CN118752776A - 基于图像识别的喷头速度异常分析方法及系统 - Google Patents
基于图像识别的喷头速度异常分析方法及系统 Download PDFInfo
- Publication number
- CN118752776A CN118752776A CN202411240008.5A CN202411240008A CN118752776A CN 118752776 A CN118752776 A CN 118752776A CN 202411240008 A CN202411240008 A CN 202411240008A CN 118752776 A CN118752776 A CN 118752776A
- Authority
- CN
- China
- Prior art keywords
- speed
- printing
- product
- nozzle
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 title claims description 49
- 230000007547 defect Effects 0.000 claims abstract description 147
- 238000007639 printing Methods 0.000 claims abstract description 130
- 239000000463 material Substances 0.000 claims abstract description 80
- 238000001125 extrusion Methods 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 230000005856 abnormality Effects 0.000 claims description 61
- 230000033001 locomotion Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000007921 spray Substances 0.000 claims 7
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000010146 3D printing Methods 0.000 abstract description 25
- 239000000047 product Substances 0.000 description 105
- 238000012545 processing Methods 0.000 description 22
- 238000012544 monitoring process Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
-
- 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
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
Abstract
本发明公开了一种基于图像识别的喷头速度异常分析方法及系统,该方法包括:获取目标打印喷头在打印目标产品时的多个材料挤出图像;根据所述材料挤出图像,基于部件速度识别算法模型,确定所述目标打印喷头的多个工作部件对应的部件速度;根据所述材料挤出图像,基于识别算法模型,识别所述目标产品对应的打印缺陷;根据所述打印缺陷和每一所述工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析所述目标打印喷头对应的速度异常情况。可见,本发明能够更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于图像识别的喷头速度异常分析方法及系统。
背景技术
随着3D打印技术的发展和人们对于3D打印的需求的提高,越来越多的3D打印设备被应用在各种生产任务中以提高生产效率,而对于3D打印的精度要求也日益提高,其中,如何实现对喷头工作速度的精确识别和校正成为了重要的技术问题。但现有技术在实现对3D打印喷头速度的监控时,大部分仅通过简单的速度传感器或单一的图像识别算法进行速度监测,没有充分考虑到对喷头的材料挤出图像与多个部件工作速度之间的关系来精确校正喷头的速度控制,因此现有技术方案的速度监测精度较低,控制精度较差。可见,现有技术存在缺陷,亟待解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于图像识别的喷头速度异常分析方法及系统,能够更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
为了解决上述技术问题,本发明第一方面公开了一种基于图像识别的喷头速度异常分析方法,所述方法包括:
获取目标打印喷头在打印目标产品时的多个材料挤出图像;
根据所述材料挤出图像,基于部件速度识别算法模型,确定所述目标打印喷头的多个工作部件对应的部件速度;
根据所述材料挤出图像,基于识别算法模型,识别所述目标产品对应的打印缺陷;
根据所述打印缺陷和每一所述工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析所述目标打印喷头对应的速度异常情况。
作为一个可选的实施方式,在本发明第一方面中,所述工作部件为材料挤出机或任一运动自由度方向上的运动轴轨部件。
作为一个可选的实施方式,在本发明第一方面中,所述打印缺陷包括缺料、塌陷、错位、线宽不足和线长不足中的至少一种。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述材料挤出图像,基于部件速度识别算法模型,确定所述目标打印喷头的多个工作部件对应的部件速度,包括:
对于每一所述材料挤出图像,将该材料挤出图像输入至训练好的移动识别神经网络,以得到该材料挤出图像对应的喷头移动方向和工作速度;所述工作速度为材料挤出速度或运动轴轨移动速度
根据预设的移动方向和部件的关联关系,确定所述喷头移动方向对应的工作部件;
将所述工作速度确定为所述喷头移动方向对应的工作部件对应的部件速度。
作为一个可选的实施方式,在本发明第一方面中,所述移动识别神经网络为RNN神经网络,通过包括有多个训练材料挤出图像和对应的喷头移动方向标注和喷头工作速度标注的训练数据集训练得到。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述材料挤出图像,基于识别算法模型,识别所述目标产品对应的打印缺陷,包括:
将每一所述材料挤出图像输入至训练好的产品区域分割算法,以得到每一所述材料挤出图像对应的产品区域部分图像;
将每一所述产品区域部分图像输入至训练好的打印缺陷识别神经网络中,以得到每一所述产品区域部分图像对应的产品缺陷;所述打印缺陷识别神经网络通过包括有多个训练产品图像和对应的产品缺陷标注的训练数据集训练得到;
根据所有所述产品区域部分图像对应的产品缺陷,确定所述目标产品对应的打印缺陷。
作为一个可选的实施方式,在本发明第一方面中,所述根据所有所述产品区域部分图像对应的产品缺陷,确定所述目标产品对应的打印缺陷,包括:
根据对应的图像获取时间从早到晚对所有所述产品区域部分图像对应的产品缺陷进行排序得到缺陷序列;
将所述缺陷序列中连续出现数量超过预设的数量阈值的所述产品缺陷,确定为所述目标产品对应的打印缺陷。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述打印缺陷和每一所述工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析所述目标打印喷头对应的速度异常情况,包括:
根据预设的打印缺陷和异常部件的对应关系,以及所述打印缺陷,确定出多个预设异常部件和对应的正常速度参考值;
计算每一所述预设异常部件对应的所述部件速度和所述正常速度参考值之间的速度差值;
将所述速度差值大于预设的差值阈值的所述预设异常部件确定为异常工作部件;
将每一所述异常工作部件对应的异常程度值确定为与对应的所述速度差值成正比的异常参数。
本发明实施例第二方面公开了一种基于图像识别的喷头速度异常分析系统,所述系统包括:
获取模块,用于获取目标打印喷头在打印目标产品时的多个材料挤出图像;
确定模块,用于根据所述材料挤出图像,基于部件速度识别算法模型,确定所述目标打印喷头的多个工作部件对应的部件速度;
识别模块,用于根据所述材料挤出图像,基于识别算法模型,识别所述目标产品对应的打印缺陷;
分析模块,用于根据所述打印缺陷和每一所述工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析所述目标打印喷头对应的速度异常情况。
作为一个可选的实施方式,在本发明第二方面中,所述工作部件为材料挤出机或任一运动自由度方向上的运动轴轨部件。
作为一个可选的实施方式,在本发明第二方面中,所述打印缺陷包括缺料、塌陷、错位、线宽不足和线长不足中的至少一种。
作为一个可选的实施方式,在本发明第二方面中,所述确定模块根据所述材料挤出图像,基于部件速度识别算法模型,确定所述目标打印喷头的多个工作部件对应的部件速度的具体方式,包括:
对于每一所述材料挤出图像,将该材料挤出图像输入至训练好的移动识别神经网络,以得到该材料挤出图像对应的喷头移动方向和工作速度;所述工作速度为材料挤出速度或运动轴轨移动速度
根据预设的移动方向和部件的关联关系,确定所述喷头移动方向对应的工作部件;
将所述工作速度确定为所述喷头移动方向对应的工作部件对应的部件速度。
作为一个可选的实施方式,在本发明第二方面中,所述移动识别神经网络为RNN神经网络,通过包括有多个训练材料挤出图像和对应的喷头移动方向标注和喷头工作速度标注的训练数据集训练得到。
作为一个可选的实施方式,在本发明第二方面中,所述识别模块根据所述材料挤出图像,基于识别算法模型,识别所述目标产品对应的打印缺陷的具体方式,包括:
将每一所述材料挤出图像输入至训练好的产品区域分割算法,以得到每一所述材料挤出图像对应的产品区域部分图像;
将每一所述产品区域部分图像输入至训练好的打印缺陷识别神经网络中,以得到每一所述产品区域部分图像对应的产品缺陷;所述打印缺陷识别神经网络通过包括有多个训练产品图像和对应的产品缺陷标注的训练数据集训练得到;
根据所有所述产品区域部分图像对应的产品缺陷,确定所述目标产品对应的打印缺陷。
作为一个可选的实施方式,在本发明第二方面中,所述识别模块根据所有所述产品区域部分图像对应的产品缺陷,确定所述目标产品对应的打印缺陷的具体方式,包括:
根据对应的图像获取时间从早到晚对所有所述产品区域部分图像对应的产品缺陷进行排序得到缺陷序列;
将所述缺陷序列中连续出现数量超过预设的数量阈值的所述产品缺陷,确定为所述目标产品对应的打印缺陷。
作为一个可选的实施方式,在本发明第二方面中,所述分析模块根据所述打印缺陷和每一所述工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析所述目标打印喷头对应的速度异常情况的具体方式,包括:
根据预设的打印缺陷和异常部件的对应关系,以及所述打印缺陷,确定出多个预设异常部件和对应的正常速度参考值;
计算每一所述预设异常部件对应的所述部件速度和所述正常速度参考值之间的速度差值;
将所述速度差值大于预设的差值阈值的所述预设异常部件确定为异常工作部件;
将每一所述异常工作部件对应的异常程度值确定为与对应的所述速度差值成正比的异常参数。
本发明第三方面公开了另一种基于图像识别的喷头速度异常分析系统,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图像识别的喷头速度异常分析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图像识别的喷头速度异常分析方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明能够基于目标打印喷头在打印目标产品时的材料挤出图像分别识别出部件的工作速度和产品的打印缺陷,再基于预设的缺陷和速度异常的对应关系准确分析目标打印喷头对应的速度异常情况,从而能够更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
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图像识别的喷头速度异常分析方法的流程示意图。
图2是本发明实施例公开的一种基于图像识别的喷头速度异常分析系统的结构示意图。
图3是本发明实施例公开的另一种基于图像识别的喷头速度异常分析系统的结构示意图。
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、装置、产品或设备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、产品或设备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图像识别的喷头速度异常分析方法及系统,能够基于目标打印喷头在打印目标产品时的材料挤出图像分别识别出部件的工作速度和产品的打印缺陷,再基于预设的缺陷和速度异常的对应关系准确分析目标打印喷头对应的速度异常情况,从而能够更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。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图像识别的喷头速度异常分析方法的流程示意图。其中,图1所描述的基于图像识别的喷头速度异常分析方法可以应用于数据处理系统/数据处理设备/数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图1所示,该基于图像识别的喷头速度异常分析方法可以包括以下操作:
101、获取目标打印喷头在打印目标产品时的多个材料挤出图像。
102、根据材料挤出图像,基于部件速度识别算法模型,确定目标打印喷头的多个工作部件对应的部件速度。
103、根据材料挤出图像,基于识别算法模型,识别目标产品对应的打印缺陷。
104、根据打印缺陷和每一工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析目标打印喷头对应的速度异常情况。
可见,上述发明实施例能够基于目标打印喷头在打印目标产品时的材料挤出图像分别识别出部件的工作速度和产品的打印缺陷,再基于预设的缺陷和速度异常的对应关系准确分析目标打印喷头对应的速度异常情况,从而能够更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,上述步骤中的,工作部件为材料挤出机或任一运动自由度方向上的运动轴轨部件。
可见,通过上述可选的实施例,明确了工作部件的类型,能够更准确地表征喷头对应的运动部件的特点,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,上述步骤中的,打印缺陷包括缺料、塌陷、错位、线宽不足和线长不足中的至少一种。
可见,通过上述可选的实施例,明确了打印缺陷的类型,能够更准确地表征产品打印过程的可能缺陷特征,以便于速度异常的准确分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,上述步骤中的,根据材料挤出图像,基于部件速度识别算法模型,确定目标打印喷头的多个工作部件对应的部件速度,包括:
对于每一材料挤出图像,将该材料挤出图像输入至训练好的移动识别神经网络,以得到该材料挤出图像对应的喷头移动方向和工作速度;工作速度为材料挤出速度或运动轴轨移动速度
根据预设的移动方向和部件的关联关系,确定喷头移动方向对应的工作部件;
将工作速度确定为喷头移动方向对应的工作部件对应的部件速度。
可见,通过上述可选的实施例,能够通过移动识别神经网络识别出挤出图像对应的喷头移动方向和工作速度后,根据移动方向和部件的关联关系确定工作部件和部件速度,以便于后续的速度异常的准确分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,上述步骤中的,移动识别神经网络为RNN神经网络,通过包括有多个训练材料挤出图像和对应的喷头移动方向标注和喷头工作速度标注的训练数据集训练得到。
可见,通过上述可选的实施例,明确了移动识别神经网络的算法细节和训练细节,以便于准确的部件速度识别分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,上述步骤中的,根据材料挤出图像,基于识别算法模型,识别目标产品对应的打印缺陷,包括:
将每一材料挤出图像输入至训练好的产品区域分割算法,以得到每一材料挤出图像对应的产品区域部分图像;
将每一产品区域部分图像输入至训练好的打印缺陷识别神经网络中,以得到每一产品区域部分图像对应的产品缺陷;可选的,打印缺陷识别神经网络通过包括有多个训练产品图像和对应的产品缺陷标注的训练数据集训练得到;
根据所有产品区域部分图像对应的产品缺陷,确定目标产品对应的打印缺陷。
可见,通过上述可选的实施例,能够根据产品区域分割算法识别出图像中的产品区域后,再基于打印缺陷识别神经网络识别出产品缺陷,以综合确定产品对应的打印缺陷,便于后续准确的速度异常分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,上述步骤中的,根据所有产品区域部分图像对应的产品缺陷,确定目标产品对应的打印缺陷,包括:
根据对应的图像获取时间从早到晚对所有产品区域部分图像对应的产品缺陷进行排序得到缺陷序列;
将缺陷序列中连续出现数量超过预设的数量阈值的产品缺陷,确定为目标产品对应的打印缺陷。
可见,通过上述可选的实施例,能够根据对多个图像对应的产品缺陷中连续出现的缺陷确定为打印缺陷,以精确确定产品对应的打印缺陷,便于后续准确的速度异常分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,上述步骤中的,根据打印缺陷和每一工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析目标打印喷头对应的速度异常情况,包括:
根据预设的打印缺陷和异常部件的对应关系,以及打印缺陷,确定出多个预设异常部件和对应的正常速度参考值;
计算每一预设异常部件对应的部件速度和正常速度参考值之间的速度差值;
将速度差值大于预设的差值阈值的预设异常部件确定为异常工作部件;
将每一异常工作部件对应的异常程度值确定为与对应的速度差值成正比的异常参数。
可见,通过上述可选的实施例,能够通过预设的打印缺陷和异常部件的对应关系确定出打印缺陷对应的多个预设异常部件,再根据部件速度和参考速度的差值筛选出异常工作部件和确定出异常程度,实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
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图像识别的喷头速度异常分析系统的结构示意图。其中,图2所描述的基于图像识别的喷头速度异常分析系统可以应用于数据处理系统/数据处理设备/数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图2所示,该基于图像识别的喷头速度异常分析系统可以包括:
获取模块201,用于获取目标打印喷头在打印目标产品时的多个材料挤出图像。
确定模块202,用于根据材料挤出图像,基于部件速度识别算法模型,确定目标打印喷头的多个工作部件对应的部件速度。
识别模块203,用于根据材料挤出图像,基于识别算法模型,识别目标产品对应的打印缺陷。
分析模块204,用于根据打印缺陷和每一工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析目标打印喷头对应的速度异常情况。
可见,上述发明实施例能够基于目标打印喷头在打印目标产品时的材料挤出图像分别识别出部件的工作速度和产品的打印缺陷,再基于预设的缺陷和速度异常的对应关系准确分析目标打印喷头对应的速度异常情况,从而能够更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,工作部件为材料挤出机或任一运动自由度方向上的运动轴轨部件。
可见,通过上述可选的实施例,明确了工作部件的类型,能够更准确地表征喷头对应的运动部件的特点,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,打印缺陷包括缺料、塌陷、错位、线宽不足和线长不足中的至少一种。
可见,通过上述可选的实施例,明确了打印缺陷的类型,能够更准确地表征产品打印过程的可能缺陷特征,以便于速度异常的准确分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,确定模块根据材料挤出图像,基于部件速度识别算法模型,确定目标打印喷头的多个工作部件对应的部件速度的具体方式,包括:
对于每一材料挤出图像,将该材料挤出图像输入至训练好的移动识别神经网络,以得到该材料挤出图像对应的喷头移动方向和工作速度;工作速度为材料挤出速度或运动轴轨移动速度
根据预设的移动方向和部件的关联关系,确定喷头移动方向对应的工作部件;
将工作速度确定为喷头移动方向对应的工作部件对应的部件速度。
可见,通过上述可选的实施例,能够通过移动识别神经网络识别出挤出图像对应的喷头移动方向和工作速度后,根据移动方向和部件的关联关系确定工作部件和部件速度,以便于后续的速度异常的准确分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,移动识别神经网络为RNN神经网络,通过包括有多个训练材料挤出图像和对应的喷头移动方向标注和喷头工作速度标注的训练数据集训练得到。
可见,通过上述可选的实施例,明确了移动识别神经网络的算法细节和训练细节,以便于准确的部件速度识别分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,识别模块根据材料挤出图像,基于识别算法模型,识别目标产品对应的打印缺陷的具体方式,包括:
将每一材料挤出图像输入至训练好的产品区域分割算法,以得到每一材料挤出图像对应的产品区域部分图像;
将每一产品区域部分图像输入至训练好的打印缺陷识别神经网络中,以得到每一产品区域部分图像对应的产品缺陷;可选的,打印缺陷识别神经网络通过包括有多个训练产品图像和对应的产品缺陷标注的训练数据集训练得到;
根据所有产品区域部分图像对应的产品缺陷,确定目标产品对应的打印缺陷。
可见,通过上述可选的实施例,能够根据产品区域分割算法识别出图像中的产品区域后,再基于打印缺陷识别神经网络识别出产品缺陷,以综合确定产品对应的打印缺陷,便于后续准确的速度异常分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,识别模块根据所有产品区域部分图像对应的产品缺陷,确定目标产品对应的打印缺陷的具体方式,包括:
根据对应的图像获取时间从早到晚对所有产品区域部分图像对应的产品缺陷进行排序得到缺陷序列;
将缺陷序列中连续出现数量超过预设的数量阈值的产品缺陷,确定为目标产品对应的打印缺陷。
可见,通过上述可选的实施例,能够根据对多个图像对应的产品缺陷中连续出现的缺陷确定为打印缺陷,以精确确定产品对应的打印缺陷,便于后续准确的速度异常分析,辅助实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
作为一个可选的实施例,分析模块根据打印缺陷和每一工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析目标打印喷头对应的速度异常情况的具体方式,包括:
根据预设的打印缺陷和异常部件的对应关系,以及打印缺陷,确定出多个预设异常部件和对应的正常速度参考值;
计算每一预设异常部件对应的部件速度和正常速度参考值之间的速度差值;
将速度差值大于预设的差值阈值的预设异常部件确定为异常工作部件;
将每一异常工作部件对应的异常程度值确定为与对应的速度差值成正比的异常参数。
可见,通过上述可选的实施例,能够通过预设的打印缺陷和异常部件的对应关系确定出打印缺陷对应的多个预设异常部件,再根据部件速度和参考速度的差值筛选出异常工作部件和确定出异常程度,实现更加高效和精确地对喷头的速度异常进行监控和分析,提高3D打印精度,减少打印出错。
实施例三
请参阅图3,图3是本发明实施例公开的又一种基于图像识别的喷头速度异常分析系统。图3所描述的基于图像识别的喷头速度异常分析系统应用于数据处理系统/数据处理设备/数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图3所示,该基于图像识别的喷头速度异常分析系统可以包括:
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;
其中,处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的基于图像识别的喷头速度异常分析方法的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的基于图像识别的喷头速度异常分析方法的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的基于图像识别的喷头速度异常分析方法的步骤。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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。具体的,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。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
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本说明书,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。
最后应说明的是:本发明实施例公开的一种基于图像识别的喷头速度异常分析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)
1.一种基于图像识别的喷头速度异常分析方法,其特征在于,所述方法包括:
获取目标打印喷头在打印目标产品时的多个材料挤出图像;
根据所述材料挤出图像,基于部件速度识别算法模型,确定所述目标打印喷头的多个工作部件对应的部件速度;
根据所述材料挤出图像,基于识别算法模型,识别所述目标产品对应的打印缺陷;
根据所述打印缺陷和每一所述工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析所述目标打印喷头对应的速度异常情况。
2.根据权利要求1所述的基于图像识别的喷头速度异常分析方法,其特征在于,所述工作部件为材料挤出机或任一运动自由度方向上的运动轴轨部件。
3.根据权利要求1所述的基于图像识别的喷头速度异常分析方法,其特征在于,所述打印缺陷包括缺料、塌陷、错位、线宽不足和线长不足中的至少一种。
4.根据权利要求2所述的基于图像识别的喷头速度异常分析方法,其特征在于,所述根据所述材料挤出图像,基于部件速度识别算法模型,确定所述目标打印喷头的多个工作部件对应的部件速度,包括:
对于每一所述材料挤出图像,将该材料挤出图像输入至训练好的移动识别神经网络,以得到该材料挤出图像对应的喷头移动方向和工作速度;所述工作速度为材料挤出速度或运动轴轨移动速度
根据预设的移动方向和部件的关联关系,确定所述喷头移动方向对应的工作部件;
将所述工作速度确定为所述喷头移动方向对应的工作部件对应的部件速度。
5.根据权利要求4所述的基于图像识别的喷头速度异常分析方法,其特征在于,所述移动识别神经网络为RNN神经网络,通过包括有多个训练材料挤出图像和对应的喷头移动方向标注和喷头工作速度标注的训练数据集训练得到。
6.根据权利要求3所述的基于图像识别的喷头速度异常分析方法,其特征在于,所述根据所述材料挤出图像,基于识别算法模型,识别所述目标产品对应的打印缺陷,包括:
将每一所述材料挤出图像输入至训练好的产品区域分割算法,以得到每一所述材料挤出图像对应的产品区域部分图像;
将每一所述产品区域部分图像输入至训练好的打印缺陷识别神经网络中,以得到每一所述产品区域部分图像对应的产品缺陷;所述打印缺陷识别神经网络通过包括有多个训练产品图像和对应的产品缺陷标注的训练数据集训练得到;
根据所有所述产品区域部分图像对应的产品缺陷,确定所述目标产品对应的打印缺陷。
7.根据权利要求6所述的基于图像识别的喷头速度异常分析方法,其特征在于,所述根据所有所述产品区域部分图像对应的产品缺陷,确定所述目标产品对应的打印缺陷,包括:
根据对应的图像获取时间从早到晚对所有所述产品区域部分图像对应的产品缺陷进行排序得到缺陷序列;
将所述缺陷序列中连续出现数量超过预设的数量阈值的所述产品缺陷,确定为所述目标产品对应的打印缺陷。
8.根据权利要求1所述的基于图像识别的喷头速度异常分析方法,其特征在于,所述根据所述打印缺陷和每一所述工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析所述目标打印喷头对应的速度异常情况,包括:
根据预设的打印缺陷和异常部件的对应关系,以及所述打印缺陷,确定出多个预设异常部件和对应的正常速度参考值;
计算每一所述预设异常部件对应的所述部件速度和所述正常速度参考值之间的速度差值;
将所述速度差值大于预设的差值阈值的所述预设异常部件确定为异常工作部件;
将每一所述异常工作部件对应的异常程度值确定为与对应的所述速度差值成正比的异常参数。
9.一种基于图像识别的喷头速度异常分析系统,其特征在于,所述系统包括:
获取模块,用于获取目标打印喷头在打印目标产品时的多个材料挤出图像;
确定模块,用于根据所述材料挤出图像,基于部件速度识别算法模型,确定所述目标打印喷头的多个工作部件对应的部件速度;
识别模块,用于根据所述材料挤出图像,基于识别算法模型,识别所述目标产品对应的打印缺陷;
分析模块,用于根据所述打印缺陷和每一所述工作部件对应的部件速度,基于预设的缺陷和速度异常的对应关系,分析所述目标打印喷头对应的速度异常情况。
10.一种基于图像识别的喷头速度异常分析系统,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1-8任一项所述的基于图像识别的喷头速度异常分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202411240008.5A CN118752776B (zh) | 2024-09-05 | 2024-09-05 | 基于图像识别的喷头速度异常分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202411240008.5A CN118752776B (zh) | 2024-09-05 | 2024-09-05 | 基于图像识别的喷头速度异常分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118752776A true CN118752776A (zh) | 2024-10-11 |
CN118752776B CN118752776B (zh) | 2024-12-31 |
Family
ID=92947928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202411240008.5A Active CN118752776B (zh) | 2024-09-05 | 2024-09-05 | 基于图像识别的喷头速度异常分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118752776B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118155120A (zh) * | 2024-05-09 | 2024-06-07 | 深圳市科服信息技术有限公司 | 一种基于人工智能的3d打印控制方法及系统 |
-
2024
- 2024-09-05 CN CN202411240008.5A patent/CN118752776B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118155120A (zh) * | 2024-05-09 | 2024-06-07 | 深圳市科服信息技术有限公司 | 一种基于人工智能的3d打印控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN118752776B (zh) | 2024-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
CN112734691A (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
US20220207687A1 (en) | Method of detecting and classifying defects and electronic device using the same | |
CN110956131B (zh) | 单目标追踪方法、装置及系统 | |
CN111310737A (zh) | 一种车道线检测方法及装置 | |
CN112101156A (zh) | 一种目标识别的方法、装置和电子设备 | |
CN115861368A (zh) | 一种针对多类图像的多类轮廓跟踪方法、装置和介质 | |
Xia et al. | Segmentation and quantitative evaluation for tool wear condition via an improved SE-U-Net | |
CN118752776A (zh) | 基于图像识别的喷头速度异常分析方法及系统 | |
CN108073464A (zh) | 一种基于速度和加速度的时序数据异常点检测方法及装置 | |
CN116755402A (zh) | 一种工件检测轨迹规划方法、装置、设备及介质 | |
CN118650884B (zh) | 基于关联喷嘴流量的3d打印异常分析方法及系统 | |
CN115661838A (zh) | 一种基于神经网络的pdf文档内容文本段落聚合的方法 | |
CN111487432B (zh) | 一种皮带测速方法、系统、设备及计算机存储介质 | |
CN115734072A (zh) | 一种工业自动化设备的物联网集中监控方法及装置 | |
CN115937970A (zh) | 手部关键点识别方法、装置、设备及存储介质 | |
CN117369372A (zh) | 一种基于mes工厂监控方法及系统 | |
JP7306460B2 (ja) | 敵対的事例検知システム、方法およびプログラム | |
CN118789825B (zh) | 基于导轨运动比对的喷头流量数据处理方法及系统 | |
CN118691184B (zh) | 基于工业物联网的货物动态追溯管理方法及系统 | |
KR20230063742A (ko) | 계층적 cnn을 이용한 스마트 팩토리에서의 제품 불량 탐지 방법 및 이를 기록한 기록매체 | |
Huo et al. | Application of an improved fast corner detection algorithm in orb-slam2 | |
CN112257587A (zh) | 目标对象的检测效果评估方法、装置、存储介质及设备 | |
CN118876434A (zh) | 基于传感数据的挤出异常监测方法及系统 | |
CN118789822A (zh) | 基于多喷嘴数据的流量数据预测方法及系统 |
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 |