通过深度功能恢复进行低功率激光图像增强,用于HDR 3D测量

科学领域:

• 光学和光子学 在光学和光子学.
• 计算机视觉 计算机视觉
• 计量学 计量学 计量学

背景情况:

• 由于反射性问题,激光3D测量面临高动态范围 (HDR) 表面的限制,例如金属和黑色零件.
• 传统方法风险样本损伤和高激光功率的眼睛安全,而深度学习方法与数据采集和地面真相准确性斗争,因为表面反射率的变化.
• 现有的技术通常是昂贵的,在测量各种工业材料时缺乏稳定性.

研究的目的:

• 提出一种新的深度特征恢复 (DFR) 策略,用于增强低光激光条纹图像.
• 为了实现高动态范围 (HDR) 3D重建具有成本效益,强大且对眼睛安全,用于具有挑战性的工业表面.
• 克服当前关于表面反射率和激光强度的激光3D测量技术的局限性.

主要方法:

• 开发了一种深度特征恢复 (DFR) 策略,以增强低光激光条纹图像.
• 使用扩散反射面罩 (DRM951) 训练了一个深度学习网络,并测试了其在各种数据集 (DRO690,MO191,BO107) 上的概括,包括金属,黑色和混合表面.
• 采用低功率激光强度以确保眼睛安全并降低测量成本.

主要成果:

• DFR策略表现出卓越的概括性,在各种低激光功率和表面反射率中表现强.
• 实验结果证实了该策略在散射反射,金属和黑色工业部件的有效性,即使在混合场景中也是如此.
• 在所有测试的反射表面上,重建的3D形状实现了与参考方法相提并论的质量.

结论:

• 拟议的DFR战略为HDR表面的激光3D测量提供了显著的进步.
• 它为工业计量学挑战提供了一个强大的,具有成本效益和眼睛安全的解决方案.
• 这种方法提高了激光3D测量的适用性,用于更广泛的材料和表面条件.