浙江农林大学光机电工程学院,浙江 杭州 311300
随着深度学习和结构光条纹投影三维成像技术的发展,直接从单幅条纹图中恢复物体的三维形状的研究近年来受到了多个领域的关注。提出改进的全局引导路径网络MultiResHNet,实现对单幅条纹图的3D形状重建,将现有结构光学三维成像方案与深度卷积神经网络结合,对仿真数据和实验数据分别进行了验证。实验结果表明,所提方法预测的3D形状比已有的U-Net神经网络预测的3D形状更加准确,误差更小,精度更高。实验结果证明了所提技术的有效性和鲁棒性,为后续的3D形状重建技术的提高提供了科学依据,具有一定的参考和应用价值。
条纹图 结构光 卷积神经网络 3D形状 机器视觉 激光与光电子学进展
2023, 60(20): 2015006
1 天津工业大学生命科学学院,天津 300387
2 天津工业大学电子与信息工程学院,天津 300387
3 天津市光电检测技术与系统重点实验室,天津 300387
针对单幅电子散斑干涉条纹图的相位恢复问题,以U-Net为基础网络,融合子像素卷积模块和结构化特征增强模块,提出了USS-Net,实现对单幅条纹图端到端的相位恢复。首先改进上采样方式,采用子像素卷积使网络能学习到更多的条纹细节信息,同时降低反卷积零值填充对梯度计算的影响。其次在编码部分改进特征融合方式,采用结构化特征增强模块,充分融合不同尺度的特征信息,解决条纹疏密程度不均导致特征提取不佳的问题,进而提升对单个像素点的分割准确性。建立了ESPI条纹-相位仿真和实验数据集,对USS-Net模型进行测试与分析,验证所提方法的有效性。所提方法克服了传统相位恢复方法过程繁琐、容易受噪声干扰等缺点,有效提高了单幅条纹图相位恢复的准确率。
图像处理 条纹图 相位恢复 卷积神经网络 子像素卷积 结构化特征增强 激光与光电子学进展
2023, 60(16): 1610003
红外与激光工程
2023, 52(5): 20220825
Shijie Feng 1,2,3Yile Xiao 1,2,3Wei Yin 1,2,3Yan Hu 1,2,3[ ... ]Qian Chen 1,2,*
Author Affiliations
Abstract
1 Nanjing University of Science and Technology, Smart Computational Imaging Laboratory, Nanjing, China
2 Nanjing University of Science and Technology, Jiangsu Key Laboratory of Spectral Imaging and Intelligent Sense, Nanjing, China
3 Smart Computational Imaging Research Institute of Nanjing University of Science and Technology, Nanjing, China
In recent years, there has been tremendous progress in the development of deep-learning-based approaches for optical metrology, which introduce various deep neural networks (DNNs) for many optical metrology tasks, such as fringe analysis, phase unwrapping, and digital image correlation. However, since different DNN models have their own strengths and limitations, it is difficult for a single DNN to make reliable predictions under all possible scenarios. In this work, we introduce ensemble learning into optical metrology, which combines the predictions of multiple DNNs to significantly enhance the accuracy and reduce the generalization error for the task of fringe-pattern analysis. First, several state-of-the-art base models of different architectures are selected. A K-fold average ensemble strategy is developed to train each base model multiple times with different data and calculate the mean prediction within each base model. Next, an adaptive ensemble strategy is presented to further combine the base models by building an extra DNN to fuse the features extracted from these mean predictions in an adaptive and fully automatic way. Experimental results demonstrate that ensemble learning could attain superior performance over state-of-the-art solutions, including both classic and conventional single-DNN-based methods. Our work suggests that by resorting to collective wisdom, ensemble learning offers a simple and effective solution for overcoming generalization challenges and boosts the performance of data-driven optical metrology methods.
optical metrology fringe-pattern analysis deep learning ensemble learning three-dimensional measurement phase retrieval Advanced Photonics Nexus
2023, 2(3): 036010
1 天津大学精密仪器与光电子工程学院,天津 300072
2 天津大学光电信息技术教育部重点实验室,天津 300072
从实验上研究了干涉粒子成像技术(IPI)的最大可测粒子尺寸。分析了同一视场中不同物面导致的物距变化对IPI最大可测粒径的影响。搭建了单光束照射的IPI实验系统,对粒子直径为51 μm和110 μm的聚苯乙烯混合粒子场进行测量,分析了同一视场内不同采集区域的最大可测粒径。实验结果表明,IPI技术最大可测粒径受实验系统物距影响,对于一固定参数的实验系统,同一视场内不同采集区域的最大可测粒径不同。
散射 干涉粒子成像 离焦条纹图 粒子尺寸测量 最大可测粒径 激光与光电子学进展
2023, 60(6): 0629001
湖北汽车工业学院 机械工程学院, 湖北 十堰 442002
基于变形条纹图分析的非接触三维光学测量中, 从采集的变形条纹图中提取相位分布, 进而获得被测形状的面信息, 但是测量中获取的条纹图含有噪声,影响了提取相位信息的精度。为了更好更快的去除条纹图中的噪声, 提出了一种改进U-net神经网络的深度学习滤波算法, 在图像去噪领域, U-net获取的浅层特征较少, 所提算法在U-net的卷积层中含有1×1的平行卷积分支, 获取多尺度特征信息, 分别添加1、2、3个1×1平行卷积分支进行实验。实验采用含有高密度区域的条纹图, 并与目前最新的深度学习条纹图去噪算法对比, 去噪效果提升0.9%, 去噪效率提升41.7%, 训练时间减少30.8%。
光学测量 条纹图去噪 U-net神经网络 深度学习 optical measurement fringe pattern denoising U-net neural networks deep learning
1 华南农业大学 电子工程学院(人工智能学院) 应用物理系, 广东 广州 510642
2 暨南大学 理工学院 光电工程系, 广东 广州 510632
针对目前条纹模板测量法在图像畸变校正中所存在的过校正问题, 文章采用载频条纹相位解调分析结合畸变模型实现对镜头桶形畸变的测量与校正。以载频条纹图像作为校正模板, 使用广角镜头相机进行拍摄, 获得畸变条纹图像; 采用具有高空间局域特性的四步相移分析方法进行相位解调, 获得畸变中心位置以及径向畸变量分布; 根据桶形径向畸变的偶数阶多项式模型展开数值拟合分析, 对畸变参量进行估算, 结合畸变中心位置点参量, 最终实现对畸变图像的校正。数值模拟以及实验结果表明, 方法简单、有效, 具有实际的应用价值。
信息光学 畸变校正 机器视觉 相位分析 条纹图像分析 information optics distortion correction computer vision phase analysis fringe-pattern analysis
1 暨南大学 光电工程系,广东 广州 510632
2 华南农业大学 物理系,广东 广州 510642
文中提出了一种基于相移条纹图相位分析的广角镜头畸变校正方法。首先,用大尺寸液晶平板显示器显示四幅相移量为π/2的余弦条纹图作为校正模板。然后,用广角镜头相机拍摄该校正模板,获得四幅畸变条纹图,使用四步相移算法解调径向畸变条纹图的相位分布。由于经广角镜头成像的图像中心区域几乎无畸变,利用图像中心无畸变的相位值进行数值拟合得到径向无畸变条纹图的相位分布,作为求解径向畸变相位的基准,也就是径向畸变相位分布可以根据径向畸变条纹图的相位分布与径向无畸变条纹图相位分布相减得到,再将畸变相位转换成实际的畸变量。提出的方法不需要通过特征点或特征线确定畸变模型,可以直接计算畸变图像中每个像素点的畸变量。实验结果表明,提出的方法简单、有效,具有广泛应用价值。
畸变校正 广角镜头 条纹相位分析 distortion calibration wide-angle lens fringe-pattern phase analysis 红外与激光工程
2020, 49(6): 20200039