基于残差神经网络的熔融沉积成型最优工艺参数预测方法

本发明涉及增材制造实时监测，特别涉及一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法。

背景技术：

1、增材制造技术又称3d打印，是一种与传统的减材制造和等材制造不同的新型制造技术，通过逐层堆积的方式快速成型。其中熔融沉积成型(fdm)是增材制造领域的一个分支，是继光固化快速成型和叠层实体快速成型工艺后的另一种应用比较广泛的3d打印技术，具有成本低、操作简单、成型迅速等优势，广泛应用于各大领域中。同时fdm以其噪声小、无毒性、无污染的特点，广泛用于桌面级3d打印设备的生产。

2、尽管具有上述优势，人们对于熔融沉积成型零部件质量控制的担忧还是限制了熔融沉积成型的应用，成型件常常因为其内部和表面的缺陷而妨碍了在一些领域的关键应用。因此，开发一种用于实时预测工艺参数的在线监测技术对于控制熔融沉积成型件的质量有重要意义。而目前对于最优工艺参数预测与图像处理相结合的研究较少。

3、背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

技术实现思路

1、针对现有技术中存在的问题，本发明提出一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法，在线监测技术对于控制熔融沉积成型件的质量，保证了产品质量的稳定性和一致性。

2、本发明是通过以下技术方案予以实现：

3、一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法包括：

4、s1：图像采集装置连接3d打印机喷嘴以采集3d打印机喷嘴处熔融沉积的rgb图像p1，p2…pn并标记有当前打印机喷嘴尖端坐标以及打印参数；

5、s2：对所述rgb图像p1，p2…pn随机旋转、缩放和随机裁剪进行预处理得到预处理后的图像n1，n2…nn；

6、s3：对所述图像n1，n2…nn基于残差神经网络处理，其中，

7、s3.1：残差神经网络输入所述图像n1，n2…nn，输出针对图像n1，n2…nn的喷头流量、喷头横向移速、喷头温度及z轴偏移量的四种打印参数的分类预测，所述分类预测分为高、正常、低三类，喷头流量、喷头横向移速、喷头温度及z轴偏移量的四个输出头与共享主干共用特征提取，输入数据通过主干网络，经过多个卷积层和池化层，逐层提取特征，这个过程中的所有特征提取操作在所有输出头之间共享，主干网络提取的特征在最后一层的全连接层生成一个高维的特征表示，所述特征表示包含输入数据的所有信息，共享特征然后被并行地传递给每个输出头，共享主干的权重在训练的反向传播过程中通过每个单独输出头的损失总和来更新，

8、s3.2：将打印中与基板接触的第一层的完整材料沉积图像输入残差神经网络中，得到训练结果，

9、s3.3：将材料打印过程中全部的图像采集数据输入残差神经网络中，得到训练结果，

10、s3.4：将数据集包含的81种参数分类组合中每个组合都平衡为相同的数量，得到新的数据集输入残差神经网络中，得到训练结果；

11、s3.5：训练过程分为了三个阶段：第一阶段，网络在一个只包含第一层打印图像且填充率为100％的子数据集上进行训练，使得各参数的特征更加明显且易于学习；第二阶段，利用迁移学习方法，将第一阶段表现最佳的模型在包含所有3d几何图像的完整数据集上重新训练，允许网络利用从简单数据集中学习到的特征应用于更复杂的完整数据集中，这个过程重复了三次；第三阶段，再次使用迁移学习，但只重新训练了每个输出头的全连接层，使用的是一个平衡的子数据，其包含了每个可能的81种参数组合的等量样本，特征提取的网络主干的权重被冻结，以保持已学习的通用特征，当验证损失在若干个epoch中没有显著下降，认为模型已经收敛；

12、s4：在待优化的打印过程中实时采集图像，对实时采集的图像随机旋转、缩放和随机裁剪进行预处理；

13、s5：预处理后的图像输入已经训练好的残差神经网络，输出四种打印参数分类的预测结果。

14、所述的一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法中，步骤s2中，对所述rgb图像p1，p2…pn随机旋转、缩放和随机裁剪进行预处理包括：

15、s2.1：将采集到的rgb图像p1，p2…pn在任意方向上随机旋转10°，然后应用具有0.1概率的小透视变换，再用数据采集期间保存的喷嘴尖端坐标，将图像自动裁剪到聚焦于喷嘴尖端的320×320像素的正方形区域；

16、s2.2：裁剪320×320图像中面积比例在0.9–1.0之间的随机正方形部分，并将其调整为224×224像素，作为神经网络的输入大小，随后对图像应用概率为0.5的水平翻转，然后对图像的亮度、对比度、色调和饱和度应用±10％的颜色抖动；

17、s2.3：利用数据集中所有图像的每个通道的像素均值和标准差，对变换图像中的通道进行归一化处理。

18、所述的一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法中，所述打印参数包括喷头移动速度、z轴高度、喷头流量、喷头温度。

19、所述的一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法中，所述共享网络主干包括3个注意力模块和6个残差模块。

20、所述的一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法中，所述注意力模块由掩码和主干两个分支组成，主干分支由残余块构造以进行网络的特征处理，掩码分支进行下采样然后进行上采样，以学习用于加权模块的输出特征的注意力掩码。

21、和现有技术相比，本发明具有以下优点：

22、本发明通过打印过程中实时采集的喷嘴处材料沉积图像，在线上传至训练过的深度网络模型，模型通过输出对四种打印参数实时的分类预测，为在线调控打印工艺参数提供数据支持，提高监控系统的适应性和灵活性，显著提升了fdm打印过程的质量控制和效率。

技术特征：

1.一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法，其特征在于，优选的，步骤s2中，对所述rgb图像p1，p2…pn随机旋转、缩放和随机裁剪进行预处理包括：

3.根据权利要求1所述的一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法，其特征在于，所述打印参数包括喷头移动速度、z轴高度、喷头流量、喷头温度。

4.根据权利要求1所述的一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法，其特征在于，所述共享网络主干包括3个注意力模块和6个残差模块。

5.根据权利要求4所述的一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法，其特征在于，所述注意力模块由掩码和主干两个分支组成，主干分支由残余块构造以进行网络的特征处理，掩码分支进行下采样然后进行上采样，以学习用于加权模块的输出特征的注意力掩码。

技术总结一种基于残差神经网络的熔融沉积成型最优工艺参数预测方法，方法中，图像采集装置连接3D打印机喷嘴以采集3D打印机喷嘴处熔融沉积的RGB图像P1，P2…Pn并标记有当前打印机喷嘴尖端坐标以及打印参数；对所述RGB图像P1，P2…Pn随机旋转、缩放和随机裁剪进行预处理得到预处理后的图像N1，N2…Nn；对所述图像N1，N2…Nn基于残差神经网络处理，对随机下载的模型打印过程中实时采集图像，对实时采集的图像随机旋转、缩放和随机裁剪进行预处理；预处理后的图像输入已经训练好的残差神经网络，输出四种打印参数分类的预测结果。技术研发人员：张兴武,刘冰冰,张华清,赵志斌,王晨希,陈雪峰受保护的技术使用者：西安交通大学技术研发日：技术公布日：2024/9/26