面向便捷式3D打印的几何生成与分解

发布时间：2020-10-28 02:50

　　 3D打印是增材制造技术(Additive Manufacturing,AM)的俗称,它改变了传统的减式材料制造模式,大力发展3D打印产业,可带来制造工艺和生产模式的变革,有力推动3D数字化相关技术与研究的发展。随着3D打印技术的普及与发展,面向普通用户的个性化定制的推广将成为一个重要的发展趋势。在个性化定制场景中,普通用户可个性化定制生成三维模型,并在3D打印机中进行打印制造。然而,普通用户有限的建模能力,以及普通打印机有限的硬件能力使得3D打印整体流程的便捷性大大降低,这已经成为了大规模普及3D打印个性化定制的最大制约因素。本学位论文提出便捷式3D打印,旨在个性化定制3D打印中为普通用户提供轻量级的解决方案,帮助其打破专业技能的限制和普通打印机硬件能力的约束,使其无需专业的知识技能和购置高配置的打印设备,即可便捷地进行快速、经济的三维模型定制生成和不同需求的3D打印。便捷式的3D打印有利于3D打印技术面向普通用户的大规模普及与推广,因此,本学位论文面向3D打印个性化定制的大规模推广,对3D打印过程的便捷化相关的问题进行研究。本学位论文面向便捷式3D打印,为解决普通用户缺乏专业技能导致获取三维模型的过程便捷性差的问题,以及普通打印机由于硬件条件有限而无法打印大型三维模型和高成本打印的问题,具体研究了三维几何模型快速生成中的不完整形状的智能补全问题,三维模型几何分解处理中大型三维模型的分解与排列问题,和基于通用模块的三维模型分解填充问题。针对这些问题,结合特定的3D打印需求和约束背景,本学位论文提出了相应的便捷式3D打印解决方案。本文的创新点和贡献主要包括以下几个方面:(1)提出一种基于条件对抗生成网络的多模态形状补全方法为了解决普通用户获取三维模型的过程便携性差的问题,本学位论文将条件对抗生成网络模型引入到三维几何生成中的不完整形状补全问题中,达到快速几何生成的目的。在对不同生产环境所产生的不完整形状数据的补全中,为了克服获取训练监督数据的困难,创新性地使用了对抗生成网络,对形状缺失的部分以生成式建模的方式进行补全,从而无需成对的监督数据来训练深度神经网络;并且,由于在对不完整形状进行补全时,特别是在用户建模的中间过程中,不完整形状的缺失部分的补全往往具有歧义性,补全的结果可能具有不同的形态,因此本学位论文提出对所有可能补全结果中的模态分布进行建模,并以这个多模态分布作为条件输入来进行生成式的建模补全,这样可以对一个不完整形状产生多个具有不同形态的补全输出。(2)提出一种基于分解与排列的大型三维模型的3D打印方法为了可便捷地使用普通打印机进行大型三维模型的打印,本学位论文提出的方法将大型三维模型进行分解并排列进有限的打印空间内进行打印。本文提出的三维模型分解与排列的优化算法可以面向不同类型的3D打印机,根据不同类型打印机的约束条件,以大型三维模型在普通打印机上便捷的3D打印为目标,对三维模型的分解与排列进行联合的优化求解。本学位论文提出的算法并非简单地对三维模型的分解与排列进行单独的优化求解,而是将三维模型的分解与排列问题耦合在一起进行联合优化求解,从而可以保证得到更好的全局最优解。(3)提出一种基于通用模块填充内部空间的低成本3D打印方法为了可便捷地使用普通打印机进行低成本的打印,本学位论文创新性地使用可快速、经济预制造的通用模块来对三维模型的大量内部空间进行替换填充,极大降低了打印成本。具体提出了一个算法,以三维模型的低成本打印为目标,将三维模型分解成外壳部分和内核部分,内核部分可由预制造的通用模块进行快速组装以填充三维模型的内部大量空间,而外壳部分将进一步地被分解生成利于打印、无需(或只需少量)支撑废料的金字塔块,以进行3D打印制造。通过使用预制造通用模块填充三维模型的大量内部空间,而只需对少量外壳部分进行3D打印,极大降低了打印耗材和耗时。
【学位单位】：山东大学
【学位级别】：博士
【学位年份】：2020
【中图分类】：TP391.73
【部分图文】：

建，以得到封闭的三维网格数据，进行下一步的３Ｄ打印过程。故本章的??篇幅将只关注于从不完整的点云形状到完整的点云形状的核心＃全方法。??值得注意的是，在使用深度神经网络对不完整三维形状进行补全时，有两个重??要的挑战：１）缺失部分的歧义性，不完整模型的缺失部分的补全通常具有歧义性，??特别是用户在建模软件中进行建模时，补全的结果实际上可以具有不同的形态。如，??为建模生成一个椅子模型，当建模师仅完成椅子背和椅子座部分的建模时，余下的??椅子腿的补全可以由多种不同形状的椅子腿来解释（如图２－１所示）。２）监督数??据获取的困难性，为了获取监督数据来训练深度神经网络，对每个不完整三维形状??手动建模生成其对应的一个或者多个完整形状的代价极大。因此，已有的基于深度??神经网络的三维形状补全方法主要依赖于从完整的三维模型中模拟合成不完整形??状数据的方式来生成相应的训练监督数据对。然而，由于数据分布的差异性，使用??模拟合成数据训练的深度神经网络往往无法很好地泛化到实际生产环境中所产生??的不完整数据。并且，已有的这些方法仅能补全生成单个完整的形状，忽略了缺失??部分的歧义性。??Ｓ?ｓ?＾?Ｍ??图２－１基于点云的多模态三维形状补全??为了应对上述挑战，本章所提方法通过使用有条件的生成式模型来对不完整??的三维形状进行补全，而无需成对的监督数据。为了对补全进行多模态输出，本章??１１??

?山东大学博士学位论文?????模态编码器＆来从补全输出中编码重建出输入的条件向量ｚ。图３－２中展示了本章??所提出的面向多模态形状的补全条件对抗生成网络。??…Ｈ?￣??ｃ?Ｃ?Ｃ?Ｃ??￡＊ＡＥ?Ｘｃ?Ｃ?＾ＡＥ?＂?＾ＶＡＥ?］—?Ｃ?＾ＶＡＥ?＂??＾?Ｐ人义Ｊ??ｍ?ｏｒｆａｋｅ??＼?Ｘ－……，－……－＞?ｉｌｌ?＿??ｉ?＾ｒｅｃｏｎ?ｊ?ｉ??图３－２面向多模态形状补全的条件对抗生成网络??２．３．２学习点云的数据隐式空间??给定一个点云数据集合，我们通过训练一个自编码器来获得该点云数据隐式??空间，在训练自编码器的过程中，自编码器将点云编码至低维空间中，然后再从低??维空间中重建输入点云。??对于在完整形状点云集合ｅ中的点云ｃ，我们训练一个编码器ｆＡＥ来将ｃ从原始??数据空间！＾＾３映射到低维空间ｘｅ，而另外一个解码器ｚ？ＡＥ则学习一个逆映射来从??低维空间Ｘｅ中重建原始输入点云得到￡?ｃ?Ｍ〃ｘ３。整个自编码器的训练损失函数为：??￡＿?＝?Ｅｃ￣ｐ（ｃ）ｄＥＭＤ（Ｃ』ＡＥ（ＦＡＥ（Ｃ））），?（２－１）??其中，Ｃ￣ｐ（Ｃ）表示从完整点云集合中完整点云的采样，ｄＥＭＤ（Ｕ２）为两个点云??之间的Ｅａｒｔｈ?Ｍｏｖｅｒ’ｓ?Ｄｉｓｔａｎｃｅ?（ＥＭＤ）。一旦训练好，这个自编码器的网络权重将??被固定住不变，并且一个完整点云的完整隐式向量Ｘｅ?＝?ＥＡＥ（ｃ），ｘｅ?ｅ?ｘｊｔ、式地捕??捉了完整形状点云的数据流形，并为我们后续的训练提供了低维紧凑的数据表??达。另外，对于不完整形状点云集合：ｐ中的点云Ｐ，我们可以直接将其输入到￡ａｅ??中进行编码以建模不

??山东大学博士学位论文??＾?＾?＾?ｅ％ｆｆｙ?＾?ｒｔｆ＾??Ｉ?？零：ｆ?■＇雩：等，攀ｆ?瞀零？??＇?：’?．（．．?■＇?＊?＃?＃?ｊ＾?，＃?Ｓ?ｍ??省考奉＾事中，＿春尋??＿眷學ｆ警譬＠蕾｜響｜｜??屬｜｜身？婦壽舞鬌？？．?＃嘗??＞?：？、齊－身，声齋，漆??，气娜轉卿，，哼啤＿釋釋??图?２－３?多模态形状补全。第?１－３?行：ＰａｒｔＮｅｔ：第?４－６?行：ＰａｒｔＮｅｔ－Ｓｃａｎ；第?７－９?行：３Ｄ－ＥＰＮ??为了可以对补全结果中的模态有显式的控制，模态条件输入Ｚ也可以从用户指??定的形状中编码得到。如图２－４所示，从指定形状编码得到条件模态向量ｚ使得本??章地多模态形状补全方法可以在参考形状的引导下对输入的不完整点云进行补全。??下一章节将展示使用本章方法进行多模态补全的量化结果，还有与其他方法??之间进行的量化比较和质量比较。??％?１＃?＾?ｆ?Ｉ?＾?＃??｜ｆ?ｗ！??图２－４??１９??
【参考文献】

相关期刊论文 前1条

1 王忠宏;李扬帆;张曼茵;;中国3D打印产业的现状及发展思路[J];经济纵横;2013年01期

本文编号：2859463