基于神經網絡切片的高精度3D打印系統

光散射的嚴重影響著微結構的打印，其會導致各種不必要的聚合，從而導致細小結構無法打印，降低打印機的實際分辨率。而現有解決辦法或是使用具有更高分辨率的打印機，或是進行曝光時間與曝光光強的工藝優化，兩者皆需耗費大量的成本與時間。

為克服這一現狀，來自University of California, San Diego的陳紹琛教授團隊在SPIE會議上發表了題為“Mitigating scattering effects in DMD-based microscale 3D printing using machine learning”的文章，提出了一種通過機器學習進行切片圖像灰度值處理，從而減少散射效應并提高打印精度的3D打印方法。

研究人員首先搭建了投影式光固化打印系統，其與傳統投影式光固化打印系統不同之處在于：傳統投影式光固化打印系統主要通過調整打印光強與曝光時間進行工藝調整，而研究人員則重點針對切片圖像進行處理，他們設計了一種14層全卷積神經網絡，并將不同的灰度圖片與相應打印結果輸入到神經網絡中，不斷的進行訓練，完成訓練后的神經網絡可以依照設計的形狀生成相應的灰度圖像（切片圖像），用于抑制散射，實現高精度的打印。

接著，研究人員為了評估所設計的借助神經網絡進行切片的3D打印系統的性能，進行了如圖2（a）所示結構的打印，可以看到，由神經網絡生成的切片結果在模型邊緣部分增加了像素點以提高能量防止欠曝光，在類孔結構邊緣削減了像素點以降低能量防止過曝光，符合邏輯，且使用神經網絡生成的切片結果打印得到的結構也很好的還原了所設計的形狀，展現了研究人員所設計3D打印系統的優秀精度。

然后，研究人員比較了神經網絡給出的灰度圖像（切片圖像）與傳統切片方法得到的灰度圖像（切片圖像），由打印結果可以看到，傳統切片方法存在局限性，無論如何調整打印參數，其始終無法很好的還原所設計模型的一些細節，而使用神經網絡進行切片則很好緩解了這一問題，其打印的各類模型都具有較高的精度。

最后，研究人員對神經網絡給出的灰度圖像（切片圖像）和使用傳統切片方法得到的灰度圖像（切片圖像）的打印結果進行了定量分析，他們計算了所有打印結果的Dice系數（用于評價兩個集合的相似程度，越接近1越相似），可以看到，傳統切片方法由于無法同時避免欠曝光與過曝光，使得其Dice系數較低，而神經網絡給出的灰度圖像（切片圖像）則具有明顯優勢，進一步展現了運用神經網絡進行切片的顯著優勢。

文章來源：
https://doi.org/10.1117/12.2577129

來源： EFL生物3D打印與生物制造