CN111145171A - 激光选区融化短道质量判断方法、装置、设备及存储介质 - Google Patents
激光选区融化短道质量判断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111145171A CN111145171A CN201911417828.6A CN201911417828A CN111145171A CN 111145171 A CN111145171 A CN 111145171A CN 201911417828 A CN201911417828 A CN 201911417828A CN 111145171 A CN111145171 A CN 111145171A
- Authority
- CN
- China
- Prior art keywords
- historical
- target image
- short
- quality
- original image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000002844 melting Methods 0.000 title claims abstract description 27
- 230000008018 melting Effects 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 25
- 238000000608 laser ablation Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002679 ablation Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 238000000265 homogenisation Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 1
- 230000007306 turnover Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000007639 printing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种激光选区融化短道质量判断方法、装置、设备及存储介质。通过获取当前短道的原始图像,将原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果,以根据质量判断结果确定合适的工艺参数,解决了现有技术中需要通过人工确定工艺参数,导致短道的工艺参数的选取差异过大的问题,达到直接通过神经网络快速得到当前短道的标注信息,根据标注信息判断质量的目的,实现提高激光选区融化短道质量判断效率和准确度的效果。
Description
技术领域
本发明实施例涉及增材制造技术,尤其涉及激光选区融化短道质量判断方法、装置、设备及存储介质。
背景技术
激光选区熔化技术(Selective laser melting,SLM)是一种激光快速成型制造技术,该技术通过金属粉末在激光束的作用下熔化逐层堆积,可制造传统工艺无法制造的复杂零件,在航空航天、生物医疗、个性定制领域有极好的应用前景。在激光选区熔化制造过程中,对于特定的打印机,打印工艺参数的选取一直是耗时耗力的难题,原因如下:产品的成型质量直接受激光功率、扫描速度、搭接率等几十种工艺参数的影响,高维的工艺参数使得遍历实验寻找最优工艺参数几乎不可能。同时因为打印机之间的非均一性,打印环境的扰动,单次的实验也无法应用于所有的打印机。
目前,常用的实验室解决方法是在打印区以不同工艺参数打印短道,通过对比短道的质量来确定工艺参数的选取,但是由于熔道特征复杂,无法找到熔道的所有特征。好的短道定量定义,通常认为上下均匀连续且不过融的短道成型质量为优,但无法定量定义,当有新的短道产生时,由于没有定量定义,也无法判断新的短道是否为好的短道。由此,造成了短道实验中工艺参数的确定因人而异,容易导致短道的工艺参数的选取误差过大,造成质量判断出现错误。
发明内容
本发明实施例提供了激光选区融化短道质量判断方法、装置、设备及存储介质,以实现提高激光选区融化短道质量判断的准确度的效果。
第一方面,本发明实施例提供了一种激光选区融化短道质量判断方法,其中,包括:
获取当前短道的原始图像;
将所述原始图像输入至预先训练好的短道质量判断模型,根据所述短道质量判断模型的输出结果得到所述当前短道的目标图像,根据所述目标图像确定所述当前短道的质量判断结果,其中,所述短道质量判断模型根据当前短道的历史原始图像和历史目标图像训练得到,所述历史目标图像包括所述当前短道的历史特征参数和每个所述历史特征参数对应的标注信息,所述目标图像包括所述当前短道的特征参数和每个所述特征参数对应的标注信息。
第二方面,本发明实施例还提供了一种激光选区融化短道质量判断装置,其中,包括:
获取模块,用于获取当前短道的原始图像;
目标图像确定模块,用于将所述原始图像输入至预先训练好的短道质量判断模型,根据所述短道质量判断模型的输出结果得到所述当前短道的目标图像,根据所述目标图像确定所述当前短道的质量判断结果,其中,所述短道质量判断模型根据当前短道的标准原始图像和当前短道的标准目标图像训练得到,所述标准目标图像包括所述当前短道的标准特征参数和每个所述标准特征参数对应的标注信息,所述目标图像包括所述当前短道的特征参数和每个所述特征参数对应的标准信息。
第三方面,本发明实施例还提供了一种激光选区融化短道质量判断设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如第一方面中任一项所述的激光选区融化短道质量判断方法。
第三方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其中,所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的激光选区融化短道质量判断方法。
本发明实施例提供的技术方案,通过获取当前短道的原始图像,将原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果,以根据质量判断结果确定合适的工艺参数,解决了现有技术中需要通过人工确定工艺参数,导致短道的工艺参数的选取差异过大的问题,达到直接通过神经网络快速得到当前短道的标注信息,根据标注信息判断质量的目的,实现提高激光选区融化短道质量判断效率和准确度的效果。
附图说明
图1为本发明实施例一提供的一种激光选区融化短道质量判断方法的流程示意图;
图2为本发明实施例二提供的一激光选区融化短道质量判断方法的流程示意图;
图3为本发明实施例三提供的一种激光选区融化短道质量判断方法装置的结构示意图;
图4为本发明实施例四提供的一种激光选区融化短道质量判断方法设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种激光选区融化短道质量判断方法的流程示意图,本实施例可适用于通过人工智能的方式对当前短道的质量进行,该方法可以由激光选区融化短道质量判断装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在终端或者设备中。具体参见图1所示,该方法可以包括如下步骤:
S110,获取当前短道的原始图像。
其中,当前短道可以理解为打印机的打印短道,其用于在激光选区熔化制造过程打印零部件,打印短道的质量与其选取的特征参数密切相关。
其中,原始图像可以理解为通过打印机的当前短道打印的图像,其可以为三维图像,例如为RGB图像,并以三维矩阵的形式表示,或者其可以为四维图像,例如为RGBA图像,并以四维矩阵的形式表示,本实施例对原始图像的具体维度不做具体限定。
S120,将原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果。
其中,短道质量判断模型根据当前短道的历史原始图像和历史目标图像训练得到,历史目标图像包括当前短道的历史特征参数和每个历史特征参数对应的标注信息,目标图像包括当前短道的特征参数和每个特征参数对应的标注信息。
其中,历史原始图像可以理解为通过当前短道打印的样品零件的图像,可以包括质量较好和质量较差的图像,与当前短道的原始图像类似的,历史原始图像也可以是三维矩阵或者四维矩阵。历史目标图像可以理解为与历史原始图像对应的灰度图像,可以为二维矩阵。
为了通过短道质量判断模型得到当前短道的质量判别结果,在短道质量判断模型训练阶段,可以对历史目标图像的特征参数进行标注,也就是说,历史目标图像可以包括历史特征参数和每个历史特征参数对应的标注信息,标注信息可以包括特征参数的标号以及每个特征参数的质量判断结果等,历史特征参数可以包括历史工艺参数和历史合格率,历史工艺参数可以包括但不限于激光功率、扫描速度、搭接率等,质量判断结果可以包括质量等级,例如,优等、合格、不合格等,其中,历史目标图像中可以是包括历史工艺参数和历史合格率的标识信息,例如历史工艺参数的标识信息可以是各参数的缩写(例如可以是字符缩写),历史合格率的标识信息可以是预先设置的逻辑字符,示例性的,优等的标识信息可以是1,合格的标识信息可以是2,不合格的标识信息可以是3等。
可以理解的是,由于训练好的短道质量判断模型具有很好的记忆性,因而,获取到当前短道的原始图像之后,可以将所述原始图像直接输入到所述短道质量判断模型,就可以得到当前短道的目标图像,并根据目标图像的标注信息确定当前短道是否合格以及确定当前短道合格的概率,以进一步确定合适的工艺参数。
本发明实施例提供的技术方案,通过获取当前短道的原始图像,将原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果,解决了现有技术中需要通过人工确定工艺参数,导致短道的工艺参数的选取差异过大的问题,达到直接通过神经网络快速得到当前短道的标注信息,根据标注信息判断质量的目的,实现提高激光选区融化短道质量判断效率和准确度的效果。
实施例二
图2为本发明实施例二提供的一种激光选区融化短道质量判断方法的流程示意图。本实施例的技术方案在上述实施例的基础上增加了新的步骤。可选地,在将所述历史原始图像输入至初始判断模型中判断之前,还包括:对所述历史原始图像和所述历史目标图像进行预处理,根据预处理后的图像更新所述历史原始图像和所述历史目标图像。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图2所示,该方法可以包括如下步骤:
S210,获取当前短道的历史原始图像和历史目标图像。
S220,对历史原始图像和历史目标图像进行预处理,根据预处理后的图像更新历史原始图像和历史目标图像。
可以理解的是,历史原始图像可能包括一些噪音数据,或者,只对历史原始图像的某个感兴趣区的特征参数进行质量判断,或者,多个历史原始图像的数据维度等可能不同,可以通过分别对历史原始图像和历史目标图像进行线性插值处理和均一化处理,得到统一尺寸的历史原始图像和统一尺寸的历史目标图像。可选地,所述线性插值可以为双线性插值也可以为单线性插值,所述均一化处理可以是计算不同的历史原始图像的均值和标准差,以使不同的历史原始图像符合标准正态分布。
本实施例中,还可以分别对统一尺寸的历史原始图像和统一尺寸的历史目标图像进行数据增强处理,得到更新历史原始图像和更新历史目标图像,其中,数据增强处理包括旋转处理、翻转处理、增加高斯噪音处理以及平移处理中的至少一种。其中,旋转处理可以理解为在设定角度内,对统一尺寸的历史原始图像和历史目标图像进行顺时针旋转或者逆时针旋转,翻转处理可以理解为根据设定的增强因子,对统一尺寸的历史原始图像和历史目标图像进行镜面翻转,增加高斯噪音处理可以理解为在历史原始图像和历史目标图像高频区域增加高斯噪音,以消除高频特征对低频特征的影响,平移处理可以理解为将历史原始图像和历史目标图像沿着某个方向移动。这样,通过对历史原始数据进行预处理,可以提高短道质量判断模型的训练效果,并提高短道质量判断模型的稳定性和鲁棒性。需要说明的是,本实施例不限于上述旋转处理、翻转处理、增加高斯噪音处理以及平移处理预处理方式和预处理顺序。
S230,将历史原始图像输入至初始判断模型中,得到预测目标图像,根据预测目标图像与历史目标图像调节初始判断模型的网络参数,得到短道质量判断模型。
可选地,短道质量判断模型可以为深度卷积神经网络模型,该深度卷积神经网络模型可以包括下采样子网络和上采样子网络,下采样子网络和上采样子网络中分别包括多个卷积块,其中,下采样子网络中的卷积块与上采样子网络中对应的卷积块横向连接,用于将下采样子网络中的卷积块的特征图传输至上采样子网络中对应的卷积块,以实现在上采样子网络将不同层次的特征信息进行融合,使得特征信息中既包括浅层次的轮廓信息,又包括深层次的细节信息,提高特征识别的精确度。可选的,卷积块中包括至少一个卷积层,每一卷积层后可以设置有激活函数、归一化层和池化层中的至少一项。
其中,根据预测目标图像与历史目标图像调节初始判断模型的网络参数,可以是当预测目标图像与历史目标图像存在差异时,通过预测目标图像与历史目标图像得到损失函数,将损失函数反向输入至初始判断模型中,基于梯度下降法调节初始判断模型的网络参数,其中,调节的网络参数包括但不限于卷积块中的权重。基于新的历史原始图像对上述训练得到的判断模型进行迭代训练,直到判断模型的对短道的判断精度达到预设要求,确定短道质量判断模型训练完成。
S240,获取当前短道的原始图像。
S250,将原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果。
在将原始图像输入至预先训练好的短道质量判断模型之前,可以对原始图像进行预处理,例如分别对原始图像和目标图像进行线性插值处理和均一化处理,得到统一尺寸的原始图像和统一尺寸的目标图像,然后分别对统一尺寸的原始图像和统一尺寸的目标图像进行旋转处理、翻转处理、增加高斯噪音处理以及平移处理,得到更新原始图像和更新目标图像。
可选地,获取质量判断结果之后,可以自动分析该质量判断结果,如果质量判断结果中的任一特征参数不符合预设要求,对不符合预设要求的特征参数进行调整,直至质量判断结果中的所有特征参数均符合预设要求,以确定合适的工艺参数。
本发明实施例提供的技术方案,通过在将历史原始图像输入至初始判断模型中判断之前,对历史原始图像和所述历史目标图像进行预处理,根据预处理后的图像更新历史原始图像和历史目标图像。可以达到提高短道质量判断模型的训练效果,并提高短道质量判断模型的稳定性和鲁棒性的目的。
实施例三
图3为本发明实施例三提供的一种激光选区融化短道质量判断装置的结构示意图。参见图3所示,该***包括:获取模块31和目标图像确定模块32。
其中,获取模块31,用于获取当前短道的原始图像;目标图像确定模块32,用于将原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果,其中,短道质量判断模型根据当前短道的标准原始图像和当前短道的标准目标图像训练得到,标准目标图像包括当前短道的标准特征参数和每个标准特征参数对应的标注信息,目标图像包括当前短道的特征参数和每个特征参数对应的标准信息。
在上述各技术方案的基础上,该装置还包括:训练模块;其中,训练模块,用于获取当前短道的历史原始图像和历史目标图像;
将历史原始图像输入至初始判断模型中,得到预测目标图像,根据预测目标图像与历史目标图像调节初始判断模型的网络参数,得到短道质量判断模型。
在上述各技术方案的基础上,历史特征参数包括:历史工艺参数和历史合格率中的至少一种。
在上述各技术方案的基础上,该装置还包括:预处理模块;其中,预处理模块,用于对历史原始图像和历史目标图像进行预处理,根据预处理后的图像更新历史原始图像和历史目标图像。
在上述各技术方案的基础上,预处理模块还用于,分别对历史原始图像和历史目标图像进行线性插值处理和均一化处理,得到统一尺寸的历史原始图像和统一尺寸的历史目标图像。
在上述各技术方案的基础上,预处理模块还用于,分别对统一尺寸的历史原始图像和统一尺寸的历史目标图像进行数据增强处理,得到更新历史原始图像和更新历史目标图像,其中,数据增强处理包括旋转处理、翻转处理、增加高斯噪音处理以及平移处理中的至少一种。
在上述各技术方案的基础上,该装置还包括:调整模块;其中,调整模块,用于如果质量判断结果中的任一特征参数不符合预设要求,对不符合预设要求的特征参数进行调整,直至质量判断结果中的所有特征参数均符合预设要求。
本发明实施例提供的技术方案,通过获取当前短道的原始图像,将原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果,以根据质量判断结果确定合适的工艺参数,解决了现有技术中需要通过人工确定工艺参数,导致短道的工艺参数的选取差异过大的问题,达到直接通过神经网络快速得到当前短道的标注信息,根据标注信息判断质量的目的,实现提高激光选区融化短道质量判断效率和准确度的效果。
实施例四
图4为本发明实施例四提供的一种激光选区融化短道质量判断设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性激光选区融化短道质量判断设备12的框图。图4显示的激光选区融化短道质量判断设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,激光选区融化短道质量判断设备12以通用计算设备的形式表现。激光选区融化短道质量判断设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
激光选区融化短道质量判断设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被激光选区融化短道质量判断设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。激光选区融化短道质量判断设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如激光选区融化短道质量判断装置的获取模块31和目标图像确定模块32)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如激光选区融化短道质量判断装置的获取模块31和目标图像确定模块32)程序模块46的程序/实用工具44,可以存储在例如存储器28中,这样的程序模块46包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
激光选区融化短道质量判断设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该激光选区融化短道质量判断设备12交互的设备通信,和/或与使得该激光选区融化短道质量判断设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,激光选区融化短道质量判断设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与激光选区融化短道质量判断设备12的其它模块通信。应当明白,尽管图中未示出,可以结合激光选区融化短道质量判断设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种激光选区融化短道质量判断方法,该方法包括:
获取当前短道的原始图像;
将所述原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果,其中,短道质量判断模型根据当前短道的历史原始图像和历史目标图像训练得到,历史目标图像包括当前短道的历史特征参数和每个历史特征参数对应的标注信息,目标图像包括当前短道的特征参数和每个特征参数对应的标注信息。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种激光选区融化短道质量判断方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的一种激光选区融化短道质量判断方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的一种激光选区融化短道质量判断方法,该方法包括:
获取当前短道的原始图像;
将原始图像输入至预先训练好的短道质量判断模型,根据短道质量判断模型的输出结果得到当前短道的目标图像,根据目标图像确定当前短道的质量判断结果,其中,短道质量判断模型根据当前短道的历史原始图像和历史目标图像训练得到,历史目标图像包括当前短道的历史特征参数和每个历史特征参数对应的标注信息,目标图像包括当前短道的特征参数和每个特征参数对应的标注信息。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的一种激光选区融化短道质量判断方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、***或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在原始图像、目标图像、标注信息等,其中承载了计算机可读的程序代码。这种传播的原始图像、目标图像、标注信息等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、***或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是,上述激光选区融化短道质量判断装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种激光选区融化短道质量判断方法,其特征在于,包括:
获取当前短道的原始图像;
将所述原始图像输入至预先训练好的短道质量判断模型,根据所述短道质量判断模型的输出结果得到所述当前短道的目标图像,根据所述目标图像确定所述当前短道的质量判断结果,其中,所述短道质量判断模型根据当前短道的历史原始图像和历史目标图像训练得到,所述历史目标图像包括所述当前短道的历史特征参数和每个所述历史特征参数对应的标注信息,所述目标图像包括所述当前短道的特征参数和每个所述特征参数对应的标注信息。
2.根据权利要求1所述的方法,其特征在于,所述短道质量判断模型的训练方法,包括:
获取所述当前短道的历史原始图像和所述历史目标图像;
将所述历史原始图像输入至初始判断模型中,得到预测目标图像,根据所述预测目标图像与所述历史目标图像调节所述初始判断模型的网络参数,得到所述短道质量判断模型。
3.根据权利要求1或2所述的方法,其特征在于,所述历史特征参数包括:历史工艺参数和历史合格率中的至少一种。
4.根据权利要求2所述的方法,其特征在于,在将所述原始图像输入至预先训练好的短道质量判断模型之前,还包括:
对所述历史原始图像和所述历史目标图像进行预处理,根据预处理后的图像更新所述历史原始图像和所述历史目标图像。
5.根据权利要求4所述的方法,其特征在于,所述对所述历史原始图像和所述历史目标图像进行预处理,包括:
分别对所述历史原始图像和所述历史目标图像进行线性插值处理和均一化处理,得到统一尺寸的历史原始图像和统一尺寸的历史目标图像。
6.根据权利要求5所述的方法,其特征在于,所述对所述历史原始图像和所述历史目标图像进行预处理,还包括:
分别对所述统一尺寸的历史原始图像和所述统一尺寸的历史目标图像进行数据增强处理,得到更新历史原始图像和更新历史目标图像,其中,所述数据增强处理包括旋转处理、翻转处理、增加高斯噪音处理以及平移处理中的至少一种。
7.根据权利要求1所述的方法,其特征在于,还包括:
如果所述质量判断结果中的任一特征参数不符合预设要求,对不符合预设要求的特征参数进行调整,直至所述质量判断结果中的所有特征参数均符合预设要求。
8.一种激光选区融化短道质量判断装置,其特征在于,包括:
获取模块,用于获取当前短道的原始图像;
目标图像确定模块,用于将所述原始图像输入至预先训练好的短道质量判断模型,根据所述短道质量判断模型的输出结果得到所述当前短道的目标图像,根据所述目标图像确定所述当前短道的质量判断结果,其中,所述短道质量判断模型根据当前短道的标准原始图像和当前短道的标准目标图像训练得到,所述标准目标图像包括所述当前短道的标准特征参数和每个所述标准特征参数对应的标注信息,所述目标图像包括所述当前短道的特征参数和每个所述特征参数对应的标准信息。
9.一种激光选区融化短道质量判断设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的激光选区融化短道质量判断方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的激光选区融化短道质量判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911417828.6A CN111145171A (zh) | 2019-12-31 | 2019-12-31 | 激光选区融化短道质量判断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911417828.6A CN111145171A (zh) | 2019-12-31 | 2019-12-31 | 激光选区融化短道质量判断方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111145171A true CN111145171A (zh) | 2020-05-12 |
Family
ID=70522818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911417828.6A Pending CN111145171A (zh) | 2019-12-31 | 2019-12-31 | 激光选区融化短道质量判断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145171A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070521A (zh) * | 2019-03-19 | 2019-07-30 | 广东工业大学 | 一种基于视觉神经学习的3d打印模型瑕疵预判***及方法 |
-
2019
- 2019-12-31 CN CN201911417828.6A patent/CN111145171A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070521A (zh) * | 2019-03-19 | 2019-07-30 | 广东工业大学 | 一种基于视觉神经学习的3d打印模型瑕疵预判***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11314969B2 (en) | Semantic page segmentation of vector graphics documents | |
CN109117831B (zh) | 物体检测网络的训练方法和装置 | |
US10783409B2 (en) | Font replacement based on visual similarity | |
CN108229299B (zh) | 证件的识别方法和装置、电子设备、计算机存储介质 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
US20200242822A1 (en) | Digital Media Environment for Style-Aware Patching in a Digital Image | |
CN110363810B (zh) | 建立图像检测模型的方法、装置、设备和计算机存储介质 | |
CN111027563A (zh) | 一种文本检测方法、装置及识别*** | |
CN111160569A (zh) | 基于机器学习模型的应用开发方法、装置及电子设备 | |
EP3740935B1 (en) | Visual tracking by colorization | |
CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
US20200257984A1 (en) | Systems and methods for domain adaptation | |
CN112734873A (zh) | 对抗生成网络的图像属性编辑方法、装置、设备及介质 | |
CN109934141B (zh) | 用于标注数据的方法和装置 | |
JP7320570B2 (ja) | 画像を処理するための方法、装置、機器、媒体およびプログラム | |
JP7172351B2 (ja) | 文字列認識装置及び文字列認識プログラム | |
US20210319264A1 (en) | Resolving training dataset category ambiguity | |
WO2020042164A1 (en) | Artificial intelligence systems and methods based on hierarchical clustering | |
CN111145171A (zh) | 激光选区融化短道质量判断方法、装置、设备及存储介质 | |
CN115130437B (zh) | 一种文档智能填写方法、装置及存储介质 | |
CN116468970A (zh) | 模型训练方法、图像处理方法、装置、设备及介质 | |
CN112749293A (zh) | 一种图像分类方法、装置及存储介质 | |
CN111597336A (zh) | 训练文本的处理方法、装置、电子设备及可读存储介质 | |
US20210209399A1 (en) | Bounding box generation for object detection | |
CN113762234A (zh) | 一种确定文本行区域的方法和装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |
|
WD01 | Invention patent application deemed withdrawn after publication |