基于学习的光栅图像噪声抑制方法

基于条纹投影的三维形貌测量广泛应用于工业制造、质量检测、生物医疗、航空航天等领域。然而在高速测量的场景下,由于光栅图像的采集过程曝光时间短,三维重建结果通常会受到较为严重的图像噪声干扰。近年来,深度学习技术在计算机视觉等领域得到了广泛应用,并且取得了巨大的成功。受此启发,提出了一种基于学习的光栅图像噪声抑制方法。首先构建了一个基于U-net的卷积神经网络。其次在训练过程中,构建的神经网络学习从含有噪声的条纹图像到对应高质量包裹相位之间的映射关系。当经过适当训练,该网络可从含有噪声的条纹图像中准确恢复相位信息。实验结果表明:针对离线的快速运动场景三维测量,该方法仅利用一幅光栅图像可恢复高精度的相位信息,且相位精度优于传统的三步相移方法。该方法可为提升运动高速场景三维测量的精度提供切实可靠的解决方案。

试用“产量——成本——资金分析”方法,探索定额流动资金的考核指标

节约使用流动资金是企业提高经济效益的一个重要内容。每一个工业企业都应该用尽可能少的流动资金占用额来保证正常生产和发展生产的需要。但是,企业在生产过程中很可能产生呆超物资,问题在于企业是否事前积极防止和事后迅速处理,以免一方面呆超物资越积越多,以至报废;另一方面必须另行补充“活”资金以维持和发展生产。因此,作为定额流动资金的考核指标,不仅要能正确反映资金的周转速度,而且在目前资金浪费现象还比较普遍的情况下,更重要的是要在满足生产需要的同时。