基于无监督学习的校准方法,用于微观边缘投影造型测量

科学领域:

• 计量学和测量科学 计量学和测量科学
• 计算机视觉和图像处理
• 机器学习应用 机器学习应用

背景情况:

• 微观边缘投影造型测量 (MFPP) 对于3D测量至关重要,但其精度严重依赖于准确的校准.
• 在MFPP的浅景深往往导致低质量的目标图像,导致不准确的特征检测和校准参数估计.
• 现有的校准方法与图像退化作斗争,限制了整体测量准确度.

研究的目的:

• 为MFPP开发一种基于无监督学习的校准方法,该方法对图像失焦和噪声具有稳定性.
• 提高MFPP系统中的图像质量和校准精度.
• 在校准准确度和测量精度方面实现卓越的性能.

主要方法:

• 开发了一个无监督的图像消除模糊网络 (UIDNet) 来从退化输入中恢复清晰的目标图像.
• UIDNet使用多种质量的目标数据集,避免对照的图像捕获或模拟,以获得更准确的特征学习.
• 多感知损失和富里埃频率损失被整合到UIDNet中,以加强培训.
• 采用2D离散里埃转换的强大的校准补偿策略被实施,以评估图像质量和完善特征中心检测.

主要成果:

• 提出的无监督学习方法显著提高了图像质量,从失焦和噪音输入中恢复了清晰的目标图像.
• 该方法提高了参考特征中心检测的准确性,这对于精确的校准至关重要.
• 实验结果表明,与传统方法相比,校准准确度的表现优越.
• 改进的校准直接转化为MFPP系统中更高的测量精度.

结论:

• 基于无监督学习的校准方法有效地解决了MFPP中的图像质量问题,特别是失焦和噪声.
• 通过将UIDNet与多感知和里埃频率损失集成,优化了消除模糊的过程.
• 开发的策略为准确的特征检测和校准提供了强大的解决方案,从而提高了测量精度.
• 这种方法为使用MFPP技术进行可靠和准确的3D测量提供了重大进步.