CN117474920A - 打印缺陷的识别方法、装置、设备及存储介质 - Google Patents
打印缺陷的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117474920A CN117474920A CN202311815735.5A CN202311815735A CN117474920A CN 117474920 A CN117474920 A CN 117474920A CN 202311815735 A CN202311815735 A CN 202311815735A CN 117474920 A CN117474920 A CN 117474920A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- printing
- processed
- data set
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000007639 printing Methods 0.000 claims abstract description 168
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000013441 quality evaluation Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000000638 solvent extraction Methods 0.000 claims description 17
- 238000012417 linear regression Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000007787 solid Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 36
- 238000004519 manufacturing process Methods 0.000 description 25
- 230000008859 change Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000011229 interlayer Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 230000037303 wrinkles 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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及缺陷识别技术领域,公开了一种打印缺陷的识别方法、装置、设备及存储介质。所述方法包括:对目标打印区域进行扫描,得到多个打印区域扫描结果以及进行点云数据转换,得到点云数据集合;对点云数据集合进行时序特征分析,得到时序特征并进行数据划分,得到多个待处理点云数据集合;进行三维映射,得到三维实体模型集;分别对每一待处理点云数据集合对应的三维实体模型集进行单一实体识别,得到与每一待处理点云数据集合对应的至少一个单一实体模型;将与每一待处理点云数据集合对应的至少一个单一实体模型输入打印缺陷识别模型进行打印缺陷识别,得到打印缺陷识别结果,本申请提高了打印缺陷的识别准确率。
Description
技术领域
本申请涉及缺陷识别技术领域,尤其涉及一种打印缺陷的识别方法、装置、设备及存储介质。
背景技术
随着UV浮雕打印技术的不断发展,打印过程中出现的缺陷问题也逐渐引起了研究人员的关注。打印缺陷包括材料不均匀、层间粘结不良、表面光滑度不佳等,这些缺陷会导致制造品质不稳定,甚至影响产品的性能和安全。因此,开发一种高效且准确的打印缺陷识别方法对于提高制造质量和生产效率至关重要。
然而,目前的打印缺陷识别方法存在一些挑战。传统的检测方法通常依赖于人工检查或简单的图像处理技术,这些方法不仅费时费力,而且容易出现误判。其次,UV浮雕打印制造过程中生成的数据量庞大,如何高效地处理和分析这些数据也是一个问题。此外,打印缺陷的类型和形状多种多样,需要一种通用的方法来识别不同类型的缺陷。
发明内容
本申请提供了一种打印缺陷的识别方法、装置、设备及存储介质,用于提高了打印缺陷的识别准确率。
第一方面,本申请提供了一种打印缺陷的识别方法,所述打印缺陷的识别方法包括:
基于预置的时间区间调用一个或多个图像采集终端,并通过所述图像采集终端按照预设的数据采集深度区间对目标打印区域进行扫描,得到多个打印区域扫描结果,以及根据所述多个打印区域扫描结果进行点云数据转换,得到点云数据集合;
基于预设的时刻节点选取对应的数据划分规则,并根据所述数据划分规则对所述点云数据集合进行时序特征分析,得到所述点云数据集合对应的时序特征,并通过所述时序特征进行数据划分,得到多个待处理点云数据集合;
对每一所述待处理点云数据集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集;
分别对每一所述待处理点云数据集合对应的三维实体模型集进行单一实体识别,得到与每一所述待处理点云数据集合对应的至少一个单一实体模型;
将与每一所述待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型进行打印缺陷识别,得到打印缺陷识别结果。
第二方面,本申请提供了一种打印缺陷的识别装置,所述打印缺陷的识别装置包括:
扫描模块,用于基于预置的时间区间调用一个或多个图像采集终端,并通过所述图像采集终端按照预设的数据采集深度区间对目标打印区域进行扫描,得到多个打印区域扫描结果,以及根据所述多个打印区域扫描结果进行点云数据转换,得到点云数据集合;
分析模块,用于基于预设的时刻节点选取对应的数据划分规则,并根据所述数据划分规则对所述点云数据集合进行时序特征分析,得到所述点云数据集合对应的时序特征,并通过所述时序特征进行数据划分,得到多个待处理点云数据集合;
映射模块,用于对每一所述待处理点云数据集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集;
实体识别模块,用于分别对每一所述待处理点云数据集合对应的三维实体模型集进行单一实体识别,得到与每一所述待处理点云数据集合对应的至少一个单一实体模型;
缺陷识别模块,用于将与每一所述待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型进行打印缺陷识别,得到打印缺陷识别结果。
本申请第三方面提供了一种打印缺陷的识别设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述打印缺陷的识别设备执行上述的打印缺陷的识别方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的打印缺陷的识别方法。
本申请提供的技术方案中,通过预置的时间区间和数据划分规则对点云数据进行时序特征分析,从而实现了对大量数据的高效处理和分析。这有助于提高生产效率和制造质量控制的准确性。通过单一实体识别和打印质量缺陷识别,可以识别多种不同类型的打印缺陷,包括实体轮廓、打印轨迹等各种出现的问题,使其成为一种通用的缺陷检测方法。通过对待处理点云数据集合进行三维映射,该方法生成了与每个点云数据集合对应的三维实体模型集,这有助于操作员更直观地了解打印缺陷的位置和形状,以便及时采取纠正措施。通过将三维实体模型输入打印缺陷识别模型进行打印缺陷识别,该方法结合了轨迹分析和打印质量缺陷识别,提供了更准确的缺陷检测结果,有助于避免制造过程中的问题并提高产品质量。可以识别各种类型的打印缺陷,包括材料不均匀、层间粘结不良、表面光滑度问题等。这使其适用于不同领域和应用的打印制造过程,提供了广泛的适用性。通过对点云数据的详细分析和三维映射,该方法能够提供高度准确的缺陷识别结果。这有助于降低制造中的次品率,提高产品的质量和可靠性。基于预设的时间区间进行扫描和分析,使得可以实时监测制造过程中的缺陷并及时采取措施进行修复。这有助于在制造过程中及时纠正问题,减少废品的产生,进而提高了打印缺陷的识别准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,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,还可以基于这些附图获得其他的附图。
图1为本申请实施例中打印缺陷的识别方法的一个实施例示意图;
图2为本申请实施例中打印缺陷的识别装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种打印缺陷的识别方法、装置、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中打印缺陷的识别方法的一个实施例包括:
步骤S101、基于预置的时间区间调用一个或多个图像采集终端,并通过图像采集终端按照预设的数据采集深度区间对目标打印区域进行扫描,得到多个打印区域扫描结果,以及根据多个打印区域扫描结果进行点云数据转换,得到点云数据集合;
可以理解的是,本申请的执行主体可以为打印缺陷的识别装置,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,设计并部署一个高精度的图像采集系统。这个系统包含多个图像采集终端,如高分辨率的摄像头,这些摄像头可以安装在打印机的关键位置上,以全面捕捉打印过程中的细节。系统中的每个摄像头都应与一个中央控制单元相连,该单元负责根据预定的时间区间自动激活相应的图像采集终端。在图像采集过程中,中央控制单元将根据预设的数据采集深度区间指导摄像头对目标打印区域进行扫描。这个数据采集深度区间是根据打印材料的特性和打印机的工作方式事先设定的,确保采集到的图像数据既能反映出打印区域的细节,又能覆盖足够的深度范围,从而捕捉到潜在的打印缺陷。例如,如果目标是检测墨迹分布的不均匀性,摄像头就需要调整到能够精确捕捉墨迹厚度的分辨率。采集到的图像数据随后被传输到一个数据处理单元,该单元负责将这些二维图像数据转换成点云数据。点云数据转换过程中,每个图像像素点都将被转换成具有三维空间坐标的点,从而形成一个详细的三维数据集合。这个转换过程需要使用图像处理技术,如立体视觉算法,以确保转换后的点云数据能够准确地反映原始打印区域的空间特征。
步骤S102、基于预设的时刻节点选取对应的数据划分规则,并根据数据划分规则对点云数据集合进行时序特征分析,得到点云数据集合对应的时序特征,并通过时序特征进行数据划分,得到多个待处理点云数据集合;
具体的,获取时刻节点并根据时刻节点进行规则生成,得到数据划分规则。基于打印机的历史运行数据或者实时监测数据,通过分析这些数据,服务器确定关键的时刻节点,例如打印开始、颜色变换、图案更换或打印结束等。这些时刻节点是数据划分规则生成的基础,因为它们代表了打印过程中发生缺陷的关键时期。根据这些时刻节点,开发出一套数据划分规则。这些规则旨在将点云数据集合划分为更小的子集,每个子集对应于打印过程中的一个特定阶段。例如,服务器将数据划分为与打印机加热、喷墨、纸张进给等不同阶段相对应的子集。这样的划分使得可以对每个阶段的打印质量进行独立评估。时序特征分析的核心是识别点云数据集合中随时间变化的模式。通过数据分析技术,如时间序列分析或机器学习算法,来处理点云数据。通过这些分析,服务器识别出与特定打印阶段相关的特定特征,如墨迹密度的变化、纸张位置的偏差等。这些时序特征是后续数据划分的关键依据。利用从时序特征分析中获得的信息,将点云数据集合进一步细分为多个待处理的子集合。每个子集合都与打印过程中的特定时刻或阶段相关联,并包含了对应阶段的全面三维数据信息。
步骤S103、对每一待处理点云数据集合进行三维映射,得到与每一待处理点云数据集合对应的三维实体模型集;
具体的,分别对每个待处理点云数据集合进行点云坐标分析,确定各点在空间中的确切位置。这一分析不仅包括点云中每个点的X、Y、Z坐标,还涉及对这些点之间相互关系的理解,例如点与点之间的距离和分布模式。通过这样的分析,构建出一个完整的坐标集合。随后,对坐标集合中的每一坐标进行深度真值估计。深度真值估计对每个点云数据点的深度信息进行估算。采用图像处理和计算机视觉算法,例如立体匹配技术或深度学习方法,以确定每个点相对于观察者的深度位置。通过这样的深度真值估计,可以得到一个估计深度真值集合,这个集合提供了每个点云数据点在三维空间中的确切位置信息。依据所得到的估计深度真值集合,对每个待处理点云数据集合进行三维映射。这一映射过程将点云数据转化为三维实体模型。在这一过程中,点云数据将被转换成具有实际几何形状和体积的三维模型。为了实现这一转换,可以采用各种三维建模技术,如体素化、曲面重建或基于网格的方法。通过精确的三维映射,每个点云数据集合将被转换为一个对应的三维实体模型集,这些模型集能够准确地反映打印区域的物理特征和存在的缺陷。
步骤S104、分别对每一待处理点云数据集合对应的三维实体模型集进行单一实体识别,得到与每一待处理点云数据集合对应的至少一个单一实体模型;
具体的,分别对每一所述待处理点云数据集合对应的三维实体模型集进行实体轮廓分析,识别出每个三维实体模型的外轮廓,这些外轮廓是理解每个模型的关键特征。在这个过程中,采用图像处理和模式识别技术来分析这些三维模型的几何特征,如边缘、角点和曲线。这些特征有助于理解每个模型的形状和结构。通过这样的分析,可以从每个三维实体模型集中提取出至少一个实体轮廓,这些轮廓代表了模型集中的关键几何信息。对与每一待处理点云数据集合对应的三维实体模型集对应的至少一个实体轮廓进行单一实体识别,以识别出独立的单一实体模型。通过计算机视觉和机器学习技术,如深度学习和聚类算法,帮助服务器理解和区分每个实体轮廓内的独特特征,如形状、大小和纹理。通过这样的分析,服务器能够从每个实体轮廓中识别出至少一个单一实体模型,这些模型代表了原始点云数据集中的关键结构和特征。
步骤S105、将与每一待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型进行打印缺陷识别,得到打印缺陷识别结果。
具体的,将与每一待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型,这个模型包含了用于分析打印轨迹的轨迹线性回归网络。这个网络的作用是对单一实体模型进行轨迹分析,以确定其对应的实体轨迹。模型会分析打印头的移动路径、速度和加速度等因素,以便准确地描绘出打印过程中的实际轨迹。这种轨迹分析有助于识别打印过程中出现的偏差,因为任何轨迹上的异常都指示出潜在的打印缺陷。对实体轨迹进行分段处理,将其分解为多个部分,以便对每段轨迹进行更详细的分析。计算每段轨迹的区间速度,识别打印过程中的速度变化,这些速度变化与打印质量下降有关。通过这样的分析,服务器识别出打印过程中的速度不均匀性,这是打印缺陷常见的原因之一。对这些区间速度进行线性回归处理,以得到一个目标速度。这个目标速度反映了打印过程中的理想速度,任何显著偏离这一速度的情况都指示出潜在的打印轨迹缺陷。基于这个目标速度,服务器将进行打印轨迹缺陷分析,生成第一缺陷识别结果。这个结果将揭示打印过程中轨迹相关的问题,如打印头的停顿或加速过快等。随后,通过打印缺陷识别模型中的打印质量缺陷识别网络,对至少一个单一实体模型进行打印质量缺陷识别,生成第二缺陷识别结果。这个网络专门用于识别与打印质量相关的缺陷,如墨迹分布不均、颜色失真等。根据第一缺陷识别结果和第二缺陷识别结果,生成综合的打印缺陷识别结果。这个结果将提供全面的信息,涵盖从打印轨迹到打印质量的各种的缺陷。
通过打印缺陷识别模型中的打印质量缺陷识别网络获取单一实体模型的区域中心数据。这些数据是分析打印质量的基础,包括模型中心点和边缘点的位置信息。接着,根据这些区域中心数据生成打印区域分割点集,这个点集包括至少一个中心区域点位及多个边缘区域点位。这些点位代表了打印模型的关键区域。根据打印区域分割点集计算至少一个中心区域点位的第一分割区域以及每个边缘区域点位的第二分割区域。这个计算过程旨在确定打印模型的关键分割区域,以便于进行更详细的质量评估。接着,对这些分割区域进行交并比计算,得到交并比数据集。交并比数据集提供了不同区域之间的相对比较,有助于识别打印质量的不均匀性。根据得到的交并比数据集,对中心区域点位及边缘区域点位进行打印质量评价区域提取,得到至少一个中心打印质量评价区域及多个边缘打印质量评价区域。这可以区分打印模型中不同质量区域。随后,对这些评价区域进行单独的打印质量缺陷识别,分别得到中心缺陷识别结果和边缘缺陷识别结果。这些识别结果将详细反映出打印模型中心与边缘的质量状况。之后,为了生成综合的第二缺陷识别结果,对中心与边缘的缺陷识别结果进行融合。这一融合过程考虑了模型的整体质量,以及中心和边缘区域的相对重要性。进一步,通过获取轨迹线性回归网络和打印质量缺陷识别网络的网络权重数据,对第一和第二缺陷识别结果进行加权分析,分别得到第一和第二加权识别结果。对这两个加权识别结果进行结果组合,得到最终的打印缺陷识别结果。这个结果是基于模型的整体分析得出的,综合考虑了打印轨迹和打印质量两方面的因素。
本申请实施例中,通过预置的时间区间和数据划分规则对点云数据进行时序特征分析,从而实现了对大量数据的高效处理和分析。这有助于提高生产效率和制造质量控制的准确性。通过单一实体识别和打印质量缺陷识别,可以识别多种不同类型的打印缺陷,包括实体轮廓、打印轨迹等各种出现的问题,使其成为一种通用的缺陷检测方法。通过对待处理点云数据集合进行三维映射,该方法生成了与每个点云数据集合对应的三维实体模型集,这有助于操作员更直观地了解打印缺陷的位置和形状,以便及时采取纠正措施。通过将三维实体模型输入打印缺陷识别模型进行打印缺陷识别,该方法结合了轨迹分析和打印质量缺陷识别,提供了更准确的缺陷检测结果,有助于避免制造过程中的问题并提高产品质量。可以识别各种类型的打印缺陷,包括材料不均匀、层间粘结不良、表面光滑度问题等。这使其适用于不同领域和应用的打印制造过程,提供了广泛的适用性。通过对点云数据的详细分析和三维映射,该方法能够提供高度准确的缺陷识别结果。这有助于降低制造中的次品率,提高产品的质量和可靠性。基于预设的时间区间进行扫描和分析,使得可以实时监测制造过程中的缺陷并及时采取措施进行修复。这有助于在制造过程中及时纠正问题,减少废品的产生,进而提高了打印缺陷的识别准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)获取时刻节点并根据时刻节点进行规则生成,得到数据划分规则;
(2)根据数据划分规则对点云数据集合进行时序特征分析,得到点云数据集合对应的时序特征,并通过时序特征进行数据划分,得到多个待处理点云数据集合。
具体的,获取时刻节点,识别出打印过程中的关键时刻,这些时刻与特定的打印事件或阶段相对应。例如,一个打印任务可以分为准备阶段、打印开始、颜色变换、图案更换以及打印结束等时刻节点。这些时刻节点的识别可以通过分析打印机的运行日志、实时监控数据或者预设的打印任务计划来实现。之后,根据时刻节点生成数据划分规则。例如,将打印任务的整个时长划分为与这些时刻节点相对应的多个时间段,每个时间段内的数据将被视为一个独立的子集,用于后续的分析。接着,对点云数据集合进行时序特征分析。点云数据集合是由打印过程中的图像采集系统生成的,其中包含了大量的空间信息,例如每个点的位置、密度以及与其他点的相对关系。时序特征分析的目的是理解这些空间信息随时间的变化模式。为此,采用时间序列分析方法,如自回归模型、滑动窗口技术或者深度学习中的循环神经网络,来分析在不同时间段内点云数据的变化特征。例如,会发现在打印颜色变换阶段,点云数据的密度和分布模式出现了显著变化,这是由于墨水流量的调整或打印头的速度变化引起的。通过时序特征分析,服务器得到点云数据集合对应的时序特征。这些特征为服务器提供了关于打印过程中数据变化的重要信息。基于这些时序特征,服务器进一步对点云数据进行划分,得到多个待处理的点云数据集合。这种数据划分是基于时间序列分析结果的,它可以帮助服务器更准确地定位到存在打印缺陷的时间段和区域。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)分别对每一待处理点云数据集合进行点云坐标分析,确定坐标集合;
(2)对坐标集合中每一坐标进行深度真值估计,得到对应的估计深度真值集合;
(3)通过估计深度真值集合对每一待处理点云数据集合进行三维映射,得到与每一待处理点云数据集合对应的三维实体模型集。
具体的,对每个待处理的点云数据集合进行坐标分析,确定每个点在空间中的准确位置。点云数据本质上是一系列点的集合,每个点包含有关其在空间中位置的信息,通常以X、Y和Z坐标的形式表示。在这个分析过程中,每个点的位置数据被提取出来,形成一个完整的坐标集合。这个集合是构建三维模型的基础,因为它提供了每个点在三维空间中的确切位置。接着,对坐标集合中的每个坐标进行深度真值估计。深度真值指的是每个点相对于观察者的真实深度。通过算法,例如立体匹配、基于机器学习的深度估计或其他计算机视觉技术进行深度真值估计。这些技术可以分析点云数据,并估算出每个点的深度信息。深度真值估计的结果是一个估计深度真值集合,这个集合包含了每个点云数据点的深度信息。通过估计的深度真值集合,对每个待处理点云数据集合进行三维映射,以生成相应的三维实体模型集。三维映射是一个将点云数据转化为三维几何实体的过程。这通常涉及到数学和计算机图形学算法,如三维重建、体素化或表面重建技术。通过这些技术,可以将点云数据转换成具有实际几何形状的三维实体模型,这些模型可以用于进一步的分析和处理。
在一具体实施例中,执行步骤通过估计深度真值集合进行三维映射,得到与每一待处理点云数据集合对应的三维实体模型集的过程可以具体包括如下步骤:
(1)通过估计深度真值集合对每一待处理点云数据集合进行点云赋值,得到赋值后的点云数据集合;
(2)对赋值的点云数据集合进行相邻数据拟合处理,得到数据拟合后的点云数据集合;
(3)通过数据拟合后的点云数据集合进行三维映射,得到与每一待处理点云数据集合对应的三维实体模型集。
具体的,通过估计深度真值集合对每一待处理点云数据集合进行点云赋值。深度真值集合提供了每个点在空间中的精确位置,通过这样的估计,每一待处理的点云数据集合被赋予新的值,从而得到赋值后的点云数据集合。利用深度学习模型来估计每个点的深度信息,或者使用传统的计算机视觉技术来近似这些值。对赋值的点云数据集合进行相邻数据拟合处理,改善点云数据的连续性和一致性,以便更好地表示物理世界中的对象。数据拟合处理通常包括去除噪声点、填补空缺区域以及平滑数据点之间的过渡。这些处理都是为了获得更加清晰和准确的三维数据表示,以确保最终生成的三维模型与真实世界尽相符。通过数据拟合后的点云数据集合进行三维映射,从而获得与每一待处理点云数据集合对应的三维实体模型集。三维映射的目的是将点云数据转换成为可视化的三维模型,这使得服务器更直观地理解和分析数据。这一过程涉及到将点云中的每个点转换为三维空间中的一个实体,并且利用这些点之间的关系来构建出整个模型,从原始的点云数据中获得详细的三维结构信息,从而生成高质量的三维实体模型。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)分别对每一待处理点云数据集合对应的三维实体模型集进行实体轮廓分析,得到与每一待处理点云数据集合对应的三维实体模型集对应的至少一个实体轮廓;
(2)对与每一待处理点云数据集合对应的三维实体模型集对应的至少一个实体轮廓进行单一实体识别,得到与每一待处理点云数据集合对应的至少一个单一实体模型。
具体的,分别对每一待处理点云数据集合对应的三维实体模型集进行实体轮廓分析,从点云数据中提取出实体的轮廓。通过图像处理和计算几何技术,将点云数据转化为具有明确边界和形状的三维实体。通过这种分析,可以获得与每个待处理点云数据集合对应的至少一个三维实体模型的轮廓。实体轮廓的识别和提取需要从大量的点中区分出哪些点组成了实体的边界。这通常涉及到应用边缘检测算法,以及使用形状识别技术来确定实体的外形。接着,进行单一实体识别,从实体轮廓中识别出单独的实体,并构建与每个待处理点云数据集合对应的单一实体模型。这意味着要从整个打印区域的三维数据中区分出单独的缺陷,如墨迹溢出、纸张褶皱或其他类型的打印错误。单一实体识别涉及到使用机器学习算法,例如深度学习方法,这些方法能够从复杂的数据中学习到识别单独实体的模式。通过训练这些算法来识别不同类型的打印缺陷,可以有效地从点云数据中分离出单个缺陷的模型。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将与每一待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型;
(2)通过打印缺陷识别模型中的轨迹线性回归网络,对至少一个单一实体模型进行轨迹分析,确定对应的实体轨迹;
(3)对实体轨迹进行分段处理,得到多段实体轨迹,并对多段实体轨迹进行区间速度计算,得到对应的多个区间速度;
(4)对多个区间速度进行线性回归处理,得到目标速度,并根据目标速度进行打印轨迹缺陷分析,得到第一缺陷识别结果;
(5)通过打印缺陷识别模型中的打印质量缺陷识别网络,对至少一个单一实体模型进行打印质量缺陷识别,得到第二缺陷识别结果,并根据第一缺陷识别结果以及第二缺陷识别结果生成对应的打印缺陷识别结果。
具体的,将与每一待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型。通过轨迹线性回归网络,对单一实体模型进行轨迹分析。在这个过程中,网络会确定对应实体的运动轨迹。例如,如果实体是打印机头的模型,网络会分析其在打印过程中的移动路径。通过这种分析,可以识别出打印机头移动中出现的任何异常,比如速度的不均匀变化或者移动轨迹的突然改变,这些都是造成打印缺陷的原因。对实体轨迹进行分段处理,将整个轨迹分解成多个部分,然后对每一部分进行独立的分析,更准确地识别轨迹中的特定模式或异常。在每个轨迹段上,计算出区间速度,获得不同段落中打印机头移动的速度变化。通过这些速度的变化,可以更好地理解打印过程中发生的问题。对这些多个区间速度进行线性回归处理,以得出目标速度。线性回归是一种统计方法,用于分析变量间的关系,用于从不同速度数据中提取出整体的速度趋势。之后,根据目标速度进行打印轨迹缺陷分析。这个分析过程可以帮助服务器识别出由于速度异常引起的缺陷,比如墨水不均匀分布或者纸张上的条纹。接着,通过打印缺陷识别模型中的打印质量缺陷识别网络,对单一实体模型进行打印质量缺陷识别。这个网络专注于分析打印结果的质量,例如颜色的一致性、墨水的分布以及打印纸张的平整度等。它通过对这些因素的综合分析,能够识别出由于材料或设备故障等原因造成的打印质量问题。结合第一缺陷识别结果和第二缺陷识别结果,生成对应的综合打印缺陷识别结果。这个结果不仅包括了由于打印机头轨迹异常造成的缺陷,也涵盖了由于材料或设备故障引起的质量问题。通过这种综合分析,可以更全面地了解和识别整个打印过程中的各种潜在问题,从而为改进打印技术和提高打印质量提供关键的信息。
在一具体实施例中,执行步骤通过打印缺陷识别模型中的打印质量缺陷识别网络,对至少一个单一实体模型进行打印质量缺陷识别,得到第二缺陷识别结果,并根据第一缺陷识别结果以及第二缺陷识别结果生成对应的打印缺陷识别结果的过程可以具体包括如下步骤:
(1)通过打印缺陷识别模型中的打印质量缺陷识别网络,获取至少一个单一实体模型的区域中心数据;
(2)根据区域中心数据生成打印区域分割点集,其中,打印区域分割点集包括:至少一个中心区域点位以及多个边缘区域点位;
(3)根据打印区域分割点集计算至少一个中心区域点位的第一分割区域以及每个边缘区域点位的第二分割区域;
(4)对至少一个中心区域点位的第一分割区域和每个边缘区域点位的第二分割区域进行交并比计算,得到交并比数据集;
(5)根据交并比数据集对至少一个中心区域点位以及多个边缘区域点位进行打印质量评价区域提取,得到至少一个中心打印质量评价区域以及多个边缘打印质量评价区域;
(6)对至少一个中心打印质量评价区域进行打印质量缺陷识别,得到中心缺陷识别结果,并对多个边缘打印质量评价区域进行打印质量缺陷识别,得到多个边缘缺陷识别结果;
(7)对中心缺陷识别结果以及多个边缘缺陷识别结果进行缺陷识别结果融合,得到第二缺陷识别结果;
(8)获取轨迹线性回归网络的第一网络权重数据,并获取打印质量缺陷识别网络的第二网络权重数据;
(9)根据第一网络权重数据对第一缺陷识别结果进行加权分析,得到第一加权识别结果,并根据第二网络权重数据对第二缺陷识别结果进行加权分析,得到第二加权识别结果;
(10)对第一加权识别结果以及第二加权识别结果进行结果组合,得到对应的打印缺陷识别结果。
具体的,通过打印质量缺陷识别网络获取至少一个单一实体模型的区域中心数据,区域中心数据包括中心区域点位和多个边缘区域点位,这些点位是根据打印物体的几何特性和打印过程中的数据分布计算得出的。生成打印区域分割点集。这个分割点集包括至少一个中心区域点位和多个边缘区域点位,这些点位的选择基于区域中心数据,以确保对打印区域的全面覆盖和细致分析。根据这些分割点集,计算出至少一个中心区域点位的第一分割区域和每个边缘区域点位的第二分割区域。这种分割方法允许对打印区域进行更细致的划分,以便更精确地识别和分析不同区域的打印质量。随后,对这些分割区域进行交并比计算,得到一个交并比数据集。交并比是一种常用于图像处理和计算机视觉领域的度量,它可以有效地评估和比较不同区域之间的重叠和分离情况。在打印缺陷识别中,通过计算交并比,可以更准确地判断不同区域的打印质量,并识别出潜在的缺陷区域。基于交并比数据集对至少一个中心区域点位以及多个边缘区域点位进行打印质量评价区域提取,确定哪些区域需要进行详细的缺陷分析。通过这种方法,可以得到至少一个中心打印质量评价区域和多个边缘打印质量评价区域。对这些区域进行详细的打印质量缺陷识别。对中心打印质量评价区域进行分析,以识别出中心区域的缺陷,得到中心缺陷识别结果。之后,对多个边缘打印质量评价区域进行同样的分析,以识别出边缘区域的缺陷,得到多个边缘缺陷识别结果。随后,进行缺陷识别结果的融合,得到第二缺陷识别结果。这个融合过程是为了综合考虑整个打印区域的缺陷情况,以提供一个全面的缺陷评估。同时,为了提高识别结果的准确性和可靠性,获取轨迹线性回归网络的第一网络权重数据以及打印质量缺陷识别网络的第二网络权重数据。这些权重数据是网络在训练过程中学习到的,代表了不同特征对缺陷识别的重要性。根据第一网络权重数据对第一缺陷识别结果进行加权分析,得到第一加权识别结果。这个加权分析是为了根据网络权重调整缺陷识别结果的重要性,以提高分析的准确性。同样地,根据第二网络权重数据对第二缺陷识别结果进行加权分析,得到第二加权识别结果。对这两个加权识别结果进行结果组合,以得到最终的打印缺陷识别结果。这个结果是通过综合考虑轨迹分析和打印质量分析得出的,能够全面反映打印过程中的各种潜在缺陷。
上面对本申请实施例中打印缺陷的识别方法进行了描述,下面对本申请实施例中打印缺陷的识别装置进行描述,请参阅图2,本申请实施例中打印缺陷的识别装置一个实施例包括:
扫描模块201,用于基于预置的时间区间调用一个或多个图像采集终端,并通过所述图像采集终端按照预设的数据采集深度区间对目标打印区域进行扫描,得到多个打印区域扫描结果,以及根据所述多个打印区域扫描结果进行点云数据转换,得到点云数据集合;
分析模块202,用于基于预设的时刻节点选取对应的数据划分规则,并根据所述数据划分规则对所述点云数据集合进行时序特征分析,得到所述点云数据集合对应的时序特征,并通过所述时序特征进行数据划分,得到多个待处理点云数据集合;
映射模块203,用于对每一所述待处理点云数据集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集;
实体识别模块204,用于分别对每一所述待处理点云数据集合对应的三维实体模型集进行单一实体识别,得到与每一所述待处理点云数据集合对应的至少一个单一实体模型;
缺陷识别模块205,用于将与每一所述待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型进行打印缺陷识别,得到打印缺陷识别结果。
通过上述各个组成部分的协同合作,通过预置的时间区间和数据划分规则对点云数据进行时序特征分析,从而实现了对大量数据的高效处理和分析。这有助于提高生产效率和制造质量控制的准确性。通过单一实体识别和打印质量缺陷识别,可以识别多种不同类型的打印缺陷,包括实体轮廓、打印轨迹等各种出现的问题,使其成为一种通用的缺陷检测方法。通过对待处理点云数据集合进行三维映射,该方法生成了与每个点云数据集合对应的三维实体模型集,这有助于操作员更直观地了解打印缺陷的位置和形状,以便及时采取纠正措施。通过将三维实体模型输入打印缺陷识别模型进行打印缺陷识别,该方法结合了轨迹分析和打印质量缺陷识别,提供了更准确的缺陷检测结果,有助于避免制造过程中的问题并提高产品质量。可以识别各种类型的打印缺陷,包括材料不均匀、层间粘结不良、表面光滑度问题等。这使其适用于不同领域和应用的打印制造过程,提供了广泛的适用性。通过对点云数据的详细分析和三维映射,该方法能够提供高度准确的缺陷识别结果。这有助于降低制造中的次品率,提高产品的质量和可靠性。基于预设的时间区间进行扫描和分析,使得可以实时监测制造过程中的缺陷并及时采取措施进行修复。这有助于在制造过程中及时纠正问题,减少废品的产生,进而提高了打印缺陷的识别准确率。
本申请还提供一种打印缺陷的识别设备,所述打印缺陷的识别设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述打印缺陷的识别方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述打印缺陷的识别方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元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,本申请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全部或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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种打印缺陷的识别方法,其特征在于,所述打印缺陷的识别方法包括:
基于预置的时间区间调用一个或多个图像采集终端,并通过所述图像采集终端按照预设的数据采集深度区间对目标打印区域进行扫描,得到多个打印区域扫描结果,以及根据所述多个打印区域扫描结果进行点云数据转换,得到点云数据集合;
基于预设的时刻节点选取对应的数据划分规则,并根据所述数据划分规则对所述点云数据集合进行时序特征分析,得到所述点云数据集合对应的时序特征,并通过所述时序特征进行数据划分,得到多个待处理点云数据集合;
对每一所述待处理点云数据集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集;
分别对每一所述待处理点云数据集合对应的三维实体模型集进行单一实体识别,得到与每一所述待处理点云数据集合对应的至少一个单一实体模型;
将与每一所述待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型进行打印缺陷识别,得到打印缺陷识别结果。
2.根据权利要求1所述的打印缺陷的识别方法,其特征在于,所述基于预设的时刻节点选取对应的数据划分规则,并根据所述数据划分规则对所述点云数据集合进行时序特征分析,得到所述点云数据集合对应的时序特征,并通过所述时序特征进行数据划分,得到多个待处理点云数据集合,包括:
获取所述时刻节点并根据所述时刻节点进行规则生成,得到数据划分规则;
根据所述数据划分规则对所述点云数据集合进行时序特征分析,得到所述点云数据集合对应的时序特征,并通过所述时序特征进行数据划分,得到多个待处理点云数据集合。
3.根据权利要求1所述的打印缺陷的识别方法,其特征在于,所述对每一所述待处理点云数据集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集,包括:
分别对每一所述待处理点云数据集合进行点云坐标分析,确定坐标集合;
对所述坐标集合中每一坐标进行深度真值估计,得到对应的估计深度真值集合;
通过所述估计深度真值集合对每一所述待处理点云数据集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集。
4.根据权利要求3所述的打印缺陷的识别方法,其特征在于,所述通过所述估计深度真值集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集,包括:
通过所述估计深度真值集合对每一所述待处理点云数据集合进行点云赋值,得到赋值后的点云数据集合;
对所述赋值的点云数据集合进行相邻数据拟合处理,得到数据拟合后的点云数据集合;
通过所述数据拟合后的点云数据集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集。
5.根据权利要求1所述的打印缺陷的识别方法,其特征在于,所述分别对每一所述待处理点云数据集合对应的三维实体模型集进行单一实体识别,得到与每一所述待处理点云数据集合对应的至少一个单一实体模型,包括:
分别对每一所述待处理点云数据集合对应的三维实体模型集进行实体轮廓分析,得到与每一所述待处理点云数据集合对应的三维实体模型集对应的至少一个实体轮廓;
对与每一所述待处理点云数据集合对应的三维实体模型集对应的至少一个实体轮廓进行单一实体识别,得到与每一所述待处理点云数据集合对应的至少一个单一实体模型。
6.根据权利要求1所述的打印缺陷的识别方法,其特征在于,所述将与每一所述待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型进行打印缺陷识别,得到打印缺陷识别结果,包括:
将与每一所述待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型;
通过所述打印缺陷识别模型中的轨迹线性回归网络,对所述至少一个单一实体模型进行轨迹分析,确定对应的实体轨迹;
对所述实体轨迹进行分段处理,得到多段实体轨迹,并对所述多段实体轨迹进行区间速度计算,得到对应的多个区间速度;
对所述多个区间速度进行线性回归处理,得到目标速度,并根据所述目标速度进行打印轨迹缺陷分析,得到第一缺陷识别结果;
通过所述打印缺陷识别模型中的打印质量缺陷识别网络,对所述至少一个单一实体模型进行打印质量缺陷识别,得到第二缺陷识别结果,并根据所述第一缺陷识别结果以及所述第二缺陷识别结果生成对应的打印缺陷识别结果。
7.根据权利要求6所述的打印缺陷的识别方法,其特征在于,所述通过所述打印缺陷识别模型中的打印质量缺陷识别网络,对所述至少一个单一实体模型进行打印质量缺陷识别,得到第二缺陷识别结果,并根据所述第一缺陷识别结果以及所述第二缺陷识别结果生成对应的打印缺陷识别结果,包括:
通过所述打印缺陷识别模型中的打印质量缺陷识别网络,获取所述至少一个单一实体模型的区域中心数据;
根据所述区域中心数据生成打印区域分割点集,其中,所述打印区域分割点集包括:至少一个中心区域点位以及多个边缘区域点位;
根据所述打印区域分割点集计算所述至少一个中心区域点位的第一分割区域以及每个边缘区域点位的第二分割区域;
对所述至少一个中心区域点位的第一分割区域和每个边缘区域点位的第二分割区域进行交并比计算,得到交并比数据集;
根据所述交并比数据集对所述至少一个中心区域点位以及多个边缘区域点位进行打印质量评价区域提取,得到至少一个中心打印质量评价区域以及多个边缘打印质量评价区域;
对所述至少一个中心打印质量评价区域进行打印质量缺陷识别,得到中心缺陷识别结果,并对所述多个边缘打印质量评价区域进行打印质量缺陷识别,得到多个边缘缺陷识别结果;
对所述中心缺陷识别结果以及所述多个边缘缺陷识别结果进行缺陷识别结果融合,得到第二缺陷识别结果;
获取所述轨迹线性回归网络的第一网络权重数据,并获取所述打印质量缺陷识别网络的第二网络权重数据;
根据所述第一网络权重数据对所述第一缺陷识别结果进行加权分析,得到第一加权识别结果,并根据所述第二网络权重数据对所述第二缺陷识别结果进行加权分析,得到第二加权识别结果;
对所述第一加权识别结果以及所述第二加权识别结果进行结果组合,得到对应的打印缺陷识别结果。
8.一种打印缺陷的识别装置,其特征在于,所述打印缺陷的识别装置包括:
扫描模块,用于基于预置的时间区间调用一个或多个图像采集终端,并通过所述图像采集终端按照预设的数据采集深度区间对目标打印区域进行扫描,得到多个打印区域扫描结果,以及根据所述多个打印区域扫描结果进行点云数据转换,得到点云数据集合;
分析模块,用于基于预设的时刻节点选取对应的数据划分规则,并根据所述数据划分规则对所述点云数据集合进行时序特征分析,得到所述点云数据集合对应的时序特征,并通过所述时序特征进行数据划分,得到多个待处理点云数据集合;
映射模块,用于对每一所述待处理点云数据集合进行三维映射,得到与每一所述待处理点云数据集合对应的三维实体模型集;
实体识别模块,用于分别对每一所述待处理点云数据集合对应的三维实体模型集进行单一实体识别,得到与每一所述待处理点云数据集合对应的至少一个单一实体模型;
缺陷识别模块,用于将与每一所述待处理点云数据集合对应的至少一个单一实体模型输入预置的打印缺陷识别模型进行打印缺陷识别,得到打印缺陷识别结果。
9.一种打印缺陷的识别设备,其特征在于,所述打印缺陷的识别设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述打印缺陷的识别设备执行如权利要求1-7中任一项所述的打印缺陷的识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的打印缺陷的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815735.5A CN117474920B (zh) | 2023-12-27 | 2023-12-27 | 打印缺陷的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815735.5A CN117474920B (zh) | 2023-12-27 | 2023-12-27 | 打印缺陷的识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474920A true CN117474920A (zh) | 2024-01-30 |
CN117474920B CN117474920B (zh) | 2024-02-27 |
Family
ID=89635071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311815735.5A Active CN117474920B (zh) | 2023-12-27 | 2023-12-27 | 打印缺陷的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474920B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110126279A (zh) * | 2019-05-07 | 2019-08-16 | 西安交通大学 | 一种面向曲面3d打印的随形切层及路径规划方法 |
US20220348363A1 (en) * | 2013-10-07 | 2022-11-03 | Shay C. Colson | 3-d printed packaging |
CN116638766A (zh) * | 2023-05-31 | 2023-08-25 | 南京焕型智剂医药科技有限公司 | 3d打印偏差检测方法、装置和计算机设备 |
-
2023
- 2023-12-27 CN CN202311815735.5A patent/CN117474920B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220348363A1 (en) * | 2013-10-07 | 2022-11-03 | Shay C. Colson | 3-d printed packaging |
CN110126279A (zh) * | 2019-05-07 | 2019-08-16 | 西安交通大学 | 一种面向曲面3d打印的随形切层及路径规划方法 |
CN116638766A (zh) * | 2023-05-31 | 2023-08-25 | 南京焕型智剂医药科技有限公司 | 3d打印偏差检测方法、装置和计算机设备 |
Non-Patent Citations (2)
Title |
---|
YI WANG;MENGHAO YANG: "Research on Online Monitoring of Print Image Quality Detection Based on Image Technology", 《2021 IEEE 21ST INTERNATIONAL CONFERENCE ON COMMUNICATION TECHNOLOGY》, 16 October 2021 (2021-10-16), pages 1 - 4 * |
孙伟俊: "基于机器视觉的3D打印表面缺陷多角度在线检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 May 2019 (2019-05-15), pages 138 - 1514 * |
Also Published As
Publication number | Publication date |
---|---|
CN117474920B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8379969B2 (en) | Method for matching an object model to a three-dimensional point cloud | |
US20200133182A1 (en) | Defect classification in an image or printed output | |
Megahed et al. | Real-time fault detection in manufacturing environments using face recognition techniques | |
CN106778650A (zh) | 基于多类型信息融合的场景自适应行人检测方法和系统 | |
CN114897908B (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统 | |
Lyu et al. | In-situ laser-based process monitoring and in-plane surface anomaly identification for additive manufacturing using point cloud and machine learning | |
Xie et al. | Fabric defect detection method combing image pyramid and direction template | |
JP2005346137A5 (zh) | ||
CN111523611A (zh) | 涂胶检测方法 | |
CN116758491A (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
EP3712846A1 (en) | Recoater automated monitoring systems and methods for additive manufacturing machines | |
CN116638766A (zh) | 3d打印偏差检测方法、装置和计算机设备 | |
CN117474920B (zh) | 打印缺陷的识别方法、装置、设备及存储介质 | |
CN109556533B (zh) | 一种针对多线结构光条纹图像的自动提取方法 | |
CN114199148A (zh) | 基于机器视觉的换热器翅片齿距测量方法、装置及介质 | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和系统 | |
US20220281177A1 (en) | Ai-powered autonomous 3d printer | |
CN110632094B (zh) | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 | |
CN113920121B (zh) | 基于图像处理的工艺品印刷条痕检测方法和系统 | |
KR102602167B1 (ko) | 딥러닝 기반의 mlcc 적층 얼라인먼트 검사 시스템 및 방법 | |
JP4492258B2 (ja) | 文字・図形の認識方法および検査方法 | |
Chong et al. | Fabric Defect Detection Method Based on Projection Location and Superpixel Segmentation | |
CN109754395A (zh) | 有价票据的缺陷提取方法和缺陷提取装置 | |
Vernon | Automatic detection of secondary creases in fingerprints | |
CN116818778B (zh) | 一种汽车部件快速智能检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |