KR102439037B1

KR102439037B1 - 객체 제조 시각화

Info

Publication number: KR102439037B1
Application number: KR1020217018006A
Authority: KR
Inventors: 마셀로 아이타 리스; 아린 고메스 소아레스 산탈; 헤 루안; 준 정; 스콧 알란 화이트; 세바스티아 코르테스 1세 헬름스; 네일슨 보아즈 코스타 레이테; 브라이언 슈미츠 타니
Original assignee: 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피.; 인스티튜토 아틀란티코
Priority date: 2018-12-12
Filing date: 2018-12-12
Publication date: 2022-09-02
Also published as: KR20210091772A; JP2022510613A; US11971689B2; CN113474823A; EP3895136A4; BR112021011328A2; JP7118272B2; US20210349428A1; WO2020122897A1; EP3895136A1

Abstract

전자 디바이스에 의한 객체 제조 시각화를 위한 방법들의 예들이 본 명세서에 설명되어 있다. 일부 예들에서, 적층 제조의 예측된 열 이미지는 머신 학습 모델을 사용하여 결정된다. 일부 예들에서, 캡처된 열 이미지가 획득된다. 일부 예들에서, 캡처된 열 이미지와 예측된 열 이미지의 그래픽 오버레이가 제시된다.

Description

객체 제조 시각화

적층 제조(additive manufacturing)를 사용하여 3차원(three-dimensional)(3D) 솔리드 부품(solid part)들이 디지털 모델로부터 생성될 수도 있다. 적층 제조는 쾌속 조형(rapid prototyping), 몰드 생성, 몰드 마스터 생성, 및 단기 제조(short-run manufacturing)에 사용될 수도 있다. 적층 제조는 빌드 재료(build material)의 연속 레이어(layer)들의 도포를 수반한다. 이것은, 최종 부품을 생성하기 위해 재료를 자주 제거하는 전통적인 기계가공 프로세스들과는 다르다. 일부 적층 제조 기법들에서, 빌드 재료는 경화 또는 융합될 수도 있다.

도 1은 객체 제조 시각화의 일 예에서 사용될 수도 있는 3차원(3D) 프린팅 디바이스의 일 예의 단순화된 등측도(isometric view)이다.
도 2는 객체 제조 시각화에 사용될 수도 있는 장치의 일 예의 블록 다이어그램이다.
도 3은 뷰포트(viewport)들의 세트의 일 예를 예시하는 다이어그램이다.
도 4는 객체 제조 시각화를 위한 방법의 일 예를 예시하는 플로 다이어그램(flow diagram)이다.
도 5는 적층 제조의 객체들에 대한 그래픽 오버레이들의 예들을 예시하는 다이어그램이다.
도 6은 뉴럴 네트워크 아키텍처의 일 예를 예시하는 다이어그램이다.

적층 제조가 3D 객체들을 제조하는 데 사용될 수도 있다. 3차원(3D) 프린팅이 적층 제조의 일 예이다. 3D 프린팅의 일부 예들은 복셀-레벨 에너지 퇴적(voxel-level energy deposition)에 대한 제어를 가능하게 하도록 픽셀 레벨로 작용물(agent)들(예를 들어, 액적(droplet)들)을 선택적으로 퇴적시킬 수도 있다. 예를 들어, 열 에너지가 빌드 영역에서의 재료 위에 투사될 수도 있고, 여기서 작용물들이 퇴적되는 복셀들에 따라 재료의 상 변화(phase change) 및 고화(solidification)가 발생할 수도 있다.

적층 제조 성능을 평가하기 위한 일부 접근법들이 제한될 수도 있다. 예를 들어, 적층 제조 성능 평가에 대한 일부 접근법들은 사용자들이 액세스불가능하거나 또는 직관적이지 않을 수도 있다. 예를 들어, 3D 프린터의 최종 사용자는 적층 제조 결함 또는 에러의 위치, 원인, 및/또는 심각도의 정확한 이해를 획득하기 위해 성능 데이터를 해석하는 것이 불가능할 수도 있다. 부가적으로 또는 대안적으로, 최종 사용자는 3D 프린팅된 객체들(예를 들어, 부품들)이 제조 결함들을 겪고 있는지 여부 또는 그러한 것에는 어떠한 것들이 있는지를 보여주는 직관적인 데이터에 액세스하지 못할 수도 있다.

본 명세서에서 설명되는 기법들 중 일부는 적층 제조 성능을 직관적으로 표시하는 객체 제조 시각화들(또는 본 명세서에서는 "시각화들")을 제공할 수도 있다. 예를 들어, 본 명세서에서 설명되는 기법들 중 일부는 적층 제조 결함들의 위치 및/또는 심각도를 표시할 수도 있다. 시각화는, 시각적 데이터를 포함하는 이미지 또는 이미지들이다. 객체 제조 시각화는, 제조가 예상되거나, 제조 중이거나, 또는 제조된 객체의 시각화이다.

객체 제조 시각화들의 일부 예들은 그래픽 오버레이들을 포함한다. 그래픽 오버레이는, 객체 이미지 위에 또는 그 상에 예시되는 그래픽 표시자이다. 객체 제조 시각화들의 일부 예들은 뷰포트들의 세트를 포함한다. 뷰포트는, 객체의 뷰 또는 표현을 묘사하는 이미지, 윈도우, 또는 그래픽 사용자 인터페이스이다. 뷰포트들의 세트는 객체의 상이한 뷰들 또는 표현들 사이의 비교를 가능하게 하도록 함께 배열될 수도 있다.

일부 시각화들은 이미지 또는 이미지들을 포함하거나 또는 이에 기초할 수도 있다. 시각화들에 이용될 수도 있는 이미지들의 예들은 콘톤 맵(contone map)들 및 열 이미지들(예를 들어, 예측된 열 이미지들 및/또는 캡처된 열 이미지들)을 포함한다. 콘톤 맵은, 물질(예를 들어, 융합 작용물(fusing agent), 디테일링 작용물(detailing agent), 또는 바인더 작용물(binder agent))을 프린팅하기 위한 위치 또는 위치들(예를 들어, 영역들)을 표시하는 데이터의 세트이다. 열 이미지는, 영역에서의 온도(또는 열 에너지)를 표시하는 데이터의 세트이다.

일부 예들에서, 객체 제조 시각화는, 열 이미지 또는 이미지들을 획득(예를 들어, 감지 및/또는 캡처)하는 것 및/또는 열 이미지 또는 이미지들을 계산(예를 들어, 예측)하는 것을 포함한다. 일부 예들에서, 머신 학습 모델(machine learning model)(예를 들어, 뉴럴 네트워크 또는 네트워크들)이 예측된 열 이미지들을 계산하는 데 사용될 수도 있다. 예측된 열 이미지는, 머신 학습 모델을 사용하여 계산되는 열 이미지이다. 예를 들어, 뉴럴 네트워크 또는 네트워크들은 콘톤 맵 또는 맵들(예를 들어, 빌드 영역에서의 작용물 또는 작용물들의 배치, 수량, 및/또는 타이밍을 지시하는 복셀-레벨 머신 명령어들) 및/또는 열 이미지 또는 이미지들을 이용하여 예측된 열 이미지를 계산할 수도 있다. 캡처된 열 이미지는, 센서로 감지 또는 캡처되는 열 이미지이다.

본 명세서에서 설명되는 접근법들 중 일부를 예시하는 방법으로서 플라스틱들이 이용될 수도 있지만, 본 명세서에서 설명되는 기법들은 적층 제조의 일부 예들에 적용될 수도 있다는 것에 주목해야 한다. 일부 적층 제조 기법들은 분말 기반이고 분말 융합에 의해 추진될 수도 있다. 일부 적층 제조 기법들은 금속 제트 융합(metal jet fusion)과 같은 금속 프린팅을 포함할 수도 있다. 금속 프린팅의 일부 예들에서, 바인더 작용물이 이용될 수도 있다. 본 명세서에서 설명되는 접근법들의 일부 예들은 선택적 레이저 용융(Selective Laser Melting)(SLM), 선택적 레이저 소결(Selective Laser Sintering)(SLS), 멀티-제트 융합(Multi-Jet Fusion)(MJF) 등과 같은 분말 베드 융합 기반 적층 제조(powder bed fusion-based additive manufacturing)에 적용될 수도 있다. 본 명세서에서 설명되는 접근법들의 일부 예들은, 액적들에 의해 반송되는 작용물들이 복셀-레벨 열 변조를 위해 이용되는 적층 제조에 적용될 수도 있다. 작용물들은 일부 예들에서 이용될 수도 있거나 또는 이용되지 않을 수도 있다는 것에 주목해야 한다.

본 명세서에서 사용되는 바와 같이, 용어 "복셀" 및 그의 변형들은 "열 복셀"을 지칭할 수도 있다. 일부 예들에서, 열 복셀의 사이즈는, 열적으로 의미있는(예를 들어, 42 미크론 또는 600 dpi(dots per inch)보다 더 큰) 최소치로서 정의될 수도 있다. 복셀 사이즈의 일 예는 150 dpi(dots per inch)의 경우 25.4 밀리미터(mm)/150

170 미크론이다. 최대 복셀 사이즈는 대략 490 미크론 또는 50 dpi일 수도 있다. 용어 "복셀 레벨" 및 그의 변형들은, 복셀 사이즈에 대응하는 해상도, 스케일, 또는 밀도를 지칭할 수도 있다. 본 명세서에서 사용되는 바와 같이, "픽셀"은 이미지(예를 들어, 2D 이미지)의 요소이다. 픽셀은, 위치에 대응하는 값(예를 들어, 광, 컬러, 온도 등)을 나타낼 수도 있다.

도면들 전반에 걸쳐, 동일한 참조 번호들은, 유사하지만 반드시 동일하지는 않은 요소들을 지정할 수도 있다. 도면들은 반드시 일정한 비율로 된 것은 아니며, 일부 부분들의 사이즈는 도시된 예를 더 명확히 예시하기 위해 과장될 수도 있다. 더욱이, 도면들은 설명과 일치하는 예들 및/또는 구현들을 제공한다; 그러나, 설명은 도면들에 제공된 예들 및/또는 구현들로 제한되지 않는다.

도 1은 객체 제조 시각화의 일 예에서 사용될 수도 있는 3D 프린팅 디바이스(100)의 일 예의 단순화된 등측도이다. 3D 프린팅 디바이스(100)는 제어기(116), 데이터 스토어(data store)(114), 빌드 영역(102), 프린트 헤드(108), 융합 작용물 용기(fusing agent container)(110), 디테일링 작용물 용기(118), 롤러(130), 재료 용기(122), 열 프로젝터(104), 및/또는 열 센서(106)를 포함할 수도 있다. 도 1의 3D 프린팅 디바이스(100)의 예는, 도시되지 않은 부가적인 컴포넌트들을 포함할 수도 있고, 설명된 컴포넌트들 중 일부가 본 개시내용에서 3D 프린팅 디바이스(100)의 범위로부터 벗어남이 없이 제거 및/또는 수정될 수도 있다. 3D 프린팅 디바이스(100)의 컴포넌트들은 일정한 비율로 그려지지 않을 수도 있고, 따라서, 도시된 것과는 상이한 사이즈 및/또는 구성을 가질 수도 있다.

도 1의 예에서, 3D 프린팅 디바이스(100)는 융합 작용물 용기(110), 융합 작용물(112), 디테일링 작용물 용기(118), 디테일링 작용물(120), 재료 용기(122), 및 재료(124)를 포함한다. 다른 예들에서, 3D 프린팅 디바이스(100)는, 더 많거나 또는 더 적은 용기들, 작용물들, 호퍼(hopper)들, 및/또는 재료들을 포함할 수도 있다. 재료 용기(122)는, 3D 프린팅을 위해 롤러(130)에 의해 빌드 영역(102) 상에 도포(예를 들어, 확산)될 수도 있는 재료(124)를 저장하는 용기이다. 융합 작용물 용기(110)는, 융합 작용물(112)을 저장하는 용기이다. 융합 작용물(112)은, 흡기 열 세기를 제어하는 물질(예를 들어, 액체, 분말 등)이다. 예를 들어, 융합 작용물(112)은 도포된 재료(124)가 열 프로젝터(104)로부터 인가된 열로 상(phase)을 변화시키게 하고/하거나, 재료(124)의 다른 레이어와 융합하게 하도록 선택적으로 도포될 수도 있다. 예를 들어, 융합 작용물(112)이 도포된 재료(124)의 영역들은 결국, 프린팅되는 객체로 고화될 수도 있다. 디테일링 작용물(120)은, 배기 열 세기를 제어하는 물질(예를 들어, 액체, 분말 등)이다. 예를 들어, 디테일링 작용물(120)은 프린팅되는 객체의 에지들을 디테일링하기 위해 선택적으로 도포될 수도 있다.

빌드 영역(102)은, 적층 제조가 수행될 수도 있는 영역(예를 들어, 표면)이다. 일부 구성들에서, 빌드 영역(102)은 "빌드 볼륨(build volume)"의 베이스일 수도 있는데, 이 빌드 볼륨은 베이스 위의 볼륨을 포함할 수도 있다. 본 명세서에서 사용되는 바와 같이, 용어 "빌드 영역"은 빌드 볼륨의 베이스 및/또는 빌드 볼륨의 다른 부분(예를 들어, 베이스 위의 다른 평면)을 지칭할 수도 있다.

롤러(130)는, 재료(124)를 빌드 영역(102)에 도포하기 위한 디바이스이다. 3D 객체를 프린팅하기 위해, 롤러(130)는 재료(124)(예를 들어, 분말)를 연속적으로 도포할(예를 들어, 확산시킬) 수도 있고, 프린트 헤드(108)는 융합 작용물(112) 및/또는 디테일링 작용물(120)을 연속적으로 도포 및/또는 전달할 수도 있다. 열 프로젝터(104)는, 에너지(예를 들어, 열 에너지, 열 등)를 빌드 영역(102)에서의 재료(124), 융합 작용물(112), 및/또는 디테일링 작용물(120)에 전달하는 디바이스이다. 예를 들어, 융합 작용물(112)은 (재료(124)의) 입자들이 함께 융합되도록 의도되는 재료(124) 레이어 상에 도포될 수도 있다. 디테일링 작용물(120)은 융합을 수정하고 미세한 디테일 및/또는 매끄러운 표면들을 생성하기 위해 도포될 수도 있다. 작용물들(예를 들어, 융합 작용물(112) 및 디테일링 작용물(120))과 재료(124) 사이의 반응들 및 에너지(예를 들어, 열 프로젝터(104)로부터의 열 에너지)에 노출된 영역들은 재료(124)가 함께 선택적으로 융합되어 객체를 형성하게 할 수도 있다.

프린트 헤드(108)는, 물질 또는 물질들(예를 들어, 융합 작용물(112) 및/또는 디테일링 작용물(120))을 도포하기 위한 디바이스이다. 프린트 헤드(108)는, 예를 들어, 열 잉크젯 프린트 헤드, 압전 프린트 헤드 등일 수도 있다. 프린트 헤드(108)는, 융합 작용물(112) 및/또는 디테일링 작용물(120)이 압출되게 하는 노즐 또는 노즐들(도시되지 않음)을 포함할 수도 있다. 일부 예들에서, 프린트 헤드(108)는 빌드 영역(102)의 한 차원에 걸쳐 있을 수도 있다. 단일 프린트 헤드(108)가 묘사되어 있지만, 빌드 영역(102)의 한 차원에 걸쳐 있는 다수의 프린트 헤드들(108)이 사용될 수도 있다. 부가적으로, 프린트 헤드 또는 헤드들(108)이 프린트 바 또는 바들에 포지셔닝될 수도 있다. 프린트 헤드(108)는 캐리지(도 1에 도시되지 않음)에 부착될 수도 있다. 캐리지는 프린트 헤드(108)를 빌드 영역(102) 위로 한 차원 또는 차원들로 이동시킬 수도 있다.

재료(124)는, 객체들을 제조하기 위한 물질(예를 들어, 분말)이다. 재료(124)는 재료 용기(122)로부터 이동될(예를 들어, 퍼내지거나, 들어올려지고/지거나, 압출되는 것 등으로 될) 수도 있고, 롤러(130)는 재료(124)를 빌드 영역(102) 상으로(예를 들어, 현재 레이어의 상부 상에) 도포할(예를 들어, 확산시킬) 수도 있다. 일부 예들에서, 롤러(130)는 빌드 영역(102)의 한 차원(예를 들어, 프린트 헤드(108)와 동일한 차원 또는 프린트 헤드(108)와 상이한 차원)에 걸쳐 있을 수도 있다. 롤러(130)가 묘사되어 있지만, 재료(124)를 빌드 영역(102)에 도포하기 위해 다른 수단이 이용될 수도 있다. 일부 예들에서, 롤러(130)는 캐리지(도 1에 도시되지 않음)에 부착될 수도 있다. 캐리지는 롤러(130)를 빌드 영역(102) 위로 한 차원 또는 차원들로 이동시킬 수도 있다. 일부 구현들에서, 다수의 재료 용기들(122)이 이용될 수도 있다. 예를 들어, 2개의 재료 용기들(122)이 빌드 영역(102)의 대향 면들 상에서 구현될 수도 있는데, 이는 재료(124)가 롤러(130)에 의해 2개의 방향들로 확산되게 할 수도 있다.

일부 예들에서, 열 프로젝터(104)는 빌드 영역(102)의 한 차원에 걸쳐 있을 수도 있다. 하나의 열 프로젝터(104)가 묘사되어 있지만, 빌드 영역(102)의 한 차원에 걸쳐 있는 다수의 열 프로젝터들(104)이 사용될 수도 있다. 부가적으로, 열 프로젝터 또는 프로젝터들(104)이 프린트 바 또는 바들에 포지셔닝될 수도 있다. 열 프로젝터(104)는 캐리지(도 1에 도시되지 않음)에 부착될 수도 있다. 캐리지는 열 프로젝터(104)를 빌드 영역(102) 위로 한 차원 또는 차원들로 이동시킬 수도 있다.

일부 예들에서, 프린트 헤드(108), 롤러(130), 및 열 프로젝터(104) 각각은 별개로 하우징될 수도 있고/있거나 독립적으로 이동할 수도 있다. 일부 예들에서, 프린트 헤드(108), 롤러(130), 및 열 프로젝터(104) 중 2개 이상이 함께 하우징될 수도 있고/있거나 함께 이동할 수도 있다. 하나의 예에서, 프린트 헤드(108) 및 열 프로젝터(104)는 빌드 영역(102)의 하나의 차원에 걸쳐 있는 프린트 바에 하우징될 수도 있는 한편, 롤러(130)는 빌드 영역(102)의 다른 차원에 걸쳐 있는 캐리지에 하우징될 수도 있다. 예를 들어, 롤러(130)는 레이어의 재료(124)를 빌드 영역(102) 위의 패스(pass)에 도포할 수도 있는데, 이 다음에 빌드 영역(102) 위의 프린트 헤드(108) 및 열 프로젝터(104)의 패스 또는 패스들이 뒤이어질 수도 있다.

제어기(116)는 컴퓨팅 디바이스, 반도체 기반 마이크로프로세서, 중앙 프로세싱 유닛(Central Processing Unit)(CPU), 그래픽 프로세싱 유닛(Graphics Processing Unit)(GPU), 필드 프로그래밍가능 게이트 어레이(Field-Programmable Gate Array)(FPGA), 주문형 집적 회로(application-specific integrated circuit)(ASIC), 및/또는 다른 하드웨어 디바이스이다. 제어기(116)는 통신 라인들(도시되지 않음)을 통해 3D 프린팅 디바이스(100)의 다른 컴포넌트들에 연결될 수도 있다.

제어기(116)는 3D 프린팅 디바이스(100)의 컴포넌트들의 동작들을 제어하기 위해 액추에이터들(도시되지 않음)을 제어할 수도 있다. 예를 들어, 제어기(116)는, (x-, y-, 및/또는 z-축들을 따라) 프린트 헤드(108)의 이동을 제어하는 액추에이터 또는 액추에이터들, (x-, y-, 및/또는 z-축들을 따라) 롤러(130)의 이동을 제어하는 액추에이터 또는 액추에이터들, 및/또는 (x-, y-, 및/또는 z-축들을 따라) 열 프로젝터(104)의 이동을 제어하는 액추에이터 또는 액추에이터들을 제어할 수도 있다. 제어기(116)는, 융합 작용물 용기(110) 및/또는 디테일링 작용물 용기(118)로부터 프린트 헤드(108)에 의해 퇴적될 융합 작용물(112) 및/또는 디테일링 작용물(120)의 양들(예를 들어, 비율들)을 제어하는 액추에이터 또는 액추에이터들을 또한 제어할 수도 있다. 일부 예들에서, 제어기(116)는, z-축을 따라 빌드 영역(102)을 상승 및 하강시키는 액추에이터 또는 액추에이터들을 제어할 수도 있다.

제어기(116)는 데이터 스토어(114)와 통신할 수도 있다. 데이터 스토어(114)는, 제어기(116)로 하여금 재료(124)의 공급을 제어하게 하거나, 프린트 헤드(108)로의 융합 작용물(112) 및/또는 디테일링 작용물(120)의 공급을 제어하게 하거나, 프린트 헤드(108)의 이동을 제어하게 하거나, 롤러(130)의 이동을 제어하게 하고/하거나, 열 프로젝터(104)의 이동을 제어하게 하는 머신 판독가능 명령어들을 포함할 수도 있다.

일부 예들에서, 제어기(116)는 3D 모델에 기초하여 3D 객체를 프린팅하도록 롤러(130), 프린트 헤드(108), 및/또는 열 프로젝터(104)를 제어할 수도 있다. 예를 들어, 제어기(116)는 프린트 헤드(108)를 제어하기 위해 3D 모델에 기초하는 콘톤 맵 또는 맵들을 이용할 수도 있다. 상술된 바와 같이, 콘톤 맵은, 물질(예를 들어, 융합 작용물(112), 디테일링 작용물(120), 또는 바인더 작용물)을 프린팅하기 위한 위치 또는 위치들(예를 들어, 영역들)을 표시하는 데이터의 세트이다. 일부 예들에서, 콘톤 맵은, 물질을 프린팅하기 위한 머신 명령어들(예를 들어, 복셀-레벨 머신 명령어들)을 포함 또는 표시할 수도 있다. 예를 들어, 융합 작용물 콘톤 맵은, 융합 작용물(112)을 프린팅하기 위한 좌표들 및/또는 양을 표시한다. 일 예에서, 디테일링 작용물 콘톤 맵은, 디테일링 작용물(120)을 프린팅하기 위한 좌표들 및/또는 양을 표시한다. 다른 예들에서, 바인더 작용물 콘톤 맵은, 바인더 작용물을 프린팅하기 위한 좌표들 및/또는 양을 표시한다. 일부 구현들에서 융합 작용물 콘톤 맵 대신에 바인더 작용물 콘톤 맵이 이용될 수도 있다. 일부 예들에서, 콘톤 맵은 3D 모델의 2차원(2D) 레이어(예를 들어, 2D 슬라이스, 2D 단면 등)에 대응할 수도 있다. 예를 들어, 3D 모델의 복수의 레이어들에 대응하는 복수의 콘톤 맵들을 생성하기 위해 3D 모델이 프로세싱될 수도 있다. 콘톤 맵 또는 맵들이 콘톤 맵 데이터(129)로서 데이터 스토어(114)에 저장될 수도 있다. 일부 예들에서, 콘톤 맵은 값들의 2D 그리드로서 표현될 수도 있고, 여기서 각각의 값은 2D 그리드 상의 위치에서의 작용물의 양 그리고/또는 작용물을 프린팅할지 여부를 표시할 수도 있다. 예를 들어, 2D 그리드에서의 값의 위치는 빌드 영역(102)에서의 위치(예를 들어, 빌드 영역(102)에서의 또는 그 위의 특정 레벨(z)의 위치(x, y))에 대응할 수도 있다. 일부 예들에서, 콘톤 맵은 앞서 언급된 2D 그리드 또는 어레이(예를 들어, 쿼드트리)의 압축된 버전일 수도 있다.

데이터 스토어(114)는 머신 판독가능 저장 매체이다. 머신 판독가능 스토리지는, 실행가능 명령어들 및/또는 데이터를 저장하는 임의의 전자, 자기, 광학, 또는 다른 물리적 저장 디바이스이다. 머신 판독가능 저장 매체는, 예를 들어, 랜덤 액세스 메모리(Random Access Memory)(RAM), 전기적 소거가능 프로그래밍가능 판독 전용 메모리(Electrically Erasable Programmable Read-Only Memory)(EEPROM), 저장 드라이브, 광학 디스크, 및 이와 유사한 것일 수도 있다. 머신 판독가능 저장 매체는 3D 프린팅 디바이스(100)를 제어하기 위한 실행가능 명령어들로 인코딩될 수도 있다. 컴퓨터 판독가능 매체는, 프로세서 또는 컴퓨터에 의해 판독가능한 머신 판독가능 저장 매체의 일 예이다.

열 센서(106)는, 열 데이터를 감지 또는 캡처하는 디바이스이다. 열 센서(106)는 머신(예를 들어, 프린터) 내에 집적되거나, 그에 장착되고/되거나, 그에 다른 방식으로 포함될 수도 있다. 일부 예들에서, 열 센서(106)는 빌드 영역(102)의 열 이미지들을 캡처할 수도 있다. 예를 들어, 열 센서(106)는, 빌드 영역(102)(예를 들어, 빌드 영역(102)에서의 도포된 재료)의 열 이미지들을 캡처하는 적외선 열 센서(예를 들어, 카메라)일 수도 있다. 일부 예들에서, 열 센서(106)는 제조(예를 들어, 프린팅) 동안 열 이미지들을 캡처할 수도 있다. 예를 들어, 열 센서(106)는 온라인으로 그리고/또는 실시간으로 열 이미지들을 캡처할 수도 있다.

상술된 바와 같이, 열 이미지는, 영역에서의 온도(또는 열 에너지)를 표시하는 데이터의 세트이다. 열 이미지는 열 센서(106)로부터 캡처(예를 들어, 감지)될 수도 있거나 또는 계산(예를 들어, 예측)될 수도 있다. 예를 들어, 열 센서(106)는 레이어의 열 이미지를 캡처하여 캡처된 열 이미지를 생성할 수도 있다.

일부 예들에서, 캡처된 열 이미지는 감지된 온도들(또는 열 에너지)의 2차원(2D) 그리드일 수도 있다. 일부 예들에서, 2D 그리드에서의 각각의 위치는 빌드 영역(102)에서의 위치(예를 들어, 빌드 영역(102)에서의 또는 그 위의 특정 레벨(z)의 위치(x, y))에 대응할 수도 있다. 열 이미지 또는 이미지들은 빌드 영역(102)에 걸친 열 변화(예를 들어, 온도 변화)를 표시할 수도 있다. 예를 들어, 빌드 영역(102) 위의 열 감지는 환경 복잡도 및 이종 열 확산도(heterogeneous thermal diffusivity)를 표시(예를 들어, 캡처 및 캡슐화)할 수도 있다. 일부 접근법들에서, 열 이미지 또는 이미지들은 변환되어 콘톤 맵 또는 콘톤 맵들과 정렬될(예를 들어, 콘톤 맵 또는 맵들에 등록될) 수도 있다.

일부 예들에서, 제어기(116)는 열 센서(106)로부터 레이어의 캡처된 열 이미지를 수신할 수도 있다. 예를 들어, 제어기(116)는 열 센서(106)에 열 이미지를 캡처하도록 지시할 수도 있고/있거나 열 센서(106)로부터 캡처된 열 이미지를 수신할 수도 있다. 일부 예들에서, 열 센서(106)는 제조되는 객체의 각각의 레이어에 대한 열 이미지를 캡처할 수도 있다. 각각의 캡처된 열 이미지는 열 이미지 데이터(128)로서 데이터 스토어(114)에 저장될 수도 있다.

일부 예들에서, 데이터 스토어(114)는 제시 명령어들(131)을 포함할 수도 있다. 제어기(116)는 시각화를 제시하기 위해 제시 명령어들(131)을 실행할 수도 있다. 예를 들어, 제어기(116)는 시각화를 생성 및/또는 제시할 수도 있다. 시각화를 제시하는 것은, 디스플레이를 위해 시각적 정보(예를 들어, 픽셀들, 렌더들, 시각적 모델들 등)를 제공하는 것을 포함한다. 시각화의 예들은 그래픽 오버레이들 및 뷰포트들을 포함한다.

일부 예들에서, 제어기(116)는 캡처된 열 이미지와 콘톤 맵의 그래픽 오버레이를 제시할 수도 있다. 캡처된 열 이미지와 콘톤 맵의 그래픽 오버레이를 제시하는 것은, 캡처된 열 이미지 및/또는 콘톤 맵에 기초하는 그래픽 오버레이를 생성하는 것을 포함할 수도 있다. 예를 들어, 그래픽 오버레이는, 콘톤 맵의 전부 또는 일 부분, 캡처된 열 이미지의 전부 또는 일 부분, 및/또는 콘톤 맵 및 캡처된 열 이미지에 기초하는 표시 또는 데이터(예를 들어, 차이, 합계, 스코어링 등)를 포함할 수도 있다. 예를 들어, 제어기(116)는 시각화를 위해 콘톤 맵과 캡처된 열 이미지를 조합(예를 들어, 감산, 가산, 스코어링 등)하여, 제조(예를 들어, 프린팅) 성능을 이해하는 방법에 대한 통찰력을 사용자에게 제공하거나, 3D 프린팅 디바이스(100)를 디버깅하는 것을 돕거나, 프린트 결함들을 디버깅하는 것을 돕고/거나, 결함의 원인에 대한 조사를 안내할 수도 있다.

일부 예들에서, 그래픽 오버레이는, 콘톤 맵과 캡처된 열 이미지 사이의 차이의 정도(예를 들어, 임계 차이보다 더 큼)를 표시하는, 콘톤 맵 또는 콘톤 맵의 일 부분 상의 표시자(예를 들어, 패턴, 컬러, 숫자, 문자 등)를 포함할 수도 있다. 일부 예들에서, 그래픽 오버레이는, 콘톤 맵과 캡처된 열 이미지 사이의 차이의 정도(예를 들어, 임계 차이보다 더 큼)를 표시하는, 캡처된 열 이미지 또는 캡처된 열 이미지의 일 부분 상의 표시자(예를 들어, 패턴, 컬러, 숫자, 문자 등)를 포함할 수도 있다. 일부 예들에서, 차이의 상이한 정도들은 상이한 패턴들, 컬러들, 숫자들, 및/또는 문자들 등으로 예시될 수도 있다.

일부 예들에서, 그래픽 오버레이는, 캡처된 열 이미지(또는 캡처된 열 이미지의 반투명 버전)와 중첩된 콘톤 맵(또는 콘톤 맵의 반투명 버전)을 포함할 수도 있다. 콘톤 맵(또는 그의 일 부분)과 캡처된 열 이미지(또는 그의 일 부분) 사이의 차이의 정도는 표시자(예를 들어, 패턴, 컬러, 숫자, 문자 등)로 강조될 수도 있다.

일부 예들에서, 그래픽 오버레이는 콘톤 맵들의 스택 및/또는 캡처된 열 이미지들의 스택을 포함하거나 또는 이들에 기초할 수도 있다. 예를 들어, 제어기(116)는 복수의 콘톤 맵들(또는 그의 일 부분)을 적층함으로써 그리고/또는 복수의 캡처된 열 이미지들(또는 그의 일 부분)을 적층함으로써 3D 렌더링을 생성할 수도 있다. 3D 그래픽 오버레이를 생성하기 위해 콘톤 맵들 및/또는 캡처된 열 이미지들에 대해 그래픽 오버레이가 생성될 수도 있다.

일부 예들에서, 콘톤 맵은 융합 콘톤 맵일 수도 있다. 융합 콘톤 맵(예를 들어, 융합 작용물 데이터)과 캡처된 열 이미지를 시각적으로 오버레이하면 열 확산(예를 들어, 열 블리딩(thermal bleeding))을 예시할 수도 있다.

일부 예들에서, 콘톤 맵은 디테일링 콘톤 맵일 수도 있다. 디테일링 콘톤 맵(예를 들어, 디테일링 작용물 데이터)과 캡처된 열 이미지를 시각적으로 오버레이하면 열 억제(예를 들어, 열 억제의 효과)를 예시할 수도 있다.

일부 예들에서, 시각화를 제시하는 것은, 디스플레이 상에 시각화를 제시하는 것을 포함할 수도 있다. 예를 들어, 3D 프린팅 디바이스(100)는 디스플레이를 포함할 수도 있거나, 디스플레이에 커플링될 수도 있고/있거나, 다른 디바이스(예를 들어, 컴퓨터, 태블릿, 스마트폰, 텔레비전 등)와 통신할 수도 있다. 제어기(116)는 시각화(예를 들어, 그래픽 오버레이)를 디스플레이에 그리고/또는 제시를 위한 다른 디바이스에 제공할 수도 있다. 예를 들어, 3D 프린팅 디바이스(100)는, 제시를 위한 시각화를 전송하기 위해 디스플레이 또는 다른 디바이스와 통신하기 위한 통신 인터페이스(도 1에 도시되지 않음)를 포함할 수도 있다. 시각화(예를 들어, 시각화 데이터)는, 예를 들어, 유선 또는 무선 커넥션을 통해 전송될 수도 있다.

일부 예들에서, 데이터 스토어(114)는 머신 학습 데이터(도 1에 도시되지 않음), 및/또는 예측된 열 이미지 데이터를 저장할 수도 있다. 머신 학습 데이터는, 머신 학습 모델을 정의하는 데이터를 포함할 수도 있다. 머신 학습 모델들의 예들은 뉴럴 네트워크 또는 뉴럴 네트워크들을 포함한다. 예를 들어, 머신 학습 데이터는 노드 또는 노드들, 노드들 사이의 커넥션 또는 커넥션들, 네트워크 레이어 또는 네트워크 레이어들, 및/또는 뉴럴 네트워크 또는 뉴럴 네트워크들을 정의할 수도 있다. 뉴럴 네트워크들의 예들은 콘볼루션 뉴럴 네트워크(convolutional neural network)(CNN)들(예를 들어, 기본 CNN, 디콘볼루션 뉴럴 네트워크(deconvolutional neural network), 인셉션 모듈(inception module), 잔류 뉴럴 네트워크(residual neural network) 등) 및 순환 뉴럴 네트워크(recurrent neural network)(RNN)들(예를 들어, 기본 RNN, 멀티-레이어 RNN, 양방향 RNN, 융합된 RNN, 클록워크 RNN(clockwork RNN) 등)을 포함한다. 일부 접근법들은 RNN의 변형 또는 변형들(예를 들어, 장단기 메모리 유닛(Long Short Term Memory Unit)(LSTM), 핍홀 LSTM(peephole LSTM), NIG(no input gate), NFG(no forget gate), NOG(no output gate), NIAF(no input activation function), NOAF(no output activation function), NP(no peepholes), CIFG(coupled input and forget gate), FGR(full gate recurrence), GRU(gated recurrent unit) 등)을 이용할 수도 있다. 뉴럴 네트워크 또는 뉴럴 네트워크들의 상이한 깊이들이 이용될 수도 있다.

일부 예들에서, 제어기(116)는 열 이미지들을 예측하기 위해 (머신 학습 데이터에 의해 정의된) 뉴럴 네트워크 또는 네트워크들을 사용한다. 예를 들어, 제어기(116)는, 뉴럴 네트워크 또는 복수의 뉴럴 네트워크들을 사용하여, 캡처된 열 이미지 또는 복수의 캡처된 열 이미지들 및 콘톤 맵 또는 복수의 콘톤 맵들(예를 들어, 융합 콘톤 맵 및 디테일링 콘톤 맵)에 기초하여 레이어의 예측된 열 이미지를 계산(예를 들어, 예측)할 수도 있다. 콘톤 맵 또는 맵들은 뉴럴 네트워크 또는 네트워크들에 대한 입력들로서 이용될 수도 있다.

예측된 열 이미지를 예측, 계산, 또는 컴퓨팅하는 것은, 레이어가 형성되는 시간 전에, 그 시간에, 또는 그 시간 후에 레이어의 예측된 열 이미지를 계산하는 것을 포함할 수도 있다. 이에 따라, 레이어에 대한 열 이미지는 레이어의 형성 전에, 그 동안에, 그리고/또는 그 후에 "예측"될 수도 있다. 예를 들어, 아직 도포 및/또는 프린팅되지 않은 레이어에 대해 열 이미지가 예측될 수도 있다. 부가적으로 또는 대안적으로, 도포 및/또는 프린팅 후의 시간에 레이어에 대해 열적 거동(예를 들어, 열 이미지)이 예측될 수도 있다. 본 명세서에서 사용되는 바와 같이, 용어 "예측" 및 그의 변형들은 머신 학습 모델(예를 들어, 뉴럴 네트워크 또는 네트워크들)을 이용한 계산을 나타낼 수도 있다.

일부 예들에서, 이전 레이어들의 다수의 캡처된 열 이미지들이 예측된 열 이미지의 계산에 이용될 수도 있다. 콘톤 맵 또는 맵들은, 예측된 열 이미지에 대응하는 레이어와 동일한 레이어(예를 들어, 레이어 k)에 대응할 수도 있다.

일부 예들에서, 예측된 열 이미지는, 캡처된 열 이미지에 대응하는 레이어와 동일한 레이어에 대응할 수도 있다. 예를 들어, 캡처된 열 이미지는 레이어 k에 대응할 수도 있고 예측된 열 이미지는 레이어 k에 대응할 수도 있다. 일부 예들에서 이전 레이어들의 다수의 캡처된 열 이미지들이 또한 계산에 이용될 수도 있다는 것에 주목해야 한다. 콘톤 맵 또는 맵들은, 이전 레이어 또는 레이어들에 그리고/또는 예측된 열 이미지에 대응하는 레이어와 동일한 레이어(예를 들어, 레이어 k)에 대응할 수도 있다.

콘톤 맵은 작용물 배치(예를 들어, 융합 작용물에 대한 배치 및/또는 수량 및/또는 디테일링 작용물에 대한 배치 및/또는 수량)의 표현일 수도 있다. 콘톤 맵들이 뉴럴 네트워크 또는 네트워크들에의 데이터 입력의 예들로서 주어지지만, 콘톤 맵들에 부가적으로 또는 이들로부터 대안적으로 다른 정보 또는 데이터가 이용될 수도 있다. 예를 들어, 슬라이스들은 열 이미지들의 예측을 지원하기 위해 이용될 수도 있고/있거나 대안적인 학습 데이터세트로서 이용될 수도 있다. 특히, 일부 예들에서 콘톤 맵 또는 콘톤 맵들 대신에 또는 콘톤 맵 또는 콘톤 맵들에 부가적으로 슬라이스들이 사용될 수도 있다.

일부 예들에서 열 이미지들(예를 들어, 복셀-레벨의 캡처된 열 이미지들)은 뉴럴 네트워크 또는 네트워크들을 트레이닝시키는 데 이용될 수도 있다는 것에 주목해야 한다. 예를 들어, 제어기(116)는 예측된 열 이미지 및 열 이미지에 기초하여 손실 함수를 컴퓨팅할 수도 있다. 뉴럴 네트워크 또는 네트워크들은 손실 함수에 기초하여 트레이닝될 수도 있다. 이용될 수도 있는 뉴럴 네트워크의 일 예가 도 6과 관련하여 설명된다.

일부 예들에서, 제어기(116)는 예측된 열 이미지 및 캡처된 열 이미지에 기초하여 시각화(예를 들어, 그래픽 오버레이)를 생성 및/또는 제시할 수도 있다. 예를 들어, 예측된 열 이미지 및 캡처된 열 이미지는 본 명세서에서 설명되는 바와 같이 시각화(예를 들어, 그래픽 오버레이)를 생성 및/또는 제시하기 위해 콘톤 맵 또는 맵들 대신에 또는 이에 부가적으로 이용될 수도 있다.

도 2는 객체 제조 시각화에 사용될 수도 있는 장치(256)의 일 예의 블록 다이어그램이다. 장치(256)는 퍼스널 컴퓨터, 서버 컴퓨터, 프린터, 3D 프린터, 스마트폰, 태블릿 컴퓨터 등과 같은 컴퓨팅 디바이스일 수도 있다. 장치(256)는 프로세서(262), 데이터 스토어(268), 입/출력 인터페이스(266), 머신 판독가능 저장 매체(280), 및/또는 열 이미지 센서 또는 센서들(264)을 포함할 수도 있고/있거나 이들에 커플링될 수도 있다. 일부 예들에서, 장치(256)는 적층 제조 디바이스(예를 들어, 도 1과 관련하여 설명된 3D 프린팅 디바이스(100))와 통신(예를 들어, 그에 커플링됨, 그와의 통신 링크를 가짐)할 수도 있다. 대안적으로, 장치(256)는 도 1과 관련하여 설명된 3D 프린팅 디바이스(100)의 일 예일 수도 있다. 예를 들어, 프로세서(262)는 도 1과 관련하여 설명된 제어기(116)의 일 예일 수도 있고, 데이터 스토어(268)는 도 1과 관련하여 설명된 데이터 스토어(114)의 일 예일 수도 있고, 열 이미지 센서 또는 센서들(264)은 도 1과 관련하여 설명된 열 센서(106)의 일 예일 수도 있다. 장치(256)는 부가적인 컴포넌트들(도시되지 않음)을 포함할 수도 있고/있거나 본 명세서에서 설명되는 컴포넌트들 중 일부가 본 개시내용의 범위로부터 벗어남이 없이 제거 및/또는 수정될 수도 있다.

프로세서(262)는, 중앙 프로세싱 유닛(CPU), 반도체 기반 마이크로프로세서, 그래픽 프로세싱 유닛(GPU), FPGA, 주문형 집적 회로(ASIC), 및/또는 머신 판독가능 저장 매체(280)에 저장되는 명령어들의 검색 및 실행에 적합한 다른 하드웨어 디바이스 중 임의의 것일 수도 있다. 프로세서(262)는 머신 판독가능 저장 매체(280) 상에 저장되는 명령어들(예를 들어, 제시 명령어들(276))을 페치, 디코딩, 및/또는 실행할 수도 있다. 부가적으로 또는 대안적으로, 프로세서(262)는, 명령어들(예를 들어, 제시 명령어들(276))의 기능성 또는 기능성들을 수행하기 위한 전자 컴포넌트들을 포함하는 전자 회로 또는 회로들을 포함할 수도 있다. 일부 예들에서, 프로세서(262)는 도 1 내지 도 6 중 하나, 일부, 또는 전부와 관련하여 설명된 기능들, 동작들, 요소들, 방법들 등 중의 하나, 일부, 또는 전부를 수행하도록 구성될 수도 있다.

머신 판독가능 저장 매체(280)는, 전자 정보(예를 들어, 명령어들 및/또는 데이터)를 포함 또는 저장하는 임의의 전자, 자기, 광학, 또는 다른 물리적 저장 디바이스일 수도 있다. 따라서, 머신 판독가능 저장 매체(280)는, 예를 들어, 랜덤 액세스 메모리(RAM), 전기적 소거가능 프로그래밍가능 판독 전용 메모리(EEPROM), 저장 디바이스, 광학 디스크, 및 이와 유사한 것일 수도 있다. 일부 구현들에서, 머신 판독가능 저장 매체(280)는 비일시적 유형(tangible)의 머신 판독가능 저장 매체일 수도 있고, 여기서 용어 "비일시적"은 일시적 전파 신호들을 포괄하지 않는다.

장치(256)는, 프로세서(262)가 정보를 저장할 수도 있는 데이터 스토어(268)를 또한 포함할 수도 있다. 데이터 스토어(268)는 동적 랜덤 액세스 메모리(Dynamic Random Access Memory)(DRAM), EEPROM, 자기 저항 랜덤 액세스 메모리(magnetoresistive random-access memory)(MRAM), 상 변화 RAM(phase change RAM)(PCRAM), 멤리스터(memristor), 플래시 메모리, 및 이와 유사한 것과 같은 휘발성 및/또는 비휘발성 메모리일 수도 있다. 일부 예들에서, 머신 판독가능 저장 매체(280)는 데이터 스토어(268)에 포함될 수도 있다. 대안적으로, 머신 판독가능 저장 매체(280)는 데이터 스토어(268)와는 별개일 수도 있다. 일부 접근법들에서, 데이터 스토어(268)는 머신 판독가능 저장 매체(280)에 의해 저장된 것과 유사한 명령어들 및/또는 데이터를 저장할 수도 있다. 예를 들어, 데이터 스토어(268)는 비휘발성 메모리일 수도 있고 머신 판독가능 저장 매체(280)는 휘발성 메모리일 수도 있다.

장치(256)는, 예를 들어, 제조(예를 들어, 프린팅)될 객체 또는 객체들에 관한 정보를 수신 및 저장하기 위해, 프로세서(262)가 외부 디바이스 또는 디바이스들(도시되지 않음)과 통신할 수도 있게 하는 입/출력 인터페이스(266)를 더 포함할 수도 있다. 입/출력 인터페이스(266)는, 프로세서(262)가 외부 디바이스 또는 디바이스들과 통신하는 것을 가능하게 하기 위한 하드웨어 및/또는 머신 판독가능 명령어들을 포함할 수도 있다. 입/출력 인터페이스(266)는 외부 디바이스 또는 디바이스들에 대한 유선 또는 무선 커넥션을 가능하게 할 수도 있다. 입/출력 인터페이스(266)는, 네트워크 인터페이스 카드를 더 포함할 수도 있고/있거나 프로세서(262)가, 사용자가 장치(256)에 명령어들을 입력할 수도 있게 하는 다양한 입력 및/또는 출력 디바이스들, 예컨대 키보드, 마우스, 디스플레이, 다른 장치, 전자 디바이스, 컴퓨팅 디바이스 등과 통신하는 것을 가능하게 하기 위한 하드웨어 및/또는 머신 판독가능 명령어들을 또한 포함할 수도 있다.

일부 예들에서, 머신 판독가능 저장 매체(280)는 열 이미지 데이터(278)를 저장할 수도 있다. 열 이미지 데이터(278)는 열 이미지 센서 또는 센서들(264)로부터 획득(예를 들어, 수신)될 수도 있고/있거나 예측될 수도 있다. 예를 들어, 프로세서(262)는 레이어 또는 레이어들에 대한 캡처된 열 이미지 또는 이미지들을 획득하기 위한 명령어들(도 2에 도시되지 않음)을 실행할 수도 있다. 일부 예들에서, 장치(256)는 열 이미지 센서 또는 센서들(264)을 포함할 수도 있거나, 원격 열 이미지 센서 또는 센서들에 커플링될 수도 있고/있거나, (집적 및/또는 원격) 열 이미지 센서로부터 열 이미지 데이터(278)(예를 들어, 열 이미지 또는 이미지들)를 수신할 수도 있다. 열 이미지 센서들(264)의 일부 예들은 열 카메라들(예를 들어, 적외선 카메라들)을 포함한다. 다른 종류들의 열 센서들이 이용될 수도 있다. 일부 예들에서, 열 이미지 센서 또는 센서들(264)은 뉴럴 네트워크 트레이닝을 위해 복셀-레벨(또는 거의 복셀-레벨)의 열 감지를 제공할 수도 있다.

열 이미지 데이터(278)는 열 이미지 또는 이미지들을 포함할 수도 있다. 상술된 바와 같이, 열 이미지는, 영역 및/또는 볼륨에 걸친 열(예를 들어, 온도)을 표시하는 이미지일 수도 있다. 예를 들어, 열 이미지는 빌드 영역 온도 분포(예를 들어, 상부 레이어 위의 열 온도 분포)를 표시할 수도 있다. 일부 예들에서, 열 이미지 센서 또는 센서들(264)은 열 이미지 센서 또는 센서들(264)에 의해 도입된 왜곡을 극복하기 위해 캘리브레이션 프로시저를 경험할 수도 있다. 예를 들어, 열 이미지가 변환되어 콘톤 맵 또는 맵들에 열 이미지를 등록할 수도 있다. 상이한 예들에서 상이한 타입들의 열 감지 디바이스들이 사용될 수도 있다.

일부 예들에서, 프로세서(262)는 콘톤 맵 데이터(274)를 획득하기 위한 콘톤 맵 획득 명령어들(282)을 실행할 수도 있다. 예를 들어, 콘톤 맵 획득 명령어들(282)은 (예를 들어, 슬라이스 데이터 및/또는 3D 모델 데이터로부터의) 콘톤 맵 또는 맵들을 생성할 수도 있고/있거나 (예를 들어, 입/출력 인터페이스(266)를 통해) 다른 디바이스로부터 콘톤 맵 또는 맵들을 수신할 수도 있다. 콘톤 맵 데이터(274)는 3D 객체를 프린팅하기 위해 복셀 레벨로 작용물 분배(예를 들어, 융합 작용물 분배 및/또는 디테일링 작용물 분배)를 표시할 수도 있다. 예를 들어, 콘톤 맵 데이터(274)는 작용물 분배를 위한 레이어별 머신 명령어들(예를 들어, 복셀-레벨 머신 명령어들)로서 이용될 수도 있다.

일부 예들에서 열 에너지들을 흡수 또는 제거하는 상이한 능력들에 대응하는 다수의 상이한 작용물 콘톤 맵들이 이용될 수도 있다는 것에 주목해야 한다. 부가적으로 또는 대안적으로, 일부 예들은 각각의 작용물에 대해 다수의 콘톤 맵들이 사용될 수도 있는 상이한 프린트 모드들을 이용할 수도 있다.

주어진 레이어(예를 들어, 현재 레이어, 상부 레이어 등)에 대해, 일부 예들에서 레이어에 퇴적된 모든 작용물들의 콘톤 맵 또는 맵들은 에너지 추진력일 수도 있다. 다른 복셀-레벨 에너지 영향 요인은, 주어진 복셀과 비교하여 온도 차분을 가질 수도 있는 이전 레이어들의 이웃 복셀들을 포함할 수도 있는데, 이는 복셀 안팎으로 열 유속(heat flux)을 유도할 수도 있다는 것에 주목해야 한다.

머신 판독가능 저장 매체(280)는 뉴럴 네트워크 데이터(272)를 저장할 수도 있다. 뉴럴 네트워크 데이터(272)는, 뉴럴 네트워크 또는 뉴럴 네트워크들을 정의 및/또는 구현하는 데이터를 포함할 수도 있다. 예를 들어, 뉴럴 네트워크 데이터(272)는 노드 또는 노드들, 노드들 사이의 커넥션 또는 커넥션들, 네트워크 레이어 또는 네트워크 레이어들, 및/또는 뉴럴 네트워크 또는 뉴럴 네트워크들을 정의할 수도 있다. 일부 예들에서, 프로세서(262)는 예측된 열 이미지들을 계산하기 위해 뉴럴 네트워크 데이터(272)를 이용(예를 들어, 그에 포함되는 명령어들을 실행)할 수도 있다. 예측된 열 이미지 또는 이미지들은 예측된 열 이미지 데이터(270)로서 머신 판독가능 저장 매체(280) 상에 저장될 수도 있다.

일부 예들에서, 프로세서(262)는 예측된 열 이미지 또는 이미지들을 계산하기 위해 (뉴럴 네트워크 데이터(272)에 의해 정의된) 뉴럴 네트워크 또는 네트워크들을 사용한다. 예를 들어, 프로세서(262)는 콘톤 맵 또는 맵들에 기초하여 뉴럴 네트워크 또는 네트워크들을 사용하여 예측된 열 이미지를 계산할 수도 있다. 예측된 열 이미지 또는 이미지들은 예측된 열 이미지 데이터(270)로서 저장될 수도 있다. 예를 들어, 프로세서(262)는, 뉴럴 네트워크 또는 복수의 뉴럴 네트워크들을 사용하여, 캡처된 열 이미지들 및 콘톤 맵들(예를 들어, 융합 콘톤 맵들 및 디테일링 콘톤 맵들)에 기초하여 예측된 열 이미지들을 계산(예를 들어, 예측)할 수도 있다.

일부 예들에서, 프로세서(262)는 객체 제조 시각화를 제시하기 위해 제시 명령어들(276)을 실행할 수도 있다. 예를 들어, 프로세서(262)는 그래픽 오버레이를 제시하기 위해 그리고/또는 뷰포트들의 세트를 제시하기 위해 제시 명령어들(276)을 실행할 수도 있다. 일부 예들에서, 프로세서(262)는 적층된 융합 콘톤 맵들의 제1 뷰포트, 적층된 디테일링 콘톤 맵들의 제2 뷰포트, 적층된 예측된 열 이미지들의 제3 뷰포트, 및/또는 적층된 캡처된 열 이미지들의 제4 뷰포트를 제시하기 위해 제시 명령어들(276)을 실행할 수도 있다. 예를 들어, 프로세서(262)는 콘톤 맵들, 및/또는 열 이미지들을 어셈블링 또는 적층할 수도 있다. 적층된 콘톤 맵들 및/또는 적층된 캡처된 열 이미지들은 객체 또는 객체들의 3D 렌더를 생성할 수도 있다. 일부 예들에서, 프로세서(262)는 콘톤 맵들 및/또는 열 이미지들의 일 부분 또는 부분들을 적층할 수도 있다. 예를 들어, 프로세서(262)는 객체 또는 객체들(예를 들어, 부품들)에 대응하는 콘톤 맵들 및/또는 열 이미지들의 일 부분 또는 부분을 이용할 수도 있다. 예를 들어, 프로세서(262)는 스택으로부터 비-객체 부분을 배제시킬 수도 있다. 적층된 콘톤 맵들 및 적층된 열 이미지들의 예들이 도 3과 관련하여 주어진다.

일부 예들에서, 머신 판독가능 저장 매체(280)는 3D 모델 데이터(도 2에 도시되지 않음)를 저장할 수도 있다. 3D 모델 데이터는 장치(256)에 의해 생성되고/되거나 다른 디바이스로부터 수신될 수도 있다. 일부 예들에서, 머신 판독가능 저장 매체(280)는 슬라이싱 명령어들(도 2에 도시되지 않음)을 포함할 수도 있다. 예를 들어, 프로세서(262)는 2D 벡터 슬라이스들의 스택을 생성하기 위해 3D 모델 데이터에 대한 슬라이싱을 수행하기 위해 슬라이싱 명령어들을 실행할 수도 있다.

일부 예들에서, 프로세서(262)는 제시를 위해 시각화(예를 들어, 그래픽 오버레이, 뷰포트들의 세트 등)를 디스플레이에 전송할 수도 있다. 디스플레이의 예들은 액정 디스플레이(Liquid Crystal Display)(LCD) 패널, 유기 발광 다이오드(Organic Light Emitting Diode)(OLED) 패널, 음극선관(Cathode Ray Tube)(CRT) 스크린 등을 포함한다. 일부 예들에서, 장치(256)는, 시각화가 제시될 수도 있는 디스플레이(도 2에 도시되지 않음)를 포함할 수도 있다. 부가적으로 또는 대안적으로, 프로세서(262)는 제시를 위해 (예를 들어, 입/출력 인터페이스(266)를 통해) 시각화를 원격 디스플레이에 그리고/또는 원격 디바이스에 전송할 수도 있다.

일부 예들에서, 제시 명령어들(276)은 3D 프린팅 명령어들을 포함할 수도 있다. 예를 들어, 프로세서(262)는 3D 객체 또는 객체들을 프린팅하기 위해 3D 프린팅 명령어들을 실행할 수도 있다. 일부 구현들에서, 3D 프린팅 명령어들은, 디바이스 또는 디바이스들(예를 들어, 롤러들, 프린트 헤드들, 및/또는 열 프로젝터들 등)을 제어하기 위한 명령어들을 포함할 수도 있다. 예를 들어, 3D 프린팅 명령어들은 콘톤 맵 또는 맵들에 의해 특정되는 위치 또는 위치들에 작용물 또는 작용물들을 프린팅하기 위한 프린트 헤드 또는 헤드들을 제어하기 위해 (예를 들어, 콘톤 맵 데이터로서 저장되는) 콘톤 맵 또는 콘톤 맵들을 사용할 수도 있다. 일부 예들에서, 프로세서(262)는 레이어 또는 레이어들을 프린팅하기 위해 3D 프린팅 명령어들을 실행할 수도 있다. 프린팅(예를 들어, 열 프로젝터 제어)은 열 이미지들(예를 들어, 캡처된 열 이미지들 및/또는 예측된 열 이미지들)에 기초할 수도 있다.

일부 예들에서, 머신 판독가능 저장 매체(280)는 뉴럴 네트워크 트레이닝 명령어들을 저장할 수도 있다. 프로세서(262)는 (예를 들어, 뉴럴 네트워크 데이터(272)에 의해 정의되는) 뉴럴 네트워크 또는 뉴럴 네트워크들을 트레이닝하기 위해 뉴럴 네트워크 트레이닝 명령어들을 실행할 수도 있다. 일부 예들에서, 프로세서(262)는 캡처된 트레이닝 열 이미지들의 세트를 사용하여 뉴럴 네트워크 또는 네트워크들을 트레이닝시킬 수도 있다. 일부 접근법들에서, 뉴럴 네트워크 트레이닝 명령어들은 손실 함수를 포함할 수도 있다. 프로세서(262)는 예측된 열 이미지 및 캡처된 트레이닝 열 이미지에 기초하여 손실 함수를 컴퓨팅할 수도 있다. 예를 들어, 캡처된 트레이닝 열 이미지는 손실 함수에 대한 지상 검증자료(ground truth)(복셀-레벨일 수도 있거나 또는 아닐 수도 있다)를 제공할 수도 있다. 손실 함수는 뉴럴 네트워크 또는 뉴럴 네트워크들을 트레이닝시키는 데 이용될 수도 있다. 예를 들어, 뉴럴 네트워크 또는 네트워크들의 예측 정확도를 개선시키기 위해, 뉴럴 네트워크 또는 네트워크들에서의 커넥션 가중치 또는 가중치들 및/또는 노드 또는 노드들이 손실 함수에 기초하여 조정될 수도 있다. 도 2와 관련하여 설명된 모든 요소들 및/또는 피처들이 모든 구현들에 요구되는 것은 아닐 수도 있다는 것에 주목해야 한다.

도 3은 뷰포트들의 세트(392)의 일 예를 예시하는 다이어그램이다. 뷰포트들의 세트(392)는, 적층된 융합 콘톤 맵들의 제1 뷰포트(384), 적층된 디테일링 콘톤 맵들의 제2 뷰포트(386), 적층된 예측된 열 이미지들의 제3 뷰포트(388), 및 적층된 캡처된 열 이미지들의 제4 뷰포트(390)를 포함한다. 일부 예들에서, 장치(256)는 디스플레이 상에 뷰포트들의 세트(392)를 제시할 수도 있다. 관찰될 수 있는 바와 같이, 뷰포트들의 세트(392)는 프린팅 명령어들(예를 들어, 콘톤 맵들), 예측된 열 이미지들, 및/또는 캡처된 열 이미지들 사이의 비교들을 가능하게 한다. 예시된 바와 같이, 각각의 뷰포트는, 제조된 객체들(예를 들어, 부품들)의 3D 뷰 또는 렌더를 제공하기 위한 적층된 세트의 이미지들(예를 들어, 콘톤 맵들 또는 열 이미지들)을 포함할 수도 있다.

도 4는 객체 제조 시각화를 위한 방법(400)의 일 예를 예시하는 플로 다이어그램이다. 방법(400) 및/또는 방법(400) 요소 또는 요소들이 전자 디바이스에 의해 수행될 수도 있다. 예를 들어, 방법(400)은 도 2와 관련하여 설명된 장치(256)에 의해(그리고/또는 도 1과 관련하여 설명된 3D 프린팅 디바이스(100)에 의해) 수행될 수도 있다.

장치(256)는 머신 학습 모델을 사용하여 적층 제조의 예측된 열 이미지들을 결정할 수도 있다(402). 예를 들어, 장치(256)는 적층 제조의 객체 또는 객체들의 레이어들의 예측된 열 이미지들을 계산하기 위해 뉴럴 네트워크 또는 뉴럴 네트워크들을 이용할 수도 있다. 일부 예들에서, 예측된 열 이미지들은 콘톤 맵 또는 맵들 및/또는 캡처된 열 이미지 또는 이미지들에 기초하여 계산될 수도 있다.

장치(256)는 캡처된 열 이미지를 획득할 수도 있다(404). 예를 들어, 레이어가 퇴적된 후에, 장치(256)는 열 이미지 센서를 사용하여 레이어의 캡처된 열 이미지를 획득할 수도 있거나(404) 또는 원격 이미지 센서로부터 레이어의 캡처된 열 이미지를 수신할 수도 있다.

장치(256)는 캡처된 열 이미지와 예측된 열 이미지의 그래픽 오버레이를 제시할 수도 있다(406). 캡처된 열 이미지와 예측된 열 이미지의 그래픽 오버레이를 제시하는 것은, 예측된 열 이미지 및/또는 캡처된 열 이미지에 기초하는 그래픽 오버레이를 생성하는 것을 포함할 수도 있다. 예를 들어, 그래픽 오버레이는, 예측된 열 이미지의 전부 또는 일 부분, 캡처된 열 이미지의 전부 또는 일 부분, 및/또는 예측된 열 이미지 및 캡처된 열 이미지에 기초하는 표시 또는 데이터(예를 들어, 차이, 합계, 스코어링 등)를 포함할 수도 있다. 예를 들어, 제어기(116)는 시각화를 위해 예측된 열 이미지와 캡처된 열 이미지를 조합(예를 들어, 감산, 가산, 스코어링 등)하여, 제조(예를 들어, 프린팅) 성능을 이해하는 방법에 대한 통찰력을 사용자에게 제공하거나, 장치(256)를 디버깅하는 것을 돕거나, 프린트 결함들을 디버깅하는 것을 돕고/거나, 결함의 원인에 대한 조사를 안내할 수도 있다.

일부 예들에서, 예측된 열 이미지와 캡처된 열 이미지 사이의 차이가 시각화(예를 들어, 계산, 스코어링, 등급 지정, 제시, 그래픽 오버레이로 제시 등)될 수도 있다. 일부 예들에서, 차이는 머신 학습 모델(예를 들어, 예측 모델, 뉴럴 네트워크 등)의 에러를 표시할 수도 있다. 시각화(예를 들어, 그래픽 오버레이)는 예측 에러들이 발생하는 장소(예를 들어, 경계들, 특정 영역들 등) 및/또는 머신 학습 모델이 개선될 수도 있는 방법에 관한 통찰력을 사용자에게 제공할 수도 있다. 예를 들어, 머신 학습 모델이 미세한 디테일들, 경계들, 날카로운 코너들, 또는 큰 부품들 등을 예측하는 데 불충분한 경우, 그러면 머신 학습 모델은 그러한 피처들을 더 잘 예측하기 위한 개선으로부터 이익을 얻을 수도 있다. 이에 따라, 본 명세서에서 설명되는 시각화 결정 및 제시의 일부 예들은 머신 학습 모델 개발에 유용할 수도 있다.

일부 예들에서, 그래픽 오버레이는, 예측된 열 이미지와 캡처된 열 이미지 사이의 차이의 정도(예를 들어, 임계 차이보다 더 큼)를 표시하는, 예측된 열 이미지 또는 예측된 열 이미지의 일 부분 상의 표시자(예를 들어, 패턴, 컬러, 숫자, 문자 등)를 포함할 수도 있다. 일부 예들에서, 그래픽 오버레이는, 예측된 열 이미지와 캡처된 열 이미지 사이의 차이의 정도(예를 들어, 임계 차이보다 더 큼)를 표시하는, 캡처된 열 이미지 또는 챕처된 열 이미지의 일 부분 상의 표시자(예를 들어, 패턴, 컬러, 숫자, 문자 등)를 포함할 수도 있다. 일부 예들에서, 차이의 상이한 정도들은 상이한 패턴들, 컬러들, 숫자들, 및/또는 문자들 등으로 예시될 수도 있다.

일부 예들에서, 그래픽 오버레이는, 캡처된 열 이미지(또는 캡처된 열 이미지의 반투명 버전)와 중첩된 예측된 열 이미지(또는 예측된 열 이미지의 반투명 버전)를 포함할 수도 있다. 예측된 열 이미지(또는 그의 일 부분)와 캡처된 열 이미지(또는 그의 일 부분) 사이의 차이의 정도는 표시자(예를 들어, 패턴, 컬러, 숫자, 문자 등)로 강조될 수도 있다.

일부 예들에서, 그래픽 오버레이는 예측된 열 이미지의 스택 및/또는 캡처된 열 이미지들의 스택을 포함하거나 또는 이들에 기초할 수도 있다. 예를 들어, 장치(256)는 복수의 예측된 열 이미지(또는 그의 일 부분)를 적층함으로써 그리고/또는 복수의 캡처된 열 이미지들(또는 그의 일 부분)을 적층함으로써 3D 렌더링을 생성할 수도 있다. 3D 그래픽 오버레이를 생성하기 위해 예측된 열 이미지 및/또는 캡처된 열 이미지들에 대해 그래픽 오버레이가 생성될 수도 있다. 일부 예들에서, 방법(400)은, 복수의 예측된 열 이미지들(또는 그의 일 부분(들))을 적층하는 것을 포함할 수도 있다. 그래픽 오버레이는 복수의 예측된 열 이미지들과 함께 제시될 수도 있다(406).

일부 예들에서, 방법(400)은, 부품 맵(part map)을 생성하기 위해 콘톤 맵을 사용하여 예측된 열 이미지 및/또는 캡처된 열 이미지를 마스킹하는 것을 포함할 수도 있다. 예를 들어, 콘톤 맵(예를 들어, 융합 콘톤 맵)은, 객체 또는 객체들(예를 들어, 부품 또는 부품들)에 대응하는 캡처된 열 이미지 및/또는 예측된 열 이미지의 일 부분 또는 부분들을 표시할 수도 있다. 예를 들어, 객체에 대응하는 부분은, 객체 또는 부품으로 형성될 영역이다. 비-객체 부분은, 객체 또는 부품으로 형성되지 않을 영역이다. 예측된 열 이미지 및/또는 캡처된 열 이미지를 콘톤 맵으로 마스킹하면, 객체 또는 객체들에 대응하는 부분(들)을 비-객체 부분으로부터 분리시킬 수도 있다. 이에 따라, 예측된 열 이미지와 캡처된 열 이미지를 콘톤 맵을 사용하여 마스킹하면, 객체 부분을 갖는 부품 맵들을 생성할 수도 있다. 부품 맵은 객체 부분 또는 부분들을 포함할 수도 있고 비-객체 부분 또는 부분들을 배제시킬 수도 있다.

일부 예들에서, 방법(400)은, 이상 스코어(anomaly score) 또는 이상 스코어들을 결정하는 것을 포함할 수도 있다. 이상 스코어는, 예상된 특성(예를 들어, 구조체, 지오메트리, 또는 열적 거동)과 실제 특성 사이의 디스패리티(disparity)의 정도를 표시하는 값(예를 들어, 수치 값)이다. 예를 들어, 이상 스코어는 예측된 열 이미지 또는 이미지들과 캡처된 열 이미지 또는 이미지들 사이의 디스패리티의 정도를 표시할 수도 있다. 이상 스코어의 예들은, 전체 적층 제조 작업에 대한 디스패리티의 정도를 표시하는 작업 이상 스코어, 객체(예를 들어, 작업에서 다수의 객체들 중 하나의 객체)에 대한 디스패리티의 정도를 표시하는 객체 이상 스코어, 및 위치(예를 들어, 픽셀, 복셀 등)에 대한 디스패리티의 정도를 표시하는 로컬 이상 스코어를 포함한다. 이상 스코어들을 계산하기 위한 기법들의 예들이 다음과 같이 주어진다.

일부 예들에서, 이상 스코어 또는 스코어들을 결정하는 것은, 예측된 열 이미지(또는 그의 일 부분 또는 부분들)와 캡처된 열 이미지(또는 그의 일 부분 또는 부분들) 사이의 차이를 계산하는 것을 포함할 수도 있다. 예를 들어, 장치(256)는 예측된 열 이미지의 픽셀 값 또는 값들로부터 캡처된 열 이미지의 픽셀 값 또는 값들을 감산할 수도 있다. 대안적으로, 장치(256)는 캡처된 열 이미지의 픽셀 값 또는 값들로부터 예측된 열 이미지의 픽셀 값 또는 값들을 감산할 수도 있다. 일부 예들에서, 차이는 캡처된 열 이미지 및/또는 예측된 열 이미지의 일 부분 또는 부분들에 대해 계산될 수도 있다. 예를 들어, 객체 또는 객체들(예를 들어, 부품(들), 용융된 부품(들) 등)에 대응하는 캡처된 열 이미지 및 예측된 열 이미지의 부분 또는 부분들은 차이를 계산하는 데 이용될 수도 있다. 상술된 바와 같이, (예를 들어, 동일한 레이어의) 융합 콘톤 맵은, 예측된 열 이미지 및 캡처된 열 이미지를, 객체 또는 객체들(예를 들어, 부품 맵들)에 대응하는 부분 또는 부분들로 마스킹(예를 들어, 세그먼트화)하는 데 이용될 수도 있다. 부분 또는 부분들은 레이어에서의 객체 또는 객체들의 실제 포지션을 표시할 수도 있다. 일부 예들에서, 작업 정보는 객체들의 수를 표시할 수도 있다. 예를 들어, 장치(256)는, 대응하는 포지션으로 각각의 객체에 주석을 달거나 또는 그 각각의 객체를 인덱싱하는 데이터를 저장할 수도 있다. 차이는, 부분 또는 부분들의 픽셀들 또는 복셀들에 대응하는 차이 값들의 세트를 포함할 수도 있다.

일부 예들에서, 이상 스코어 또는 스코어들을 결정하는 것은, 차이의 평균을 계산하는 것을 포함할 수도 있다. 예를 들어, 장치(256)는 각각의 객체에 대한 차이 값들의(또는 차이 값들의 절대 값의) 평균을 계산할 수도 있다. 예를 들어, 객체의 각각의 예측된 열 이미지(예를 들어, 레이어)에 대해, 장치(256)는 대응하는 캡처된 열 이미지(들)를 사용하여 차이의 절대 값의 평균을 계산할 수도 있다. 각각의 부품에 대한 차이의 평균은 각각의 객체에 대한 객체 이상 스코어를 계산하는 데 이용될 수도 있다.

일부 예들에서, 이상 스코어 또는 스코어들을 결정하는 것은, 평균에 기초하여 그리고 머신 학습 모델의 통계 값들에 기초하여 이상 스코어를 계산하는 것을 포함할 수도 있다. 예를 들어, 머신 학습 모델이 트레이닝되고 있을 때, 머신 학습 모델의(예를 들어, 예측된 열 이미지들과 캡처된 트레이닝 열 이미지들 사이의 차이들의) 통계 값들(예를 들어, 평균

및 표준 편차

)이 결정될 수도 있다. 머신 학습 모델의 통계 값들은 적층 제조 프로세스의 예상된 거동을 나타낼 수도 있다.

일부 예들에서, 이상 스코어를 계산하는 것은 식 (1)에 따라 수행될 수도 있다.

식 (1)에서,

는 이상 스코어이고,

는 차이(예를 들어, 작업에 대한 평균 차이, 객체에 대한 평균 차이, 또는 로컬 차이 값)이고,

는 머신 학습 모델의 평균이고,

는 머신 학습 모델의 표준 편차이다. 객체 이상 스코어의 경우,

는 그 객체에 대한 캡처된 열 이미지(들)와 예측된 열 이미지(들) 사이의 평균 차이일 수도 있다. 작업 이상 스코어의 경우,

는 작업에서의 모든 객체들에 대한 평균 차이(예를 들어, 객체 평균 차이들의 평균 차이)일 수도 있다. 예를 들어, 장치(256)는 식 (1)에 예시된 바와 같이 작업에서의 모든 객체들에 대한 평균 차이를 계산하고 머신 학습 모델의 평균 및 표준 편차를 사용하여 작업 이상 스코어를 계산할 수도 있다.

로컬 이상 스코어의 경우,

는 위치(예를 들어, 픽셀, 복셀 등)에서의 차이 값일 수도 있다. 일부 예들에서, 장치(256)는 로컬 이상 스코어들의 세트를 계산할 수도 있다. 예를 들어, 장치(256)는 예측된 열 이미지(들)와 캡처된 열 이미지(들) 사이의 로컬 차이 값들의 세트(예를 들어, 객체 또는 객체들의 각각의 픽셀에 대한 차이 값)를 계산할 수도 있다. 장치(256)는 식 (1)에 따라 머신 학습 모델의 통계 값들에 기초하여 로컬 차이 값들의 세트에 기초하여 로컬 이상 스코어들의 세트를 계산할 수도 있다.

일부 예들에서, 방법(400)은, 등급 또는 등급들(예를 들어, 등급들의 세트)을 생성하기 위해 이상 스코어 또는 스코어들(예를 들어, 이상 스코어들의 세트)을 임계치들의 세트와 비교하는 것을 포함할 수도 있다. 일부 예들에서, 임계치들의 세트는 머신 학습 모델의 표준 편차의 배수들을 포함한다. 임계치들의 세트의 일 예가 표 (1)에 주어진다. 표 (1)이 임계치들의 세트에 대한 일부 예들을 제공하지만, 다른 임계치들 및/또는 다른 함수가 이상 스코어(들)를 등급(들)에 매핑시키는 데 이용될 수도 있다는 것에 주목해야 한다.

표 (1)

일부 예들에서, 그래픽 오버레이를 제시하는 것은, 이상 스코어 또는 스코어들에 기초할 수도 있다. 예를 들어, 그래픽 오버레이를 제시하는 것은, 작업, 객체(들), 및/또는 위치에 대한 값 또는 값들(예를 들어, 스코어(들) 또는 등급(들)), 패턴, 컬러, 또는 다른 표시자를 제시하는 것을 포함할 수도 있다. 예를 들어, 장치(256)는 캡처된 열 이미지에 대한 등급들의 세트를 생성하기 위해 로컬 이상 스코어들의 세트를 임계치들의 세트와 비교할 수도 있다. 장치(256)는 등급들의 세트에 기초하여 그래픽 오버레이를 컬러 코딩할 수도 있다. 그래픽 오버레이들의 예들이 도 5와 관련하여 주어진다.

표 (1)에 나타낸 예에 예시된 바와 같이, 머신 학습 모델의 평균보다 2 x 표준 편차 미만인 이상 스코어는 과소 용융된(under-melted) 작업, 객체, 또는 객체의 부분을 표시할 수도 있다. 부가적으로 또는 대안적으로, 표 (1)에 나타낸 예에 예시된 바와 같이, 머신 학습 모델의 평균보다 2 x 표준 편차 초과인 이상 스코어는 과도 용융된(over-melted) 작업, 객체, 또는 객체의 부분을 표시할 수도 있다.

도 5는 적층 제조 프로세스의 객체들(594a 및 594b)에 대한 그래픽 오버레이들(596a 내지 596c)의 예들을 예시하는 다이어그램이다. 특히, 장치(256)는 그래픽 오버레이 A(596a)와 함께 객체 A(594a)를 (예를 들어, 디스플레이 상에, 윈도우에, 그래픽 사용자 인터페이스(graphical user interface)(GUI)에 등에) 제시할 수도 있다. 이 예에서, 그래픽 오버레이 A(596a)는, 객체에 대한 등급을 표시하는 객체 A(594a)에 따른(예를 들어, 그에 대한) 문자들의 세트이다. 이 예에서, 객체 A(594a)에 대한 평균 이상 스코어는 100의 등급에 대응한다(예를 들어, 평균 이상 스코어는 머신 학습 모델의 평균으로부터

이내이다).

객체 B(594b)가 또한 일 예로서 도 5에 예시되어 있다. 이 예에서, 장치(256)는 그래픽 오버레이 B(596b) 및/또는 그래픽 오버레이 C(596c)와 함께 객체 B(594b)를 (예를 들어, 디스플레이 상에, 윈도우에, 그래픽 사용자 인터페이스(GUI)에 등에) 제시할 수도 있다. 이 예에서, 그래픽 오버레이 B(596b)는, 객체에 대한 등급을 표시하는 객체 B(594b)에 따른(예를 들어, 그에 대한) 문자들의 세트이다. 이 예에서, 객체 B(594b)에 대한 평균 이상 스코어는 60의 등급에 대응한다(예를 들어, 평균 이상 스코어는 머신 학습 모델의 평균으로부터

내지

이다).

그래픽 오버레이 C(596c)는 객체 B(594b)의 부분들 위의(예를 들어, 이들과 중첩된) 등급들(598b 내지 598d)을 예시한다. 이 예에서, 등급들(598a 내지 598d)을 예시하기 위해 상이한 패턴들이 이용된다. 부가적으로 또는 대안적으로, 상이한 등급들을 예시하기 위해 상이한 컬러들이 이용될 수도 있다. 예를 들어, 표 (1)에서 등급 A(598a)는 100의 수치 등급에 대응할 수도 있고, 등급 B(598b)는 40의 수치 등급의 수치 등급에 대응할 수도 있고, 등급 C(598c)는 20의 수치 등급의 수치 등급에 대응할 수도 있으며, 등급 D(598d)는 0의 수치 등급의 수치 등급에 대응할 수도 있다. 그래픽 오버레이 C(596c)는 예상된 열적 거동으로부터 다양한 각도들로 벗어나는 객체 B(594b)의 특정 부분들을 식별한다.

도 5로부터 관찰될 수 있는 바와 같이, 그래픽 오버레이들은, 사용자가, 결함들을 포함할 수도 있는 객체들 또는 객체들의 부분들을 직관적으로 위치결정하는 데 도움이 될 수도 있다. 예를 들어, 객체들을 세그먼트화하고 열적 차이들과 스코어들이 계산된 후에, 객체들의 3D 이미지가 재구축될 수도 있고, 높은 이상 스코어들을 갖는 부분들이 이상 스코어들에 기초하여 마킹될 수도 있다. 3D 시각화는 작업별로, 객체별로, 그리고/또는 부분별로 이상들을 보여줄 수도 있다. 예를 들어, 각각의 픽셀은 대응하는 복셀의 스코어를 나타낼 수도 있고 객체 스코어는 평균으로 계산될 수도 있다.

도 6은 뉴럴 네트워크 아키텍처(601)의 일 예를 예시하는 다이어그램이다. 도 6과 관련하여 설명된 뉴럴 네트워크 아키텍처(601)는 도 1 내지 도 5와 관련하여 설명된 머신 학습 모델들 또는 뉴럴 네트워크들의 일 예일 수도 있다. 뉴럴 네트워크 아키텍처(601)는 융합 레이어에 대한 복셀-레벨 열 영향 요인들을 고려할 수도 있다. 뉴럴 네트워크 아키텍처(601)를 이용하는 심층 뉴럴 네트워크는 융합 레이어 열적 거동에 대한 2개의 열 영향 요인들: 콘톤 맵들(615)에 의해 추진되는 에너지 흡수 및/또는 손실, 및 레이어 내에서와 상이한 레이어들 간에서 양측 모두에서의 복셀-레벨 열 커플링을 인식하여 시공간 정보(spatiotemporal information)를 학습할 수도 있다. 뉴럴 네트워크 아키텍처(601)는 시공간 뉴럴 네트워크(607)를 포함할 수도 있다. 시공간 뉴럴 네트워크(607)의 일 예는 반복 뉴럴 네트워크이다. 일부 예들에서, 시공간 뉴럴 네트워크(607)는 하나 또는 다수의 콘볼루션 장단기 메모리 네트워크들(Conv-LSTM)을 포함할 수도 있다. Conv-LSTM은, 수치적 불안정성 이슈들을 극복하고 공간적 및 시간적 영향을 고려하는 반복 뉴럴 네트워크의 타입이다.

각각의 레이어에서, 현재 레이어 콘톤 맵들(615)(또는 콘톤 맵들에 기초하는 데이터) 및 이전 레이어의 캡처된 열 이미지(603)(또는 이전 레이어의 캡처된 열 이미지에 기초하는 데이터)가 입력으로서 이용될 수도 있다. 열 이미지 인코더(605)는 이전 레이어의 캡처된 열 이미지(603)를 인코딩하여 인코딩된 열 이미지(621)를 생성할 수도 있다.

시공간 뉴럴 네트워크(607)는 이전 레이어들로부터 열 전달된 레이어를 학습할 수도 있는데, 이는 열 전달을 시뮬레이션할 수도 있다. 인코딩된 열 이미지(621)는 시공간(예를 들어, Conv-LSTM) 뉴럴 네트워크(607)에 대한 입력으로서 제공될 수도 있다. k번째 레이어에 대한(예를 들어, 현재 타임스탬프에서의) 출력(609)은 디코더(611)를 통해 전달되어 k번째 레이어(예를 들어, 융합 레이어)에 대한 제1 예측된 열 이미지(613)를 생성할 수도 있다.

공간 뉴럴 네트워크(617)는 콘톤 맵 또는 맵들(예를 들어, 융합 콘톤 맵 및/또는 디테일링 콘톤 맵)에 의해 생성된 열 이미지를 학습할 수도 있다. 공간 뉴럴 네트워크(617)의 일 예는 콘볼루션 뉴럴 네트워크(CNN)이다. CNN은 다양한 컴포넌트들(예를 들어, 콘볼루션 레이어들, 풀링 레이어(pooling layer)들, 디콘볼루션 레이어들, 인셉션 레이어들, 잔류 레이어들 등)을 포함할 수도 있다. k번째 레이어 콘톤 맵(들)(615)은 공간 뉴럴 네트워크(617)에 입력될 수도 있는데, 이 공간 뉴럴 네트워크(617)는 k번째 레이어에 대한 제2 예측된 열 이미지(619)를 생성할 수도 있다.

제1 예측된 열 이미지(613) 및 제2 예측된 열 이미지(619)는 합성 뉴럴 네트워크(623)에 제공될 수도 있다. 합성 뉴럴 네트워크(623)의 일 예는 CNN이다. 합성 뉴럴 네트워크(623)는 콘톤 맵(들)으로부터의 예측된 열 이미지의 기여도 및 이전에 캡처된 열 이미지들로부터의 예측된 열 이미지의 기여도를 학습하고 이들을 합성할 수도 있다. 예를 들어, 합성 뉴럴 네트워크(623)는 제1 예측된 열 이미지(613)와 제2 예측된 열 이미지(619)를 합성하여 제3 예측된 열 이미지(625)를 생성할 수도 있다.

일부 예들에서, (k번째 레이어의) 캡처된 열 이미지(627) 및 제3 예측된 열 이미지(625)는 본 명세서에서 설명되는 바와 같이 이상 스코어 또는 스코어들(629)을 결정하는 데 이용될 수도 있다. 예를 들어, 장치(256)는 제3 예측된 열 이미지(625) 및 캡처된 열 이미지(627)에 기초하여 본 명세서에서 설명되는 바와 같이 이상 스코어 또는 스코어들(629)을 계산할 수도 있다. 본 명세서에서 설명되는 바와 같이, 이상 스코어 또는 스코어들(629)은 등급 또는 등급들을 생성하기 위해 그리고/또는 그래픽 오버레이를 제시하기 위해 이용될 수도 있다.

시스템들 및 방법들의 다양한 예들이 본 명세서에 설명되어 있지만, 본 개시내용은 예들로 제한되어서는 안 된다는 것에 주목해야 한다. 본 명세서에서 설명되는 예들의 변형들은 본 개시내용의 범위 내에서 구현될 수도 있다. 예를 들어, 본 명세서에서 설명되는 예들의 기능들, 양태들, 또는 요소들이 생략 또는 조합될 수도 있다.

Claims

전자 디바이스에 의한 객체 제조 시각화를 위한 방법으로서,
머신 학습 모델(machine learning model)을 사용하여, 적층 제조(additive manufacturing)의 예측된 열 이미지를 결정하는 단계;
캡처된 열 이미지를 획득하는 단계;
상기 캡처된 열 이미지와 상기 예측된 열 이미지의 그래픽 오버레이를 제시하는 단계; 및
부품 맵(part map)들을 생성하기 위해 콘톤 맵(contone map)을 사용하여 상기 예측된 열 이미지 및 상기 캡처된 열 이미지를 마스킹하는 단계
를 포함하는, 방법.
제1항에 있어서,
복수의 예측된 열 이미지들을 적층하는 단계를 더 포함하고,
상기 그래픽 오버레이는 상기 복수의 예측된 열 이미지들과 함께 제시되는, 방법.
삭제
제1항에 있어서,
상기 예측된 열 이미지와 상기 캡처된 열 이미지 사이의 차이를 계산하는 단계;
상기 차이의 평균을 계산하는 단계; 및
상기 머신 학습 모델의 통계 값들에 기초하여 그리고 상기 평균에 기초하여 이상 스코어(anomaly score)를 계산하는 단계
를 더 포함하는, 방법.
제1항에 있어서,
상기 예측된 열 이미지와 상기 캡처된 열 이미지 사이의 차이 값들의 세트를 계산하는 단계; 및
상기 머신 학습 모델의 통계 값들에 기초하여 그리고 상기 차이 값들의 세트에 기초하여 이상 스코어들의 세트를 계산하는 단계
를 더 포함하는, 방법.
제5항에 있어서,
상기 캡처된 열 이미지에 대한 등급들의 세트를 생성하기 위해 상기 이상 스코어들의 세트를 임계치들의 세트와 비교하는 단계를 더 포함하는, 방법.
제6항에 있어서,
상기 등급들의 세트에 기초하여 상기 그래픽 오버레이를 컬러 코딩하는 단계를 더 포함하는, 방법.
제6항에 있어서,
상기 임계치들의 세트는 상기 머신 학습 모델의 표준 편차의 배수들을 포함하는, 방법.
제8항에 있어서,
상기 머신 학습 모델의 평균보다 2 x 표준 편차 미만인 이상 스코어가 객체의 과소 용융된 부분(under-melted portion)을 표시하는, 방법.
제8항에 있어서,
상기 머신 학습 모델의 평균보다 2 x 표준 편차 초과인 이상 스코어가 객체의 과도 용융된 부분(over-melted portion)을 표시하는, 방법.
3차원(three-dimensional)(3D) 프린팅 디바이스로서,
콘톤 맵에 기초하여 작용물(agent)을 프린팅하기 위한 프린트 헤드;
열 프로젝터;
열 센서; 및
제어기
를 포함하고,
상기 제어기는:
상기 열 센서로부터 캡처된 열 이미지를 수신하고;
상기 캡처된 열 이미지와 상기 콘톤 맵의 그래픽 오버레이를 제시하기
위한 것인, 3D 프린팅 디바이스.
제11항에 있어서,
상기 콘톤 맵은 융합 콘톤 맵(fusing contone map)인, 3D 프린팅 디바이스.
제12항에 있어서,
상기 콘톤 맵은 디테일링 콘톤 맵(detailing contone map)인, 3D 프린팅 디바이스.
실행가능 명령어를 저장하는 비일시적 유형(tangible)의 컴퓨터 판독가능 매체로서,
프로세서로 하여금 융합 콘톤 맵들 및 디테일링 콘톤 맵들을 획득하게 하기 위한 명령어;
상기 프로세서로 하여금 캡처된 열 이미지들을 획득하게 하기 위한 명령어;
상기 프로세서로 하여금 상기 융합 콘톤 맵들, 상기 디테일링 콘톤 맵들, 및 상기 캡처된 열 이미지들에 기초하여 뉴럴 네트워크를 사용하여 예측된 열 이미지들을 계산하게 하기 위한 명령어; 및
상기 프로세서로 하여금 적층된 융합 콘톤 맵들의 제1 뷰포트(first viewport), 적층된 디테일링 콘톤 맵들의 제2 뷰포트, 적층된 예측된 열 이미지들의 제3 뷰포트, 및 적층된 캡처된 열 이미지들의 제4 뷰포트를 제시하게 하기 위한 명령어
를 포함하는, 비일시적 유형의 컴퓨터 판독가능 매체.
제14항에 있어서,
상기 적층된 융합 콘톤 맵들, 상기 적층된 디테일링 콘톤 맵들, 상기 적층된 예측된 열 이미지들, 및 상기 적층된 캡처된 열 이미지들은 비-객체 부분을 배제시키는, 비일시적 유형의 컴퓨터 판독가능 매체.