本发明涉及3d打印，具体为基于深度视觉传感的高精度3d打印方法。
背景技术：
1、随着科技的进步，3d打印技术已在全球范围内得到广泛应用，为众多领域如工程、医疗、航空航天等提供了极大的便利。然而，尽管这项技术具有显著的优势，但在实际应用中仍存在一些亟待解决的问题。
2、在传统3d打印技术中，多种外部因素如材料的性质、环境温度和打印速度等均可能对打印结果的精准性产生影响，使得最终打印出的物体形状与设计预期存在差异。以abs(丙烯腈-丁二烯-苯乙烯共聚物)这种在3d打印领域广泛应用的材料为例，其物理性质易受环境温度的影响。在高温环境下，abs材料的粘度显著降低，流动性随之增强。这种变化可能导致在3d打印过程中材料的过度流淌，从而使得最终打印出的物体尺寸大于设计预期。相反，在环境温度较低的情况下，abs的粘度会增加，流动性减弱，可能导致材料无法充分流淌到预定位置，从而使得打印物体的尺寸偏小。
3、如果在打印过程中出现长时间的形状失真，会导致打印的产物与预期的产品相差甚远，往往需要重新打印，这不仅浪费了已经使用的原材料，还增加了打印时间的成本。同时，频繁的重新打印也大大降低了打印效率，并影响最终产品的质量。为此，我们提出基于深度视觉传感的高精度3d打印方法。
技术实现思路
1、本发明的目的在于提供基于深度视觉传感的高精度3d打印方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：基于深度视觉传感的高精度3d打印方法，所述方法的具体步骤包括：
3、s1、分类与图像集创建步骤，将打印物体的失真程度划分为无失真、轻度失真和重度失真三类，按比例绘制物体的基准三维图像，并模拟绘制物体形状在轻度失真和重度失真状态下的三维图像，收集所有绘制的图像以形成图像数据集；
4、s2、图像识别模型训练步骤，使用步骤s1收集的图像数据集训练一个图像识别模型，该模型能够实时判断3d打印过程中物体的形状失真情况，训练图像识别模型的步骤进一步包括：
5、s201、标注步骤，为图像数据集中的每张图像标注对应失真程度的标签，并对标注的标签进行独热编码；
6、s202、数据集分割步骤，将标注后的图像数据集分割为训练集、验证集和测试集；
7、s203、模型构建与训练步骤，采用卷积神经网络模型来构建图像识别模型，并利用训练集对模型进行训练；
8、s204、验证与优化步骤，在验证集上评估图像识别模型的性能，通过调整模型参数并记录每组参数的性能指标，对比并选择出性能最优的参数组合；
9、s205、测试与确认步骤，在测试集上评估选定参数后的模型性能，以确保图像识别模型的性能满足生产应用的要求；
10、s3、图像采集步骤，使用深度相机在3d打印过程中每隔一定时间采集物体的三维图像，获得待检测图像；
11、s4、图像预处理步骤，对待检测图像进行预处理，包括填补图像空洞、去除噪声和灰度化处理；
12、s5、失真程度判断步骤，将预处理后的待检测图像输入到图像识别模型中，根据模型的输出确定图像的失真程度；
13、s6、参数调整步骤，根据步骤s5判断的待检测图像的失真程度，对3d打印机的运行参数进行相应的调整。
14、优选的，步骤s3中采集物体三维图像的具体步骤为：
15、i)参考3d打印物体的位置对深度相机进行标定，获取相机的内外参数，并根据标定结果对原始图像进行校正，使得校正后的图像位于同一平面且平行，以确保深度测量的准确性；
16、ii)在3d打印过程中每隔一定时间触发相机进行图像采集；
17、iii)利用深度测量算法，根据采集的图像计算每个像素的深度值，生成深度图；
18、iv)利用三维重建算法将深度图转换为三维模型，获取物体的三维图像。
19、优选的，步骤s203中构建卷积神经网络模型的具体步骤为：
20、步骤ⅰ、创建一个输入层，该输入层用于接收三维图像数据，所述数据包含三维图像的深度、高度、宽度和通道数；
21、步骤ⅱ、导入深度学习框架tensorflow，并利用tensorflow的高阶神经网络库keras来初始化一个序贯模型对象；
22、步骤ⅲ、在所述序贯模型对象中依次添加多个3d卷积层和对应的池化层，其中，3d卷积层使用3d卷积核对输入的三维图像进行卷积操作以提取图像特征，池化层用于减小特征图的空间尺寸和参数数量；
23、步骤ⅳ、在序贯模型对象中加入一个展平层，用于将池化层输出的多维图像特征转换为一维特征向量；
24、步骤ⅴ、在序贯模型对象中增设全连接层，通过全连接层实现图像特征与神经网络节点的非线性映射；
25、步骤ⅵ、在序贯模型对象中添加一个分类输出层，该层利用softmax激活函数对输出结果进行分类；
26、步骤ⅶ、在序贯模型对象中设定模型训练的损失函数、参数优化器以及性能评估指标；
27、步骤viii、使用序贯模型对象加载步骤s202中预先分割的训练集，并启动模型训练过程。
28、优选的，在对待检测图像的预处理中，使用阈值法检测图像空洞，并采用最近邻插值的方式填补空洞。
29、优选的，在对待检测图像的预处理中，使用高斯滤波法去除图像中的噪点，通过三维高斯核的卷积和三维高斯函数的计算获取去噪后的图像，三维高斯函数如下：
30、
31、其中，x、y、z表示三维图像每个体素在三维空间中的坐标，g(x,y,z)表示体素经过三维高斯函数计算后获得的坐标，σ是三维高斯函数的标准差，e是自然对数的底数，π是圆周率。
32、优选的，在对待检测图像的预处理中，使用加权平均法将图像转换为灰度图像。
33、优选的，评估图像识别模型的性能指标包括图像分类结果的准确率、召回率和f1-score值。
34、优选的，基于图像识别模型输出的失真程度，调整的3d打印机的运行参数，所述运行参数包括打印速度、打印温度、材料流量和打印层高。
35、与现有技术相比，本发明的有益效果是：
36、本发明通过深度相机实时采集打印物体的三维图像，并利用图像识别模型准确识别形状失真程度，及时调整打印参数，显著提高了3d打印的精度和质量。通过实时监控打印过程中的形状失真，实现了对打印过程的精细控制，减少了废品率，同时对于打印过程中出现重度失真的情况，可以及时终止打印，避免材料的浪费和减少无效的时间成本。
1.基于深度视觉传感的高精度3d打印方法，其特征在于，所述方法的具体步骤包括：
2.根据权利要求1所述的基于深度视觉传感的高精度3d打印方法，其特征在于，步骤s3中采集物体三维图像的具体步骤为：
3.根据权利要求2所述的基于深度视觉传感的高精度3d打印方法，其特征在于，步骤s203中构建卷积神经网络模型的具体步骤为：
4.根据权利要求3所述的基于深度视觉传感的高精度3d打印方法，其特征在于：在对待检测图像的预处理中，使用阈值法检测图像空洞，并采用最近邻插值的方式填补空洞。
5.根据权利要求4所述的基于深度视觉传感的高精度3d打印方法，其特征在于：
6.根据权利要求5所述的基于深度视觉传感的高精度3d打印方法，其特征在于：在对待检测图像的预处理中，使用加权平均法将图像转换为灰度图像。
7.根据权利要求6所述的基于深度视觉传感的高精度3d打印方法，其特征在于：评估图像识别模型的性能指标包括图像分类结果的准确率、召回率和f1-score值。
8.根据权利要求7所述的基于深度视觉传感的高精度3d打印方法，其特征在于：基于图像识别模型输出的失真程度，调整的3d打印机的运行参数，所述运行参数包括打印速度、打印温度、材料流量和打印层高。
