CN111723453A - 用于增材制造机器的重涂器自动化监控***和方法 - Google Patents
用于增材制造机器的重涂器自动化监控***和方法 Download PDFInfo
- Publication number
- CN111723453A CN111723453A CN202010200603.1A CN202010200603A CN111723453A CN 111723453 A CN111723453 A CN 111723453A CN 202010200603 A CN202010200603 A CN 202010200603A CN 111723453 A CN111723453 A CN 111723453A
- Authority
- CN
- China
- Prior art keywords
- indication
- image
- build
- repainting
- model
- 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 67
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 239000000654 additive Substances 0.000 title claims abstract description 33
- 230000000996 additive effect Effects 0.000 title claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 19
- 239000002131 composite material Substances 0.000 claims description 24
- 239000000843 powder Substances 0.000 claims description 20
- 239000003550 marker Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 description 5
- 230000035515 penetration Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000003475 lamination Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000237858 Gastropoda Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000289 melt material Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 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
-
- 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
- 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
- B29C64/141—Processes of additive manufacturing using only solid materials
- B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- 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
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Architecture (AREA)
- Software Systems (AREA)
Abstract
监控增材制造(AM)机器重涂操作的***,包括自动缺陷识别子***,自动缺陷识别子***具有预测模型目录,每个预测模型能够应用于产品和一个重涂误差指示,重涂误差指示具有领域相关特征;预测模型表示以在重涂操作期间捕获的图像的像素级出现的重涂误差指示。***包括在线监控子***,具有图像分类器单元,其基于选择的预测模型以像素级对重涂误差指示进行分类,基于预测模型的元数据来选择预测模型;虚拟描绘单元,其从连续捕获的图像创建正在进行的AM构建的虚拟描绘;和处理器单元,其针对重涂误差指示监控构建,对检测到的指示进行分类,并向正在进行的构建提供与检测到的指示的严重性有关的确定。还公开了一种方法和非暂时性计算机可读介质。
Description
技术领域
本公开涉及用于增材制造机器的重涂器自动化监控***和方法。
背景技术
使用激光能量来熔融粉末床材料的增材制造过程通过连续层叠熔化的粉末来构建零件。激光熔融遵循代表零件本身的CAD文件。对于将要构建的每一层,将要熔融的新材料层重涂在先前的层上。在层叠完成后,可以从周围积聚的粉末移除零件。在这些重涂步骤中,可能会发生许多误差。在层叠过程中可能发生的重涂问题可能包括进料不足,粉末块,刀片线,掉落和轻弹。
表I是重涂器误差指示类型和可能原因的代表列表。
表I
传统的方法提供了在层叠过程中量化重涂器误差的严重性以及误差对构建的累积影响的有限能力。同样,本领域在评估重涂器误差影响和累积影响以确定该误差对进行中的构建是良性,可忍受还是致命的能力方面也受到限制。
发明内容
体现的***和方法提供了用于监控增材制造机器以自动识别重涂器误差的重涂器自动化监控***。在一些实施方式中,如果重涂器误差的量级显著影响构建的质量,则可以警告用户。
体现的***和方法提供对重涂器误差指示的准确识别和分类。实施例可以使用这些指示来确定正在进行的构建是否失败(例如,建造了超出公差或质量较低的零件)。终止失败的构建可减少材料损失,节省成本和时间,并提高增材制造机器的产量和生产率。
附图说明
图1示意性地描绘了根据实施例的重涂器自动化监控***;
图2描绘了根据实施例的开发重涂器误差指示模型的过程;
图3描绘了根据实施例的自动化重涂器监控的过程;和
图4描绘了根据实施例的用于实施重涂器自动化监控***的***。
具体实施方式
图1是根据实施例的重涂器自动化监控***100的示意图。体现的重涂器监控***和方法包括并行运行的两个相互依赖的子***——自动缺陷识别***110和在线监控***130。
自动缺陷识别子***(ADR)110可以包括离线学习单元112。模型目录114包括代表不同类型的重涂器误差出现的重涂器误差指示模型。表I并非详尽的重涂器误差和指示的列表。应当容易理解,体现的***和方法不仅限于表I中的指示。
可以针对增材机器的不同领域(即,机器模型)以及同一领域内的不同机器单元,对模型目录114中的不同重涂器误差指示模型进行优化。同样,可以针对增材机器生产的不同产品类型来优化不同的重涂器误差指示模型。每个模型的开发都是在第一自学阶段完成的。在模型开发之后,可以在第二阶段中增强模型。
首先,执行全自动化的自学习阶段以构建一组初始重涂器误差指示模型。第一阶段可以在离线学习单元112中作为全自动化的自学习过程执行,该过程访问训练范例116中的合成图像118。可以从没有指示或具有有限数量的指示的现有良好的构建生成合成图像。
第二,执行半自动化学习阶段,其可以是用户和/或事件驱动的。在此阶段,可以通过补充用手动注释/标记的示例120训练的合成图像来优化目录模型,该示例120包括选择图像122和领域特定数据124。针对不同的零件,产品组件,增材制造机器领域类型和单位来优化模型。选择图像122可以包括出现在其他机器或产品构建上的重涂器误差指示的示例。领域特定数据124可以包括增材制造机器的公差,某个领域的历史磨损退化等。
ADR 110可以创建预测模型,与构建图像相比,该预测模型可以识别重涂器缺陷而无需标记的训练集。这些模型基于自学习,该自学习应用了合成生成的重涂器误差指示和/或成功构建的数据。每个预测模型都可以代表重涂器误差指示,它可能出现在特定生产零件上。根据实施例,ADR 110可以使用模型来使用一些其他指示类型的一组预定义特征来识别重涂器误差指示。
根据实施例,可以利用反馈来改善重涂器自动化监控***100的性能。例如,当用户确定标记的指示是真(即,识别出捕获的图像中的重涂器误差指示)还是假时,可以更新模型以结合用户确定。在一些实施方式中,构建内的误差指示的位置可以用于对自动识别的指示进行分类。在一些实施方式中,如果重涂器误差发生在制造的结构之外(即,出于生产目的的支撑区域);或发生在结构本身之内并被认为对于该构建是可以接受的,则可以容忍(或不容忍)该重涂器误差。通过将基于粉末床位置的指示分类包括在模型内,可以减少假阳性。通过将指示位置与零件的CAD文件对准,可以使用通过重涂器误差来确定位置敏感性。实施例可以测量质量的关键指标,例如指示尺寸,穿透层,距零件边缘的距离等。
根据实施方式,可以通过以下过程来生成重涂器误差指示的合成图像范例。给定从CAD模型获得的显示了零件和支撑区域的一组K个曝光后图像和重涂图像以及相应的标记图像我们生成了一组K个重涂图像,其包括合成指示,表示为和相应的标记图像其中基于指示的位置(例如,零件,支撑件,粉末)对指示进行标记。
然后,对于每个图像,使用曝光后图像合成指示图像和参考重涂图像来计算像素级强度特征向量F的列表。标记的指示图像用于创建标记Y列表,以便为每个像素分配两个标记{指示,不是指示}之一。最后,特征(F)和标记(Y)用于训练在离线学习单元112中执行的构建预测模型的监督学习算法。
增材制造机器160代表机器领域。体现的***和方法不限于增材制造机器的这一领域。激光功率头162提供聚焦的激光束以熔化粉末床166中的材料,从而形成CAD文件170中表示的物体。粉末材料由重涂器单元164散布。图像捕获设备168获得构建的图像。控制/马达单元172协调这些操作。
图2描绘了根据实施例的开发重涂器误差指示模型的过程200。在步骤205,将用于重涂器误差指示的合成图像数据提供给离线学习单元112。在步骤210,构建指示预测模型。该预测模型用于对在构建过程中获取的图像的像素级指示进行分类。
在步骤215中,将预测模型应用于在构建过程中获取的图像,以合成图像数据的各个像素级(即,语义分割)对指示进行分类。通过将像素级图像与入门(starter)模型进行比较,基于像素级图像最可能属于的类别的概率,将语义分配给各个像素。
基于在步骤220确定为加强自学习,过程200可以继续进行到步骤225和/或230,可以引入用户反馈(步骤225),可以引入手动注释/标记的示例120(步骤230),或两者都可以引入。
用户反馈可以包括代表用户对由预测模型生成的分类的主观评估的值。例如,用户可以指示满意或不满意的分类;接受或拒绝;表示与分类一致的数值(例如,“1”非常一致;“10”非常不一致);或其他指示。应当容易理解,数值表示不限于任何特定的标度或表示;例如,“1”可能表示非常不一致。
在引入用户反馈和/或手动注释/标记的示例之后,过程200返回步骤210以微调预测模型。这种微调可以将反馈结合到语义分段分类中。如果在步骤220处确定不加强自学习过程,则在步骤222处将预测模型添加到模型目录114。基于在步骤224处确定要创建另一个预测模型,过程200返回步骤205。如果不再创建预测模型,则过程200结束。
在一些实施方式中,可以针对粉末床的子区域训练预测模型。成像设备相对于粉末床的不同位置的放置可能会由于离轴成像、图像设备的视场或景深、照明条件、透视畸变、激光行进方向、以及其他因素而改变捕获到的图像。图像中的这些非重涂器伪影(artifact)可能导致确定不准确。用于特定子区域的预测模型的选择可以基于与图像相关联的元数据。
返回图1,与ADR 110并行工作的第二子***是在线监控***130,它可以通过应用由ADR开发并存储在模型目录114中的预测模型来自动识别重涂器误差。在线监控***与正在进行的ADR 110的连续学习操作并行运行,其利用在线监控***的输入改进了预测模型。根据实施例,当识别出重涂器误差时,如果确定误差可能对构件的质量产生重大影响,则可以警告用户。在一些实施方式中,***130可以分析某些重涂器误差指示以做出该影响确定。可以在使用之前,通过提供来自被监控的特定领域单元的生产构建的范例来训练(例如,初始化和/或配置)在线监控***。训练可以包括如上所述计算参考重涂图像以及计算从包含用户选择的零件的曝光后图像到来自参考机器的对应的曝光后图像的仿射变换。
在步骤310,将预处理技术应用于这两个图像。预处理可以包括应用在初始化/配置中计算出的仿射变换,使用参考重涂图像对图像强度进行归一化,使用从参考机器获得的标记图像将标签分配给像素,以及将图像坐标登记到用于零件的CAD文件中的坐标。
在一些实施方式中,可以在步骤315将这些图像提供给ADR 110,以用于预测模型的训练。在步骤320,可以将每个捕获的图像添加到由虚拟描绘单元134创建的构建的虚拟描绘。虚拟描绘是正在进行的构建的表示。对虚拟描绘的分析可以提供由重涂器误差渗透的层数的信息,其相对于构建产品的部分的三维位置。
在步骤325,将捕获的图像与代表被评估的特定层的CAD文件切片进行比较,以定位零件,支撑结构和粉末。在步骤330,将指示预测模型应用于捕获的图像和定位信息,以识别每个指示(如果有)的位置。
在一些实施方式中,可以用二进制标记对像素进行分类(例如,指示=1,无指示=0)。粉末床外的指示不包括在内。在步骤335,使用虚拟描绘在其位置上下文中分析缺陷分类标记的像素的影响,以确定缺陷的影响。基于应用于虚拟描绘的预定义规则的目录来采取行动。规则可以根据被构建的零件来指定指示的数量,大小和渗透度。
如果在步骤340中确定缺陷对零件生产是致命的,则终止构建。可以使用来自用户的输入或通过遵循算法应用的决策树来进行终止确定。
在步骤345,生成包含关于构建监控的结果的信息(致命或非致命)的输出报告。该输出可以包括指示图,其示出指示的位置和渗透程度。输出报告可以采用表格格式,其包含每个检测到的缺陷的唯一标识符,其指示类型,位置(x,y),渗透层数,面积(mm2)和/或体积(mm3)。输出报告可以提供相对于CAD文件在粉末床上的缺陷位置(即,零件的一部分或与零件无关),以及其到零件边界的距离。这些因素可用于手动评估累积缺陷的严重性。
图4示出了根据实施例的用于实施重涂器自动化监控***100的***400。控制处理器410可以包括处理器单元412和存储器单元414。根据需要,控制处理器可以跨本地控制/数据网络和/或电子通信网络与***100的元件进行通信。处理器单元412可以执行可执行指令422,该可执行指令422使处理器根据以上公开的实施例执行对联合数据存储库的查询。存储器单元414可以向控制处理器提供本地高速缓冲存储器。数据存储库420可以包括模型目录424,捕获的图像存储库426,虚拟描绘428,CAD文件存储库430和规则存储库434,以支持如上所述的重涂器监控***的操作。
体现的***和方法以高精度和低阳性率提供对重涂器误差指示的分类。重涂器误差指示的准确识别和分类可以导致在构建失败(例如,质量不佳的零件)时决定终止构建,而不是在生产后的零件检查期间决定终止构建。因此,减少了材料损失并提高了生产量,从而节省了成本和时间。体现的***和方法所实施的自动化检测和监控是定量的,与依靠人工干预相比,其准确性和可重复性更高。
根据一些实施例,存储在非易失性存储器或计算机可读介质(例如,寄存器存储器,处理器高速缓存,RAM,ROM,硬盘驱动器,闪存,CD ROM,磁性介质等)中的计算机程序应用可以包括代码或可执行程序指令,它们在被执行时可以指示和/或使控制器或处理器执行本文所讨论的方法,例如如上所述的提供重涂误差指示的准确识别和分类的方法。
计算机可读介质可以是非暂时性计算机可读介质,其包括所有形式和类型的存储器以及除了暂时性传播信号之外的所有计算机可读介质。在一种实施方式中,非易失性存储器或计算机可读介质可以是外部存储器。
尽管这里已经描绘了特定的硬件和方法,但是请注意,根据本发明的实施例,可以提供任何数量的其他配置。因此,尽管已经示出,描绘和指出了本发明的基本新颖特征,但是应当理解,可以对所示实施例的形式和细节以及它们的操作进行各种省略,替换和改变。在不脱离本发明的精神和范围的情况下由本领域技术人员理解。从一个实施例到另一实施例的元件替换也是完全预期和考虑的。本发明仅根据所附的权利要求及其等同内容来限定。
本发明的进一步方面通过以下条项的主题提供:
1.一种用于监控增材制造机器中的重涂的***,所述***包括:自动缺陷识别子***,所述自动缺陷识别子***包括:多个预测模型的目录,每个预测模型能够应用于多个产品之一和多个重涂误差指示之一,所述多个重涂误差指示具有领域相关特征;所述多个预测模型中的每个预测模型表示以在所述增材制造机器上的重涂操作期间捕获的图像的像素级出现的重涂误差指示;在线监控子***,所述在线监控子***包括:图像分类器单元,所述图像分类器单元被配置为基于选择的预测模型之一,以所述像素级对重涂误差指示进行分类,基于所述预测模型的元数据来选择所述预测模型;虚拟描绘单元,所述虚拟描绘单元被配置为从连续捕获的图像创建正在进行的构建的虚拟描绘;和处理器单元,所述处理器单元被配置为执行可执行指令,所述可执行指令使所述处理器单元执行对重涂误差指示监控正在进行的增材制造构建的方法,对检测到的指示进行分类,并且向所述正在进行的增材制造构建提供与所述检测到的指示的严重性有关的确定。
2.根据任何在前条项的***,所述可执行指令使所述处理器执行所述方法,包括:在离线学习单元中构建一组初始重涂指示模型,所述离线学习单元被配置为实施自学习技术以处理指示的合成图像;通过用手动注释/标记的示例补充所述模型来优化模型集构建;和将构建集作为预测模型存储在所述模型目录中,每个预测模型表示特定类型的重涂误差指示,在生产特定零件时,所述特定类型的重涂误差指示可能会出现在特定的增材制造机器领域。
3.根据任何在前条项的***,所述手动注释/标记的示例包括由用户选择的已知重涂误差指示的选择图像或由用户提供的领域特定数据。
4.根据任何在前条项的***,所述可执行指令使所述处理器执行所述方法,包括:在所述合成图像的像素级应用语义分割,以对所述合成图像中表示的重涂误差指示进行分类。
5.根据任何在前条项的***,所述可执行指令使所述处理器执行所述方法,包括:接收在所述正在进行的构建期间捕获的层图像;将所述图像添加到所述虚拟描绘中;将所述层图像与CAD文件进行比较,以从支撑结构和粉末中识别出构建部分;对于检测到的指示,预测像素级二进制标记;通过将CAD文件比较应用于捕获的图像来识别所述检测到的指示的位置;和使用所述虚拟描绘来分析缺陷分类在其位置的上下文中的影响。
6.一种监控增材制造机器中的重涂的方法,所述方法包括:创建多个预测模型的目录,每个预测模型能够应用于多个产品之一和多个重涂误差指示之一,所述多个重涂误差指示具有领域相关特征;在所述多个预测模型的每个预测模型中,表示以在所述增材制造机器上的重涂操作期间捕获的图像的像素级出现的重涂误差指示;以所述像素级,基于选择的预测模型之一对重涂误差指示进行分类,基于所述预测模型的元数据来选择所述预测模型;和从连续捕获的图像创建正在进行的构建的虚拟描绘。
7.根据任何在前条项的方法,包括:在离线学习单元中构建一组初始重涂指示模型,所述离线学习单元被配置为实施自学习技术以处理指示的合成图像;通过用手动注释/标记的示例补充所述模型来优化模型集构建;和将构建集作为预测模型存储在所述模型目录中,每个预测模型表示特定类型的重涂误差指示,在生产特定零件时,所述特定类型的重涂误差指示可能会出现在特定的增材制造机器领域。
8.根据任何在前条项的方法,所述手动注释/标记的示例包括由用户选择的已知重涂误差指示的选择图像或由用户提供的领域特定数据。
9.根据任何在前条项的方法,包括在所述合成图像的像素级应用语义分割,以对所述合成图像中表示的重涂误差指示进行分类。
10.根据任何在前条项的方法,包括:接收在所述正在进行的构建期间捕获的层图像;将所述图像添加到所述虚拟描绘中;将所述层图像与CAD文件进行比较,以从支撑结构和粉末中识别出构建部分;对于检测到的指示,预测像素级二进制标记;通过将CAD文件比较应用于捕获的图像来识别所述检测到的指示的位置;和使用所述虚拟描绘来分析缺陷分类在其位置的上下文中的影响。
11.一种非暂时性计算机可读介质,在所述非暂时性计算机可读介质上存储有可执行指令,当所述可执行指令被处理器单元执行时,使所述处理器单元执行监控增材制造机器中的重涂的方法,所述方法包括:创建多个预测模型的目录,每个预测模型能够应用于多个产品之一和多个重涂误差指示之一,所述多个重涂误差指示具有领域相关特征;在所述多个预测模型的每个预测模型中,表示以在所述增材制造机器上的重涂操作期间捕获的图像的像素级出现的重涂误差指示;以所述像素级,基于选择的预测模型之一对重涂误差指示进行分类,基于所述预测模型的元数据来选择所述预测模型;和从连续捕获的图像创建正在进行的构建的虚拟描绘。
12.根据任何在前条项的非暂时性计算机可读介质,所述可执行指令进一步被配置为使所述处理器单元执行所述方法,包括:在离线学习单元中构建一组初始重涂指示模型,所述离线学习单元被配置为实施自学习技术以处理指示的合成图像;通过用手动注释/标记的示例补充所述模型来优化模型集构建;和将构建集作为预测模型存储在所述模型目录中,每个预测模型表示特定类型的重涂误差指示,在生产特定零件时,所述特定类型的重涂误差指示可能会出现在特定的增材制造机器领域。
13.根据任何在前条项的非暂时性计算机可读介质,所述可执行指令进一步被配置为使所述处理器单元执行所述方法,所述手动注释/标记的示例包括由用户选择的已知重涂误差指示的选择图像或由用户提供的领域特定数据。
14.根据任何在前条项的非暂时性计算机可读介质,所述可执行指令进一步被配置为使所述处理器单元执行所述方法,包括:在所述合成图像的像素级应用语义分割,以对所述合成图像中表示的重涂误差指示进行分类。
15.根据任何在前条项的非暂时性计算机可读介质,所述可执行指令进一步被配置为使所述处理器单元执行所述方法,包括:接收在所述正在进行的构建期间捕获的层图像;将所述图像添加到所述虚拟描绘中;将所述层图像与CAD文件进行比较,以从支撑结构和粉末中识别出构建部分;对于检测到的指示,预测像素级二进制标记;通过将CAD文件比较应用于捕获的图像来识别所述检测到的指示的位置;和使用所述虚拟描绘来分析缺陷分类在其位置的上下文中的影响。
Claims (10)
1.一种用于监控增材制造机器中的重涂的***,其特征在于,所述***包括:
自动缺陷识别子***,所述自动缺陷识别子***包括:
多个预测模型的目录,每个预测模型能够应用于多个产品之一和多个重涂误差指示之一,所述多个重涂误差指示具有领域相关特征;
所述多个预测模型中的每个预测模型表示以在所述增材制造机器上的重涂操作期间捕获的图像的像素级出现的重涂误差指示;
在线监控子***,所述在线监控子***包括:
图像分类器单元,所述图像分类器单元被配置为基于选择的预测模型之一,以所述像素级对重涂误差指示进行分类,基于所述预测模型的元数据来选择所述预测模型;
虚拟描绘单元,所述虚拟描绘单元被配置为从连续捕获的图像创建正在进行的构建的虚拟描绘;和
处理器单元,所述处理器单元被配置为执行可执行指令,所述可执行指令使所述处理器单元执行对重涂误差指示监控正在进行的增材制造构建的方法,对检测到的指示进行分类,并且向所述正在进行的增材制造构建提供与所述检测到的指示的严重性有关的确定。
2.根据权利要求1所述的***,其特征在于,所述可执行指令使所述处理器执行所述方法,包括:
在离线学习单元中构建一组初始重涂指示模型,所述离线学习单元被配置为实施自学习技术以处理指示的合成图像;
通过用手动注释/标记的示例补充所述模型来优化模型集构建;和
将构建集作为预测模型存储在所述模型目录中,每个预测模型表示特定类型的重涂误差指示,在生产特定零件时,所述特定类型的重涂误差指示可能会出现在特定的增材制造机器领域。
3.根据权利要求2所述的***,其特征在于,所述手动注释/标记的示例包括由用户选择的已知重涂误差指示的选择图像或由用户提供的领域特定数据。
4.根据权利要求2所述的***,其特征在于,所述可执行指令使所述处理器执行所述方法,包括:在所述合成图像的像素级应用语义分割,以对所述合成图像中表示的重涂误差指示进行分类。
5.根据权利要求2所述的***,其特征在于,所述可执行指令使所述处理器执行所述方法,包括:
接收在所述正在进行的构建期间捕获的层图像;
将所述图像添加到所述虚拟描绘中;
将所述层图像与CAD文件进行比较,以从支撑结构和粉末中识别出构建部分;
对于检测到的指示,预测像素级二进制标记;
通过将CAD文件比较应用于捕获的图像来识别所述检测到的指示的位置;和
使用所述虚拟描绘来分析缺陷分类在其位置的上下文中的影响。
6.一种监控增材制造机器中的重涂的方法,其特征在于,所述方法包括:
创建多个预测模型的目录,每个预测模型能够应用于多个产品之一和多个重涂误差指示之一,所述多个重涂误差指示具有领域相关特征;
在所述多个预测模型的每个预测模型中,表示以在所述增材制造机器上的重涂操作期间捕获的图像的像素级出现的重涂误差指示;
以所述像素级,基于选择的预测模型之一对重涂误差指示进行分类,基于所述预测模型的元数据来选择所述预测模型;和
从连续捕获的图像创建正在进行的构建的虚拟描绘。
7.根据权利要求6所述的方法,其特征在于,包括:
在离线学习单元中构建一组初始重涂指示模型,所述离线学习单元被配置为实施自学习技术以处理指示的合成图像;
通过用手动注释/标记的示例补充所述模型来优化模型集构建;和
将构建集作为预测模型存储在所述模型目录中,每个预测模型表示特定类型的重涂误差指示,在生产特定零件时,所述特定类型的重涂误差指示可能会出现在特定的增材制造机器领域。
8.根据权利要求7所述的方法,其特征在于,所述手动注释/标记的示例包括由用户选择的已知重涂误差指示的选择图像或由用户提供的领域特定数据。
9.根据权利要求7所述的方法,其特征在于,包括在所述合成图像的像素级应用语义分割,以对所述合成图像中表示的重涂误差指示进行分类。
10.根据权利要求7所述的方法,其特征在于,包括:
接收在所述正在进行的构建期间捕获的层图像;
将所述图像添加到所述虚拟描绘中;
将所述层图像与CAD文件进行比较,以从支撑结构和粉末中识别出构建部分;
对于检测到的指示,预测像素级二进制标记;
通过将CAD文件比较应用于捕获的图像来识别所述检测到的指示的位置;和
使用所述虚拟描绘来分析缺陷分类在其位置的上下文中的影响。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/359,031 US11407179B2 (en) | 2019-03-20 | 2019-03-20 | Recoater automated monitoring systems and methods for additive manufacturing machines |
US16/359,031 | 2019-03-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723453A true CN111723453A (zh) | 2020-09-29 |
Family
ID=69845946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010200603.1A Pending CN111723453A (zh) | 2019-03-20 | 2020-03-20 | 用于增材制造机器的重涂器自动化监控***和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11407179B2 (zh) |
EP (1) | EP3712846A1 (zh) |
CN (1) | CN111723453A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113245566A (zh) * | 2021-05-13 | 2021-08-13 | 北京航空航天大学 | 激光选区熔化加工过程旁轴监测方法、装置及计算机设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3822725A1 (en) * | 2019-11-15 | 2021-05-19 | General Electric Company | Systems, and methods for diagnosing an additive manufacturing device |
FR3115359B1 (fr) * | 2020-10-19 | 2022-12-02 | Addup | Procédé de détection de défauts dans une couche de poudre de fabrication additive par apprentissage machine |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107073818A (zh) * | 2014-09-19 | 2017-08-18 | 西门子产品生命周期管理软件公司 | 多层选择性激光烧结和熔化增材制造过程的计算机辅助模拟 |
CN107403026A (zh) * | 2016-05-20 | 2017-11-28 | 达索***西姆利亚公司 | 增材制造的可扩展有限元模拟 |
EP3308945A1 (en) * | 2016-10-11 | 2018-04-18 | General Electric Company | Method and system for topographical based inspection and process control for additive manufactured parts |
CN108292325A (zh) * | 2015-10-28 | 2018-07-17 | 西门子产品生命周期管理软件公司 | 基于对经由3d打印机生产的部件的热/结构模拟来优化工具路径的***和方法 |
WO2018217903A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
CN109313670A (zh) * | 2016-04-27 | 2019-02-05 | 内部科技有限责任公司 | 在计算机辅助设计应用中生成晶格建议的方法和*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9855698B2 (en) | 2013-08-07 | 2018-01-02 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
US20160098824A1 (en) | 2014-10-03 | 2016-04-07 | Tyco Electronics Corporation | Three dimensional printing inspection apparatus and method |
EP3250337A1 (en) * | 2015-01-29 | 2017-12-06 | Arconic Inc. | Systems and methods for modelling additively manufactured bodies |
US20180036964A1 (en) | 2016-08-08 | 2018-02-08 | General Electric Company | Method and system for inspection of additive manufactured parts |
US20180104742A1 (en) | 2016-10-18 | 2018-04-19 | General Electric Company | Method and system for thermographic inspection of additive manufactured parts |
JP7149291B2 (ja) | 2017-05-10 | 2022-10-06 | モナッシュ ユニバーシティ | 付加製造プロセスの品質保証及び制御のための方法及びシステム |
US11203160B2 (en) * | 2018-03-29 | 2021-12-21 | The United States Of America, As Represented By The Secretary Of The Navy | Adaptive multi-process additive manufacturing systems and methods |
-
2019
- 2019-03-20 US US16/359,031 patent/US11407179B2/en active Active
-
2020
- 2020-03-18 EP EP20163934.1A patent/EP3712846A1/en active Pending
- 2020-03-20 CN CN202010200603.1A patent/CN111723453A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107073818A (zh) * | 2014-09-19 | 2017-08-18 | 西门子产品生命周期管理软件公司 | 多层选择性激光烧结和熔化增材制造过程的计算机辅助模拟 |
CN108292325A (zh) * | 2015-10-28 | 2018-07-17 | 西门子产品生命周期管理软件公司 | 基于对经由3d打印机生产的部件的热/结构模拟来优化工具路径的***和方法 |
CN109313670A (zh) * | 2016-04-27 | 2019-02-05 | 内部科技有限责任公司 | 在计算机辅助设计应用中生成晶格建议的方法和*** |
CN107403026A (zh) * | 2016-05-20 | 2017-11-28 | 达索***西姆利亚公司 | 增材制造的可扩展有限元模拟 |
EP3308945A1 (en) * | 2016-10-11 | 2018-04-18 | General Electric Company | Method and system for topographical based inspection and process control for additive manufactured parts |
WO2018217903A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113245566A (zh) * | 2021-05-13 | 2021-08-13 | 北京航空航天大学 | 激光选区熔化加工过程旁轴监测方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
EP3712846A1 (en) | 2020-09-23 |
US11407179B2 (en) | 2022-08-09 |
US20200298498A1 (en) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723453A (zh) | 用于增材制造机器的重涂器自动化监控***和方法 | |
CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
Althubiti et al. | Circuit manufacturing defect detection using VGG16 convolutional neural networks | |
US20210397170A1 (en) | Implementation of deep neural networks for testing and quality control in the production of memory devices | |
EP3401875A2 (en) | Method and systems for part geometry extraction | |
CN115937170A (zh) | 电路板检测方法、装置、计算机设备及存储介质 | |
CN117372433B (zh) | 厚度参数的控制方法、装置、设备及存储介质 | |
CN117413292A (zh) | 基于对象的机器学习分析的基于图像的异常检测 | |
JP2022139174A (ja) | 欠陥分類装置、方法およびプログラム | |
CN117237367A (zh) | 一种基于机器视觉的螺旋叶片厚度磨损检测方法及*** | |
US20230053085A1 (en) | Part inspection system having generative training model | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
Voon et al. | Computer-vision-based integrated circuit recognition using deep learning | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN116310424B (zh) | 基于图像识别的设备质量评估方法、装置、终端和介质 | |
CN116091416A (zh) | 印制电路板组装缺陷检测、变化检测模型训练方法及装置 | |
Caltanissetta et al. | In-situ monitoring of image texturing via random forests and clustering with applications to additive manufacturing | |
Robotyshyn et al. | Surface defect detection based on deep learning approach. | |
CN114266971A (zh) | 一种基于关键点的弱监督遥感图像飞机检测方法 | |
Liu et al. | Industrial Printing Image Defect Detection Using Multi‐Edge Feature Fusion Algorithm | |
CN118096747B (zh) | 基于深度学习的pcba板自动检测方法及*** | |
JP2021015437A (ja) | プログラム、情報処理方法及び情報処理装置 | |
Gu et al. | Deep learning-based melt pool and porosity detection in components fabricated by laser powder bed fusion | |
Noroozi et al. | Towards Optimal Defect Detection in Assembled Printed Circuit Boards Under Adverse Conditions | |
CN118135179B (zh) | 切割板件的级联识别方法、装置、计算机设备和存储介质 |
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 |