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
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。