CN116945605A - 一种3d打印灰度补偿方法、电子装置和可读存储介质 - Google Patents
一种3d打印灰度补偿方法、电子装置和可读存储介质 Download PDFInfo
- Publication number
- CN116945605A CN116945605A CN202311096765.5A CN202311096765A CN116945605A CN 116945605 A CN116945605 A CN 116945605A CN 202311096765 A CN202311096765 A CN 202311096765A CN 116945605 A CN116945605 A CN 116945605A
- Authority
- CN
- China
- Prior art keywords
- image
- cured
- printing
- projection
- gray scale
- 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 55
- 238000010146 3D printing Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 31
- 238000001000 micrograph Methods 0.000 claims description 14
- 238000007639 printing Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000007711 solidification Methods 0.000 claims description 5
- 230000008023 solidification Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000001723 curing Methods 0.000 abstract description 25
- 238000000016 photochemical curing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 12
- 238000013507 mapping Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
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
本发明提供了一种3D打印灰度补偿方法、电子装置和可读存储介质，3D打印灰度补偿方法包括：获取投影图像，对投影图像预处理以获得第一固化图像；根据投影图像对第一固化图像进行图像校准，以获得第二固化图像；对第二固化图像进行轮廓提取以获得第三固化图像；循环执行获取多对投影图像和第三固化图像；根据投影图像和第三固化图像，对图像处理模型进行训练以建立图像处理优化模型；根据图像处理优化模型对3D打印进行灰度补偿。本发明解决在现有技术中，DLP光固化3D打印中灰度补偿方法的复杂度较高且精度较低的技术问题。
Description
技术领域
本发明涉及光固化3D打印机技术领域，具体而言，涉及一种3D打印灰度补偿方法、一种电子装置和一种可读存储介质。
背景技术
目前，DLP光固化3D打印是一种基于光固化原理的快速成型技术，它通过使用液态光敏树脂和DLP投影系统，将3D模型分层切片并投影在液态树脂上，随着光敏材料的逐层累积固化，最终实现3D打印物的构建。
在DLP光固化过程中，常常会出现光能量不足或不均匀的情况，影响打印质量。这时就需要借助灰度补偿技术来调整光能量的分布，使其在不同区域均匀分布，在不提升打印成本的情况下实现更好地打印效果。
但是，在实际使用过程中，存在这样一个问题：现有技术中，灰度补偿方法复杂度较高且精度较低。
发明内容
本发明解决在现有技术中，DLP光固化3D打印中灰度补偿方法的复杂度较高且精度较低的技术问题。
为解决上述问题，本发明提供一种3D打印灰度补偿方法，包括：获取投影图像，对投影图像预处理以获得第一固化图像；根据投影图像对第一固化图像进行图像校准，以获得第二固化图像；对第二固化图像进行轮廓提取以获得第三固化图像；根据投影图像和第三固化图像，对图像处理模型进行训练以建立图像处理优化模型；根据图像处理优化模型对3D打印进行灰度补偿。
与现有技术相比，采用该技术方案所达到的技术效果：使用深度学习的方式优化DLP的打印精度需要建立投影图像和固化图像之间的映射关系。因此搭建一个图像处理优化模型(即训练好的深度学习输入输出模型)，训练好的深度学习输入输出模型可以模拟DLP打印的逆过程，将所需的打印结构作为输入，图像处理优化模型输出优化后的投影图像；通过建立图像处理优化模型以提高灰度补偿的准确性；通过预处理、图像校准、轮廓提取等方式提高第三固化图像的准确性，从而提高训练数据的准确性以提高图像处理优化模型的准确性。
在本发明的一个实例中，3D打印灰度补偿方法还包括：循环执行获取多对投影图像和第三固化图像；对多对投影图像和第三固化图像进行数据增强，以提高投影图像和第三固化图像的数量。
与现有技术相比，采用该技术方案所达到的技术效果：由于图像处理模型的训练依赖大量的数据，图像处理模型训练的基础是训练集，因此获取多对投影图像和第三固化图像以提高训练集的基数；并对多对投影图像和第三固化图像进行数据增强以进一步增加训练数据的数量。
在本发明的一个实例中，对多对投影图像和第三固化图像进行数据增强，以提高投影图像和第三固化图像的数量，包括：根据条件生成模型对多对投影图像和第三固化图像进行数据增强，其中，条件生成模型包括生成器和判别器；将随机噪声和投影图像输入至生成器，根据随机噪声和投影图像获得第一虚假固化图像；将第一虚假固化图像和多个第三固化图像输入至判别器，以获得第二损失函数；根据第二损失函数对第一虚假固化图像进行处理，以获得第二虚假固化图像。
与现有技术相比，采用该技术方案所达到的技术效果：由于深度学习模型的训练依赖大量的数据，实验数据的获取需要一定的时间及人工成本。为了使图像处理模型更好地学习数据的分布和规律，提升图像处理优化模型的准确率，降低时间和成本，本方案采用了数据增强技术大大提高了图像处理模型训练的数据量，增加了训练数据的多样性，使图像处理优化模型获得了更高的精度。
在本发明的一个实例中，根据投影图像和第三固化图像，对图像处理模型进行训练以建立图像处理优化模型，包括：获取图像处理模型；通过第一损失函数判断图像处理模型的准确性；通过随机梯度下降法最小化第一损失函数以获得最优损失函数；根据最优损失函数获得图像处理优化模型。
与现有技术相比，采用该技术方案所达到的技术效果：获得多对训练集后，根据多对训练集对图像处理模型进行训练以得到图像处理优化模型；利用第一损失函数判断图像处理模型训练的有效性；并根据交叉熵损失函数的计算结果，采用随机梯度下降(SGD)来最小化损失函数，计算梯度并更新图像处理模型参数，最终获得图像处理优化模型。最终优化好的图像处理优化模型可以用来进行投影图像的预测，输入想要打印的目标结构，图像处理优化模型会输出预测后的投影图像。
在本发明的一个实例中，根据投影图像对第一固化图像进行图像校准，以获得第二固化图像，包括：将投影图像和第一固化图像进行像素点对应；对第一固化图像进行旋转以使第一固化图像和投影图像获得最大交集；对第一固化图像进行处理以获得第二固化图像。
与现有技术相比，采用该技术方案所达到的技术效果：为了更好的建立起投影图像与第一固化图像之间的映射关系，需要将投影图像和第一固化图像两个图像的像素点进行对应(大小、棋盘格位置等都要对应)，并通过对第一固化图像进行旋转以使第一固化图像和投影图像获得最大交集，从而提高第二固化图像的准确率。
在本发明的一个实例中，对第二固化图像进行轮廓提取以获得第三固化图像，包括：检测第二固化图像中的梯度以确定第二固化图像中的轮廓；根据第二固化图像和轮廓获得第三固化图像。
与现有技术相比，采用该技术方案所达到的技术效果：通过轮廓提取提升训练数据的准确率，同时提升图像处理模型训练的速度；将投影图像和与之对应的第三固化图像作为图像处理模型的一对训练数据，通过训练数据对图像处理模型进行训练以建立图像处理优化模型，同时通过提高第三固化图像的准确性提高图像处理优化模型的准确性。
在本发明的一个实例中，获取投影图像，对投影图像预处理以获得第一固化图像，包括：获取灰度棋盘格，对灰度棋盘格进行投影以获得投影图像；对投影图像进行打印以获得显微镜图像；对显微镜图像进行阈值分割以获得第一固化图像。
与现有技术相比，采用该技术方案所达到的技术效果：图像处理模型训练的基础是训练数据，训练数据的获取从灰度棋盘格开始，将灰度棋盘格进行投影以获得投影图像，通过DLP打印获得显微镜图像，通过阈值分割获得第一固化图像以提高第一固化图像的准确性。
在本发明的一个实例中，对显微镜图像进行阈值分割以获得第一固化图像，包括：对显微镜图像进行阈值分割以获得初始固化图像；去除初始固化图像中的噪声以获得第一固化图像。
与现有技术相比，采用该技术方案所达到的技术效果：将显微镜图像进行阈值分割后会有许多杂乱的像素点，这些低质量的数据可能会影响模型的学习，因此通过高斯滤波和对格子内的像素点进行填充的方式去除初始固化图像中的噪声以获得第一固化图像，提高第一固化图像的准确性。
又一方面，本发明实施例还提供了一种电子装置，其特征在于，电子装置包括：处理器，存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如上述中任一项实施例的3D打印灰度补偿方法的步骤。
与现有技术相比，采用该技术方案所达到的技术效果：本实施例中的电子装置运行如本发明任一实施例的3D打印灰度补偿方法，因此其具有如本发明任一实施例的3D打印灰度补偿方法的全部有益效果，在此不再赘述。
再一方面，本发明实施例还提供了一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如上述中任一项实施例的3D打印灰度补偿方法的步骤。
与现有技术相比，采用该技术方案所达到的技术效果：本实施例中的可读存储介质用于存储如本发明任一实施例的3D打印灰度补偿方法，因此其具有如本发明任一实施例的3D打印灰度补偿方法的全部有益效果，在此不再赘述。
采用本发明的技术方案后，能够达到如下技术效果：
(1)通过建立图像处理优化模型以提高灰度补偿的准确性；
(2)通过预处理、阈值分割、图像校准、轮廓提取等方式提高第三固化图像的准确性，从而提高训练数据的准确性以提高图像处理优化模型的准确性；
(3)通过轮廓提取方式提升图像处理模型训练的速度；
(4)通过对多对投影图像和第三固化图像进行数据增强以进一步增加训练数据的数量，可以使图像处理模型更好地学习数据的分布和规律，提升图像处理优化模型的准确率，同时降低获取训练数据的时间和人工成本。
附图说明
图1为本发明实施例一提供的一种3D打印灰度补偿方法的流程图。
图2为本发明实施例一提供的建立图像处理优化模型的原理图。
图3为本发明实施例一提供的对第一固化图像进行图像校准的原理图。
图4为本发明实施例一提供的3D打印灰度补偿方法的原理图。
图5为本发明第二实施例提供的一种电子装置的组成框图。
图6为本发明第三实施例提供的一种可读存储介质的结构示意图。
附图标记说明：
200-电子装置；210-存储器；211-计算机程序；220-处理器；300-可读存储介质；310-计算机可执行指令。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
【实施例一】
参见图1，其为本发明第一实施例提供的一种3D打印灰度补偿方法的流程图，结合图2-图4，3D打印灰度补偿方法包括：
步骤S10：获取投影图像，对投影图像预处理以获得第一固化图像；
获取灰度棋盘格，对灰度棋盘格进行投影以获得投影图像；
对投影图像进行打印以获得显微镜图像；
对显微镜图像进行阈值分割以获得初始固化图像；
去除初始固化图像中的噪声以获得第一固化图像。
具体的，图像处理模型训练的基础是训练数据，训练数据的获取从灰度棋盘格开始，将灰度棋盘格进行投影以获得投影图像，通过DLP打印获得显微镜图像，将显微镜图像进行阈值分割后会获得存在许多杂乱像素点的初始固化图像，这些低质量的数据可能会影响图像处理模型的学习。因此对初始固化图像进行高斯滤波以去除初始固化图像中的噪声，其数学表达为 其中，G(x,y)为高斯滤波公式，x表示坐标轴上的x，y表示坐标轴上的y，高斯滤波后一些独立的杂乱像素点被去除了，但是大块的噪声点仍未被去除，由于图像处理模型主要是学习边缘的轮廓，只需要关注棋盘格格子的边缘轮廓，无需关注棋盘格格子内部，故直接对格子内的像素点进行填充。通过分割前景和背景来确定孔洞的大小和位置，设定阈值，对面积大于阈值的孔洞不进行填充，最终完成对轮廓里面所有孔洞的填充，得到第一固化图像，从而提高第一固化图像的准确率，进一步提高训练数据的准确性。
进一步的，参见图3，步骤S20：根据投影图像对第一固化图像进行图像校准，以获得第二固化图像；
将投影图像和第一固化图像进行像素点对应；
对第一固化图像进行旋转以使第一固化图像和投影图像获得最大交集；
对第一固化图像进行处理以获得第二固化图像。
具体的，为了更好的建立起投影图像与第一固化图像之间的映射关系，需要将投影图像和第一固化图像两个图像的像素点进行对应(大小、棋盘格位置等都要对应)。具体对应过程为：以投影图像为基准，将第一固化图像进行微调以使其与投影图像的白色部分交集取到最大值。
进一步的，为了更好的校准第一固化图像，将投影图像的左上角和右下角的两个格子均设置为白色，其余部分的灰度值随机分配，以确保第一固化图像能与投影图像准确的对应。第一固化图像的调整主要是图像的缩放，水平和垂直方向上第一固化图像距离5％以内的平移以及第一固化图像顺时针与逆时针方向上各5°内的旋转来寻找最大的交集。找到最合适的调整参数后，将第一固化图像进行处理并对其多余的边缘部分进行裁剪获得第二固化图像。
步骤S30：对第二固化图像进行轮廓提取以获得第三固化图像；
检测第二固化图像中的梯度以确定第二固化图像中的轮廓；
根据第二固化图像和轮廓获得第三固化图像。
具体的，通过轮廓提取提升训练数据的准确率，同时提升图像处理模型训练的速度。由于梯度可以表示第二固化图像中每个像素点的灰度值变化率，因此通过检测第二固化图像中的梯度变化来确定图像中的边缘，具体计算梯度幅值为梯度方向为/>将投影图像和与之对应的第三固化图像作为图像处理模型的一对训练数据，通过训练数据对图像处理模型进行训练以建立图像处理优化模型，同时通过提高第三固化图像的准确性提高图像处理优化模型的准确性。
进一步的，3D打印灰度补偿方法还包括：
步骤S41：循环执行获取多对投影图像和第三固化图像；
步骤S42：对多对投影图像和第三固化图像进行数据增强，以提高投影图像和第三固化图像的数量；
根据条件生成模型对多对投影图像和第三固化图像进行数据增强，其中，条件生成模型包括生成器和判别器；
将随机噪声和投影图像输入至生成器，根据随机噪声和投影图像获得第一虚假固化图像；
将第一虚假固化图像和多个第三固化图像输入至判别器，以获得第二损失函数；
根据第二损失函数对第一虚假固化图像进行处理，以获得第二虚假固化图像。
具体的，由于深度学习模型的训练依赖大量的数据，实验数据的获取需要一定的时间及人工成本。为了使图像处理模型更好地学习数据的分布和规律，提升图像处理优化模型的准确率，降低时间和成本，本方案采用了数据增强技术以增加训练数据的数量。
具体的过程为：通过实验收集N对第三固化图像与投影图像，通过图像随机旋转、随机缩放、翻转等方法对第三固化图像和相应的投影图像进行同样的变换，以保持它们之间的对应关系，从而将N对训练数据增加到2N对。由于传统的数据增强方法通常都是基于原始图像的几何变换，没有新的图像数据的产生，因此其对DLP打印的实验数据量扩充的多样性有限。
因此采用一种基于生成式对抗网络的条件生成模型(CGAN)，根据给定的条件生成与之匹配的虚假数据，以此增加训练数据的数量。CGAN是由生成器和判别器组成的，CGAN的生成器接收一个随机噪声向量和一个作为条件向量的投影图像作为输入，生成与条件相匹配的第一虚假固化图像。
判别器接收真实的第三固化图像和生成的第一虚假固化图像作为输入，输出生成的第一虚假固化图像是不是真实固化图像的概率。通过生成器不断的迭代训练来提升第一虚假固化图像的质量，最终获得足够真实的第二虚假固化图像，从而将2N对训练数据增加到4N对。
具体步骤如下：①从高斯噪声分布γ中随机采样出m个样本，即{z1,...zm}in Rd，其中，Z表示随机噪声；②将条件向量y与随机噪声向量z拼接，得到一个合并向量g；③从真实数据分布中随机采样出m个样本，即其中，X表示真实样本；④将合并向量g输入到生成器G中，生成图像。将生成的图像和条件向量y一起输入到鉴别器D中，判断图像真实度；⑤根据反馈，通过随机梯度下降法来更新生成器G的参数，以生成足够真实的图像，具体公式为：/>其中，θG表示生成器的参数，α表示学习率，m表示样本数量，zi和yi分别表示生成器的输入和其对应的条件标签。G(zi|yi)表示根据条件y生成的虚假图像，D(G(zi|yi))表示把生成的虚假图像输入到鉴别器中，鉴别器判断虚假图像是真实图像的概率；⑥根据反馈，通过随机梯度下降法来更新鉴别器D的参数，具体公式为：/>其中，θD表示鉴别器的参数，X表示真实标签，G(z|y)表示根据条件y生成的虚假图像，D(G(z|y))表示把生成的图像输入到鉴别器中，D(x|y)表示鉴别器获得的真实样本；⑦通过不断更新生成器G和鉴别器D的参数，生成足够真实的图像，具体公式为：G*＝argminGmaxD(Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z)))])+
λ(Ex,y,z[||y-G(x,z)||1])。其中，G*表示生成器G的模型，D(x,G(x,z))表示鉴别器对比真实图像与生成的图像，G(x,z)表示生成的图像。同时，将生成器生成的虚假图像传输给判别器，判别器会反馈给生成器一个其生成的图像与真实图像的差距。这个反馈由二元交叉熵损失函数(即第二损失函数)来完成，第二损失函数越大表示生成的图像与真实图像之间的差距越大。
通过CGAN的数据增强方法，将经过传统数据增强方法后的2N对第三固化图像与投影图像数据增加到了4N对，大大提高了图像处理模型训练的数据量，增加了训练数据的多样性，使图像处理优化模型获得了更高的精度。
步骤S50：根据投影图像和第三固化图像，对图像处理模型进行训练以建立图像处理优化模型；
获取图像处理模型；
通过第一损失函数判断图像处理模型的准确性；
通过随机梯度下降法最小化第一损失函数以获得最优损失函数；
根据最优损失函数获得图像处理优化模型。
具体的，通过模型建立固化图像与投影图像之间的关系，实现灰度投影图与固化图像之间的映射。图像处理模型为深度学习模型，深度学习模型的网络架构建立在UNET基础上。
其具体的步骤如下：(i)考虑到打印的结构都处于像素级别，图像尺寸非常小，所以要先进行局部特征的提取，再扩展到全局，这个过程由一个3×3的卷积层和设置步幅为2的2×2的max polling层来完成，这个特征提取的过程可以表示为：Y＝CX，其中，Y是输出的图像，C是参数矩阵，X是输入的图像；每一次特征提取后的Y即是下一次特征提取输入的X；(ii)由于我们最终需要建立与原输入图像大小一致的固化图像与投影图像之间的映射关系，所以我们要将特征提取后的图像恢复至原来的尺寸，这个过程由一个2×2的上采样卷积层、1个3×3的卷积层来完成，这个特征提取的过程可以数学表示为：X＝CTY，其中，T表示矩阵转置；(iii)我们的主要目的是让网络需要建立起固化图像与投影图像之间的映射关系，为了使建立的关系更准确，UNET增加了一个跳跃连接，将一些在特征提取过程中可能遗失的信息进行传递；(iv)网络最后使用了一个双曲正切函数(tanh)对输出的值进行非线性变换，其数学表达如下：通过tanh函数将输出值限制在-1和1的范围内，再将其线性映射到0到255的灰度值，最终输出固化图像对应的投影图像；(v)为了检验图像处理模型训练的有效性，利用交叉熵损失函数(即第一损失函数)度量模型预测出来的结果与真实标签之间的差异：/>其中，L表示图像处理模型预测出来的结果与真实标签之间的差异；y(i)是第i个样本的真实标签，为图像处理模型预测的标签，N表示样本数；根据交叉熵损失函数的计算结果，采用随机梯度下降(SGD)来最小化损失函数，其可以表示为：/> 其中，θt是在第t次迭代时图像处理模型的参数向量，α是学习率，/>是样本i的梯度。在每次迭代中，随机选择一个样本i，计算它的梯度并更新图像处理模型参数，最终获得最优模型(即图像处理优化模型)。
步骤S60：根据图像处理优化模型对3D打印进行灰度补偿。
在一个具体实施例中，使用深度学习的方式优化DLP的打印精度需要建立投影图像和固化图像之间的映射关系。为了建立起这个非线性的映射关系，需搭建一个图像处理优化模型(即深度学习输入输出模型)。深度学习输入输出模型是由神经网络构成的，通常包含多个层次和大量的参数。固化图像经过神经网络的多个层次处理，最终映射到投影图像。训练好的深度学习输入输出模型可以模拟DLP打印的逆过程，将所需的打印结构作为输入，模型输出优化后的投影图像。通过建立图像处理优化模型以提高灰度补偿的准确性。
本发明可以用于制造高质量的模具和产品原型，以及医学、航空及汽车制造等各种工业领域中所需的高精度零部件。由于基于深度学习的灰度补偿技术的快速和准确性，它可以帮助制造商生产高度精准的零件、提高生产效率、降低成本和加快产品落地速度，同时也使得产品更加具有美观性
【实施例二】
参见图5，本实施例提供了一种电子装置200的结构示意图，电子装置200例如包括处理器220以及电连接处理器220的存储器210，存储器210上存储有计算机程序211，处理器220加载计算机程序211以实现如第一实施例的3D打印灰度补偿方法。
【实施例三】
参见图6，本实施例还提供一种可读存储介质300，可读存储介质300存储有计算机可执行指令310，计算机可执行指令310被处理器读取并运行时，控制可读存储介质300所在的电子装置实施如第一实施例中的3D打印灰度补偿方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种3D打印灰度补偿方法，其特征在于，所述3D打印灰度补偿方法包括：
获取投影图像，对所述投影图像预处理以获得第一固化图像；
根据所述投影图像对所述第一固化图像进行图像校准，以获得第二固化图像；
对所述第二固化图像进行轮廓提取以获得第三固化图像；
根据所述投影图像和所述第三固化图像，对图像处理模型进行训练以建立图像处理优化模型；
根据所述图像处理优化模型对3D打印进行灰度补偿。
2.根据权利要求1所述的3D打印灰度补偿方法，其特征在于，所述3D打印灰度补偿方法还包括：
循环执行获取多对所述投影图像和所述第三固化图像；
对多对所述投影图像和所述第三固化图像进行数据增强，以提高所述投影图像和所述第三固化图像的数量。
3.根据权利要求2所述的3D打印灰度补偿方法，其特征在于，
所述对多对所述投影图像和所述第三固化图像进行数据增强，以提高所述投影图像和所述第三固化图像的数量，包括：
根据条件生成模型对多对所述投影图像和所述第三固化图像进行数据增强，其中，所述条件生成模型包括生成器和判别器；
将随机噪声和所述投影图像输入至所述生成器，根据所述随机噪声和所述投影图像获得第一虚假固化图像；
将所述第一虚假固化图像和多个所述第三固化图像输入至所述判别器，以获得第二损失函数；
根据所述第二损失函数对所述第一虚假固化图像进行处理，以获得第二虚假固化图像。
4.根据权利要求1所述的3D打印灰度补偿方法，其特征在于，
所述根据所述投影图像和所述第三固化图像，对图像处理模型进行训练以建立图像处理优化模型，包括：
获取所述图像处理模型；
通过第一损失函数判断所述图像处理模型的准确性；
通过随机梯度下降法最小化所述第一损失函数以获得最优损失函数；
根据所述最优损失函数获得所述图像处理优化模型。
5.根据权利要求1所述的3D打印灰度补偿方法，其特征在于，
所述根据所述投影图像对所述第一固化图像进行图像校准，以获得第二固化图像，包括：
将所述投影图像和所述第一固化图像进行像素点对应；
对所述第一固化图像进行旋转以使所述第一固化图像和所述投影图像获得最大交集；
对所述第一固化图像进行处理以获得所述第二固化图像。
6.根据权利要求1所述的3D打印灰度补偿方法，其特征在于，
所述对所述第二固化图像进行轮廓提取以获得第三固化图像，包括：
检测所述第二固化图像中的梯度以确定所述第二固化图像中的轮廓；
根据所述第二固化图像和所述轮廓获得所述第三固化图像。
7.根据权利要求1所述的3D打印灰度补偿方法，其特征在于，
所述获取投影图像，对所述投影图像预处理以获得第一固化图像，包括：
获取灰度棋盘格，对所述灰度棋盘格进行投影以获得所述投影图像；
对所述投影图像进行打印以获得显微镜图像；
对所述显微镜图像进行阈值分割以获得所述第一固化图像。
8.根据权利要求7所述的3D打印灰度补偿方法，其特征在于，
所述对所述显微镜图像进行阈值分割以获得所述第一固化图像，包括：
对所述显微镜图像进行阈值分割以获得初始固化图像；
去除所述初始固化图像中的噪声以获得所述第一固化图像。
9.一种电子装置，其特征在于，所述电子装置包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的3D打印灰度补偿方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的3D打印灰度补偿方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311096765.5A CN116945605A (zh) | 2023-08-29 | 2023-08-29 | 一种3d打印灰度补偿方法、电子装置和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311096765.5A CN116945605A (zh) | 2023-08-29 | 2023-08-29 | 一种3d打印灰度补偿方法、电子装置和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116945605A true CN116945605A (zh) | 2023-10-27 |
Family
ID=88449369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311096765.5A Pending CN116945605A (zh) | 2023-08-29 | 2023-08-29 | 一种3d打印灰度补偿方法、电子装置和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116945605A (zh) |
-
2023
- 2023-08-29 CN CN202311096765.5A patent/CN116945605A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104463209B (zh) | 一种基于bp神经网络的pcb板上数字代码识别方法 | |
| Wang et al. | Hf-neus: Improved surface reconstruction using high-frequency details | |
| US10259164B2 (en) | Methods and apparatus for 3D printing of point cloud data | |
| CN111833237B (zh) | 基于卷积神经网络和局部单应性变换的图像配准方法 | |
| CN111899353A (zh) | 一种基于生成对抗网络的三维扫描点云孔洞填补方法 | |
| CN108124489B (zh) | 信息处理方法、装置、云处理设备以及计算机程序产品 | |
| CN109685830B (zh) | 目标跟踪方法、装置和设备及计算机存储介质 | |
| CN112184547B (zh) | 红外图像的超分辨率方法及计算机可读存储介质 | |
| CN114925748B (zh) | 模型训练及模态信息的预测方法、相关装置、设备、介质 | |
| CN112328715A (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
| CN113449784A (zh) | 基于先验属性图谱的图像多分类方法、装置、设备及介质 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| Zhao et al. | Nonlinear deformation prediction and compensation for 3D printing based on CAE neural networks | |
| Wei et al. | Non-homogeneous haze removal via artificial scene prior and bidimensional graph reasoning | |
| Killgore et al. | A Data‐Driven Approach to Complex Voxel Predictions in Grayscale Digital Light Processing Additive Manufacturing Using U‐Nets and Generative Adversarial Networks | |
| CN116945605A (zh) | 一种3d打印灰度补偿方法、电子装置和可读存储介质 | |
| CN118071805A (zh) | 一种基于深度学习的工业场景点云多模态配准方法及系统 | |
| CN118115659A (zh) | 多视图三维重建方法、装置、电子设备及存储介质 | |
| CN116912791A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN115620082A (zh) | 模型训练方法、头部姿态估计方法、电子设备及存储介质 | |
| CN114429180A (zh) | 基于注意力机制的图像处理方法、装置及设备 | |
| Alt et al. | Learning Sparse Masks for Diffusion-based Image Inpainting | |
| CN117576568B (zh) | 一种基于增量学习的深度鲁棒非负矩阵分解方法 | |
| Bernhard et al. | Topology optimization with generative adversarial networks | |
| CN113191936B (zh) | 交互式图像纹理迁移转换方法、装置、计算机设备和存储介质 |
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 |