[发明专利]基于神经网络的3D打印误差补偿方法、系统、装置

说明书

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。

技术领域

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。

背景技术

作为典型的信息物理系统(Cyber-Physical System，CPS)，3D打印近年来发展非常迅速。大规模定制需求强烈，但现今3D打印的精度对于某些打印需求仍旧无法达到最佳的使用效果，如打印牙冠。与传统方法相比，3D打印物体的精确度普遍较低。如今，商用3D打印机的定位精度处于几十或几百微米的水平，打印物体的误差普遍比这个更大。其原因是在3D打印过程中，通常会有加热和冷却，粘合和聚合的过程，会造成打印后的物体发生收缩和卷曲的现象。其次，随着近几年的发展，3D打印趋向于客户定制化发展，不同模型形状任意且打印的数量不多，打印形变受物体形状的影响。在这种情况下，手动进行补偿既不容易，也不经济。

误差补偿的一般方法是有限元法(Finite Element Method，FEM)。应用有限元法时，不仅要考虑打印材料的性质，还应考虑打印的过程，所以很难将有限元法应用于任意给定的模型。综上，我们缺乏一种通用的3D打印误差补偿方法。

发明内容

为了解决现有技术中的上述问题，即为了解决3D打印过程中对新模型误差补偿构建困难的问题，本发明的第一方面，提出了一种基于神经网络的3D打印误差补偿方法，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。

在一些优选的实施例中，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。

在一些优选的实施例中，“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；