CN117392471A - 基于多参数协同的3d打印监测方法及系统 - Google Patents
基于多参数协同的3d打印监测方法及系统 Download PDFInfo
- Publication number
- CN117392471A CN117392471A CN202311697128.3A CN202311697128A CN117392471A CN 117392471 A CN117392471 A CN 117392471A CN 202311697128 A CN202311697128 A CN 202311697128A CN 117392471 A CN117392471 A CN 117392471A
- Authority
- CN
- China
- Prior art keywords
- parameter
- printing
- real
- time
- equipment
- 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 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007639 printing Methods 0.000 claims abstract description 125
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000009432 framing Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 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
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多参数协同的3D打印监测方法及系统，该方法包括：通过设置在打印区域的图像获取设备，实时获取打印区域的实时区域图像以及获取所述图像获取设备的实时设备参数；根据所述实时区域图像和所述实时设备参数，确定所述图像获取设备对应的设备影响情况参数；根据所述实时区域图像，和当前时间点对应的任务基准图像，确定所述目标打印任务对应的任务执行情况参数；根据所述设备影响情况参数和所述任务执行情况参数，判断目标3D打印设备是否存在打印错误，并根据判断结果执行相应的报警操作。可见，本发明能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
Description
技术领域
本发明涉及3D打印技术领域，尤其涉及一种基于多参数协同的3D打印监测方法及系统。
背景技术
随着3D打印技术的发展，大量的3D打印需求开始出现，而3D打印的任务数据量也越来越大，有时候，会将单一模型的打印拆分成多个任务来执行，而此时，对于多个打印任务的执行控制技术也开始得到重视，如何有效实现对多个打印任务的风险预测和打印控制是其中重要的技术问题。
但现有技术在实现对多个打印任务的风险预测和打印控制时，一般仅采用事先的任务参数安排来控制多个打印任务的执行，没有考虑到结合预测算法模型来实现预测打印任务的故障风险程度并基于预测结果来进行控制。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于多参数协同的3D打印监测方法及系统，能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
为了解决上述技术问题，本发明第一方面公开了一种基于多参数协同的3D打印监测方法，所述方法包括：
在目标3D打印设备在执行目标打印任务时，通过设置在打印区域的图像获取设备，实时获取打印区域的实时区域图像以及获取所述图像获取设备的实时设备参数；
根据所述实时区域图像和所述实时设备参数，确定所述图像获取设备对应的设备影响情况参数；
根据所述实时区域图像，和当前时间点对应的任务基准图像，确定所述目标打印任务对应的任务执行情况参数；
根据所述设备影响情况参数和所述任务执行情况参数，判断所述目标3D打印设备是否存在打印错误，并根据判断结果执行相应的报警操作。
作为一种可选的实施方式，在本发明第一方面中，所述实时设备参数包括设备当前功率、设备当前传输数据、设备当前接收数据、设备实时温度、设备实时速度和设备实时定位中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述实时区域图像和所述实时设备参数，确定所述图像获取设备对应的设备影响情况参数，包括：
根据所述实时区域图像，基于图像角度分析算法，确定所述图像获取设备对应的当前面向角度；
根据所述当前面向角度和所述实时设备参数，基于预设的参数匹配规则，计算所述图像获取设备对应的角度异常参数；
将所述实时设备参数输入至训练好的异常预测神经网络模型中，以得到所述图像获取设备对应的参数异常预测概率；所述异常预测神经网络模型通过包括有多个训练设备参数和对应的设备异常标注的训练数据集训练得到；
计算所述角度异常参数和所述参数异常预测概率的加权求和平均值，得到所述图像获取设备对应的设备影响情况参数；其中，所述角度异常参数对应的第一权重大于所述参数异常预测概率对应的第二权重；所述第一权重和所述第二权重之和为1；所述第二权重与所述异常预测神经网络模型在验证阶段的预测准确率成正比；所述第一权重与所述参数异常预测概率的大小成正比。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述当前面向角度和所述实时设备参数，基于预设的参数匹配规则，计算所述图像获取设备对应的角度异常参数，包括：
将所述当前面向角度输入至训练好的参数预测神经网络模型中，以得到所述当前面向角度对应的预测设备参数集合；所述参数预测神经网络模型通过包括有多个训练设备面向角度和对应的实时设备参数标注的训练数据集训练得到；
计算所述预测设备参数集合和所述实时设备参数之间的向量距离，得到所述图像获取设备对应的角度异常参数；其中，所述第一权重还与所述参数预测神经网络模型在验证阶段的预测准确率成正比。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述实时区域图像，和当前时间点对应的任务基准图像，确定所述目标打印任务对应的任务执行情况参数，包括：
基于当前时间点和所述当前面向角度，从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像；所述预测任务模型图像库通过三维模拟算法对所述目标打印设备执行所述目标打印任务的不同时间点的打印模型图像进行模拟得到；
计算所述实时区域图像和所述任务基准图像之间的图像差异度；
计算所述图像差异度和所述参数异常预测概率的加权求和平均值，得到所述目标打印任务对应的任务执行情况参数；其中，所述图像差异度对应的第三权重大于所述参数异常预测概率对应的第四权重；所述第三权重和所述第四权重之和为1；所述第三权重与所述参数异常预测概率的大小成正比。
作为一种可选的实施方式，在本发明第一方面中，所述基于当前时间点和所述当前面向角度，从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像，包括：
从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的预测三维模型；
根据所述实时设备参数中设备位置，和所述当前面向角度，确定在所述预测三维模型中相对应的取景视点和取景角度；
根据所述取景视点和取景角度，沿不同取景焦距对所述预测三维模型进行取景以得到多个任务基准图像；
以及，所述计算所述实时区域图像和所述任务基准图像之间的图像差异度，包括：
计算所述实时区域图像与每一所述任务基准图像之间的图像差异度参数的平均值，得到图像差异度。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述设备影响情况参数和所述任务执行情况参数，判断所述目标3D打印设备是否存在打印错误，包括：
计算所述设备影响情况参数和所述任务执行情况参数的加权求和值，得到所述目标3D打印设备的异常参数；
判断所述异常参数是否大于预设的参数阈值，以判断所述目标3D打印设备是否存在打印错误。
本发明第二方面公开了一种基于多参数协同的3D打印监测系统，所述系统包括：
获取模块，用于在目标3D打印设备在执行目标打印任务时，通过设置在打印区域的图像获取设备，实时获取打印区域的实时区域图像以及获取所述图像获取设备的实时设备参数；
第一确定模块，用于根据所述实时区域图像和所述实时设备参数，确定所述图像获取设备对应的设备影响情况参数；
第二确定模块，用于根据所述实时区域图像，和当前时间点对应的任务基准图像，确定所述目标打印任务对应的任务执行情况参数；
判断模块，用于根据所述设备影响情况参数和所述任务执行情况参数，判断所述目标3D打印设备是否存在打印错误，并根据判断结果执行相应的报警操作。
作为一种可选的实施方式，在本发明第二方面中，所述实时设备参数包括设备当前功率、设备当前传输数据、设备当前接收数据、设备实时温度、设备实时速度和设备实时定位中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据所述实时区域图像和所述实时设备参数，确定所述图像获取设备对应的设备影响情况参数的具体方式，包括：
根据所述实时区域图像，基于图像角度分析算法，确定所述图像获取设备对应的当前面向角度；
根据所述当前面向角度和所述实时设备参数，基于预设的参数匹配规则，计算所述图像获取设备对应的角度异常参数；
将所述实时设备参数输入至训练好的异常预测神经网络模型中，以得到所述图像获取设备对应的参数异常预测概率；所述异常预测神经网络模型通过包括有多个训练设备参数和对应的设备异常标注的训练数据集训练得到；
计算所述角度异常参数和所述参数异常预测概率的加权求和平均值，得到所述图像获取设备对应的设备影响情况参数；其中，所述角度异常参数对应的第一权重大于所述参数异常预测概率对应的第二权重；所述第一权重和所述第二权重之和为1；所述第二权重与所述异常预测神经网络模型在验证阶段的预测准确率成正比；所述第一权重与所述参数异常预测概率的大小成正比。
作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据所述当前面向角度和所述实时设备参数，基于预设的参数匹配规则，计算所述图像获取设备对应的角度异常参数的具体方式，包括：
将所述当前面向角度输入至训练好的参数预测神经网络模型中，以得到所述当前面向角度对应的预测设备参数集合；所述参数预测神经网络模型通过包括有多个训练设备面向角度和对应的实时设备参数标注的训练数据集训练得到；
计算所述预测设备参数集合和所述实时设备参数之间的向量距离，得到所述图像获取设备对应的角度异常参数；其中，所述第一权重还与所述参数预测神经网络模型在验证阶段的预测准确率成正比。
作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块根据所述实时区域图像，和当前时间点对应的任务基准图像，确定所述目标打印任务对应的任务执行情况参数的具体方式，包括：
基于当前时间点和所述当前面向角度，从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像；所述预测任务模型图像库通过三维模拟算法对所述目标打印设备执行所述目标打印任务的不同时间点的打印模型图像进行模拟得到；
计算所述实时区域图像和所述任务基准图像之间的图像差异度；
计算所述图像差异度和所述参数异常预测概率的加权求和平均值，得到所述目标打印任务对应的任务执行情况参数；其中，所述图像差异度对应的第三权重大于所述参数异常预测概率对应的第四权重；所述第三权重和所述第四权重之和为1；所述第三权重与所述参数异常预测概率的大小成正比。
作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块基于当前时间点和所述当前面向角度，从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像的具体方式，包括：
从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的预测三维模型；
根据所述实时设备参数中设备位置，和所述当前面向角度，确定在所述预测三维模型中相对应的取景视点和取景角度；
根据所述取景视点和取景角度，沿不同取景焦距对所述预测三维模型进行取景以得到多个任务基准图像；
以及，所述第二确定模块计算所述实时区域图像和所述任务基准图像之间的图像差异度的具体方式，包括：
计算所述实时区域图像与每一所述任务基准图像之间的图像差异度参数的平均值，得到图像差异度。
作为一种可选的实施方式，在本发明第二方面中，所述判断模块根据所述设备影响情况参数和所述任务执行情况参数，判断所述目标3D打印设备是否存在打印错误的具体方式，包括：
计算所述设备影响情况参数和所述任务执行情况参数的加权求和值，得到所述目标3D打印设备的异常参数；
判断所述异常参数是否大于预设的参数阈值，以判断所述目标3D打印设备是否存在打印错误。
本发明第三方面公开了另一种基于多参数协同的3D打印监测系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于多参数协同的3D打印监测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于多参数协同的3D打印监测方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够根据用于监测打印区域的图像获取设备的实时设备参数和实时获取图像来分别计算打印设备的任务执行情况和图像获取设备的设备影响情况，以综合判断设备的打印错误，从而能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明实施例公开的一种基于多参数协同的3D打印监测方法的流程示意图；
图2是本发明实施例公开的一种基于多参数协同的3D打印监测系统的结构示意图；
图3是本发明实施例公开的另一种基于多参数协同的3D打印监测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于多参数协同的3D打印监测方法及系统，能够根据用于监测打印区域的图像获取设备的实时设备参数和实时获取图像来分别计算打印设备的任务执行情况和图像获取设备的设备影响情况，以综合判断设备的打印错误，从而能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于多参数协同的3D打印监测方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于多参数协同的3D打印监测方法可以包括以下操作：
101、在目标3D打印设备在执行目标打印任务时，通过设置在打印区域的图像获取设备，实时获取打印区域的实时区域图像以及获取图像获取设备的实时设备参数。
可选的，图像获取设备可以为摄像头，其一般设置打印区域并靠近目标3D打印设备的打印部件以对打印部件进行实时的监测。
可选的，实时设备参数包括设备当前功率、设备当前传输数据、设备当前接收数据、设备实时温度、设备实时速度和设备实时定位中的至少一种。
可选的，实时设备参数可以由图像获取设备的设备处理器进行实时的收集，并通过与设备处理器的通信来获取。
102、根据实时区域图像和实时设备参数，确定图像获取设备对应的设备影响情况参数。
103、根据实时区域图像，和当前时间点对应的任务基准图像，确定目标打印任务对应的任务执行情况参数。
104、根据设备影响情况参数和任务执行情况参数，判断目标3D打印设备是否存在打印错误，并根据判断结果执行相应的报警操作。
可选的，可以在判断到目标3D打印设备存在打印错误时执行报警操作，该报警操作可以为发送报警指令给对应的用户控制终端例如显示屏或用户移动设备，或是直接发送控制指令给声光报警装置进行报警。
可见，实施本发明实施例所描述的方法能够根据用于监测打印区域的图像获取设备的实时设备参数和实时获取图像来分别计算打印设备的任务执行情况和图像获取设备的设备影响情况，以综合判断设备的打印错误，从而能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
作为一种可选的实施例，上述步骤中的，根据实时区域图像和实时设备参数，确定图像获取设备对应的设备影响情况参数，包括：
根据实时区域图像，基于图像角度分析算法，确定图像获取设备对应的当前面向角度；
根据当前面向角度和实时设备参数，基于预设的参数匹配规则，计算图像获取设备对应的角度异常参数；
将实时设备参数输入至训练好的异常预测神经网络模型中，以得到图像获取设备对应的参数异常预测概率；异常预测神经网络模型通过包括有多个训练设备参数和对应的设备异常标注的训练数据集训练得到；
计算角度异常参数和参数异常预测概率的加权求和平均值，得到图像获取设备对应的设备影响情况参数；其中，角度异常参数对应的第一权重大于参数异常预测概率对应的第二权重；第一权重和第二权重之和为1；第二权重与异常预测神经网络模型在验证阶段的预测准确率成正比；第一权重与参数异常预测概率的大小成正比。
可选的，图像角度分析算法可以通过现有的图像配准或图像特征点识别算法来实现，或是通过训练好的神经网络算法来实现。
可选的，本发明中的神经网络模型，均可以为CNN结构、RNN结构或LTSM结构的神经网络算法模型，操作人员可以根据具体开发需求和数据特点来选择，本发明不做限定。
可选的，本发明中的权重可以根据所限定的规则，由操作人员根据实验或经验来确定，也可以通过动态规划算法或其他权重分配算法来确定，本发明在此不做限定。
通过上述实施例，能够通过对角度异常参数和参数异常预测概率的计算，以通过对图像获取设备的图像获取角度是否异常以及整体设备是否存在异常进行评估，以加权评估得到图像获取设备对应的设备影响情况参数，从而能够有效衡量图像获取设备本身在打印中被影响的情况，以在后续能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
作为一种可选的实施例，上述步骤中的，根据当前面向角度和实时设备参数，基于预设的参数匹配规则，计算图像获取设备对应的角度异常参数，包括：
将当前面向角度输入至训练好的参数预测神经网络模型中，以得到当前面向角度对应的预测设备参数集合；参数预测神经网络模型通过包括有多个训练设备面向角度和对应的实时设备参数标注的训练数据集训练得到；
计算预测设备参数集合和实时设备参数之间的向量距离，得到图像获取设备对应的角度异常参数；其中，第一权重还与参数预测神经网络模型在验证阶段的预测准确率成正比。
通过上述实施例，能够通过参数预测神经网络模型对当前面向角度对应的预测设备参数集合进行预测，再通过计算预测设备参数集合和实时设备参数之间的向量距离，得到图像获取设备对应的角度异常参数，从而能够有效衡量图像获取设备的朝向角度在打印中被影响的情况，以在后续能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
作为一种可选的实施例，上述步骤中的，根据实时区域图像，和当前时间点对应的任务基准图像，确定目标打印任务对应的任务执行情况参数，包括：
基于当前时间点和当前面向角度，从目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像；预测任务模型图像库通过三维模拟算法对目标打印设备执行目标打印任务的不同时间点的打印模型图像进行模拟得到；
计算实时区域图像和任务基准图像之间的图像差异度；
计算图像差异度和参数异常预测概率的加权求和平均值，得到目标打印任务对应的任务执行情况参数；其中，图像差异度对应的第三权重大于参数异常预测概率对应的第四权重；第三权重和第四权重之和为1；第三权重与参数异常预测概率的大小成正比。
可选的，可以通过预设的动态规划算法模型根据目标打印设备的历史打印参数和目标打印任务对应的模型数据，进行模拟打印，以得到不同时间点对应的打印模型的预测三维数据。
通过上述实施例，能够通过预测任务模型图像库确定出当前时间对应的任务基准图像以计算图像差异度，再通过计算图像差异度和参数异常预测概率的加权求和平均值，得到目标打印任务对应的任务执行情况参数，从而能够有效衡量打印任务的执行情况，以在后续能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
作为一种可选的实施例，上述步骤中的，基于当前时间点和当前面向角度，从目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像，包括：
从目标打印任务对应的预测任务模型图像库中确定出当前时间对应的预测三维模型；
根据实时设备参数中设备位置，和当前面向角度，确定在预测三维模型中相对应的取景视点和取景角度；
根据取景视点和取景角度，沿不同取景焦距对预测三维模型进行取景以得到多个任务基准图像。
相应的，上述步骤中的，计算实时区域图像和任务基准图像之间的图像差异度，包括：
计算实时区域图像与每一任务基准图像之间的图像差异度参数的平均值，得到图像差异度。
通过上述实施例，能够根据取景视点和取景角度，沿不同取景焦距对预测三维模型进行取景以得到多个任务基准图像，再通过计算实时区域图像与每一任务基准图像之间的图像差异度参数的平均值，得到图像差异度，从而能够更准确地衡量当前打印任务图像和基准之间的差异，以在后续能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
作为一种可选的实施例，上述步骤中的，根据设备影响情况参数和任务执行情况参数，判断目标3D打印设备是否存在打印错误，包括：
计算设备影响情况参数和任务执行情况参数的加权求和值，得到目标3D打印设备的异常参数；
判断异常参数是否大于预设的参数阈值，以判断目标3D打印设备是否存在打印错误。
通过上述实施例，能够计算设备影响情况参数和任务执行情况参数的加权求和值，得到目标3D打印设备的异常参数，再通过判断异常参数是否大于预设的参数阈值，以判断目标3D打印设备是否存在打印错误，从而能够更加智能和高效地对3D打印设备的打印进行监测，以减少或预防打印错误的发生，提高打印安全性。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于多参数协同的3D打印监测系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
获取模块201，用于在目标3D打印设备在执行目标打印任务时，通过设置在打印区域的图像获取设备，实时获取打印区域的实时区域图像以及获取图像获取设备的实时设备参数；
第一确定模块202，用于根据实时区域图像和实时设备参数，确定图像获取设备对应的设备影响情况参数；
第二确定模块203，用于根据实时区域图像，和当前时间点对应的任务基准图像，确定目标打印任务对应的任务执行情况参数；
判断模块204，用于根据设备影响情况参数和任务执行情况参数，判断目标3D打印设备是否存在打印错误，并根据判断结果执行相应的报警操作。
作为一种可选的实施例，实时设备参数包括设备当前功率、设备当前传输数据、设备当前接收数据、设备实时温度、设备实时速度和设备实时定位中的至少一种。
作为一种可选的实施例，第一确定模块202根据实时区域图像和实时设备参数，确定图像获取设备对应的设备影响情况参数的具体方式，包括：
根据实时区域图像，基于图像角度分析算法，确定图像获取设备对应的当前面向角度；
根据当前面向角度和实时设备参数，基于预设的参数匹配规则，计算图像获取设备对应的角度异常参数；
将实时设备参数输入至训练好的异常预测神经网络模型中，以得到图像获取设备对应的参数异常预测概率；异常预测神经网络模型通过包括有多个训练设备参数和对应的设备异常标注的训练数据集训练得到；
计算角度异常参数和参数异常预测概率的加权求和平均值，得到图像获取设备对应的设备影响情况参数；其中，角度异常参数对应的第一权重大于参数异常预测概率对应的第二权重；第一权重和第二权重之和为1；第二权重与异常预测神经网络模型在验证阶段的预测准确率成正比；第一权重与参数异常预测概率的大小成正比。
作为一种可选的实施例，第一确定模块202根据当前面向角度和实时设备参数，基于预设的参数匹配规则，计算图像获取设备对应的角度异常参数的具体方式，包括：
将当前面向角度输入至训练好的参数预测神经网络模型中，以得到当前面向角度对应的预测设备参数集合；参数预测神经网络模型通过包括有多个训练设备面向角度和对应的实时设备参数标注的训练数据集训练得到；
计算预测设备参数集合和实时设备参数之间的向量距离，得到图像获取设备对应的角度异常参数；其中，第一权重还与参数预测神经网络模型在验证阶段的预测准确率成正比。
作为一种可选的实施例，第二确定模块203根据实时区域图像，和当前时间点对应的任务基准图像，确定目标打印任务对应的任务执行情况参数的具体方式，包括：
基于当前时间点和当前面向角度，从目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像；预测任务模型图像库通过三维模拟算法对目标打印设备执行目标打印任务的不同时间点的打印模型图像进行模拟得到；
计算实时区域图像和任务基准图像之间的图像差异度；
计算图像差异度和参数异常预测概率的加权求和平均值，得到目标打印任务对应的任务执行情况参数；其中，图像差异度对应的第三权重大于参数异常预测概率对应的第四权重；第三权重和第四权重之和为1；第三权重与参数异常预测概率的大小成正比。
作为一种可选的实施例，第二确定模块203基于当前时间点和当前面向角度，从目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像的具体方式，包括：
从目标打印任务对应的预测任务模型图像库中确定出当前时间对应的预测三维模型；
根据实时设备参数中设备位置，和当前面向角度，确定在预测三维模型中相对应的取景视点和取景角度；
根据取景视点和取景角度，沿不同取景焦距对预测三维模型进行取景以得到多个任务基准图像；
以及，第二确定模块203计算实时区域图像和任务基准图像之间的图像差异度的具体方式，包括：
计算实时区域图像与每一任务基准图像之间的图像差异度参数的平均值，得到图像差异度。
作为一种可选的实施例，判断模块204根据设备影响情况参数和任务执行情况参数，判断目标3D打印设备是否存在打印错误的具体方式，包括：
计算设备影响情况参数和任务执行情况参数的加权求和值，得到目标3D打印设备的异常参数；
判断异常参数是否大于预设的参数阈值，以判断目标3D打印设备是否存在打印错误。
本发明实施例中的模块细节和技术效果可以参照实施例一中的表述，在此不再赘述。
实施例三
请参阅图3，图3是本发明实施例公开的另一种基于多参数协同的3D打印监测系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于多参数协同的3D打印监测方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于多参数协同的3D打印监测方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于多参数协同的3D打印监测方法及系统所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于多参数协同的3D打印监测方法，其特征在于，所述方法包括：
在目标3D打印设备在执行目标打印任务时，通过设置在打印区域的图像获取设备，实时获取打印区域的实时区域图像以及获取所述图像获取设备的实时设备参数；
根据所述实时区域图像和所述实时设备参数，确定所述图像获取设备对应的设备影响情况参数；
根据所述实时区域图像，和当前时间点对应的任务基准图像，确定所述目标打印任务对应的任务执行情况参数；
根据所述设备影响情况参数和所述任务执行情况参数，判断所述目标3D打印设备是否存在打印错误，并根据判断结果执行相应的报警操作。
2.根据权利要求1所述的基于多参数协同的3D打印监测方法，其特征在于，所述实时设备参数包括设备当前功率、设备当前传输数据、设备当前接收数据、设备实时温度、设备实时速度和设备实时定位中的至少一种。
3.根据权利要求2所述的基于多参数协同的3D打印监测方法，其特征在于，所述根据所述实时区域图像和所述实时设备参数，确定所述图像获取设备对应的设备影响情况参数，包括：
根据所述实时区域图像，基于图像角度分析算法，确定所述图像获取设备对应的当前面向角度；
根据所述当前面向角度和所述实时设备参数，基于预设的参数匹配规则，计算所述图像获取设备对应的角度异常参数；
将所述实时设备参数输入至训练好的异常预测神经网络模型中，以得到所述图像获取设备对应的参数异常预测概率；所述异常预测神经网络模型通过包括有多个训练设备参数和对应的设备异常标注的训练数据集训练得到；
计算所述角度异常参数和所述参数异常预测概率的加权求和平均值，得到所述图像获取设备对应的设备影响情况参数；其中，所述角度异常参数对应的第一权重大于所述参数异常预测概率对应的第二权重；所述第一权重和所述第二权重之和为1；所述第二权重与所述异常预测神经网络模型在验证阶段的预测准确率成正比；所述第一权重与所述参数异常预测概率的大小成正比。
4.根据权利要求3所述的基于多参数协同的3D打印监测方法，其特征在于，所述根据所述当前面向角度和所述实时设备参数，基于预设的参数匹配规则，计算所述图像获取设备对应的角度异常参数，包括：
将所述当前面向角度输入至训练好的参数预测神经网络模型中，以得到所述当前面向角度对应的预测设备参数集合；所述参数预测神经网络模型通过包括有多个训练设备面向角度和对应的实时设备参数标注的训练数据集训练得到；
计算所述预测设备参数集合和所述实时设备参数之间的向量距离，得到所述图像获取设备对应的角度异常参数；其中，所述第一权重还与所述参数预测神经网络模型在验证阶段的预测准确率成正比。
5.根据权利要求3所述的基于多参数协同的3D打印监测方法，其特征在于，所述根据所述实时区域图像，和当前时间点对应的任务基准图像，确定所述目标打印任务对应的任务执行情况参数，包括：
基于当前时间点和所述当前面向角度，从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像；所述预测任务模型图像库通过三维模拟算法对所述目标打印设备执行所述目标打印任务的不同时间点的打印模型图像进行模拟得到；
计算所述实时区域图像和所述任务基准图像之间的图像差异度；
计算所述图像差异度和所述参数异常预测概率的加权求和平均值，得到所述目标打印任务对应的任务执行情况参数；其中，所述图像差异度对应的第三权重大于所述参数异常预测概率对应的第四权重；所述第三权重和所述第四权重之和为1；所述第三权重与所述参数异常预测概率的大小成正比。
6.根据权利要求5所述的基于多参数协同的3D打印监测方法，其特征在于，所述基于当前时间点和所述当前面向角度，从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的任务基准图像，包括：
从所述目标打印任务对应的预测任务模型图像库中确定出当前时间对应的预测三维模型；
根据所述实时设备参数中设备位置，和所述当前面向角度，确定在所述预测三维模型中相对应的取景视点和取景角度；
根据所述取景视点和取景角度，沿不同取景焦距对所述预测三维模型进行取景以得到多个任务基准图像；
以及，所述计算所述实时区域图像和所述任务基准图像之间的图像差异度，包括：
计算所述实时区域图像与每一所述任务基准图像之间的图像差异度参数的平均值，得到图像差异度。
7.根据权利要求1所述的基于多参数协同的3D打印监测方法，其特征在于，所述根据所述设备影响情况参数和所述任务执行情况参数，判断所述目标3D打印设备是否存在打印错误，包括：
计算所述设备影响情况参数和所述任务执行情况参数的加权求和值，得到所述目标3D打印设备的异常参数；
判断所述异常参数是否大于预设的参数阈值，以判断所述目标3D打印设备是否存在打印错误。
8.一种基于多参数协同的3D打印监测系统，其特征在于，所述系统包括：
获取模块，用于在目标3D打印设备在执行目标打印任务时，通过设置在打印区域的图像获取设备，实时获取打印区域的实时区域图像以及获取所述图像获取设备的实时设备参数；
第一确定模块，用于根据所述实时区域图像和所述实时设备参数，确定所述图像获取设备对应的设备影响情况参数；
第二确定模块，用于根据所述实时区域图像，和当前时间点对应的任务基准图像，确定所述目标打印任务对应的任务执行情况参数；
判断模块，用于根据所述设备影响情况参数和所述任务执行情况参数，判断所述目标3D打印设备是否存在打印错误，并根据判断结果执行相应的报警操作。
9.一种基于多参数协同的3D打印监测系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于多参数协同的3D打印监测方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于多参数协同的3D打印监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311697128.3A CN117392471B (zh) | 2023-12-12 | 2023-12-12 | 基于多参数协同的3d打印监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311697128.3A CN117392471B (zh) | 2023-12-12 | 2023-12-12 | 基于多参数协同的3d打印监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117392471A true CN117392471A (zh) | 2024-01-12 |
| CN117392471B CN117392471B (zh) | 2024-03-26 |
Family
ID=89465217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311697128.3A Active CN117392471B (zh) | 2023-12-12 | 2023-12-12 | 基于多参数协同的3d打印监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392471B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150301517A1 (en) * | 2014-04-18 | 2015-10-22 | Xyzprinting, Inc. | Three dimensional printing apparatus and method for detecting printing anomaly |
| KR20170010140A (ko) * | 2015-07-15 | 2017-01-26 | 포텍마이크로시스템(주) | 3d 프린터 정상 출력 검증 장치 |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| US20190086899A1 (en) * | 2017-09-21 | 2019-03-21 | Hangzhou Regenovo Biotechnology Co., Ltd. | On-line Monitoring Method and System for Three-dimensional Printing |
| CN111016181A (zh) * | 2018-10-09 | 2020-04-17 | 深圳市七号科技有限公司 | 打印监控系统及方法 |
| US20220152935A1 (en) * | 2020-11-16 | 2022-05-19 | International Business Machines Corporation | Real-time monitoring of additive manufacturing |
| CN115081040A (zh) * | 2022-06-15 | 2022-09-20 | 西安增材制造国家研究院有限公司 | 一种激光熔丝金属增材制造在线监测装置及方法 |
| CN115165894A (zh) * | 2022-06-22 | 2022-10-11 | 广东工业大学 | 一种激光增材制造在线检测方法 |
| CN115239645A (zh) * | 2022-07-05 | 2022-10-25 | 深圳胜马优创科技有限公司 | 3d打印异常检测方法、装置、设备及存储介质 |
| CN115816834A (zh) * | 2023-02-20 | 2023-03-21 | 常熟理工学院 | 用于打印机打印质量实时监测的方法及系统 |
| CN116766806A (zh) * | 2022-03-09 | 2023-09-19 | 森大（深圳）技术有限公司 | 基于图像实时纠偏的打印方法、装置、设备及存储介质 |
-
2023
- 2023-12-12 CN CN202311697128.3A patent/CN117392471B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150301517A1 (en) * | 2014-04-18 | 2015-10-22 | Xyzprinting, Inc. | Three dimensional printing apparatus and method for detecting printing anomaly |
| KR20170010140A (ko) * | 2015-07-15 | 2017-01-26 | 포텍마이크로시스템(주) | 3d 프린터 정상 출력 검증 장치 |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| US20190086899A1 (en) * | 2017-09-21 | 2019-03-21 | Hangzhou Regenovo Biotechnology Co., Ltd. | On-line Monitoring Method and System for Three-dimensional Printing |
| CN111016181A (zh) * | 2018-10-09 | 2020-04-17 | 深圳市七号科技有限公司 | 打印监控系统及方法 |
| US20220152935A1 (en) * | 2020-11-16 | 2022-05-19 | International Business Machines Corporation | Real-time monitoring of additive manufacturing |
| CN116766806A (zh) * | 2022-03-09 | 2023-09-19 | 森大（深圳）技术有限公司 | 基于图像实时纠偏的打印方法、装置、设备及存储介质 |
| CN115081040A (zh) * | 2022-06-15 | 2022-09-20 | 西安增材制造国家研究院有限公司 | 一种激光熔丝金属增材制造在线监测装置及方法 |
| CN115165894A (zh) * | 2022-06-22 | 2022-10-11 | 广东工业大学 | 一种激光增材制造在线检测方法 |
| CN115239645A (zh) * | 2022-07-05 | 2022-10-25 | 深圳胜马优创科技有限公司 | 3d打印异常检测方法、装置、设备及存储介质 |
| CN115816834A (zh) * | 2023-02-20 | 2023-03-21 | 常熟理工学院 | 用于打印机打印质量实时监测的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117392471B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH11338848A (ja) | データ異常検出装置 | |
| CN112975983B (zh) | 作业机械的动臂矫正方法及装置 | |
| CN113963033B (zh) | 一种基于人工智能的电力设备异常检测方法和系统 | |
| CN116304250B (zh) | 一种基于可视化操作的智能规则引擎管理方法及系统 | |
| CN117006002B (zh) | 基于数字孪生的海上风力发电机监测方法及系统 | |
| JP5061744B2 (ja) | 状況解析システムおよび状況解析方法 | |
| WO2018103024A1 (zh) | 智能导盲方法和装置 | |
| WO2021064144A1 (en) | Method and system for continuous estimation and representation of risk | |
| CN117227177B (zh) | 基于设备间监督的多任务打印控制方法及系统 | |
| CN117392471B (zh) | 基于多参数协同的3d打印监测方法及系统 | |
| CN114154915A (zh) | 一种用于电力设备风险管控的数据处理方法及装置 | |
| CN116245492B (zh) | 一种用于跟踪工程进度的数据处理方法及装置 | |
| KR102603276B1 (ko) | Xr 기반의 감리 보조 장치, 방법 및 프로그램 | |
| CN115057365A (zh) | 一种抓斗卸船机自动作业在线监测系统及方法 | |
| CN113641720A (zh) | 一种数据处理方法、装置、计算机设备及可读存储介质 | |
| CN117475367B (zh) | 基于多规则协调的污水图像处理方法及系统 | |
| CN117465001B (zh) | 基于多模型预测结果的3d打印控制方法及系统 | |
| CN115206042B (zh) | 工控安全的智能化监测方法、装置、设备及介质 | |
| US20230305551A1 (en) | Method and system for automated fault detection | |
| CN118037046A (zh) | 基于历史记录的资产数据处理方法及系统 | |
| US20240153274A1 (en) | Artificial intelligence enabled distance event detection using image analysis | |
| CN117671592A (zh) | 危险行为检测方法、装置、电子设备和存储介质 | |
| CN116302773A (zh) | 一种烧结设备的故障监测方法及装置 | |
| CN117788585A (zh) | 一种电力安全围栏越界检测方法、系统、设备和介质 | |
| KR20220008153A (ko) | 관제 영상에서의 이벤트 발생 예측 방법 및 장치 |
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 |