申请/专利权人：南京理工大学

申请日：2022-03-09

公开（公告）日：2024-04-26

公开（公告）号：CN114777677B

主分类号：G01B11/25

分类号：G01B11/25;G06N3/0464;G06N3/0499;G06N3/084;G06N3/045;G06N3/02;G06V10/774;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.08.26#著录事项变更;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明公开了一种基于深度学习的单帧双频复用条纹投影三维面型测量方法，包括：将两个不同空间频率的垂直正弦条纹进行叠加，复合到一张条纹图中生成双频空间载频复用条纹编码图案；构建基于深度卷积神经网络的模型U‑Nets；利用双频空间载频复用条纹编码图案生成训练数据集，所述训练数据集包括输入集和真值数据集，利用训练数据集训练网络模型U‑Nets；利用训练完成的U‑Nets实现对待测物体的相位恢复及三维重建。本发明只需要一幅条纹图像作为输入，即可实现快速、高精度的相位信息获取与无歧义的相位展开。

主权项：1.一种基于深度学习的单帧双频复用条纹投影三维面型测量方法，其特征在于，包括：将两个不同空间频率的垂直正弦条纹进行叠加，复合到一张条纹图中生成双频空间载频复用条纹编码图案，所述双频空间载频复用条纹编码图案的强度为： 式中，x,y为图像像素坐标，ap表示平均光强，bp表示幅值，λh和λl为两个复合正弦条纹图中高、低频率对应的波长；且两组波长满足以下条件：LCMλh,λl≥W式中，LCM·表示最小公倍数函数，W表示投影图像的横向分辨率；构建基于深度卷积神经网络的模型U-Nets；所述U-Net模型包括U-Net1和U-Net2两个框架结构相同的并行U-Net网络，每个U-Net网络架构包括一个收缩路径和一个扩展路径；所述收缩路径包括6组收缩组合，每个收缩组合包括两个卷积层和一个线性整流单元，每个收缩组合后接一个最大池化运算用于下采样；所述扩展路径包括5组扩展组合，每个扩展组合由一个上采样层、三个卷积层和一个线性整流单元组成；利用双频空间载频复用条纹编码图案生成训练数据集，所述训练数据集包括输入集和真值数据集，利用训练数据集训练网络模型U-Nets，具体方法为：Step1.利用数字投影仪在一个投影周期内向物体投射25幅条纹图案，包括12幅频率为fh、波长为λh的相移条纹图12幅频率为fl、波长为λl的相移条纹图以及1幅以频率fh和频率fl两空间频率复合的双频空间载频复用条纹编码图案Step2.使用单目单色相机采集被物体表面调制的25幅变形条纹图像；对于采集到的24幅图像单频条纹图像，分别使用相移法获取两种频率对应的包裹相位；通过调制度函数和掩码函数去除变形条纹图像中的无效点信息；使用时间相位展开的最小投影距离法计算条纹级次并获取高频包裹相位的绝对相位，确定双频空间载频复用条纹图的绝对相位，双频空间载频复用条纹图的绝对相位具体为： 其中Φh和Φl是高频和低频的包裹相位对应的去包裹相位，即高、低频绝对相位，kh和kl表示用于相位展开的整数级条纹级次，kh,kl∈[0,K-1]，K为条纹根数，φh和φl分别为高、低频图像的包裹相位；将上述计算所得的高频包裹相位分子项和分母项、低频包裹相位分子项和分母项作为U-Net1网络的一组标准数据，高、低频绝对相位作为U-Net2网络的一组标准数据，采集到的双频空间载频复用条纹编码图案作为输入数据；两种频率对应的包裹相位分别具体为： 式中，为高频相移条纹图，为低频相移条纹图，Mh和Dh为高频包裹相位φh反正切函数的分子项和分母项，Ml和Dl为低频包裹相位φl反正切计算公式的分子项和分母项；Step3.针对不同场景，重复step1和step2操作，生成若干组训练数据；利用训练完成的U-Nets实现对待测物体的相位恢复及三维重建。

全文数据：

权利要求：

百度查询： 南京理工大学 基于深度学习的单帧双频复用条纹投影三维面型测量方法

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