Red HDRSL para una reconstrucción 3D precisa de luz estructurada basada en imágenes de alto rango dinámico

Área de la Ciencia:

• Óptica y fotónica
• Visión por computadora
• Metrología

Sus antecedentes:

• La reconstrucción 3D precisa de objetos con una reflectividad de superficie variable, particularmente en la profilometría de proyección de la franja, requiere imágenes de alto rango dinámico (HDR).
• Las cámaras de exposición única tienen dificultades para capturar patrones de margen HDR de manera eficiente debido al rango dinámico limitado, lo que dificulta las mediciones 3D precisas.
• Los métodos existentes a menudo requieren múltiples exposiciones o configuraciones complejas, lo que aumenta el tiempo de adquisición y la complejidad del sistema.

Objetivo del estudio:

• Desarrollar una tubería eficiente y precisa basada en el aprendizaje profundo para la reconstrucción 3D de luz estructurada HDR.
• Para abordar las limitaciones de las cámaras de exposición única en la captura de patrones de franjas HDR para la medición en 3D.
• Para permitir una reconstrucción 3D robusta y precisa de objetos con superficies reflectantes HDR desafiantes.

Principales métodos:

• Se desarrolló una tubería de aprendizaje profundo de extremo a extremo que comprende un módulo de generación de HDR Fringe y un módulo de cálculo de fase.
• El módulo de generación de margen HDR reconstruye imágenes de margen HDR a partir de entradas de rango dinámico bajo (LDR) de exposición corta y larga utilizando orientación de atención y destilación de características.
• El módulo de cálculo de fase procesa la información de fase de las franjas HDR generadas para la reconstrucción 3D.

Principales resultados:

• El método propuesto logró un error de fase de 0,105 en un conjunto de datos HDR metálicos, comparable a la profilometría de desplazamiento de fase de exposición múltiple (PSP), pero con un tiempo de proyección significativamente reducido (8,3%).
• Las mediciones cuantitativas demostraron una precisión inferior a 50 mm en varios objetos, incluidas esferas de cerámica, placas planas y escalones metálicos.
• Los estudios de ablación confirmaron la efectividad de la destilación de características y los mecanismos de atención en la generación de patrones marginales HDR de alta calidad.
• Se creó un nuevo conjunto de datos de imágenes de metal HDR con 1.700 muestras como punto de referencia para la medición de luz estructurada HDR.

Conclusiones:

• La tubería de aprendizaje profundo proporciona una solución eficiente y generalizable para la reconstrucción 3D de luz estructurada HDR.
• El método demuestra la robustez a través de diversas geometrías de objetos, niveles de exposición y condiciones de iluminación global desafiantes.
• El enfoque desarrollado mejora significativamente la eficiencia y la precisión de la reconstrucción 3D de objetos con superficies reflectantes HDR.