基于结构光和深度神经网络的3维面形重建

为了提高基于结构光法的3维重建精度,采用机器学习中的回归模型对物体进行了3维形貌测量,通过以单目式获取对象高度点不同方向的光强信息簇样本,将其作为回归模型的训练集,在训练好回归模型后,直接建立起条纹图案的光强信息分布与对象高度之间的映射函数关系,完成对目标的3维测量;将调制条纹光数值信息以特征形式导入回归模型,获得端到端高度信息,验证了机器学习的神经网络回归模型在3维面形重建上的可行性。结果表明,该模型即使在投影特征模糊或噪音较大的情况也能较精确地重建3维面形,平均重建误差为1.40×10^(-4)mm,优于一般面形重建方法的数据。该研究为物体在强干扰条件下的单目式高精度3维面形重建提供了参考,简化了繁琐的计算过程和测量过程,提高了测量精度。

基于傅里叶变换去隔行图像的动态3维面形测量

为了解决动态面形测量中隔行扫描CCD相机记录动态物体表面变形条纹图像存在缺陷的问题,提出了傅里叶变换去隔行算法,即把隔行扫描CCD获取动态物体的错位模糊帧图像分成两个单场图像,分别对每一单场图像进行傅里叶变换去隔行处理,再利用条纹分析法重建对应时刻的3维面形。理论分析得出单场傅里叶变换去隔行图像与对应的准确满帧图像相同的结论。结果表明,该方法可以很好地恢复条纹和重建物体,且简单实用,可用于基于空间相位检测、相位测量轮廓术、傅里叶变换轮廓术等条纹分析方法的动态物体3维测量中。