Perfilometría de proyección de franjas de disparo único habilitada por aprendizaje profundo basada en codificación de...

Área de la Ciencia:

• Metrología Óptica
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La perfilometría de proyección de franjas (FPP) de un solo disparo es crucial para las mediciones 3D dinámicas.
• Los métodos actuales de aprendizaje profundo tienen dificultades con la extracción simultánea de fase envuelta y orden de franjas.
• Surge ambigüedad al estimar la fase continua y el orden de franjas discreto a partir de una sola imagen, especialmente para objetos aislados.

Objetivo del estudio:

• Desarrollar un método FPP de un solo disparo habilitado por aprendizaje profundo para una recuperación de fase absoluta precisa.
• Abordar la ambigüedad inherente en la estimación conjunta de fase y orden de franjas.
• Permitir mediciones 3D robustas de objetos complejos y aislados en escenarios dinámicos.

Principales métodos:

• Se propuso una arquitectura de doble red físicamente restringida que integra la codificación de fase de desplazamiento interno.
• Se incrustó el orden de las franjas en el componente de desplazamiento de fase de un solo patrón de franjas.
• Se emplearon dos redes neuronales convolucionales ligeras para la regresión y clasificación desacopladas de fase y orden de franjas.

Principales resultados:

• Se logró una recuperación de fase absoluta de alta precisión comparable a las técnicas de múltiples cuadros.
• Se demostró la recuperación de fase inequívoca para objetos complejos y aislados.
• Se mantuvo una baja complejidad computacional y se mostró potencial para mediciones 3D dinámicas.

Conclusiones:

• El diseño desacoplado propuesto, físicamente consistente, supera los conflictos de optimización en la regresión de extremo a extremo.
• El método ofrece una solución robusta para FPP de un solo disparo, mejorando la precisión y la eficiencia.
• Se validó el potencial para aplicaciones de medición 3D dinámica en tiempo real.