CN117710372A - 3d打印工件缺陷的在线检测方法、系统、设备及存储介质 - Google Patents
3d打印工件缺陷的在线检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117710372A CN117710372A CN202410162159.7A CN202410162159A CN117710372A CN 117710372 A CN117710372 A CN 117710372A CN 202410162159 A CN202410162159 A CN 202410162159A CN 117710372 A CN117710372 A CN 117710372A
- Authority
- CN
- China
- Prior art keywords
- printing
- workpiece
- quality inspection
- time sequence
- target
- 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 120
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000010146 3D printing Methods 0.000 title abstract description 22
- 238000007639 printing Methods 0.000 claims abstract description 251
- 238000000034 method Methods 0.000 claims abstract description 103
- 238000007689 inspection Methods 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 9
- 230000001066 destructive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 17
- 238000001816 cooling Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000005336 cracking Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000003574 free electron Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种3D打印工件缺陷的在线检测方法、系统、设备及存储介质。该方法包括:获取目标打印工件的当前打印进度信息;其中,打印进度信息为时间与打印层级的映射关系,打印进度信息为时序信息;根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域;质检区域根据打印进度动态变化;获取质检区域的打印层级的内部影像信息;根据内部影像信息得到质检区域的缺陷检测结果,以在线对目标打印工件的内部缺陷进行检测。本发明提供的对可执行缺陷检测打印层级进行定位方法并结合无伤质检方法进行在线识别,从而实现对不同材料不同结构的工件采取更加适合的在线缺陷检测,从而在保证缺陷检测的准确率的同时,优化3D打印进程。
Description
技术领域
本发明涉及3D打印质量检测技术领域,特别涉及一种3D打印工件缺陷的在线检测方法、系统、设备及存储介质。
背景技术
随着科技发展及推广应用的需求,利用3D打印技术制造工件成为了工件快速成型主要的发展方向。但由于当前3D打印技术并未成熟,通过3D打印技术制造的工件仍有一定的概率存在缺陷。因此,有必要对通过3D打印技术制造的工件进行无伤缺陷检测。
如记载在公开号为CN114638819A的中国专利公开了一种基于深度学习的3D打印点阵结构CT图像缺陷检测方法,该方法通过基于双注意力机制的图像缺陷检测模块构建神经网络深度学习训练模型,完成了对输入图像数据缺陷的判断与识别,实现了对3D打印点阵结构件内部缺陷结构的无伤检测。虽然该技术利用断层扫描技术实现了对工件的无伤检测,但是该种方法存在受到伪影和低噪声比伪影污染的情况下,不能实现对工件缺陷的准确检测。
又如记载在公开号为CN116843685A的中国专利公开了一种基于图像检测的3D打印工件缺陷识别方法。该方法本发明通过编码器对工件的XCT图像进行多层编码,获取图像特征,并对每层编码获得特征进行残差信息提取;通过注意力模块获取图像特征的注意力信息;通过解码器对图像特征进行多层解码,并在解码过程中加入残差信息,通过注意力信息对每一解码层解码后的特征进行重建,从而能够更有效的获取图像的底层信息和语义信息,提高了图像分割的精度,保证工件缺陷识别的准确性。虽然这种可以以较高的准确率完成对无伤缺陷检测,但是该检测方法的检测对象为已经完成打印的工件,无法在工件打印完成前检测出缺陷。
本申请旨在建立一种3D打印工件缺陷的在线检测方法、系统、设备及存储介质,以解决上述问题。
发明内容
为了实现根据本发明的上述目的和其他优点,本发明的第一目的是提供一种3D打印工件缺陷的在线检测方法,包括如下步骤:
获取目标打印工件的当前打印进度信息;其中,打印进度信息为时间与打印层级的映射关系,打印进度信息为时序信息;
根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域;质检区域根据打印进度动态变化;
获取质检区域的打印层级的内部影像信息;
根据内部影像信息得到质检区域的缺陷检测结果,以在线对目标打印工件的内部缺陷进行检测。
在一优选方案中,根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域,具体包括步骤:
获取当前时刻打印层级n对应的时序,记为第一时序{Tn};
对第一时序{Tn}进行时序偏移k个时序以得到第二时序{Tn-k};其中,第二时序{Tn-k}之前的打印层级为可执行缺陷检测打印层级,k小于n;
将第二时序{Tn-k}至第一时序{Tn}之间的打印时序对应的打印层级剔除,并将剩余的打印层级汇总以形成质检区域。
在一优选方案中,其特征在于,对第一时序{Tn}进行时序偏移k个时序以得到第二时序{Tn-k},具体包括步骤:
获取目标打印工件的轮廓图像,轮廓图像为第一时序{Tn}内的全部打印层级的轮廓图像;
通过阈值分割算法将轮廓图像按照划分为第一区域和第二区域;其中,第一区域为目标打印工件的高温区域,第二区域为第一区域以外的目标打印工件的区域;
获取所述第二区域中所有打印层级里最高打印层级,并利用所述最高打印层级决定偏移量k的数值,并根据偏移量k得到第二时序{Tn-k}。
在一优选方案中,获取内部影像信息的打印层级为质检区域内层级最高的m个打印层级;其中,m为大于等于1且小于等于n的正整数。
在一优选方案中,若质检区域内的打印层级数量小于等于m则获取质检区域内全部打印层级的内部影像信息。
在一优选方案中,内部影像信息获取方式包括:超声检测、电磁检测、计算机断层扫描检测。
在一优选方案中,还包括步骤:
根据目标打印工件的轮廓图像判断第一时序{Tn}之前的打印层级是否出现形变;
若出现形变则提示目标打印工件存在表面缺陷。
本发明的第二目的是提供一种3D打印工件缺陷的在线检测系统,包括:
打印进度获取单元,用于获取目标打印工件的当前打印进度信息;其中,打印进度信息为时间与打印层级的映射关系,打印进度信息为时序信息;
质检区域获取单元,用于根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域;质检区域根据打印进度动态变化;
内部影像获取单元,用于获取质检区域的打印层级的内部影像信息;
缺陷检测单元,用于根据内部影像信息得到所述质检区域的缺陷检测结果,以在线对目标打印工件的内部缺陷进行检测。
本发明的第三目的是提供一种设备,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现3D打印工件缺陷的在线检测方法。
本发明的第四目的是提供一种计算机可读存储介质,其上存储有程序指令,所述程序指令被执行时实现3D打印工件缺陷的在线检测方法。
与现有技术相比,本发明的有益效果是:
本发明涉及一种3D打印工件缺陷的在线检测方法,通过时间与打印层级的映射关系以量化3D打印过程中打印进度信息;进一步的通过打印进度信息对目标打印工件的打印过程中每个时序中的可执行缺陷检测打印层级进行定位,从而实现工件在完成打印前的实现对缺陷种类和位置的在线检测。
通过本发明的方法可在工件打印完成前为修复的缺陷提供了修复的可能性;对于无法修复的缺陷避免更多的打印耗材和时间的浪费。
本发明提供的对可执行缺陷检测打印层级进行定位方法可以结合一种或多种的无伤质检方法进行在线识别,从而实现对不同材料不同结构的工件采取更加适合的在线无伤检测方式进行缺陷检测,从而保证缺陷检测的准确率,具有较强的通用性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为根据本发明实施例1中的一种3D打印工件缺陷的在线检测方法流程图;
图2为根据本发明实施例1中的目标打印工件的打印进度信息的示意图;
图3为根据本发明实施例1中的根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域的流程图;
图4为根据本发明实施例1中的获取到的质检区域的示意图;
图5为根据本发明实施例1中的对所述第一时序进行时序偏移k个时序以得到第二时序的流程图;
图6为根据本发明实施例1中的第一区域和第二区域的示意图;
图7为根据本发明实施例2中的一种3D打印工件缺陷的在线检测系统原理图;
图8为根据本发明实施例3中的一种设备原理图;
图9为根据本发明实施例4中的一种计算机存储介质原理图。
其中,上述附图包括以下附图标记:
101、第一时序对应的打印层;102、第二时序对应的打印层;200、质检区域;301、第一区域;302第二区域。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本申请中的3D打印过程中,由于熔融状态温度较高,正在打印以及刚完成打印的打印层级的内部形态尚处于持续变化中,当其冷却到一定程度后其内部形态可作为评价其内部缺陷的影像信息,并以此为基础形成了本申请的3D打印工件缺陷的在线检测方法及系统。
实施例1
根据本发明实施例的一个方面,提供了一种基于3D打印工件缺陷的在线检测方法流程图,如图1所示,包括如下步骤:
S1、获取目标打印工件的当前打印进度信息;其中,打印进度信息为时间与打印层级的映射关系,打印进度信息为时序信息;
上述打印进度信息将目标打印工件打印总时长划分为若干个时序,时序的数量由打印层级的数量决定。此处需要说明的是,打印总时长是指目标工件从开始打印到完全成型的总时长,并非执行打印程序的总时长。如图2所示,图2中Tn1、Tn2、Tn3为时序Tn在3个不同时间的目标打印工件的打印状态。每个时序的时间长度由打印层级的打印耗时决定。每个时序的时间长度计算公式为:
,
其中,目标打印工件打印的最后一个打印层为;/>表示时序Tn的时间长度;表示打印层级为n的打印层的打印耗时;i表示取样系数。
以T100时序(第100个时序),取样系数i=10为例,若T100时序目标还在执行打印程序(),则打印层级为100的打印层是在T100时序的时间范围内进行打印的,T100时序的时间长度与打印层级为100的打印层的打印耗时/>相等。若T100时序全部打印程序已执行完毕且工件并非完全成型(/>);则T100时序的时长与打印最后10个打印层的平均打印耗时相等。
S2、根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域;
在3D打印过程中,在一段时间内目标工件刚刚完成打印的部分结构并没有完全成型,因此无法检测该部分结构是否存在缺陷,若采用对工件整体进行缺陷检测会造成对检测结果的干扰,因此通过S2步骤筛选得到可以进行缺陷检测结构部分,便于后续的缺陷检测。上述质检区域为可执行缺陷检测打印层级,质检区域根据打印进度动态变化。
S3、获取质检区域的打印层级的内部影像信息;
上述获取质检区域的打印层级的内部影像信息的方式包括不限于:超声、电磁、热成像、断层扫描中的一种或多种。可以对不同材料、不同结构的工件采取更加适合的方式获取内部影像信息。
S4、根据内部影像信息得到质检区域的缺陷检测结果,以在线对目标打印工件的内部缺陷进行检测。
上述检测方法可以通过机器学习、深度学习的方法对内部信息进行训练得到检测模型,通过检测模型识别检测结果。上述缺陷检测结果包括缺陷的类型和位置;缺陷的类型包括不限于:熔合不全、气孔、未熔合颗粒、球化现象、疲劳裂纹、凝固不连续;上述训练检测模型的方法可以结合不同的优化算法提升识别准确率,以提升识别效果。若在打印过程中检测出缺陷,可以根据缺陷情况通过修复缺陷、调整打印策略、终止打印等方式避免更多的打印耗材和时间的浪费。例如、缺陷检测模型为U型的编码-解码结构,以目标打印工件的X-CT图像为输入,以工件缺陷识别结果为输出,以U-net网络为基础构建获得,并在U-net网络中添加残差提取技术和注意力机制,通过编码器对输入的X-CT图像进行下采样,提升通道数,降低图像的尺寸,获得图像特征,该图像特征中包含X-CT图像的深层信息,在对X-CT图像进行编码的过程中,还通过残差提取从每个编码层获得的编码后图像中提取残差信息;之后对图像特征进行上采样解码,在上采样解码过程中,加入残差信息,并通过注意力模块对每一解码后的特征进行重建,最终输出目标打印工件缺陷识别结果。需要说明的是,以上检测模型仅为举例,通过模型训练得到各种缺陷的检测模型,将筛选后的各打印层级输入到模型中以得到检测结果,从而快速进行打印过程中的缺陷评价。
还需要说明的是,本申请中的打印时序还可描述为打印层序;由于生成可执行的打印顺序的时间序列存在确定性与一致性,以此作为整个检测过程的基准,以确保输出结果的可靠性。
在一些实施例中,如图3所示步骤S2根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域,具体包括如下步骤:
S21、获取当前时刻打印层级n对应的时序,记为第一时序{Tn};
S22、对所述第一时序{Tn}进行时序偏移k个时序以得到第二时序{Tn-k};其中,所述第二时序{Tn-k}之前的打印层级为可执行缺陷检测打印层级,k小于n;
S23、将所述第二时序{Tn-k}至所述第一时序{Tn}之间的打印时序对应的打印层级剔除,并将剩余的打印层级汇总以形成所述质检区域。
对于步骤S21-S23,以图4为例,图中第一时序{Tn}对应的打印层101,打印层101的打印层级为第n层;图中第二时序{Tn-k}对应的打印层102,打印层102的打印层级为第n-k层;将打印层102至打印层101之间的(包括打印层102和打印层101)全部打印层剔除,剩下打印层所在的区域设定为质检区域200;质检区域200范围内全部的打印层为可执行缺陷检测打印层级。第二时序{Tn-k}随着第一时序{Tn}的变化而变化,因此在打印层101上升的同时质检区域200逐步扩大,直至质检区域200覆盖完整目标工件。
可选地,在步骤S22中第一时序{Tn}与第二时序{Tn-k}之间的时序偏移量k,通过目标打印工件的尺寸形状、耗材的材质、环境温度综合决定;例如当耗材的材质为需要较长时间冷却的材质,偏移量k可以根据该情况变得更大;当打印的工件尺寸较大时,偏移量k可以根据变得更小。
在一些实施例中,在打印过程中,需打印的工件形状各异;因此,层级冷却的耗时难以准确预估,如何对偏移量k进行优化调整,以准确选定合理的质检区域200,成为一个难点;如图5所示步骤S22对所述第一时序{Tn}进行时序偏移k个时序以得到第二时序{Tn-k},具体包括如下步骤:
S221、获取目标打印工件的轮廓图像,轮廓图像为第一时序{Tn}内的全部打印层级的轮廓图像;
如图2所示,Tn1、Tn2、Tn3为时序Tn在3个不同时间的目标打印工件的打印状态图,其中,Tn1时刻处于打印过程中的状态图,Tn2时刻处于刚完成本层打印的状态图,Tn3时刻处于冷却过程或等待下一层打印的状态图;具体地,在第一时序{Tn}内,Tn1时刻时3D打印机正在打印目标工件的第n层级,当第n层级刚刚打印完毕,需要经过短暂的Tn2-Tn3时刻进行冷却再进入{Tn+1}时序打印第n+1层;Tn2时刻为冷却初始时刻,为目标工件的第n层级在在第一时序{Tn}内Tn1时刻后温度最高的时刻。
在一些优选实施例中,作为时序Tn轮廓图像,优选Tn2时刻的状态图。金属在受到热量、电流或其他激发形式时,金属中的自由电子会吸收能量并跃迁到高能级。当这些电子重新回到低能级时,它们会释放出多余的能量,其中一部分以光的形式辐射出来,从而产生发光现象。Tn2时刻为冷却初始时刻,为目标工件的第n层级在在第一时序{Tn}内Tn1时刻后温度最高的时刻,因此Tn2时刻第n层级发光亮度最强,更加适合用于进行阈值分割计算。
S222、通过阈值分割算法将轮廓图像按照划分为第一区域和第二区域;其中,第一区域为目标打印工件的高温区域,第二区域为第一区域以外的目标打印工件的区域;在本实施例中,可筛选当前时序中轮廓图像内第一区域面积最大的状态图作为本次划分基础。
S223、获取所述第二区域中所有打印层级里最高打印层级,并利用所述最高打印层级决定偏移量k的数值,并根据偏移量k得到第二时序{Tn-k};在本实施例中,通过图像中不同打印层的温度判断层级是否冷却,对第二时序{Tn-k}对第一时序的偏移量k的值进行调整。
在一个具体实施例中,如图6所示通过将包含第一时序{Tn}时刻为Tn2之前已经打印完成的打印层图像的打印层图像Q2(x,y)与无打印工作时的背景图Q0(x,y)进行差运算,分离出打印工件的轮廓图像Q(x,y);即公式:
Q2(x,y)-Q0(x,y)=Q(x,y),
其中,x表示图像的宽度,y表示图像的高度;Q2、Q0和轮廓图像Q的图像相等,为了减少提取轮廓图像Q的误差,Q2和Q0图像的角度、位置相同。具体地,在未进行打印前({T1}时序之前)对打印区域进行图像采集得到Q0图像;根据当前3D打印机的打印程序对时序中的Tn1、Tn2、Tn3时刻进行同步,当第一时序{Tn}进入到Tn2时刻对目标打印工件进行图像采集得到Q2图像,Q2和Q0图像的角度、位置相同。
通过大津算法(OTSU算法)求取整体轮廓图像Q的高温分割阈值;具体地,将轮廓图像Q进行图像灰度化处理,经过图像灰度化处理的具有L个不同灰度值,即轮廓图像Q的灰度值范围H=(0,1,2,…,L-1);将轮廓图像Q归为3个区域,设灰度值范围在的像素点归为A1类,概率为P1;灰度值范围在/>的像素点归为A2类,概率为P2;灰度值范围在的像素点归为A3类,概率为P3。令灰度值为i的像素点在整幅图像所占比例为/>,则/>的计算公式为:
,
其中,表示灰度值为的像素数量;因此/>成立。
P1、P2和P3的计算公式为:
,/>,
计算A1、A2和A3的平均灰度值为、/>和/>,计算公式为:
,
计算轮廓图像Q的整体灰度,计算公式为:
,
计算A1、A2和A3之间的类间方差,计算公式为:
,
通过对和/>这2个阈值在公式进行遍历运算,使得类间方差/>得到最大值,得到最佳的/>和/>,从而确定像素的分类。像素的对应3类分别为背景图像,高温区域图像,低温区域图像,将背景图像对应的像素剔除,保留高温区域图像,低温区域图像像素。
令整体轮廓内灰度值小于高温分割阈值的像素点灰度值为0,令整体轮廓内灰度值大于等于高温分割阈值的像素点灰度值为1,得到轮廓图像的二值图像;对所述二值图像进行形态学开运算处理,去除图像中的噪点;根据二值图像得到第一区域301和第二区域302,其中,所述第一区域301对应高温层级区域,不进行缺陷检测;所述第一区域301和第二区域302通过二值图像的像素点一一对应关系得到。结合图4所示,将第二区域302中图像对应至目标打印工件的打印层级及质检区域200,并从中得到打印层级最高的层级作为本次偏移后的打印层102,从而根据打印层102与打印层101对应的时序的差值得到偏移量k,并将偏移量k对应至内部影像信息中,以剔除不进行缺陷检测的区域。
在一些优选实施例中,通过目标打印工件的轮廓图像还可作为判断打印过程中的一些明显的表面缺陷,上述步骤S222之前还可以包括以下步骤:
S228、根据目标打印工件的轮廓图像判断第一时序{Tn}之前的打印层级是否出现形变;
可以通过将包含第一时序{Tn}之前已经打印完成的打印层图像与无打印工作时的背景图进行差运算,分离出打印工件的轮廓图像。可选地,通过提取不同角度的轮廓图像的几何特征可以结合机器学习判定是否出现形变。
S229、若出现形变则提示目标打印工件存在表面缺陷。以形成更加综合的打印过程监测。
随着打印时间的推移,质检区域200逐步增加,为降低质检区域200整体进行缺陷检测数据量,提升检测效率,避免部分打印层重复识别,故对质检区域200获取内部影像信息的打印层级的数量进行约束。
在一些实施例中,获取内部影像信息的打印层级为质检区域内层级最高的m个打印层级;其中,m为大于等于1且小于等于n的正整数。
优选的,从最开始的打印阶段,质检区域内的打印层级数量小于等于m,则需要获取质检区域内全部打印层级的内部影像信息进行检测。在一个具体实施例中,获取内部影像信息的打印层级为质检区域内层级最高的10个打印层级,若第二时序{Tn-k}对应层级n-k大于11,则n-k-11至n-k-1这10个层级的打印层为获取内部影像信息的打印层;若第二时序{Tn-k}对应层级n-k小于等于11,则获取n-k层级以下的全部打印层的内部影像信息。
本申请通过时间与打印层级的映射关系以量化3D打印过程中打印进度信息;进一步的通过打印进度信息对目标打印工件的打印过程中每个时序中的可执行缺陷检测打印层级进行定位,从而实现工件在完成打印前的实现对缺陷种类和位置的在线检测。通过本发明的方法可在工件打印完成前为修复的缺陷提供了修复的可能性;对于无法修复的缺陷避免更多的打印耗材和时间的浪费。本发明提供的对可执行缺陷检测打印层级进行定位方法可以结合一种或多种的无伤质检方法进行在线识别,从而实现对不同材料不同结构的工件采取更加适合的在线无伤检测方式进行缺陷检测,从而保证缺陷检测的准确率,具有较强的通用性。
实施例2
根据本发明实施例的另一个方面,还提供了一种3D打印工件缺陷的在线检测系统40,如图7所示,包括:
打印进度获取单元401,用于获取目标打印工件的当前打印进度信息;其中,打印进度信息为时间与打印层级的映射关系,打印进度信息为时序信息;
上述打印进度信息将目标打印工件打印总时长划分为若干个时序,时序的数量由打印层级的数量决定。此处需要说明的是,打印总时长是指目标工件从开始打印到完全成型的总时长,并非执行打印程序的总时长。如图2所示,图2中Tn1、Tn2、Tn3为时序Tn在3个不同时间的目标打印工件的打印状态。其中,Tn1时刻处于打印过程中的状态图,Tn2时刻处于刚完成本层打印的状态图,Tn3时刻处于冷却过程或等待下一层打印的状态图;具体地,在第一时序{Tn}内,Tn1时刻时3D打印机正在打印目标工件的第n层级,当第n层级刚刚打印完毕,需要经过短暂的Tn2-Tn3时刻进行冷却再进入{Tn+1}时序打印第n+1层;Tn2时刻为冷却初始时刻,为目标工件的第n层级在在第一时序{Tn}内Tn1时刻后温度最高的时刻。
每个时序的时间长度由打印层级的打印耗时决定。每个时序的时间长度计算公式为:
,
其中,目标打印工件打印的最后一个打印层为;/>表示时序Tn的时间长度;表示打印层级为n的打印层的打印耗时;i表示取样系数。
以T100时序(第100个时序),取样系数i=10为例,若T100时序目标还在执行打印程序(),则打印层级为100的打印层是在T100时序的时间范围内进行打印的,T100时序的时间长度与打印层级为100的打印层的打印耗时/>相等。若T100时序全部打印程序已执行完毕且工件并非完全成型(/>);则T100时序的时长与打印最后10个打印层的平均打印耗时相等。
质检区域获取单元402,用于根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域;质检区域根据打印进度动态变化;
在3D打印过程中,目标工件一段时间内刚刚完成打印的部分结构并没有完全冷却成型,因此无法检测该部分结构是否存在缺陷,若采用对工件整体进行缺陷检测会造成对检测结果的干扰,因此通过质检区域获取单元402筛选得到可以进行缺陷检测结构部分,便于后续的缺陷检测。上述质检区域为可执行缺陷检测打印层级,质检区域根据打印进度动态变化。
内部影像获取单元403,用于获取质检区域的打印层级的内部影像信息;
上述内部影像获取单元403获取质检区域的打印层级的内部影像信息的方式包括不限于:超声、电磁、热成像、断层扫描中的一种或多种。可以对不同材料、不同结构的工件采取更加适合的方式获取内部影像信息。
缺陷检测单元404,用于根据内部影像信息得到质检区域的缺陷检测结果,以在线对目标打印工件的内部缺陷进行检测。
上述缺陷检测单元404可以通过机器学习、深度学习的方法对内部信息进行训练得到检测模型,通过检测模型识别检测结果。上述缺陷检测结果包括缺陷的类型和位置;缺陷的类型包括不限于:熔合不全、气孔、魏熔合颗粒、球化现象、疲劳裂纹、凝固不连续;上述训练检测模型的方法可以结合不同的优化算法提升识别准确率,以提升识别效果。若在打印过程中检测出缺陷,可以根据缺陷情况通过修复缺陷、调整打印策略、终止打印等方式避免更多的打印耗材和时间的浪费。
在一优选实施例中,还包括外部影像获取单元;在打印过程中,需打印的工件形状各异;因此,层级冷却的耗时难以准确预估,如何对偏移量k进行优化调整,以准确选定合理的质检区域200,成为一个难点;获取目标打印工件的轮廓图像,轮廓图像为第一时序{Tn}内的全部打印层级的轮廓图像;例如,通过工业相机获取目标打印工件的轮廓图像;通过阈值分割算法将轮廓图像按照划分为第一区域和第二区域;其中,第一区域为目标打印工件的高温区域,第二区域为第一区域以外的目标打印工件的区域;获取所述第二区域中所有打印层级里最高打印层级,并利用所述最高打印层级决定偏移量k的数值,并根据偏移量k得到第二时序{Tn-k};在本实施例中,通过图像中不同打印层的温度判断层级是否冷却,对第二时序{Tn-k}对第一时序的偏移量k的值进行调整。
在一个具体实施例中,如图6所示通过将包含第一时序{Tn}时刻为Tn2之前已经打印完成的打印层图像的打印层图像Q2(x,y)与无打印工作时的背景图Q0(x,y)进行差运算,分离出打印工件的轮廓图像Q(x,y);即公式:
Q2(x,y)-Q0(x,y)=Q(x,y),
其中,x表示图像的宽度,y表示图像的高度;Q2、Q0和轮廓图像Q的图像相等,为了减少提取轮廓图像Q的误差,Q2和Q0图像的角度、位置相同。具体地,在未进行打印前({T1}时序之前)对打印区域进行图像采集得到Q0图像;根据当前3D打印机的打印程序对时序中的Tn1、Tn2、Tn3时刻进行同步,当第一时序{Tn}进入到Tn2时刻对目标打印工件进行图像采集得到Q2图像,Q2和Q0图像的角度、位置相同。
通过大津算法(OTSU算法)求取整体轮廓图像Q的高温分割阈值;具体地,将轮廓图像Q进行图像灰度化处理,经过图像灰度化处理的具有L个不同灰度值,即轮廓图像Q的灰度值范围H=(0,1,2,…,L-1);将轮廓图像Q归为3个区域,设灰度值范围在的像素点归为A1类,概率为P1;灰度值范围在/>的像素点归为A2类,概率为P2;灰度值范围在的像素点归为A3类,概率为P3。令灰度值为i的像素点在整幅图像所占比例为/>,则/>的计算公式为:
,
其中,表示灰度值为的像素数量;因此/>成立。
P1、P2和P3的计算公式为:
,/>,
计算A1、A2和A3的平均灰度值为、/>和/>,计算公式为:
,
计算轮廓图像Q的整体灰度,计算公式为:
,/>
计算A1、A2和A3之间的类间方差,计算公式为:
,
通过对和/>这2个阈值在公式进行遍历运算,使得类间方差/>得到最大值,得到最佳的/>和/>,从而确定像素的分类。像素的对应3类分别为背景图像,高温区域图像,低温区域图像,将背景图像对应的像素剔除,保留高温区域图像,低温区域图像像素。
令整体轮廓内灰度值小于高温分割阈值的像素点灰度值为0,令整体轮廓内灰度值大于等于高温分割阈值的像素点灰度值为1,得到轮廓图像的二值图像;对所述二值图像进行形态学开运算处理,去除图像中的噪点;根据二值图像得到第一区域301和第二区域302,其中,所述第一区域301对应高温层级区域,不进行缺陷检测;所述第一区域301和第二区域302通过二值图像的像素点一一对应关系得到。结合图4所示,将第二区域302中图像对应至目标打印工件的打印层级及质检区域200,并从中得到打印层级最高的层级作为本次偏移后的打印层102,从而根据打印层102与打印层101对应的时序的差值得到偏移量k,并将偏移量k对应至内部影像信息中,以剔除不进行缺陷检测的区域。
在一些优选实施例中,通过目标打印工件的轮廓图像还可作为判断打印过程中的一些明显的表面缺陷,例如,根据目标打印工件的轮廓图像判断第一时序{Tn}之前的打印层级是否出现形变;若出现形变则提示目标打印工件存在表面缺陷,以形成更加综合的打印过程监测。
本缺陷检测系统通过时间与打印层级的映射关系以量化3D打印过程中打印进度信息;进一步的通过打印进度信息对目标打印工件的打印过程中每个时序中的可执行缺陷检测打印层级进行定位,从而实现工件在完成打印前的实现对缺陷种类和位置的在线检测。通过本发明的方法可在工件打印完成前为修复的缺陷提供了修复的可能性;对于无法修复的缺陷避免更多的打印耗材和时间的浪费。本发明提供的对可执行缺陷检测打印层级进行定位方法可以结合一种或多种的无伤质检方法进行在线识别,从而实现对不同材料不同结构的工件采取更加适合的在线无伤检测方式进行缺陷检测,从而保证缺陷检测的准确率,具有较强的通用性。
实施例3
根据本发明实施例的另一个方面,还提供了一种设备50,如图8所示,包括:处理器501;用于存储处理器可执行指令的存储器502;其中,该处理器被配置为执行上述中任一项的3D打印工件缺陷的在线检测方法。关于方法的详细描述,可以参照上述方法实施例中的对应描述,在此不再赘述。
实施例4
根据本发明实施例的另一个方面,还提供了一种存储介质60,如图9所示,该存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述中任一项的3D打印工件缺陷的在线检测方法。关于方法的详细描述,可以参照上述方法实施例中的对应描述,在此不再赘述。
其中,程序指令存储于一个计算机可读存储介质(可以是CD-ROM、U盘、移动硬盘等)中或网络上,包括若干计算机程序指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体地,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (10)
1.一种3D打印工件缺陷的在线检测方法,其特征在于,包括:
获取目标打印工件的当前打印进度信息;其中,所述打印进度信息为时间与打印层级的映射关系,所述打印进度信息为时序信息;
根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域;所述质检区域根据打印进度动态变化;
获取质检区域的打印层级的内部影像信息;
根据内部影像信息得到所述质检区域的缺陷检测结果,以在线对目标打印工件的内部缺陷进行检测。
2.根据权利要求1所述的一种3D打印工件缺陷的在线检测方法,其特征在于,根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域,具体包括步骤:
获取当前时刻打印层级n对应的时序,记为第一时序{Tn};
对所述第一时序{Tn}进行时序偏移k个时序以得到第二时序{Tn-k};其中,所述第二时序{Tn-k}之前的打印层级为可执行缺陷检测打印层级,k小于n;
将所述第二时序{Tn-k}至所述第一时序{Tn}之间的打印时序对应的打印层级剔除,并将剩余的打印层级汇总以形成所述质检区域。
3.根据权利要求2所述的一种3D打印工件缺陷的在线检测方法,其特征在于,对所述第一时序{Tn}进行时序偏移k个时序以得到第二时序{Tn-k},具体包括步骤:
获取目标打印工件的轮廓图像,所述轮廓图像为第一时序{Tn}内的全部打印层级的轮廓图像;
通过阈值分割算法将轮廓图像按照划分为第一区域和第二区域;其中,所述第一区域为目标打印工件的高温区域,所述第二区域为第一区域以外的目标打印工件的区域;
获取所述第二区域中所有打印层级里最高打印层级,并利用所述最高打印层级决定偏移量k的数值,并根据偏移量k得到第二时序{Tn-k}。
4.根据权利要求1所述的一种3D打印工件缺陷的在线检测方法,其特征在于,获取内部影像信息的打印层级为质检区域内层级最高的m个打印层级;其中,m为大于等于1且小于等于n的正整数。
5.根据权利要求4所述的一种3D打印工件缺陷的在线检测方法,其特征在于,若质检区域内的打印层级数量小于等于m则获取质检区域内全部打印层级的内部影像信息。
6.根据权利要求1所述的一种3D打印工件缺陷的在线检测方法,其特征在于,所述内部影像信息获取方式包括:超声、电磁、计算机断层扫描中的任一种。
7.根据权利要求3所述的一种3D打印工件缺陷的在线检测方法,其特征在于,还包括步骤:
根据目标打印工件的轮廓图像判断第一时序{Tn}之前的打印层级是否出现形变;
若出现形变则提示所述目标打印工件存在表面缺陷。
8.一种3D打印工件缺陷的在线检测系统,其特征在于,包括:
打印进度获取单元,用于获取目标打印工件的当前打印进度信息;其中,所述打印进度信息为时间与打印层级的映射关系,所述打印进度信息为时序信息;
质检区域获取单元,用于根据打印进度信息筛选得到目标打印工件的打印过程中当前的质检区域;所述质检区域根据打印进度动态变化;
内部影像获取单元,用于获取质检区域的打印层级的内部影像信息;
缺陷检测单元,用于根据内部影像信息得到所述质检区域的缺陷检测结果,以在线对目标打印工件的内部缺陷进行检测。
9.一种电子设备,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-7任一项所述的方法步骤。
10.一种存储介质,其上存储有计算机指令;其中,该计算机指令被处理器执行时实现权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162159.7A CN117710372B (zh) | 2024-02-05 | 2024-02-05 | 3d打印工件缺陷的在线检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162159.7A CN117710372B (zh) | 2024-02-05 | 2024-02-05 | 3d打印工件缺陷的在线检测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710372A true CN117710372A (zh) | 2024-03-15 |
CN117710372B CN117710372B (zh) | 2024-05-03 |
Family
ID=90157382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410162159.7A Active CN117710372B (zh) | 2024-02-05 | 2024-02-05 | 3d打印工件缺陷的在线检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710372B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179312A (zh) * | 2020-09-29 | 2021-01-05 | 华中科技大学 | 适用于建筑3d打印件表面质量的在线检测系统及方法 |
CN112549555A (zh) * | 2020-12-04 | 2021-03-26 | 北京星航机电装备有限公司 | 一种基于云平台的3d打印远程在线监控方法及系统 |
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 |
CN113393441A (zh) * | 2021-06-15 | 2021-09-14 | 浙江大学 | 一种基于机器视觉的分层制造缺陷检测方法 |
US20230076556A1 (en) * | 2021-09-08 | 2023-03-09 | International Business Machines Corporation | Performing corrective actions during three-dimensional printing jobs |
US20230166452A1 (en) * | 2021-11-29 | 2023-06-01 | International Business Machines Corporation | Self-repairing 3d printer |
CN116843685A (zh) * | 2023-08-31 | 2023-10-03 | 山东大学 | 一种基于图像检测的3d打印工件缺陷识别方法及系统 |
CN116872497A (zh) * | 2023-04-18 | 2023-10-13 | 长春理工大学 | 一种基于机器视觉的3d打印产品缺陷在线检测方法 |
-
2024
- 2024-02-05 CN CN202410162159.7A patent/CN117710372B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179312A (zh) * | 2020-09-29 | 2021-01-05 | 华中科技大学 | 适用于建筑3d打印件表面质量的在线检测系统及方法 |
CN112549555A (zh) * | 2020-12-04 | 2021-03-26 | 北京星航机电装备有限公司 | 一种基于云平台的3d打印远程在线监控方法及系统 |
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 |
CN113393441A (zh) * | 2021-06-15 | 2021-09-14 | 浙江大学 | 一种基于机器视觉的分层制造缺陷检测方法 |
US20230076556A1 (en) * | 2021-09-08 | 2023-03-09 | International Business Machines Corporation | Performing corrective actions during three-dimensional printing jobs |
US20230166452A1 (en) * | 2021-11-29 | 2023-06-01 | International Business Machines Corporation | Self-repairing 3d printer |
CN116872497A (zh) * | 2023-04-18 | 2023-10-13 | 长春理工大学 | 一种基于机器视觉的3d打印产品缺陷在线检测方法 |
CN116843685A (zh) * | 2023-08-31 | 2023-10-03 | 山东大学 | 一种基于图像检测的3d打印工件缺陷识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117710372B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN106127779B (zh) | 基于视觉识别的缺陷检测方法及系统 | |
EP3800588A1 (en) | System and method using knowledge distillation for training a machine learning classifier | |
CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
US9846929B2 (en) | Fast density estimation method for defect inspection application | |
CN114723681A (zh) | 一种基于机器视觉的混凝土裂缝缺陷检测方法 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
JP2014228357A (ja) | ひび割れ検出方法 | |
CN111179263B (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
JP2010121992A (ja) | ひび割れ検出方法 | |
CN111126505A (zh) | 一种基于深度学习的路面裂缝快速识别方法 | |
CN116777916A (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN117710372B (zh) | 3d打印工件缺陷的在线检测方法、系统、设备及存储介质 | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
Liu et al. | Extreme learning machine and moving least square regression based solar panel vision inspection | |
CN116030056A (zh) | 一种钢表面裂缝的检测方法及系统 | |
CN113763343B (zh) | 基于深度学习的阿兹海默症检测方法及计算机可读介质 | |
CN115690073A (zh) | 一种激光增材制造陶瓷微结构局部表征方法、装置及介质 | |
CN115829942A (zh) | 基于非负性约束稀疏自编码器的电子电路缺陷检测方法 | |
Hu et al. | Printed Circuit Board (PCB) Surface Micro Defect Detection Model Based on Residual Network with Novel Attention Mechanism. | |
CN114359276A (zh) | 基于麻点缺陷的钢模下料优选方案获取方法 | |
CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 | |
Nowacka et al. | Deep learning models for crack segmentation in 3d images of concrete trained on semi-synthetic data | |
JP2008185510A (ja) | ひび割れ検出方法 |
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 |