概括
一种新的激光分裂图像自动对焦 (LSA) 方法提高了微观测量的精度. 提出的分割图像比较模型 (SCM) 实现了高精度和稳定性,非常适合工业应用.
科学领域:
- 光学和光子学 在光学和光子学.
- 显微镜的使用方法
- 机器学习用于成像.
背景情况:
- 自动对焦对于微观测量至关重要,但由于对象的多样性,自然图像方法难以获得准确性和稳定性.
- 当前的自动对焦技术在处理各种微观样品时,在精度和可靠性方面存在局限性.
研究的目的:
- 引入使用激光照明的高精度自动对焦方法,称为激光分割图像自动对焦 (LSA).
- 开发和评估LSA的轻量比较框架模型 (SCM),以提高聚焦精度和稳定性.
- 通过定量分析和定制数据集,为LSA方法建立一个基准.
主要方法:
- 提出了激光分割图像自动对焦 (LSA) 方法,该方法使用激光照明积极引入图像特征.
- 量化分析和评估LSA的常见非基于学习和基于学习的方法.
- 为LSA开发了一种轻量比较框架模型 (SCM),并为培训创建了一个现实的分割图像数据集.
主要成果:
- 与基于自然图像的自动对焦方法相比,LSA表现出优异的聚焦性能.
- 拟议的SCM显著提高了对现有的学习和非学习方法的准确性和稳定性.
- 在复杂的工业测量场景中,SCM实现了0.317μm的平均聚焦误差.
结论:
- 在微观测量中,LSA提供了一种更有效的自动对焦方法.
- 基于激光自动对焦的SCM在精度和稳定性方面取得了重大进展.
- SCM非常适合要求高精度的工业测量应用.
