基于数字孪生与迁移学习的结构光条纹图像分析(特邀) |
| |
作者姓名: | 金子蘅 徐可 张宁远 邓潇 左超 陈钱 冯世杰 |
| |
作者单位: | 1. 南京理工大学电子工程与光电技术学院智能计算成像实验室;2. 南京理工大学智能计算成像研究院;3. 南京理工大学江苏省光谱成像与智能感知重点实验室 |
| |
基金项目: | 国家重点研发计划(2022YFB2804600,2022YFB2804603);;国家自然科学基金(62075096,62005121,U21B2033);;江苏省“333工程”科研项目资助计划(BRA2016407);;中央高校基础科研业务费专项资金资助项目(2023102001);;中国博士后科学基金项目(2023T160318); |
| |
摘 要: | 近年来,深度学习技术广泛应用于计算光学三维成像的研究中。在条纹投影轮廓术中,通过训练深度学习网络,可从单幅条纹图像中恢复高精度的相位信息。然而,为了训练神经网络模型,通常需要耗费大量的时间成本和人力成本来采集训练数据集。为了解决该问题:首先,建立数字孪生条纹投影系统,并利用域随机化技术对虚拟照明光栅进行增强,使用计算机进行虚拟扫描,生成大量仿真光栅条纹图像;其次,利用仿真光栅图像对U-Net神经网络进行预训练;最后,引入迁移学习,采用少量真实光栅条纹图像对神经网络进行参数微调。由于U-Net的结构特殊性,提出并分析了“从左至右”“从上至下”“全局微调”等3种U-Net神经网络微调策略。实验结果表明,采用“从上至下”策略微调U-Net“瓶颈”网络模块的方法可获得最佳的迁移学习结果,神经网络的相位预测精度可得到显著提升。相比于使用大量真实数据进行训练,所述方法仅利用20%的数据就可训练神经网络获得高精度的相位重建结果。
|
关 键 词: | 计算成像 条纹投影 深度学习 迁移学习 条纹分析 |
|