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
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。