science >> Wetenschap >  >> Fysica

Reconstructie van een uiterst nauwkeurige absolute fasekaart voor enkelvoudige, ondubbelzinnige 3D-oppervlaktebeeldvorming

Stroomschema van de voorgestelde aanpak. (a) Een deel van datasets voor netwerktraining. (b) Hardwaresysteem en de intensiteitsverdeling van de dwarsdoorsnede van het ontworpen samengestelde franjepatroon. (c) Testgegevens en voorspellingsresultaten verkregen door het trainingsmodel. Krediet:Opto-elektronische vooruitgang (2022). DOI:10.29026/oea.2022.210021

Een nieuwe publicatie van Opto-Electronic Advances bespreekt hoe deep learning single-shot, gestructureerde lichte 3D-beeldvorming met hoge resolutie mogelijk maakt.

Met de snelle ontwikkeling van opto-elektronische informatietechnologie is driedimensionale (3D) beeldvorming en detectie een voortrekkersrol in de optische metrologie geworden. Na de overgang van zwart-wit naar kleur, van lage resolutie naar hoge resolutie en van statische foto naar dynamische video, is de evolutie van 2D-fotografie naar 3D-detectie de vierde beeldrevolutie geworden. In dit opzicht is fringe projection profilometry (FPP) een van de meest representatieve 3D-beeldvormingstechnologieën vanwege de contactloze, hoge resolutie, hoge snelheid en full-field meetcapaciteit, die op grote schaal is toegepast in meerdere velden, zoals intelligente fabricage, reverse engineering, industriële inspectie en erfgoedbehoud.

In de afgelopen jaren, met de snelle vooruitgang van opto-elektronische apparaten (bijvoorbeeld digitale lichtprojectoren, ruimtelijke lichtmodulatoren en snelle beeldsensoren) en digitale signaalverwerkingseenheden (bijvoorbeeld krachtige computers en ingebedde processors), zetten mensen vervolgens hogere verwachtingen over FPP:het moet zowel hoge precisie als hoge snelheid zijn. Hoewel deze twee aspecten tegenstrijdig van aard lijken, is snelheid geleidelijk een fundamentele factor geworden waarmee rekening moet worden gehouden bij het gebruik van FPP. Voor veel gebieden, zoals industriële productie, betekent snelheid efficiëntie en efficiëntie staat voor productiviteit. Onder deze omstandigheden is uiterst nauwkeurige 3D-reconstructie met slechts één enkel patroon het uiteindelijke doel geweest van 3D-beeldvorming met gestructureerd licht, die voortdurend wordt nagestreefd.

De auteurs van dit artikel rapporteren een deep-learning-enabled dual-frequency-multiplexing FPP-techniek, die single-shot ondubbelzinnige, zeer nauwkeurige gestructureerde lichte 3D-beeldvorming mogelijk maakt. De voorgestelde methode construeerde twee parallelle U-vormige netwerken met dezelfde structuur, waarvan er één het goed ontworpen dual-frequency composiet franjebeeld als de netwerkinvoer neemt, gecombineerd met het traditionele faseverschuivende fysieke model om de sinus- en cosinustermen te voorspellen gebruikt om de hoogwaardige ingepakte fasekaart te berekenen, en de andere is ontworpen om de informatie over de randvolgorde te voorspellen uit het ingevoerde samengestelde randbeeld met dubbele frequentie. Door te leren van een groot aantal datasets, kunnen de goed getrainde neurale netwerken hoge resolutie, spectrum-overspraakvrije fasen van de composietrand demultiplexen en direct een zeer nauwkeurige absolute fasekaart reconstrueren voor enkelvoudige, ondubbelzinnige 3D oppervlaktebeeldvorming.

De voorgestelde deep-learning-enabled dual-frequency multiplexing FPP-techniek zal naar verwachting de snelheidskloof tussen 3D-beeldvorming en 2D-detectie opvullen, waardoor echte single-frame, hoge precisie, ondubbelzinnige 3D-vormreconstructie wordt bereikt. Dit onderzoek opent nieuwe wegen voor single-shot, onmiddellijke 3D-vormmeting van discontinue en/of onderling geïsoleerde objecten in snelle beweging. Tegenwoordig is deep learning-technologie volledig doorgedrongen in bijna alle taken van optische metrologie. Ondanks de veelbelovende, in veel gevallen indrukwekkende resultaten die in de literatuur zijn gerapporteerd, blijven de onderliggende redenen achter deze successen in dit stadium onduidelijk.

Veel onderzoekers zijn nog steeds sceptisch en hebben een afwachtende houding ten opzichte van toepassingen in risicovolle scenario's, zoals industriële inspectie en medische zorg. Maar het is denkbaar dat met de verdere ontwikkeling van kunstmatige-intelligentietechnologie, de voortdurende verbetering van de prestaties van computerhardware en de verdere ontwikkeling van optische informatieverwerkingstechnieken, deze uitdagingen binnenkort geleidelijk zullen worden opgelost. Deep learning zal dus een grotere rol spelen en een verdergaande impact hebben in optica en fotonica. + Verder verkennen

Volledig optische faseherstel en kwantitatieve fasebeeldvorming direct uitgevoerd zonder computer