CN116758491A - 应用于3d打印的打印监控图像分析方法及系统 - Google Patents
应用于3d打印的打印监控图像分析方法及系统 Download PDFInfo
- Publication number
- CN116758491A CN116758491A CN202311040981.8A CN202311040981A CN116758491A CN 116758491 A CN116758491 A CN 116758491A CN 202311040981 A CN202311040981 A CN 202311040981A CN 116758491 A CN116758491 A CN 116758491A
- Authority
- CN
- China
- Prior art keywords
- printing
- image
- monitoring
- defect
- quality
- 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.)
- Granted
Links
- 238000010146 3D printing Methods 0.000 title claims abstract description 590
- 238000012544 monitoring process Methods 0.000 title claims abstract description 357
- 238000007639 printing Methods 0.000 title claims abstract description 125
- 238000003703 image analysis method Methods 0.000 title claims abstract description 26
- 230000007547 defect Effects 0.000 claims abstract description 183
- 238000012545 processing Methods 0.000 claims abstract description 129
- 238000013441 quality evaluation Methods 0.000 claims abstract description 129
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000000605 extraction Methods 0.000 claims abstract description 78
- 238000006243 chemical reaction Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000005516 engineering process Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 230000006872 improvement Effects 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims description 77
- 239000011229 interlayer Substances 0.000 claims description 37
- 238000001303 quality assessment method Methods 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 15
- 238000010191 image analysis Methods 0.000 claims description 8
- 238000003702 image correction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004260 weight control Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 33
- 239000010410 layer Substances 0.000 description 15
- 230000008859 change Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及3D打印技术领域,尤其涉及一种应用于3D打印的打印监控图像分析方法及系统。所述方法包括以下步骤:通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;并对3D打印监控图像进行图像预处理,以得到3D打印监控清晰图像;利用图像转换算法和特征提取技术进行图像转换和特征提取处理,并通过构建打印质量评估模型进行评估处理,得到3D打印质量评估结果;利用自适应监测技术和缺陷检测算法进行缺陷监测处理,并通过引入报警机制进行报警处理,生成3D打印报警信号;根据3D打印报警信号以执行相应的3D打印改进建议。本发明能够自动检测和分析3D打印过程中的打印质量,并提供准确的改进建议。
Description
技术领域
本发明涉及3D打印技术领域,尤其涉及一种应用于3D打印的打印监控图像分析方法及系统。
背景技术
随着3D打印技术的快速发展,其在制造、医疗等领域的应用越来越广泛。在3D打印过程中,监控打印质量和实时检测打印过程中可能出现的问题对于确保打印结果的准确性和一致性非常重要。目前,针对3D打印的监控方法多数依赖于传感器数据,缺乏对打印过程中视觉图像信息的充分利用,从而存在打印质量评估结果不准确、评估效率低等问题。
发明内容
基于此,本发明有必要提供一种应用于3D打印的打印监控图像分析方法,以解决至少一个上述技术问题。
为实现上述目的,一种应用于3D打印的打印监控图像分析方法,包括以下步骤:
步骤S1:通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;并对3D打印监控图像进行图像预处理,以得到3D打印监控清晰图像;
步骤S2:利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;并利用特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,得到3D打印质量指标特征,其中3D打印质量指标特征包括3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征;
步骤S3:通过构建基于神经网络算法的打印质量评估模型对3D打印质量指标特征进行评估处理,得到3D打印质量评估结果;
步骤S4:利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;并利用缺陷检测算法对3D打印质量评估监测结果进行缺陷检测处理,得到3D打印质量缺陷异常结果;
步骤S5:通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,生成3D打印报警信号;根据3D打印报警信号以执行相应的3D打印改进建议。
本发明首先通过使用摄像设备对3D打印过程进行实时监控采集处理,能够准确的获取3D打印过程中的监控图像,并对其进行预处理以提高图像质量和清晰度。通过实时监控和采集,可以获取到打印过程中的各个阶段的图像数据,包括底层、支撑结构和打印部件等。图像预处理步骤可以包括图像去噪、图像增强、图像校正等技术,以提高图像的质量和对比度,使得后续处理更加准确有效。同时,通过使用合适的图像转换算法对预处理后得到的3D打印监控清晰图像进行数字转换处理,能够准确的将3D打印监控清晰图像转换为数字图像数据,这样能够更好地体现图像的细节和特征。其次,通过使用相应的特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,能够从3D打印监控数字图像数据中提取出与3D打印质量相关的特征,这些特征可以包括层间结构特征、表面缺陷特征和细节精度特征等指标特征,以用来描述打印质量状况。然后,通过利用构建的基于神经网络算法的打印质量评估模型,对提取的3D打印质量指标特征进行评估处理。神经网络模型能够学习和理解质量特征与3D打印质量之间的关系,从而进行预测和评估。通过输入3D打印质量指标特征,神经网络模型可以输出一个打印质量评估结果,该结果可以表示为一个预测的质量得分或质量等级,用来评估3D打印质量水平,从而提升打印质量评估结果的准确性和效率。接下来,通过使用自适应监测技术对3D打印质量评估结果进行监测处理,能够根据实际3D打印质量评估结果和评估动态变化的特征,动态调整监测策略和参数,以实现有效的评估监控,这样可以实时监测打印质量情况,并及时发现潜在的问题。另外,还可以实时监测评估结果的变化,并及时检测出不符合要求的质量状况。此外,还可以利用合适的缺陷检测算法对质量评估监测结果进行缺陷检测处理,可以通过比较打印部件与理想模型之间的差异,识别出可能存在的缺陷或异常情况,这样可以综合考虑3D打印质量的各方面表现,识别出潜在的异常情况,并确定出现异常的原因和影响,可以得到具体的打印质量缺陷异常结果,从而为及时发现和解决打印质量问题提供有益的信息和指导。最后,根据监测到的质量缺陷异常结果,通过引入报警机制生成3D打印报警信号。当监测到质量异常时,系统可以触发报警机制,通过视觉、声音或其他方式提醒相关人员注意存在的打印质量问题。根据报警信号,相应的改进建议和措施可以被执行,例如调整打印参数、修复设备故障、更换材料等,从而提高3D打印的质量。
优选地,本发明还提供了一种应用于3D打印的打印监控图像分析系统,用于执行如上所述的应用于3D打印的打印监控图像分析方法,该应用于3D打印的打印监控图像分析系统包括:
打印监控图像处理模块,用于通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;并对3D打印监控图像进行图像预处理,以得到3D打印监控清晰图像;
图像转换特征提取模块,用于利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;并利用特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,从而得到3D打印质量指标特征;
打印质量评估处理模块,用于通过构建基于神经网络算法的打印质量评估模型对3D打印质量指标特征进行评估处理,从而得到3D打印质量评估结果;
质量监测缺陷异常模块,用于利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;并利用缺陷检测算法对3D打印质量评估监测结果进行缺陷检测处理,从而得到3D打印质量缺陷异常结果;
质量报警改进建议模块,用于通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,生成3D打印报警信号;根据3D打印报警信号以执行相应的3D打印改进建议。
综上所述,本发明提供了一个应用于3D打印的打印监控图像分析系统,该打印监控图像分析系统由打印监控图像处理模块、图像转换特征提取模块、打印质量评估处理模块、质量监测缺陷异常模块和质量报警改进建议模块组成,能够实现本发明所述任意一种应用于3D打印的打印监控图像分析方法,用于联合各个模块上运行的计算机程序之间的操作实现一种应用于3D打印的打印监控图像分析方法,系统内部结构互相协作,并通过多种算法和技术对3D打印监控图像进行图像预处理和质量评估监测处理,可以充分利用视觉图像信息提供更准确、全面的打印质量评估,并且能够实时监控和分析3D打印过程中的打印质量和问题,这将有助于提高3D打印的质量和效率,为操作人员提供及时的问题反馈和处理建议,这样能够大大减少重复工作和人力投入,能够快速有效地提供更准确、高效的打印监控图像分析过程,从而简化了应用于3D打印的打印监控图像分析系统的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明应用于3D打印的打印监控图像分析方法的步骤流程示意图;
图2为图1中步骤S1的详细步骤流程示意图;
图3为图1中步骤S2的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种应用于3D打印的打印监控图像分析方法,所述方法包括以下步骤:
步骤S1:通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;并对3D打印监控图像进行图像预处理,以得到3D打印监控清晰图像;
步骤S2:利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;并利用特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,得到3D打印质量指标特征,其中3D打印质量指标特征包括3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征;
步骤S3:通过构建基于神经网络算法的打印质量评估模型对3D打印质量指标特征进行评估处理,得到3D打印质量评估结果;
步骤S4:利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;并利用缺陷检测算法对3D打印质量评估监测结果进行缺陷检测处理,得到3D打印质量缺陷异常结果;
步骤S5:通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,生成3D打印报警信号;根据3D打印报警信号以执行相应的3D打印改进建议。
本发明实施例中,请参考图1所示,为本发明应用于3D打印的打印监控图像分析方法的步骤流程示意图,在本实例中,所述应用于3D打印的打印监控图像分析方法的步骤包括:
步骤S1:通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;并对3D打印监控图像进行图像预处理,以得到3D打印监控清晰图像;
本发明实施例通过使用适当的摄像设备对3D打印过程进行实时监控拍摄采集处理,以拍摄打印头的位置、打印材料的熔化状态以及打印层的结构等方面的监控图像信息,得到3D打印监控图像。然后,通过对3D打印监控图像进行图像去噪、图像增强和图像校正等图像预处理操作后,最终得到3D打印监控清晰图像。
步骤S2:利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;并利用特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,得到3D打印质量指标特征,其中3D打印质量指标特征包括3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征;
本发明实施例通过构建一个合适的图像转换算法对3D打印监控清晰图像进行数字转换处理,将3D打印监控清晰图像转换为易于处理的数字图像数据,以得到3D打印监控数字图像数据。然后,通过使用由层间结构提取技术、边缘特征检测技术和精度特征提取技术组成的特征提取技术对3D打印监控数字图像标准数据进行质量特征提取处理,以提取与打印质量相关的层间结构、表面缺陷、细节精度等特征信息,最终得到3D打印质量指标特征。
步骤S3:通过构建基于神经网络算法的打印质量评估模型对3D打印质量指标特征进行评估处理,得到3D打印质量评估结果;
本发明实施例通过使用相应的神经网络算法构建一个合适的打印质量评估模型,并利用构建的打印质量评估模型对3D打印质量指标特征进行评估处理,最终得到3D打印质量评估结果。
步骤S4:利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;并利用缺陷检测算法对3D打印质量评估监测结果进行缺陷检测处理,得到3D打印质量缺陷异常结果;
本发明实施例通过使用自适应监测技术对3D打印质量评估结果进行监测分析处理,以分析3D打印质量评估结果中所出现的问题,得到3D打印质量评估监测结果。然后,通过构建一个合适的缺陷检测算法进行缺陷检测处理,以判断3D打印质量评估的异常情况,并对出现异常状况的3D打印质量评估监测结果进行详细分析,以进一步分析和研究异常状况出现的原因和影响因素,最终得到3D打印质量缺陷异常结果。
步骤S5:通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,生成3D打印报警信号;根据3D打印报警信号以执行相应的3D打印改进建议。
本发明实施例通过引入报警机制设置相应的监测阈值对监测的3D打印质量缺陷异常结果进行判断,当监测到3D打印质量缺陷异常结果超过设定的阈值时,则触发报警机制以声音、光信号、警报等形式发出报警信号,以生成3D打印报警信号。然后,通过对3D打印报警信号进行分析,以识别导致该异常的原因,根据分析结果制定针对性的调整打印参数、更换打印材料、修复打印设备等改进控制方案以执行相应的3D打印改进建议。
本发明首先通过使用摄像设备对3D打印过程进行实时监控采集处理,能够准确的获取3D打印过程中的监控图像,并对其进行预处理以提高图像质量和清晰度。通过实时监控和采集,可以获取到打印过程中的各个阶段的图像数据,包括底层、支撑结构和打印部件等。图像预处理步骤可以包括图像去噪、图像增强、图像校正等技术,以提高图像的质量和对比度,使得后续处理更加准确有效。同时,通过使用合适的图像转换算法对预处理后得到的3D打印监控清晰图像进行数字转换处理,能够准确的将3D打印监控清晰图像转换为数字图像数据,这样能够更好地体现图像的细节和特征。其次,通过使用相应的特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,能够从3D打印监控数字图像数据中提取出与3D打印质量相关的特征,这些特征可以包括层间结构特征、表面缺陷特征和细节精度特征等指标特征,以用来描述打印质量状况。然后,通过利用构建的基于神经网络算法的打印质量评估模型,对提取的3D打印质量指标特征进行评估处理。神经网络模型能够学习和理解质量特征与3D打印质量之间的关系,从而进行预测和评估。通过输入3D打印质量指标特征,神经网络模型可以输出一个打印质量评估结果,该结果可以表示为一个预测的质量得分或质量等级,用来评估3D打印质量水平,从而提升打印质量评估结果的准确性和效率。接下来,通过使用自适应监测技术对3D打印质量评估结果进行监测处理,能够根据实际3D打印质量评估结果和评估动态变化的特征,动态调整监测策略和参数,以实现有效的评估监控,这样可以实时监测打印质量情况,并及时发现潜在的问题。另外,还可以实时监测评估结果的变化,并及时检测出不符合要求的质量状况。此外,还可以利用合适的缺陷检测算法对质量评估监测结果进行缺陷检测处理,可以通过比较打印部件与理想模型之间的差异,识别出可能存在的缺陷或异常情况,这样可以综合考虑3D打印质量的各方面表现,识别出潜在的异常情况,并确定出现异常的原因和影响,可以得到具体的打印质量缺陷异常结果,从而为及时发现和解决打印质量问题提供有益的信息和指导。最后,根据监测到的质量缺陷异常结果,通过引入报警机制生成3D打印报警信号。当监测到质量异常时,系统可以触发报警机制,通过视觉、声音或其他方式提醒相关人员注意存在的打印质量问题。根据报警信号,相应的改进建议和措施可以被执行,例如调整打印参数、修复设备故障、更换材料等,从而提高3D打印的质量。
优选地,步骤S1包括以下步骤:
步骤S11:通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;
步骤S12:利用图像去噪算法对3D打印监控图像进行去噪处理,得到3D打印监控去噪图像;
其中,图像去噪算法的函数公式如下所示:
;
式中,为3D打印监控去噪图像,I(p)为3D打印监控图像,Ω为图像空间域,p为3D打印监控图像在图像空间域中的像素位置,q为3D打印监控图像在图像空间域中的噪声像素位置,w(p,q)为像素位置p和q之间的领域噪声权重控制函数,I(q)为3D打印监控图像中的噪声信息图像,μ(p)为像素位置p的局部均值,λ为正则化参数,/>为噪声信息图像的噪声图像梯度,/>为L2范数,/>为调和平滑参数,η为3D打印监控去噪图像的修正值;
步骤S13:利用图像增强算法对3D打印监控去噪图像进行图像增强处理,得到3D打印监控增强图像;
步骤S14:利用图像校正技术对3D打印监控增强图像进行图像对比度校正处理,得到3D打印监控清晰图像。
作为本发明的一个实施例,参考图2所示,为图1中步骤S1的详细步骤流程示意图,在本实施例中步骤S1包括以下步骤:
步骤S11:通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;
本发明实施例通过使用适当的摄像设备对3D打印过程进行实时监控拍摄采集处理,以拍摄打印头的位置、打印材料的熔化状态以及打印层的结构等方面的监控图像信息,最终得到3D打印监控图像。
步骤S12:利用图像去噪算法对3D打印监控图像进行去噪处理,得到3D打印监控去噪图像;
本发明实施例通过结合3D打印监控图像在图像空间域中的像素位置、噪声像素位置、领域噪声权重控制函数、噪声信息图像、像素位置的局部均值、正则化参数、噪声图像梯度、调和平滑参数以及相关参数构建一个合适的图像去噪算法对3D打印监控图像进行去噪处理,并通过最小化损失函数结合相应的领域噪声权重控制函数和正则化项进行图像去噪,最终得到3D打印监控去噪图像。
其中,图像去噪算法的函数公式如下所示:
;
式中,为3D打印监控去噪图像,I(p)为3D打印监控图像,Ω为图像空间域,p为3D打印监控图像在图像空间域中的像素位置,q为3D打印监控图像在图像空间域中的噪声像素位置,w(p,q)为像素位置p和q之间的领域噪声权重控制函数,I(q)为3D打印监控图像中的噪声信息图像,μ(p)为像素位置p的局部均值,λ为正则化参数,/>为噪声信息图像的噪声图像梯度,/>为L2范数,/>为调和平滑参数,η为3D打印监控去噪图像的修正值;
本发明构建了一个图像去噪算法的函数公式,用于对3D打印监控图像进行去噪处理,该图像去噪算法通过降低噪声对图像的影响,使得去噪图像能够更好地表达3D打印过程中的细节和特征。通过对3D打印监控图像的像素位置进行计算和调整,可以实现去除噪声,从而增强图像的质量、清晰度和可视化效果。该图像去噪算法还通过考虑像素之间的相似性、局部均值、噪声图像梯度和正则化项等因素,对3D打印监控图像的像素值进行优化和调整,因此可以有效地降低3D打印监控图像中的噪声,并保留有用的图像特征。通过这种方式,可以得到更清晰、更准确的3D打印监控去噪图像,从而为后续的图像增强和校正处理提供更好的基础。该算法函数公式充分考虑了3D打印监控去噪图像,3D打印监控图像I(p),图像空间域Ω,3D打印监控图像在图像空间域中的像素位置p,3D打印监控图像在图像空间域中的噪声像素位置q,像素位置p和q之间的领域噪声权重控制函数w(p,q),3D打印监控图像中的噪声信息图像I(q),像素位置p的局部均值μ(p),正则化参数λ,噪声信息图像的噪声图像梯度/>, L2范数/>,调和平滑参数/>,3D打印监控去噪图像的修正值η,根据3D打印监控去噪图像/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该算法函数公式能够实现对3D打印监控图像的去噪处理过程,同时,通过3D打印监控去噪图像的修正值η的引入可以根据实际情况进行调整,从而提高图像去噪算法的准确性和适用性。
步骤S13:利用图像增强算法对3D打印监控去噪图像进行图像增强处理,得到3D打印监控增强图像;
本发明实施例通过结合3D打印监控去噪图像的图像像素坐标、一阶增强函数、二阶增强函数、相应增强函数的增强图像坐标以及相关参数构建一个合适的图像增强算法对3D打印监控去噪图像进行图像增强处理,最终得到3D打印监控增强图像。
步骤S14:利用图像校正技术对3D打印监控增强图像进行图像对比度校正处理,得到3D打印监控清晰图像。
本发明实施例通过使用图像校正技术采用直方图拉伸、Gamma校正等方法对增强处理后的3D打印监控增强图像进行图像对比度校正处理,并调整图像的亮度和对比度,以获得更清晰和可识别的图像,最终得到3D打印监控清晰图像。
本发明首先通过使用摄像设备对3D打印过程进行实时监控采集处理,有助于及时了解打印过程中的关键信息,例如打印头的位置、打印材料的熔化状态以及打印层的结构等。通过实时监控图像,操作人员可以实时观察打印过程,及时发现异常情况,减少打印错误发生的可能性,从而提高打印质量。然后,通过使用合适的图像去噪算法对3D打印监控图像进行去噪处理,能够去除由于摄像设备引入的多种噪声因素,该图像去噪算法通过最小化损失函数并结合领域噪声权重控制函数和正则化参数对3D打印监控图像进行去噪处理,可以减少噪声对图像细节造成的干扰,提高图像的可视性和清晰度。通过去噪处理,可以使得监控图像更加清晰,操作人员能够更准确地观察打印细节,进一步提高对打印过程的监控能力,从而减少3D打印监控图像中的噪声和细节损失。接下来,通过使用合适的图像增强算法对3D打印监控去噪图像进行图像增强处理,可以使3D打印监控去噪图像中的细节更加突出,对比度更高。图像增强可以改善图像的亮度、对比度和细节细腻度等,使得3D打印监控去噪图像更具视觉吸引力和可视性。通过增强处理的图像,操作人员可以更好地观察打印过程中的细节,更快地发现打印质量问题,有助于及时采取措施改进和优化打印过程。最后,通过使用图像校正技术对3D打印监控增强图像进行图像对比度校正处理,可以进一步提高图像的清晰度和视觉效果。通过对比度校正可以调整图像的亮度和对比度,使得图像更加鲜明和清晰。通过校正处理后的图像,操作人员可以更准确地分析打印过程中的细节,包括打印质量、结构特征等方面,这有助于操作人员更加准确地判断打印质量是否符合要求,有助于及时发现问题并采取措施予以改进,从而为后续的打印质量评估处理过程提供基础数据保障。
优选地,步骤S13中的图像增强算法的函数公式具体为:
;
;
;
式中,R(x,y)为3D打印监控增强图像,x为3D打印监控去噪图像的图像像素横坐标,y为3D打印监控去噪图像的图像像素纵坐标,N为3D打印监控去噪图像的数量,C为图像增强归一化系数,为第i个3D打印监控去噪图像,σ i 为第i个3D打印监控去噪图像的增强平滑参数,/>为一阶增强函数,/>为第i个3D打印监控去噪图像的一阶增强图像,s为3D打印监控去噪图像的一阶增强图像像素横坐标,t为3D打印监控去噪图像的一阶增强图像像素纵坐标,/>为二阶增强函数,为第i个3D打印监控去噪图像的二阶增强图像,u为3D打印监控去噪图像的二阶增强图像像素横坐标,v为3D打印监控去噪图像的二阶增强图像像素纵坐标,ε为3D打印监控增强图像的修正值。
本发明构建了一个图像增强算法的函数公式,用于对3D打印监控去噪图像进行图像增强处理,该图像增强算法通过使用一阶增强函数和二阶增强函数对图像进行平滑处理,可以减少图像噪声、减小局部细节的突变,并使图像看起来更加平滑。还包含了权重系数和归一化系数,通过计算图像像素与周围像素的差异,对图像进行加权平均处理,这样可以提高图像的对比度,使细节更加鲜明,从而更好地显示出3D打印监控的特征。在图像增强过程中,还使用了正则化参数以及调和平滑参数,这有助于抑制图像中的噪声,通过惩罚噪声图像的梯度和局部均值之间的差异,可以减少噪声的影响,从而提高图像的质量。另外,还通过使用不同图像的平滑参数进行优化选择,以便更好地保留和加强图像的细节信息。该算法函数公式充分考虑了3D打印监控增强图像R(x,y),3D打印监控去噪图像的图像像素横坐标x, 3D打印监控去噪图像的图像像素纵坐标y,3D打印监控去噪图像的数量N,图像增强归一化系数C,第i个3D打印监控去噪图像,第i个3D打印监控去噪图像的增强平滑参数σ i ,一阶增强函数/>,第i个3D打印监控去噪图像的一阶增强图像/>,3D打印监控去噪图像的一阶增强图像像素横坐标s,3D打印监控去噪图像的一阶增强图像像素纵坐标t,二阶增强函数/>,第i个3D打印监控去噪图像的二阶增强图像/>,3D打印监控去噪图像的二阶增强图像像素横坐标u,3D打印监控去噪图像的二阶增强图像像素纵坐标v,3D打印监控增强图像的修正值ε,其中通过3D打印监控去噪图像的图像像素横坐标x,3D打印监控去噪图像的图像像素纵坐标y,第i个3D打印监控去噪图像/>,第i个3D打印监控去噪图像的增强平滑参数σ i ,第i个3D打印监控去噪图像的一阶增强图像/>,3D打印监控去噪图像的一阶增强图像像素横坐标s以及3D打印监控去噪图像的一阶增强图像像素纵坐标t构成了一种一阶增强函数关系/>,还通过第i个3D打印监控去噪图像的增强平滑参数σ i ,第i个3D打印监控去噪图像的一阶增强图像/>,3D打印监控去噪图像的一阶增强图像像素横坐标s,3D打印监控去噪图像的一阶增强图像像素纵坐标t,第i个3D打印监控去噪图像的二阶增强图像/>,3D打印监控去噪图像的二阶增强图像像素横坐标u以及3D打印监控去噪图像的二阶增强图像像素纵坐标v构成了一种二阶增强函数/>关系/>,根据3D打印监控增强图像R(x,y)与以上各参数之间的相互关联关系构成了一种函数关系:
;
该算法函数公式能够实现对3D打印监控去噪图像的图像增强处理过程,同时,通过3D打印监控增强图像的修正值ε的引入可以根据实际情况进行调整,从而提高图像增强算法的准确性和适用性。
优选地,步骤S2包括以下步骤:
步骤S21:利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;
其中,图像转换算法的函数公式如下所示:
;
式中,为3D打印监控数字图像数据,/>为3D打印监控清晰图像的像素值,/>为3D打印监控清晰图像的空间像素横坐标,/>为3D打印监控清晰图像的空间像素纵坐标,α为高斯分布的数字标准化常数,ρ为高斯分布的标准差,x 0为高斯分布的中心偏移横坐标,y 0为高斯分布的中心偏移纵坐标,β为转换衰减控制参数,n为转换衰减控制幂指数,/>为3D打印监控数字图像数据的修正值;
步骤S22:对3D打印监控数字图像数据进行数据预处理,得到3D打印监控数字图像标准数据;
步骤S23:利用特征提取技术对3D打印监控数字图像标准数据进行质量特征提取处理,得到3D打印质量指标特征,其中特征提取技术包括层间结构提取技术、边缘特征检测技术和精度特征提取技术。
作为本发明的一个实施例,参考图3所示,为图1中步骤S2的详细步骤流程示意图,在本实施例中步骤S2包括以下步骤:
步骤S21:利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;
本发明实施例通过结合3D打印监控清晰图像的像素值、空间像素横坐标、空间像素纵坐标、高斯分布的数字标准化常数、标准差、中心偏移横坐标、中心偏移纵坐标、转换衰减控制参数、转换衰减控制幂指数以及相关参数构建一个合适的图像转换算法对3D打印监控清晰图像进行数字转换处理,最终得到3D打印监控数字图像数据。
其中,图像转换算法的函数公式如下所示:
;
式中,为3D打印监控数字图像数据,/>为3D打印监控清晰图像的像素值,/>为3D打印监控清晰图像的空间像素横坐标,/>为3D打印监控清晰图像的空间像素纵坐标,α为高斯分布的数字标准化常数,ρ为高斯分布的标准差,x 0为高斯分布的中心偏移横坐标,y 0为高斯分布的中心偏移纵坐标,β为转换衰减控制参数,n为转换衰减控制幂指数,/>为3D打印监控数字图像数据的修正值;
本发明构建了一个图像转换算法的函数公式,用于对3D打印监控清晰图像进行数字转换处理,该图像转换算法采用了高斯分布和转换衰减控制项的概念,并结合了像素值的权重调整,以实现3D打印监控清晰图像的转换和处理过程。通过使用高斯分布的数字标准化常数来调整高斯分布的幅度,以控制图像的整体亮度或对比度。通过高斯分布的标准差决定高斯曲线的扁平程度,即控制图像的模糊程度。通过高斯分布的中心偏移横坐标和纵坐标来控制高斯曲线在图像中的位置。并通过使用转换衰减控制参数来调整转换衰减的速度和幅度,以控制图像的细节程度。同时,通过使用转换衰减控制幂指数控制转换衰减的形状和陡峭程度,从而影响转换的非线性特性,这样能够改变图像的对比度、亮度、模糊程度、细节程度,从而生成具有更好观感和更合适特征提取的3D打印监控数字图像数据。该算法函数公式充分考虑了3D打印监控数字图像数据,3D打印监控清晰图像的像素值,3D打印监控清晰图像的空间像素横坐标/>,3D打印监控清晰图像的空间像素纵坐标/>,高斯分布的数字标准化常数α,高斯分布的标准差ρ,高斯分布的中心偏移横坐标x 0,高斯分布的中心偏移纵坐标y 0,转换衰减控制参数β,转换衰减控制幂指数n,3D打印监控数字图像数据的修正值/>,其中通过3D打印监控清晰图像的空间像素横坐标/>,3D打印监控清晰图像的空间像素纵坐标/>,高斯分布的数字标准化常数α,高斯分布的标准差ρ,高斯分布的中心偏移横坐标x 0以及高斯分布的中心偏移纵坐标y 0构成了一种高斯分布转换函数关系/>,还通过3D打印监控清晰图像的空间像素横坐标/>,3D打印监控清晰图像的空间像素纵坐标/>,高斯分布的中心偏移横坐标x 0,高斯分布的中心偏移纵坐标y 0,转换衰减控制参数β以及转换衰减控制幂指数n构成了一种转换衰减控制项函数关系,根据3D打印监控数字图像数据/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该算法函数公式能够实现对3D打印监控清晰图像的数字转换处理过程,同时,通过3D打印监控数字图像数据的修正值的引入可以根据实际情况进行调整,从而提高图像转换算法的准确性和稳定性。
步骤S22:对3D打印监控数字图像数据进行数据预处理,得到3D打印监控数字图像标准数据;
本发明实施例通过对3D打印监控数字图像数据进行缺失值填充、去除重复数据、异常数据、无效数据、数据平滑、归一化、标准化等预处理操作后,最终得到3D打印监控数字图像标准数据。
步骤S23:利用特征提取技术对3D打印监控数字图像标准数据进行质量特征提取处理,得到3D打印质量指标特征,其中特征提取技术包括层间结构提取技术、边缘特征检测技术和精度特征提取技术。
本发明实施例通过使用由层间结构提取技术、边缘特征检测技术和精度特征提取技术组成的特征提取技术对3D打印监控数字图像标准数据进行质量特征提取处理,以提取与打印质量相关的特征信息,其中层间结构提取技术用于提取出表示3D打印层与层之间结构的特征,例如层间平滑度、层与层之间的连接性等特征信息。边缘特征检测技术用于提取出表示打印物体表面的特征,例如打印物体表面的轮廓、边界以及可能存在的缺陷、崩裂等特征信息。而精度特征提取技术用于提取出表示3D打印精度的特征,例如打印物体的细节尺寸、表面平整度、几何形状等方面的特征信息。并对提取到的特征进行集成处理,最终得到3D打印质量指标特征。
本发明首先通过使用合适的图像转换算法对3D打印监控清晰图像进行数字转换处理,能够准确的将3D打印监控清晰图像转换为数字图像数据,该图像转换算法通过使用高斯分布和转换衰减控制参数对3D打印监控清晰图像进行处理,在转换过程中,通过高斯分布的标准差和中心偏移参数调整3D打印监控清晰图像的平滑度和对比度,并通过转换衰减控制参数和幂指数调整3D打印监控清晰图像的衰减特性,以此得到的3D打印监控数字图像数据更符合实际打印情况,能够更好地体现图像的细节和特征。然后,通过对转换得到的3D打印监控数字图像数据进行数据预处理,可以减小图像噪声、消除图像伪影等不完美因素,使得数据更加准确、可靠。此外,数据预处理还能够进行去除重复数据、异常数据、无效数据、缺失值填充、数据平滑、标准化等操作,以提高3D打印监控数字图像数据的一致性和可比性,从而为后续的特征提取和分析提供更好的数据基础。最后,通过使用由层间结构提取技术、边缘特征检测技术和精度特征提取技术组成的特征提取技术对3D打印监控数字图像标准数据进行质量特征提取处理,以提取与打印质量相关的特征信息,其中通过层间结构提取技术,可以识别不同打印层之间的变化和关系,从而对打印质量进行评估。通过边缘特征检测技术可以提取图像中物体边缘的形状和位置信息,用于检测打印物体的表面是否出现缺陷问题。而通过精度特征提取技术可以量化图像中物体的精度和尺寸特征,用于评估打印的准确性和精度。通过这些特征提取技术的应用可以帮助确定打印质量指标,从而为优化打印过程提供指导和反馈。
优选地,步骤S23包括以下步骤:
步骤S231:利用层间结构提取技术对3D打印监控数字图像标准数据进行层间结构特征提取处理,得到3D打印层间结构特征;
本发明实施例通过使用层间结构提取技术对3D打印监控数字图像标准数据在每个打印层间位置处,比较相邻层的像素值差异和变化来提取层间结构特征,通过使用差分图像、轮廓提取等方法来检测层与层之间的变化,以提取每个打印层的轮廓形状、密度分布、层与层之间的嵌合情况等特征,最终得到3D打印层间结构特征。
步骤S232:利用边缘特征检测技术对3D打印监控数字图像标准数据进行表面缺陷特征提取处理,得到3D打印表面缺陷特征;
本发明实施例通过使用边缘特征检测技术采用Canny算法、Sobel算法等边缘检测算法来提取3D打印监控数字图像标准数据中的边缘信息,根据提取得到的边缘信息获取与表面缺陷相关的表面不平整度、边缘密度等特征,最终得到3D打印表面缺陷特征。
步骤S233:利用精度特征提取技术对3D打印监控数字图像标准数据进行细节精度特征提取处理,得到3D打印细节精度特征;
本发明实施例通过使用精度特征提取技术采用边界识别、拟合曲线等方法来提取3D打印监控数字图像标准数据中打印物体的尺寸、形状等细节信息,并根据提取得到的细节信息获取与细节精度相关的打印物体的细节尺寸、表面平整度、几何形状等方面的特征,最终得到3D打印细节精度特征。
步骤S234:对3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征进行集成处理,得到3D打印质量指标特征。
本发明实施例通过对提取得到的3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征进行集成分析处理,并根据其重要性和贡献度来确定相应的关联性,以整合提取出最具代表性的特征,最终得到3D打印质量指标特征。
本发明首先通过使用层间结构提取技术对3D打印监控数字图像标准数据进行层间结构特征提取处理,可以用于评估打印过程中的层间结构的一致性、平整度以及层间附着的情况。例如,可以提取每个打印层的轮廓形状、密度分布、层与层之间的嵌合情况等特征参数,从而评估打印物体的层间结构质量。然后,通过使用边缘特征检测技术对3D打印监控数字图像标准数据进行表面缺陷特征提取处理,可以捕捉到打印物体表面的轮廓、边界以及可能存在的缺陷、崩裂等问题,还能够有效地提取出相应的边缘特征,并将其转换为可用于评估表面质量的特征参数,如边缘密度、边缘平滑性等。接下来,通过使用精度特征提取技术对3D打印监控数字图像标准数据进行细节精度特征提取处理,提取到的细节精度特征可以描述打印物体的细微部分的精度和准确性。通过应用精度特征提取技术,可以分析打印物体的细节尺寸、表面平整度、几何形状等方面的特征。例如,可以提取细节的高度变化、曲率半径、角度测量等参数,从而用于评估打印物体的精度水平和细节表现。最后,通过对提取得到的3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征进行综合分析,并通过整合这些特征,可以得到更全面、综合的3D打印质量指标特征,这样能够将各个特征相互关联起来,得到一个综合的质量指标,能够提供对3D打印质量的综合评估,从而为后续的打印质量评估模型建立提供了数据基础保障。
优选地,步骤S3包括以下步骤:
步骤S31:按照预设的划分规则将3D打印质量指标特征划分为3D打印质量特征训练数据集、3D打印质量特征验证数据集和3D打印质量特征测试数据集;
本发明实施例通过将3D打印质量指标特征按照预设的划分规则采用一定的划分比例划分为3D打印质量特征训练数据集、3D打印质量特征验证数据集和3D打印质量特征测试数据集,根据预设的划分比例7:2:1将3D打印质量指标特征划分为70%的3D打印质量特征训练数据集、20%的3D打印质量特征验证数据集和10%的3D打印质量特征测试数据集。
步骤S32:构建基于神经网络算法的打印质量评估模型,其中打印质量评估模型包括模型训练、模型验证和模型测试;
本发明实施例根据实际情况利用神经网络算法构建一个合适的打印质量评估模型,该打印质量评估模型包括模型训练、模型验证和模型测试,其中通过3D打印质量特征训练数据集对打印质量评估模型进行模型训练,利用3D打印质量特征验证数据集对打印质量评估模型进行模型验证,同时利用3D打印质量特征测试数据集对打印质量评估模型进行模型测试,以用来提高打印质量评估模型的泛化性能和鲁棒性。
步骤S33:将3D打印质量特征训练数据集输入至基于神经网络算法的打印质量评估模型进行模型训练,并通过交叉验证方法对模型参数进行调整优化处理,以生成打印质量评估验证模型;利用打印质量评估验证模型对3D打印质量特征验证数据集进行模型验证,以生成打印质量评估测试模型;
本发明实施例通过将划分后的3D打印质量特征训练数据集输入至构建的基于神经网络算法的打印质量评估模型中进行模型训练,并通过选择合适的交叉验证方法对模型参数进行优化处理,首先,将3D打印质量特征训练数据集随机分为K个互不相交的子集,其中K通常取5或10,随机使用其中的K-1个子集作为模型的训练数据,剩余的1个子集作为验证数据,用来评估模型的性能,重复以上过程K次后,每次都将不同的子集作为验证数据来对模型进行评估,得到K个不同的评估结果。然后,计算K个评估结果的平均值,得到验证模型的评估结果。最后,使用验证模型对划分后的3D打印质量特征验证数据集进行模型验证,以生成最终的打印质量评估测试模型。
步骤S34:利用打印质量评估测试模型对3D打印质量特征测试数据集进行模型测试,以得到优化的打印质量评估模型;并将3D打印质量指标特征重新输入至优化的打印质量评估模型进行评估处理,得到3D打印质量评估结果。
本发明实施例通过将划分后的3D打印质量特征测试数据集输入至经过验证后的打印质量评估测试模型中进行模型测试,并通过计算模型的准确率、召回率、F1值等指标,对模型参数进一步检查和优化处理,获得更高效、更准确的优化的打印质量评估模型,同时,将3D打印质量指标特征重新输入至优化的打印质量评估模型进行评估处理,最终得到3D打印质量评估结果。
本发明首先通过预设的划分规则将3D打印质量指标特征划分为3D打印质量特征训练数据集、3D打印质量特征验证数据集和3D打印质量特征测试数据集,这种划分是为了进行有效的模型训练、验证和测试。3D打印质量特征训练数据集用于训练模型的参数,3D打印质量特征验证数据集用于评估和调整模型的性能,3D打印质量特征测试数据集用于最终评估模型的泛化能力。然后,通过使用相应的神经网络算法构建合适的打印质量评估模型,其中神经网络是一种机器学习算法,可以通过学习输入和输出之间的模式来建立模型。该打印质量评估模型包括模型训练、模型验证和模型测试。在模型构建阶段,使用训练数据集输入打印质量评估模型,并通过交叉验证方法不断调整打印质量评估模型参数,以最小化评估指标,从而使模型逐渐优化。接下来,将3D打印质量特征训练数据集输入到基于神经网络算法的打印质量评估模型中进行模型训练。在训练过程中,通过采用交叉验证方法对模型参数进行调整优化处理。交叉验证是一种常用的模型评估方法,可以评估模型的泛化能力。通过交叉验证,可以选择最佳的模型参数配置,并生成打印质量评估验证模型。该验证模型可以用于对3D打印质量特征验证数据集进行模型验证,从而评估模型在新数据上的性能表现。同时,通过使用验证得到的打印质量评估测试模型对3D打印质量特征测试数据集进行模型测试,可以评估模型在未见过的数据上的表现,并得到最终的优化的打印质量评估模型。最后,将3D打印质量指标特征重新输入到优化的打印质量评估模型中进行评估处理,得到3D打印质量的评估结果,这样能够生成一个可用于实际应用的模型,并对未知样本进行准确的打印质量评估,从而提高打印质量评估的准确性和可靠性。
优选地,步骤S4包括以下步骤:
步骤S41:利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;
本发明实施例通过使用自适应监测技术对3D打印质量评估结果进行监测分析处理,分析3D打印质量评估结果中所出现的问题,以实现有效的评估监控,最终得到3D打印质量评估监测结果。
步骤S42:利用缺陷检测算法对3D打印质量评估监测结果进行缺陷异常得分计算,得到3D打印质量评估缺陷异常得分;
本发明实施例通过结合3D打印质量评估监测结果中缺陷异常的缺陷面积指标、缺陷长度指标、缺陷曲率指标、缺陷类型指标、3D打印质量评估监测结果中3D打印结果模型的体积、光滑度指标、对比度指标、局部区域内缺陷异常密度、相应的指标权重系数以及相关参数构建一个合适的缺陷检测算法进行缺陷异常得分计算,以判断3D打印质量评估的异常情况,最终得到3D打印质量评估缺陷异常得分。
步骤S43:根据预设的缺陷异常得分阈值对3D打印质量评估缺陷异常得分进行判断,当3D打印质量评估缺陷异常得分超过缺陷异常得分阈值时,则将3D打印质量评估监测结果标为异常状况;否则将3D打印质量评估监测结果标为正常状况;
本发明实施例根据预设的缺陷异常得分阈值对计算得到的3D打印质量评估缺陷异常得分进行判断比较,如果计算得到的3D打印质量评估缺陷异常得分超过预设的缺陷异常得分阈值时,则将3D打印质量评估监测结果标记为异常状况,表示存在异常情况,如果计算得到的3D打印质量评估缺陷异常得分没有超过预设的缺陷异常得分阈值时,则将3D打印质量评估监测结果标记为正常状况,表示该3D打印质量评估监测结果处于正常情况。
步骤S44:对异常状况进行分析处理,得到3D打印质量缺陷异常结果。
本发明实施例通过对被标记为异常状况的3D打印质量评估监测结果进行详细分析,以进一步分析和研究异常状况出现的原因和影响因素,最终得到3D打印质量缺陷异常结果。
本发明首先通过使用自适应监测技术对3D打印质量评估结果进行监测处理,能够根据实际3D打印质量评估结果和评估动态变化的特征,动态调整监测策略和参数,以实现有效的评估监控,这样可以实时监测打印质量情况,并及时发现潜在的问题。然后,通过使用合适的缺陷检测算法对3D打印质量评估监测结果进行缺陷异常得分计算,能够快速识别出异常情况和潜在问题,这有助于提高3D打印质量评估的效率和准确性。通过计算得到的3D打印质量评估缺陷异常得分还可以更精准地反映3D打印质量的异常情况,帮助操作人员更好地发现问题和采取改进措施。该缺陷检测算法可以基于多种指标进行计算,并考虑指标之间的相互关系和权重关系,这样可以综合考虑3D打印质量的各方面表现,识别出潜在的异常情况,为后续的异常判断和改进提供更全面的参考。接下来,根据预设的缺陷异常得分阈值可以快速对计算得到的3D打印质量评估缺陷异常得分进行判断,从而区分出异常状况和正常状况,这有助于减少人工判断的时间和工作量,从而提高3D打印质量评估的效率和准确性。另外,缺陷异常得分阈值可以进行灵活调整,以适应不同阶段和不同类型的3D打印质量评估需求。根据具体情况,可以进行优化和调整,使得判断结果更为准确和有针对性。最后,通过对被标记为异常状况的3D打印质量评估结果进行进一步分析处理,确定出现异常的原因和影响,可以得到具体的打印质量缺陷异常结果,为及时发现和解决打印质量问题提供有益的信息和指导。
优选地,步骤S42中的缺陷检测算法的函数公式具体为:
;
式中,S j 为3D打印质量评估监测结果中第j个缺陷异常的3D打印质量评估缺陷异常得分,m为3D打印质量评估监测结果的缺陷异常数量,A j 为3D打印质量评估监测结果中第j个缺陷异常的缺陷面积指标,ω 1 为缺陷面积指标权重系数,L j 为3D打印质量评估监测结果中第j个缺陷异常的缺陷长度指标,ω 2 为缺陷长度指标权重系数,Q j 为3D打印质量评估监测结果中第j个缺陷异常的缺陷曲率指标,ω 3 为缺陷曲率指标权重系数,T j 为3D打印质量评估监测结果中第j个缺陷异常的缺陷类型指标,V为3D打印质量评估监测结果中3D打印结果模型的体积,G为3D打印质量评估监测结果中3D打印结果模型的光滑度指标,ω 4 为光滑度指标权重系数,B为3D打印质量评估监测结果中3D打印结果模型的对比度指标,ω 5 为对比度指标权重系数,M为局部区域内缺陷异常密度,为3D打印质量评估缺陷异常得分的修正值。
本发明构建了一个缺陷检测算法的函数公式,用于对3D打印质量评估监测结果进行缺陷异常得分计算,该缺陷检测算法通过综合考虑缺陷面积、缺陷长度、缺陷曲率以及对比度和光滑度等指标对3D打印质量评估监测结果的缺陷异常进行检测,并通过结合相应的权重系数来调整各项指标在得分计算中的重要性,还通过缺陷类型指标来进一步区分不同缺陷的类型,从而更精准地反映3D打印质量的异常情况。该算法函数公式充分考虑了3D打印质量评估监测结果中第j个缺陷异常的3D打印质量评估缺陷异常得分S j ,3D打印质量评估监测结果的缺陷异常数量m,3D打印质量评估监测结果中第j个缺陷异常的缺陷面积指标A j ,缺陷面积指标权重系数ω 1 ,3D打印质量评估监测结果中第j个缺陷异常的缺陷长度指标L j ,缺陷长度指标权重系数ω 2 ,3D打印质量评估监测结果中第j个缺陷异常的缺陷曲率指标Q j ,缺陷曲率指标权重系数ω 3 ,3D打印质量评估监测结果中第j个缺陷异常的缺陷类型指标T j ,3D打印质量评估监测结果中3D打印结果模型的体积V,3D打印质量评估监测结果中3D打印结果模型的光滑度指标G,光滑度指标权重系数ω 4 ,3D打印质量评估监测结果中3D打印结果模型的对比度指标B,对比度指标权重系数ω 5 ,局部区域内缺陷异常密度M,3D打印质量评估缺陷异常得分的修正值,根据3D打印质量评估监测结果中第j个缺陷异常的3D打印质量评估缺陷异常得分S j 与以上各参数之间的相互关联关系构成了一种缺陷检测算法的函数关系/>,该算法函数公式能够实现对3D打印质量评估监测结果的缺陷异常得分计算过程,同时,通过3D打印质量评估缺陷异常得分的修正值/>的引入可以根据实际情况进行调整,从而提高缺陷检测算法的准确性和适用性。
优选地,步骤S5包括以下步骤:
通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,以生成3D打印报警信号;
本发明实施例首先通过确定需要监测的3D打印质量缺陷异常结果,例如打印层厚度不均匀、打印物体变形、打印中断等,并通过引入报警机制设置相应的监测阈值对监测的3D打印质量缺陷异常结果进行判断,当监测到3D打印质量缺陷异常结果超过设定的阈值时,则触发报警机制以声音、光信号、警报等形式发出报警信号,最终生成3D打印报警信号。
根据3D打印报警信号制定相应的改进控制方案以执行相应的3D打印改进建议。
本发明实施例通过监听和接收3D打印报警信号,并对3D打印报警信号进行分析,以识别导致该异常的原因,以制定针对性的调整打印参数、更换打印材料、修复打印设备等改进控制方案,根据制定的改进控制方案执行相应的3D打印改进建议对3D打印设备进行相应的调整或修复。
本发明通过引入相应的报警机制对3D打印质量缺陷异常结果进行报警处理,该报警机制可以通过声音、光信号、警报等形式发出报警信号,提醒操作人员或系统管理员存在打印质量问题。报警机制的引入可以及时提醒操作人员或系统管理员存在的3D打印质量问题,确保他们能够在第一时间采取行动,减少质量问题带来的影响。还可以快速响应和处理打印质量缺陷问题,有助于提高故障排除的效率,并减少生产中断的时间。然后,根据生成的3D打印报警信号制定相应的改进控制方案以执行相应的3D打印改进建议,当接收到3D打印报警信号后,需要对异常情况进行分析,并制定改进控制方案。改进控制方案可以包括调整打印参数、更换打印材料、修复打印设备等,以解决或减轻打印质量缺陷问题。执行改进控制方案后,可重新进行打印,以验证改进效果。
优选地,本发明还提供了一种应用于3D打印的打印监控图像分析系统,用于执行如上所述的应用于3D打印的打印监控图像分析方法,该应用于3D打印的打印监控图像分析系统包括:
打印监控图像处理模块,用于通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;并对3D打印监控图像进行图像预处理,以得到3D打印监控清晰图像;
图像转换特征提取模块,用于利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;并利用特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,从而得到3D打印质量指标特征;
打印质量评估处理模块,用于通过构建基于神经网络算法的打印质量评估模型对3D打印质量指标特征进行评估处理,从而得到3D打印质量评估结果;
质量监测缺陷异常模块,用于利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;并利用缺陷检测算法对3D打印质量评估监测结果进行缺陷检测处理,从而得到3D打印质量缺陷异常结果;
质量报警改进建议模块,用于通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,生成3D打印报警信号;根据3D打印报警信号以执行相应的3D打印改进建议。
综上所述,本发明提供了一个应用于3D打印的打印监控图像分析系统,该打印监控图像分析系统由打印监控图像处理模块、图像转换特征提取模块、打印质量评估处理模块、质量监测缺陷异常模块和质量报警改进建议模块组成,能够实现本发明所述任意一种应用于3D打印的打印监控图像分析方法,用于联合各个模块上运行的计算机程序之间的操作实现一种应用于3D打印的打印监控图像分析方法,系统内部结构互相协作,并通过多种算法和技术对3D打印监控图像进行图像预处理和质量评估监测处理,可以充分利用视觉图像信息提供更准确、全面的打印质量评估,并且能够实时监控和分析3D打印过程中的打印质量和问题,这将有助于提高3D打印的质量和效率,为操作人员提供及时的问题反馈和处理建议,这样能够大大减少重复工作和人力投入,能够快速有效地提供更准确、高效的打印监控图像分析过程,从而简化了应用于3D打印的打印监控图像分析系统的操作流程。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种应用于3D打印的打印监控图像分析方法,其特征在于,包括以下步骤:
步骤S1:通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;并对3D打印监控图像进行图像预处理,以得到3D打印监控清晰图像;
步骤S2:利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;并利用特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,得到3D打印质量指标特征,其中3D打印质量指标特征包括3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征;
步骤S3:通过构建基于神经网络算法的打印质量评估模型对3D打印质量指标特征进行评估处理,得到3D打印质量评估结果;
步骤S4:利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;并利用缺陷检测算法对3D打印质量评估监测结果进行缺陷检测处理,得到3D打印质量缺陷异常结果;
步骤S5:通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,生成3D打印报警信号;根据3D打印报警信号以执行相应的3D打印改进建议。
2.根据权利要求1所述的应用于3D打印的打印监控图像分析方法,其特征在于,步骤S1包括以下步骤:
步骤S11:通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;
步骤S12:利用图像去噪算法对3D打印监控图像进行去噪处理,得到3D打印监控去噪图像;
其中,图像去噪算法的函数公式如下所示:
;
式中,为3D打印监控去噪图像,I(p)为3D打印监控图像,Ω为图像空间域,p为3D打印监控图像在图像空间域中的像素位置,q为3D打印监控图像在图像空间域中的噪声像素位置,w(p,q)为像素位置p和q之间的领域噪声权重控制函数,I(q)为3D打印监控图像中的噪声信息图像,μ(p)为像素位置p的局部均值,λ为正则化参数,/>为噪声信息图像的噪声图像梯度,/>为L2范数,/>为调和平滑参数,η为3D打印监控去噪图像的修正值;
步骤S13:利用图像增强算法对3D打印监控去噪图像进行图像增强处理,得到3D打印监控增强图像;
步骤S14:利用图像校正技术对3D打印监控增强图像进行图像对比度校正处理,得到3D打印监控清晰图像。
3.根据权利要求2所述的应用于3D打印的打印监控图像分析方法,其特征在于,步骤S13中的图像增强算法的函数公式具体为:
;
;
;
式中,R(x,y)为3D打印监控增强图像,x为3D打印监控去噪图像的图像像素横坐标,y为3D打印监控去噪图像的图像像素纵坐标,N为3D打印监控去噪图像的数量,C为图像增强归一化系数,为第i个3D打印监控去噪图像,σ i 为第i个3D打印监控去噪图像的增强平滑参数,/>为一阶增强函数,/>为第i个3D打印监控去噪图像的一阶增强图像,s为3D打印监控去噪图像的一阶增强图像像素横坐标,t为3D打印监控去噪图像的一阶增强图像像素纵坐标,/>为二阶增强函数,/>为第i个3D打印监控去噪图像的二阶增强图像,u为3D打印监控去噪图像的二阶增强图像像素横坐标,v为3D打印监控去噪图像的二阶增强图像像素纵坐标,ε为3D打印监控增强图像的修正值。
4.根据权利要求1所述的应用于3D打印的打印监控图像分析方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;
其中,图像转换算法的函数公式如下所示:
;
式中,为3D打印监控数字图像数据,/>为3D打印监控清晰图像的像素值,/>为3D打印监控清晰图像的空间像素横坐标,/>为3D打印监控清晰图像的空间像素纵坐标,α为高斯分布的数字标准化常数,ρ为高斯分布的标准差,x 0为高斯分布的中心偏移横坐标,y 0为高斯分布的中心偏移纵坐标,β为转换衰减控制参数,n为转换衰减控制幂指数,/>为3D打印监控数字图像数据的修正值;
步骤S22:对3D打印监控数字图像数据进行数据预处理,得到3D打印监控数字图像标准数据;
步骤S23:利用特征提取技术对3D打印监控数字图像标准数据进行质量特征提取处理,得到3D打印质量指标特征,其中特征提取技术包括层间结构提取技术、边缘特征检测技术和精度特征提取技术。
5.根据权利要求4所述的应用于3D打印的打印监控图像分析方法,其特征在于,步骤S23包括以下步骤:
步骤S231:利用层间结构提取技术对3D打印监控数字图像标准数据进行层间结构特征提取处理,得到3D打印层间结构特征;
步骤S232:利用边缘特征检测技术对3D打印监控数字图像标准数据进行表面缺陷特征提取处理,得到3D打印表面缺陷特征;
步骤S233:利用精度特征提取技术对3D打印监控数字图像标准数据进行细节精度特征提取处理,得到3D打印细节精度特征;
步骤S234:对3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征进行集成处理,得到3D打印质量指标特征。
6.根据权利要求1所述的应用于3D打印的打印监控图像分析方法,其特征在于,步骤S3包括以下步骤:
步骤S31:按照预设的划分规则将3D打印质量指标特征划分为3D打印质量特征训练数据集、3D打印质量特征验证数据集和3D打印质量特征测试数据集;
步骤S32:构建基于神经网络算法的打印质量评估模型,其中打印质量评估模型包括模型训练、模型验证和模型测试;
步骤S33:将3D打印质量特征训练数据集输入至基于神经网络算法的打印质量评估模型进行模型训练,并通过交叉验证方法对模型参数进行调整优化处理,以生成打印质量评估验证模型;利用打印质量评估验证模型对3D打印质量特征验证数据集进行模型验证,以生成打印质量评估测试模型;
步骤S34:利用打印质量评估测试模型对3D打印质量特征测试数据集进行模型测试,以得到优化的打印质量评估模型;并将3D打印质量指标特征重新输入至优化的打印质量评估模型进行评估处理,得到3D打印质量评估结果。
7.根据权利要求1所述的应用于3D打印的打印监控图像分析方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;
步骤S42:利用缺陷检测算法对3D打印质量评估监测结果进行缺陷异常得分计算,得到3D打印质量评估缺陷异常得分;
步骤S43:根据预设的缺陷异常得分阈值对3D打印质量评估缺陷异常得分进行判断,当3D打印质量评估缺陷异常得分超过缺陷异常得分阈值时,则将3D打印质量评估监测结果标为异常状况;否则将3D打印质量评估监测结果标为正常状况;
步骤S44:对异常状况进行分析处理,得到3D打印质量缺陷异常结果。
8.根据权利要求7所述的应用于3D打印的打印监控图像分析方法,其特征在于,步骤S42中的缺陷检测算法的函数公式具体为:
;
式中,S j 为3D打印质量评估监测结果中第j个缺陷异常的3D打印质量评估缺陷异常得分,m为3D打印质量评估监测结果的缺陷异常数量,A j 为3D打印质量评估监测结果中第j个缺陷异常的缺陷面积指标,ω 1 为缺陷面积指标权重系数,L j 为3D打印质量评估监测结果中第j个缺陷异常的缺陷长度指标,ω 2 为缺陷长度指标权重系数,Q j 为3D打印质量评估监测结果中第j个缺陷异常的缺陷曲率指标,ω 3 为缺陷曲率指标权重系数,T j 为3D打印质量评估监测结果中第j个缺陷异常的缺陷类型指标,V为3D打印质量评估监测结果中3D打印结果模型的体积,G为3D打印质量评估监测结果中3D打印结果模型的光滑度指标,ω 4 为光滑度指标权重系数,B为3D打印质量评估监测结果中3D打印结果模型的对比度指标,ω 5 为对比度指标权重系数,M为局部区域内缺陷异常密度,为3D打印质量评估缺陷异常得分的修正值。
9.根据权利要求1所述的应用于3D打印的打印监控图像分析方法,其特征在于,步骤S5包括以下步骤:
通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,以生成3D打印报警信号;
根据3D打印报警信号制定相应的改进控制方案以执行相应的3D打印改进建议。
10.一种应用于3D打印的打印监控图像分析系统,其特征在于,用于执行如权利要求1所述的应用于3D打印的打印监控图像分析方法,该应用于3D打印的打印监控图像分析系统包括:
打印监控图像处理模块,用于通过摄像设备对3D打印过程进行实时监控采集处理,得到3D打印监控图像;并对3D打印监控图像进行图像预处理,以得到3D打印监控清晰图像;
图像转换特征提取模块,用于利用图像转换算法对3D打印监控清晰图像进行数字转换处理,得到3D打印监控数字图像数据;并利用特征提取技术对3D打印监控数字图像数据进行质量特征提取处理,从而得到3D打印质量指标特征,其中3D打印质量指标特征包括3D打印层间结构特征、3D打印表面缺陷特征和3D打印细节精度特征;
打印质量评估处理模块,用于通过构建基于神经网络算法的打印质量评估模型对3D打印质量指标特征进行评估处理,从而得到3D打印质量评估结果;
质量监测缺陷异常模块,用于利用自适应监测技术对3D打印质量评估结果进行监测处理,得到3D打印质量评估监测结果;并利用缺陷检测算法对3D打印质量评估监测结果进行缺陷检测处理,从而得到3D打印质量缺陷异常结果;
质量报警改进建议模块,用于通过引入报警机制对3D打印质量缺陷异常结果进行报警处理,生成3D打印报警信号;根据3D打印报警信号以执行相应的3D打印改进建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040981.8A CN116758491B (zh) | 2023-08-18 | 2023-08-18 | 应用于3d打印的打印监控图像分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040981.8A CN116758491B (zh) | 2023-08-18 | 2023-08-18 | 应用于3d打印的打印监控图像分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758491A true CN116758491A (zh) | 2023-09-15 |
CN116758491B CN116758491B (zh) | 2023-12-19 |
Family
ID=87961295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311040981.8A Active CN116758491B (zh) | 2023-08-18 | 2023-08-18 | 应用于3d打印的打印监控图像分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758491B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117032600A (zh) * | 2023-10-09 | 2023-11-10 | 珠海芯烨电子科技有限公司 | 一种打印机控制方法及装置 |
CN117032601A (zh) * | 2023-10-09 | 2023-11-10 | 深圳鼎力数码科技有限公司 | 打印耗材的实时监控方法及系统 |
CN117152161A (zh) * | 2023-11-01 | 2023-12-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及系统 |
CN117416049A (zh) * | 2023-12-19 | 2024-01-19 | 南京亮维科技有限公司 | 一种基于3d打印技术的打印设备的控制方法及系统 |
CN117453216A (zh) * | 2023-11-03 | 2024-01-26 | 深圳市金石三维打印科技有限公司 | 基于3d打印设备的控制软件开发编辑方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101055560A (zh) * | 2006-04-12 | 2007-10-17 | 株式会社理光 | 一种打印质量评估方法和评估系统 |
US20190213361A1 (en) * | 2018-01-05 | 2019-07-11 | Datamax-O'neil Corporation | Methods, apparatuses, and systems for providing print quality feedback and controlling print quality of machine-readable indicia |
CN111696061A (zh) * | 2020-06-12 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 空间域与变换域相融合的噪声图像重构方法 |
CN112884768A (zh) * | 2021-03-30 | 2021-06-01 | 中国科学院自动化研究所 | 基于神经网络的3d打印在线质量监测方法、系统、装置 |
-
2023
- 2023-08-18 CN CN202311040981.8A patent/CN116758491B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101055560A (zh) * | 2006-04-12 | 2007-10-17 | 株式会社理光 | 一种打印质量评估方法和评估系统 |
US20190213361A1 (en) * | 2018-01-05 | 2019-07-11 | Datamax-O'neil Corporation | Methods, apparatuses, and systems for providing print quality feedback and controlling print quality of machine-readable indicia |
CN111696061A (zh) * | 2020-06-12 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 空间域与变换域相融合的噪声图像重构方法 |
CN112884768A (zh) * | 2021-03-30 | 2021-06-01 | 中国科学院自动化研究所 | 基于神经网络的3d打印在线质量监测方法、系统、装置 |
Non-Patent Citations (1)
Title |
---|
张晓威;赵琳琳;翁志娟;: "一种基于纹理测度的小波域数字水印模型", 计算机工程与应用, no. 31 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117032600A (zh) * | 2023-10-09 | 2023-11-10 | 珠海芯烨电子科技有限公司 | 一种打印机控制方法及装置 |
CN117032601A (zh) * | 2023-10-09 | 2023-11-10 | 深圳鼎力数码科技有限公司 | 打印耗材的实时监控方法及系统 |
CN117032601B (zh) * | 2023-10-09 | 2024-01-23 | 深圳鼎力数码科技有限公司 | 打印耗材的实时监控方法及系统 |
CN117032600B (zh) * | 2023-10-09 | 2024-01-26 | 珠海芯烨电子科技有限公司 | 一种打印机控制方法及装置 |
CN117152161A (zh) * | 2023-11-01 | 2023-12-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及系统 |
CN117152161B (zh) * | 2023-11-01 | 2024-03-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及系统 |
CN117453216A (zh) * | 2023-11-03 | 2024-01-26 | 深圳市金石三维打印科技有限公司 | 基于3d打印设备的控制软件开发编辑方法及系统 |
CN117416049A (zh) * | 2023-12-19 | 2024-01-19 | 南京亮维科技有限公司 | 一种基于3d打印技术的打印设备的控制方法及系统 |
CN117416049B (zh) * | 2023-12-19 | 2024-02-23 | 南京亮维科技有限公司 | 一种基于3d打印技术的打印设备的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116758491B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
JP2019061484A (ja) | 画像処理装置及びその制御方法及びプログラム | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
KR20220014805A (ko) | 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성 | |
CN113850749A (zh) | 训练缺陷侦测器的方法 | |
CN117197092A (zh) | 一种煤矿井下图像质量评估方法 | |
TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 | |
Jing et al. | Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF | |
CN117333467B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
CN117237330B (zh) | 基于机器视觉的自动化桥梁缺陷检测方法 | |
CN117314826A (zh) | 一种显示屏的性能检测方法 | |
CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
Shabir et al. | Tyre defect detection based on GLCM and Gabor filter | |
CN116778520A (zh) | 一种海量证照数据质量检验方法 | |
CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
JP7356010B2 (ja) | 表面性状検査装置及び表面性状検査方法 | |
CN113962928A (zh) | 一种基于多尺度特征蒸馏的缺陷检测方法、装置及介质 | |
CN112767365A (zh) | 一种探伤方法 | |
CN116754467B (zh) | 一种天然橡胶老化性能的测评方法 | |
CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 |
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 |