激光投影显示散斑抑制方法研究

激光投影技术是第四代显示技术,其基于红绿蓝三色激光作为光源,具有超高清、高亮度和大色域的特点,由于具有这些方面的特点,具有非常广阔的应用前景。在激光投影技术应用过程中,散斑问题严重制约了激光投影技术的应用,基于此对散斑形成的原因进行了分析,并且探讨了散斑的抑制方法。     

多阶段深度学习单帧条纹投影三维测量方法

深度学习的应用简化了数字条纹投影三维测量的过程,在传统数字条纹投影三维测量技术条纹投影、相位计算、相位展开、相位深度映射的流程中,研究者们已经成功证明了前三个环节以及整个流程结合深度神经网络的可行性。基于深度学习,PDNet (Phase to Depth Network)神经网络模型被提出,用于绝对相位到深度的映射。结合多阶段深度学习单帧条纹投影三维测量方法,通过分阶段学习方式依次获得物体的绝对相位与深度信息。实验结果表明,PDNet能较准确地测量出物体的深度信息,深度学习应用于相位深度映射步骤具有可行性。并且,相较于直接从条纹图像到三维形貌的单阶段深度学习单帧条纹投影三维测量方法,多阶段深度学习单帧条纹投影三维测量方法可以明显提升测量精度,仅需单帧条纹图像输入即可获得毫米级测量精度,且能适应具有复杂形貌物体的三维测量。     

基于深度学习的激光剪切散斑干涉无损检测缺陷识别

剪切散斑干涉技术通过测量物体表面变形来推断其内部缺陷,具有高灵敏度、检测范围广、精度高等优点,是一种极具潜力的复合材料无损检测技术。目前缺陷识别主要采用人工方式,而人工识别不但检测效率低且受到专业性限制。为了提高剪切散斑干涉无损检测方法中的缺陷识别精度和效率,本文提出基于深度学习剪切散斑干涉缺陷识别方法。利用高精度四步相移技术获取剪切散斑相位条纹高质量成像;引入了应用广泛的YOLOv5和Faster R-CNN目标检测算法,通过实验采集了大量的缺陷图像,分别用YOLOv5和Faster R-CNN两种算法获得训练模型。然后将这两种模型分别应用于剪切散斑干涉无损检测中的复合材料缺陷检测。最后,实验从检测速率和检测精度方面对模型识别效果进行了对比分析。实验结果表明,激光剪切散斑干涉技术结合深度学习的方法能有效地实现剪切散斑干涉无损检测的缺陷自动识别,Faster R-CNN和YOLOv5的检测速率分别能达到11 f/s和50 f/s,并且两种深度学习算法的平均精度均能达到92%以上,验证了提出方法的可行性。     

基于深度学习的剪切散斑干涉条纹图滤波方法

剪切散斑干涉技术作为一种非接触式的高精度光学全场测量方法,可以对复合材料内部缺陷进行无损检测,但所得的相位条纹图中包含大量散斑噪声,会对检测结果和精度产生严重影响。为此,提出了一种基于无监督图像风格转换模型（CycleGAN）的相位条纹图滤波方法。该方法将剪切散斑干涉技术获取的原始噪声相位条纹图通过网络训练转换为理想无噪声条纹图,从而实现对相位条纹图中噪声的滤除。实验结果表明,所提方法能够实现对噪声的高效滤除,滤波图像边界清晰、对比显著,且运行时间明显优于其他方法,仅需30 ms左右便能实现条纹图的高质量滤波,符合动态无损检测的发展需求,为相位条纹图的噪声滤除提供了新的思路。     

深度学习精确相位获取的离焦投影三维测量

数字光栅投影三维测量技术,通过离焦投影二值光栅条纹,生成三维测量所需正弦光栅条纹,能够实现超高投影速度,在快速三维测量领域具有极大潜力。但是,二值光栅条纹不可避免地包含高次谐波,导致计算所得相位包含相位误差,进而降低了快速三维测量精度。提出了一种基于深度学习精确相位获取的离焦投影三维测量方法,通过构建含噪声相位到精确相位的端到端深度卷积神经网络,降低高次谐波引入的相位误差,进而实现快速精确三维测量。首先,以理论分析证明所提方法的可行性,并以仿真和实验进一步验证了所提方法的有效性和精确性。与现有快速三维测量方法相比,所提方法在保证测量速度的同时保证测量精度。     

基于深度学习技术从散斑场中识别多多涡旋结构的轨道角动量

涡旋光束的轨道角动量(OAM)可用于信息的编码,因此在自由空间光通讯等领域具有重要的应用价值。然而,实际的传输空间通常存在着各种随机介质,会造成传输涡旋光束的波面畸变,导致传统的方法无法准确测量涡旋光束的轨道角动量。针对此问题,以毛玻璃作为随机介质,基于深度学习技术,从涡旋光束经过毛玻璃所产生的散斑场中准确识别出了涡旋光束的轨道角动量。进一步,为提升光信息的编码与传输能力,还测试了多涡旋结构光束的轨道角动量识别。测试结果表明,对于五个涡旋结构的光束,所设计的网络也能从单帧散斑图中准确识别其轨道角动量。     

采用新投影技术的三维轮廓术

提出一种基于新的投影方式的三维面形测量技术。这项技术解决了传统投影方式在测量较大物体时带来的视场不够、亮度不均匀，从而影响测量范围及测量精度的问题。测试结果表明，该技术是简单、可行的。     

基于散斑立体匹配的快速三维人脸重建

本文提出一种高效的人脸三维重建方法。该方法将 散斑投影至人脸表面以增加其特征信息,并采用一种由粗到精的时空立体匹配算法来提高三 维人脸重建的精度。进一步,该算法利用 时空积分图对立体匹配的代价函数进行加速计算,进而提高了重建效率。此外,所提出方法 通过人脸检测 去除无关背景,使后续的三维重建算法能够高效地作用在人脸区域上。实验表明,所提出方 法对3D打印人 脸(精度为0.01 mm)模型的重建平均误差为0.32 mm,对哑铃规球心测距和直径测距(精度皆为0.01 mm)其 误差皆低于1个百分点,以上结果优于同类产品。与现有立体匹配算法相比,本文方法所得 视差图面部无 空洞且视差变化均匀,更真实地反映出被测人脸的三维形状。     

Wavelet based deep learning for depth estimation from single fringe pattern of fringe projection profilometry

Depth estimation from single fringe pattern is a fundamental task in the field of fringe projection three-dimensional (3D) measurement. Deep learning based on a convolutional neural network (CNN) has attracted more and more attention in fringe projection profilometry (FPP). However, most of the studies focus on complex network architecture to improve the accuracy of depth estimation with deeper and wider network architecture, which takes greater computational and lower speed. In this letter, we propose a simple method to combine wavelet transform and deep learning method for depth estimation from the single fringe pattern. Specially, the fringe pattern is decomposed into low-frequency and high-frequency details by the two-dimensional (2D) wavelet transform, which are used in the CNN network. Experiment results demonstrate that the wavelet-based deep learning method can reduce the computational complexity of the model by 4 times and improve the accuracy of depth estimation. The proposed wavelet-based deep learning models (UNet-Wavelet and hNet-Wavelet) are efficient for depth estimation of single fringe pattern, achieving better performance than the original UNet and hNet models in both qualitative and quantitative evaluation.     

ign language learning based on high-speed fringe projection profilometry employing defocused binary fringe

A high-speed fringe projection profilometry employing defocused binary fringe is presented to record the 3-D sign language, including gesture and mouth movement, to help people learn the sign language. It employs a number of advanced approaches, such as fringes binarization and defocus method, high precision phase calculation based on the phase-shifting method and the three pitches heterodyne unwrapping(TPHU) method, and how to combine multiple binary fringes into a 24-bit fringe. Experiments have shown that the proposed system can acquire and display high-quality 3 D gesture and mouth movement at a speed of 500 frames per second.     

两步广义相移的投影栅轮廓术

将两步广义相移法引入投影栅形貌测量,提出了 一种两步广义相移的投影栅轮廓术 。首先将2幅随机相移正弦条纹通过DLP投影仪投射到待测物体上,由CCD相机采集受物体形 貌调制的变形光栅条纹图;然后选择合适大小窗口经像素逐点均值法消除变形栅线图中的 背景 成分,利用栅线图灰度利用极值法、亚像素插和多点平均算法,准确提取2幅随机相移栅线 图的相移量;最后由求得的相移量和2幅消除了背景成分的栅线图,计算出与形貌对应的相 位数据。进行了实际测量,结果表明本文方法的可行性。     

深度学习技术在条纹投影三维成像中的应用

条纹投影（结构光）三维成像是一种广泛使用的三维成像手段。近年来，集成式的三维传感器发展迅速，特别是基于结构光原理的三维传感器件已逐渐成为高端智能手机必不可少的一个重要传感单元。然而随着应用需求的不断增多，人们对条纹投影三维成像这项技术的效率、精度、稳定性等方面的要求也越来越高。同时近年来，深度学习技术的飞速发展已经为光学成像技术的发展开启了一扇新的大门，并且从这扇大门中人们注意到伴随着人工智能概念的引入，条纹投影技术的发展也正在经历着新的突破。首先简要介绍了条纹投影三维成像的基本理论。随后举例分析通过运用深度学习技术，起初基于物理模型的条纹投影技术也可成为一种在“数据”驱动下实现的技术，而且在这种情况下，它展现出了超越传统算法的潜力。最后从神经网络模型、训练数据、训练方法等方面，讨论该领域面临的挑战与未来的研究方向。     

基于条纹投影轮廓术的相位-高度映射标定方法

在基于条纹投影轮廓术和转台辅助的360° 三维形貌测量中,使用移动工作台标定系统几何参数时存在操作复杂、携带不便的问题。文中提出了一种基于相机、投影仪、计算机和转台组成的转台的单目全景三维形貌测量系统的柔性标定方法。该算法主要利用转台和标记点完成系统几何参数的标定。对于完整的标定过程,该方法仅要求相机捕捉参考面的变形条纹图像、旋转后标定平面上的变形条纹图像以及旋转后的标记点图像。与传统方法相比,该方法更加方便、省时。新的相位高度映射标定方法用于重建高度为10.000 mm的标定平面,结果为10.047 mm。实验验证了所提方法的有效性。     

应用深度学习的信号解调

针对噪声干扰信道下的信号解调问题,提出了应用深度学习的信号识别方法,通过识别信号完成信号解调.深层置信网络使用受限波尔兹曼机为基本单元,设计针对通信信号识别的多层深层置信网络.通信信号首先变换为特定表征序列,并以此构建完备的训练集合对深度置信网络进行逐层的无监督学习和全局有监督的微调反馈学习,在深层置信网络的权重参数优化过程中实现对通信信号的特征提取与识别.仿真实验表明,与传统调制信号解调方法相比,应用深度学习的信号解调方法的检测性能有约0.4 dB的提升.     

条纹投影用于不同景深物体的三维测量

条纹投影轮廓术（Fringe Projection Profilometry, FPP）由于其非接触、测量精度高等特点被广泛应用于缺陷检测、逆向工程、计算机视觉等领域中。然而,传统的FPP单次测量只能获得有限景深范围内的被测物体的三维轮廓,无法完成视场范围内不同景深的多个被测物体的同时精确测量。文中在传统FPP系统的基础上增加两面反射镜和两个三棱镜,搭建了一种镜面辅助的FPP系统。所提出的方法能将摄像机不同景深范围内的被测物体转换到同一景深范围内,从而实现不同景深的多个被测物体的三维轮廓高精度测量。实验通过6层标准石膏阶梯模型验证了景深对三维轮廓测量结果的影响;同时分别采用传统FPP和提出的FPP系统对不同景深范围内两个标准乒乓球同时进行了轮廓测量,传统FPP测得的摄像机聚焦点处和未聚焦的乒乓球的拟合半径相对误差分别为2.9%、34.3%,而镜面辅助的FPP测得的相对误差分别为2.7%、5.3%。结果表明:文中提出的方法能补偿由于景深引起的误差,从而验证了该方法在不同景深物体三维测量中的可行性。     

条纹投射技术中的投影机非线性自校正方法研究进展

在条纹投射技术中,投影机光强非线性是影响测量精度的关键因素之一。投影机非线性会在条纹信号中引入高阶谐波,从而导致位相测量结果中出现波纹状误差。投影机非线性的自适应校正方法,也即自校正方法,可以从测量数据中直接估计投影机输入输出光强曲线或位相误差函数,从而避免了繁琐的前标定过程,并因此在应用中具备很强的适应性。文中拟对投影机非线性自校正算法的研究进展作一个系统性的概述。这些方法中,其一,是从采集的条纹图像中利用迭代拟合算法直接估计投影机的非线性曲线,并依据其校正位相误差;其二,是从单幅测量位相图中识别并移除由非线性引起的位相误差;其三,是利用两幅不同频率的测量位相图估计误差系数,并补偿其影响。实际测量结果表明:上述自校正方法,在无需标定数据条件下,可以有效地解决投影机非线性误差问题,有助于提高条纹投射技术的测量精度。