3D打印异常检测方法、装置、设备及存储介质与流程

3d打印异常检测方法、装置、设备及存储介质
技术领域
1.本发明涉及打印技术领域，尤其涉及一种3d打印异常检测方法、装置、设备及存储介质。


背景技术：

2.fdm(fused deposition modeling，工艺熔融沉积制造)3d打印机是通过高温将材料熔化流入精细的喷嘴，然后再根据导入的三维图纸自下而上逐层将需要的模型打印出来。光固化3d打印机是通过特定的光源透过投影屏将树脂材料逐层固化、自上而下将其需要打印的模型打印出来。
3.目前fmd或光固化3d打印机在打印过程中出现异常时，如打印模型错层、打印模型位置偏移、喷头未出料、出料但未粘附模型等，需要人工观察判断，若异常发生时无人值守，则会浪费用户的时间和材料，可见，这种人工观察的检测方式大大增加了人工成本。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供了一种3d打印异常检测方法、装置、设备及存储介质，旨在解决现有技术通过人工观察的方式检测3d打印过程中出现的异常，导致人工成本增加的技术问题。
6.为实现上述目的，本发明提供了一种3d打印异常检测方法，所述方法包括以下步骤：
7.通过设置在3d打印机预设位置处的图像传感器获取3d打印过程中的3d打印图像数据；
8.获取3d打印机型号信息，并根据所述3d打印机型号信息查找目标机器学习模型；
9.将所述3d打印图像数据输入至所述目标机器学习模型进行分析，获得分析结果；
10.基于所述分析结果进行异常检测，获得检测结果。
11.可选地，所述目标机器学习模型包括数据清洗模块、特征工程模块、特征缩放模块和状态预测模块，所述将所述3d打印图像数据输入至所述目标机器学习模型进行分析，获得分析结果的步骤，包括：
12.将所述3d打印图像数据输入至所述数据清洗模块进行数据清洗，获得待预测数据；
13.将所述待预测数据输入至所述特征工程模块进行向量化，获得特征向量；
14.将所述特征向量输入至所述特征缩放模块进行预处理，获得目标测试向量；
15.将所述目标测试向量输入至所述状态预测模块进行异常预测，并将预测结果作为分析结果。
16.可选地，所述将所述3d打印图像数据输入至所述数据清洗模块进行数据清洗，获
得待预测数据的步骤，包括：
17.将所述3d打印图像数据输入至所述数据清洗模块，以使所述数据清洗模块基于基准数据标准删除与所述3d打印图像数据中不符合所述基准数据标准的数据，获得待预测数据。
18.可选地，所述预处理包括归一化处理，所述将所述特征向量输入至所述特征缩放模块进行预处理，获得目标测试向量的步骤，包括：
19.在所述特征向量的数量低于预设数量阈值时，将所述特征向量输入至所述特征缩放模块进行归一化处理，获得预设量纲下的目标测试向量。
20.可选地，所述预处理包括标准化处理，所述将所述特征向量输入至所述特征缩放模块进行预处理，获得目标测试向量的步骤，包括：
21.在所述特征向量的数量达到预设数量阈值时，将所述特征向量输入至所述特征缩放模块进行标准化处理，获得预设限定区间下的目标测试向量。
22.可选地，所述基于所述分析结果进行异常检测，获得检测结果的步骤，包括：
23.读取所述分析结果中的异常数据占比；
24.在所述异常数据占比达到预设占比值时，判定3d打印过程中存在异常，并将所述判定结果作为检测结果。
25.可选地，所述通过设置在3d打印机预设位置处的图像传感器获取3d打印过程中的3d打印图像数据的步骤之前，还包括：
26.获取不同型号3d打印机的异常图像数据和标准图像数据；
27.根据所述异常图像数据和所述标准图像数据构建模型训练样本；
28.根据所述模型训练样本对初始机器学习模型进行迭代训练，获得预设机器学习模型，所述初始机器学习模型包括神经网络算法模型、引导聚集算法模型或随机森林算法模型；
29.将所述预设机器学习模型与对应的3d打印机型号信息进行关联。
30.此外，为实现上述目的，本发明还提出一种3d打印异常检测装置，所述装置包括：
31.图像获取单元，用于通过设置在3d打印机预设位置处的图像传感器获取3d打印过程中的3d打印图像数据；
32.机器学习模型查找单元，用于获取3d打印机型号信息，并根据所述3d打印机型号信息查找目标机器学习模型；
33.分析单元，用于将所述3d打印图像数据输入至所述目标机器学习模型进行分析，获得分析结果；
34.异常检测单元，用于基于所述分析结果进行异常检测，获得检测结果。
35.此外，为实现上述目的，本发明还提出一种3d打印异常检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的3d打印异常检测程序，所述3d打印异常检测程序配置为实现如上文所述的3d打印异常检测方法的步骤。
36.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有3d打印异常检测程序，所述3d打印异常检测程序被处理器执行时实现如上文所述的3d打印异常检测方法的步骤。
37.本发明通过设置在3d打印机预设位置处的图像传感器获取3d打印过程中的3d打
印图像数据，然后获取3d打印机型号信息，并根据3d打印机型号信息查找目标机器学习模型，再将3d打印图像数据输入至目标机器学习模型进行分析，获得分析结果，最后基于分析结果进行异常检测，获得检测结果。由于本发明是通过与3d打印机型号信息对应的目标机器学习模型来对3d打印过程中的3d打印图像数据进行异常检测，相较于现有技术通过人工观察来对3d打印过程中的异常进行检测的方式，本发明上述3d打印异常检测方法有效减少了人工成本。
附图说明
38.图1是本发明实施例方案涉及的硬件运行环境的3d打印异常检测设备的结构示意图；
39.图2为本发明3d打印异常检测方法第一实施例的流程示意图；
40.图3为机器学习模型运行于异常检测设备中的3d打印机主要组成部分示意图；
41.图4为机器学习模型运行于云服务器中的3d打印机的主要组成部分示意图；
42.图5为本发明3d打印异常检测方法第二实施例的流程示意图；
43.图6为本发明3d打印异常检测方法第三实施例的流程示意图；
44.图7为本发明3d打印异常检测装置第一实施例的结构框图。
45.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
46.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
47.参照图1，图1为本发明实施例方案涉及的硬件运行环境的3d打印异常检测设备结构示意图。
48.如图1所示，该3d打印异常检测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
49.本领域技术人员可以理解，图1中示出的结构并不构成对3d打印异常检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
50.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及3d打印异常检测程序。
51.在图1所示的3d打印异常检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明3d打印异常检测设备中的处理器1001、存储器1005可以设置在3d打印异常检测设备中，所述3d打印异常检测设备通过处理器1001调用存储器1005中存储的3d打印异常检测程序，并执行本发明实施例提供的3d打印异常检测方法。
52.本发明实施例提供了一种3d打印异常检测方法，参照图2，图2为本发明3d打印异常检测方法第一实施例的流程示意图。
53.本实施例中，所述3d打印异常检测方法包括以下步骤：
54.步骤s10：通过设置在3d打印机预设位置处的图像传感器获取3d打印过程中的3d打印图像数据。
55.需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，还可以是能够实现相同或相似功能的其他电子设备。此处以上述3d打印异常检测设备(简称检测设备)对本实施例和下述各实施例提供的3d打印异常检测方法进行具体说明。
56.可理解的是，本实施例涉及的3d打印机可为3d打印机，可以包括fmd3d打印机、lcd(liquid crystal display，液晶显示器)光固化3d打印机、sla(stereo lithography appearance，立体光固化成型法)光固化3d打印机以及dlp(digital light processing，数字光处理投影机)光固化3d打印机等。
57.可理解的是，图像传感器可用于获取3d打印过程中模型变化的图像或图形数据，如相机或摄像头，该图像传感器可以是1个或多个，可根据实际需求设置相应的数量。其中，图像传感器与检测设备之间可以通过mipi(mobile industry processor interface，移动产业处理器接口)、spi(serial processor interface，串行外设接口)、uart(universal asynchronous receiver/transmitter，通用异步收发传输器)等方式连接。该图形传感器还可辅以自带图形处理功能的模组，以提高图像数据获取的质量。
58.需要说明的是，预设位置可以是确保图形传感器能准确监测到3d打印机中3d打印模型的相应位置。
59.可理解的是，3d打印图像数据可以是3d打印过程中3d打印模型的图像数据，可被图像传感器所检测。
60.在具体实现中，检测设备可定时或实时获取在3d打印机预设位置处的图像传感器检测到的3d打印过程中模型变化的图像或图形数据。
61.步骤s20：获取3d打印机型号信息，并根据所述3d打印机型号信息查找目标机器学习模型。
62.需要说明的是，3d打印机型号信息可以是用于识别当前3d打印机的标识信息，如硬件识别号或版本号，每个3d打印机都有与之对应的型号信息以使用户或者机器进行识别。
63.可理解的是，目标机器学习模型可以是用于分析上述3d打印图像异常情况的模型。可以选取历史3d打印过程中所保存的大量异常图像和正常图像作为样本经过训练得到。因每个3d打印机型号所打印的模型会有所变化，因此每个3d打印机型号所对应的机器学习模型均会有所不同。在训练时，会先确定好3d打印机型号信息，再确定与3d打印机型号信息对应的机器学习模型，并将所有机器学习模型统一存储至检测设备中的主控上，也可以将所有机器学习模型统一存在至与检测设备相关联的云服务器上。
64.在具体实现中，检测设备可获取3d打印机型号信息，并根据该3d打印机型号信息从机器学习模型中查找与3d打印机型号信息所对应的目前机器学习模型。
65.需要说明的是，参照图3，图3为机器学习模型运行于异常检测设备中的3d打印机
主要组成部分示意图。
66.如图3所示，机器学习模型运行于检测设备中。相应地，3d打印机可包括上述机器学习模型、检测设备、摄像头以及3d打印机基本组件，其中，机器学习模型可嵌入检测设备中(具体可嵌入检测设备中的主控中)，检测设备分别与摄像头和3d打印机基本组件连接。
67.需要说明的是，3d打印机的基本组件可以是3d打印机在3d打印模型过程中所需的基本组件。
68.可理解的是，在fdm 3d打印机中，3d打印机的基本组件可以是喷头、热床、温度传感器、电机、挤出机、存储器。
69.在具体实现中，喷头可用于把材料融化为流体态，热床可用于3d打印底板的加热，以使3d打印物体能固定在底部上，温度传感器可用于检测喷头的温度；电机可用于控制3d打印机的x，y，z轴运动，挤出机可用于把材料送入喷头组件中，存储器可用于存储软件固件、切片文件、图像和图形文件等，存储器类型包括存储卡、emmc(embedded multi media card，嵌入式多媒体卡)、非易失性存储器等。
70.可理解的是，在光固化3d打印机中，3d打印机的基本组件可以是光源、电机、图像投射器件、存储器、限位开关、料槽。
71.在具体实现中，光源可通过光固化材料成型，包括uv、激光等光源，电机可用于控制z轴运动，图像投射器件可用于投射3d打印模型的图像，该器件包括lcd、dlp等，存储器可用于存储软件固件、切片文件、图像和图形文件等，存储器类型包括存储卡、emmc、非易失性存储器等，限位开关可用于z轴运动的最大限位和归零点，料槽可用于放置光固化3d打印机的材料。
72.需要说明的是，基于图3的3d打印机，提出如图4所示的机器学习模型运行于云服务器中的3d打印机的主要组成部分示意图。
73.如图4所示，机器学习模型运行于云服务器中。相应地，3d打印机可包括上述机器学习模型、检测设备、摄像头、3d打印机基本组件以及网络通信模块，云服务器可包括机器学习模型和网络通信模块。其中，机器学习模型存储与云服务器中，检测设备分别与摄像头和3d打印机基本组件连接，云服务器与检测设备通过网络通信模块连接，且云服务器还与客户端连接。
74.在具体实现中，3d打印机基本组件的功能与上述组件功能一致，不再阐述，网络通信模块可以是wifi、以太网、4g以及5g等其他方式，客户端可用于控制3d打印机，以及接收3d打印机状态，包括移动终端或pc。
75.应理解的是，机器学习模型运行于云服务器中的fdm 3d打印机和光固化3d打印机的原理与上述类似。
76.步骤s30：将所述3d打印图像数据输入至所述目标机器学习模型进行分析，获得分析结果。
77.在具体实现中，检测设备定时或实时获取图像传感器检测到的图像或图形数据，并输入至所示目标机器学习模型中，以使目标机器学习模型基于正常图形数据对检测到的图形或图形数据进行分析，在检测到的图像数据与目标机器学习模型中的正常3d打印模型的图像数据不一致时，即可判定为异常，由此获得异常数据和正常数据的占比，并将该占比作为分析结果。
78.步骤s40：基于所述分析结果进行异常检测，获得检测结果。
79.在具体实现中，检测设备可对分析结果中的异常数据与正常数据进行的占比，在异常数据的占比大于正常数据的占比时，可判定3d打印过程存在异常，反之，则可判定3d打印过程正常。
80.进一步地，为了提高检测的效率，本实施例中，步骤s40可包括：
81.步骤s401：读取所述分析结果中的异常数据占比。
82.需要说明的是，异常数据占比可为异常数据占总数据的百分比，也可为异常数据与正常数据的比值。
83.步骤s402：在所述异常数据占比达到预设占比值时，判定3d打印过程中存在异常，并将所述判定结果作为检测结果。
84.需要说明的是，异常可以是3d打印模型错层、3d打印模型位置偏移、喷头未出料以及出料但未粘附模型等。
85.可理解的是，预设占比值可以是异常数据高于正常数据时的比值，若占比值以异常数据占总数据的比值为例，则该比值为50％时可认为异常数据与正常数据相等，高与50％时，可认定异常数据占比较多。
86.在具体实现中，预设占比值可以设置为高于50％的数值，在异常数据占比高于预设占比值时，判定3d打印过程存在异常，检测设备可进行3d打印机暂停、停止或重新3d打印等预设操作，并将该判定结果作为检测结果反馈给客户端和3d打印机。
87.应理解的是，检测设备通过读取分析结果中的异常数据占比，并将该异常数据占比与预设占比值进行异常判定，可快速生成检测结果，有效提高了检测效率。
88.本实施例通过设置在3d打印机预设位置处的图像传感器获取3d打印过程中的3d打印图像数据，然后获取3d打印机型号信息，并根据3d打印机型号信息查找目标机器学习模型，再将3d打印图像数据输入至目标机器学习模型进行分析，获得分析结果，最后基于分析结果进行异常检测，获得检测结果。由于本实施例是通过与3d打印机型号信息对应的目标机器学习模型来对3d打印过程中的3d打印图像数据进行异常检测，相较于现有技术通过人工观察来对3d打印过程中的异常进行检测的方式，本实施例上述3d打印异常检测方法有效减少了人工成本。
89.参考图5，图5为本发明3d打印异常检测方法第二实施例的流程示意图。
90.基于上述第一实施例，为了提高3d打印异常检测分析结果的质量，在本实施例中，所述步骤s30包括：
91.步骤s301：将所述3d打印图像数据输入至所述数据清洗模块进行数据清洗，获得待预测数据。
92.需要说明的是，目标机器学习模型包括数据清洗模块、特征工程模块、特征缩放模块和状态预测模块。
93.可理解的是，数据清洗模块可用于对接收到的3d打印图像数据进行重新审查和校验，以删除重复信息、纠正存在的错误，并提供数据一致性。
94.在具体实现中，将3d打印图像数据输入至数据清洗模块，以使数据清洗模块对数据的格式、重复数据、不合理数据或矛盾内容等有明显错误的数据进行去除，以提高图像的质量。
95.应理解的是，待预测数据可为经过了上述数据清洗过程的高质量3d打印图像数据。
96.进一步地，为了提高数据清洗的效果，本实施例中，步骤s301可包括：
97.步骤s3011：将所述3d打印图像数据输入至所述数据清洗模块，以使所述数据清洗模块基于基准数据标准删除与所述3d打印图像数据中不符合所述基准数据标准的数据，获得待预测数据。
98.需要说明的是，基准数据标准可为没有明显错误的3d打印图像数据对应的标准，可预先通过正常图像数据所确定。
99.在具体实现中，检测设备将3d打印图像数据输入至目标机器学习模型中的数据清洗模块后，数据清洗模块可根据基准数据标准对3d打印图像数据进行处理，删除与基准数据标准不符合的数据，以获得质量较高的图像数据作为预测数据。由于检测设备通过基准数据标准来提高3d打印图像数据的质量，能有效提高数据清洗的效果。
100.步骤s302：将所述待预测数据输入至所述特征工程模块进行向量化，获得特征向量。
101.需要说明的是，特征工程模块可用于对待预测数据进行交换，以使该待预测数据能够被特征工程模块所识别。
102.在具体实现中，检测设备将待预测数据输入至特征工程模块，以使特征工程模块对待预测数据进行数据交换，生成向量化的数据，并将该向量化的数据作为特征向量反馈给检测设备。
103.步骤s303：将所述特征向量输入至所述特征缩放模块进行预处理，获得目标测试向量。
104.需要说明的是，特征缩放模块可用于对特征向量进行缩放，以避免特征向量不完整或不一致导致该特征向量无法直接被目标机器学习模型所使用的问题，相应地，预处理可为上述缩放处理。
105.在具体实现中，检测设备将特征向量输入至目标机器学习模型中的特征缩放模块，以使特征缩放模块对特征向量进行缩放，获得能被目标机器学习模型直接使用的目标测试向量。
106.进一步地，为了提高缩放的效果，本实施例中，步骤s303可包括：
107.步骤s3031：在所述特征向量的数量低于预设数量阈值时，将所述特征向量输入至所述特征缩放模块进行归一化处理，获得预设量纲下的目标测试向量。
108.需要说明的是，预设数量阈值可用于判定特征向量的数量的多少的标准，即，高于该阈值可判定特征向量数量偏多，低于该阈值可判定特征向量数量偏低。相应地，在特征向量的数量偏低时，可选用归一化的方式进行特征缩放，以提高缩放的效果。
109.可理解的是，归一化可以是将特征向量缩放到[0，1]的区间内，把有单位的数据转化为没有单位的数据的一种处理方式，归一化的方式包括min max scaler、函数转换以及反余切转换等。
[0110]
需要说明的是，预设量纲可以是上述统一数据衡量标准对应的量纲，可预先设置在特征缩放模块中。
[0111]
可理解的是，在特征向量较少时，通过统一数据的衡量标准，消除单位的影响，使
特征缩放模块对特征向量的处理更加快速敏捷。
[0112]
应理解的是，目标测试向量可为上述经过归一化的用于进行下一步处理的特征向量。
[0113]
步骤s3032：在所述特征向量的数量达到预设数量阈值时，将所述特征向量输入至所述特征缩放模块进行标准化处理，获得预设限定区间下的目标测试向量。
[0114]
需要说明的是，在特征向量的数量偏高时，可选用标准化的方式进行特征缩放，以提高缩放的效果。
[0115]
可理解的是，标准化可以是在不改变原特征向量分布的前提下，将特征向量按比例缩放，使特征向量落入一个限定的区间的处理方式，标准化的方式包括z-score标准化或standardscaler标准化等。
[0116]
需要说明的是，预设限定区间可为上述限定的区间，可基于标准图像数据预先设置在特征缩放模块中。
[0117]
可理解的是，在特征向量较多时，采用归一化的方式会显得繁琐，而采用标准化也能起到统一量纲的作用，同时标准化的特征向量具有可比性，便于下一步的数据处理。
[0118]
应理解的是，目标测试向量可为上述经过标准化的用于进行下一步处理的特征向量。
[0119]
需要说明的是，特征缩放模块根据特征向量的数量合理选用归一化和标准化的处理方式，有效提高了缩放的效果。
[0120]
步骤s304：将所述目标测试向量输入至所述状态预测模块进行异常预测，并将预测结果作为分析结果。
[0121]
需要说明的是，状态预测模块可为用于对上述目标测试向量进行异常预测的模块。
[0122]
在具体实现中，检测设备将上述目标测试向量输入至目标机器学习模型的状态预测模块，以使状态预测模块基于正常图像数据对应的标准向量对目标测试向量进行判断，在目标测试向量中的数据与标准向量不一致时，可判定该数据为异常数据，并标记，反之，正常数据则不标记，生成被标记的异常数据与总数据的占比，并将该占比作为分析结果。
[0123]
本实施例通过将所述3d打印图像数据输入至所述数据清洗模块进行数据清洗，获得待预测数据，然后将所述待预测数据输入至所述特征工程模块进行向量化，获得特征向量，再将所述特征向量输入至所述特征缩放模块进行预处理，获得目标测试向量，最终将所述目标测试向量输入至所述状态预测模块进行异常预测，并将预测结果作为分析结果。由于本实施例通过目标机器学习模型中的数据清洗模块、特征工程模块、特征缩放模块和状态预测模块来获得分析结果，有效提高了3d打印异常检测分析结果的质量。
[0124]
参考图6，图6为本发明3d打印异常检测方法第三实施例的流程示意图。
[0125]
基于上述各实施例，在本实施例中，为了使不同型号的3d打印机均能实现异常检测，提高异常检测的全面性，所述步骤s10之前，所述方法还包括：
[0126]
步骤s01：获取不同型号3d打印机的异常图像数据和标准图像数据。
[0127]
需要说明的是，不同型号的3d打印机由于其自身的参数不同所3d打印的模型也会存在差别，因此，需要获得不同型号3d打印机在3d打印过程中的异常图像数据和标准图像数据。
[0128]
可理解的是，异常图像数据和标准图像数据均可由3d打印机在3d打印完成后通过图像传感器获取并存储在检测设备中，在需要使用时，可随时调用。
[0129]
步骤s02：根据所述异常图像数据和所述标准图像数据构建模型训练样本。
[0130]
需要说明的是，模型训练样本可由大量的上述异常图像数据和标准图像数据来构建，以提高样本数据的全面型。
[0131]
可理解的是，可按上述实施例所提及的数据清洗模块、特征工程模块、特征缩放模块和状态预测模块对应的方法来对上述模型训练样本进行处理，以提高样本数据的质量。
[0132]
步骤s03：根据所述模型训练样本对初始机器学习模型进行迭代训练，获得预设机器学习模型，所述初始机器学习模型包括神经网络算法模型、引导聚集算法模型或随机森林算法模型。
[0133]
需要说明的是，初始机器学习模型可以是具备学习算法的模型，该算法可用于异常状态，如神经网络算法、引导聚集算法或随机森林算法等。
[0134]
可理解的是，预设机器学习模型可为经过上述初始机器学习模型的算法对模型训练样本中的数据进行处理后所生成的模型。
[0135]
在具体实现中，检测设备可按一定比例(如2：1：1)将上述模型训练样本中的数据划分为训练集数据、测试集数据和验证集数据，根据训练集数据对初始机器学习模型进行迭代训练，根据验证集数据验证模型的泛化能力(好坏能力)，再根据测试集数据测试模型的异常状态预测能力，通过测试集数据可生成异常状态百分比，在该异常状态百分比达到预设期望值时，可判定模型训练完成，确定此时的模型作为预设机器学习模型。
[0136]
步骤s04：将所述预设机器学习模型与对应的3d打印机型号信息进行关联。
[0137]
需要说明的是，3d打印机型号信息可为与3d打印机型号对应的信息，该3d打印型号信息可包括3d打印技术原理(如fdm)、打印尺寸、图像传感器位置、3d打印方向以及3d打印平台等。
[0138]
在具体实现中，通过将预设机器信息模型与其对应的3d打印机型号信息相互关联，即可得到各3d打印机型号下的机器信息模型，并存储至检测设备或云服务器中。
[0139]
本实施例通过获取不同型号3d打印机的异常图像数据和标准图像数据作为模型训练样本，并根据模型训练样本对初始机器信息模型进行迭代训练得到预设机器信息模型，再与3d打印机型号信息进行关联，从而使不同型号的3d打印机均能实现异常检测，提高异常检测的全面性。
[0140]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有3d打印异常检测程序，所述3d打印异常检测程序被处理器执行时实现如上文所述的3d打印异常检测方法的步骤。
[0141]
参照图7，图7为本发明3d打印异常检测装置第一实施例的结构框图。
[0142]
如图7所示，本发明实施例提出的3d打印异常检测装置包括：
[0143]
图像获取单元501，用于通过设置在3d打印机预设位置处的图像传感器获取3d打印过程中的3d打印图像数据；
[0144]
机器学习模型查找单元502，用于获取3d打印机型号信息，并根据所述3d打印机型号信息查找目标机器学习模型；
[0145]
分析单元503，用于将所述3d打印图像数据输入至所述目标机器学习模型进行分
析，获得分析结果；
[0146]
异常检测单元504，用于基于所述分析结果进行异常检测，获得检测结果。
[0147]
本实施例通过设置在3d打印机预设位置处的图像传感器获取3d打印过程中的3d打印图像数据，然后获取3d打印机型号信息，并根据3d打印机型号信息查找目标机器学习模型，再将3d打印图像数据输入至目标机器学习模型进行分析，获得分析结果，最后基于分析结果进行异常检测，获得检测结果。由于本实施例是通过与3d打印机型号信息对应的目标机器学习模型来对3d打印过程中的3d打印图像数据进行异常检测，相较于现有技术通过人工观察来对3d打印过程中的异常进行检测的方式，本实施例通过上述3d打印异常检测装置有效减少了人工成本。
[0148]
本发明3d打印异常检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
[0149]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0150]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0151]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0152]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。