CN116685997A - 用于检测3d打印机中的缺陷的方法 - Google Patents
用于检测3d打印机中的缺陷的方法 Download PDFInfo
- Publication number
- CN116685997A CN116685997A CN202180083990.8A CN202180083990A CN116685997A CN 116685997 A CN116685997 A CN 116685997A CN 202180083990 A CN202180083990 A CN 202180083990A CN 116685997 A CN116685997 A CN 116685997A
- Authority
- CN
- China
- Prior art keywords
- image
- steps
- contrast
- images
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000010146 3D printing Methods 0.000 claims abstract description 7
- 239000000843 powder Substances 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 3
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/37—Process control of powder bed aspects, e.g. density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/38—Process control to achieve specific product aspects, e.g. surface smoothness, density, porosity or hollow structures
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/90—Means for process control, e.g. cameras or sensors
-
- 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
- B33Y10/00—Processes of 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
- B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
-
- 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
- B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/20—Direct sintering or melting
- B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- 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
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
用于检测3D打印机中的缺陷的计算机实现的方法,其中,该方法包括以下步骤:a)捕获3D打印机的构造空间的第一图像,其中,构造空间包括在第一图像中示出的3D打印部件;b)通过使用空间分辨率增加人工神经网络从第一图像生成具有比第一图像更高的空间分辨率的第二图像。
Description
本发明涉及用于检测3D打印机中的缺陷的计算机实现的方法、数据处理单元、3D打印机、计算机程序和计算机可读数据载体。
在3D打印机中,通过选择性地熔融或烧结粉末床来逐层制造部件。粉末床的粉末可以是金属粉末,并且粉末可以借助于激光或电子束熔融或烧结。在制造部件期间,部件中可能会出现缺陷。例如,当涂覆器不完全沉积粉末床层时,可能会出现缺陷。在制造部件期间,可能会形成热点,这可能会导致部件的氧化和/或部件的粗糙表面的形成。热点还可能导致部件的变形,然后这可能导致粉末床的相邻部件的提升和/或降低。另一方面,在制造部件期间可能会形成冷点,其中,热点可能会导致粉末的不完全熔融,这可能会导致部件的多孔性。
3D打印机可以包括适于监测部件制造的摄像装置。摄像装置可能能够检测到上述缺陷中的一些,但是可能无法检测到上述其他缺陷。例如,摄像装置可能能够检测到粉末床中的缺陷,但是可能无法检测到部件中的缺陷。
因此,本发明的目的是提供用于检测3D打印机中的缺陷的方法,其中,该方法实现改进的缺陷检测。
一种用于检测3D打印机中的缺陷的第一发明的计算机实现的方法包括以下步骤:a)捕获3D打印机的构造空间的第一图像,其中,构造空间包括在第一图像中示出的3D打印部件;b)通过使用空间分辨率增加人工神经网络从第一图像生成具有比第一图像更高的空间分辨率的第二图像。
一种用于检测3D打印机中的缺陷的第二发明的计算机实现的方法包括以下步骤:a)捕获3D打印机的构造空间的图像的序列,其中,构造空间包括在序列中的图像中示出的3D打印部件;a1)将序列中的图像组合成第一图像;b)通过使用空间分辨率增加人工神经网络从第一图像生成具有比第一图像更高的空间分辨率的第二图像。
通过增加空间分辨率,可以在第二图像中检测到在第一图像中可能不可见的部件中的缺陷。因此,提供了改进的缺陷检测。
空间分辨率增加人工神经网络包括输入层和输出层,在输入层中布置有第一图像,输出层产生第二图像。可以通过提供具有低空间分辨率的第一组图像和具有高空间分辨率的第二组对应图像来训练人工神经网络。第一组和第二组可以例如通过捕获多个对象的图像生成,其中,每个对象以低空间分辨率和高空间分辨率捕获。也可以从第二组中的每个图像计算低分辨率图像以产生第一组。也可以针对第一组和第二组获取公开可用的数据集。然后通过调整空间分辨率增加人工神经网络的权重来训练空间分辨率增加人工神经网络,使得当第一组中的图像分别作为输入层时,每个输出层近似于第二组中的对应图像。
在第二方法中,优选地在制造部件期间执行序列。例如,可以以至少1kHz的重复率捕获序列中的图像。为此目的,3D打印机可以包括例如作为CMOS摄像装置或sCMOS摄像装置的摄像装置。因此,第一图像包含关于部件的制造进度的信息。在第二方法的步骤a1)中,可以例如通过针对像素中的每一个将序列中的图像中的每一个的相同像素的强度值相加来对序列中的图像进行组合。
优选的是,该方法包括以下步骤:a2)通过使用对比度增加人工神经网络来增加第一图像的对比度,其中,在步骤b)中使用具有增加的对比度的第一图像。通过增加对比度,可以在第二图像中检测到在第一图像中可能不可见的部件中和/或粉末床中的缺陷。因此,提供了改进的缺陷检测。通过在增加空间分辨率之前增加对比度,必须由对比度增加人工神经网络处理的像素更少,就像在增加空间分辨率之后增加对比度的情况下一样。因此,处理时间更短。
步骤a2)还可以包括调节第一图像的亮度。一些第一图像可能没有被充分照亮,因此对比度增加人工神经网络增加亮度。其他第一图像可能被过度照明,因此对比度增加人工神经网络降低亮度。
该方法优选地包括以下步骤:c)通过使用对比度增加人工神经网络来增加第二图像的对比度。还可以设想,在步骤c)中,首先确定第一图像中的对比度,并且仅在所确定的对比度低于阈值的情况下,通过使用对比度增加人工神经网络来增加第二图像的对比度。以这种方式,可以缩短处理时间。
优选的是,对比度增加人工神经网络具有输入层和输出层,并且通过提供具有低对比度的第一组图像和具有高对比度的第二组对应图像以及通过调整对比度增加人工神经网络的权重来训练对比度增加人工神经网络,使得当第一组中的图像分别作为输入层时,输出层的每个直方图近似于第二组中的对应图像的直方图。通过训练直方图而不是图像本身,训练对比度增加人工神经网络需要更少的处理时间。直方图对图像中有多少像素测量到在特定强度范围内布置的强度进行计数。直方图可以例如包括具有水平轴和竖直轴的图,在水平轴上绘制有被分成若干强度范围的强度,在竖直轴上绘制有针对强度范围中的每一个的像素数。第一组图像和第二组图像也可以在亮度上不同。例如,第一组图像可能没有被充分照亮或者可能被过度照亮。
替选地优选的是,对比度增加人工神经网络具有输入层和输出层,并且通过提供具有原始图像的第一组图像和作为已经被伽马校正的原始图像的第二组对应图像以及通过调整对比度增加人工神经网络的权重来训练对比度增加人工神经网络,使得当第一组中的图像分别作为输入层时,输出层的每个图像近似于第二组中的对应图像的经伽马校正的图像。
该方法优选地包括以下步骤:d1)在第一图像中检测围绕部件的粉末床中可能出现的缺陷。通常,粉末床中的缺陷可以在具有相对低的分辨率的图像中检测到。通过检测第一图像中的缺陷而不是第二图像中的缺陷,必须处理的像素更少,这致使短的处理时间。
优选地,该方法包括以下步骤:d2)在第二图像中检测部件中和可选地围绕部件的粉末床中可能出现的缺陷。
优选的是,在步骤d1)和/或步骤d2)中,通过图像处理方法并且特别是通过机器学习方法来检测缺陷。
图像处理方法和机器学习方法可以包括以下步骤:(i)提供图像数据集并且将主成分分析应用于所述图像数据以计算大量图像聚类;(ii)将聚类算法应用于所分析的图像数据并且计算相应的聚类质心;(iii)将所计算的聚类质心与一组参考异常质心进行比较,其中,基于聚类质心与参考的匹配,将图像数据逐层地分割成具有特定异常的聚类图像;(iv)将经分割的图像变换成限定的颜色空间,例如Lab颜色空间或灰度谱;以及(v)整合经变换的分割的聚类图像的像素信息,以计算图像数据集的阈值,从而确定相应的异常。
该方法优选地包括以下步骤:e)对缺陷进行分类。这包括例如区分粉末床缺陷、热点、冷点、至少部份地多孔的部件、具有至少一个空隙的部件以及/或者具有至少一个非熔融区域的部件。
优选的是,在制造部件期间执行步骤a)和步骤b)以及可选的步骤a1)、步骤a)、步骤c)、步骤d1)、步骤d2)和/或步骤e)。替选地优选的是,在制造部件之后执行步骤a)和步骤b)以及可选的步骤a1)、步骤a)、步骤c)、步骤d1)、步骤d2)和/或步骤e)。
根据本发明的数据处理装置包括适于执行该方法的步骤的处理器。
根据本发明的3D打印机包括数据处理装置、构造空间以及适于捕获第一图像和/或图像的序列的摄像装置。对于第一发明方法,摄像装置可以例如适于以1Hz至60Hz的重复率捕获图像。为此目的,3D打印机可以包括例如作为CCD摄像装置的摄像装置。3D打印机优选地适于对由摄像装置捕获的图像中的每一个执行第一发明方法或其优选实施方式的方法步骤。对于第二发明方法,摄像装置可以例如适于以至少1kHz的重复率捕获图像。
根据本发明的计算机程序包括指令,所述指令在程序由计算机执行时使计算机执行该方法的步骤。
根据本发明的计算机可读数据载体上存储有计算机程序。
在下文中,基于流程图对本发明进行说明。
图1示出了第一示例性流程图。
图2示出了第二示例性流程图。
图3示出了第三示例性流程图。
根据图1和图2的用于检测3D打印机中的缺陷的计算机实现的方法包括以下步骤:a)捕获3D打印机的构造空间的第一图像1,其中,构造空间包括在第一图像中示出的3D打印部件;b)通过使用空间分辨率增加人工神经网络从第一图像生成具有比第一图像更高的空间分辨率的第二图像2。3D打印机可以包括摄像装置。
根据图3的用于检测3D打印机中的缺陷的计算机实现的方法包括以下步骤:a)捕获3D打印机的构造空间的图像的序列11,其中,构造空间包括在序列中的图像中示出的3D打印部件;a1)将序列中的图像12组合成第一图像;b)通过使用空间分辨率增加人工神经网络从第一图像中生成具有比第一图像更高的空间分辨率的第二图像2。
3D打印机可以包括摄像装置。对于根据图1和图2的方法,摄像装置可以适于以1Hz至60Hz的重复率捕获第一图像,并且可以对在步骤a)中捕获的第一图像中的每一个执行步骤b)。根据图1和图2的摄像装置可以例如是CCD摄像装置。对于根据图3的方法,摄像装置可以适于以至少1kHz至60Hz的重复率捕获第一图像,并且可以对步骤a1)中生成的第一图像中的每一个执行步骤b)。根据图3的摄像装置可以例如是CMOS摄像装置或sCMOS摄像装置。
在步骤a)之前,该方法可以具有用于摄像装置的预校准步骤7,如图1和图2中示例性指示的。在预校准步骤7中,第一图像和第二图像二者的每个像素被分配至3D打印机中的相应位置。
图1示出了该方法可以包括以下步骤:c)通过使用对比度增加人工神经网络来增加第二图像的对比度3。对比度增加人工神经网络可以具有输入层和输出层,并且通过提供具有低对比度的第一组图像和具有高对比度的第二组对应图像以及通过调整对比度增加人工神经网络的权重来训练对比度增加人工神经网络,使得当第一组中的图像分别作为输入层时,输出层的每个直方图近似于第二组中的对应图像的直方图。
从图1中可以看出,该方法可以包括以下步骤:d2)在第二图像中检测部件中和/或围绕部件的粉末床中可能出现的缺陷5。可以例如执行步骤d2),然而由3D打印机的操作者执行视觉检查。替选地,可以在步骤d2)中通过图像处理方法并且特别是通过机器学习方法来检测缺陷。
图1还示出了该方法可以包括以下步骤:e)对缺陷进行分类6。这包括例如区分粉末床缺陷、热点、冷点、至少部分地多孔的部件、具有至少一个空隙的部件以及/或者具有至少一个非熔融区域的部件。
从图1中可以看出,该方法可以包括以下步骤:d1)在第一图像中检测围绕部件的粉末床中可能出现的缺陷4。然后,可以在步骤f)中使用从步骤d1)、d2)和/或e)得到的信息,在步骤f)中,特别是通过使用在预校准步骤中执行的分配来定位缺陷并使其可视化8。
图2示出了该方法可以包括以下步骤:a2)通过使用对比度增加人工神经网络来增加第一图像的对比度3,其中,在步骤b)中使用具有增加的对比度的第一图像。另外,该方法可以包括以下步骤:d2)在第二图像中检测部件中和/或围绕部件的粉末床中可能出现的缺陷5。可以例如执行步骤d2),然而由3D打印机的操作者执行视觉检查。替选地,可以在步骤d2)中通过图像处理方法并且特别是通过机器学习方法来检测缺陷。
可以在制造部件期间执行步骤a)和步骤b)以及可选的步骤c)、步骤d)和/或步骤e)。替选地,可以在制造部件之后执行步骤a)和步骤b)以及可选的步骤c)、步骤d)和/或步骤e)。
Claims (14)
1.一种用于检测3D打印机中的缺陷的计算机实现的方法,其中,所述方法包括以下步骤:
a)捕获所述3D打印机的构造空间的第一图像(1),其中,所述构造空间包括在所述第一图像中示出的3D打印部件;
b)通过使用空间分辨率增加人工神经网络从所述第一图像生成具有比所述第一图像更高的空间分辨率的第二图像(2),并且其中,所述方法包括以下步骤:
d1)在所述第一图像中检测围绕所述部件的粉末床中可能出现的缺陷(4)。
2.一种用于检测3D打印机中的缺陷的计算机实现的方法,其中,所述方法包括以下步骤:
a)捕获所述3D打印机的构造空间的图像的序列(11),其中,所述构造空间包括在所述序列中的图像中示出的3D打印部件;
a1)将所述序列中的图像组合成第一图像(12);
b)通过使用空间分辨率增加人工神经网络从所述第一图像生成具有比所述第一图像更高的空间分辨率的第二图像(2),并且其中,所述方法包括以下步骤:
d1)在所述第一图像中检测围绕所述部件的粉末床中可能出现的缺陷(4)。
3.根据权利要求1或2所述的方法,其中,所述方法包括以下步骤:
a2)通过使用对比度增加人工神经网络来增加所述第一图像的对比度(3),其中,在步骤b)中使用具有增加的对比度的所述第一图像。
4.根据权利要求1或2所述的方法,其中,所述方法包括以下步骤:
c)通过使用对比度增加人工神经网络来增加所述第二图像的对比度(3)。
5.根据权利要求1至4中任一项所述的方法,其中,所述对比度增加人工神经网络具有输入层和输出层,并且通过提供具有低对比度的第一组图像和具有高对比度的第二组对应图像以及通过调整所述对比度增加人工神经网络的权重来训练所述对比度增加人工神经网络,使得当所述第一组中的图像分别作为所述输入层时,所述输出层的每个直方图近似于所述第二组中的对应图像的直方图。
6.根据权利要求1至5中任一项所述的方法,其中,所述方法包括以下步骤:
d2)在所述第二图像中检测所述部件中和/或围绕所述部件的粉末床中可能出现的缺陷(5)。
7.根据权利要求5或6所述的方法,其中,在步骤d1)和/或步骤d2)中,通过图像处理方法并且特别地通过机器学习方法来检测所述缺陷。
8.根据权利要求5至7中任一项所述的方法,其中,所述方法包括以下步骤:
e)对所述缺陷进行分类(6)。
9.根据权利要求1至8中任一项所述的方法,其中,在制造所述部件期间执行步骤a)和步骤b)以及可选的步骤a1)、步骤a2)、步骤c)、步骤d1)、步骤d2)和/或步骤e)。
10.根据权利要求1至8中任一项所述的方法,其中,在制造所述部件之后执行步骤a)和步骤b)以及可选的步骤a1)、步骤a2)、步骤c)、步骤d1)、步骤d2)。
11.一种数据处理装置,其包括适于执行根据权利要求1至10中任一项所述的方法的步骤的处理器。
12.一种3D打印机,其包括根据权利要求11所述的数据处理装置、所述构造空间、以及适于捕获所述第一图像和/或图像的序列的摄像装置。
13.一种包括指令的计算机程序,所述指令在所述程序由计算机执行时使所述计算机执行根据权利要求1至10中任一项所述的方法的步骤。
14.一种计算机可读数据载体,其上存储有根据权利要求13所述的计算机程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20214133.9 | 2020-12-15 | ||
EP20214133.9A EP4016442A1 (en) | 2020-12-15 | 2020-12-15 | Method for detecting defects in a 3d printer |
PCT/EP2021/084881 WO2022128709A1 (en) | 2020-12-15 | 2021-12-09 | Method for detecting defects in a 3d printer |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116685997A true CN116685997A (zh) | 2023-09-01 |
Family
ID=73838989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180083990.8A Pending CN116685997A (zh) | 2020-12-15 | 2021-12-09 | 用于检测3d打印机中的缺陷的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230419470A1 (zh) |
EP (2) | EP4016442A1 (zh) |
CN (1) | CN116685997A (zh) |
WO (1) | WO2022128709A1 (zh) |
-
2020
- 2020-12-15 EP EP20214133.9A patent/EP4016442A1/en not_active Withdrawn
-
2021
- 2021-12-09 WO PCT/EP2021/084881 patent/WO2022128709A1/en active Application Filing
- 2021-12-09 US US18/039,053 patent/US20230419470A1/en active Pending
- 2021-12-09 EP EP21835234.2A patent/EP4226314A1/en active Pending
- 2021-12-09 CN CN202180083990.8A patent/CN116685997A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022128709A1 (en) | 2022-06-23 |
US20230419470A1 (en) | 2023-12-28 |
EP4226314A1 (en) | 2023-08-16 |
EP4016442A1 (en) | 2022-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110274908B (zh) | 缺陷检查装置、缺陷检查方法以及计算机可读记录介质 | |
JP6924413B2 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
JP6936957B2 (ja) | 検査装置、データ生成装置、データ生成方法及びデータ生成プログラム | |
JP5546317B2 (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
JP6869490B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
CN108876761B (zh) | 图像处理装置、电脑可读取记录媒体、图像处理系统 | |
US20200133182A1 (en) | Defect classification in an image or printed output | |
US20150010218A1 (en) | Image Processing Method And Apparatus | |
CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
JP7292979B2 (ja) | 画像処理装置及び画像処理方法 | |
Várkonyi-Kóczy et al. | Gradient-based synthesized multiple exposure time color HDR image | |
JP2019061484A (ja) | 画像処理装置及びその制御方法及びプログラム | |
CN116309409A (zh) | 一种焊缝缺陷检测方法、系统和存储介质 | |
CN116612111B (zh) | 一种高强度复合材料加工质量检测方法 | |
JP2004212311A (ja) | ムラ欠陥の検出方法及び装置 | |
Fernández-Caballero et al. | Display text segmentation after learning best-fitted OCR binarization parameters | |
JP2005165387A (ja) | 画面のスジ欠陥検出方法及び装置並びに表示装置 | |
CN116685997A (zh) | 用于检测3d打印机中的缺陷的方法 | |
TW202034421A (zh) | 濾色器檢查裝置、檢查裝置、濾色器檢查方法及檢查方法 | |
US20220157050A1 (en) | Image recognition device, image recognition system, image recognition method, and non-transitry computer-readable recording medium | |
KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 | |
JP2005252451A (ja) | 画質検査方法及び画質検査装置 | |
JP2011232302A (ja) | 画像検査方法及び画像検査装置 | |
JP3941403B2 (ja) | 画像濃淡ムラ検出方法及びこの検査装置 | |
JP2004219072A (ja) | 画面のスジ欠陥検出方法及び装置 |
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 |