[发明专利]基于神经网络的3D打印误差补偿方法、系统、装置

权利要求书

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；

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；

所述形变函数为表示3D打印设备由打印前模型到打印后模型的形变关系的函数；所述逆形变函数为表示3D打印设备由打印后模型到打印前模型的逆形变关系的函数。

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TP_i、TN_i、FP_i、FN_i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；

TP_i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；

TN_i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；

FP_i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；

FN_i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、Accuracy_i、Accuracy_i，white中一个或多个；

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、Accuracy_i，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。

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]；y_i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。

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。