一种用于电弧增材制造管-管相贯区域的打印方法及系统与流程

1.本发明涉及增材制造技术领域，尤其是涉及一种用于电弧增材制造管-管相贯区域的打印方法及系统。

背景技术：

2.多向钢节点一般是由多个不同朝向、不同尺寸、不同厚度的圆管件或者箱型件构成，管件与管件之间以相交相贯的形式相连接，可用于承担来自不同方向的力，并改变结构中力的承载方向。多向钢节点一般位于钢结构中的关键部分，为现代大型复杂钢结构中的关键构件。由于不同建筑中的多向钢节点往往采用不同的设计，属于个性化产品，采用传统的铸造方法费事费力、废品率高且成本高昂，因此，电弧增材制造技术成为目前多向钢节点主要制造手段之一。
3.但是，多向钢节点中包含有许多管-管相贯区域，这种管-管相贯的空间曲面结构不同于一般平面结构，很难用常规的平面切片或者打印策略进行成型。因此，对于相贯区域，目前的普遍做法是采用人工插点将相贯区域焊接成平面后再采用常规的平面切片的方式进行打印。但对于不同零件而言，人工插点的方式不具备可重复性，且插点后打印制件的水平受操作人员影响大，打印质量也难以控制。

技术实现要素：

4.本发明的目的就是针对上述情况，提供一种用于电弧增材制造管-管相贯区域的打印方法及系统，本发明通过密度聚类算法实现了相似形状特征的归类，实现了相似形状特征打印策略的复用。
5.本发明的具体方案是：一种用于电弧增材制造管-管相贯区域的打印方法，该方法包括：
6.获取待处理的打印零件数模；
7.处理所述打印零件数模，确定管件直径以及对应的管件中轴线位置；
8.基于所述中轴线位置和所述管件直径确定管件是否相贯，并确定所述相贯管件中轴线之间的第一空间角、第二空间角和第三空间角；
9.基于所述第一空间角、第二空间角，获取到机器人位姿；
10.确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征；
11.基于所述形状特征获取对应的打印策略，基于所述打印策略以及所述机器人位姿实现管-管相贯区域的自动化打印。
12.进一步的，本发明中确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征，进一步包括：基于多步卷积神经网络处理所述打印零件数模以获取所述管-管相贯区域的形状特征；
13.其中，所述多步卷积神经网络由三部分组成，所述多步卷积神经网络的第一部分将待处理的打印零件数模转化为中轴线对应的矩阵信息，并基于中轴线信息输出相贯的
中轴线组合；所述多步卷积神经网络的第二部分基于所述相贯中轴线组合以及所获得的中轴线矩阵信息生成对应的管-管相贯区域形状；所述多步卷积神经网络的第三部分基于所生成的管-管相贯区域形状生成对应的形状特征。
14.进一步的，本发明中所述多步卷积神经网络基于如下步骤进行训练：
15.获取卷积神经网络的初始模型；所述卷积神经网络的初始模型包括第一部分、第二部分和第三部分，其中，所述初始模型的第一部分至少若干卷积层，所述初始模型的第二部分至少包括若干卷积层和一个全连接层；所述初始模型的第三部分至少包括若干卷积层和一个全连接层；
16.获取第一训练样本集和第二训练样本集，所述第一训练样本集中包括多张具有相贯区域形状标签的零件数模样本，所述第二训练样本集中包括多张具有形状特征标签的相贯区域形状样本；
17.基于所述第一训练样本集进行所述初始模型第一部分、第二部分的多轮训练，获得预训练好的初始模型第一、第二部分；
18.基于所述第二训练样本集进行所述初始模型的第三部分的训练，获得预训练好的初始模型第三部分；
19.获取联合训练样本集，所述联合训练样本集包括多个具有形状特征标签的零件数模样本；
20.基于所述联合训练样本集对预训练好的初始模型的第一、第二、第三部分进行联合训练，得到训练好的多步卷积神经网络模型。
21.进一步的，本发明中获取到所述管-管相贯区域的形状对应的形状特征，进一步包括：
22.通过待处理的打印零件数模中的建模信息获取相贯区域形状；
23.基于卷积神经网络的第三部分获取到所述管-管相贯区域的形状对应的形状特征。
24.进一步的，本发明中基于所述形状特征确定对应的打印策略，进一步包括：
25.将多个历史形状特征进行聚类，得到多个特征聚类簇；
26.确定特征聚类簇的相关参数，并确定所述特征聚类簇的聚类簇中心；
27.基于所述聚类簇中心对应的特征矩阵确定标准打印策略，所述标准打印策略表示该聚类簇对应的打印策略，包括切片形式以及打印层设计次序；
28.基于当前形状特征对应的所属聚类簇，基于所属聚类簇对应的标准打印策略确定所述当前形状特征对应的打印策略。
29.进一步的，本发明中处理所述打印零件数模，确定所述管-管相贯区域对应的管件直径以及对应的管件中轴线位置，进一步包括：
30.基于所述待处理的打印零件数模中的建模信息，获取到所述管件直径以及所述管件中轴线位置。
31.进一步的，本发明中处理所述打印零件数模，确定所述管-管相贯区域对应的管件直径以及对应的管件中轴线位置，进一步包括：
32.基于图像处理算法获得所述管件直径以及所述管件中轴线位置；
33.其中，所述图像处理算法包括灰度处理、二值化运算以及中心线提取算法，所述
灰度处理、二值化运算可以得到管件的外形面，所述中心线提取算法可以基于所述管件的外形面拟合出圆形轮廓面，基于所述圆形轮廓面提取得到管件中轴线以及对应的管件直径。
34.一种用于电弧增材制造管-管相贯区域的打印系统，所述系统包括：
35.打印零件数模获取模块，用于获取待处理的打印零件数模；
36.打印零件数模处理模块，用于处理所述打印零件数模，确定管件直径以及对应的管件中轴线位置；
37.空间角获取模块，用于基于所述中轴线位置和所述管件直径确定管件是否相贯，并确定所述相贯管件中轴线之间的第一空间角、第二空间角和第三空间角；
38.机器人位姿获取模块，用于基于所述第一空间角、第二空间角，获取到机器人位姿；
39.形状特征提取模块，用于确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征；
40.打印策略获取模块，用于基于所述形状特征获取对应的打印策略，基于所述打印策略以及所述机器人位姿实现管-管相贯区域的自动化打印。
41.一种用于电弧增材制造管-管相贯区域的打印系统，该系统包括处理器，所述处理器用于执行权利要求1-7中所述任意一种用于电弧增材制造管-管相贯区域的打印方法。
42.本发明所带来的有益效果包括但不限于：
43.1.基于多步卷积神经网络直接从零件数模获取到管-管相贯区域的形状特征表达，使得形状特征的提取更加方便；
44.2.采用多步卷积神经网络的方式，不同卷积层的训练过程可以多线程并行训练，训练过程也可以在不同的主机端进行，大大降低了训练过程所需的时间，并大大降低了训练过程所需的硬件成本；
45.3.通过密度聚类算法实现了相似形状特征的归类，实现了相似形状特征打印策略的复用。
附图说明
46.说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
47.图1是本发明的一个示例性的用于电弧增材制造管-管相贯区域的打印系统的系统框图；
48.图2是本发明实施例中用于电弧增材制造管-管相贯区域的打印方法的示意性流程图；
49.图3是本发明中实施例所示的多步卷积神经网络训练过程的示意性流程图；
50.图4是本发明中实施例所示的一个待处理的打印零件数模的示意图；
51.图5a～图5e是根据图4所示打印零件数模中包括的各个管-管相贯区域示意图；
52.图6是本发明中的实施例所示的管路最小外接圆以及中轴线位置确定的示意图；
53.图7是本发明中的实施例所示的两根直线管相贯的场景下第一空间角与第二空间角的示意图；
54.图8是本发明中的实施例所示的打印策略获取方法子流程示意图；
55.图9是本发明中的实施例所示的卷积神经网络数据传递的示意图；
56.图10是本发明中的实施例所示的多步卷积神经网络的示意图。
具体实施方式
57.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
58.应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换词语。
59.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、
ꢀ“
一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
60.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
61.本发明涉及一种用于电弧增材制造管-管相贯区域的打印方法，该方法包括：
62.获取待处理的打印零件数模；
63.处理所述打印零件数模，确定管件直径以及对应的管件中轴线位置；
64.基于所述中轴线位置和所述管件直径确定管件是否相贯，并确定所述相贯管件中轴线之间的第一空间角、第二空间角和第三空间角；
65.基于所述第一空间角、第二空间角，获取到机器人位姿；
66.确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征；
67.基于所述形状特征获取对应的打印策略，基于所述打印策略以及所述机器人位姿实现管-管相贯区域的自动化打印。
68.进一步的，本发明中确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征，进一步包括：基于多步卷积神经网络处理所述打印零件数模以获取所述管-管相贯区域的形状特征；
69.其中，所述多步卷积神经网络由三部分组成，所述多步卷积神经网络的第一部分将待处理的打印零件数模转化为中轴线对应的矩阵信息，并基于中轴线信息输出相贯的中轴线组合；所述多步卷积神经网络的第二部分基于所述相贯中轴线组合以及所获得的中轴线矩阵信息生成对应的管-管相贯区域形状；所述多步卷积神经网络的第三部分基于
所生成的管-管相贯区域形状生成对应的形状特征。
70.进一步的，本发明中所述多步卷积神经网络基于如下步骤进行训练：
71.获取卷积神经网络的初始模型；所述卷积神经网络的初始模型包括第一部分、第二部分和第三部分，其中，所述初始模型的第一部分至少若干卷积层，所述初始模型的第二部分至少包括若干卷积层和一个全连接层；所述初始模型的第三部分至少包括若干卷积层和一个全连接层；
72.获取第一训练样本集和第二训练样本集，所述第一训练样本集中包括多张具有相贯区域形状标签的零件数模样本，所述第二训练样本集中包括多张具有形状特征标签的相贯区域形状样本；
73.基于所述第一训练样本集进行所述初始模型第一部分、第二部分的多轮训练，获得预训练好的初始模型第一、第二部分；
74.基于所述第二训练样本集进行所述初始模型的第三部分的训练，获得预训练好的初始模型第三部分；
75.获取联合训练样本集，所述联合训练样本集包括多个具有形状特征标签的零件数模样本；
76.基于所述联合训练样本集对预训练好的初始模型的第一、第二、第三部分进行联合训练，得到训练好的多步卷积神经网络模型。
77.进一步的，本发明中获取到所述管-管相贯区域的形状对应的形状特征，进一步包括：
78.通过待处理的打印零件数模中的建模信息获取相贯区域形状；
79.基于卷积神经网络的第三部分获取到所述管-管相贯区域的形状对应的形状特征。
80.进一步的，本发明中基于所述形状特征确定对应的打印策略，进一步包括：
81.将多个历史形状特征进行聚类，得到多个特征聚类簇；
82.确定特征聚类簇的相关参数，并确定所述特征聚类簇的聚类簇中心；
83.基于所述聚类簇中心对应的特征矩阵确定标准打印策略，所述标准打印策略表示该聚类簇对应的打印策略，包括切片形式以及打印层设计次序；
84.基于当前形状特征对应的所属聚类簇，基于所属聚类簇对应的标准打印策略确定所述当前形状特征对应的打印策略。
85.进一步的，本发明中处理所述打印零件数模，确定所述管-管相贯区域对应的管件直径以及对应的管件中轴线位置，进一步包括：
86.基于所述待处理的打印零件数模中的建模信息，获取到所述管件直径以及所述管件中轴线位置。
87.进一步的，本发明中处理所述打印零件数模，确定所述管-管相贯区域对应的管件直径以及对应的管件中轴线位置，进一步包括：
88.基于图像处理算法获得所述管件直径以及所述管件中轴线位置；
89.其中，所述图像处理算法包括灰度处理、二值化运算以及中心线提取算法，所述灰度处理、二值化运算可以得到管件的外形面，所述中心线提取算法可以基于所述管件的外形面拟合出圆形轮廓面，基于所述圆形轮廓面提取得到管件中轴线以及对应的管件直
径。
90.本发明还涉及一种打印系统，图1是根据本发明实施例所示的一个示例性的用于电弧增材制造管-管相贯区域的打印系统的系统框图。
91.如图1所示，系统100可以包括：打印零件数模获取模块110、打印零件数模处理模块120、空间角获取模块130、机器人位姿势确定模块140、形状特征提取模块150、打印策略获取模块160，其中：
92.打印零件数模获取模块110，用于获取待处理的打印零件数模；
93.打印零件数模处理模块120，用于处理所述打印零件数模，确定管件直径以及对应的管件中轴线位置；
94.空间角获取模块130，用于基于所述中轴线位置和所述管件直径确定管件是否相贯，并确定所述相贯管件中轴线之间的第一空间角、第二空间角和第三空间角；
95.机器人位姿获取模块140，用于基于所述第一空间角、第二空间角，获取到机器人位姿；
96.形状特征提取模块150，用于确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征；
97.打印策略获取模块160，用于基于所述形状特征获取对应的打印策略，基于所述打印策略以及所述机器人位姿实现管-管相贯区域的自动化打印。
98.在实施例中，形状特征提取模块150进一步用于：基于多步卷积神经网络处理所述打印零件数模以获取所述管管相贯区域的所述形状特征；其中，所述多步卷积神经网络由三部分组成；所述多步卷积神经网络的第一部分将待处理的打印零件数模转化为中轴线对应的矩阵信息，并基于中轴线信息输出相贯的中轴线组合；所述多步卷积神经网络的第二部分基于所述相贯中轴线组合以及所获得的中轴线矩阵信息生成对应的管-管相贯区域形状；所述多步卷积神经网络的第三部分基于所生成的管-管相贯区域形状生成对应的形状特征。在一些实施例中，所述多步卷积神经网络基于如下步骤进行训练：获取卷积神经网络的初始模型；所述卷积神经网络的初始模型包括第一部分、第二部分和第三部分，其中，所述初始模型的第一部分至少若干卷积层，所述初始模型的第二部分至少包括若干卷积层和一个全连接层；所述初始模型的第三部分至少包括若干卷积层和一个全连接层；获取第一训练样本集和合第二训练样本集，所述第一训练样本集中包括多张具有相贯区域形状标签的零件数模样本，所述第二训练样本集中包括多张具有形状特征标签的相贯区域形状样本；基于所述第一训练样本集合进行所述初始模型第一部分、第二部分的多轮训练，获得预训练好的初始模型第一、第二部分；基于所述第二训练样本集合进行所述初始模型的第三部分的训练，获得预训练好的初始模型第三部分；获取联合训练样本集，所述联合训练样本集包括多个具有形状特征标签的零件数模样本；基于所述联合训练样本集对预训练好的初始模型的第一、第二、第三部分进行联合训练，得到训练好的多步卷积神经网络模型。
99.在实施例中，形状特征提取模块150进一步用于：通过所述待处理的打印零件数模中的建模信息获取相贯区域形状；基于卷积神经网络的第三部分获取到所述管-管相贯区域的形状对应的形状特征。
100.在实施例中，打印策略获取模块160进一步用于：将多个历史形状特征进行聚类，
得到多个特征聚类簇；确定特征聚类簇的相关参数，并确定所述特征聚类簇的聚类簇中心；基于所述聚类簇中心对应的特征矩阵确定标准打印策略，所述标准打印策略表示该聚类簇对应的打印策略，包括切片形式以及打印层设计次序；基于当前形状特征对应的所属聚类簇，基于所属聚类簇对应的标准打印策略确定所述当前形状特征对应的打印策略。
101.在实施例中，打印零件数模处理模块120进一步用于：基于所述待处理的打印零件数模中的建模信息，获取到所述管件直径以及所述管件中轴线位置。
102.在实施例中，打印零件数模处理模块120进一步用于：基于图像处理算法获得所述管件直径以及所述管件中轴线位置；其中，所述图像处理算法包括灰度处理、二值化运算、以及中心线提取算法，所述灰度处理、二值化运算可以得到管件的外形面，所述中心线提取算法可以基于所述管件的外形面拟合出圆形轮廓面，基于所述圆形轮廓面提取得到管件中轴线以及对应的管件直径。
103.应当理解，本说明书一个或多个实施中的系统及其模块可以利用各种方式来实现。例如，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
104.需要注意的是，以上对于处理设备及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。
105.图2是根据本发明实施例所示的用于电弧增材制造管-管相贯区域的打印方法的示意性流程图。在一些实施例中，方法200可以进一步由系统100中执行。
106.步骤210，获取待处理的打印零件数模。
107.在一些实施例中，步骤210可以由打印零件数模获取模块110执行。
108.待处理的打印零件数模中至少包括一个管-管相贯区域，所述管-管相贯区域是指管件与管件重叠的区域。示例性地，如图4所示即为一个待处理的打印零件数模，其对应的管-管相贯区域如图5a～图5e所示。需要说明的是，图4、图5a～图5e中打印零件数模以及管-管相贯区域仅作为示例，并不作为对本发明的限制。例如，一个打印零件数模中的管-管相贯区域可以有2个、3个、4 个、6个、8个
…
等其他的数量。又例如，打印零件数模中的管件可以是直径不同的圆管、方管、不规则曲面管等等方式组合而成，本说明书在此不做限制。
109.步骤220，处理所述打印零件数模，确定管件直径以及对应的管件中轴线位置。
110.在实施例中，步骤220可以由打印零件数模处理模块120执行。
111.在实施例中，打印零件数模处理模块120可以直接基于所述打印零件数模中的建
模信息，获取到对应的管件直径以及管件中轴线位置。例如，待处理的打印零件数模采用ug、solidworks、catia等三维绘图软件进行建模绘制，且数模中保留了建模驱动信息，则打印零件数模处理模块120可以直接基于建模驱动信息获取到管件直径以及管件中轴线位置。所谓建模驱动信息是指建模过程中所保留的绘制数模所需的原始信息，例如，一根管件在三维软件的绘制是通过样条曲线、建模草图等信息驱动生成，那么这些“样条曲线”、“建模草图”等元素即可称为建模驱动信息。
112.具体地，如图6所示为一根不规则管件。图中，310表示任意截面不规则的管件，320表示与管件310相切的最小外接圆柱，340表示原始建模过程中所留的样条曲线信息，330表示管件中轴线位置，350斜线阴影区域表示绘制数模所需的草图信息。显然，图6所示的管件310是通过标号350的草图通过样条曲线340拉拔而成。在该场景的实施例中，打印零件数模处理模块120可以基于数模直接读取建模驱动信息(阴影区域350以及样条曲线340)，进而基于建模驱动信息直接获取到草图以及管件中轴线位置。示例性地，打印零件数模处理模块120可以从草图中获取到最小外接圆柱(如图中标号320)的尺寸，并获取到样条曲线340与外接圆中心线330之间的位置关系，从而获得外接圆中心线 330(即管件中轴线)的位置。
113.在一些实施例中，打印零件数模处理模块120可以基于图像处理算法获取到对应的管件直径以及管件中轴线位置。所述图像处理算法可以包括但不限于灰度处理、二值化运算以及中心线提取算法等系列算法中的一种或多种。具体地，所述灰度处理和/或二值化运算可以提取到管件的外形面(即获取到管件 310)，所述中心线提取算法可以基于所述管件的外形面(即获取到管件310) 确定出最小外接圆形轮廓面(即获取到最小外接圆柱320)，进而基于所述最小外接圆形轮廓面提取得到管件中轴线(即获取到中轴线330)以及对应的管件直径。
114.步骤230，基于所述中轴线位置和所述管件直径确定管件是否相贯，并确定所述相贯管件中轴线之间的第一空间角、第二空间角和第三空间角。
115.在一些实施例中，步骤230可以由空间角获取模块130执行。
116.空间角获取模块130可以基于步骤220获取到的中轴线位置和管件直径判定任意两根管件是否相贯。具体地，空间角获取模块130可以计算任意两根管件中轴线之间的最小距离，并判定这一最小距离是否大于两根中轴线对应的管件半径之和。若两根管件之间的最小距离大于等于两根管件半径之和，则两根管件不相贯，若两根管件之间的最小距离小于两根管件半径之和，则两根管件相贯。
117.进一步地，若两根管件相贯，则空间角获取模块130可以进一步基于中轴线位置确定两根相贯管件中轴线之间的第一空间角、第二空间角和第三空间角。图7所示为两根直线管相贯的场景下第一空间角与第二空间角的示意图，图中，以管1的草图横截面为基础平面(x-z平面)，以轴线方向为y轴，建立坐标系，显然，任意两根管件的中轴线相交会产生第一空间角α、第二空间角β和第三空间角θ。
118.需要说明的是，如图7所示的管件相贯仅作为示例，并不作为对本说明书的限制。例如，相贯管件的数量可以有3个、4个
…
、n个。又例如，管件可以是圆形管、方形管、异形管等。再例如，管件可以是直管、空间自由管、弯管等。类似这样的变化，依然在本说明书的保护范围内。
管相贯区域形状获取到对应的形状特征。示例性地，卷积神经网络可以将相贯区域的图像转化为图像矩阵。例如，图片矩阵的行可以对应管-管相贯区域形状图片的高，图片矩阵的列可以对应管-管相贯区域形状图片的宽，图片矩阵的元素可以对应相贯区域形状的厚度。
130.在一些实施例中，形状特征提取模块150可以基于多步卷积神经网络实现从所述待处理的打印零件数模转变为对应的多个形状特征。图10是根据本说明书一些实施例所示的一个示例性的多步卷积神经网络的示意图。在该场景的实施例中，多步卷积神经网络由三部分组成。卷积神经网络的第一部分包括多个卷积层，其可以将待处理的打印零件数模转化为中轴线对应的矩阵信息，中轴线对应的矩阵信息包括中轴线的位置以及中轴线的属性信息，属性信息包括管径、壁厚等管件属性信息，并基于以上信息输出相交管件的中轴线组合。进一步地，卷积神经网络的第二部分可以基于相交管件的中轴线组合，结合第一部分输出的中轴线矩阵信息生成对应的管-管相贯区域形状。卷积神经网络的第三部分可以基于所生成的管-管相贯区域形状生成对应的形状特征。有关多步神经网络训练的相应描述可参见图3的相应说明，在此不再赘述。
131.步骤260，基于所述形状特征获取对应的打印策略，基于所述打印策略以及所述第一预估标签实现管-管相贯区域的自动化打印。
132.在一些实施例中，步骤260可以由打印策略获取模块160执行。
133.打印策略获取模块160可以采用聚类算法将多个历史形状特征进行聚类，得到多个特征聚类簇，进而基于多个特征聚类簇确定打印策略。
134.具体地，步骤260进一步由图8所示的子流程图400进行实现，其包括以下子步骤：
135.s1、打印策略获取模块160可以基于密度的聚类算法(如dbscan密度聚类算法)处理所述多个历史形状特征，从而获得多个特征聚类簇。
136.s2、打印策略获取模块160确定聚类簇的相关参数。打印策略获取模块160 确定所需的聚类簇的预设值，并确定聚类的邻域参数(,minpts)，其中，对应聚类簇在向量空间中的半径，minpts对应形成聚类簇所需的样本个数的最小值，得到数量为q的聚类簇，多次调整邻域参数(,minpts)并对多个历史形状特征进行聚类处理，直至所得的聚类簇数量q大于等于预设值p为止。
137.s3、打印策略获取模块160进而基于所述特征聚类簇确定聚类簇中心；基于所述聚类簇中心对应的特征矩阵确定标准打印策略。所述标准打印策略表示该聚类簇对应的打印策略，包括切片形式以及打印层设计次序。例如，专业人员可以基于聚类簇中心对应的特征矩阵针对性地确定标准打印策略，以获取到切片策略以及打印层设计次序。切片策略可以包括如岛状填充、面状填充、条状填充等。打印层设置次序可以包括相贯区域管件的打印层数设置。例如，某一聚类簇中心对应的标准打印策略(类似图5d中的小图h所示的相贯区域)，其包括两次变位机的翻转，其打印次序应为先成型一个弧面-再成型另一个弧面
ꢀ‑
最后进行搭接区域成型，对应的扫描策略应为全部进行条状填充。又例如，另一聚类簇中心对应的标准打印策略(类似图5c中的小图f所示的相贯区域)，其无需进行变位机翻转，扫描策略为整体面状填充。再例如，又一聚类簇中心对应的标准打印策略(类似图5e中的小图i的相贯区域)，其需要进行4次变位机的翻转，打印次序应为先成型一个大弧面(条状填充)-再成型一个相邻小弧面(条状填充)-再成型大弧面(条状填充)-进行搭接区域填
充(面状填充)。还例如，聚类簇中心对应的标准打印策略(类似图5b所示的相贯区域)，其无需进行变位机翻转，扫描策略为整体条状填充，且如图5d所示的相贯区域策略与其一致，仅仅只是机器人姿态有所不同。
138.可以理解，通过以上s1-s3的操作，打印策略获取模块160基于已经处理过的历史形状特征进行聚类，实现了相贯区域特征的聚类，通过这样的设置使得相似形状的相关区域特征可以采用相似的打印策略，实现了打印策略的复用。
139.s4、打印策略获取模块160确定当前形状特征对应的聚类簇，基于所属聚类簇对应的标准打印策略以及前序步骤确定的机器人位姿实现管-管相贯区域的自动化打印，标准打印策略如s3所述。可以理解，同一聚类簇中虽然相贯区域的形状相似，但如相贯区域的弯曲程度、相贯面的空间角度等参数可能会有所不同，其对应的机器人的姿态和/或变位机的翻转角度也有所不同，因此在应用标准打印策略时需要结合前序步骤所得的机器人位姿等各异性参数，才能保证电弧增材过程的稳定进行。
140.应当理解的是，上述关于步骤的描述仅为示例性的，并不用于限制本说明书的保护范围。对于本领域的技术人员来说，可以在本说明书的指导下做出多个修正和改变。然而，这些修正和改变不会脱离本说明书的保护范围。
141.图3是根据本发明中的实施例所示的一个示例性的多步卷积神经网络训练过程的示意性流程图。
142.步骤310，获取卷积神经网络的初始模型。
143.卷积神经网络的初始模型包括第一部分、第二部分和第三部分，其中，所述初始模型的第一部分和第二部分至少包括若干卷积层；所述初始模型的第三部分至少包括若干卷积层和一个全连接层；卷积神经网络的结构可参见图10，在此不再赘述。
144.卷积神经网络的初始模型包括初始化的模型参数以及完整的模型结构。在一些实施例中，初始模型可以是一个未经训练的卷积神经网络或未训练完成的卷积神经网络。初始模型的各层可以设置有初始参数，参数在训练过程中可以被不断地调整，直至完成训练为止。
145.步骤320，获取第一训练样本集和合第二训练样本集。
146.所述第一训练样本集中包括多张具有相贯区域形状标签的零件数模样本，所述第二训练样本集中包括多张具有形状特征标签的相贯区域形状样本。在一些实施例中，相贯区域形状标签和形状特征标签均可以由人工进行标注。在一些替代性实施例中，相贯区域形状标签和形状特征标签均可以由机器进行标注。例如，另一个已经训练好的形状特征模型可以将相贯区域形状转化为形状特征标签。
147.步骤330，基于所述第一训练样本集合进行所述初始模型第一部分、第二部分的多轮训练，获得预训练好的初始模型第一、第二部分。
148.初始模型可以基于第一训练样本集合的一个或一系列样本进行前向传播，得到相贯区域形状预测值h1，并基于第一训练样本的标签构建损失函数并进行反向传播，得到各层模型参数的修正值(或梯度)包括多个矩阵元素(如梯度元素)，其与模型参数一一对应，每个梯度元素反映参数的修正方向(增加或减小)以及修正量。
149.为方便理解，以图9所示的模型为例说明模型的一轮训练过程。其中包括三个卷积层，共6个卷积核。每个卷积核处的运算与卷积核6类似，进而可以使用以下两个公式来
描述卷积神经网络的前向传播过程：
150.z＝f(y)；
ꢀꢀꢀ
(1)
151.yn＝∑
m∈in(n)
(w
m，n
zm+bn)。
ꢀꢀꢀ
(2)
152.其中，y表示卷积核的激活函数f(
·
)的输入数据，z表示该卷积核的输出，对于模型输出层的卷积核，z可以是模型对训练样本或待预测对象的预测结果；下标n或m表示卷积核的序号，in(n)表示卷积核n的前一层卷积核的序号的集合，以图9为例，卷积核4接收卷积核1、卷积核2以及卷积核3的输出， in(4)＝{1，2，3}。w
m，n
表示卷积核m映射到卷积核n的权重，bn为卷积核n对应的常数项。其中，w
m，n
以及bn组成了卷积神经网络模型的模型参数，其取值可以通过训练获得。
153.通过前向传播，训练样本的特征数据可经卷积神经网络模型的各卷积层逐层处理，得到预测结果。
154.反向传播算法会对特定训练样本的预测结果与标签数据进行比较，确定网络的每个权重的更新幅度。也就是说，反向传播算法用于确定损失函数相对每个权重的变化情况(亦可称为梯度或误差导数)，记为
155.以图9的示例性网络层神经网络模型为例。首先，可以计算出损失函数值相对出输出卷积核6的输出的梯度当损失函数为均方差损失函数时，其中z6为预测结果，为标签数据。后续则可以通过链式法则，计算出损失函数值相对卷积核6与卷积核5之间的权重 w
5，6
的梯度以及损失函数值相对出输出卷积核5的输出的梯度
[0156][0157][0158][0159]
以此类推，可以逐一求出损失函数值相对每个权重的梯度。
[0160]
鉴于上述过程，第一神经网络模型训练模块170可以基于损失函数值lossi进行反向传播梯度，直到计算出损失函数值相对初始输出矩阵中各元素的梯度，进而基于各元素的梯度实现模型的更新，以此实现了模型的一轮更新。由此基于上述算法实现多轮迭代，直至模型收敛或者是模型性能指标满足阈值要求为止，从而得到了训练好的卷积神经网络的第一部分和第二部分。
[0161]
步骤340，基于所述第二训练样本集合进行所述初始模型的第三部分的训练，获得预训练好的初始模型第三部分。
[0162]
与步骤330类似，初始模型可以基于第二训练样本集合的一个或一系列样本进行前向传播，得到相贯区域形状预测值h2，并基于第二训练样本的标签构建损失函数
并进行反向传播，得到各层模型参数的修正值(或梯度)包括多个矩阵元素(如梯度元素)，其与模型参数一一对应，每个梯度元素反映参数的修正方向(增加或减小)以及修正量。有关具体的训练过程可参见图9的相应描述，在此不再赘述。
[0163]
在一些实施例中，可以基于差异度以及样本标签判断是否进行下一轮迭代或者就此确定训练好的模型。判断的标准可以是迭代次数是否已经达到预设迭代次数、更新后的模型是否满足预设的性能指标阈值等又或者是否收到终止训练的指示。若确定需要进行下一次迭代，则可基于当前次迭代过程更新后的模型进行下一次迭代。若确定不需要进行下一次迭代，则可将当前次迭代过程中获取的更新后的模型作为最终训练好的模型。
[0164]
步骤350，获取联合训练样本集。
[0165]
联合训练样本集包括多个具有形状特征标签的零件数模样本。其主要作用是在多步卷积神经网络已经预训练完成后，采用联合训练的样本集对多步卷积神经网络进行进一步的训练，使得所得的模型更加准确。
[0166]
步骤360，基于所述联合训练样本集对预训练好的初始模型的第一、第二、第三部分进行联合训练，得到训练好的多步卷积神经网络模型。
[0167]
预训练好的初始模型的第一、第二、第三部分可以串联后，通过联合训练样本的前向传播，得到形状特征预测值h，并基于联合训练样本的标签构建损失函数并进行反向传播，得到各层模型参数的修正值(或梯度)包括多个矩阵元素(如梯度元素)。有关前向传播和反向传播的更多说明可参见图9的相应描述，在此不再赘述。
[0168]
联合训练后的多步卷积神经网络可以实现从零件数模到形状特征之间的直接映射，且联合训练后的多步卷积神经网络在预训练好的模型的基础上进一步用联合训练模型进行了进一步地训练，提升了训练后模型的识别精度。
[0169]
若联合训练过程中发现所得的多步卷积神经网络模型的性能很差或者收敛一致性不好。可以返回步骤330和步骤340重新进行初始模型第一、第二、第三部分的更加精确的训练，使得预训练的模型性能更好后再进行步骤360的联合训练。可以理解，采用多步卷积神经网络的方式不同卷积层的训练过程可以多线程并行训练，训练过程也可以在不同的主机端进行，大大降低了训练过程所需的时间，并大大降低了训练过程所需的硬件成本。
[0170]
在一些实施例中，步骤340所训练的多步卷积神经网络的第三部分可以是单独训练、单独使用的。在该场景的实施例中，多步卷积神经网络的第三部分可以是预先训练确定好后，再反向训练多步卷积神经网络的第一、第二部分。例如，多步卷积神经网络进行联合训练时，第三部分不进行任何更新，模型的反向运算结果可以直接传递到模型的第一部分和第二部分，以此达到联合训练得到精度更高的多步卷积神经网络模型。
[0171]
应当理解的是，上述关于步骤的描述仅为示例性的，并不用于限制本说明书的保护范围。对于本领域的技术人员来说，可以在本说明书的指导下做出多个修正和改变。然而，这些修正和改变不会脱离本说明书的保护范围。
[0172]
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员
可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
[0173]
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例
”ꢀ
并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0174]
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等) 执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、
ꢀ“
模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
[0175]
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、 rf、或类似介质，或任何上述介质的组合。
[0176]
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、 emerald、c++、c#、vb、python等，常规程序化编程语言如c语言、 visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如 python、ruby和groovy，或其他编程语言等。该程序编码可以完全在设备计算机上运行、或作为独立的软件包在设备计算机上运行、或部分在设备计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与设备计算机连接，比如局域网(lan) 或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
[0177]
此外，除非权利要求中明确说明，本说明书处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。
[0178]
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比
权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
[0179]
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
[0180]
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
[0181]
最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

技术特征：

1.一种用于电弧增材制造管-管相贯区域的打印方法，其特征在于，该方法包括：获取待处理的打印零件数模；处理所述打印零件数模，确定管件直径以及对应的管件中轴线位置；基于所述中轴线位置和所述管件直径确定管件是否相贯，并确定所述相贯管件中轴线之间的第一空间角、第二空间角和第三空间角；基于所述第一空间角、第二空间角，获取到机器人位姿；确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征；基于所述形状特征获取对应的打印策略，基于所述打印策略以及所述机器人位姿实现管-管相贯区域的自动化打印。2.根据权利要求1所述的一种用于电弧增材制造管-管相贯区域的打印方法，其特征在于，确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征，进一步包括：基于多步卷积神经网络处理所述打印零件数模以获取所述管-管相贯区域的形状特征；其中，所述多步卷积神经网络由三部分组成，所述多步卷积神经网络的第一部分将待处理的打印零件数模转化为中轴线对应的矩阵信息，并基于中轴线信息输出相贯的中轴线组合；所述多步卷积神经网络的第二部分基于所述相贯中轴线组合以及所获得的中轴线矩阵信息生成对应的管-管相贯区域形状；所述多步卷积神经网络的第三部分基于所生成的管-管相贯区域形状生成对应的形状特征。3.根据权利要求2所述的一种用于电弧增材制造管-管相贯区域的打印方法，其特征在于，所述多步卷积神经网络基于如下步骤进行训练：获取卷积神经网络的初始模型；所述卷积神经网络的初始模型包括第一部分、第二部分和第三部分，其中，所述初始模型的第一部分至少若干卷积层，所述初始模型的第二部分至少包括若干卷积层和一个全连接层；所述初始模型的第三部分至少包括若干卷积层和一个全连接层；获取第一训练样本集和第二训练样本集，所述第一训练样本集中包括多张具有相贯区域形状标签的零件数模样本，所述第二训练样本集中包括多张具有形状特征标签的相贯区域形状样本；基于所述第一训练样本集进行所述初始模型第一部分、第二部分的多轮训练，获得预训练好的初始模型第一、第二部分；基于所述第二训练样本集进行所述初始模型的第三部分的训练，获得预训练好的初始模型第三部分；获取联合训练样本集，所述联合训练样本集包括多个具有形状特征标签的零件数模样本；基于所述联合训练样本集对预训练好的初始模型的第一、第二、第三部分进行联合训练，得到训练好的多步卷积神经网络模型。4.根据权利要求2所述的一种用于电弧增材制造管-管相贯区域的打印方法，其特征在于，获取到所述管-管相贯区域的形状对应的形状特征，进一步包括：通过待处理的打印零件数模中的建模信息获取相贯区域形状；基于卷积神经网络的第三部分获取到所述管-管相贯区域的形状对应的形状特征。5.根据权利要求1所述的一种用于电弧增材制造管-管相贯区域的打印方法，其特征在
于，基于所述形状特征确定对应的打印策略，进一步包括：将多个历史形状特征进行聚类，得到多个特征聚类簇；确定特征聚类簇的相关参数，并确定所述特征聚类簇的聚类簇中心；基于所述聚类簇中心对应的特征矩阵确定标准打印策略，所述标准打印策略表示该聚类簇对应的打印策略，包括切片形式以及打印层设计次序；基于当前形状特征对应的所属聚类簇，基于所属聚类簇对应的标准打印策略确定所述当前形状特征对应的打印策略。6.根据权利要求1所述的一种用于电弧增材制造管-管相贯区域的打印方法，其特征在于，处理所述打印零件数模，确定所述管-管相贯区域对应的管件直径以及对应的管件中轴线位置，进一步包括：基于所述待处理的打印零件数模中的建模信息，获取到所述管件直径以及所述管件中轴线位置。7.根据权利要求1所述的一种用于电弧增材制造管-管相贯区域的打印方法，其特征在于，处理所述打印零件数模，确定所述管-管相贯区域对应的管件直径以及对应的管件中轴线位置，进一步包括：基于图像处理算法获得所述管件直径以及所述管件中轴线位置；其中，所述图像处理算法包括灰度处理、二值化运算以及中心线提取算法，所述灰度处理、二值化运算可以得到管件的外形面，所述中心线提取算法可以基于所述管件的外形面拟合出圆形轮廓面，基于所述圆形轮廓面提取得到管件中轴线以及对应的管件直径。8.一种用于电弧增材制造管-管相贯区域的打印系统，其特征在于，所述系统包括：打印零件数模获取模块，用于获取待处理的打印零件数模；打印零件数模处理模块，用于处理所述打印零件数模，确定管件直径以及对应的管件中轴线位置；空间角获取模块，用于基于所述中轴线位置和所述管件直径确定管件是否相贯，并确定所述相贯管件中轴线之间的第一空间角、第二空间角和第三空间角；机器人位姿获取模块，用于基于所述第一空间角、第二空间角，获取到机器人位姿；形状特征提取模块，用于确定管-管相贯区域的形状，基于所述管-管相贯区域的形状确定形状特征；打印策略获取模块，用于基于所述形状特征获取对应的打印策略，基于所述打印策略以及所述机器人位姿实现管-管相贯区域的自动化打印。9.一种用于电弧增材制造管-管相贯区域的打印系统，其特征在于，该系统包括处理器，所述处理器用于执行权利要求1-7中所述任意一种用于电弧增材制造管-管相贯区域的打印方法。

技术总结

本发明涉及一种用于电弧增材制造管-管相贯区域的打印方法，方法包括：获取待处理的打印零件数模；处理打印零件数模，确定管-管相贯区域对应的管件直径以及对应的中轴线位置；基于中轴线位置确定任意两个中轴线之间的第一空间角、第二空间角和第三空间角；基于训练好的第一神经网络模型处理第一空间角、第二空间角，获取到对应到的第一预估标签；确定管-管相贯区域的形状，基于管-管相贯区域的形状确定形状特征；基于形状特征获取对应的打印策略，基于打印策略以及第一预估标签实现管-管相贯区域的自动化打印；本发明通过密度聚类算法实现了相似形状特征的归类，实现了相似形状特征打印策略的复用。打印策略的复用。打印策略的复用。