[發明專利]基于深度學習的單幀條紋圖像三維測量方法

有效

• 申請號: 202010199593.4
• 申請日: 2020-03-20
• 公開（公告）號: CN111351450B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 錢佳銘;左超;陳錢;馮世杰;陶天陽;胡巖;李藝璇;尚昱昊
• 申請（專利權）人: 南京理工大學
• 主分類號: G01B11/25
• 分類號: G01B11/25;G06N3/04;G06N3/08;G06T17/00
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 岑丹

1.一種基于深度學習的單幀條紋圖像三維測量方法，其特征在于，具體步驟為：

步驟1：構建2個卷積神經網絡CNN；

步驟2：利用訓練數據分別對2個卷積神經網絡CNN進行訓練，生成模型1和模型2；

訓練數據基于三目系統生成，所述三目系統包括投影儀、第一相機、第二相機和第三相機，利用三目系統測量s+1個不同的場景，每個場景共拍攝N幅相移條紋圖像，其中，第一個場景為參考平面，第一相機采集的條紋圖像被表示為第二相機采集的條紋圖像被表示為第三相機采集的條紋圖像被表示為其余場景采集的條紋圖像分別被表示為：第一相機采集到的條紋圖像T＝s×N為訓練時采集的除去參考平面的條紋圖像數據總數，第二相機采集到的條紋圖像第三相機采集到的條紋圖像

步驟3：采集待測物體的條紋圖像，利用模型1和模型2獲得待測物體的條紋級次、分子項與分母項，將分子項與分母項代入反正切函數，結合條紋級次計算絕對相位；

步驟4：根據絕對相位信息對待測物體的三維信息進行計算，實現對待測物體的三維重構。

2.根據權利要求1所述的基于深度學習的單幀條紋圖像三維測量方法，其特征在于，所述卷積神經網絡CNN包括四條數據處理路徑、連接層以及第九卷積層，四條數據處理路徑的輸出數據通過連接層進行疊加后經過第九卷積層輸出，其中，所述四條數據處理路徑分別為第一數據處理路徑、第二數據處理路徑、第三數據處理路徑以及第四數據處理路徑，四條數據處理路徑的輸出數據通過連接層進行疊加后由第九卷積層輸出，所述第一數據處理路徑，包括依次連接的第一卷積層、四個串聯殘差模塊以及第二卷積層，所述第二數據處理路徑包括依次連接的第三卷積層、第一池化層、四個串聯殘差模塊、第一上采樣塊以及第四卷積層；所述第三數據處理路徑包括依次連接的第五卷積層(5)、第二池化層、四個串聯殘差塊、兩個串聯殘差塊、第二采樣塊以及第六卷積層；所述第四數據處理路徑包括依次連接的第七卷積層、第三池化層、四個串聯殘差塊、三個串聯殘差塊、第三采樣塊以及第八卷積層。

3.根據權利要求2所述的基于深度學習的單幀條紋圖像三維測量方法，其特征在于，所述第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層、第六卷積層第七卷積層、第八卷積層以及第九卷積層均采用大小為4×4的卷積核。

4.根據權利要求2所述的基于深度學習的單幀條紋圖像三維測量方法，其特征在于，所述第一池化層的核函數大小為2×2，第二池化層的核函數大小為4×4，第三池化層使用的核函數大小為8×8。

5.根據權利要求1所述的基于深度學習的單幀條紋圖像三維測量方法，其特征在于，利用訓練數據分別對2個卷積神經網絡CNN進行訓練，生成模型1和模型2的具體方法為：

將第一相機采集的每個場景的第一幅條紋圖像作為輸入數據，第一幅條紋圖像對應的分子項M_j與分母項D_j作為標準值送入第一個卷積神經網絡CNN中，訓練生成模型1；

將k₁、和作為輸入數據，k_n作為標準值送入另一個卷積神經網絡CNN中，訓練生成模型2，其中和為第一相機采集的條紋圖像，和為第三相機采集的條紋圖像。

6.根據權利要求5所述的基于深度學習的單幀條紋圖像三維測量方法，其特征在于，模型1和模型2訓練過程中標準值的確定方法為：

利用N步相移算法計算所有條紋圖像對應的分子項M_j與分母項D_j，j＝1，2...(s+1)；

利用基于多目系統并結合ADC條件的立體相位展開方法計算所有條紋圖像I計算得到第一相機采集的每個場景的第一幅條紋圖像I_m中的條紋級次k_n，m＝1+n×N，n＝1，2...(s+1)，其中k₁為參考平面的條紋級次。

7.根據權利要求1所述的基于深度學習的單幀條紋圖像三維測量方法，其特征在于，第一個卷積神經網絡CNN第九卷積層的通道數C_out＝2，另一個卷積神經網絡CNN第九卷積層的通道數C_out＝1。