【CN109808183A】基于神经网络的3D打印误差补偿方法系统装置【专利】
合集下载
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
5 .根据权利要求1-4任一项所述的基于神经网络的3D打印误差补偿方法,其特征在于, 所述形变网络/逆形变网络训练用的损失函数L为
其中,M为训练过程中预期输出模型的体素数量;a为预设的惩罚系数,a∈[0 ,1];yi为预 期输出模型中第i个体素网格被占 用的真实概率值;y ′i为神经网络预测第i个体素网格被 占 用的概率值。
其中, 依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本 经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本 作为真实输入模型 ,以打印后的模型样本作为真实输出模型; 依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型 样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模 型样本作为真实输入模型,以打印前的模型样本作为真实输出模型。 2 .根据权利要求1所述的基于神经网络的3D打印误差补偿方法,其特征在于,还包括所 述形变网络/逆形变网络的选择步骤: 构建多种神经网络架构的形变网络/逆形变网络; 基于预设 损失函数分 别对各形变网络/逆形变网络进行 训练 ,获取多个 训练好的 形变 网络/逆形变网络; 基于预设的 学 习性能 指标集 ,分 别获取各 训练好的 形变网 络/逆形变网 络各学 习性能 指标值,得到每个训练好的形变网络/逆形变网络的学习性能指标值集; 选择学 习性能 指标值集 ,并 将其对应的 训练好的 形变网 络/逆形变网 络作为被选择的 形变网络/逆形变网络。 3 .根据权利要求2所述的基于神经网络的3D打印误差补偿方法,其特征在于,“预设的 学习性能 指标集”基于变量TPi、TNi、FPi、FNi构建 ,其中 ,i为“所述形变网络/逆形变网络的 选择步骤”中所用到三维模型样本集中第i个三维模型样本; TPi为第i个三维模型样本的真正值,该值等于三维模型样本的真实输出为1、预期输出 为1的体素数量; TNi为第i个三维模型样本的真负值,该值等于三维模型样本的真实输出为0、预期输出 为0的体素数量; FPi为第i个三维模型样本的假正值,该值等于三维模型样本的真实输出为1、预期输出 为0的体素数量; FNi为第i个三维模型样本的假负值,该值等于三维模型样本的真实输出为0、预期输出 为1的体素数量。 4 .根据权利要求3所述的基于神经网络的3D打印误差补偿方法,其特征在于,“预设的 学习性能指标集”包括Precision、Recall、F1、Accuracy、Accuracyi、Accuracyi ,wihite中一个 或多个;
6 .根据权利要求1-4任一项所述的基于神经网络的3D打印误差补偿方法,其特征在于, 所述形变网络/逆形变网络的训练样本为三维模型数据,或者三维模型的二维切片数据。
7 .根据权利要求1-4任一项所述的基于神经网络的3D打印误差补偿方法,其特征在于, 所述形变网络/逆形变网络的训练样本,其输出模型样本为基于3D打印实物模型获取,或者 基于仿真方法生成。
8 .一种基于神经网络的3D打印误差补偿系统,其特征在于,包括输入模块、补偿模块、 输出模块;
所述输入模块,配置为获取输入模型; 所述补偿模块,配置为基于训练好的基于神经网络的形变网络/逆形变网络,对输入模 型进行补偿,并生成补偿后的输入模型; 输出模块,配置为输出补偿后的输入模型; 其中 ,所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建 ,其 训练样本 包括3D打印的打印前模型样本、打印后模型样本; 依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本 经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本 作为真实输入模型,以打印后的模型样本作为真实输出模型; 依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型 样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模
(74)专利代理机构 北京市恒有知识产权代理事 务所(普通合伙) 11576
代理人 郭文浩 徐音
(51)Int .Cl . B29C 64/386(2017 .01) B33Y 50/00(2015 .01)
( 54 )发明 名称 基 于 神经 网 络的 3 D 打 印 误 差 补 偿 方 法 、系
统、装置 ( 57 )摘要
本发明属于3D打印领域,具体涉及一种基于 神经网络的3D打印误差补偿方法、系统、装置,旨 在解决3D打印过程中对模型误差补偿困难的问 题。本发明结合人工智能领域的神经网络来预测 和补偿加式制造所产生的误差,通过三维扫描等 技术获得数据,然后利用神经网络学习3D打印中 的形变函数并完成预测,或学习逆向的形变函数 并直接补偿。通过本发明对新模型误差补偿更容 易 ,同样硬件基础上模型打印的精准度得到提 高 ,或为达到同样的精度可以降 低对硬件的要 求。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请来自(21)申请号 201910005702 .1
(22)申请日 2019 .01 .03
(71)申请人 中国科学院自动化研究所 地址 100190 北京市海淀区中关村东路95 号 申请人 北京十维科技有限责任公司
(72)发明人 沈震 熊刚 李雨勍 高行 谢怿 赵美华 郭超 商秀芹 董西松 武征鹏 万力 王飞跃
CN 109808183 A
权 利 要 求 书
1/3 页
1 .一种基于神经网络的3D打印误差补偿方法,其特征在于,通过训练好的形变网络/逆 形变网络,对输入模型进行补偿,并基于补偿后的模型进行3D打印;
所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建,其训练样本包括3D 打印的打印前模型样本、打印后模型样本;
(10)申请公布号 CN 109808183 A (43)申请公布日 2019.05.28 G06N 3/04(2006 .01) G06N 3/08(2006 .01) G06T 5/00(2006 .01) G06T 17/20(2006 .01)
权利要求书3页 说明书10页 附图2页
CN 109808183 A
2
CN 109808183 A
权 利 要 求 书
2/3 页
其中 ,Precision为精度 ,Recall为召回率 ,F1为精度和召回率的综合值 ,Accuracy为准 确率 ,Accuracyi为第i个三维模型样本的准确率、Accuracyi ,white为第i个三维模型样本内的 体素的准确率,N为三维模型样本集中三维模型样本的数量,M为三维模型样本的体素数量。
其中,M为训练过程中预期输出模型的体素数量;a为预设的惩罚系数,a∈[0 ,1];yi为预 期输出模型中第i个体素网格被占 用的真实概率值;y ′i为神经网络预测第i个体素网格被 占 用的概率值。
其中, 依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本 经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本 作为真实输入模型 ,以打印后的模型样本作为真实输出模型; 依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型 样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模 型样本作为真实输入模型,以打印前的模型样本作为真实输出模型。 2 .根据权利要求1所述的基于神经网络的3D打印误差补偿方法,其特征在于,还包括所 述形变网络/逆形变网络的选择步骤: 构建多种神经网络架构的形变网络/逆形变网络; 基于预设 损失函数分 别对各形变网络/逆形变网络进行 训练 ,获取多个 训练好的 形变 网络/逆形变网络; 基于预设的 学 习性能 指标集 ,分 别获取各 训练好的 形变网 络/逆形变网 络各学 习性能 指标值,得到每个训练好的形变网络/逆形变网络的学习性能指标值集; 选择学 习性能 指标值集 ,并 将其对应的 训练好的 形变网 络/逆形变网 络作为被选择的 形变网络/逆形变网络。 3 .根据权利要求2所述的基于神经网络的3D打印误差补偿方法,其特征在于,“预设的 学习性能 指标集”基于变量TPi、TNi、FPi、FNi构建 ,其中 ,i为“所述形变网络/逆形变网络的 选择步骤”中所用到三维模型样本集中第i个三维模型样本; TPi为第i个三维模型样本的真正值,该值等于三维模型样本的真实输出为1、预期输出 为1的体素数量; TNi为第i个三维模型样本的真负值,该值等于三维模型样本的真实输出为0、预期输出 为0的体素数量; FPi为第i个三维模型样本的假正值,该值等于三维模型样本的真实输出为1、预期输出 为0的体素数量; FNi为第i个三维模型样本的假负值,该值等于三维模型样本的真实输出为0、预期输出 为1的体素数量。 4 .根据权利要求3所述的基于神经网络的3D打印误差补偿方法,其特征在于,“预设的 学习性能指标集”包括Precision、Recall、F1、Accuracy、Accuracyi、Accuracyi ,wihite中一个 或多个;
6 .根据权利要求1-4任一项所述的基于神经网络的3D打印误差补偿方法,其特征在于, 所述形变网络/逆形变网络的训练样本为三维模型数据,或者三维模型的二维切片数据。
7 .根据权利要求1-4任一项所述的基于神经网络的3D打印误差补偿方法,其特征在于, 所述形变网络/逆形变网络的训练样本,其输出模型样本为基于3D打印实物模型获取,或者 基于仿真方法生成。
8 .一种基于神经网络的3D打印误差补偿系统,其特征在于,包括输入模块、补偿模块、 输出模块;
所述输入模块,配置为获取输入模型; 所述补偿模块,配置为基于训练好的基于神经网络的形变网络/逆形变网络,对输入模 型进行补偿,并生成补偿后的输入模型; 输出模块,配置为输出补偿后的输入模型; 其中 ,所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建 ,其 训练样本 包括3D打印的打印前模型样本、打印后模型样本; 依据3D打印形变函数所构建的形变网络记为第一网络,训练样本中的打印前模型样本 经所述形变网络的输出模型作为预期输出模型;所述第一网络训练时以打印前的模型样本 作为真实输入模型,以打印后的模型样本作为真实输出模型; 依据3D打印逆形变函数所构建的逆形变网络记为第二网络,训练样本中的打印后模型 样本经所述逆形变网络的输出模型作为预期输出模型;所述第二网络训练时以打印后的模
(74)专利代理机构 北京市恒有知识产权代理事 务所(普通合伙) 11576
代理人 郭文浩 徐音
(51)Int .Cl . B29C 64/386(2017 .01) B33Y 50/00(2015 .01)
( 54 )发明 名称 基 于 神经 网 络的 3 D 打 印 误 差 补 偿 方 法 、系
统、装置 ( 57 )摘要
本发明属于3D打印领域,具体涉及一种基于 神经网络的3D打印误差补偿方法、系统、装置,旨 在解决3D打印过程中对模型误差补偿困难的问 题。本发明结合人工智能领域的神经网络来预测 和补偿加式制造所产生的误差,通过三维扫描等 技术获得数据,然后利用神经网络学习3D打印中 的形变函数并完成预测,或学习逆向的形变函数 并直接补偿。通过本发明对新模型误差补偿更容 易 ,同样硬件基础上模型打印的精准度得到提 高 ,或为达到同样的精度可以降 低对硬件的要 求。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请来自(21)申请号 201910005702 .1
(22)申请日 2019 .01 .03
(71)申请人 中国科学院自动化研究所 地址 100190 北京市海淀区中关村东路95 号 申请人 北京十维科技有限责任公司
(72)发明人 沈震 熊刚 李雨勍 高行 谢怿 赵美华 郭超 商秀芹 董西松 武征鹏 万力 王飞跃
CN 109808183 A
权 利 要 求 书
1/3 页
1 .一种基于神经网络的3D打印误差补偿方法,其特征在于,通过训练好的形变网络/逆 形变网络,对输入模型进行补偿,并基于补偿后的模型进行3D打印;
所述形变网络/逆形变网络依据3D打印形变函数/逆形变函数构建,其训练样本包括3D 打印的打印前模型样本、打印后模型样本;
(10)申请公布号 CN 109808183 A (43)申请公布日 2019.05.28 G06N 3/04(2006 .01) G06N 3/08(2006 .01) G06T 5/00(2006 .01) G06T 17/20(2006 .01)
权利要求书3页 说明书10页 附图2页
CN 109808183 A
2
CN 109808183 A
权 利 要 求 书
2/3 页
其中 ,Precision为精度 ,Recall为召回率 ,F1为精度和召回率的综合值 ,Accuracy为准 确率 ,Accuracyi为第i个三维模型样本的准确率、Accuracyi ,white为第i个三维模型样本内的 体素的准确率,N为三维模型样本集中三维模型样本的数量,M为三维模型样本的体素数量。