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。     

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。     

双光束照明的干涉粒子成像粒子尺寸测量

设计一种两光束相向照射,在散射角θ=90°方向记录的干涉粒子成像测量实验系统,利用模版匹配相关方法提取粒子两点像的位置坐标,根据粒子像位置坐标,粒子掩模图的形状和大小提取出单个粒子两点像。再对每个粒子两点像进行自相关、Gaussian插值提取两点像之间距离,进而计算得到粒子尺寸大小,其测量精度可达到亚像素精度。对标称值为45 mm的标准粒子进行了测量,粒径测量值为(46.54±0.50)mm,相对误差3.42%。实验结果表明了该方法的可行性。     

深度神经网络在无源定位中的应用研究

针对无源定位中噪声统计特性不准确和对多源信息的综合利用,提出一种利用深度神经网络（DNN）的无源定位方法,该方法将训练集数据输入到深度神经网络中进行学习训练,利用随机失活这一正则化方法提高了模型的泛化能力,对模型的超参数选择进行二维搜索,最终得到深度神经网络模型的最优参数设置。将其和传统的无源定位方程解算方法以及单层神经网络模型进行对比,仿真结果表明提出的方法能有效降低噪声对无源定位的精度影响,增强了系统鲁棒性,同时也证明了深度神经网络对多源信息的综合利用能力。     

透镜畸变模型下的亚像素对应点匹配方法

对应点搜索的精度是保证基于条纹投影的三维测量系统性能的关键因素之一,它直接影响到后期深度测量数据的匹配及融合的精度。目前基于相位相关技术的亚像素查找技术能够保证精度,但前期双方向条纹采集时间过长;而基于单方向条纹相位插值算法的对应点搜索未考虑镜头畸变,模型简单化造成精度下降。在透镜畸变模型下提出以绝对相位和极线参数作为两方向坐标,并结合相位线性插值算法的亚像素对应点搜索方法。理论分析和实验结果证明了所提出方法的有效性。     

基于衍射理论的分块镜共相位误差的高精度测量

拼接式的分块镜能满足下一代望远镜更大、更轻和可折叠的要求,分块镜共相位误差的高精度检测是望远镜实现超大口径、超高分辨率成像的技术关键.从理论上证明了一个波长范围内.衍射光斑最高峰的峰值位置偏离图像中心位置的距离与共相位误差之间呈线性关系,提出了基于衍射理论的峰值位置法检测分块镜共相位误差的方法.该方法对峰值位置的定位精度要求很高,采用基于高斯拟合的峰值定位方法,在采样点为10个左右、采样间隔为5μm的条件下,定位精度可达到600 mm,能够满足定位要求.实验结果表明:该方法能够有效检测分块镜的共相位误差,在一个波长的测量范围内,其测量精度能够达到λ/20.该方法系统简单,测量精度高,适合大型分块镜共相位误差的测量.     

基于数字全息层析的温度场三维检测方法

提出一种结合数字全息干涉测量原理和计算层析迭代原理的温度场三维检测方法。首先,基于光纤传导的离轴数字全息光路,通过旋转记录多角度的数字全息图。然后,对全息图进行数值重构,获得多角度上的定量相位分布,以此作为计算层析迭代的投影数据,并采用层析迭代算法重建三维折射率场分布。最后,基于折射率与温度之间的关系,反演得到三维温度场分布。基于上述方法搭建了实验系统并开展实验验证,实验测量结果与温度场预测分布基本一致,证明了该方法在对温度场三维检测的可行性。     

利用双神经网络的相机标定方法

计算机视觉中,摄像机标定作为摄像测量技术的前提,是必不可少的一个环节.针对目前基于神经网络的相机标定方法训练精度不够高的问题,提出了一种基于双神经网络的相机标定方法.该方法从成像模型出发,推导出相机坐标Zc是世界坐标Zw和像素坐标μ,v的函数,在考虑了Zc的变化的基础上,将成像模型简化成两个函数关系式,使用两个神经网络进行标定,分化了单个神经网络的任务量的同时又充分遵循了成像模型.实验结果表明,较其余基于神经网络的相机标定方法,该方法提高了相机标定的精度,在400 mm×300 mm标定范围内平均标定误差为0.1786mm,验证了所提方法的可行性和有效性.     

基于双频横向剪切干涉系统的三维形貌测量

近年来,结构光投影三维成像技术被广泛地应用至各个领域。该技术通常采用投影仪投影条纹,导致投影条纹的空间周期和精度有限,且在测量微小视场时会存在条纹强度不均匀、条纹焦面景深不够等问题。为解决该类问题,基于剪切干涉条纹的高空间分辨率优势,提出了一种利用横向剪切干涉条纹测量物体三维形貌的系统和方法。该系统利用激光波前以不同角度入射平行平板会产生不同频率干涉条纹这一性质,旋转平行平板改变剪切干涉条纹频率,利用低频条纹指导展开高频条纹相位。同时利用干涉条纹的入射角度与形变量内在联系,通过几何关系获得相位与高度的映射关系,以达到重建物体三维形貌信息的目的。实验验证了该系统及方法的可行性,证明了其对测量微小物体或视场有着明显的应用价值。     

基于光反馈自混合干涉的位移测量算法设计及滤波

为实现适度光反馈机制下位移的测量,研究设计了基于相位解卷的位移测量算法。为了提高测量精度,对光反馈自混合干涉信号进行了预处理,重点研究了光反馈自混合干涉信号的滤波问题。通过仿真和实验,验证了本文方法的可行性。在光反馈自混合干涉位移测量系统中,使用本文所设计的方法可以重构出高精度的物体振动轨迹。     

面向直线顶管机的双屏视觉标靶标定方法与精度评价

针对双屏视觉标靶前、后感光成像屏位姿关系难以标定的问题,提出一种基于坐标点云的感光成像屏位姿标定方法。该方法分别将前、后感光成像屏划分为n行n列的网格阵列,通过全站仪测量感光成像屏上每个网格角点的空间三维坐标,并利用工业相机实时获取感光成像屏上每个网格角点的图像二维坐标,结合图像二维坐标和空间三维坐标获得2D-3D映射关系,从而得到坐标点云数据。根据三公共点坐标系转换算法将坐标点云数据中的三维坐标统一到标靶坐标系下,进而确定相机与前、后感光成像屏的位姿关系,再通过网格索引方法对前、后感光成像屏的位姿关系进行求解。为评价标靶位姿测量精度,设计了静态测量重复性精度评定实验和绝对测量精度评定实验。实验结果表明:该标定方法的坐标静态测量重复性精度为0.13 mm、绝对测量精度为0.93 mm;方位角静态测量重复性精度优于0.01°、绝对测量精度优于0.05°。因此,该标定方法可以实现两个空间平面位姿关系的精确标定,且具有操作简便、精度高等特点,可用于双屏视觉标靶的标定。     

工作空间测量定位系统加权问题研究

工作空间测量定位系统(workspace Measuring and Positioning System,简称wMPS)是一种基于旋转激光扫描平面定位技术的室内大尺寸定位系统。它可实现计量精度的三维坐标测量,主要应用于制造加工及装配领域。作为一种分布式系统,工作空间测量定位系统也存在着为不同测量节点分配权重的问题。考虑到在定位过程中误差的复杂性,提出一种根据不同测量区域,利用统计数据对不同测量节点动态分配权重的分权方法。为验证此方法,设计了对比实验,实验结果表明:文中提出的加权方法可显著提高工作空间测量定位系统的测量精度。     

双光纤点衍射干涉投影系统误差校正及优化

条纹投影测量技术为复杂曲面提供了一种大动态范围的非接触式三维形貌检测方式。在基于双光纤点衍射干涉的条纹投影检测系统中,系统结构参数对最终面形检测精度影响较大。通过建立系统结构几何分析模型,对系统结构参数进行了优化。针对双光纤点衍射探头投射角标定误差的影响,传统基于零级亮条纹定位的投射端投射角标定方法由于临近级次条纹光强较为接近难以区分而导致存在较大误差,为此提出了一种基于基准平面的投射角迭代校正方法,在原标定方法的基础上进一步提高了其标定精度,进而有效提高了面形检测精度。为验证所提出方法的可行性,搭建实验系统对不同斜率动态范围的待测物测量比对,结果表明校正前后的测量系统与三坐标测量机的测量结果偏差从0.418 2 mm减小至0.021 1 mm,实现了微米级的检测精度,为各类复杂曲面的高精度检测提供了一种可行的方法。     

基于学习的光栅图像噪声抑制方法

基于条纹投影的三维形貌测量广泛应用于工业制造、质量检测、生物医疗、航空航天等领域。然而在高速测量的场景下,由于光栅图像的采集过程曝光时间短,三维重建结果通常会受到较为严重的图像噪声干扰。近年来,深度学习技术在计算机视觉等领域得到了广泛应用,并且取得了巨大的成功。受此启发,提出了一种基于学习的光栅图像噪声抑制方法。首先构建了一个基于U-net的卷积神经网络。其次在训练过程中,构建的神经网络学习从含有噪声的条纹图像到对应高质量包裹相位之间的映射关系。当经过适当训练,该网络可从含有噪声的条纹图像中准确恢复相位信息。实验结果表明:针对离线的快速运动场景三维测量,该方法仅利用一幅光栅图像可恢复高精度的相位信息,且相位精度优于传统的三步相移方法。该方法可为提升运动高速场景三维测量的精度提供切实可靠的解决方案。     

分布式阵列雷达基线位置和相位误差的卫星标校方法

在采用相位干涉测角的分布式阵列雷达系统中,系统阵面相位中心位置误差和相位误差对测角精度影响很大,且阵面相位中心位置与物理中心位置通常不一致,因此需要对其进行精细标准补偿。传统的雷达系统误差校正方法通常采用远场辐射源来对雷达进行校正,但是对于单元间距很大的分布式阵列空间目标监视雷达而言,要实现远场辐射校准往往很难。该文提出一种利用多弧段的精轨卫星精密星历对阵面相位中心位置误差引起的相位误差进行白化,然后搜索相位中心坐标和相位差使匹配方差最小的校正方法,无需使用特定仪器测量,且能很好地标定误差;计算机仿真以及实测数据验证了使用该文校正方法后,测角精度得到了显著提升。     

基于反射强度和K-means聚类的平面标靶定位研究

平面标靶的定位是3维激光扫描数据处理过程中的重要一环。为了减小中心坐标提取对多站数据拼接配准、不同坐标系转换、辅助定位等精度的影响,提出了一种基于最小二乘法、K-means聚类法以及扫描点反射强度值的新方法,并进行了理论分析和实例验证,取得了准确的定位数据。首先采用总体最小二乘法对扫描数据中的粗差点进行剔除,然后基于扫描点反射强度值和K-means聚类方法进行区域分类,接着对中心坐标提取,最后对中心坐标进行计算得到坐标位置。结果表明,在一定距离内,该方法可以在实际应用时获得较高的定位准确性,在不同方向上与软件自动识别的坐标相差在亚毫米级,与实际测得标靶距离相差也在亚毫米级。该研究对实现平面标靶中心坐标自动提取是有帮助的。     

基于可见光通信的BP神经网络室内定位算法

提出一种基于可见光通信的BP神经网络室内定位算法,首先通过MDS-MAP算法和最小二乘法获得全网节点的相对坐标,再利用信源节点的坐标信息得到网络内所有节点的绝对坐标,最后通过单隐层BP神经网络优化定位结果。仿真结果表明,该算法比MDS-MAP算法和MDS-MAP(P)算法的相对定位误差小,应用于室内定位可以得到更高的定位精度。     

Optimization of an RFID location identification scheme based on the neural network

An indoor localization technology is increasingly critical as location‐aware applications evolve. Researchers have proposed several indoor localization technologies. Because most of the proposed indoor localization technologies simply involve using the received signal strength indicator value of radio‐frequency identification (RFID) for indoor localization, radio‐frequency interference, and environmental factors often limit the accuracy of localization results. Therefore, this study proposes an accurate RFID localization based on the neural network (ARL‐N²), a passive RFID indoor localization scheme for identifying tag positions in a room, combining a location identification based on dynamic active RFID calibration algorithm with a backpropagation neural network (BPN). The proposed scheme composed of two phases: in the training phase, an appropriate BPN architecture is constructed using the training data derived from the coordinates of reference tags and the coordinates obtained using the localization algorithm. By contrast, the online phase involves calculating the tracking tag coordinates and using these values as BPN inputs, thereby enhancing the estimated location. A performance evaluation of the ARL‐N² schemes confirms its high localization accuracy. The proposed method can be used to locate critical objects in difficult‐to‐find areas by creating minimal errors and applying and economical technique. Copyright © 2013 John Wiley & Sons, Ltd.     

基于遗传算法优化BP神经网络的可见光定位

采用接收信号强度(RSS)方法的室内可见光定位 ,因受多径效应及噪声的影响,对距离估计不准确, 定位精度不高。为提高定位精度,本文提出了一种采用遗传算法优化BP神经网络(GA-BP) 的距离估计方法。 先通过遗传算法优化BP神经网络的初始权值,经过优化后的BP神经网络收敛速度快,不易 限于局部最优。 再利用GA-BP神经网络对收发端之间的距离进行修正,使其接近于真实距离。最后使用最 小二乘法解算待 定位点坐标,同时在不同定位范围和不同定位位置下,与传统RSS加权质心方法的可见光定 位结果进行对 比。仿真结果表明,在5m×5m×3m的定位场景中,平均定位误差可以达到0.642 cm。与传统RSS加权质 心方法相比,平均定位精度提高了约96.4%。且在不同定位范围和不 同定位位置下,平均定位误差稳定在 毫米级,尤其不随定位范围的扩大而扩大。有效地提高了室内定位精度和系统应用的普适性 。