基于神经网络切片的高精度3D打印系统

来源： EFL生物3D打印与生物制造

光散射的严重影响着微结构的打印，其会导致各种不必要的聚合，从而导致细小结构无法打印，降低打印机的实际分辨率。而现有解决办法或是使用具有更高分辨率的打印机，或是进行曝光时间与曝光光强的工艺优化，两者皆需耗费大量的成本与时间。

为克服这一现状，来自University of California, San Diego的陈绍琛教授团队在SPIE会议上发表了题为“Mitigating scattering effects in DMD-based microscale 3D printing using machine learning”的文章，提出了一种通过机器学习进行切片图像灰度值处理，从而减少散射效应并提高打印精度的3D打印方法。

研究人员首先搭建了投影式光固化打印系统，其与传统投影式光固化打印系统不同之处在于：传统投影式光固化打印系统主要通过调整打印光强与曝光时间进行工艺调整，而研究人员则重点针对切片图像进行处理，他们设计了一种14层全卷积神经网络，并将不同的灰度图片与相应打印结果输入到神经网络中，不断的进行训练，完成训练后的神经网络可以依照设计的形状生成相应的灰度图像（切片图像），用于抑制散射，实现高精度的打印。

图1 3D打印机和打印结构的示意图。（a） 基于 DMD 芯片的 3D 打印机。（b）灰度图像（切片图像）输入到3D打印机中，再由3D打印机输出结构。神经网络将所设计结构的理论形状作为输入，并输出灰度图像（切片图像）。3D打印机的输入和输出用于训练神经网络。（c） 训练灰度图像（切片图像）的例子。（d） 所采用的神经网络的架构

接着，研究人员为了评估所设计的借助神经网络进行切片的3D打印系统的性能，进行了如图2（a）所示结构的打印，可以看到，由神经网络生成的切片结果在模型边缘部分增加了像素点以提高能量防止欠曝光，在类孔结构边缘削减了像素点以降低能量防止过曝光，符合逻辑，且使用神经网络生成的切片结果打印得到的结构也很好的还原了所设计的形状，展现了研究人员所设计3D打印系统的优秀精度。

图2 （a）所设计的理论形状;（b） 神经网络给出的灰度图像（切片图像）;（c）打印得到的结构。（d） 神经网络给出的灰度图像（切片图像）与所设计的理论形状之间的对比

然后，研究人员比较了神经网络给出的灰度图像（切片图像）与传统切片方法得到的灰度图像（切片图像），由打印结果可以看到，传统切片方法存在局限性，无论如何调整打印参数，其始终无法很好的还原所设计模型的一些细节，而使用神经网络进行切片则很好缓解了这一问题，其打印的各类模型都具有较高的精度。

图3 使用神经网络给出的灰度图像（切片图像）和使用传统切片方法得到的灰度图像（切片图像）的打印结果。第一列是所设计的理论形状。第二列到第四列是使用传统切片方法得到的灰度图像（切片图像）在50%，75%和100%平均光强下的打印结果。第五列是使用神经网络给出的灰度图像（切片图像）得到的打印结果

最后，研究人员对神经网络给出的灰度图像（切片图像）和使用传统切片方法得到的灰度图像（切片图像）的打印结果进行了定量分析，他们计算了所有打印结果的Dice系数（用于评价两个集合的相似程度，越接近1越相似），可以看到，传统切片方法由于无法同时避免欠曝光与过曝光，使得其Dice系数较低，而神经网络给出的灰度图像（切片图像）则具有明显优势，进一步展现了运用神经网络进行切片的显著优势。

图4 使用神经网络给出的灰度图像（切片图像）和使用传统切片方法得到的灰度图像（切片图像）的打印结果。（a）-（c）是在不同条件下打印结果的叠加轮廓。白色轮廓是所设计的理论形状。红色轮廓是使用神经网络给出的灰度图像（切片图像）得到的打印结果。黄色、绿色和蓝色轮廓分别表示使用传统切片方法得到的灰度图像（切片图像）的打印结果，其平均光强分别为 100%、75% 和 50%。（d）-（g） 是 （a） 中虚线框架中的放大视图。（h） 打印结果与理论形状之间的Dice系数

文章来源：
https://doi.org/10.1117/12.2577129