基于深度学习的单一模型自我恢复边缘投影配置测量绝对阶段恢复方法
Xu Li1, Yihao Shen1, Qifu Meng1
1College of Electromechanical Engineering, Qingdao University of Science and Technology, Qingdao 266061, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究介绍了一种深度学习方法,用于使用边缘投影造型测量 (FPP) 进行高效准确的3D形状测量. 该技术可以从单个图像中实现高分辨率的绝对相恢复,简化复杂的过程.
科学领域:
- 光学计量学 在光学计量学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 边缘投影分析 (FPP) 在实现高分辨率的绝对相位恢复方面面临挑战.
- 现有的方法通常需要多次测量或复杂的处理,以获得准确的相位检索.
研究的目的:
- 开发一种基于深度学习的单一模型方法,以实现FPP中高效和准确的绝对阶段恢复.
- 为了在复杂的照明条件下从单一边框图像中实现高分辨率的3D形状重建.
主要方法:
- 一个新的边缘预测自我恢复网络被开发出来,可以将单个边缘图像转换成多个自我恢复的边缘图像.
- 一个自我恢复的算法被用于封装阶段和边缘等级的确定.
- 为了有效准备数据集,使用虚拟测量系统.
主要成果:
- 该方法在物理系统中实现了高分辨率绝对相恢复,平均绝对误差 (MAE) 为0.015rad.
- 重建的点云表现出0.02毫米的根平均平方误差 (RMSE).
- 深度学习模型在各种照明条件和测量场景中展示了稳定性和概括性.
结论:
- 拟议的深度学习方法简化了FPP的阶段检索和解封.
- 与现有方法相比,它为在线3D检测提供了更快,更有效,更轻的解决方案.
- 该技术即使在复杂的环境照明下也有效,为FPP应用提供了宝贵的参考.
