差情况进行学习,自动化地给出核矩阵参数和迭代次数。所述核矩阵的参数包括核矩阵大小(m×n)、核矩阵矩阵中每个元素值(一般为0或1)、核矩阵锚点位置。机器学习算法输入为打印误差,即3D打印机的打印输出与输入之间的误差;输出为当前核矩阵的第一参数,用于精度控制。其中机器学习算法,包括但不限于采用监督学习、强化学习等方法,通过监督学习和强化学习的方法对切片图像与核矩阵参数的关系进行拟合。
进一步地,设机器学习算法生成的3D打印精度补偿模型为函数f(·),计算打印误差的模型为函数g(·),ki为第i个轮廓的核矩阵,机器学习算法输入和输出的关系可表示为:
kl,i={Knm,anchor(x,y)}
其中,Knm是元素为0或1的布尔矩阵,anchor(x,y)为核矩阵的锚点位置,锚点位置可在核矩阵矩阵上的任一位置;1≤x≤n,1≤y≤m,其中m值、n值最大与标准切片图像的分辨率一样大,优选为3、4或5;
iterationsl,i是与kl,i核矩阵相对应的迭代次数,iterationsl,i∈Z,Z表示整数集。当其为负整数时表示腐蚀运算,等于0表示不做运算,当其为正整数时表示膨胀运算,其具体的绝对值大小表示迭代次数,迭代次数iterationsl,i=n表示使用核矩阵进行abs(n)次循环运算,abs(·)表示取绝对值。
l表示所述切片图像的序号,i表示所述第l层切片图像包含的轮廓图像的序号,j表示求和遍历的序号;
normal_contourl,i是第l层切片图像中的第i个标准的3D打印切片轮廓图像;
γ∈(0,1]为折扣因子,由人工设定,用来平衡补偿模型对当前打印误差与历史打印误差的权重;
layer_errorj中,j表示求和遍历的序号,此处表示第j层的打印误差。
所述计算打印误差特征的函数模型为:
contour_numl表示第l层切片图像中总共包含的轮廓数。
j表示求和遍历的序号,contour_errorl,j表示第l层切片图像中第j个轮廓的误差特征,其计算函数模型为:
contour_errorl,j=g(normal_contourl,j,deform_contourl,j)
deform_contourl,j是第l层切片图像中第j个3D打印机打印的切片轮廓图像;
上述l表示三维模型经切片处理后得到的切片图像的序号,i和j表示从第l层切片图像的打印图像中提取到的全部轮廓的序号,序号编号规则为:在单个切片层中,按照对单层轮廓图像建立的轮廓层级树进行层序遍历的顺序进行编号。
具体地,历史打印的误差特征保存于误差特征数据库中,所述误差特征数据库由每一次新打印的误差特征累积形成,即将每一次新打印的误差特征保存到误差特征数据库中,循环精度控制,不断积累误差特征数据库。通过形成误差特征数据库可以保存历史打印误差情况,用作机器学习算法训练的数据集;同时在精度控制过程中,可通过计算历史折扣误差,让精度控制算法不仅仅只依赖于上一时刻的误差数据,而是依赖整体的误差数据给出最优的精度控制策略。
进一步地,如图3所示,本发明实施例中以基于监督学习方法对采用深度神经网络架构的核矩阵进行优化训练,其中输入为误差特征数据,为输出核矩阵,会与核矩阵标签进行Loss计算,最后利用反向传播对深度神经网络参数进行训练优化。
进一步地,如图4所示,本发明实施例中基于强化学习方法对采用深度神经网络结构的核矩阵进行结构优化,其中,强化学习的智能体是由深度神经网络组成,智能体的输入为回报函数和误差特征数据,输出为核矩阵。通过核矩阵对切片图像形态学运算进行补偿,通过补偿后的切片图像输入到3D打印机中,切片图像输出,补偿后的切片图像与切片图像输出进行误差计算得出误差特征数据,并送入回报函数,给出当前核矩阵的奖励值,并继续输入到下一时刻的智能体中,循环迭代,强化学习算法会最大化回报函数的期望。
进一步地,如图5和图6所示,图像形态学运算主要包含腐蚀运算和膨胀运算,其中图5中(a)为膨胀运算的过程,输入轮廓图像后,经膨胀运算实现对轮廓图像的边缘轮廓像素进行扩张增加;图5中(b)为腐蚀运算的过程中,输入轮廓图像后,经腐蚀运算操作实现对轮廓图像的边缘轮廓像素进行消除。在本发明实施例图像形态学运算的腐蚀膨胀操作运算中,其中提取到的轮廓图像的轮廓数据时从切片图像中得到的,由轮廓图像的内部数据填充(如图6中(a)所示),进行腐蚀或者膨胀运算。在本发明一种实施例中,采用“八连通”的核矩阵(如图6中(b)所示),其中“P”代表设定的核矩阵锚点,“八连通”的核矩阵展示了通过腐蚀得到的“八连通”腐蚀结果和“八连通”膨胀结果,“八连通”核矩阵类似于矩形,使用矩形结构元素进行腐蚀操作时,会使轮廓边缘向内缩小。在本发明另一实施例中,采用“四连通”的核矩阵(如图6中(c)所示),展示了通过腐蚀得到的“四连通”腐蚀结果和“四连通”膨胀结果,“四连通”核矩阵通常用于连接邻近的轮廓区域,使它们形成一个整体,进行腐蚀操作时,可以使轮廓的边缘沿着十字形的方向缩小,从而将相邻的轮廓区域连接在一起。“四连通”的腐蚀或膨胀结果与“八连通”的腐蚀或膨胀结果并不相同,故可以通过控制使用不同的核矩阵形式达到不同的精度控制结果,而该结果与实际打印需求相关。
具体地,
其中A为待补偿的轮廓图像矩阵,B表示核矩阵。
针对单个轮廓图像进行图像形态学运算,可根据函数模型f(·)给出的[kl,i,iterationsl,i]的值进行精度控制,精度控制为对轮廓图像的内外轮廓进行补偿,具体通过图像形态学运算进行,补偿规则如下:
·当iterationsl,i<0,所述轮廓图像的图像形态学运算表示为:
normal_contourl,iΘ[kl,i,iterationsl,i],
即对轮廓图像的补偿结果为:
·当iterationsl,i>0,所述轮廓图像的图像形态学运算表示为:
即对轮廓图像的补偿结果为:
·当iterationsl,i=0,所述轮廓图像不做运算,即对轮廓图像的补偿结果为其本身。
根据上述补偿规则,即可由核矩阵对当前的轮廓图像进行图像形态学运算,进而实现由历史的打印误差对3D打印切片轮廓图像进行图像形态学运算,达到精度控制的目的操作。
进一步地,如图7所示,示出了本发明实施例中具体的内外径精度控制情况,内径轮廓精度控制是针对模型的每层切片上,封闭的内轮廓(如齿轮内孔的轮廓)的尺寸精度的补偿;外径补偿是针对模型的每层切片上,外围轮廓的尺寸精度的补偿。其中A代表内径补偿值,B代表外径补偿值,其中A为正值(补偿模型收缩部分)时,内径减小,模型实体增大。A为负值(补偿模型膨胀部分)时,内径增大,模型实体减小;B为正值(补偿模型收缩部分)时,外径增大,模型实体增大。B为负值(补偿模型膨胀部分)时,外径减小,模型实体减小。
如图8所示,示出了本发明实施例中对切片图像进行不同的精度控制操作的效果比较,其中图8中(a)为原图,图8中(b)和(c)分别为对内轮廓膨胀和腐蚀5个像素的示意图,图8中(d)和(e)分别为对外轮廓膨胀和腐蚀5个像素的示意图。模型在打印时,其内外轮廓的出现的形变不同,故对其内外轮廓实现不同程度的补偿;同时模型打印时,一张切片图像上可能是一个模型也可能是多个模型,本发明不仅仅只对每个模型的外轮廓进行补偿,也可以对每个模型内部的轮廓进行补偿。
S3、将所述补偿后轮廓图像合并得到补偿后切片图像。需要强调的是,在进行步骤S3前,需处理完所有的轮廓图像,若未处理完,则返回步骤S101再次进行处理,直至处理完所有轮廓图像。将所有处理完成后的所有轮廓图像重新合并为一个切片图像,是采用的图像的代数运算法则,该代数运算法则主要包括加法运算和减法运算,其中加法运算的结果是轮廓图像相对应像素点的像素值之和,减法运算的结果是轮廓图像相对应像素点的像素值之差。
进一步地,所述补偿后轮廓图像根据轮廓合并函数merge(·)进行轮廓图像合并:
compensated_layerl=merge(compensate_contoursl,contour_hierarchy_treel)
上述OR表示“或”,即采用“腐蚀”或“膨胀”运算。compensated_layerl为第l层的补偿后切片图像,compensated_contoursl为第l层切片图像的补偿后轮廓图像集合,contour_hierarchy_treel为第l层切片图像的轮廓层级树。
进一步地,merge(·)的具体操作包括以下步骤:
S301、对第l层切片图像的轮廓层级树进行层次遍历,获取所述轮廓层级树中每层切片图像的层级序号;
S302、将每层轮廓图像进行图像的加法运算,合并为一张包含多个轮廓的层级轮廓图像,并按轮廓层级树的层级序号排序;
S303、从轮廓层级树的根级轮廓图像开始,对层级轮廓图像进行图像的加减运算,实现多个层级轮廓图像合并为一张,获得补偿后切片图像。
S4、对所述补偿后切片图像进行图像处理,将处理后的补偿后切片图像发送至3D打印机打印。
其中,图像处理可以采用高斯平滑处理,即对经过采用图像形态学运算进行精度控制后的补偿后切片图像进行一定程度的高斯平滑处理,高斯平滑处理基于高斯滤波算法实现,支持多种不同等级的平滑程度,同时根据需要设置模糊像素值。处理后的补偿后切片图像发送至3D打印机,3D打印机识别处理后的补偿后切片图像,将3D物体三维模型打印成对应的实体。最后不断层层循环上述步骤,直至完成打印。
如图9所示,本发明实施例示出了对切片图像进行不同高斯平滑等级处理的效果说明,其中左图对切片图像进行了1个像素的模糊处理,右图进行了3个像素的模糊处理,由于经过精度控制后的切片图像边缘处容易产生“毛刺”,需要通过高斯平滑处理来进一步补偿,其作用是使待打印物体表面更平滑,通过图中可以看出当进行1个像素处理时,模型的精度更高;3个像素处理时,模型表面更为光滑,具体可以根据使用者实际需求进行调整,而像素级别的精度控制是通过设定不同大小的核矩阵实现的。
本发明中,输入标准三维模型,根据历史打印误差特征对三维模型的切片图像轮廓进行图像形态学操作处理,并将新打印的误差特征继续加入到误差特征数据库中,循环精度控制,直至打印完成,并不断积累误差特征数据库,可以为后续模型的打印提供良好的精度控制基础。
如图10所示,本发明还提供了一种基于图像形态学运算的3D打印精度控制方法的系统,包括:
切片模块,用于处理三维模型以得到切片图像,并基于所述切片图像获得轮廓图像;
图像处理模块,用于对所述轮廓图像进行图像形态学运算以得到补偿后轮廓图像,然后将所述补偿后轮廓图像合并得到补偿后切片图像,将所述补偿后切片图像进行图像处理;
3D打印模块,用于对处理后的补偿后切片图像进行打印。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序可被至少一个处理器所执行,以使该至少一个处理器执行如上所述的一种基于图像形态学运算的3D打印精度控制方法的步骤。
本公开上述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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公开的操作的计算机程序代码,上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(AN)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)。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (12)
1.一种基于图像形态学运算的3D打印精度控制方法,其特征在于,具体包括以下步骤:
S1、采用切片软件处理三维模型,得到切片图像,取出第l层切片图像,基于所述切片图像获得轮廓图像,l为大于等于1的自然数;
S2、采用核矩阵对所述轮廓图像进行图像形态学运算,以对所述轮廓图像进行内径轮廓精度控制和外径轮廓精度控制,得到补偿后轮廓图像;所述内径轮廓精度控制为对每层切片轮廓图像封闭的内轮廓的尺寸精度的补偿,所述外径轮廓精度控制为对每层切片轮廓图像外围轮廓的尺寸精度的补偿;
S3、将所述补偿后轮廓图像通过图像的代数运算进行合并,得到补偿后切片图像;
S4、对所述补偿后切片图像进行图像处理,将处理后的补偿后切片图像发送至3D打印机打印;
循环上述步骤,直至将所述三维模型打印成型。
2.根据权利要求1所述的一种基于图像形态学运算的3D打印精度控制方法,其特征在于,所述S1基于所述切片图像获得轮廓图像具体包括以下步骤:
S101、提取所述切片图像的图像轮廓数据,基于所述图像轮廓数据构建轮廓层级树;
S102、根据所述轮廓层级树划分内外轮廓,并填充内外轮廓,获得轮廓图像。
3.根据权利要求1所述的一种基于图像形态学运算的3D打印精度控制方法,其特征在于,所述核矩阵的参数由机器学习算法生成,所述机器学习算法输入为打印误差特征,输出为当前核矩阵参数;
所述机器学习算法输入和输出的关系表示为:
l表示所述切片图像的序号,i表示所述第l层切片图像包含的轮廓图像的序号,j表示求和遍历的序号;normal_contourli是第l层切片图像中的第i个标准的3D打印切片轮廓图像;γ∈(0,1]为折扣因子;是历史打印误差特征之和;kl,i为第l层中的第i个轮廓的核矩阵,kl,i={Knm,anchor(x,y)},Knm是元素为0或1的布尔矩阵,anchor(x,y)为核矩阵的锚点位置,1≤x≤n,1≤y≤m;iterationsl,i是与kl,i核矩阵相对应的迭代次数,iterationsl,i∈Z,Z表示整数集,当iterationsl,i为负整数时表示腐蚀运算,iterationsl,i为正整数时表示膨胀运算,iterationsl,i为0时表示不做运算;迭代次数iterationsl,i=n表示使用核矩阵进行abs(n)次循环运算,abs(·)表示取绝对值;layer_errorj表示第j层的打印误差;
计算打印误差特征的函数模型为:
contour_numl表示第l层切片图像中总共包含的轮廓数;contour_errorl,j表示第l层切片图像中第j个轮廓的误差特征,其计算函数模型为:
contour_errorl,j=g(normal_contourl,j,deform_contourl,j),
deform_contourl,j是第l层切片图像中第j个3D打印机打印的切片轮廓图像。
4.根据权利要求3所述的一种基于图像形态学运算的3D打印精度控制方法,其特征在于,所述历史打印误差特征保存于误差特征数据库中,所述误差特征数据库由每一次新打印的误差特征累积形成。
6.根据权利要求1所述的一种基于图像形态学运算的3D打印精度控制方法,其特征在于,所述补偿后轮廓图像根据轮廓合并函数merge(·)进行轮廓图像合并,则第l层所述补偿后切片图像表示为:
compensate d_layerl=merge(compensate_contoursl,contour_hierarchy_treel),
其中OR表示“或”,即采用“腐蚀”或“膨胀”运算,compensated_layerl为第l层的补偿后切片图像,compensated_contoursl为第l层切片图像的补偿后轮廓图像集合,contour_hierarchy_treel为第l层切片图像的轮廓层级树。
7.根据权利要求6所述的一种基于图像形态学运算的3D打印精度控制方法,其特征在于,所述merge(·)具体操作包括以下步骤:
S301、对第l层切片图像的轮廓层级树进行层次遍历,获取所述轮廓层级树中每层切片图像的层级序号;
S302、将每层补偿后轮廓图像进行图像的加法运算,合并为一张包含多个轮廓的层级轮廓图像,并按轮廓层级树的层级序号排序,所述轮廓层级树包含所有轮廓的层级关系,具体包括后一个轮廓、前一个轮廓、内嵌轮廓、父轮廓的索引序号;
S303、对层级轮廓图像进行图像的加减运算,实现多个层级轮廓图像合并为一张,获得补偿后切片图像。
8.根据权利要求3所述的一种基于图像形态学运算的3D打印精度控制方法,其特征在于,所述核矩阵的参数包括核矩阵大小、核矩阵元素值、核矩阵锚点位置。
9.根据权利要求3所述的一种基于图像形态学运算的3D打印精度控制方法,其特征在于,所述机器学习算法包括但不限于监督学习算法和强化学习算法,所述监督学习算法是采用深度神经网络架构的核矩阵进行优化训练,其中输入为误差特征数据,输出核矩阵,然后将核矩阵与核矩阵标签进行Loss计算,利用反向传播对深度神经网络参数进行训练优化;所述强化学习算法输入为回报函数和误差特征数据,输出为核矩阵,通过核矩阵对切片图像形态学运算进行补偿,将补偿后的切片图像输入到3D打印机中,切片图像输出,补偿后的切片图像与切片图像输出进行误差计算得出误差特征数据,并送入回报函数,给出当前核矩阵的奖励值,并继续输入到下一时刻。
10.根据权利要求1所述的一种基于图像形态学运算的3D打印精度控制方法,其特征在于,所述图像处理方法为高斯平滑处理。
11.根据权利要求1-10任一项所述的一种基于图像形态学运算的3D打印精度控制方法的系统,其特征在于,包括:
切片模块,用于处理三维模型以得到切片图像,并基于所述切片图像获得轮廓图像;
图像处理模块,用于对所述轮廓图像进行图像形态学运算以得到补偿后轮廓图像,然后将所述补偿后轮廓图像合并得到补偿后切片图像,将所述补偿后切片图像进行图像处理;
3D打印模块,用于对处理后的补偿后切片图像进行打印。
12.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,其特征在于,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1-10中任一项所述的一种基于图像形态学运算的3D打印精度控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334558.2A CN116330664A (zh) | 2023-03-29 | 2023-03-29 | 一种基于图像形态学运算的3d打印精度控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334558.2A CN116330664A (zh) | 2023-03-29 | 2023-03-29 | 一种基于图像形态学运算的3d打印精度控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116330664A true CN116330664A (zh) | 2023-06-27 |
Family
ID=86882136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310334558.2A Pending CN116330664A (zh) | 2023-03-29 | 2023-03-29 | 一种基于图像形态学运算的3d打印精度控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116330664A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681841A (zh) * | 2023-08-03 | 2023-09-01 | 中国科学院长春光学精密机械与物理研究所 | 断层重建的质量评估方法及存储介质 |
-
2023
- 2023-03-29 CN CN202310334558.2A patent/CN116330664A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681841A (zh) * | 2023-08-03 | 2023-09-01 | 中国科学院长春光学精密机械与物理研究所 | 断层重建的质量评估方法及存储介质 |
CN116681841B (zh) * | 2023-08-03 | 2023-10-20 | 中国科学院长春光学精密机械与物理研究所 | 断层重建的质量评估方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10259164B2 (en) | Methods and apparatus for 3D printing of point cloud data | |
CN110390638B (zh) | 一种高分辨率三维体素模型重建方法 | |
US5966140A (en) | Method for creating progressive simplicial complexes | |
CN112347882B (zh) | 一种智能分拣控制方法和智能分拣控制系统 | |
CN110263384B (zh) | 基于Laplacian微分域变形的三维网格曲面变厚度偏置造型方法 | |
CN111805894B (zh) | 一种stl模型切片方法和装置 | |
CN116330664A (zh) | 一种基于图像形态学运算的3d打印精度控制方法和系统 | |
CN114638956B (zh) | 一种基于体素化与三视图的飞机整机点云语义分割方法 | |
CN112819873B (zh) | 高泛化性的跨域道路场景语义分割方法和系统 | |
Menini et al. | A real-time online learning framework for joint 3d reconstruction and semantic segmentation of indoor scenes | |
US20220252906A1 (en) | Computer-implemented method for individualising a spectacle frame element by determining a parametric substitution model of a spectacle frame element, and device and systems using such a method | |
CN110838122A (zh) | 点云的分割方法、装置及计算机存储介质 | |
CN114758337A (zh) | 一种语义实例重建方法、装置、设备及介质 | |
CN113129447A (zh) | 基于单张手绘草图的三维模型生成方法、装置和电子设备 | |
CN111274732A (zh) | 一种基于“连接关系-位置”迭代优化的网格修复方法 | |
CN116579409A (zh) | 基于重参数化的智能相机模型剪枝加速方法及加速系统 | |
CN113808006B (zh) | 一种基于二维图像重建三维网格模型的方法及装置 | |
CN112837420B (zh) | 基于多尺度和折叠结构的兵马俑点云的形状补全方法及系统 | |
CN111768493B (zh) | 一种基于分布参数编码的点云处理方法 | |
CN113066165A (zh) | 多阶段无监督学习的三维重建方法、装置和电子设备 | |
CN113487741A (zh) | 稠密三维地图更新方法及装置 | |
EP4011602A1 (en) | Additive manufacturing based on displaced signed distance fields | |
Zhan et al. | 3D image processing technology based on interactive entertainment application in cultural and creative product design | |
US12038736B2 (en) | Additive manufacturing control based on displaced signed distance fields | |
CN117036617B (zh) | 快速构建大场景三维模型方法、系统及计算机系统 |
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 |