CN111674048B - 一种基于机器视觉的3d打印机断丝报警装置及报警方法 - Google Patents
一种基于机器视觉的3d打印机断丝报警装置及报警方法 Download PDFInfo
- Publication number
- CN111674048B CN111674048B CN202010404428.8A CN202010404428A CN111674048B CN 111674048 B CN111674048 B CN 111674048B CN 202010404428 A CN202010404428 A CN 202010404428A CN 111674048 B CN111674048 B CN 111674048B
- Authority
- CN
- China
- Prior art keywords
- model
- extruder
- printer
- network
- training
- 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.)
- Active
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
- 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
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
Abstract
本发明提供一种基于机器视觉的3D打印机断丝报警装置及报警方法，所述3D打印机包括挤出机和升降平台，所述升降平台设于挤出机的下方，经由所述挤出机挤出的模型设于升降平台上、挤出机的下方，所述基于机器视觉的3D打印机断丝报警装置包括相机，所述相机设于挤出机喷头的侧方。本发明克服需要对硬件做出更改，从软件的思路出发，基于机器视觉的原理进行3D打印机断丝（无料）的检测，从而发出警报，暂停打印，达到提醒工作人员、节省打印原料和促进工作进展的目的。
Description
技术领域
本发明属于3D打印技术领域，具体涉及一种基于机器视觉的3D打印机断丝报警装置及报警方法，用于各种基于熔融沉积快速成型的FDM 3D打印机的断丝(无料)报警。
背景技术
随着3D打印技术的快速发展，3D打印机在生产、科研甚至日常生活中都发挥着重要的作用。3D打印机的普遍应用，也带来了一些普遍的问题，例如由于挤出机喷头堵塞或者材料变质等原因引起的断丝问题，会造成材料和时间的浪费，同时，在一定程度上影响工作的进展。
现有的技术方案基本是通过更改3D打印机相关硬件，加上光电传感器，从而实现对挤出机喷头出料的检测，在检测到挤出机喷头无料喷出时，暂停打印机的工作，以免耗材耗时。现有技术存在如下缺点：需要对3D打印机硬件进行更改，对于现有3D打印机的更改较难实现，无法更好地应用于多类型的3D打印机。
发明内容
本发明要解决的技术问题是提供一种基于机器视觉的3D打印机断丝报警装置及报警方法，基于机器视觉的原理进行3D打印机断丝(无料)的检测，从而发出警报，暂停打印，达到提醒工作人员、节省打印原料和促进工作进展的目的。
为解决上述技术问题，本发明的实施提供一种基于机器视觉的3D打印机断丝报警装置，所述3D打印机包括挤出机和升降平台，所述升降平台设于挤出机的下方，经由所述挤出机挤出的模型设于升降平台上、挤出机的下方，所述基于机器视觉的3D打印机断丝报警装置包括相机，所述相机设于挤出机喷头的侧方。
其中，所述的基于机器视觉的3D打印机断丝报警装置还包括控制设备和报警器，所述控制设备控制报警器的启停，所述控制设备内设有深度模型训练模块，所述深度模型训练模块采用Facebook开源的Pytorch框架。
本发明还提供一种基于机器视觉的3D打印机断丝报警方法，包括如下步骤：
(1)利用控制设备内的深度模型训练模块，采用深度模型的训练技术，建立对应3D打印机的深度训练模型；
(2)相机每隔T1秒获取挤出机喷头处的图像，并将图像传入控制设备的图片目标检测网络；
(3)控制设备内通过已设定的目标检测框架分割出模型图像和挤出机图像；
(4)步骤(3)中分割出的挤出机图像每隔T3秒传入控制设备的挤出机工作判断网络；
(5)判断挤出机是否连续无挤出，若否，返回到步骤(2)；若是，累计次数加一；
(6)步骤(3)中分割出的模型图像每隔T2秒传入控制设备的打印进程网路；
(7)判断打印模型是否连续无进展，若否，返回到步骤(2)；若是，跳至步骤(5)；
(8)判断步骤(5)中累计次数是否大于3，若是，清空累计次数，发起断丝报警，暂停打印；若否，返回到步骤(2)。
其中，T1＝T3，即每隔T1(T3)拍摄一次图像，同时进行图像的分割和挤出机工作判断。T2<T3，因为判断模型进度是根据图像相似性来判断的，太过于接近的两个时刻，模型的相似度极高，无法作为3D打印机是否断丝(无料)的判断依据。
其中，步骤(3)中，图片目标检测网络的输入为一张图像图片，输出为2x4矩阵，所述2x4矩阵包含的信息为：挤出机图像区域所在左上角的坐标(x1，y1)和区域尺寸宽高(w1，h1)、模型图像区域所在左上角的坐标(x2，y2)和区域尺寸宽高(w2，h2)。其中，步骤(5)中，挤出机工作判断网络的输入为挤出机图像，输出为一个2x1向量，包括代表挤出机处于喷丝工作状态的向量[0,1]和代表挤出机未处于喷丝工作状态的向量[1,0]。
其中，步骤(7)中，深度学习网络检测模型的打印进度，根据前后几次拍摄的图像，分别输入该网络，分别得到32x1的向量，根据向量之间的欧氏距离判断模型的相似性，结合步骤(5)输出的2x1向量综合判断3D打印机是否发生断丝。
其中，步骤(1)中深度训练模型包括训练检测挤出机和模型区域网络模型、训练检测挤出机工作进程网络模型和训练检测实际打印进程网络模型，其中，
所述训练检测挤出机和模型区域网络模型的具体步骤为：
(1-1-1)采集图片数据，包括挤出机图像区域和模型图像区域；
(1-1-2)标记真实标签，标记挤出机和模型的具体坐标；
(1-1-3)输入图像检测挤出机和模型区域网络；
(1-1-4)获得预测结果；
(1-1-5)将预测结果与真实标签相比较；
(1-1-6)根据损失函数更新模型权重；
(1-1-7)获得权重模型。
所述训练检测挤出机工作进程网络模型的具体步骤为：
(1-2-1)采集图片数据，包括挤出机有无挤出的图片；
(1-2-2)标记真实标签，标记挤出机是否挤出；
(1-2-3)输入图像检测挤出机工作进程网络；
(1-2-4)获得预测结果；
(1-2-5)将预测结果与真实标签相比较；
(1-2-6)根据损失函数更新模型权重；
(1-2-7)获得权重模型。
所述训练检测实际打印进程网络模型的具体步骤为：
(1-3-1)采集图片数据，包括各种模型打印图片；
(1-3-2)标记真实标签，标记打印进程；
(1-3-3)随机选取三元组，1、2对应进程相同，3对应进程不同；
(1-3-4)输入图像检测实际打印进程网络；
(1-3-5)对应1、2和3进程获得输出向量1、输出向量2和输出向量3；
(1-3-6)计算输出向量1和输出向量2之间的欧氏距离L1、输出向量1和输出向量3之间的欧氏距离L2、输出向量2和输出向量3之间的欧氏距离L3；
(1-3-7)根据损失函数L1-L2-L3更新模型权重；
(1-3-8)获得权重模型。本发明的上述技术方案的有益效果如下：
本发明克服需要对硬件做出更改，从软件的思路出发，基于机器视觉的原理进行3D打印机断丝(无料)的检测，从而发出警报，暂停打印，达到提醒工作人员、节省打印原料和促进工作进展的目的。
附图说明
图1为本发明中报警装置的结构简图；
图2为本发明中报警装置的工作流程图；
图3为本发明中基于图像检测挤出机和模型区域网络模型图；
图4为本发明中基于图像检测挤出机工作进程网络模型图；
图5为本发明中基于图像检测实际打印进程网络模型图；
图6为本发明中训练检测挤出机和模型区域网络模型的工作流程图；
图7为本发明中训练检测挤出机工作进程网络模型的工作流程图；
图8为本发明中训练检测实际打印进程网络模型的工作流程图。
附图标记说明：
1、挤出机；2、模型；3、相机；4、升降平台。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明提供一种基于机器视觉的3D打印机断丝报警装置，所述3D打印机包括挤出机1和升降平台4，所述升降平台4设于挤出机1的下方，经由所述挤出机1挤出的模型2设于升降平台4上、挤出机1的下方，所述基于机器视觉的3D打印机断丝报警装置包括相机3，所述相机3设于挤出机1喷头的侧方。
所述的基于机器视觉的3D打印机断丝报警装置还包括控制设备和报警器，所述控制设备控制报警器的启停。为了方便对现有打印机进行改造，采用外设的控制设备，可以是某公共主机等可以提供图形计算力的设备。
所述控制设备内设有深度模型训练模块，深度模型的训练技术如今较为成熟，如拥有Facebook开源的Pytorch等框架，可方便地实现模型的训练。
深度模型可以通过采集大量数据得到训练，深度模型训练完成后保存相对应的模型参数即构成基础模型，所以提供的基础模型是训练好的模型，而不是在线训练模式。
本发明还提供一种基于机器视觉的3D打印机断丝报警方法，流程如图2所示，包括如下步骤：
(1)利用控制设备内的深度模型训练模块，采用深度模型的训练技术，建立对应3D打印机的深度训练模型；
(2)相机每隔T1秒获取挤出机喷头处的图像，并将图像传入图片目标检测网络；
(3)控制设备内通过已设定的目标检测框架分割出模型图像和挤出机图像；目标检测框架已给出，只要提供数据进行训练即可获得模型参数，基于图像检测挤出机和模型区域网络模型图如图3，经训练可以直接使用。
如图3所示，步骤(3)中，为实现从相机拍摄的图像分割出挤出机和模型区域所应用的深度学习网络，图片目标检测网络的输入为一张图像图片，输出为2x4矩阵，所述2x4矩阵包含的信息为：挤出机图像区域所在左上角的坐标(x1，y1)和区域尺寸宽高(w1，h1)、模型图像区域所在左上角的坐标(x2，y2)和区域尺寸宽高(w2，h2)。
(4)步骤(3)中分割出的挤出机图像每隔T3秒传入控制设备的挤出机工作判断网络；
(5)判断挤出机是否连续无挤出，若否，返回到步骤(2)；若是，累计次数加一；判断是否连续挤出只是编程问题，提供的已训练模型可以判断是否挤出，基于图像检测挤出机工作进程网络模型图如图4。
步骤(5)中，挤出机工作判断网络的输入为挤出机图像，将挤出机图像输入图4所示的深度学习网络，检测挤出机的工作状态，输出为一个2x1向量，包括代表挤出机处于喷丝工作状态的向量[0,1]和代表挤出机未处于喷丝工作状态的向量[1,0]，但是仅仅根据这个信息无法直接判断是否发生断丝，因为有时挤出机仅是移动，并不喷丝。以图4的模型为例，本发明中涉及的模型及其训练关键部分代码如下所示，其中，
#用于预测挤出机是否挤出的深度神经卷积网络关键代码为：
#网络训练过程关键代码为：
(6)步骤(3)中分割出的模型图像每隔T2秒传入控制设备的打印进程网络；
(7)判断打印模型是否连续无进展，若否，返回到步骤(2)；若是，跳至步骤(5)；判断是否无进展是根据图像相似性作为判断的，基于图像检测实际打印进程网络模型图如图5。
步骤(7)中，结合图5所示的深度学习网络，深度学习网络检测模型的打印进度，根据前后几次拍摄的图像，分别输入该网络，分别得到32x1的向量，根据向量之间的欧氏距离判断模型的相似性，结合步骤(5)输出的2x1向量综合评判3D打印机是否发生断丝(无料)，累积判断为断丝(无料)次数大于三次时，暂停工作，提醒工作人员，提高工作效率，降低成本。
(8)判断步骤(5)中累计次数是否大于3，若是，清空累计次数，发起断丝报警，暂停打印；若否，返回到步骤(2)。
其中，T1＝T3，即每隔T1(T3)拍摄一次图像，同时进行图像的分割和挤出机工作判断。T2<T3。因为判断模型进度是根据图像相似性来判断的，太过于接近的两个时刻，模型的相似度极高，无法作为3D打印机是否断丝(无料)的判断依据。
本发明利用外接的相机，基于机器视觉的深度学习方法，检测3D打印机是否发生断丝(无料)，从而发出报警信息。
本发明克服了对现有3D打印机增加断丝(无料)提醒装置的困难，通过软件的方法，可以适用多种打印机，仅需要对不同打印机进行深度模型的训练即可，深度模型的训练技术如今较为成熟，拥有Facebook开源的Pytorch等框架，可方便地实现模型的训练。同时，该装置具有一定的鲁棒性，在一定程度上可以100％移植到不同的3D打印机上，鲁棒性强。
本发明中，训练深度模型的步骤见图6-图8，包括训练检测挤出机和模型区域网络模型、训练检测挤出机工作进程网络模型和训练检测实际打印进程网络模型，其中，
所述训练检测挤出机和模型区域网络模型的具体步骤为：
(1-1-1)采集图片数据，包括挤出机图像区域和模型图像区域；
(1-1-2)标记真实标签，标记挤出机和模型的具体坐标；
(1-1-3)输入图像检测挤出机和模型区域网络；
(1-1-4)获得预测结果；
(1-1-5)将预测结果与真实标签相比较；
(1-1-6)根据损失函数更新模型权重；
(1-1-7)获得权重模型。
步骤(1-1-7)中的权重模型是指经过训练后的神经网络模型，此时该权重模型可以直接用于预测。
所述训练检测挤出机工作进程网络模型的具体步骤为：
(1-2-1)采集图片数据，包括挤出机有无挤出的图片；
(1-2-2)标记真实标签，标记挤出机是否挤出；
(1-2-3)输入图像检测挤出机工作进程网络；
(1-2-4)获得预测结果；
(1-2-5)将预测结果与真实标签相比较；
(1-2-6)根据损失函数更新模型权重；
(1-2-7)获得权重模型。
步骤(1-2-7)中的权重模型是指神经网络模型，是软件层次的东西，判断挤出机是否挤出是由权重模型在软件层次上来预测。
所述训练检测实际打印进程网络模型的具体步骤为：
(1-3-1)采集图片数据，包括各种模型打印图片；
(1-3-2)标记真实标签，标记打印进程；
(1-3-3)随机选取三元组，1、2对应进程相同，3对应进程不同；
(1-3-4)输入图像检测实际打印进程网络；
(1-3-5)对应1、2和3进程获得输出向量1、输出向量2和输出向量3；
(1-3-6)计算输出向量1和输出向量2之间的欧氏距离L1、输出向量1和输出向量3之间的欧氏距离L2、输出向量2和输出向量3之间的欧氏距离L3；
(1-3-7)根据损失函数L1-L2-L3更新模型权重；
(1-3-8)获得权重模型。
步骤(1-3-8)的权重模型是指神经网络模型，是软件层次的东西，判断打印物体相似性是由权重模型在软件层次上来判断。
下述方案可以替代本发明的技术方案，也视为本发明的保护范围。
替代方案1：通过获取3D打印机的打印数字模型数据，可以精确地获取每个时刻挤出机所在的空间位置，从而减小挤出机图像区域获取的误差，同时，获取挤出机的工作状态用于作为评判是否断丝(无料)的依据，但是需要对原有3D打印机进行软件上的交互。
替代方案2：以其他可以替代本发明中检测挤出机和模型区域、检测挤出是否工作和检测模型进度的深度学习网络方式的发明，均视作本发明的替代方案。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于机器视觉的3D打印机断丝报警方法，其特征在于，应用于一种基于机器视觉的3D打印机断丝报警装置，具体的，
所述3D打印机包括挤出机和升降平台，所述升降平台设于挤出机的下方，经由所述挤出机挤出的模型设于升降平台上、挤出机的下方，所述基于机器视觉的3D打印机断丝报警装置包括相机，所述相机设于挤出机喷头的侧方；
所述报警装置还包括控制设备和报警器，所述控制设备控制报警器的启停，所述控制设备内设有深度模型训练模块，所述深度模型训练模块采用Facebook开源的Pytorch框架，
所述方法包括如下步骤：
（1）利用控制设备内的深度模型训练模块，采用深度模型的训练技术，建立对应3D打印机的深度训练模型；
（2）相机每隔T1秒获取挤出机喷头处的图像，并将图像传入控制设备的图片目标检测网络；
（3）控制设备内通过已设定的目标检测框架分割出模型图像和挤出机图像；
（4）步骤（3）中分割出的挤出机图像每隔T3秒传入控制设备的挤出机工作判断网络；
（5）判断挤出机是否连续无挤出，若否，返回到步骤（2）；若是，累计次数加一；
（6）步骤（3）中分割出的模型图像每隔T2秒传入控制设备的打印进程网路；
（7）判断打印模型是否连续无进展，若否，返回到步骤（2）；若是，跳至步骤（5）；
（8）判断步骤（5）中累计次数是否大于3，若是，清空累计次数，发起断丝报警，暂停打印；若否，返回到步骤（2）；
其特征在于，T1=T3，T2<T3。
2.根据权利要求1所述的基于机器视觉的3D打印机断丝报警方法，其特征在于，步骤（3）中，图片目标检测网络的输入为一张图像图片，输出为2x4矩阵，所述2x4矩阵包含的信息为：挤出机图像区域所在左上角的坐标（x1，y1）和区域尺寸宽高（w1，h1）、模型图像区域所在左上角的坐标（x2，y2）和区域尺寸宽高（w2，h2）。
3.根据权利要求1所述的基于机器视觉的3D打印机断丝报警方法，其特征在于，步骤（5）中，挤出机工作判断网络的输入为挤出机图像，输出为一个2x1向量，包括代表挤出机处于喷丝工作状态的向量[0,1]和代表挤出机未处于喷丝工作状态的向量[1,0]。
4.根据权利要求1所述的基于机器视觉的3D打印机断丝报警方法，其特征在于，步骤（7）中，深度学习网络检测模型的打印进度，根据前后几次拍摄的图像，分别输入该网络，分别得到32x1的向量，根据向量之间的欧氏距离判断模型的相似性，结合步骤（5）输出的2x1向量综合判断3D打印机是否发生断丝。
5.根据权利要求根据权利要求1所述的基于机器视觉的3D打印机断丝报警方法，其特征在于，步骤（1）中深度训练模型包括训练检测挤出机和模型区域网络模型、训练检测挤出机工作进程网络模型和训练检测实际打印进程网络模型，其中，
所述训练检测挤出机和模型区域网络模型的具体步骤为：
（1-1-1）采集图片数据，包括挤出机图像区域和模型图像区域；
（1-1-2）标记真实标签，标记挤出机和模型的具体坐标；
（1-1-3）输入图像检测挤出机和模型区域网络；
（1-1-4）获得预测结果；
（1-1-5）将预测结果与真实标签相比较；
（1-1-6）根据损失函数更新模型权重；
（1-1-7）获得权重模型。
6.根据权利要求5所述的基于机器视觉的3D打印机断丝报警方法，其特征在于，所述训练检测挤出机工作进程网络模型的具体步骤为：
（1-2-1）采集图片数据，包括挤出机有无挤出的图片；
（1-2-2）标记真实标签，标记挤出机是否挤出；
（1-2-3）输入图像检测挤出机工作进程网络；
（1-2-4）获得预测结果；
（1-2-5）将预测结果与真实标签相比较；
（1-2-6）根据损失函数更新模型权重；
（1-2-7）获得权重模型。
7.根据权利要求5所述的基于机器视觉的3D打印机断丝报警方法，其特征在于，所述训练检测实际打印进程网络模型的具体步骤为：
（1-3-1）采集图片数据，包括各种模型打印图片；
（1-3-2）标记真实标签，标记打印进程；
（1-3-3）随机选取三元组，1、2对应进程相同，3对应进程不同；
（1-3-4）输入图像检测实际打印进程网络；
（1-3-5）对应1、2和3进程获得输出向量1、输出向量2和输出向量3；
（1-3-6）计算输出向量1和输出向量2之间的欧氏距离L1、输出向量1和输出向量3之间的欧氏距离L2、输出向量2和输出向量3之间的欧氏距离L3；
（1-3-7）根据损失函数L1-L2-L3更新模型权重；
（1-3-8）获得权重模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010404428.8A CN111674048B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的3d打印机断丝报警装置及报警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010404428.8A CN111674048B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的3d打印机断丝报警装置及报警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111674048A CN111674048A (zh) | 2020-09-18 |
| CN111674048B true CN111674048B (zh) | 2022-05-06 |
Family
ID=72452378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010404428.8A Active CN111674048B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的3d打印机断丝报警装置及报警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111674048B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113306136A (zh) * | 2021-04-20 | 2021-08-27 | 安徽工程大学 | 基于目标检测的3d打印机堆积混乱报警***及方法 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6815636B2 (en) * | 2003-04-09 | 2004-11-09 | 3D Systems, Inc. | Sintering using thermal image feedback |
| CN103927245B (zh) * | 2014-04-23 | 2017-04-12 | 英华达（上海）科技有限公司 | 一种3d打印的网络监控***及方法 |
| US10252466B2 (en) * | 2014-07-28 | 2019-04-09 | Massachusetts Institute Of Technology | Systems and methods of machine vision assisted additive fabrication |
| CA3008667A1 (en) * | 2015-12-16 | 2017-06-22 | Desktop Metal, Inc. | Methods and systems for additive manufacturing |
| US11254901B2 (en) * | 2016-07-12 | 2022-02-22 | Deka Products Limited Partnership | System and method for printing tissue |
| CN114627664A (zh) * | 2016-08-26 | 2022-06-14 | 松下电器（美国）知识产权公司 | 三维信息处理方法以及三维信息处理装置 |
| US11079738B2 (en) * | 2017-08-16 | 2021-08-03 | General Electric Company | Framework for rapid additive design with generative techniques |
| CN107498874B (zh) * | 2017-09-21 | 2023-09-12 | 杭州捷诺飞生物科技股份有限公司 | 三维打印同步微层析成像在线监控方法及*** |
| CN107696499B (zh) * | 2017-09-27 | 2019-07-16 | 北京工业大学 | 三维模型与机器视觉相结合的3d打印产品质量检测与修复方法 |
| GB2572327A (en) * | 2018-03-23 | 2019-10-02 | The Plastic Economy Ltd | A system and method for manufacture and material optimisation |
| KR102567947B1 (ko) * | 2018-05-03 | 2023-08-17 | 한국전자통신연구원 | G-code를 이용한 3D 프린팅 관리 방법 및 장치 |
| CN108943728A (zh) * | 2018-06-29 | 2018-12-07 | 西安点云生物科技有限公司 | 一种基于打印纠错的3d打印机及其计算机装置、手持设备 |
| CN108943725A (zh) * | 2018-07-10 | 2018-12-07 | 大族激光科技产业集团股份有限公司 | 一种3d打印的视觉监控***及监控方法 |
| CN109191429B (zh) * | 2018-07-26 | 2022-06-14 | 中国科学院福建物质结构研究所 | 一种基于机器视觉的3d打印喷嘴检测方法 |
| CN109927297A (zh) * | 2019-02-21 | 2019-06-25 | 河北工业大学 | 一种基于数字孪生的浆料微流挤出成形智能化方法 |
| 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 |
| CN109968671B (zh) * | 2019-03-20 | 2020-07-10 | 北京科技大学 | 3d打印过程故障诊断方法和装置 |
| CN109967741B (zh) * | 2019-03-29 | 2021-02-02 | 贵州翰凯斯智能技术有限公司 | 一种基于增强学习的3d打印工艺优化方法 |
| CN110414403A (zh) * | 2019-07-22 | 2019-11-05 | 广东工业大学 | 一种基于机器视觉的3d打印过程监控方法 |
| CN110893620A (zh) * | 2019-11-25 | 2020-03-20 | 哈尔滨理工大学 | 一种基于机器视觉的3d打印机器人 |
-
2020
- 2020-05-13 CN CN202010404428.8A patent/CN111674048B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111674048A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194559B (zh) | 一种基于三维卷积神经网络的工作流识别方法 | |
| CN101281597B (zh) | 一种产品包装图形标识信息在线实时采集识别装置及方法 | |
| US8687855B2 (en) | Method for detecting facial features | |
| CN109389599A (zh) | 一种基于深度学习的缺陷检测方法及装置 | |
| CN104441526A (zh) | 基于外形轮廓匹配的模具在线监视保护***及方法 | |
| CN102496001A (zh) | 一种视频监控目标自动检测的方法和*** | |
| Malburg et al. | Object detection for smart factory processes by machine learning | |
| US20220281177A1 (en) | Ai-powered autonomous 3d printer | |
| CN111674048B (zh) | 一种基于机器视觉的3d打印机断丝报警装置及报警方法 | |
| CN108363953A (zh) | 一种行人检测的方法及双目监控设备 | |
| CN103096121A (zh) | 一种摄像头移动检测方法及装置 | |
| WO2022087506A1 (en) | Rail feature identification system | |
| JP7134331B2 (ja) | 計数システム、計数装置、機械学習装置、計数方法、部品配置方法、および、プログラム | |
| Lu et al. | HFENet: A lightweight hand‐crafted feature enhanced CNN for ceramic tile surface defect detection | |
| CN111062364A (zh) | 一种基于深度学习的监测装配操作的方法和装置 | |
| CN113780484A (zh) | 工业产品缺陷检测方法和装置 | |
| CN113983965A (zh) | 一种排线质量检测装置及检测方法 | |
| CN113344874A (zh) | 一种基于高斯混合建模的行人越界检测方法 | |
| Huang et al. | A real-time algorithm for aluminum surface defect extraction on non-uniform image from CCD camera | |
| CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及*** | |
| CN115018823A (zh) | 胶粘带外观缺陷检测方法及装置 | |
| CN115027904A (zh) | 基于实例分割的皮带撕裂检测方法 | |
| CN110363109B (zh) | 一种基于计算机视觉的覆盖式漏油检测***及方法 | |
| CN110181503B (zh) | 异常检测方法、装置、智能设备和存储介质 | |
| CN113487598A (zh) | 一种基于计算机视觉的图书装订错误检测*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |