【技术实现步骤摘要】
一种3D打印机打印精度的实时反馈控制方法
本专利技术属于土木
，特别涉及一种3D打印机打印精度的实时反馈控制方法。
技术介绍
建筑工业化是生产方式的变革，是传统产方式向现代工业化生产方式转变的过程。不仅节能、环保、低碳，解决了资源浪费、环境污染问题，而且大大提升了工程质量同时兼顾安全和效率；它将工程建造之间的设计、生产、施工、验收、管理之间各个过程科学的紧密结合起来，面对我国当今建筑业劳动力成本提高、劳动力和技术工人短缺等人力资源问题也是必然选择。建筑工业化带来的好处的同时，它的缺点也同样明显。工业化建筑力求结构或构件标准化和模数化设计，建筑的体型或外观较为单一，与建筑结构设计的个性化和多样化形成矛盾。为此，需要研究复杂造型的建筑部品和构配件的柔性制造技术，作为标准化建筑部品和构配件的必要补充，促进建筑工业化快速协调发展。3D打印建筑是混凝土结构的增材制造方法，是一种将改进配合比的混凝土与3D打印技术相结合的学科交叉型快速成型技术，是建筑工业化未来的发展方向之一，有广阔的应用前景。但是，由于打印环境(温度、湿度等等)的复杂性、机械结构自身精度的影响，打印台精度条件的限制，加上混凝土自身材料性质的影响，打印的对象与最初设计的效果往往有一定出入，影响使用。传统的方案是在机械结构上使用编码器等，实现系统闭环控制，保证机械结构按照数控程序的设定进行打印，提高机械结构精度。但是这种方法，并没有考虑混凝土自身材料的性质，打印的混凝土材料在成型硬化过程中，受到重力等自然条件或后打印的混凝土对前混凝土外力挤压等的影响，会发生一定程度的变形。同时，由于机械系统误差降低...
【技术保护点】
1.一种3D打印机打印精度的实时反馈控制方法，其特征在于，包括如下步骤：(1)通过打印机机械自身的反馈控制系统，降低打印机机械的定位误差；(2)通过打印机与打印对象之间的反馈调整系统，降低混凝土对象的成型误差；(2.1)通过水平相对位置反馈调整系统对于水平相对位置进行调整；(2.1.1)初步定位调整；(2.1.1.1)通过摄像头拍照；(2.1.1.2)通过深度学习技术进行图像识别；(2.1.1.3)根据分割后的图像精确确定所拍摄的混凝土对象在照片中的位置；(2.1.1.4)通过定位算法反算出摄像头与混凝土对象的相对位置；(2.1.1.5)通过数控程序，反馈给下位机，控制机械系统，初步调整喷嘴位置；(2.1.2)精确定位调整；(2.1.2.1)传感器的测点位置为可调节式，在打印开始之前，根据打印的喷嘴形状确定两个传感器的位置；两个传感器布置喷头腔体外壁正前方1em处，传感器之间的距离等于喷嘴的宽度；(2.1.2.2)启动精确定位反馈系统；(2.1.2.3)传感器读取高度数据，将数据传输到计算机；(2.1.2.4)通过传感器高度判比算法对数据处理；算法如下所示；(2.2)通过竖直相对位置反...
【技术特征摘要】
1.一种3D打印机打印精度的实时反馈控制方法，其特征在于，包括如下步骤：(1)通过打印机机械自身的反馈控制系统，降低打印机机械的定位误差；(2)通过打印机与打印对象之间的反馈调整系统，降低混凝土对象的成型误差；(2.1)通过水平相对位置反馈调整系统对于水平相对位置进行调整；(2.1.1)初步定位调整；(2.1.1.1)通过摄像头拍照；(2.1.1.2)通过深度学习技术进行图像识别；(2.1.1.3)根据分割后的图像精确确定所拍摄的混凝土对象在照片中的位置；(2.1.1.4)通过定位算法反算出摄像头与混凝土对象的相对位置；(2.1.1.5)通过数控程序，反馈给下位机，控制机械系统，初步调整喷嘴位置；(2.1.2)精确定位调整；(2.1.2.1)传感器的测点位置为可调节式，在打印开始之前，根据打印的喷嘴形状确定两个传感器的位置；两个传感器布置喷头腔体外壁正前方1em处，传感器之间的距离等于喷嘴的宽度；(2.1.2.2)启动精确定位反馈系统；(2.1.2.3)传感器读取高度数据，将数据传输到计算机；(2.1.2.4)通过传感器高度判比算法对数据处理；算法如下所示；(2.2)通过竖直相对位置反馈调整系统对于竖直相对位置进行调整。2.根据权利要求1所述的一种3D打印机打印精度的实时反馈控制方法，其特征在于，所述步骤(2.1.1.2)中通过深度学习技术进行图像识别的具体步骤如下；制作图像数据集Photoset，在反馈调整系统未使用的3D打印机上进行实体打印，通过固定在3D打印机的摄像头上进行定时拍摄；摄像头选择普通USB摄像头，摄像头分辨率选择480×360，帧率选择30FPS，每打印5层，暂停拍摄，重新打印拍摄；1s中内，选取1张图像放入数据集；初选数据集由2200张图像组成；Photoset＝{Photo1，Photo2，...，Photo2200}制作训练数据集Trainset和测试数据集Testset；首先对图像进行标记；设定标记的类别为1类——Concrete；标记完成后，运行脚本文件，将标记生成的.json文件生成文件夹train_data，其中包括info.yaml、label.png、原图五个文件；选择1-2000个文件夹建立训练数据集，选择2001-2200个文件夹，建立测试数据集；Trainset＝{Data1，Data2，...，Data2000}Testset＝{Data2001，Data2002，...，Data2200}进行适合于图像的修改，由于图像尺寸较小，修改anchorscales为(16，32，64，128)，anchorratios不变，为(0.5，1，2)；将该锚点数目改成了12个；进行训练图像和测试图像；先使用Resnet-101残差网络和FPN特征金字塔网络作为共享卷积层，进行特征提取，生成特征图像featuremaps；Resnet-101残差网络是一种卷积神经网络，包括101个卷积层；残差公式为：y＝F(x，{Wi})+x；使用特征金字塔网络的优势是，可以把低分辨率、高语义信息的高层特征和高分辨率、低语义信息的低层特征进行自上而下的侧边连接，使得所有尺度下的特征都有丰富的语义信息；算法结构可以分为三个部分：自下而上的卷积神经网络前向过程，自上而下的上采样过程和特征与特征之间的侧边连接；再将特征图像导入RPN网络生成候选区域regionproposal的集合；即预先找出目标可能出现的位置，利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口的情况下，保持较高的准确率；使用3×3的卷积核在特征图像是进行滑动扫描，每一个锚点都以当前滑动中心为中心，并对应一种尺度和长宽比，则对于每一个位置会生成12个锚点；将扫描结果映射到一个256维向量中，将该低维向量送入两个全连接层：分类层clslayer和边框回归层reglayer；边框回归层用来预测每个位置上12个锚点应该平移缩放的四个参数(x，y，w，h)，其中四个参数分别表示锚点包围盒中心坐标(x，y)和锚点包围盒的宽w、高h，分类层用来输出每一个位置上12个锚点是前景object和背景non-object的概率；首先定义IoU，该参数表示两个边界框的重叠程度，在实际RPN训练中，表示候选区域与人工标注数据的重叠程度，IoU越大，则表示重叠程度越高，效果越好，IoU由如下公式定义：IoU＝(A∩B)/(A∪B)＝SI/(SA+SB-SI)A和B都表示矩形包围盒boundingbox；为了训练RPN，给每一个锚点都分配一个二进制的标签，分为正标签positivelabel和负标签negativelabel；对于既没有正标签也没有负标签的锚点，训练中没有任何作用，为了提高效率，予以舍弃；negativelabel{与所有GT包围盒的IoU值均小于0.5在目标检测FasterR-CNN框架中，IoU阈值为0.7，在本发明采用的MaskR-CNN框架中，IoU阈值为0.5；分类层为1×1的卷积层，输出k+1维数组p，表示k类锚点的建议区域和每个区域属于背景的概率；对于每个感兴趣的区域RoI，RegionofInteresting，输出离散型概率分布：p＝(p0，p1，...，pk)通常，p由k+1类的全连接层利用softmax归一化指数函数计算得出；softmax函数公式为：边框回归层为1×1的卷积层，用于修正候选区域位置，输出4×k维数组，k定义同上，表示锚点数；这四个值的意思是修正后的候选区域在原来锚点位置x和y方向上做出的平移并且宽度和高度各自放大一定的倍数通过下面的两个损失函数，训练RPN网络得到分类层和边框输出层的相关输出参数；分类层损失函数为：回归层损失函数为：其中，鲁棒的损失函数(smoothL1)：所以，训练RPN的总损失函数可以写成：其中，i是锚点的索引，pi是锚点i是目标的预测概率；如果之前给锚点贴上正标签，则如果为负标签，则表示与正标签锚点相对于的GT包围盒的坐标向量。Ncls、Nreg和λ均为常数；然后通过ROIAlign层为RPN网络输出的每一个感兴趣的区域从共享卷积层中选取对应的特征，同时将特征整合满足全卷积网络的输入需求；先通过双线性插值去精确查找每个区域对应的特征，输出为(14×14)的矩阵；再通过池化操作最终为每个区域输出为(6×6)的特征矩阵；最后将ROIAlign层选取的特征和区域导入全卷积网络，进行分类、回归和输出Mask预测；最终，MaskR-CNN的训练损失函数可以描述为：Lfinal＝L({pi}，{ti})+(Lcls+Lbox+Lmask)为了更形象的展示识别效果，本发明提出混凝土对象拍摄图像的实例分割结果评价算法；定义：TP＝TruePositive，FP＝FalsePositive，FN＝FalseNegative，width和height是图像的像素在宽度和高度方向上的数目；Precision表示准确率，Recall表示召回率；图像实例分割结果评价算法具体步骤如下；从深度学习图像识别结果中提取mask结果，设local矩阵使得local＝mask从标记结果中提取测试图片人工标记区域，载入GroundTruth矩阵中遍历测试图像的每一个像素计算TP、FN和FP如果GroundTruthij≠0并且GroundTruthij＝localijTP＝TP+1如果GroundTruthij≠0并且GroundTruthij≠localijFN＝FN+1如果GroundTruthij＝0并且GroundTruthij≠localijFP＝FP+1其中，i＝0，1，...，width-1j＝0，1，...，height-1计算准确率和召回率3.根据权利要求1所述的一种3D打印机打印精度的实时反馈控制方法，其特征在于，所述(2.1.1.3)根据分割后的图像精确确定所拍摄的混凝土对象在照片中的位置的具体步骤如下：通过local矩阵储存有深度学习神经网络输出的...
【专利技术属性】
技术研发人员：何至立，潘金龙，麦济仁，吕佳峰，蔡洋洋，王肖骏，周震鑫，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。