申请/专利权人：西安交通大学;西安景辉信息科技有限公司

申请日：2020-11-03

公开（公告）日：2024-04-05

公开（公告）号：CN112381770B

主分类号：G06T7/00

分类号：G06T7/00;G06T17/00;G06T15/00;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/08;G01B11/24

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.03.09#实质审查的生效;2021.02.19#公开

摘要：本发明公开了一种基于融合卷积神经网络的磨损表面三维形貌测量方法，通过二维数字滤波技术生成随机粗糙表面，并利用Blender渲染软件得到随机磨损表面的光度图像序列，从而生成用于神经网络训练的数据集；设计特征提取模块、融合模块和法向量估计与细化模块，得到应用于磨损表面法向量估计的融合卷积神经网络；定义神经网络的训练损失函数，并基于数据集训练和调整网络模型；结合磨损表面的先验知识，基于正则化算法实现磨损表面深度信息的求解。本发明有效地将神经网络方法与光度立体技术相结合，解决了磨损表面的反射特性与朗伯模型不匹配的问题，并结合磨损表面的先验知识，实现了磨损表面的精确重构。

主权项：1.一种基于融合卷积神经网络的磨损表面三维形貌测量方法，其特征在于，包括以下步骤：S1、求解随机粗糙表面各像素点的法向量值，通过表面渲染生成具有随机粗糙表面的光度图像序列作为网络模型的输入，构建磨损表面的数据集，通过表面渲染生成具有随机粗糙表面的光度图像序列具体为：S1011、生成高斯白噪声二维随机序列ηx,y，经傅里叶变换得到输入序列的功率谱密度函数Cx,y；S1012、指定磨损表面的指数型自相关函数Rx,y，经傅里叶变换得到自相关函数的功率谱密度Gzx,y，磨损表面的指数型自相关函数如下； 其中，βx、βy分别对应自相关函数在x、y轴上的相关长度，当βx＝βy，表面各向同性；当βx≠βy，表面各向异性；S1013、根据二维随机序列和自相关函数的功率谱密度函数，求得二维滤波器的传递函数Hωx,ωy如下： S1014、由二维滤波器的传递函数，求得粗糙表面zx,y的傅里叶变换Zωx,ωy如下；Zωx,ωy＝Hωx,ωyAωx,ωyS1015、将步骤S1014得到的粗糙表面zx,y傅里叶变换Zωx,ωy经傅里叶逆变换得到表面高度zx,y；S1016、由表面高度zx,y变换得到具有指定均方根粗糙度Sq的表面三维形貌zSq，具体如下： S1017、指定光源的特性参数和分布信息，利用Blender渲染软件对生成的磨损表面进行光度渲染，生成不同材质表面的光度图像序列；S1018、分别将渲染得到的光度图像序列和模拟表面的法向量作为网络训练的输入信息和输出信息，构建磨损表面的数据集，并将数据集按比例分为训练集和验证集，用于卷积神经网络模型的训练；S2、设计包含特征提取模块、融合模块和法向量估计与细化模块的融合卷积神经网络；S3、将步骤S1构建的数据集输入到步骤S2建立的融合卷积神经网络中，定义训练损失函数，对融合卷积神经网络进行训练，设置网络层数和学习率；S4、采集磨损图像序列输入步骤S3训练得到的融合卷积神经网络以预测表面的法向量，并将法向量转换为表面梯度，结合磨损表面的先验知识，通过正则化算法实现磨损表面的三维形貌测量，具体为：S401、将神经网络预测的法向量转换为磨损表面的梯度，利用下式将神经网络预测的法向量转换为磨损表面的梯度 其中，{p,q}为磨损表面梯度域的估计值；nx、ny和nz分别为预测的单位表面法向量在x、y和z三个方向上的分量；S402、结合磨损表面的先验知识，定义重建表面的代价函数，通过Bartels–Stewart算法最小化代价函数实现磨损表面的求解，求解磨损表面的代价函数JZ如下： 其中，{Zx,Zy}为磨损表面Zx,y的梯度域；λ为正则化参数，Z0为磨损表面的先验知识。

全文数据：

权利要求：

百度查询： 西安交通大学;西安景辉信息科技有限公司 一种基于融合卷积神经网络的磨损表面三维形貌测量方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD