概括
这项研究引入了一种使用两个神经网络的新型单,双阶段边缘投影分析方法. 它准确地捕捉了表面不连续性的物体的3D信息,只使用一个边缘图案.
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
- 人工智能的人工智能
背景情况:
- 传统的边缘投影造型测量在准确测量具有表面不连续性的动态物体的3D信息方面面临挑战.
- 现有的方法通常需要多个边缘图案或与复杂的表面作斗争.
研究的目的:
- 开发一种精确有效的3D测量技术,用于使用单一边缘图案对表面不连续性的物体进行测量.
- 为了利用深度学习来增强相位预测和在边缘投影概况测量中解封.
主要方法:
- 一个采用两个神经网络的单,双阶段边缘投影配置测量技术.
- 第一个神经网络预测各种频率的边缘模式;第二个预测包裹的相数和分母.
- 将多频相解封方法与系统校准相结合.
- 介绍DARU-Net,一个基于U-Net架构的新型卷积神经网络.
主要成果:
- 从单个边缘图案中准确预测表面高度不连续的对象的3D信息.
- 与U-Net及其衍生品相比,DARU-Net在深度学习任务中表现优越.
- 拟议的方法成功地克服了复杂表面的传统形状测量的局限性.
结论:
- 开发的单,双阶段技术为具有挑战性的对象的3D测量提供了强大的解决方案.
- 这种方法在动态和不连续的场景中显著扩大了边缘投射谱的应用范围.
- 集成先进的深度学习模型,如DARU-Net提高了3D重建的准确性和效率.
