提出一种基于目标检测算法的柔性浅埋物的声-振智能探测方法，将声波激励、激光散斑干涉测振和目标检测算法有机结合，用以柔性浅埋物的大范围快速探测。在论述YOLO系列目标检测算法原理的基础上，选择并优化柔性浅埋物的智能探测网络模型；然后，搭建声-光融合智能探测系统，构建不同柔性浅埋物的激光散斑干涉条纹图数据集；最后，对数据集进行训练和测试，验证该算法用于干涉条纹图识别的可行性。实验结果表明：在给定实验条件下，柔性浅埋物智能探测网络模型的精确率为98.39%，召回率为84.72%，平均识别精度为99.66%。该声-振智能探测方法可以在给定实验环境下对多种柔性浅埋物的激光散斑干涉条纹图进行智能识别，适用于浅层地下柔性掩埋物的大面积快速探测。

条纹投影轮廓术用于测量高反表面时，相机成像会出现饱和区域，区域内相位信息难以提取，进而造成三维重建错误。为此，文中提出了一种分块平滑自适应条纹投影方法。首先，通过投影少量均匀灰度图，对饱和区域进行分块，根据各块的饱和程度，计算相应的初始投影强度。随后，在不饱和情况下，投射亮暗两种强度的条纹图，通过在饱和区域融合两者相位信息，实现相机到投影仪的坐标匹配，获取初始映射投影强度；然后，对初始映射投影强度进行多项式拟合，构建平滑的投影强度曲线，用于逐像素获取最佳投影强度值，同步填补了因相机与投影机分辨率差异引起的映射孔洞，最终生成自适应条纹。最后，将生成的自适应条纹投射至被测物体，进行了相位解算和三维重建。实验结果表明：所提方法只需投影少量灰度图就能生成高动态范围的自适应条纹，实现了饱和区域相位信息的完整提取。相比于现有改进方法，面形三维重建的标准偏差分别减少了40%和28.6%，有效地提高了高反表面形貌测量精度。

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.

提出一种利用深度学习强大的隐式建模能力解决单帧条纹图正交化存在的欠采样问题，结合条纹图降噪归一化技术，利用对抗生成网络的特征先验，构造了一种条纹图轮廓项数字方式的π/2相移网路，实现了单帧条纹图的正交化，放松了应用解析模型法实现条纹图正交化时的严格要求。通过标签图像对训练后，该网络成功地实现了归一化后的条纹图的正交化，进而高精度地实现了单帧条纹图的相位解调。仿真和实验分析证明，与基于Riesz变换的数字相移方法相比，所提方法求解更可靠，能有效地恢复测量相位。以现有的多帧高精度相移算法的解调结果作为参考值，实验结果表明所提方法的相位误差分布在0.05 rad以内，为瞬变场和物体三维轮廓测量提供了一种途径。

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。