基于机器视觉的3D打印异常诊断方法

为解决3D打印过程中出现的诸如堵头、断丝、翘曲等异常情况导致打印失败的问题,搭建检测平台并提出一种融合Xception的改进YOLOv5算法,完成异常实时检测,达到及时处理、提高打印成功率的目的。通过对YOLO算法头部、躯干部以及瓶颈块进行轻量化改进,提高识别帧率并减小参量;然后对输出部分进行改进,使特征相似的异常图像被收集后输入至Xception算法中,提升异常识别分类的准确率;最后利用Qt跨平台开发框架设计打印异常诊断系统人机交互界面软件。结果表明:改进的融合算法在自建3D打印异常数据集中识别准确率为88.75%,较原YOLOv5算法提高3.22%,同时识别平均帧率为28帧/s,提高了40.0%,可以满足实际打印中对识别准确率及实时性的要求。