多阶段深度学习单帧条纹投影三维测量方法

深度学习的应用简化了数字条纹投影三维测量的过程,在传统数字条纹投影三维测量技术条纹投影、相位计算、相位展开、相位深度映射的流程中,研究者们已经成功证明了前三个环节以及整个流程结合深度神经网络的可行性。基于深度学习,PDNet (Phase to Depth Network)神经网络模型被提出,用于绝对相位到深度的映射。结合多阶段深度学习单帧条纹投影三维测量方法,通过分阶段学习方式依次获得物体的绝对相位与深度信息。实验结果表明,PDNet能较准确地测量出物体的深度信息,深度学习应用于相位深度映射步骤具有可行性。并且,相较于直接从条纹图像到三维形貌的单阶段深度学习单帧条纹投影三维测量方法,多阶段深度学习单帧条纹投影三维测量方法可以明显提升测量精度,仅需单帧条纹图像输入即可获得毫米级测量精度,且能适应具有复杂形貌物体的三维测量。     

双步相移光栅投影测量轮廓术

双三步相移算法证明可以较大地减少数字光栅投影测量轮廓术的测量误差,基于理论分析与实验验证,针对常用的四步、五步相移算法,提出了相应的双四步、双五步相移算法。通过两次传统相移算法得到两幅主值相位图,直接融合两幅主值相位图即可获得测量所需的相位信息,与已有的针对两幅展开相位进行相位融合方法相比,此方法实现简单且更加有效。相较于双三步相移算法,双四步和双五步相移算法实现简单且能够极大地减少测量误差,仅需通过投影2倍数目传统相移算法所需的投影光栅,且可保持常用三步、四步及五步相移算法固有的优点。     

基于Sierra Lite抖动算法的散焦投影光栅测量

投影仪散焦技术克服了实时光栅投影三维测量中的投影仪非线性问题,但散焦产生的高次谐波会大大降低散焦光栅的正弦性,带来明显的测量误差。提出了采用"S"形扫描Sierra Lite抖动算法生成二值抖动光栅,较大地改善了散焦后光栅的正弦性,将该抖动技术生成的散焦光栅用于传统的相移算法,基于投影仪散焦投影,得到用于三维测量的绝对相位信息。仿真结果验证了该方法的有效性,改善了散焦光栅的正弦性,提高了相位质量。实际测量实验与仿真结果相一致。与已有的Bayer有序抖动和Floyd-Steinberg抖动生成的光栅相比,所提算法运算速度快,生成光栅正弦性较好,更加适用于散焦投影测量。     

深度学习精确相位获取的离焦投影三维测量

数字光栅投影三维测量技术,通过离焦投影二值光栅条纹,生成三维测量所需正弦光栅条纹,能够实现超高投影速度,在快速三维测量领域具有极大潜力。但是,二值光栅条纹不可避免地包含高次谐波,导致计算所得相位包含相位误差,进而降低了快速三维测量精度。提出了一种基于深度学习精确相位获取的离焦投影三维测量方法,通过构建含噪声相位到精确相位的端到端深度卷积神经网络,降低高次谐波引入的相位误差,进而实现快速精确三维测量。首先,以理论分析证明所提方法的可行性,并以仿真和实验进一步验证了所提方法的有效性和精确性。与现有快速三维测量方法相比,所提方法在保证测量速度的同时保证测量精度。