Rekonstruering af et absolut fasekort med høj nøjagtighed til enkeltbillede, utvetydig 3D overfladebilleddannelse

En ny publikation fra Opto-Electronic Advances diskuterer, hvordan dyb læring gør enkelt-shot, høj opløsning struktureret lys 3D-billeddannelse mulig.

Med den hurtige udvikling af optoelektronisk informationsteknologi er tredimensionel (3D) billeddannelse og sensing blevet en forskningsfront inden for optisk metrologi. Efter overgangen fra monokrom til farve, fra lav opløsning til høj opløsning og fra statisk foto til dynamisk video, er udviklingen fra 2D fotografering til 3D sensing blevet den fjerde billedrevolution. I denne henseende er frynseprojektionsprofilometri (FPP) en af ​​de mest repræsentative 3D-billeddannelsesteknologier på grund af dens berøringsfri, højopløsnings-, højhastigheds- og fuldfeltsmålingsevne, som er blevet bredt anvendt i flere felter, såsom intelligent fremstilling, reverse engineering, industriel inspektion og bevarelse af kulturarv.

I de senere år, med de hurtige fremskridt inden for optoelektroniske enheder (f.eks. digitale lysprojektorer, rumlige lysmodulatorer og højhastighedsbilledsensorer) og digitale signalbehandlingsenheder (f.eks. højtydende computere og indlejrede processorer), har folk efterfølgende sat højere forventninger til FPP:det skal være både høj præcision og høj hastighed. Selvom disse to aspekter virker modstridende, er hastighed efterhånden blevet en fundamental faktor, der skal tages i betragtning, når man bruger FPP. For mange områder, såsom industriel fremstilling, betyder hastighed effektivitet, og effektivitet repræsenterer produktivitet. Under disse omstændigheder har højpræcisions 3D-rekonstruktion ved brug af kun ét enkelt mønster været det ultimative mål for struktureret lys 3D-billeddannelse i evig forfølgelse.

Forfatterne af denne artikel rapporterer om en dyb-læring-aktiveret dobbelt-frekvens-multipleksing FPP-teknik, der muliggør enkelt-shot entydig højpræcision struktureret lys 3D-billeddannelse. Den foreslåede metode konstruerede to parallelle U-formede netværk med samme struktur, hvoraf det ene tager det veldesignede dobbeltfrekvens sammensatte kantbillede som netværksinput, kombineret med den traditionelle faseforskydende fysiske model til at forudsige sinus- og cosinusvilkårene bruges til at beregne det højkvalitets indpakkede fasekort, og det andet er designet til at forudsige information om frynserækkefølgen fra input-to-frekvens sammensatte frynsebillede. Gennem læring fra et stort antal datasæt kan de korrekt trænede neurale netværk demultiplekse højopløsnings-, spektrum-krydstale-frie faser fra den sammensatte kant og direkte rekonstruere et højnøjagtigt absolut fasekort til enkelt-shot, utvetydig 3D overfladebilleddannelse.

Den foreslåede deep-learning-aktiverede dual-frequency multiplexing FPP-teknik forventes at udfylde hastighedsgabet mellem 3D-billeddannelse og 2D-sensing og opnå ægte single-frame, højpræcision, utvetydig 3D-formrekonstruktion. Denne forskning åbner nye veje for enkeltbillede, øjeblikkelig 3D-formmåling af diskontinuerlige og/eller gensidigt isolerede objekter i hurtig bevægelse. I dag er deep learning-teknologi fuldt ud gennemsyret i næsten alle opgaver inden for optisk metrologi. På trods af de lovende, i mange tilfælde imponerende, resultater, der er blevet rapporteret i litteraturen, er de underliggende årsager bag disse succeser stadig uklare på dette stadium.

Mange forskere er stadig skeptiske og opretholder en afventende holdning til dets anvendelser i højrisikoscenarier, såsom industriinspektion og lægebehandling. Men man kan forestille sig, at med den videre udvikling af kunstig intelligens-teknologi, den kontinuerlige forbedring af computerhardware-ydelsen og den videre udvikling af optiske informationsbehandlingsteknikker, vil disse udfordringer gradvist blive løst snart. Dyb læring vil således spille en mere væsentlig rolle og få en mere vidtrækkende betydning inden for optik og fotonik. + Udforsk yderligere

Fuldstændig optisk fasegendannelse og kvantitativ fasebilleddannelse udført øjeblikkeligt uden en computer