本技術涉及3d打印,尤其涉及一種3d打印設備的檢測方法、系統及相關設備。
背景技術:
1、3d打印技術實際上是利用光固化和紙層疊等技術的最新快速成型裝置。它與普通打印工作原理基本相同,打印機內裝有液體或粉末等“打印材料”,與電腦連接后,通過電腦控制把“打印材料”一層層疊加起來,最終把計算機上的藍圖變成實物,這打印技術稱為3d立體打印技術。
2、相關技術中,3d打印設備通過檢測軟件或安裝在3d打印設備上的npu芯片檢測打印過程中是否出現異常情況,3d打印檢測軟件大多使用第三方app在線檢測,數據存儲在云端,可能造成用戶視頻數據泄露等風險,無法有效保護用戶的隱私安全;npu芯片的成本較高。
技術實現思路
1、有鑒于此,本技術提供一種基于3d打印設備的檢測方法、系統及相關設備,能夠準確檢測3d打印設備的打印過程中是否出現打印異常情況,并能夠降低檢測成本,有效保護用戶的隱私安全。
2、本技術的第一方面提供一種3d打印設備的檢測方法,所述3d打印設備包括噴頭組件、打印平臺和中央處理器,所述噴頭組件用于向所述打印平臺噴射打印材料,所述中央處理器包括用于數據推理的算法模型,所述檢測方法包括:拍攝所述3d打印設備打印過程中的工作圖像;對所述工作圖像進行預處理,得到所述工作圖像中的感興趣區域,其中,所述感興趣區域包括所述噴頭組件所在的區域和待打印物所在的區域;將所述感興趣區域傳輸至所述算法模型,以使所述算法模型根據所述感興趣區域檢測所述當前3d打印設備是否存在打印異常情況,并在檢測出所述當前3d打印設備存在打印異常情況時,停止對待打印物的打印;其中,所述算法模型通過對初始算法模型進行模型量化后再進行模型推理重構得到,所述模型量化用于將所述初始算法模型的模型精度轉化為能夠加速模型數據推理過程的預設模型精度,所述模型推理重構用于降低所述初始算法模型的空間占用大小。
3、與相關技術相比,本技術的實施例至少具有以下優點:通過對工作圖像進行預處理得到感興趣區域,能夠降低后續算法模型的計算量;通過在中央處理器設置用于數據推理的算法模型,使得在3d打印設備獲取到感興趣區域時,能夠直接將感興趣區域傳輸至算法模型,以使算法模型根據感興趣區域檢測當前3d打印設備是否存在打印異常情況,由于感興趣區域包括噴頭組件和待打印物所在的區域,一方面通過算法模型進行檢測,準確性較高,且能夠在檢測到當前3d打印設備的噴頭組件存在打印異常情況時,立即停止對待打印物的打印,提高了3d打印設備的可靠性;另一方面,此種檢測方式無需增加額外的第三方設備或軟件,降低了檢測成本,有效地保護了用戶的隱私安全。此外,由于算法模型通過對初始算法模型進行模型量化后再進行模型推理重構得到,模型量化能夠加速算法模型的數據推理過程,從而降低中央處理器資源的消耗,模型推理重構能夠降低算法模型的空間占用大小,從而確保算法模型能夠在中央處理器正常運行。
4、在一些可能的實現方式中,所述3d打印設備還包括用于拍攝所述工作圖像的相機;所述對所述工作圖像進行預處理,得到所述工作圖像中的感興趣區域,包括:獲取所述相機的內參矩陣和所述待打印物在世界坐標系下的三維坐標;根據所述內參矩陣,將所述三維坐標轉換為在所述相機坐標系下的像素坐標;根據所述像素坐標確定所述工作圖像中的所述感興趣區域。
5、在一些可能的實現方式中,所述初始算法模型通過以下方式訓練得到:獲取歷史打印異常情況數據,其中,所述歷史打印異常情況數據包括所述3d打印設備出現空打現象的歷史圖像數據或歷史視頻數據,和/或,所述歷史打印異常情況數據包括所述3d打印設備出現噴頭包裹現象的歷史圖像數據或歷史視頻數據;對所述歷史打印異常情況數據進行數據預處理,得到目標訓練數據;其中,所述數據預處理至少包括數據分析、數據清洗以及數據增強;將所述目標訓練數據輸入預設算法模型以進行模型訓練,將進行所述模型訓練后的預設算法模型作為所述初始算法模型,其中,所述預設算法模型為模型大小低于預設值、且模型所需算力低于預設算力的算法模型。
6、通過此種方式,能夠提高訓練出的初始算法模型的準確率,從而提高后續得到的算法模型的模型精度。
7、在一些可能的實現方式中,通過以下方式對所述初始算法模型進行模型量化:根據預設的量化校準表,將所述初始算法模型的模型參數轉換為定點數表示,其中,所述量化校準表中至少包括量化位數、量化方法以及量化范圍;檢測模型參數轉換為定點數表示的初始算法模型的準確性,在準確性不滿足預設要求時,調整所述量化校準表并再次對所述初始算法模型進行模型量化,直至所述模型量化后的初始算法模型的準確性滿足所述預設要求。
8、通過對初始算法模型進行模型量化,能夠減少模型的存儲需求,同時提高在中央處理器嵌入式端側推理運行速度:模型量化將浮點數模型參數轉換為定點數表示,從而減少了初始算法模型在存儲介質上所占用的空間、內存帶寬和存儲器開銷;同時量化模型可以利用在中央處理器上整數操作相對于浮點操作具有更高的計算效率特性,實現在嵌入式硬件上進行更高效的計算。
9、在一些可能的實現方式中,所述初始算法模型包括多個層級結構;通過以下方式對模型量化后的初始算法模型進行模型推理重構:根據所述3d打印設備的拍攝數據大小,修改所述模型量化后的初始算法模型的輸入值大小;對所述模型量化后的初始算法模型的輸出值進行非極大值抑制重構;對所述模型量化后的初始算法模型的最后三個層級結構進行數據維度重塑。
10、通過采用該技術方案,能夠確保算法模型的準確性,且能夠對輸出值重寫排序從而進一步降低算法復雜度;通過對模型量化后的初始算法模型的最后三個層級結構進行數據維度重塑,能夠在保證初始算法模型的檢測性能的同時,降低模型的占用空間大小。
11、在一些可能的實現方式中,所述中央處理器具有多個線程;在所述將所述感興趣區域傳輸至所述算法模型之前,所述檢測方法還包括:獲取當前所述多個線程中的每個線程的資源占用信息;根據所述每個線程的資源占用信息,確定多個所述線程中滿足預設數據處理要求的目標線程;所述將所述感興趣區域傳輸至所述算法模型,以使所述算法模型根據所述感興趣區域檢測所述當前3d打印設備是否存在打印異常情況,包括:將所述感興趣區域傳輸至所述算法模型,以使所述算法模型通過所述目標線程檢測所述當前3d打印設備是否存在打印異常情況。
12、通過采用該技術方案,能夠進行合理的資源調度,從而提高了中央處理器的資源利用率,確保中央處理器的正常運行。
13、在一些可能的實現方式中,在將所述感興趣區域傳輸至所述算法模型之后,還包括:獲取與所述感興趣區域對應的數據推理時間;檢測所述數據推理時間是否小于或等于預設數據推理時間,且所述中央處理器當前的資源占用率是否大于預設占用率;所述算法模型通過所述目標線程檢測所述當前3d打印設備是否存在打印異常情況,包括:在檢測到所述數據推理時間小于或等于所述預設數據推理時間時,所述算法模型通過所述目標線程檢測所述當前3d打印設備是否存在打印異常情況;在檢測到所述數據推理時間大于所述預設數據推理時間,且所述中央處理器當前的資源占用率大于所述預設占用率時,所述算法模型暫停檢測所述當前3d打印設備是否存在打印異常情況,直至檢測到所述中央處理器當前的資源占用率小于或等于所述預設占用率時,所述算法模型通過所述目標線程檢測所述當前3d打印設備是否存在打印異常情況。
14、通過采用該技術方案,能夠進一步減小模型推理所需資源,確保中央處理器的正常運行,從而提高了3d打印設備的穩定性。
15、本技術第二方面公開了一種3d打印設備的檢測系統,包括:中央處理器、拍攝模塊、預處理模塊以及數據傳輸模塊,其中,所述中央處理器包括用于數據推理的算法模型;所述拍攝模塊用于拍攝所述3d打印設備打印過程中的工作圖像;所述預處理模塊用于對所述工作圖像進行預處理,得到所述工作圖像中的感興趣區域,其中,所述感興趣區域包括所述3d打印設備的噴頭組件所在的區域和待打印物所在的區域;所述數據傳輸模塊用于將所述感興趣區域傳輸至所述算法模型;所述算法模型用于根據所述感興趣區域檢測所述當前3d打印設備是否存在打印異常情況,所述中央處理器還用于在當前3d打印設備存在打印異常情況時,停止對待打印物的打印;其中,所述算法模型通過對初始算法模型進行模型量化后再進行模型推理重構得到,所述模型量化用于將所述初始算法模型的模型精度轉化為能夠加速模型數據推理過程的預設模型精度,所述模型推理重構用于降低所述初始算法模型的空間占用大小。
16、本技術第三方面公開了一種電子設備,所述電子設備包括處理器和存儲器,所述存儲器用于存儲指令,所述處理器用于調用所述存儲器中的指令,使得所述電子設備執行上述的3d打印設備的檢測方法。
17、本技術第四方面公開了一種存儲介質,包括計算機指令,當所述計算機指令在電子設備上運行時,使得所述電子設備執行上述的3d打印設備的檢測方法。
18、可以理解地,上述提供的第二方面的檢測系統,第三方面的電子設備,第四方面的存儲介質均與上述第一方面的方法對應,因此,其所能達到的有益效果可參考上文所提供的對應的方法中的有益效果,此處不再贅述。