ZD至顶网CIO与应用频道 04月05日 评论消息: 增材制造,又称3D打印,和3D机器视觉都是令人极为振奋的新技术,当我们将这两者结合起来使用时,它们有潜力创建一些全新的高效生产模式,这其中,尤其让人感兴趣的是“自动化生产”的概念——一个“一站式”的机械加工车间,该车间可在无需人工监督的情况下用3D打印技术来打造零件,并用机器视觉技术来测量和测试该零件。
德州仪器(TI)的DLP技术及其核心的数字微镜器件(DMD)可提供实现这一切的关键要素。DLP技术是诞生于1996年的用于投影显示的光学技术,现在已得到广泛应用。当被应用于3D打印和机器视觉中的问题时,DLP技术可提供高分辨率的成像、加快生产速度并降低制造成本,这有助于让自动化生产的愿景成为现实。正因如此,它才成为了用老技术解决新问题的经典范例。
采用DLP技术的3D打印
光固化(SLA)是一种常见的3D打印过程,与传统的打印较为相似。就像调色剂沉积在纸张上一样,3D打印机可在一系列2D截面中沉积材料层,这样一层一层叠加起来,就能产生3D物体。在采用SLA技术的情况下,材料是一种可用紫外线(UV)光源进行固化的树脂。当该树脂固化时,其单体能交联以创建一个聚合物链 —— 该聚合物链可产生固体材料。
当SLA技术与DLP技术结合时,DMD会由UV光源点亮。然后DMD的像素被分别处理,图像被投影到树脂层,从而产生一系列截面,这些截面可组成3D物体。采用DLP技术能够带来多种优势,比如能用光学技术使来自DMD的各个像素成像,而不是让光源直接在树脂上成像,这样可优化分辨率和特征尺寸。【图像1】
和能产生100微米体素(3D像素)、基于激光的传统SLA机相比,基于DLP技术的SLA机可实现30微米的体素。体素越小,转化成的物体越平滑,这意味着完成物体创建所需的后期制作处理工作就越少。此外,因为整个构造层的成像和创建是同时完成——而不是一次一个体素、逐层完成的,所以这些机器完成较大打印品的速度比传统的SLA机快。
DLP技术测量和测试
物体被打印后,自动生产线上的下一个步骤是实现具有3D视觉功能的机器,该机器可对物体进行自动测量和测试。在这个过程中也可以应用DLP技术。
传统的机器视觉系统采用接触式坐标测量法或使用单个摄像头的非接触式2D检测与测量法来扫描物体。DLP辅助的3D机器视觉系统则可采用单行扫描的变异法 —— 结构光方法。【图像2】在这里,数字光图案被投影到一个物体上。接着,这些光图案通过摄像头传感器成像——该传感器可借助已知的光源角度对数据进行三角测量,以提取3D信息。
被投影的图案通常是黑色和白色条纹,它们由DMD将相应的像素列开启和关闭而产生。我们用投影透镜让来自DMD的光在被测量的物体上成像。由于DMD像素的尺寸可能仅为5.4微米,故我们可用较小的面板来产生高分辨率图案。
与传统的单行扫描法和接触式坐标测量法相比,DLP辅助的结构光方法有着高分辨率,并且有高达32kHz的可编程图案速率,因此能产生高精度的3D实时数据。此外,DMD还可在系统设计中提供灵活性 —— 波长选择范围很广,可从365纳米到2,500纳米。
对提高产品质量和降低制造成本的需求正在一系列领域——包括安全、医疗、环境和科学领域——变得越来越强劲。利用TI的DLP技术,工程师可获得一种途径来满足这些需求,并能设想一个理想的制造工厂,其中自动机器人可制造和测试产品。
图像1】
标题:采用DLP技术的光固化
图像说明:物体通过3D计算机辅助设计(CAD)模型得到详细的说明。打印机软件可将虚拟模型转化成一系列表层以适应该物体的打印。
【图像2】
图像说明:通过采用DLP技术的结构光扫描法,就能提取任何物体的表面面积、体积和特征尺寸等维度值。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。