CN110070521A - 一种基于视觉神经学习的3d打印模型瑕疵预判***及方法 - Google Patents
一种基于视觉神经学习的3d打印模型瑕疵预判***及方法 Download PDFInfo
- Publication number
- CN110070521A CN110070521A CN201910209520.6A CN201910209520A CN110070521A CN 110070521 A CN110070521 A CN 110070521A CN 201910209520 A CN201910209520 A CN 201910209520A CN 110070521 A CN110070521 A CN 110070521A
- Authority
- CN
- China
- Prior art keywords
- model
- flaw
- printing
- image
- access control
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉神经学习的3D打印模型瑕疵预判***,包括有扫描单元、信息传输单元和信息处理模块;扫描单元包括有摄像头和光栅投影设备,信息传输单元包括有WiFi模块和控制器;光栅投影设备将光栅投影在待测物上,并加以粗细变化及位移,配合摄像头将所撷取的数字影像传送到控制器,控制器通过WiFi模块传送到信息处理模块,信息处理模块将获得的数字化处理信息传输到***在线数据库,并同时将逐帧的图像数据输入至***训练好的卷积神经网络模型库中进行匹配与预测。本发明具有照片式扫描、三维识别、自动预判瑕疵、实时监控3D打印和算法模型自动优化的功能,省去了用户手动重新打印的繁琐步骤,提高打印的效率及良品率。
Description
技术领域
本发明涉及3D打印技术,更具体地,涉及一种基于视觉神经学习的3D打印模型瑕疵预判***及方法。
背景技术
近年来,3D打印应用广泛,市场需求量越来越大,尤其是对一些制造企业来说,他们需要用3D打印来制造一些传统工艺较难制造的零部件,但是,对于企业来说,这些零部件面向市场,必须实现量产。而目前,3D打印在某些精加工领域(精密仪器领域的)良品率还比较低下,产率也比较低下,很难实现规模化生产,存在3D打印模型生产时间较长、3D打印条件把控不准确、打印材料与加工精度不佳的问题。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于视觉神经学习的3D打印模型瑕疵预判***。
为解决上述技术问题,本发明采用的技术方案是:
一种基于视觉神经学习的3D打印模型瑕疵预判***,包括有扫描单元、信息传输单元和信息处理模块;所述扫描单元包括有摄像头和光栅投影设备,所述信息传输单元包括有WiFi模块和控制器;所述光栅投影设备将光栅投影在待测物上,并加以粗细变化及位移,配合摄像头将所撷取的数字影像传送到控制器,控制器通过WiFi模块传送到信息处理模块,信息处理模块将获得的数字化处理信息传输到***在线数据库,并同时将逐帧的图像数据输入至***训练好的卷积神经网络模型库中进行匹配与预测,以便于对产品进行下一步的处理。
在本技术方案中,扫描单元中的摄像头以及光栅投影设备,可以实现照片式扫描、三维识别。此外,信息处理模块将获得的数字化处理信息传输到***在线数据库中,并同时将逐帧的图像数据输入至***训练好的卷积神经网络模型库中进行匹配与预测,以便对产品进行下一步的处理。本发明能够解决在3D打印的某些精加工领域时良品率过低、不能实现规模生产以及3D打印条件把控不准确、打印材料与加工精度不佳的问题。
优选地,还包括自动预判瑕疵单元,所述自动预判瑕疵单元利用3D打印机打印过程中的数据,进行人工标记正确样本以及错误样本,通过机器学习的训练得到预测模型,传送到后台***进行良品率的分析并统计最合适的参数,后台***结合用户数据及大数据分析,预判用户打印模型的良品率,并通过优化算法为用户提供最优打印方案。
在本技术方案中,在自动预判瑕疵单元中,我们采用半监督学***均值的方法得到灰度图像,将得到的灰度图像再通过基于直方图均衡化的图像增强的方法增强图像,锐化突出轮廓信息,得到增强的灰度图。再把该增强的灰度图作为基于直方图的自适应阈值分割方法的输入,得到输出二值图像。对待输入的3D打印成品图像和3D标准模型的模型图像进行预处理,从背景中分割出目标区域,将它们作为感知哈希算法的输入,得到计算的空间距离D,判断其空间距离D是否大于人工设置的误差阈值F。若小于阈值F,则说明暂时打印没有问题,将继续进行打印。若大于阈值F则说明出现瑕疵,将被标注为瑕疵样本存入***。与此同时,***也对该存在瑕疵的图片进行预测分类,判断其瑕疵类型,从而进行打印是需要暂停或是重新打印的判断。若无法确定其瑕疵类型,则将此瑕疵图片进行标记,标记为瑕疵图片存入到数据库中。再将此图片作为深度学习网络ResNet的输入,继续通过学习进行训练得到预测模型,预测模型通过ResNet(残差网络)训练后产生的模型文件。传送到后台***进行良品率的分析并统计最合适的参数,后台***结合用户数据及大数据分析,可预判用户打印模型的良品率,并通过优化算法为用户提供最优打印方案。
优选地,还包括用于监控模型对比相似度的实时监控3D打印单元,所述摄像头将实时撷取的数字影像传送到所述信息处理模块进行对比分析,当模型对比相似度低于设定值时,所述控制器将停止打印任务,重新开始打印。
优选地,所述控制器采用的是板载STM32MCU,至少含IIC、SPI、USART应用接口的核心驱动板。
优选地,所述摄像头采用高分辨率CCD数码相机。
优选地,所述扫描单元和信息传输单元设在3D打印机的外部框架上。
优选地,还包括算法模型自动优化单元,后台***将记录每次打印的所有参数,同步在***数据库中,结合大数据及机器学习算法优化瑕疵诊断算法模型,提高算法模型的准确性。
本发明还提供了一种基于视觉神经学习的3D打印模型瑕疵预判方法,主要包括以下步骤:
S1:利用光栅投影设备对待测物进行光栅投影;
S2:利用摄像头对待测物进行摄像;
S3:将光栅投影设备和摄像头获取的待测物数字影像传送到控制器,控制器通过WiFi模块传送至信息处理模块;
S4:信息处理模块将获得的数字化处理信息上传到***服务器,同时信息处理模块将逐帧的图像数据输入至***训练好的卷积神经网络模型中进行匹配与预测;
S5:自动预判瑕疵单元预判用户打印的模型是否为良品,若为良品,则执行打印步骤;否则,暂停打印。
优选地,所述步骤S5主要包括以下步骤:
s51:利用3D打印机过程中的数据,进行人工标记,得到对于3D打印的合格样本以及瑕疵样本;
s52:当得到足够的样本数量N后,将样本输入到3D打印图像进行灰度处理,通过加权平均值的方法得到灰度图像,将得到的灰度图像再通过基于直方图均衡化的图像增强的方法增强图像,锐化突出轮廓信息,得到增强的灰度图;
s53:再把该增强的灰度图作为基于直方图的自适应阈值分割方法的输入,得到输出二值图像;对待输入的3D打印成品图像和3D标准模型的模型图像进行预处理,从背景中分割出目标区域,将它们作为感知哈希算法的输入,得到计算的空间距离D,判断其空间距离D是否大于人工设置的误差阈值F;
s54:若小于阈值F,则说明暂时打印没有问题,将继续进行打印;若大于阈值F则说明出现瑕疵,将被标注为瑕疵样本存入***,与此同时,***也对该存在瑕疵的图片进行预测分类,判断其瑕疵类型,从而进行打印是需要暂停或是重新打印的判断;若无法确定其瑕疵类型,则将此瑕疵图片进行标记,标记为瑕疵图片存入到数据库中;
s55:再将此图片作为深度学习网络ResNet的输入,继续通过学习进行训练得到预测模型,预测模型通过ResNet(残差网络)训练后产生的模型文件。传送到后台***进行良品率的分析并统计最合适的参数,后台***结合用户数据及大数据分析,可预判用户打印模型的良品率,并通过优化算法为用户提供最优打印方案。
优选地,所述步骤S4还包括:数字化处理信息上传到服务器后,服务器对数字化处理信息进行影像信息备份;自动预判瑕疵单元逐帧标注影像信息后进行卷积神经网络模型训练,并对卷积神经网络模型进行更新,得到训练好的卷积神经网络模型。
与现有技术相比,有益效果是:
本发明具有照片式扫描、三维识别、自动预判瑕疵、实时监控3D打印和算法模型自动优化的功能,省去了用户手动重新打印的繁琐步骤,使用户节省了时间,提高打印效率,提高了良品率;本瑕疵判断***应用范围广,具有独创性,能很好地提升用户体验,为社会创造更大的实用价值。
附图说明
图1是本发明的结构示意图;
图2本发明的结构的俯视图;
图3为发明的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”“长”“短”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体描述:
实施例1
如图1、2所示,一种基于视觉神经学习的3D打印模型瑕疵预判***,包括有扫描单元、信息传输单元和信息处理模块;其中,扫描单元包括有摄像头2和光栅投影设备3,信息传输单元包括有WiFi模块5和控制器4,光栅投影设备3将光栅投影在待测物上,并加以粗细变化及位移,配合摄像头2将所撷取的数字影像传送到控制器4,控制器4通过WiFi模块5传送到信息处理模块1,信息处理模块1将获得的数字化处理信息上传到***服务器,同时信息处理模块对于逐帧的图像数据输入至***训练好卷积神经网络模型库中进行匹配与预测,以便于对产品进行下一步的处理。
其中,3D打印模型瑕疵预判***还包括自动预判瑕疵单元。在自动预判瑕疵单元中,我们采用半监督学***均值的方法得到灰度图像,将得到的灰度图像再通过基于直方图均衡化的图像增强的方法增强图像,锐化突出轮廓信息,得到增强的灰度图。再把该增强的灰度图作为基于直方图的自适应阈值分割方法的输入,得到输出二值图像。对待输入的3D打印成品图像和3D标准模型的模型图像进行预处理,从背景中分割出目标区域,将它们作为感知哈希算法的输入,得到计算的空间距离D,判断其空间距离D是否大于人工设置的误差阈值F。若小于阈值F,则说明暂时打印没有问题,将继续进行打印。若大于阈值F则说明出现瑕疵,将被标注为瑕疵样本存入***。与此同时,***也对该存在瑕疵的图片进行预测分类,判断其瑕疵类型,从而进行打印是需要暂停或是重新打印的判断。若无法确定其瑕疵类型,则将此瑕疵图片进行标记,标记为瑕疵图片存入到数据库中。再将此图片作为深度学习网络ResNet的输入,继续通过学习进行训练得到预测模型,预测模型通过ResNet(残差网络)训练后产生的模型文件。传送到后台***进行良品率的分析并统计最合适的参数,后台***结合用户数据及大数据分析,可预判用户打印模型的良品率,并通过优化算法为用户提供最优打印方案
另外,3D打印模型瑕疵预判***还包括用于监控模型对比相似度的实时监控3D打印单元,摄像头2将实时撷取的数字影像传送到信息处理模块1进行对比分析,当模型对比相似度低于设定值时,控制器4将停止打印任务,重新开始打印。
其中,上述控制器4采用的是板载STM32MCU,含IIC、SPI、USART等应用接口的核心驱动板。
另外,摄像头2采用的是高分辨率CCD数码相机。
其中,扫描单元和信息传输单元设在3D打印机的外部框架上。
另外,3D打印模型瑕疵预判***还包括算法模型自动优化单元,后台***将记录每次打印的所有参数,同步在***数据库中,结合大数据及机器学习算法优化瑕疵诊断算法模型,提高算法模型的准确性。
实施例2
如图3所示,一种基于视觉神经学习的3D打印模型瑕疵预判方法,包括以下步骤:
S1:利用光栅投影设备3对待测物进行光栅投影;
S2:利用摄像头2对待测物进行摄像;
S3:将光栅投影设备3和摄像头2获取的待测物数字影像传送到控制器4,控制器4通过WiFi模块5传送至信息处理模块1;
S4:信息处理模块1将获得的数字化处理信息上传到***服务器,同时信息处理模块1将逐帧的图像数据输入至***训练好的卷积神经网络模型中进行匹配与预测;
S5:自动预判瑕疵单元预判用户打印的模型是否为良品,若为良品,则执行打印步骤;否则,暂停打印。
其中,步骤S5具体包括以下步骤:
s51:利用3D打印机过程中的数据,进行人工标记,得到对于3D打印的合格样本以及瑕疵样本;
s52:当得到足够的样本数量N后,将样本输入到3D打印图像进行灰度处理,通过加权平均值的方法得到灰度图像,将得到的灰度图像再通过基于直方图均衡化的图像增强的方法增强图像,锐化突出轮廓信息,得到增强的灰度图;
s53:再把该增强的灰度图作为基于直方图的自适应阈值分割方法的输入,得到输出二值图像;对待输入的3D打印成品图像和3D标准模型的模型图像进行预处理,从背景中分割出目标区域,将它们作为感知哈希算法的输入,得到计算的空间距离D,判断其空间距离D是否大于人工设置的误差阈值F;
s54:若小于阈值F,则说明暂时打印没有问题,将继续进行打印;若大于阈值F则说明出现瑕疵,将被标注为瑕疵样本存入***,与此同时,***也对该存在瑕疵的图片进行预测分类,判断其瑕疵类型,从而进行打印是需要暂停或是重新打印的判断;若无法确定其瑕疵类型,则将此瑕疵图片进行标记,标记为瑕疵图片存入到数据库中;
s55:再将此图片作为深度学习网络ResNet的输入,继续通过学习进行训练得到预测模型,预测模型通过ResNet(残差网络)训练后产生的模型文件。传送到后台***进行良品率的分析并统计最合适的参数,后台***结合用户数据及大数据分析,可预判用户打印模型的良品率,并通过优化算法为用户提供最优打印方案。
另外,步骤S4还包括:数字化处理信息上传到服务器后,服务器对数字化处理信息进行影像信息备份;自动预判瑕疵单元逐帧标注影像信息后进行卷积神经网络模型训练,并对卷积神经网络模型进行更新,得到训练好的卷积神经网络模型。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于视觉神经学习的3D打印模型瑕疵预判***,其特征在于:包括有扫描单元、信息传输单元和信息处理模块(1);所述扫描单元包括有摄像头(2)和光栅投影设备(3),所述信息传输单元包括有WiFi模块(5)和控制器(4);所述光栅投影设备(3)将光栅投影在待测物上,并加以粗细变化及位移,配合摄像头(2)将所撷取的数字影像传送到控制器(4),控制器(4)通过WiFi模块(5)传送到信息处理模块(1),信息处理模块(1)将获得的数字化处理信息传输到***在线数据库,并同时将逐帧的图像数据输入至***训练好的卷积神经网络模型库中进行匹配与预测。
2.根据权利要求1所述的一种基于视觉神经学习的3D打印模型瑕疵预判***,其特征在于:还包括自动预判瑕疵单元,所述自动预判瑕疵单元利用3D打印机打印过程中的数据,进行人工标记正确样本以及错误样本,通过机器学习的训练得到预测模型,传送到后台***进行良品率的分析并统计最合适的参数,后台***结合用户数据及大数据分析,预判用户打印模型的良品率,并通过优化算法为用户提供最优打印方案。
3.根据权利要求1或2所述的一种基于视觉神经学习的3D打印模型瑕疵预判***,其特征在于:还包括用于监控模型对比相似度的实时监控3D打印单元,所述摄像头(2)将实时撷取的数字影像传送到所述信息处理模块(1)进行对比分析,当模型对比相似度低于设定值时,所述控制器(4)将停止打印任务,重新开始打印。
4.根据权利要求2所述的一种基于视觉神经学习的3D打印模型瑕疵预判***,其特征在于:所述控制器(4)采用的是板载STM32MCU,至少含IIC、SPI、USART应用接口的核心驱动板。
5.根据权利要求3所述的一种基于视觉神经学习的3D打印模型瑕疵预判***,其特征在于:所述摄像头(2)采用高分辨率CCD数码相机。
6.根据权利要求1所述的一种基于视觉神经学习的3D打印模型瑕疵预判***,其特征在于:所述扫描单元和信息传输单元设在3D打印机的外部框架上。
7.根据权利要求6所述的一种基于视觉神经学习的3D打印模型瑕疵预判***,其特征在于:还包括算法模型自动优化单元,后台***将记录每次打印的所有参数,同步在***数据库中,结合大数据及机器学习算法优化瑕疵诊断算法模型,提高算法模型的准确性。
8.一种基于视觉神经学习的3D打印模型瑕疵预判方法,其特征在于,包括以下步骤:
S1:利用光栅投影设备(3)对待测物进行光栅投影;
S2:利用摄像头(2)对待测物进行摄像;
S3:将光栅投影设备(3)和摄像头(2)获取的待测物数字影像传送到控制器(4),控制器(4)通过WiFi模块(5)传送至信息处理模块(1);
S4:信息处理模块(1)将获得的数字化处理信息上传到***服务器,同时信息处理模块(1)将逐帧的图像数据输入至***训练好的卷积神经网络模型中进行匹配与预测;
S5:自动预判瑕疵单元预判用户打印的模型是否为良品,若为良品,则执行打印步骤;否则,暂停打印。
9.根据权利要求8所述的一种基于视觉神经学习的3D打印模型瑕疵预判方法,其特征在于,所述步骤S5具体包括以下步骤:
s51:利用3D打印机过程中的数据,进行人工标记,得到对于3D打印的合格样本以及瑕疵样本;
s52:当得到足够的样本数量N后,将样本输入到3D打印图像进行灰度处理,通过加权平均值的方法得到灰度图像,将得到的灰度图像再通过基于直方图均衡化的图像增强的方法增强图像,锐化突出轮廓信息,得到增强的灰度图;
s53:再把该增强的灰度图作为基于直方图的自适应阈值分割方法的输入,得到输出二值图像;对待输入的3D打印成品图像和3D标准模型的模型图像进行预处理,从背景中分割出目标区域,将它们作为感知哈希算法的输入,得到计算的空间距离D,判断其空间距离D是否大于人工设置的误差阈值F;
s54:若小于阈值F,则说明暂时打印没有问题,将继续进行打印;若大于阈值F则说明出现瑕疵,将被标注为瑕疵样本存入***,与此同时,***也对该存在瑕疵的图片进行预测分类,判断其瑕疵类型,从而进行打印是需要暂停或是重新打印的判断;若无法确定其瑕疵类型,则将此瑕疵图片进行标记,标记为瑕疵图片存入到数据库中;
s55:再将此图片作为深度学习网络ResNet的输入,继续通过学习进行训练得到预测模型,预测模型通过ResNet(残差网络)训练后产生的模型文件。传送到后台***进行良品率的分析并统计最合适的参数,后台***结合用户数据及大数据分析,可预判用户打印模型的良品率,并通过优化算法为用户提供最优打印方案。
10.根据权利要求8所述的一种基于视觉神经学习的3D打印模型瑕疵预判方法,其特征在于,所述步骤S4还包括:数字化处理信息上传到服务器后,服务器对数字化处理信息进行影像信息备份;自动预判瑕疵单元逐帧标注影像信息后进行卷积神经网络模型训练,并对卷积神经网络模型进行更新,得到训练好的卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910209520.6A CN110070521A (zh) | 2019-03-19 | 2019-03-19 | 一种基于视觉神经学习的3d打印模型瑕疵预判***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910209520.6A CN110070521A (zh) | 2019-03-19 | 2019-03-19 | 一种基于视觉神经学习的3d打印模型瑕疵预判***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070521A true CN110070521A (zh) | 2019-07-30 |
Family
ID=67366413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910209520.6A Pending CN110070521A (zh) | 2019-03-19 | 2019-03-19 | 一种基于视觉神经学习的3d打印模型瑕疵预判***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070521A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940672A (zh) * | 2019-12-13 | 2020-03-31 | 智泰科技股份有限公司 | 智能光学检测样品特征与瑕疵ai模型自动产生方法及装置 |
CN111141741A (zh) * | 2019-12-09 | 2020-05-12 | 合肥迪宏自动化有限公司 | 一种可识别打印机标签缺陷的检测装置 |
CN111145171A (zh) * | 2019-12-31 | 2020-05-12 | 南方科技大学 | 激光选区融化短道质量判断方法、装置、设备及存储介质 |
CN111161215A (zh) * | 2019-12-09 | 2020-05-15 | 合肥迪宏自动化有限公司 | 一种可识别打印机颜色的检测装置 |
CN111674048A (zh) * | 2020-05-13 | 2020-09-18 | 广东工业大学 | 一种基于机器视觉的3d打印机断丝报警装置及报警方法 |
CN112432954A (zh) * | 2020-12-09 | 2021-03-02 | 浙江理工大学 | 一种编织管瑕疵检测方法 |
CN112505061A (zh) * | 2020-11-23 | 2021-03-16 | 江苏赛愽智能制造研究院有限公司 | 复杂件3d打印在线检测***及其检测方法 |
CN112925486A (zh) * | 2019-12-05 | 2021-06-08 | 佳能株式会社 | ***和控制方法 |
TWI742710B (zh) * | 2020-06-05 | 2021-10-11 | 樂達創意科技股份有限公司 | 改良機器學習使用資料進行訓練的方法及系統 |
CN113721866A (zh) * | 2021-08-19 | 2021-11-30 | 东莞中国科学院云计算产业技术创新与育成中心 | 应用于3d打印的数据获取***及方法 |
CN113837209A (zh) * | 2020-06-23 | 2021-12-24 | 乐达创意科技股份有限公司 | 改良机器学习使用数据进行训练的方法及*** |
CN114820430A (zh) * | 2022-02-18 | 2022-07-29 | 成都飞机工业(集团)有限责任公司 | 一种多光源协同曝光的3d打印无损检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407823A (zh) * | 2014-05-31 | 2015-03-11 | 福州大学 | 一种基于三视图的3d打印监视纠错方法 |
CN104808764A (zh) * | 2014-01-24 | 2015-07-29 | 索尼公司 | 工作模式的控制方法、装置以及电子设备 |
CN105260750A (zh) * | 2015-09-21 | 2016-01-20 | 北京农业信息技术研究中心 | 一种奶牛识别方法及*** |
CN105965886A (zh) * | 2016-05-04 | 2016-09-28 | 杭州研智科技有限公司 | 误差控制自学习式3d打印机及其控制方法 |
CN106815588A (zh) * | 2015-12-01 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 垃圾图片过滤方法及装置 |
US20170192413A1 (en) * | 2016-01-05 | 2017-07-06 | Deutsche Post Ag | Method for producing a padding |
CN108357106A (zh) * | 2013-08-07 | 2018-08-03 | 麻省理工学院 | 增材制造设备的自动化过程控制 |
CN108445011A (zh) * | 2018-03-12 | 2018-08-24 | 苏州天准科技股份有限公司 | 一种基于深度学习的瑕疵检测***及方法 |
CN208558310U (zh) * | 2018-05-31 | 2019-03-01 | 广东工业大学 | 一种自动卸料和续打的3d打印机 |
-
2019
- 2019-03-19 CN CN201910209520.6A patent/CN110070521A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108357106A (zh) * | 2013-08-07 | 2018-08-03 | 麻省理工学院 | 增材制造设备的自动化过程控制 |
CN104808764A (zh) * | 2014-01-24 | 2015-07-29 | 索尼公司 | 工作模式的控制方法、装置以及电子设备 |
CN104407823A (zh) * | 2014-05-31 | 2015-03-11 | 福州大学 | 一种基于三视图的3d打印监视纠错方法 |
CN105260750A (zh) * | 2015-09-21 | 2016-01-20 | 北京农业信息技术研究中心 | 一种奶牛识别方法及*** |
CN106815588A (zh) * | 2015-12-01 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 垃圾图片过滤方法及装置 |
US20170192413A1 (en) * | 2016-01-05 | 2017-07-06 | Deutsche Post Ag | Method for producing a padding |
CN105965886A (zh) * | 2016-05-04 | 2016-09-28 | 杭州研智科技有限公司 | 误差控制自学习式3d打印机及其控制方法 |
CN108445011A (zh) * | 2018-03-12 | 2018-08-24 | 苏州天准科技股份有限公司 | 一种基于深度学习的瑕疵检测***及方法 |
CN208558310U (zh) * | 2018-05-31 | 2019-03-01 | 广东工业大学 | 一种自动卸料和续打的3d打印机 |
Non-Patent Citations (1)
Title |
---|
周功耀 等: "《3D打印基础教程》", 29 February 2016, 东方出版社 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925486A (zh) * | 2019-12-05 | 2021-06-08 | 佳能株式会社 | ***和控制方法 |
CN111141741A (zh) * | 2019-12-09 | 2020-05-12 | 合肥迪宏自动化有限公司 | 一种可识别打印机标签缺陷的检测装置 |
CN111161215A (zh) * | 2019-12-09 | 2020-05-15 | 合肥迪宏自动化有限公司 | 一种可识别打印机颜色的检测装置 |
CN111161215B (zh) * | 2019-12-09 | 2023-03-31 | 合肥中科迪宏自动化有限公司 | 一种可识别打印机颜色的检测装置 |
CN111141741B (zh) * | 2019-12-09 | 2023-02-10 | 合肥中科迪宏自动化有限公司 | 一种可识别打印机标签缺陷的检测装置 |
CN110940672A (zh) * | 2019-12-13 | 2020-03-31 | 智泰科技股份有限公司 | 智能光学检测样品特征与瑕疵ai模型自动产生方法及装置 |
CN111145171A (zh) * | 2019-12-31 | 2020-05-12 | 南方科技大学 | 激光选区融化短道质量判断方法、装置、设备及存储介质 |
CN111674048A (zh) * | 2020-05-13 | 2020-09-18 | 广东工业大学 | 一种基于机器视觉的3d打印机断丝报警装置及报警方法 |
TWI742710B (zh) * | 2020-06-05 | 2021-10-11 | 樂達創意科技股份有限公司 | 改良機器學習使用資料進行訓練的方法及系統 |
CN113837209A (zh) * | 2020-06-23 | 2021-12-24 | 乐达创意科技股份有限公司 | 改良机器学习使用数据进行训练的方法及*** |
CN112505061A (zh) * | 2020-11-23 | 2021-03-16 | 江苏赛愽智能制造研究院有限公司 | 复杂件3d打印在线检测***及其检测方法 |
CN112432954A (zh) * | 2020-12-09 | 2021-03-02 | 浙江理工大学 | 一种编织管瑕疵检测方法 |
CN113721866A (zh) * | 2021-08-19 | 2021-11-30 | 东莞中国科学院云计算产业技术创新与育成中心 | 应用于3d打印的数据获取***及方法 |
CN114820430A (zh) * | 2022-02-18 | 2022-07-29 | 成都飞机工业(集团)有限责任公司 | 一种多光源协同曝光的3d打印无损检测方法 |
CN114820430B (zh) * | 2022-02-18 | 2023-10-03 | 成都飞机工业(集团)有限责任公司 | 一种多光源协同曝光的3d打印无损检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070521A (zh) | 一种基于视觉神经学习的3d打印模型瑕疵预判***及方法 | |
Hosu et al. | KonIQ-10k: An ecologically valid database for deep learning of blind image quality assessment | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN113906472A (zh) | 用于选择胚胎的方法和*** | |
US20200133182A1 (en) | Defect classification in an image or printed output | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
CN106228137A (zh) | 一种基于关键点定位的atm机异常人脸检测方法 | |
CN112766334B (zh) | 一种基于伪标签域适应的跨域图像分类方法 | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
CN109993201A (zh) | 一种图像处理方法、装置和可读存储介质 | |
CN113421230B (zh) | 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法 | |
CN112270310A (zh) | 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置 | |
CN109085178A (zh) | 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 | |
CN110543848B (zh) | 一种基于三维卷积神经网络的驾驶员动作识别方法及装置 | |
CN109598681A (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN111127417A (zh) | 一种基于sift特征匹配和改进的ssd算法的软包装卷料印刷缺陷检测方法 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测***及方法 | |
CN116580026B (zh) | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 | |
CN112115834A (zh) | 一种基于小样本匹配网络的标准证件照检测方法 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及*** | |
CN114677670B (zh) | 一种身份证篡改自动识别与定位的方法 | |
CN116229236A (zh) | 一种基于改进YOLO v5模型的结核杆菌检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |