[发明专利]一种针对动态物体的学习型单帧莫尔轮廓测量方法

说明书

本发明提供了一种针对动态物体的学习型单帧莫尔轮廓测量方法，通过虚拟测量建立大量的数据集，解决了现有技术存在的实际数据采集和打标签的问题。该方法首先对实际系统进行标定，然后根据实际系统的内参和外参矩阵，建立虚拟系统训练与物理测量系统的映射方法，即形成了数字孪生模型。一旦建立了数字孪生模型，把CAD模型输入到数字孪生模型当中，然后通过虚拟测量建立训练数据集，进而可以训练需要的CNN模型，并把它用于实际的物理系统。嫩发明可实现单帧高精度、高可靠投影莫尔相位解调，可进行动态物体三维测量，使用所产生的数据集训练的深度学习网络具有测量精度高，完备性好的优点。

技术领域

本发明涉及光学精密测量技术领域，进一步涉及投影莫尔技术条纹分析领域，具体涉及一种针对动态物体的学习型单帧莫尔轮廓测量方法。

背景技术

投影莫尔是一种典型的结构光轮廓术，可以非接触地、全场地、高精度地实现物体表面形貌三维重建，并广泛地应用于很多领域，例如机械制造、实验力学和生物医疗。一直以来，相移技术和基于傅里叶变换的方法构成了条纹分析的主要方法。由于使用多帧条纹图补偿了测量噪音，相移算法非常可靠，然而，使用了多帧条纹图，相移技术严重制约了测量速度。因此，在相移投影莫尔系统中，其3D的重建速度比摄像机的帧率慢很多倍。而且，相移技术假定被测物体在条纹相移期间保持静止，否则最终的3D重建结果由于运动的伪影而发生畸变。在另一方面，基于傅里叶变换的方法单次拍摄下可以实现3D重建。然而该技术由于仅使用了一帧条纹图，不可避免的要受到谱泄露、噪音的影响。另外，在被测场景边缘处或表面出现了不连续时，基于傅里叶变换的方法在相位搜索时也会产生问题。总之，发展一种动态物体莫尔轮廓技术充满了挑战。

近年来，随着人工智能技术的进步，深度卷积神经网络为光电三维重建提供了新的途径。与传统的基于模型的3D重建方法相比，例如立体视觉，飞行时间法等，深度神经网络的方法即使在测量条件不足时，也能根据以前的知识实现特征预测(如，预测一张RGB图的深度)。该特点启发了研究者探索深度学习在条纹分析中的应用工作

尽管深度学习在条纹分析当中获得了成功，但是其本质上是一种数据驱动的方法，需要为神经网络输入大量的数据。遗憾的是，建立条纹分析的数据集非常麻烦，因为需要制作和扫描各种各样不同形状的物体。更重要的是，由于不同的测量系统具有不同的光学结构和摄像机-投影仪参数，深度神经网络只能应用于训练过的测量系统。这是由于监督学习模型的一般性误差决定的。例如，如果测量系统A和测量系统B的投影焦距不同，那么投影图案的宽度也不同。因此，使用测量系统A训练的CNN模型是否能正确地根据测量系统B的数据重建相图和3D场景是值得怀疑的。再者，深度学习神经网络是一种“黑箱”的方法。模型中成千上万个参数不能解释，由于结构的差异，如果在端到端的解决方案中，单纯通过计算机模拟产生用于网络训练的大量数据集，则其预测精度受限。而且，使用给定的测量系统训练的CNN无法调整后迁移到另一个系统中。现有技术因当前获得用于具体测量系统条纹分析的CNN模型唯一的途径是使用定制的训练集，而存在着专用数据集需要实际采集和打标签，建立繁琐，同时数据集不通用和预测精度受限的问题。

发明内容

本发明提供了一种针对动态物体的学习型单帧莫尔轮廓测量方法，以解决现有技术存在专用数据集需要实际采集和打标签，建立繁琐，同时数据集不通用和预测精度受限的问题。

为达到上述目的，本发明采用以下技术方案予以实现：一种学习型单帧莫尔轮廓测量方法，包括以下步骤：

步骤1：搭建投影莫尔测量系统，使用测量系统采集被测物体的数帧投影莫尔相移条纹图，利用随机相移技术确定各条纹图间的相移量，进而计算条纹图的背景和振幅；

步骤2：对测量系统进行标定；

步骤3：建立网络用训练高保真的条纹数据集模型；

步骤4：采用Hilbert变换搭建深度学习网络；