KR102382712B1 - 인공지능 기반의 3d 프린팅 제어 방법 및 시스템 - Google Patents

인공지능 기반의 3d 프린팅 제어 방법 및 시스템 Download PDF

Info

Publication number
KR102382712B1
KR102382712B1 KR1020200178598A KR20200178598A KR102382712B1 KR 102382712 B1 KR102382712 B1 KR 102382712B1 KR 1020200178598 A KR1020200178598 A KR 1020200178598A KR 20200178598 A KR20200178598 A KR 20200178598A KR 102382712 B1 KR102382712 B1 KR 102382712B1
Authority
KR
South Korea
Prior art keywords
object data
output
printing
modified
printer
Prior art date
Application number
KR1020200178598A
Other languages
English (en)
Inventor
김남현
Original Assignee
김남현
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 김남현 filed Critical 김남현
Priority to KR1020200178598A priority Critical patent/KR102382712B1/ko
Application granted granted Critical
Publication of KR102382712B1 publication Critical patent/KR102382712B1/ko

Links

Images

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
    • B29C64/10—Processes of additive manufacturing
    • B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
    • B29C64/124—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material using layers of liquid which are selectively solidified
    • 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
    • B29C64/20—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B29C64/245—Platforms or substrates
    • 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
    • B33Y10/00—Processes of 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
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • 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
    • 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
    • B33Y70/00—Materials specially adapted 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
    • G06N3/08—Learning methods

Abstract

본 개시의 일 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법은, 사용자 단말기로부터 출력 대상물의 3D 객체 데이터 및 3D 프린팅 요구사항 중 적어도 하나를 수신하는 단계, 3D 객체 데이터를 분석하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 단계, 3D 프린팅 요구사항에 따라 출력 대상물을 출력할 3D 프린터를 선택하는 단계, 및 선택된 3D 프린터에 연관된 3D 프린팅 에이전트로 수정된 3D 객체 데이터를 전송하는 단계를 포함한다.

Description

인공지능 기반의 3D 프린팅 제어 방법 및 시스템 {METHOD AND SYSTEM FOR CONTROLLING 3-DIMENSIONAL PRINTING OPERATIONS BASED ON ARTIFICIAL INTELLIGENCE}
본 개시는 인공지능 기반의 3D 프린팅 제어 방법 및 시스템에 관한 것으로, 좀 더 구체적으로, 3D 프린팅에 관한 다양한 요구사항들을 기초로 3D 프린터를 선택하고, 출력 대상물의 3D 객체 데이터에 대해 적합한 지지대 구조를 결합하여 3D 프린터를 통해 최적의 대상물 출력이 가능한 방법 및 시스템에 관한 것이다.
3차원 프린터 중에서 광중합 방식(photo-polymerization)을 사용하는 프린터는 액상의 광경화 수지를 출력 소재로 사용한다. 액상 광경화 수지는 자외선 또는 가시광에 노출되었을 때 물성의 변화가 발생하여 경화되기 때문에 3차원 프린터의 출력 소재로 사용되기 적합하다. 광중합은 액상 광경화 수지에 빛이 조사될 때 교차 결합이 발생하는 과정인 노광 또는 큐어링(curing)의 원리를 이용하는 것이며, 노광 방식에 따라 3차원 프린터는 SLA(stereo lithography apparatus) 방식, DLP(digital light processing) 방식, LCD(liquid crystal display) 방식 등으로 분류된다.
이러한 광중합 방식의 3차원 프린터의 경우, 매우 작은 치수 단위(예를 들어, 마이크로미터)로 3차원 출력물의 형상, 치수 등에 관한 품질이 결정되기 때문에, 3차원 프린터에 포함된 광학 장치의 정밀도, 광량, 노광 시간 등의 정밀한 제어가 매우 중요하다. 예를 들어, 3차원 프린터의 외부 온도의 변화에 따라 광학 장치의 광량이 증가하거나 감소할 수 있으므로, 주변 환경에 따른 프린터의 제어 파라미터의 조절이 필요할 수 있다.
한편, 광중합 방식 중에서 LCD 방식을 이용하는 3차원 프린터의 경우, 출력물이 생성되는 동안에 해당 출력물이 3D 프린터의 플레이트에 잘 연결되어 유지되도록 하기 위해서는, 출력물을 위한 베이스(base) 및 서포트(또는 지지대)(support)의 구성과 출력물에 대한 베이스 및 서포트의 스케일(scale) 조정이 필요할 수 있다. 그러나, 종래의 3차원 프린터에서는, 출력물을 위한 베이스 및 서포트의 구성과 스케일 조정을 사용자가 수동으로 진행하기 때문에, 출력물의 품질이 사용자의 전문성에 의존하는 문제점이 있다.
대한민국 등록특허 제10-2013177호 '치과용 아이템 제조를 위한 3차원 프린터 제어 방법, 관리장치 및 시스템
본 개시는 상기와 같은 문제점을 해결하기 위한 것으로, 3D 프린팅에 관한 다양한 요구사항들을 기초로 3D 프린터를 선택하고, 출력 대상물의 3D 객체 데이터에 대해 적합한 지지대 구조를 결합하여 3D 프린터를 통해 최적의 대상물 출력이 가능한 방법 및 시스템을 제공한다.
본 개시는 방법, 시스템, 장치 또는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법은, 사용자 단말기로부터 출력 대상물의 3D 객체 데이터 및 3D 프린팅 요구사항 중 적어도 하나를 수신하는 단계, 3D 객체 데이터를 분석하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 단계, 3D 프린팅 요구사항에 따라 출력 대상물을 출력할 3D 프린터를 선택하는 단계, 및 선택된 3D 프린터에 연관된 3D 프린팅 에이전트로 수정된 3D 객체 데이터를 전송하는 단계를 포함한다.
일 실시예에 따르면, 3D 객체 데이터를 분석하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 단계는, 3D 객체 데이터를 분석하여 출력 대상물의 기준면을 선택하여 출력 대상물의 방향을 결정하는 단계, 및 기준면에 기초하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에 따르면, 3D 객체 데이터를 분석하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 단계는, 3D 객체 데이터를 입력으로 3D 프린팅에 적합한 지지대를 추가한 수정된 3D 객체 데이터를 출력하도록 학습된 인공신경망 모델에 의해, 3D 객체 데이터를 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터로 변환하는 단계를 포함할 수 있다.
일 실시예에 따르면, 수정된 3D 객체 데이터를 사용자 단말기로 전송하는 단계, 사용자 단말기로부터 수정된 3D 객체 데이터에 대한 피드백 정보를 수신하는 단계, 및 피드백 정보에 따라 수정된 3D 객체 데이터에 대한 추가 수정을 실행하는 단계를 더 포함할 수 있다.
본 개시의 다른 실시예에 따른 인공지능 기반의 3D 프린팅 제어 시스템은, 복수의 사용자 단말기와 통신 가능하며, 복수의 사용자 단말기 중 적어도 하나로부터 출력 대상물의 3D 객체 데이터 및 3D 프린팅 요구사항 중 적어도 하나를 수신하는 통신부, 3D 객체 데이터를 분석하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 지지대 최적화부, 및 3D 프린팅 요구사항에 따라 출력 대상물을 출력할 3D 프린터를 선택하는 3D 프린터 관리부를 포함한다.
본 개시의 또 다른 실시예에 따르면, 상술한 인공지능 기반의 3D 프린팅 제어 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일부 실시예에 따르면, 3D 프린팅에 관한 다양한 사용자 요구사항들을 기초로 시스템에 연결된 하나 이상의 3D 프린터 중의 어느 하나를 선택하고, 선택된 3D 프린터의 제어 파라미터들을 최적화함으로써, 3차원 프린팅 작업의 효율을 증가시키고 3차원 프린팅 출력물의 품질을 향상시킬 수 있다.
본 개시의 일부 실시예에 따르면, 인공지능 기반으로 학습된 지지대 최적화 모델을 이용하여 출력 대상물의 3D 객체 데이터에 대해 적합한 지지대 구조를 결합하여 3D 프린터를 통해 최적의 대상물 출력을 실행함으로써, 3D 프린터의 출력 성공률을 증가시킬 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 인공지능 기반의 3차원 프린팅 제어 방법에 의해 3차원 프린팅 서비스가 제공되기 위해, 복수의 사용자 단말기, 3D 프린팅 최적화 서버, 및 3D 프린터가 통신 가능하도록 연결되는 시스템을 나타내는 개요도이다.
도 2는 본 개시의 일 실시예에 따른 3D 프린팅 최적화 서버의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 3D 프린팅 에이전트의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 3D 객체 데이터에 대해 최적화된 지지대 구조를 결합하여 수정된 3D 객체 데이터를 생성하도록 학습되는 인공신경망 기반의 지지대 최적화 모델의 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법을 나타내는 흐름도이다.
도 6은 본 개시의 다른 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법을 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만 '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 명세서에서 'A 및/또는 B'의 기재는 'A', 또는 'B', 또는 'A 및 B'를 의미한다.
도 1은 본 개시의 일 실시예에 따른 인공지능 기반의 3차원 프린팅 제어 방법에 의해 3차원 프린팅 서비스가 제공되기 위해, 복수의 사용자 단말기, 3D 프린팅 최적화 서버, 및 3D 프린터가 통신 가능하도록 연결되는 시스템을 나타내는 개요도이다.
도시된 바와 같이, 시스템(100)은, 인공지능 기반의 3차원 프린팅 제어 방법에 의해 3차원 프린팅 서비스를 제공하는 3D 프린팅 최적화서버(130), 3D 프린팅 최적화서버(130)와 네트워크(120)를 통해 연결된 사용자 단말기(110), 및 출력 대상물을 생성하는 3D 프린터(160)를 포함할 수 있다.
3D 프린팅 최적화서버(130)는 네트워크(120)를 통해 복수의 사용자 단말기(110_1, 110_2, 110_3)에게 3차원 프린팅 서비스를 제공할 수 있다. 일 실시예에 따르면, 3D 프린팅 최적화서버(130)는 인공지능 기반의 3차원 프린팅 제어 방법에 의해 3차원 프린팅 서비스와 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 3D 프린팅과 관련된 각종 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스(140), 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스(140)를 포함할 수 있다. 3D 프린팅 최적화서버(130)에 의해 제공되는 3차원 프린팅 서비스는, 복수의 사용자 단말기(110_1, 110_2, 110_3)의 각각에 설치된 3차원 프린팅 애플리케이션 또는 웹 브라우저를 통해 사용자에게 제공될 수 있다.
복수의 사용자 단말기(110_1, 110_2, 110_3)는 네트워크(120)를 통해 3D 프린팅 최적화서버(130)와 통신할 수 있다. 네트워크(120)는, 복수의 사용자 단말기(110_1, 110_2, 110_3)와 3D 프린팅 최적화서버(130) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(120)는 설치 환경에 따라, 예를 들어 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 Zigbee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(120)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 복수의 사용자 단말(110_1 내지 110_n) 사이의 근거리 무선 통신 역시 포함될 수 있다.
사용자 단말기(110)는, 도 1에서 휴대폰 또는 스마트폰(110_1), 태블릿 컴퓨터(110_2) 및 랩탑 또는 데스크탑 컴퓨터(110_3)가 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말기(110)는, 유선 및/또는 무선 통신이 가능하고 3차원 프린팅 서비스 애플리케이션, 모바일 브라우저 애플리케이션 또는 웹 브라우저가 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말기(110)는, 스마트폰, 휴대폰, 내비게이션 단말기, 데스크탑 컴퓨터, 랩탑 컴퓨터, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 컴퓨터, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 그리고 사용자 단말기(110)는, 3D 스캐닝 데이터 또는 3D 모델링 데이터를 생성할 수 있는 3D 스캐너를 포함할 수 있다.
3D 프린터(160)는, 네트워크(120)를 통해 3D 프린팅 최적화서버(130)와 통신할 수 있으며, 3D 프린팅 최적화서버(130)로부터 전송받은 데이터에 기초하여, 출력 대상물을 생성한다. 3D 프린터(160)는 출력 대상물의 재료 또는 프린팅 방식에 따라 SLA(stereo lithography apparatus) 방식, DLP(digital light processing) 방식, LCD(liquid crystal display) 방식을 포함하는 다양한 방식을 사용하는 3D 프린터들 중 적어도 하나를 포함할 수 있다. 예를 들어, 3D 프린터(160)가 치과용 보철물, 인공치아 등과 같은 출력 대상물을 생성하는 경우, 3D 프린터(160)는 타 방식에 비해 정밀도가 우수한 LCD 방식을 사용할 수 있으나, 이에 한정되는 것은 아니다. 그리고 3D 프린터(160)는, 3D 프린팅 최적화서버(130)로부터 전송받은 데이터를 3D 프린터(160)가 인식할 수 있도록 변환시키는 3D 프린팅 에이전트(150)를 포함할 수 있다. 일 실시예에 따르면, 3D 프린팅 에이전트(150)는 3D 프린팅 최적화서버(130)로부터 3D 모델링 데이터(예를 들어, STL 파일)을 전송받아 3D 프린터(160)가 인식 가능한 슬라이싱 데이터 또는 제어 명령어(예를 들어, G-code)로 변환할 수 있다.
일 실시예에 따르면, 사용자 단말기(110)는, 이에 포함된 3D 스캐너를 이용하여 3D 스캐닝 데이터(3D 객체 데이터) 또는 3D 모델링 데이터를 생성할 수 있으며, 이때, 생성되는 3D 스캐닝 데이터(3D 객체 데이터) 또는 3D 모델링 데이터는, 예를 들어, 치과용 보철물, 인공치아, 치아시술 보조물(예를 들어, 시술 가이드 등)의 3차원적 형상을 표현하는 데이터일 수 있다. 그리고 사용자 단말기(110)는, 치아 등의 3D 스캐닝 데이터(3D 객체 데이터) 및 3D 프린팅 요구사항을 네트워크(120)를 통해 3D 프린팅 최적화 서버(130)로 전송할 수 있다.
일 실시예에 따르면, 3D 프린팅 최적화 서버(130)는, 수신된 3D 객체 데이터를 분석하여, 최적화된 지지대 구조의 객체 데이터를 포함하는 수정된 3D 객체 데이터를 생성할 수 있다. 또한, 3D 프린팅 최적화 서버(130)는, 수신된 3D 프린팅 요구사항에 따라 최적의 프린팅 결과를 출력할 3D 프린터(160)를 선택할 수 있다. 이에 따라, 3D 프린팅 최적화 서버(130)는, 수정된 3D 객체 데이터를 선택된 3D 프린터(160)에 연관된 3D 프린팅 에이전트(150)에 전송할 수 있다.
일 실시예에 따르면, 3D 프린팅 에이전트(150)는 수정된 3D 객체 데이터를 슬라이싱 데이터로 변환하여 3D 프린터(160)로 전송하여, 3D 프린터(160)가 슬라이싱 데이터를 기초로 출력 대상물을 출력할 수 있도록 한다. 이러한 과정에서 데이터베이스(140)에는, 출력 대상물의 3D 객체 데이터, 출력 대상물에 최적화된 지지대 정보, 사용자별 3D 프린팅 요구사항, 선택된 3D 프린터에 최적화된 파라미터 정보, (사용자에 의해) 수정된 3D 객체 데이터 등이 저장될 수 있다.
도 2는 본 개시의 일 실시예에 따른 3D 프린팅 최적화 서버(130)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이, 3D 프린팅 최적화 서버(130)는, 통신부(132), 파라미터 최적화부(134), 3D 프린터 관리부(136), 지지대 최적화부(138)를 포함할 수 있다.
통신부(132)는 네트워크(120)를 통해 사용자 단말기(110) 또는 3D 프린팅 에이전트(150)와 3D 프린팅 최적화 서버(130)가 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 3D 프린팅 최적화 서버(130)가 다른 사용자 단말기, 3D 프린팅 에이전트 또는 다른 시스템(일례로 별도의 데이터베이스(140), 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일 실시예에 따르면, 통신부(132)는, 사용자 단말기(110)로부터 출력 대상물의 3D 객체 데이터 및 3D 프린팅 요구사항 중 적어도 하나를 수신할 수 있다. 이때, 3D 객체 데이터는, 예를 들어, 치과용 보철물, 인공치아, 치아시술 보조물(예를 들어, 시술 가이드 등)의 3차원 형상에 대한 데이터일 수 있으며, 3D 프린팅 요구사항은, 예를 들어, 출력 대상물의 출력 시 사용하는 재료나 후술할 파라미터 등일 수 있다.
3D 프린터 관리부(136)는, 네트워크(120)를 통해 3D 프린팅 최적화 서버(130)에 연결된 하나 이상의 3D 프린팅 에이전트(150) 및 이와 연관된 3D 프린터(160)에 관한 정보를 저장 및 관리할 수 있다. 예를 들어, 시스템(100)이 SLA 방식, DLP 방식, LCD 방식으로 각기 구동되는 복수의 3D 프린터(160)을 운영하는 경우, 3D 프린터 관리부(136)는, 각각의 3D 프린터(160)의 출력방식, 각 출력 방식에 적합한 재료의 정보, 지원 파일 형식, 출력 가능한 출력 대상물의 크기 정보, 주변 온도 정보 등을 저장 및 관리할 수 있다. 이러한 정보에 기초해서, 3D 프린터 관리부(136)는, 수신된 3D 프린팅 요구사항에 따라 최적의 프린팅 결과를 출력할 3D 프린터(160)를 선택할 수 있다.
파라미터 최적화부(134)는, 3D 프린팅 요구사항에 따라 선택된 3D 프린터(160)의 제어 파라미터들을 결정할 수 있다. 예를 들어, 파라미터 최적화부(134)는, 선택된 3D 프린터(160)의 광학 엔진의 광량, 노광 시간 등을 포함하는 다양한 파라미터들을 결정할 수 있다. 일 실시예에 따라, 파라미터 최적화부(134)는, 선택된 3D 프린터(160)가 구비된 장소의 온도에 따라 광량과 노광 시간을 결정할 수 있다. 예를 들어, 파라미터 최적화부(134)는, 3D 프린터 관리부(136)로부터 선택된 3D 프린터(160)의 광원 장치가 발생시키는 현재 광량 및 현재 주변 온도 정보와, 비교 기준이 되는 기준 광량 및 기준 온도 정보를 획득할 수 있다. 만약 현재 광량과 기준 광량의 차이가 사전 결정된 임계값 이상이면, 파라미터 최적화부(134)는 3D 프린터(160)가 노광 시간을 재조정하도록 제어하는 파라미터 값을 결정할 수 있다. 즉, 현재 광량이 기준 광량에 비해 임계값 이상으로 작다면, 파라미터 최적화부(134)는 3D 프린터(160)가 노광 시간을 더 연장하도록 제어하는 파라미터 값을 설정할 수 있다. 반면, 현재 광량이 기준 광량에 비해 임계값 이상으로 크다면, 파라미터 최적화부(134)는 3D 프린터(160)가 노광 시간을 더 감소하도록 제어하는 파라미터 값을 설정할 수 있다. 이와 같이, 선택된 3D 프린터(160)의 제어 파라미터들을 최적화함으로써, 3차원 프린팅 작업의 효율을 증가시키고 3차원 출력 대상물의 품질을 향상시킬 수 있다.
지지대 최적화부(138)는, 수신된 3D 객체 데이터를 분석하여, 최적화된 지지대 구조의 객체 데이터를 포함하는 수정된 3D 객체 데이터를 생성할 수 있다. 일 실시예에 따르면, 지지대 최적화부(138)는, 3D 객체 데이터를 분석하여 3D 프린터(160)에 의해 출력될 대상물의 기준면을 선택하여 출력 대상물의 방향을 결정하고, 기준면에 기초하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성할 수 있다. 이에 더하여, 지지대 최적화부(138)는, 통신부(132)를 통해 사용자 단말기(110)로 전송된 수정된 3D 객체 데이터에 대한 피드백 정보를, 사용자 단말기(110)로부터 수신하여, 피드백 정보에 따라 수정된 3D 객체 데이터에 대하여 추가 수정할 수 있다. 예를 들어, 피드백 정보에는 기준면 또는/및 지지대의 형상 및 구조에 대한 스케일(scale) 조정 정보가 포함될 수 있다. 이처럼 지지대 최적화부(138)를 통해 1차적으로 수정된 3D 객체 데이터가, 사용자에 의하여, 객체 방향, 지지대 등에 대해 2차적으로 추가 수정될 수 있으므로, 3D 프린터(160)가 최적의 출력 대상물을 출력하는데 기초가 되는 보다 정밀한 3D 객체 데이터를 생성할 수 있다. 다른 실시예에 따르면, 지지대 최적화부(138)는, 3D 객체 데이터를 입력으로 3D 프린팅에 적합한 지지대를 추가한 수정된 3D 객체 데이터를 출력하도록 학습된 인공신경망 모델을 이용하여, 3D 객체 데이터를 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터로 변환할 수 있다.
도 3은 본 개시의 일 실시예에 따른 3D 프린팅 에이전트(150)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이, 3D 프린팅 에이전트(150)는, 통신부(152), 슬라이싱 데이터 생성부(154), 프린터 제어부(156)를 포함할 수 있다.
통신부(152)는 네트워크(120)를 통해 3D 프린팅 최적화 서버(130)와 3D 프린팅 에이전트(150)가 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 3D 프린팅 에이전트(150)가 3D 프린터(160)와 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일 실시예에 따르면, 통신부(132)는, 3D 프린팅 최적화 서버(130)로부터 수정된 3D 객체 데이터를 수신할 수 있다. 또한, 통신부(152)는, 3D 프린팅 최적화 서버(130)로부터 3D 프린팅 파라미터들을 수신할 수 있으며, 이때 3D 프린팅 파라미터는 3D 프린터(160)의 광학 엔진의 광량, 노광 시간 등을 포함할 수 있다.
슬라이싱 데이터 생성부(154)는, 수정된 3D 객체 데이터를 분석하여 슬라이싱 데이터를 생성할 수 있다. 예를 들어, 슬라이싱 데이터 생성부(154)는, 수정된 3D 객체 데이터인 STL 파일을 3D 프린팅이 가능하도록 층층이 분할하면서, 출력물의 적층 높이(레이어 높이), 내부 채움 밀도, 속도, 온도 및 재료, 지지대(또는 서포트) 등을 설정하여 최종적인 G-code를 생성할 수 있다.
프린터 제어부(156)은, 슬라이싱 데이터 생성부(154)에 의해 생성된 슬라이싱 데이터를 3D 프린터(160)로 전송하여 3D 프린터(160)가 출력 대상물을 출력하도록 한다. 이때, 프린터 제어부(156)는 3D 프린팅 파라미터들에 기초하여 3D 프린터(160)가 최적의 출력 대상물을 출력할 수 있도록 제어한다.
도 4는 본 개시의 일 실시예에 따른 3D 객체 데이터에 대해 최적화된 지지대 구조를 결합하여 수정된 3D 객체 데이터를 생성하도록 학습되는 인공신경망 기반의 지지대 최적화 모델의 구성을 나타내는 블록도이다. 도시된 인공신경망 모델은, 머신러닝(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.
일 실시예에 따르면, 인공신경망 모델은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 머신러닝 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델은 컨볼루션 신경망(convolutional neural network: CNN)과 같은 임의의 뉴럴 네트워크 모델, 확률통계 기반 모델 등을 포함할 수 있다.
일 실시예에 따르면, 인공신경망 모델은, 3D 프린터에 의한 출력 대상물을 나타내는 3D 객체 데이터를 입력했을 때, 최적의 지지대 구조가 결합된 수정된 3D 객체 데이터를 출력하도록 구성된 인공신경망 모델을 포함할 수 있다. 이러한 인공신경망 모델은, 3D 프린터의 다양한 출력 방식 각각에 대해 생성된 복수의 3D 객체 데이터와 수정된 3D 객체 데이터의 쌍을 이용하여 학습될 수 있다.
인공신경망 모델은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현될 수 있다. 본 실시예에 따른 인공신경망 모델은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 4에 도시된 바와 같이, 인공신경망 모델은, 외부로부터 입력 신호 또는 데이터(예를 들어, 3D 객체 데이터 등)를 수신하는 입력층(410), 입력 데이터에 대응한 출력 신호 또는 데이터(예를 들어, 지지대가 추가된 수정된 3D 객체 데이터 등)를 출력하는 출력층(430)을 포함하면서, 입력층(410)과 출력층(430) 사이에 위치하며 입력층(410)으로부터 신호를 받아 특성을 추출하여 출력층(430)으로 전달하는 n 개(여기서, n은 양의 정수)의 은닉층으로 구성된 지지대 최적화 모델(420)을 포함할 수 있다. 여기서, 출력층(430)은 지지대 최적화 모델(420)의 은닉층으로부터 신호를 받아 외부로 출력한다.
3D 프린팅 최적화 서버(130)는, 지도 학습(supervised learning) 방법을 이용하여, 복수의 참조 3D 객체 데이터와 최적의 지지대 구조가 결합된 수정된 3D 객체 데이터의 쌍에 기초하여 인공신경망 모델을 학습시킬 수 있다. 이렇게 학습된 인공신경망 모델은 데이터베이스(140)에 저장될 수 있으며, 지지대 최적화부(138)에 의해 실행되어, 임의의 3D 객체 데이터를 입력으로 최적화된 지지대가 결합된 수정된 3D 객체 데이터를 출력하도록 구성될 수 있다.
일 실시예에 따르면, 지지대 최적화 모델(420)은, 3D 프린팅 최적화 서버(130)(또는 지지대 최적화부(138)에 의해 생성되어 실행될 수 있으며, 지지대 최적화 모델(420)은, 인공신경망 기반의 기계학습 모델을 포함할 수 있다. 이 경우, 지지대 최적화 모델(420)은, 3D 객체 데이터를 입력으로, 해당 3D 객체 데이터에 대응해서 3D 프린팅의 성공률이 높았던 지지대 구조를 포함하는 수정된 3D 객체 데이터를 출력하도록 학습된 인공신경망 모델일 수 있다. 이와 같이, 인공지능 기반으로 학습된 지지대 최적화 모델(420)을 이용하여 출력 대상물의 3D 객체 데이터에 대해 적합한 지지대 구조를 결합하여 3D 프린터(160)를 통해 최적의 대상물 출력을 실행할 수 있는 바, 3D 프린터(160)의 출력 성공률을 증가시킬 수 있다.
도 5는 본 개시의 일 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법을 나타내는 흐름도이다. 일 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법은, 도 1에 도시된 바와 같이, 사용자 단말기(110), 3D 프린팅 최적화 서버(130), 3D 프린팅 에이전트(160) 중 적어도 하나에 의해 실행될 수 있다. 도시된 바와 같이, 일 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법은, 3D 프린팅 최적화 서버(130)가 사용자 단말기(110)로부터 출력 대상물의 3D 객체 데이터 및 3D 프린팅 요구사항 중 적어도 하나를 수신하는 단계(510)로 개시될 수 있다.
그리고 나서, 3D 프린팅 최적화 서버(130)가 3D 객체 데이터를 분석하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성할 수 있는데, 구체적인 일 예로, 단계(520)에서, 3D 프린팅 최적화 서버(130)가 3D 객체 데이터를 분석하여 출력대상물의 적절한 기준면을 선택하여 출력 대상물의 방향을 결정할 수 있으며, 단계(530)에서, 3D 프린팅 최적화 서버(130)가 기준면에 기초하여 출력 대상물에 적합한 지지대 구조를 추가하여 수정된 3D 객체 데이터를 생성할 수 있다.
그리고 나서, 단계(540)에서, 3D 프린팅 최적화 서버(130)가 3D 프린팅 요구사항에 따라 출력 대상물을 출력할 3D 프린터(160)를 선택할 수 있다. 마지막으로, 단계(550)에서, 선택된 3D 프린터(160)에 연관된 3D 프린팅 에이전트(150)로 수정된 3D 객체 데이터를 전송할 수 있다.
도 6은 본 개시의 다른 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법을 나타내는 흐름도이다. 다른 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법은, 도 1에 도시된 바와 같이, 사용자 단말기(110), 3D 프린팅 최적화 서버(130), 3D 프린팅 에이전트(160) 중 적어도 하나에 의해 실행될 수 있다. 다른 실시예에 따른 인공지능 기반의 3D 프린팅 제어 방법은, 3D 프린팅 최적화 서버(130)가 사용자 단말기(110)로부터 출력 대상물의 3D 객체 데이터 및 3D 프린팅 요구사항 중 적어도 하나를 수신하는 단계(610)로 개시될 수 있다.
그리고 나서, 3D 프린팅 최적화 서버(130)가 3D 객체 데이터를 분석하여 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성할 수 있는데, 구체적인 일 예로, 단계(620)에서, 3D 프린팅 최적화 서버(130)가 3D 객체 데이터를 분석하여 출력대상물의 적절한 기준면을 선택하여 출력 대상물의 방향을 결정할 수 있으며, 단계(630)에서, 3D 프린팅 최적화 서버(130)가 기준면에 기초하여 출력 대상물에 적합한 지지대 구조를 추가하여 수정된 3D 객체 데이터를 생성할 수 있다.
그리고 나서, 단계(640)에서, 3D 프린팅 최적화 서버(130)가 사용자 단말기(110)로 수정된 3D 객체 데이터를 전송할 수 있으며, 단계(650)에서, 3D 프린팅 최적화 서버(130)가 사용자 단말기(110)로부터 수정된 3D 객체 데이터에 대한 피드백 정보를 수신여부를 판별할 수 있다. 단계(660)과 같이, 사용자 단말기(110)로부터 수정된 3D 객체 데이터에 대한 피드백 정보를 수신하는 경우, 3D 프린팅 최적화 서버(130)가 피드백 정보에 따라 수정된 3D 객체 데이터에 대한 추가 수정을 실행한다.
마지막으로, 사용자 단말기(110)로부터 수정된 3D 객체 데이터에 대한 피드백 정보를 수신받지 못하거나, 단계(660)에서 피드백 정보에 따라 수정된 3D 객체 데이터에 대한 추가 수정을 실행하면, 단계(650)에서 3D 프린팅 요구사항에 따라 3D 프린팅 최적화 서버(130)가 선택한 3D 프린터(160)에 연관된 3D 프린팅 에이전트(150)로 수정된 3D 객체 데이터를 전송할 수 있다.
상술된 인공지능 기반의 3D 프린팅 제어 방법은, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수도 있다. 기록매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록 매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 어플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 어플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk)와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs)은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
110 : 사용자 단말기
120 : 네트워크
130 : 3D 프린팅 최적화 서버
132 : 통신부
134 : 파라미터 최적화부
136 : 3D 프린터 관리부
138 : 지지대 최적화부
140 : 데이터베이스
150 : 3D 프린팅 에이전트
152 : 통신부
154 : 슬라이싱 데이터 생성부
156 : 프린터 제어부
160 : 3D 프린터
410 : 입력층
420 : 지지대 최적화 모델
430 : 출력층

Claims (5)

  1. 컴퓨터 시스템에서 실행되는 인공지능 기반의 3D 프린팅 제어 방법에 있어서,
    사용자 단말기로부터 출력 대상물의 3D 객체 데이터 및 3D 프린팅 요구사항을 수신하는 단계;
    상기 3D 객체 데이터를 분석하여 상기 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 단계;
    상기 3D 프린팅 요구사항에 따라 상기 출력 대상물을 출력할 3D 프린터를 선택하는 단계;
    상기 선택된 3D 프린터에 연관된 3D 프린팅 에이전트로 상기 수정된 3D 객체 데이터를 전송하는 단계;
    상기 수정된 3D 객체 데이터를 상기 사용자 단말기로 전송하는 단계;
    상기 사용자 단말기로부터 상기 수정된 3D 객체 데이터에 대한 피드백 정보를 수신하는 단계; 및
    상기 피드백 정보에 따라 상기 수정된 3D 객체 데이터에 대한 추가 수정을 실행하는 단계
    를 포함하고,
    상기 3D 객체 데이터를 분석하여 상기 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 단계는,
    상기 3D 객체 데이터 입력으로 상기 3D 객체 데이터에 대응해서 3D 프린팅의 성공률이 높았던 지지대 구조를 포함하는 수정된 3D 객체 데이터를 출력하도록 학습된 인공신경망 모델에 의해, 상기 3D 객체 데이터를 상기 출력 대상물에 적합한 지지대 구조를 추가한 수정된 객체 데이터로 변환하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 3D 객체 데이터를 분석하여 상기 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 단계는,
    상기 3D 객체 데이터를 분석하여 상기 출력 대상물의 기준면을 선택하여 상기 출력 대상물의 방향을 결정하는 단계; 및
    상기 기준면에 기초하여 상기 출력 대상물에 적합한 지지대 구조를 추가한 상기 수정된 3D 객체 데이터를 생성하는 단계
    를 포함하는, 방법.
  3. 삭제
  4. 삭제
  5. 인공지능 기반의 3D 프린팅 제어 시스템에 있어서,
    복수의 사용자 단말기와 통신 가능하며, 상기 복수의 사용자 단말기 중 적어도 하나로부터 출력 대상물의 3D 객체 데이터 및 3D 프린팅 요구사항을 수신하는 통신부;
    상기 3D 객체 데이터를 분석하여 상기 출력 대상물에 적합한 지지대 구조를 추가한 수정된 3D 객체 데이터를 생성하는 지지대 최적화부; 및
    상기 3D 프린팅 요구사항에 따라 상기 출력 대상물을 출력할 3D 프린터를 선택하는 3D 프린터 관리부
    를 포함하고,
    상기 통신부는,
    상기 수정된 3D 객체 데이터를 상기 사용자 단말기로 전송하고, 상기 사용자 단말기로부터 상기 수정된 3D 객체 데이터에 대한 피드백 정보를 수신하며,
    상기 지지대 최적화부는,
    상기 3D 객체 데이터 입력으로 상기 3D 객체 데이터에 대응해서 3D 프린팅의 성공률이 높았던 지지대 구조를 포함하는 수정된 3D 객체 데이터를 출력하도록 학습된 인공신경망 모델에 의해, 상기 3D 객체 데이터를 상기 출력 대상물에 적합한 지지대 구조를 추가한 수정된 객체 데이터로 변환하고, 상기 통신부로부터 수신된 상기 피드백 정보에 따라 상기 수정된 3D 객체 데이터에 대한 추가 수정을 실행하는, 시스템.
KR1020200178598A 2020-12-18 2020-12-18 인공지능 기반의 3d 프린팅 제어 방법 및 시스템 KR102382712B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200178598A KR102382712B1 (ko) 2020-12-18 2020-12-18 인공지능 기반의 3d 프린팅 제어 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200178598A KR102382712B1 (ko) 2020-12-18 2020-12-18 인공지능 기반의 3d 프린팅 제어 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102382712B1 true KR102382712B1 (ko) 2022-04-05

Family

ID=81182423

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200178598A KR102382712B1 (ko) 2020-12-18 2020-12-18 인공지능 기반의 3d 프린팅 제어 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102382712B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024085577A1 (ko) * 2022-10-17 2024-04-25 한국기계연구원 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150137787A (ko) * 2014-05-30 2015-12-09 삼성에스디에스 주식회사 3d 프린트 스트리밍 장치 및 방법
KR101756897B1 (ko) * 2016-04-15 2017-07-11 주식회사 새론 서포트 구성체 최소화를 위한 히팅베드 회전 기반의 ３ｄ 프린터 제작물 중개 시스템 및 방법
KR101930062B1 (ko) * 2017-12-27 2019-03-14 클리어라인 주식회사 인공지능기술을 이용한 단계별 자동 교정 시스템
KR102013177B1 (ko) 2018-03-12 2019-08-22 주식회사 디오 치과용 아이템 제조를 위한 3차원 프린터 제어 방법, 관리장치 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150137787A (ko) * 2014-05-30 2015-12-09 삼성에스디에스 주식회사 3d 프린트 스트리밍 장치 및 방법
KR101756897B1 (ko) * 2016-04-15 2017-07-11 주식회사 새론 서포트 구성체 최소화를 위한 히팅베드 회전 기반의 ３ｄ 프린터 제작물 중개 시스템 및 방법
KR101930062B1 (ko) * 2017-12-27 2019-03-14 클리어라인 주식회사 인공지능기술을 이용한 단계별 자동 교정 시스템
KR102013177B1 (ko) 2018-03-12 2019-08-22 주식회사 디오 치과용 아이템 제조를 위한 3차원 프린터 제어 방법, 관리장치 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024085577A1 (ko) * 2022-10-17 2024-04-25 한국기계연구원 인공지능을 이용한 스크린 프린팅 패턴 학습 및 보정 방법과 이를 수행하는 시스템 및 프로그램

Similar Documents

Publication Publication Date Title
US9346219B2 (en) Manufacturing process for 3D printed objects
US20190220755A1 (en) Systems and Methods for Improved Adversarial Training of Machine-Learned Models
US20180173203A1 (en) Methods and systems for implementing distributed ledger manufacturing history
US20210182660A1 (en) Distributed training of neural network models
NL2030226B1 (en) Methods, systems, articles of manufacture and apparatus to optimize resources in edge networks
KR102382712B1 (ko) 인공지능 기반의 3d 프린팅 제어 방법 및 시스템
US20210182661A1 (en) Neural Network Training From Private Data
JP2018156451A (ja) ネットワーク学習装置、ネットワーク学習システム、ネットワーク学習方法およびプログラム
CN111125784A (zh) 一种基于区块链的人工智能训练模型方法、设备及介质
US11327726B2 (en) Workflow engine tool
US11544500B2 (en) Data augmentation for image classification tasks
US11803395B1 (en) Virtual assistant transfer protocol
WO2020026741A1 (ja) 情報処理方法、情報処理装置及び情報処理プログラム
US20130097595A1 (en) Update scanning
TW202226070A (zh) 促進神經網路間高效率知識共享的方法及設備
CN112182979B (zh) 一种提高树脂与填充助剂相容效果的方法和装置
US11544564B2 (en) Method, device and system to generate a Bayesian inference with a spiking neural network
US20180332141A1 (en) Virtual assistant skill deployment
CN112967119A (zh) 一种基于区块链的投标方法及设备、介质
CN109614098A (zh) 配置界面的生成方法和装置
WO2018040848A1 (zh) 一种虚拟网元的配置方法和装置
EP4018387A1 (en) Distributed machine learning with privacy protection
CN109977317A (zh) 数据查询方法及装置
KR20190001153A (ko) 광중합 방식의 3차원 프린터를 이용한 3차원 출력물의 형성을 제어하는 방법 및 이를 이용한 광중합 방식의 3차원 프린터
CN112507244B (zh) 社交数据推荐方法、装置、分布式计算集群及存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant