[發(fā)明專利]一種3D打印的立體曲線獲取方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010908617.9
• 申請(qǐng)日: 2020-09-02
• 公開(kāi)（公告）號(hào): CN112069730A
• 公開(kāi)（公告）日: 2020-12-11
• 發(fā)明（設(shè)計(jì)）人: 彭濤;王宜懷;許粲昊
• 申請(qǐng)（專利權(quán)）人: 彭濤
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06T7/13;G06T17/00;G06F113/10
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種3D打印的立體曲線獲取方法，其特征在于，所述方法包括：

使用預(yù)設(shè)的高度間距采集目標(biāo)對(duì)象的多層二維切片；

獲取每層二維切片的采樣點(diǎn)坐標(biāo)；

使用所述每層二維切片的采樣點(diǎn)坐標(biāo)獲取對(duì)應(yīng)一層二維切片的立體曲線，并記錄所述立體曲線的組成點(diǎn)坐標(biāo)以及排序號(hào)；

將所述組成點(diǎn)坐標(biāo)和所述排序號(hào)輸入?yún)?shù)解釋數(shù)學(xué)模型，得到所述立體曲線的單層最終輪廓；

根據(jù)所述多層切片的單層最終輪廓獲取最終立體曲線輪廓并顯示。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述多層切片的單層最終輪廓獲取最終立體曲線輪廓并顯示，包括：

確定是否需要模擬所述目標(biāo)對(duì)象的截面；

在確定出需要模擬所述目標(biāo)對(duì)象的截面時(shí)，對(duì)于每層最終輪廓中的每個(gè)組成點(diǎn)，確定上一層最終輪廓的組成點(diǎn)與所述組成點(diǎn)是否相同且連續(xù)；

在所述上一層最終輪廓的組成點(diǎn)與所述組成點(diǎn)相同且連續(xù)，或者，確定次數(shù)達(dá)到預(yù)設(shè)確定次數(shù)時(shí)，將所述上一層最終輪廓的組成點(diǎn)映射到所述組成點(diǎn)，得到所述最終立體曲線輪廓。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述方法還包括：

在確定出不需要模擬所述目標(biāo)對(duì)象的截面時(shí)，對(duì)于每層最終輪廓，確定所述最終輪廓的首坐標(biāo)點(diǎn)為上一層最終輪廓的尾坐標(biāo)點(diǎn)，得到所述最終立體曲線輪廓。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述組成點(diǎn)坐標(biāo)和所述排序號(hào)輸入?yún)?shù)解釋數(shù)學(xué)模型，得到所述立體曲線的單層最終輪廓之前，還包括：

獲取Caputo分?jǐn)?shù)階反向傳播訓(xùn)練模型的最優(yōu)初始化權(quán)值和閾值，得到初始化的Caputo分?jǐn)?shù)階反向傳播訓(xùn)練模型；

在反向傳播中計(jì)算輸出層誤差；

根據(jù)所述輸出層誤差更新所述Caputo分?jǐn)?shù)階反向傳播訓(xùn)練模型中權(quán)值w和閾值v，直至所述輸出層誤差減小或者訓(xùn)練次數(shù)達(dá)到次數(shù)閾值時(shí)停止，得到所述參數(shù)解釋數(shù)學(xué)模型。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述獲取所述Caputo分?jǐn)?shù)階反向傳播訓(xùn)練模型的最優(yōu)初始化權(quán)值和閾值，得到初始化的Caputo分?jǐn)?shù)階反向傳播訓(xùn)練模型，包括：

初始化社交蜘蛛優(yōu)化算法模型；

創(chuàng)建蜘蛛種群pop；

評(píng)估每個(gè)種群的位置；

對(duì)每個(gè)種群的位置進(jìn)行校驗(yàn)，篩選出最優(yōu)振動(dòng)強(qiáng)度的種群；

將所述種群的種群參數(shù)確定為所述最優(yōu)初始化權(quán)值和閾值。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述Caputo分?jǐn)?shù)階反向傳播訓(xùn)練模型的參數(shù)通過(guò)下式表示：

其中，w_i(i＝1,2,..,S)為輸入層到第i個(gè)隱層神經(jīng)元的權(quán)值；

v_i,k為第i個(gè)隱層神經(jīng)元到第k個(gè)輸出神經(jīng)元的權(quán)值；

r_1,i為第i個(gè)隱層神經(jīng)元的閾值；

r_2,k為第k個(gè)輸出神經(jīng)元的閾值。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述根據(jù)所述輸出層誤差更新所述Caputo分?jǐn)?shù)階反向傳播訓(xùn)練模型中權(quán)值w通過(guò)下式表示：

其中，E(w)為平均誤差函數(shù)；η為學(xué)習(xí)率，正數(shù)；α是分?jǐn)?shù)階，范圍在[0,1]；v_i^k為隱層第i個(gè)神經(jīng)元到輸出層第k個(gè)神經(jīng)元的權(quán)值；x^j為第j個(gè)輸入樣本；w_i^k為隱層第i個(gè)神經(jīng)元到輸出層第k個(gè)神經(jīng)元的權(quán)向量；c為隱層到輸出層中最小權(quán)值；

所述根據(jù)所述輸出層誤差更新所述Caputo分?jǐn)?shù)階反向傳播訓(xùn)練模型中閾值v通過(guò)下式表示：