用于增材制造中人工智能过程控制的系统、方法以及介质与流程

技术特征：
1.一种增材制造系统，包括：打印头，被配置为逐层打印物体；图像传感器，配置为捕获所述物体的打印层的图像；以及至少一个硬件处理器，配置为：接收所捕获的图像；对所捕获的图像采样以生成所捕获的图像的低分辨率版本；将训练过的故障分类器应用于所捕获的图像的低分辨率版本；基于从所述故障分类器获得的分类，确定所述物体的打印层中不存在不可恢复的故障；响应于确定所述打印层中不存在不可恢复的故障，生成所捕获的图像的低分辨率版本的裁剪版本；将训练过的二进制误差分类器应用于所捕获的图像的低分辨率版本的裁剪版本；基于从所述二进制误差分类器获得的分类，确定所述物体的打印层中存在误差；响应于确定所述物体的打印层中存在所述误差，将训练过的挤压分类器应用于所捕获的图像，其中，所述训练过的挤压分类器生成挤压质量分数，所述挤压质量分数指示所述物体的打印层中材料的挤压质量；以及基于所述挤压质量分数调整所述打印头的参数的值以打印所打印的物体的后续层。2.根据权利要求1所述的增材制造系统，其中，通过识别包括表示所述挤压质量分数的网格模式的感兴趣区域来生成所捕获的图像的低分辨率版本的裁剪版本。3.根据权利要求1所述的增材制造系统，其中，所述硬件处理器还被配置为：接收所打印的物体的后续层的第二捕获图像；对所述第二捕获图像采样以生成所述第二捕获图像的低分辨率版本；将所述训练的故障分类器应用于所述第二捕获图像的所述低分辨率版本；基于从所述故障分类器获得的第二分类，确定所述物体的后续层中存在不可恢复的故障；以及响应于确定在所述后续层中存在不可恢复的故障，终止所述物体的打印。4.根据权利要求1所述的增材制造系统，其中，所述故障分类器包括卷积神经网络(convolutional neural network,cnn)。5.根据权利要求1所述的增材制造系统，其中，所述挤压分类器包括多个cnn。6.根据权利要求1所述的增材制造系统，其中，所述打印头的参数是挤出体积。7.一种用于增材制造系统的方法，包括：接收捕获图像；对所述捕获图像采样以生成所述捕获图像的低分辨率版本；将训练过的故障分类器应用于所述捕获图像的低分辨率版本；基于从所述故障分类器获得的分类，确定所述物体的打印层中不存在不可恢复的故障；响应于确定所述打印层中不存在不可恢复的故障，生成所述捕获图像的低分辨率版本的裁剪版本；将训练过的二进制误差分类器应用于所述捕获图像的低分辨率版本的裁剪版本；
基于从所述二进制误差分类器获得的分类，确定所述物体的打印层中存在误差；响应于确定所述物体的打印层中存在所述误差，将训练过的挤压分类器应用于所述捕获图像，其中，所述训练过的挤压分类器生成挤压质量分数，所述挤压质量分数指示所述物体的打印层中材料的挤压质量；以及基于所述挤压质量分数调整所述打印头的参数的值以打印所述打印的物体的后续层。8.根据权利要求7所述的方法，其中，通过识别包括表示所述挤压质量分数的网格模式的感兴趣区域生成所述捕获图像的低分辨率版本的裁剪版本。9.根据权利要求7所述的方法，还包括：接收所打印的物体的后续层的第二捕获图像；对所述第二捕获图像采样以生成所述第二捕获图像的低分辨率版本；将所述训练过的故障分类器应用于所述第二捕获图像的低分辨率版本；基于从所述故障分类器获得的第二分类，确定在所述物体的后续层中存在不可恢复的故障；并且响应于确定在所述后续层中存在不可恢复的故障，终止所述物体的打印。10.根据权利要求7所述的方法，其中，所述故障分类器包括卷积神经网络(convolutionalneural network,cnn)。11.根据权利要求7所述的方法，其中，所述挤压分类器包括多个cnn。12.根据权利要求7所述的方法，其中，所述打印头的参数是挤出体积。13.一种包含计算机可执行指令的非暂时性计算机可读介质，当由处理器执行时，所述指令使所述处理器执行一种用于增材制造的方法，所述方法包括：接收捕获图像；对所述捕获图像采样以生成所述捕获图像的低分辨率版本；将训练过的故障分类器应用于所述捕获图像的低分辨率版本；基于从所述故障分类器获得的分类，确定所述物体的打印层中不存在不可恢复的故障；响应于确定所述打印层中不存在不可恢复的故障，生成所述捕获图像的低分辨率版本的裁剪版本；将训练过的二进制误差分类器应用于所述捕获图像的低分辨率版本的裁剪版本；基于从所述二进制误差分类器获得的分类，确定所述物体的打印层中存在误差；响应于确定所述物体的打印层中存在所述误差，将训练过的挤压分类器应用于所述捕获图像，其中，所述训练过的挤压分类器生成挤压质量分数，所述挤压质量分数指示所述物体的打印层中材料的挤压质量；以及基于所述挤压质量分数调整所述打印头的参数的值以打印所打印的物体的后续层。14.根据权利要求13所述的非暂时性计算机可读介质，其中，通过识别包括表示所述挤压质量分数的网格模式的感兴趣区域生成所述捕获图像的低分辨率版本的裁剪版本。15.根据权利要求13所述的非暂时性计算机可读介质，其中，所述方法还包括：接收所打印的物体的后续层的第二捕获图像；对所述第二捕获图像采样以生成所述第二捕获图像的低分辨率版本；将所述训练过的故障分类器应用于所述第二捕获图像的低分辨率版本；
基于从所述故障分类器获得的第二分类，确定在所述物体的后续层中存在不可恢复的故障；以及响应于确定在所述后续层中存在不可恢复的故障，终止所述物体的打印。16.根据权利要求13所述的非暂时性计算机可读介质，其中，所述故障分类器包括卷积神经网络(convolutional neural network,cnn)。17.根据权利要求13所述的非暂时性计算机可读介质，其中，所述挤压分类器包括多个cnn。18.根据权利要求13所述的非暂时性计算机可读介质，其中，所述打印头的参数是挤出体积。

技术总结
本发明提供了用于增材制造的系统、方法以及介质。在一些实施例中，增材制造系统包括：硬件处理器，其被配置为：接收捕获的图像；将训练的故障分类器应用于捕获的图像的低分辨率版本；确定物体的打印层中不存在不可恢复的故障；生成捕获的图像的低分辨率版本的裁剪版本；将训练的二进制误差分类器应用于捕获的图像的低分辨率版本的裁剪版本；确定物体的打印层中存在误差；将训练的挤压分类器应用于捕获的图像，其中，训练的挤压分类器产生挤压质量分数；以及基于挤压质量分数调整打印头的参数的值以打印被打印物体的后续层。的值以打印被打印物体的后续层。的值以打印被打印物体的后续层。


技术研发人员：瓦迪姆
受保护的技术使用者：纳米电子成像有限公司
技术研发日：2020.04.20
技术公布日：2021/11/29