为了在复杂噪声环境下从焊缝图像中精确地提取结构光条纹,构建了语义分割与目标检测相结合的深度学习模型用于焊缝图像的检测。为了提高模型的检测速度,在语义分割分支中,通过添加并行下采样模块及缩减卷积核数量的策略对模型进行了优化,并使该分支与目标检测分支的特征提取部分共享权重。针对焊缝图像中结构光条纹与背景像素比例失衡而导致模型分割结果偏向负样本的问题,在损失函数中添加Dice系数来对模型进行修正。经实验验证,该方法在保证实时性的基础上,以较高的精度实现了结构光条纹的检测。

为了精确、快速地提取结构光光条中心,提出了一种基于BP神经网络的中心提取方法。给出了使用BP神经网络实现光条中心提取的基本原理、训练网络所需的理想中心点的求取方法,以及网络权值的调整算法。研究了隐含层神经元个数m、隐含层层数h,以及训练样本对中心提取精度的影响,结果表明:当m=3,h=1,训练样本为带有噪声的随机光条时,神经网络能够得到更好的光条中心。由对比实验可以看出,所提方法相较于Steger方法和灰度重心法的中心提取精度更高,而且对1280 pixel×960 pixel光条图像中心提取的平均用时仅约为0.04 s,为Steger方法的0.27%。所提方法具有高精度、高效率等优势,能够满足复杂光条亚像素中心提取的要求。

研究了基于线结构光光条信度评价的相机曝光时间优化方法,将信度评价结果作为曝光时间优化的参考指标。结合光条切面服从高斯分布的特点,对已有光条信度评价模型进行改进,构建高斯信度评价模型;利用亚像素光条中心提取方法对不同曝光时间下采集到的光条图像进行光心提取,提取结果经高斯信度评价模型评价得到评价信度值C和灰度值R;分析曝光时间t对评价结果的影响机理,构建t-C、t-R变化模型,并通过分析变化模型得到了相机最优曝光时间。实验以230 lx光强下的高精密齿条和水泥路面模型作为测量对象,结果表明:曝光时间优化后的测量更准确且效率更高,单光条测量的平均残差平方和约为0.03 mm ²,重构模型的平均构造深度与真实模型仅差9.8%。

结构光三维测量中，光条中心点的提取是极其重要的步骤。现有方法对结构光条中心点提取都仅仅是标志中心点的位置，而中心点位置的可信与否，并未提及。对于一些特殊场合应用，例如室外复杂情况的测量，需要确定测量结果的可信程度。如何评价光条提取的中心点的可信程度成为亟待解决的关键问题。针对这一问题，对光条模型进行实际分析，给出了更为合理的高斯模型为光条模型。在此基础上以光条截面归一化高斯模型能量和为信度评价依据，提出了结构光条中心点信度评价方案，同时进行了实验验证。结果表明，此评价结果可以有效地评价区分各种情况的光条中心点的可信程度，更加符合实际评价需求。