JP2016533925A - 付加製造装置の自動プロセス制御 - Google Patents

Abstract

付加製造の自動プロセス制御。システムは、物体１６を製作するための付加製造装置、および装置を制御するローカルネットワークコンピュータを含む。少なくとも１つのカメラ１０が、物体１６のネットワークアクセス可能な画像を生成するために装置の製造ボリュームが見えるように設けられる。コンピュータは、物体１６の画像に基づいて物体１６が不良であるときに製造プロセスを停止するようにプログラムされる。

Description

本発明は、押出堆積、粒状溶解および焼結、粉体層および結合剤、ならびに光重合を含む各種の技術を活用してよい３Ｄプリンタなどの一般的な付加製造装置に関する。システムは、いかなる人間の手動行為なしでも完成されたジョブが印刷ボリュームから取り出され、そして次のジョブが始められ得るように自動化される装置に特に適しているが、それらに限定されない。

本出願は、２０１４年７月３１日に出願された米国特許出願第１４／４４８，２２９号の、および２０１３年８月７日に出願された米国仮出願第６１／８６３１１０号の優先権を主張し、その内容が本出願に引用して援用される。

従来の付加製造装置は、プロセスにおける様々な工程のための多数の異なるソフトウェアアプリケーションを有するツールチェーンを必要とする。寸法精度や表面仕上げなどのすべてのプロセスフィードバックは手動で測定および評価されなければならず、このフィードバックを統合してシステム機能を向上させる系統的方法もない。

設計者指定の公差を満たす物体を生産するために付加製造装置を効率的に運転することは、処理量を最大化しかつ材料および人件費を制限する目的で、ジョブ当たりの機械時間、オペレータ時間、材料消費および全体の機械休止時間を最小化することを伴う。理想的なシステムは、人間オペレータを必要とせずに２４時間体制で稼働し、そして指定される公差内の物体を生産するだけであろう。

実際には、各種の問題が失敗したジョブ、公差要件を満たさない物体、および不必要な機械休止時間に帰着する。これらの問題を手動で制御することは、特に低コスト付加製造装置では、部品を事前検査し、指定される公差要件を満たすために様々な機械パラメータを入力し、ジョブを手動で監視し、完成後の物体を取り出し、指定される公差要件の遵守を試験するために物体を測定し、かつ物体が指定される要件を満たすまでプロセスを反復的に繰り返す著しい量のオペレータ時間を必要とする。

開示される発明は、潜在的なジョブを検査し、ジョブを遠隔でリアルタイムで監視し、かつジョブの最中や後にプロセスフィードバックを収集および評価するための単一の統一インタフェースを提供することによって、オペレータが付加製造装置を制御するために使用しなければならないツールの数を最小化する。加えて、システムは現代のコンピュータビジョンおよび機械学習アルゴリズムを使用して、システムエラーおよび最大誤差を特定および修正するプロセスを自動化し、よってオペレータ入力を必要とせずに公差制御を提供する。

開示されるシステムは、コストに関与する因子を自動的に最小化することによって付加製造装置を運転する効率を上昇させる。機械学習アルゴリズムは、製造される物体の性質およびそれを製造するのに必要な時間を予測するために、入力ＣＡＤ（コンピュータ支援設計）ファイルを機械パラメータと相関させる。コンピュータビジョンアルゴリズムまたは一体型３Ｄスキャナは、公差要件が満たされることを確実にするために、かつ予測が時間とともに改善するように機械学習アルゴリズムにフィードバックを提供するために、製造後の物体を評価する。しかるに、システムは、製造時間を最小化するのに対して、指定される公差を満たす公算を最大化する機械パラメータを設定するその能力を徐々に向上させる。これは、ジョブ当たりの時間も仕様を満たすために必要とされる反復回数も最小化する。反復を最小化することは、無駄になる材料消費を制限し、かつ装置の全体の処理量を増加させる。

システムは、コンピュータビジョン技術を用いて様々な較正ルーチンを自動的に行い得る。所定の材料のための温度較正は、試験用物体を異なる温度で印刷すること、および最善のベッド密着性、表面仕上げおよび寸法精度を有する物体を選択することを伴う。プレート上に印刷される較正パターンの画像はベッド水平度およびノズル高さに関する情報を提供する。ブレードを印刷面と整列配置するために最適なｚ高さなどの部品取り外し特性はコンピュータビジョンを用いて最適化される。部品密着性は、取り外しブレードに動力を供給するモータによって引き出される電流量から推定され得る。

システムは、材料消費を追跡し、オペレータが材料カートリッジを交換する計画的な休止時間を予定する前に、材料供給業者にいつ新しい材料を出荷するべきかを自動的に通知する。これはオペレータが材料カートリッジを非最適な時間に交換するのを防止するが、すなわち早すぎれば使用可能な材料が無駄にされることがあることを意味し、そして遅すぎれば不必要な機械休止時間を意味する。

システムは、可能な限り初期の時点で失敗を検出するためにコンピュータビジョンアルゴリズムを用いてリアルタイムでジョブを監視する。ジョブが完了されるまで待って部品を測定および検査するよりもむしろ、システムはジョブが仕様を満たしそうにないことをプロセスの初期に検出できる。ジョブは初期に終了され、かつ再開され、または追加の材料および機械時間を無駄にすることを回避するためにスキップされ得る。

システムは、オペレータがジョブをキューに追加し、仕様および公差を入力し、ＣＡＤファイルを検査し、かつ所望により追加の手動監視を提供するための単一のインタフェースを提供する。インタフェースは３Ｄ印刷プレビューを含み、これはＣＡＤファイルおよび提案される機械パラメータを組み込んで付加製造装置の予測される出力を視覚化する。３Ｄ印刷プレビューは、オペレータが多数の仕様を調整し、かつそれらの調整がどのように印刷される物体に影響を及ぼすであろうかの予測フィードバックをリアルタイムで得ることを可能にする。また、３Ｄ印刷プレビューは、エラーに帰着しそうであるＣＡＤモデルの特徴を検出および注釈もできる。

また、本発明は、非破壊的走査が３Ｄプリンタに統合されることを可能にする新規な３Ｄ走査方法を含む。物体を照らす個別制御されるライトの配列が、寸法精度を検証するために撮像および測定される影を生じさせる。

付加製造装置の自動化プロセス制御のための本発明に係るシステムは、物体を製作するための３Ｄプリンタなどの付加製造装置、および装置を制御するローカルネットワーク化コンピュータを含む。少なくとも１つのカメラが、物体のネットワークアクセス可能な画像を生成するために装置の製造ボリュームが見えるように設けられる。コンピュータは、物体の画像に基づいて物体が不良であるときに製造プロセスを停止するようにプログラムされる。

好適な実施形態では、少なくとも１つのカメラは製造ボリュームの固定視野を有する。代わりに、カメラは製造ボリュームのロボット制御される視野を有してよい。画像はビデオストリームまたは静止画像であってよい。好適な付加製造装置は３Ｄプリンタである。別の好適な実施形態では、コンピュータは遠隔アルゴリズムを実行する一連のサーバ側アプリケーションをさらに含む。ウェブブラウザベースの制御インタフェースが設けられてよい。アルゴリズムはマルコフ、ベイズ推論または人工ニューラルネットワークアルゴリズムなどの機械学習アルゴリズムを含んでよい。

別の好適な実施形態は、リアルタイムで物体レンダリングを更新するために３Ｄ印刷プレビューを含む。システムは、各ライトの視点からの投影像を再構築するための物体影を生じさせるためのライトの配列をさらに含んでよい。

付加製造装置の製造ボリューム内の印刷面を視野に入れるカメラを含む本発明の実施形態の斜視図である。 付加製造装置の製造ボリューム内の印刷面を視野に入れるカメラを含む本発明の実施形態の斜視図である。 画像とレンダーとの比較を伴う層単位の検証を図示する本発明の実施形態の斜視図である。 画像とレンダーとの比較を伴う層単位の検証を図示する本発明の実施形態の斜視図である。 ライトの配列を活用して印刷されている物体から影を投げる本発明の実施形態のそれぞれ側面および上面図である。 ライトの配列を活用して印刷されている物体から影を投げる本発明の実施形態のそれぞれ側面および上面図である。 システム動作を図示する全体システム図である。 本発明の実施形態に係る層単位の検証を伴う自動化プロセス制御のためのフロー図である。

デスクトップ３Ｄプリンタは完全には信頼できないので、かなり堅牢なエラー検出および訂正が真の自動化のために必要である。本特許出願は、３Ｄ印刷プロセスをさらに自動化および最適化するために、いくつかのソフトウェアおよびハードウェア技術について述べる。

自動化プロセス制御は３Ｄ印刷プロセスの計算モデルを構築することを伴う。目的は、ＣＡＤファイルならびに寸法および構造仕様および公差に基づいて印刷パラメータを最適に選択することである。モデルは、計算モデルにフィードバックを提供するために結果として生じる出力を自動的におよび／または手動で評価することによって連続的に改良される。

入力特徴はＣＡＤファイルおよびユーザ指定のパラメータの両方から収集される。ＣＡＤファイルは、任意の閉曲面または層に沿った横断面積、印刷面との接触面積および全周、壁厚、必要とされる支持材料、ならびに支持される特徴の角度などの関連する特性を求めるために分析される。ユーザは多数の軸に沿った寸法公差および強度要件ならびに指定の面の表面仕上げ要件を特定してよい。

これらの入力特徴は最適なスライスパラメータを推定するために使用される。スライスパラメータは、印刷面およびノズル温度、回転配向、層高さ、各軸の最大速度および加速度、ならびに充填パターンおよび密度などの情報を含む。一旦設定が確定されると、ＣＡＤファイルはスライスされてプリンタに送られる。

印刷の間、コンピュータビジョンアルゴリズムは失敗を監視する。図１Ａでは、カメラ１０は印刷面１２を視野に入れるために位置される。図１Ｂに図示されるように、印刷面１２の角が判定され、そして欠陥がグレア領域１４として現れる。

アルゴリズムはエラーの原因を予測するために調整される。たとえば、エラーが印刷の非常に初期に検出されるならば、おそらく印刷面の水平度またはコーティングに関する問題がある。エラーが印刷の後になって突然でかつ深刻であるならば、部品が印刷面から離れたおそれがあり、失敗の原因は弱いベッド密着性および／または反りである。

印刷後、システムは各種の出力を収集する。寸法精度および表面仕上げは一体型３Ｄスキャナによって提供される物体の３Ｄ走査から推定される。印刷面密着性は、取り外しシステムに動力を供給するモータによって引き出される電力量から推定され得る。

収集される情報のすべては計算モデルのためのフィードバックとして使用され得る。
時間とともに、様々な失敗モードが対応するスライスパラメータと関連されるようになるであろう。たとえば、弱いベッド密着性はおそらく不適当な温度設定または印刷方向によって引き起こされる。寸法公差を満たすことの失敗はおそらく不適当な加速度、速度または層高さによって引き起こされる。機械学習アルゴリズムは各入力と各失敗モードとの間の相関度を求める。

システムは来るべきジョブのための印刷キューを維持し、各ジョブは消費されるフィラメントの量および推定される印刷時間などのメタデータを含む。加えて、システムは各プリンタのためのフィラメントの量および種類を追跡する。

顧客に出荷する前に、材料供給業者は所定の材料カートリッジに様々な品質管理および較正プロセスを行い得る。たとえば、供給業者は正確なフィラメント径を測定し、較正ルーチンを実行してノズルおよび印刷面両方のための最適な印刷温度を求める。カートリッジには一意のＩＤ番号が添えられ、これは対応する較正情報とともにウェブインタフェースに入力される。材料供給業者にこれらの工程を行わせることによって、バッチ単位で較正がなされ得る。これは、エンドユーザに各材料カートリッジのために較正させるよりも非常に効率的である。それは想定される平均値からの変動性を最小化し、よってバッチが同じ性質を有するであろうと想定するよりも非常に高い精度に帰着する。

システムは、各プリンタのための有効なカートリッジＩＤを、各カートリッジＩＤのための較正および残材料情報と同様に記憶する。ユーザがプリンタの材料を交換することを望むときはいつでも、新しいカートリッジＩＤを最初に入力しなければならない。システムは対応するプリンタの有効な材料を更新し、その材料カートリッジＩＤと関連される較正情報に基づいて、物体をキューに再スライスするであろう。各印刷ジョブ（成功したまたは失敗した）の後、システムは関連する材料ｉｄに対して残っている材料の量を更新する。

新しいジョブが印刷キューに追加されるときはいつでも、システムはジョブが完了するための十分な残材料があるであろうかどうか確認する。残材料の量が不十分であるならば、システムは材料交換を予定し、オペレータに通知するであろう。その後、材料交換の前に完成され得るような、より少ない材料を必要とする別のジョブが提示されるならば、システムは新しいジョブをキューにおいて前方に自動的に移動させるであろう。

各部品がキューに追加されるにつれて、システムはこれらの材料確認を行う。これは、各印刷が始まる直前に不十分な材料供給を検出するよりもむしろ、システムがそのような不足をかなり前もって検出することを意味する。これは各種の最適化を見越す。より少ない材料を必要とするより小さいジョブは、カートリッジの終わりに材料を無駄にすることを回避するためにキューにおいて先へ移動され得る。材料交換ははるかに前もって予定され得、オペレータが交換頃の彼らのスケジュールを計画可能にする。

システムは各プリンタのための平均の材料消費率を維持する。これは、供給業者および出荷リードタイムに関する情報と組み合わされて、システムが交換材料を自動的に注文し、それをジャストインタイムで到着させることを可能にする。これは誤った時間に交換材料を得ることと関連される問題を回避するが、すなわち早すぎれば未使用の材料が使用される前に劣化してしまうことがあり、遅すぎれば材料が到着するのを待つ間に不必要な機械休止時間があることがある。

ユーザは、たとえば彼らが異なる色または材料種を必要とするならば、現在の有効な材料が不足してくる前でさえ、材料を変更してよいことに留意されたい。古いカートリッジはいずれ再設置され得る。事実、古いカートリッジはシステムに接続される異なるプリンタに設置さえされ得る。これは、システムが残材料情報をプリンタ単位でなくカートリッジ単位で記憶する理由で、可能である。

マジックミラーが、コンピュータビジョンアルゴリズムのための安定した照明環境を促進するために使用され得る。光が印刷ボリュームから出られるが、そこに入れないようにすることは、オペレータは機械を観察することが依然可能であろうが、外部照明条件はコンピュータビジョンアルゴリズムの精度に影響を及ぼさないであろうことを意味する。内部照明条件は安定であり、また画像と比較されるであろう図２に図示されるようなレンダーを生成するために使用される場面に統合され得る。ミラーガラスで異なる外部照明条件のために制御することはコンピュータビジョンアルゴリズムの精度および整合性を向上させるだろう。

図２Ａおよび２Ｂは層単位のカメラ検証を例示する。図２Ａに図示されるように、部分的に印刷された部品１６は部分的な部品のレンダー１８と比較される。部分的に印刷された部品１６が選択される閾値を越えてレンダー１８から異なるならば、部品１６は不良であり、システムは、部分的に印刷された部品１６が取り外しおよび放棄されてよいようにシャットダウンするべきである。

完全自動化３Ｄプリンタはなんらかの形状の自動化部品取り外しを活用して印刷間に印刷面を開放する。コンピュータビジョンアルゴリズムは取り外しが成功したこと、および印刷面が次の印刷が開始するのに十分清潔であることを検証するために使用される。プロセスは、較正ルーチン、異なる照明環境を補償する技術、および印刷面開放検証ルーチンから成る。図１Ａおよび１Ｂを参照。

較正は人間オペレータを関与させる手動プロセスである。オペレータは印刷面が完全に開放していることをまず確認する。システムは次いで面を原点へ移動させ、基準画像を捕える。次に、エッジ検出または他のコンピュータビジョンアルゴリズムが、基準ピクチャのどのピクセルが印刷面を表すかを判定する目的で印刷面の角を特定するために使用される。人間オペレータはこの印刷面分離を検証または訂正する。図２Ａおよび２Ｂを参照。

次に、オペレータはプリンタが遭遇してよい様々な照明条件を循環させる。これはライトをオン／オフにすること、ブラインドを開閉すること、および日中も夜間も試験することを含む。照明条件の可能な組合せごとに、人間オペレータはコンピュータシステムに、原点の印刷面でグレア較正画像を捕えるように信号を送る。プリンタ上のウェブカメラおよび／または外部センサが、各グレア較正画像と関連される周囲照明条件を測定する。これで較正プロセスを終える。

取り外しを試みた後、システムは印刷面開放検証ルーチンを行う。まず、プリンタが周囲照明条件を測定して現在の最も起こりそうな照明条件を判定する。それは、これらの条件を使用して、グレア低減のためにどのグレア較正画像を使用するべきかを選択する。次に、プリンタは印刷面を原点に移動させ、検証画像を捕える。特徴認識または閾値処理などのグレア低減技術は検証画像からできるだけ多くのグレアを除去する。最後に、エッジ検出アルゴリズムがグレア低減検証画像に実行される。エッジが印刷面内で検出されないならば、プリンタは、印刷ボリュームが開放しており、そのためそれが次の印刷を開始してよいと通知される。エッジが検出されるならば、プリンタは取り外しルーチンを再度実行するよう通知される。システムが複数回続けて取り外し失敗を検出するならば、オペレータはシステムを検査し、かつ部品を手動で取り外すよう通知される。

層単位の検証は印刷プロセスの最中にエラーを検出するために使用される。エラーが検出されれば、システムはジョブを再試行するかまたはキューの次のジョブへ移行するかの前に、失敗した印刷をキャンセルおよび取り外しできる。層単位の検証は、較正ルーチン、拡張スライスルーチン、および層単位の検証ルーチンから成る。

較正ルーチンは、その高さ（ｚ高さ）およびカメラからの距離に応じて印刷面の境界を特定する。まず、人間オペレータは面が開放していることを検証しなければならない。次に、プリンタは各種のｚ−高さへ移動し、そのｚ−高さと関連される較正画像を捕える。各較正画像ごとに、印刷面の角はエッジ検出アルゴリズムによって自動的に、または人間オペレータによって手動で特定される。

層単位の検証は、専門のスライス技術を必要とする。あらゆる層のためにｇ−コードを生成するのみよりもむしろ、スライサは各層が印刷された後部品が何のように見えるであろうかという予測レンダーも生成しなければならない。これは、部分的に印刷された物体の形状だけでなく、層高さならびに充填パターンおよび密度などの他のスライスパラメータも考慮する。これらのレンダーは、使用されている材料ならびに周囲および印刷温度に基づいて材料収縮に適応するように調整される。この情報は適切なｚ−高さおよびカメラからの距離での印刷面の較正画像と組み合わされて、各層が印刷された後、印刷が何のように見えるべきかというレンダーを生成する。

層単位の検証ルーチンは、技術が３Ｄ印刷のあらゆる層の後に画像を捕えることを必要とする。これは、各層の終わりに印刷のためのｇ−コードファイルに挿入されるカスタムｇ−コードを含むことができよう。ファームウェアがこのカスタムｇ−コードを実行するときに、それは層検証画像を捕えるためにウェブカメラに信号を送る。リモートまたはローカルサーバが層検証画像を処理する一方で、印刷は中断されずに続き得る。検証プロセスが許容可能な公差からの変動を検出する場合だけ、印刷はキャンセルされるであろう。

一旦層検証画像が捕えられ、リモートまたはローカルサーバに送信されると、システムは検証画像をスライスルーチンからの現在のｚ−高さと関連される予測レンダーと比較する。この検証は、現在の印刷がどれだけ予測されたレンダーに近いかを判定するために、エッジ検出、特徴認識および他コンピュータビジョン技術を含む。画像とレンダーとの間の違いが閾値未満であるならば、印刷は続行してよい。さもなければ、印刷ジョブはキャンセルおよび取り外しされ、その後、印刷ジョブは再び試みられ得る（潜在的に調整されたパラメータで）か、またはキュー上の次のジョブが印刷され得るように、スキップされ得る。

検証アルゴリズムは部品の形状だけでなく、印刷面に対するその位置も比較する。これはシステムが、部品が印刷面から部分的にまたは完全に分離される時を検出可能にする。これは、ジョブを再開せずには回復され得ない一般的な失敗モードであり、また失敗したジョブが終了されなければ潜在的にプリンタに損傷を引き起こし得る。

特に材料が印刷面または背景と非常に類似した色であるときに、影を検出することは失敗を検出することに非常に役立つ。プリンタの照明条件はレンダーを生成するために使用される場面に含まれるので、影はレンダーにも画像にも存在する。これらの影を比較することは、印刷が成功しているかどうかに関する追加のデータを提供する。

ここで、図３Ａおよび３Ｂを参照すると、ライト２０はライトの配列を形成する。ライト２０は発光ダイオードであってよい。図３Ａおよび３Ｂに図示されるように、ライトは観察されている特徴Ａから影を投げる。

印刷が失敗したかどうか予測するアルゴリズムの能力を向上させるために、ユーザはタイムラプスのどのフレームが失敗の時点として層検証画像から生成したかを注釈できる。すべての以前の画像はエラー検出分離アルゴリズムのための負の訓練例（エラーでない）として使用され得るし、すべての以降の画像は正の訓練例（エラー）として使用され得る。

また、層単位の検証は自動プリンタ自己保存をも可能にする。いくつかの失敗した印刷は潜在的に、たとえばモータがスキップした後、印刷ヘッドを破壊することによって、または流れてきた材料がベルト、プーリーおよび軸受などの構成要素で動けなくなることによって、プリンタがそれ自体に損傷を与える結果になる。プロセス内の失敗を検出することによって、機械は深刻な損傷を引き起こす程長くは失敗した印刷を継続しそうにはない。

全３Ｄ印刷プロセスの継続的改善を促進するために、システムは、コンピュータビジョンおよび機械学習技術の組合せを使用して印刷を評価し、スライスプロセスのためのパラメータ最適化を向上させる。これは、スライスソフトウェアへの様々な関連する入力および印刷されているモデルの特徴、ならびに両成功および不成功の印刷の関連する特徴を伴う。システムは、スライスソフトウェアのための入力を選択するために３Ｄモデルの特徴を評価し、次いでフィードバックを提供するために、印刷された部品の２Ｄ画像または３Ｄ走査いずれかを評価する。時間とともに、システムは、高品質の印刷を生産するためにスライス設定を最も最適化する方法を学習するであろう。

３Ｄモデルの特徴は、様々な高さでの横断面積、印刷面接触面積、ユーザ注釈の力ベクトル、壁厚、ユーザ指定の印刷時間要件、および他の関連する特徴を含んでよい。スライサパラメータは、スライスソフトウェアの層高さ、充填パターンおよび密度、押出幅、印刷温度および様々な他パラメータを含んでよい。モデルからのフィードバックは、寸法精度、表面仕上げ、測定された印刷時間およびユーザ供給の強度評価などの測定基準を含んでよい。

３Ｄ走査および／またはコンピュータビジョンは部品の品質を検証するために使用される。これは、オペレータが部品を印刷し、かつそれが仕様を満たすであろうことを知ることを可能にする。システムは３Ｄ走査および／またはコンピュータビジョンアルゴリズムを使用して、完成されたまたは部分的に完成された部品の外面をＣＡＤモデルおよび仕様と比較する。ジョブが仕様を満たさないならば、それは任意選択で仕様の遵守の公算を増加させる変更された設定で自動的に再提出され得る。オペレータはもはや反復的にパラメータを設定し、印刷し、部品を測定する必要はなく、これはシステムがこのプロセスのすべてのステップを自動的に行うからである。

各種の機械学習アルゴリズムは、これらの特徴をマップし、３Ｄ印刷スライサパラメータのためのモデルを開発するために適切であってよい。これらは隠れマルコフモデル、ベイズ推論および人工ニューラルネットワークアルゴリズムを含む。

部品評価は層単位で行われ得る。これは、システムが印刷が完了されるときに見えなくてもよい内部特徴の公差を検証することを可能にする。この部分からの技術のすべては層単位のルーチンに統合されて、機械学習アルゴリズムへプロセス内フィードバックを提供できる。

新しいフィードバックがモデルに重大な変化を引き起こすとき、古いスライスパラメータはもはや最適でなくてよい。システムはそのような重大な変化を検出し、更新されるモデルを利用するためにキューで待機中の部品を再スライスできる。システムが１つまたは複数のプリンタから、一定のパラメータを調整することが関連する特徴の品質を大いに非常に向上させることを学習した場合、他のプリンタはこの情報を使用して向上されたモデルに基づいてキュー内の部品を再スライスできる。

ブラウザを通してクラウドにおいて、およびローカルにインストールされたソフトウェアによって、３Ｄモデルを見て操作するために利用可能な多くのツールがある。しかしながら、これらのツールのいずれも、様々なスライス設定がどのように印刷されている物体に影響を及ぼすであろうかに関する直接のフィードバックは提供しない。我々のシステムは３Ｄ印刷プレビューを含み、これは入力設定がどのように印刷される形状に影響を及ぼすであろうかというリアルタイム視覚フィードバックをユーザに与える。

３Ｄ印刷プレビューは、潜在的な３Ｄ印刷の正確なリアルタイムレンダリングを生成するために、関連するコンテキスト属性を組み込む。たとえば、システムは、ユーザのプリンタに現在装填されるフィラメントの色に基づいて、印刷プレビューの色を選択する。加えて、物体は印刷容量の一定の比率の表現内で描かれる。

ユーザが印刷設定を調整するにつれて、３Ｄ印刷プレビューはレンダリングをリアルタイムで更新する。たとえば、ユーザが速度対品質設定を調整するとき、システムは物体を印刷するために使用される層高さを調整する。物体のレンダーは層高さの表現を含み、これはユーザが速度対品質スライダを調整するにつれてリアルタイムで調整される。層高さは大部分の部品のサイズに対し非常に小さいので、レンダーの不要なアーチファクトを回避するのにアンチエイリアス技術が必要である。

レンダリング前にモデル上の複雑な前処理を必要とする工具経路視覚化ツールとは異なり、３Ｄ印刷プレビューは、モデルの計算的に効率的な視覚化を生成する。最も高速なプリプロセッサ（別名スライサ）でさえ平均サイズのファイルから工具経路を生成するのに１０−２０秒要する。これらのプリプロセッサはパラメータ更新ごとに再び実行しなければならない。３Ｄ印刷プレビューは、ユーザのウェブブラウザに急速にロードし、かつＣＡＤファイルをスライスする前に主要な印刷パラメータを制御するスライダにリアルタイムに応答する。

従来の３Ｄスキャナは概して、走査されている物体に対する、レーザーおよびカメラの回転を必要とする。この回転をデカルト３Ｄプリンタと統合してデュアル３Ｄプリンタ／スキャナを製作することは困難であり得る。我々は、物体に対してカメラを移動させることなく３Ｄ走査を生成するために、少数の標準ウェブカメラおよびライトの配列を有するシステムを提案する。

図３Ａおよび３Ｂは、印刷されている物体から２Ｄ投影を収集するためのライトの適切な配列を例示する。

システムはライトの配列を使用して様々な角度から物体の２Ｄ投影（影）を収集する。ライトはカメラが検出できるもの内のスペクトル範囲を発しなければならないが、しかしこの範囲は可視スペクトル内であってもまたはなくてもよい。ライトは１つずつかまたは特定の群ごとに付けられ、そして、物体の画像は各ウェブカメラで収集される。物体の影は各ライトの視点から投影像を再構築するために使用され得る。これらの投影像のいくつかは物体の３Ｄモデルを再構築するために使用され得る。

システムは、正確な格子を有する印刷面を使用してコンピュータビジョンアルゴリズムのための基準点を提供することによって向上され得る。加えて、システムは、関連する寸法が測定され得ることを保証するために、指定される寸法公差を有する軸を１つまたは複数のライトと整列配置できる。最後に、システムは、必要な視野を得るために、印刷面をｚ軸に沿って移動させ得るか、または、ウェブカメラを移動させ得る。

任意の物体を走査することと製造された部品が仕様を満たすかどうか確認することとの間の差は微妙であるが重要である。システムは物体が何のように見えるべきかについて知っているので、それは特定のライトの組合せがどんな影を生じさせるであろうかを予測し、次いでそれらの影が予想通りに見えるかどうか検証できる。これは、少ない選択の投影像から全体の３Ｄモデルを生成しようと試みるよりも非常に単純なプロセスである。

この技術は、多色ライトまたは異なる波長を有するライトを使用することにより潜在的に最適化され得よう。カメラがライトの任意の可能な組合せを正確に特定できるならば、上記プロセスで単一の画像が使用され得る。カメラフィルタが特定のスペクトルを分離するために使用され得る。画像の各ピクセルで測定される色に基づいて、システムは、どのライトがその時点で妨害されずに輝いているかを判定するであろう。これは再び各ライト視野からの一連の影に帰着するであろうが、これは投影像および次には物体の再構築される３Ｄモデルを生成するために使用され得る。

図４は、全体システム図を図示する。この図は、システムのリモートおよびローカル態様を共に図示する。図５は、本発明の自動化プロセス制御を層単位の検証で例示する。

Claims (13)

1. 付加製造装置の自動化プロセス制御のためのシステムであって、
   物体を製作するための付加製造装置と、
   前記装置を制御するローカルネットワーク化コンピュータと、
   ネットワークアクセス可能な前記物体の画像を生成するために前記装置の製造ボリュームの視野を持つ少なくとも１つのカメラと、
   を備え、
   前記コンピュータが、前記物体の前記画像に基づいて前記物体が不良であるときに製造プロセスを停止するようにプログラムされることを特徴とするシステム。
2. 請求項１に記載のシステムであって、前記少なくとも１つのカメラが、前記製造ボリュームの固定視野を有することを特徴とするシステム。
3. 請求項１に記載のシステムであって、前記少なくとも１つのカメラが、前記製造ボリュームのロボット制御される視野を有することを特徴とするシステム。
4. 請求項１に記載のシステムであって、前記画像がビデオストリームであることを特徴とするシステム。
5. 請求項１に記載のシステムであって、前記画像が静止的であることを特徴とするシステム。
6. 請求項１に記載のシステムであって、前記付加製造装置が３Ｄプリンタであることを特徴とするシステム。
7. 請求項１に記載のシステムであって、前記コンピュータが遠隔アルゴリズムを実行する一連のサーバ側アプリケーションをさらに含むことを特徴とするシステム。
8. 請求項１に記載のシステムであって、ウェブブラウザベースの制御インタフェースをさらに含むことを特徴とするシステム。
9. 請求項７に記載のシステムであって、前記アルゴリズムが機械学習アルゴリズムを含むことを特徴とするシステム。
10. 請求項１に記載のシステムであって、前記製造ボリュームがその上に較正パターンを含むことを特徴とするシステム。
11. 請求項９に記載のシステムであって、前記機械学習アルゴリズムがマルコフ、ベイズ推論または人工ニューラルネットワークアルゴリズムを含むことを特徴とするシステム。
12. 請求項１に記載のシステムであって、リアルタイムで物体レンダリングを更新するために３Ｄ印刷プレビューをさらに含むことを特徴とするシステム。
13. 請求項１に記載のシステムであって、各ライトの視点からの投影像を再構築するための物体影を生じさせるためのライトの配列をさらに含むことを特徴とするシステム。