[发明专利]基于神经网络的3D打印在线质量监测方法、系统、装置

权利要求书

1.一种基于神经网络的3D打印在线质量监测方法，其特征在于，该方法包括：

步骤S10，采集三维物体在3D打印过程中的图像，作为输入图像；

步骤S20，将所述输入图像转化为灰度图像后，采用预训练的缺陷分割网络获取所述输入图像中各像素的类别；

步骤S30，统计所述输入图像中各类别缺陷对应的像素数，并结合预获取的相机内参，计算所述输入图像中缺陷部位的面积；

步骤S40，判断所述面积是否大于设定的第二面积阈值，若是，则启动质量监测警报，否则跳转步骤S10；

所述缺陷分割网络基于对称结构的编码器-解码器构建；所述编码器用于提取输入图像的特征；所述解码器用于根据提取的特征，获取输入图像中每个像素对应的类别。

2.根据权利要求1所述的基于神经网络的3D打印在线质量监测方法，其特征在于，采集输入图像的图像采集装置包括照明设备、一或多个工业相机、图像采集卡、计算机；所述图像采集装置中至少有一个工业相机固定在3D打印工作台的正上方，且与3D打印工作台的平面平行。

3.根据权利要求2所述的基于神经网络的3D打印在线质量监测方法，其特征在于，步骤S10之前还包括相机内参的获取步骤：

获取一个张正友标定法的棋盘格，棋盘格大小已知，用相机对其进行不同角度的拍摄，得到一组图像；

对图像中设定位置的像素点对应的特征点进行检测，得到所述设定位置的像素点的像素坐标值；

根据已知的棋盘格大小和世界坐标系原点，计算得到所述设定位置的像素点的物理坐标值；

基于所述物理坐标值，采用张正友标定法得到相机内参。

4.根据权利要求1所述的基于神经网络的3D打印在线质量监测方法，其特征在于，所述输入图像中各像素的类别包括背景、无缺陷、鼓泡、塌陷、起皱、缺丝。

5.根据权利要求2所述的基于神经网络的3D打印在线质量监测方法，其特征在于，“计算所述输入图像中缺陷部位的面积”，其方法为：

将所述输入图像中各类别缺陷的像素数与零件到相机光心的距离d的平方做积，并除以预获取的相机内参的平方，得到所述输入图像中各类别缺陷部位的面积；

将各类别缺陷部位的面积相加，得到所述输入图像中缺陷部位的面积。

6.根据权利要求1所述的基于神经网络的3D打印在线质量监测方法，其特征在于，若在3D打印过程中的图像包括可见光图像、红外图像，则将可见光图像转化为灰度图像，并将转化后的可见光图像与红外图像对齐，并调整至相同大小；调整后，分别将可将光图像、红外图像输入缺陷检测网络，通过concatenate函数进行特征融合并通过解码器进行缺陷类别的预测。

7.根据权利要求1所述的基于神经网络的3D打印在线质量监测方法，其特征在于，步骤S30-S40之间还包括相机位置调整步骤，具体为：

若所述输入图像中任一缺陷部位的面积小于设定的第一面积阈值，且对应缺陷部位区域内的像素深度变化大于设定的深度阈值，则调整相机的位置，并重新采集图像。

8.一种基于神经网络的3D打印在线质量监测系统，其特征在于，该系统包括：图像采集模块、分割模块、面积计算模块、质量判断模块；

所述图像采集模块，配置为采集三维物体在3D打印过程中的图像，作为输入图像；

所述分割模块，配置为将所述输入图像转化为灰度图像后，采用预训练的缺陷分割网络获取所述输入图像中各像素的类别；

所述面积计算模块，配置为统计所述输入图像中各类别缺陷对应的像素数，并结合预获取的相机内参，计算所述输入图像中缺陷部位的面积；

所述质量判断模块，判断所述面积是否大于设定的第二面积阈值，若是，则启动质量监测警报，否则跳转图像采集模块；

所述缺陷分割网络基于对称结构的编码器-解码器构建；所述编码器用于提取输入图像的特征；所述解码器用于根据提取的特征，获取输入图像中每个像素对应的类别。