[發(fā)明專利]適用于高精度形貌測量的深度學(xué)習(xí)畸變光斑中心提取方法

有效

• 申請?zhí)枺?/td>: 202110111535.6
• 申請日: 2021-01-27
• 公開（公告）號: CN112950650B
• 公開（公告）日: 2023-01-20
• 發(fā)明（設(shè)計）人: 陳梅云;陳錦標(biāo);龐水玲;蘇毅航;林健;吳衡;王晗
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06T7/187;G01B11/24;G06N3/04;G06N3/08;G06T5/00
• 代理公司: 廣東廣信君達(dá)律師事務(wù)所 44329
• 代理人: 孔祥健

1.適用于高精度形貌測量的深度學(xué)習(xí)畸變光斑中心提取方法，其特征在于，包括以下步驟：

S1、通過復(fù)光束角度傳感器采集多光斑圖像，進(jìn)行光斑判別；

S2、對經(jīng)過光斑判別后的多光斑圖像進(jìn)行光斑分割；

S3、進(jìn)行基于DSCNet的光斑校正，使畸變光斑的能量分布近似于高斯光斑；

S4、進(jìn)行高斯擬合法中心提取；

所述步驟S3進(jìn)行光斑校正時，將切割出來的畸變光斑子圖集D中所有圖片輸入到DSCNet，之后輸出即為與原光斑有相同中心點(diǎn)的高斯光斑圖片，其數(shù)學(xué)模型表示如下：

上式中，表示輸出的高斯光斑圖像，G(·)為隱函數(shù)，表示深度卷積神經(jīng)網(wǎng)絡(luò)，Ψ為深度卷積神經(jīng)網(wǎng)路的網(wǎng)絡(luò)參數(shù)；

所述深度卷積神經(jīng)網(wǎng)絡(luò)采用一組仿真數(shù)據(jù)集進(jìn)行訓(xùn)練，該數(shù)據(jù)集由M組畸變及高斯光斑圖像組成；D_m表示第m個仿真的畸變光斑，S_m表示與第m個畸變光斑D_m有相同中心點(diǎn)的高斯光斑；在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，采用ADAM函數(shù)對損失函數(shù)L_oss(Ψ)進(jìn)行優(yōu)化，損失函數(shù)表示如下：

經(jīng)過訓(xùn)練，得到優(yōu)化參數(shù)

對于由復(fù)光束角度傳感器采集的多光斑圖像，并經(jīng)過光斑判別與分割得到的子圖像集D，通過得到高斯光斑圖像集。

2.根據(jù)權(quán)利要求1所述的適用于高精度形貌測量的深度學(xué)習(xí)畸變光斑中心提取方法，其特征在于，所述步驟S1光斑判別包括以下步驟：

S1-1、利用最大類間方差法求得多光斑圖的二值化閾值并對其進(jìn)行二值化；

S1-2、找出所有的8鄰接連通域，統(tǒng)計所有連通域的像素點(diǎn)個數(shù)，按像素個數(shù)從多到少排序，得到連通域像素數(shù)序列{L(Ω₁)，L(Ω₂)，…，L(Ω_k)，…，L(Ω_K))L(Ω_k)表示第k個連通域Ω_k的像素個數(shù)，總共有K個連通域；

S1-3、計算連通域像素數(shù)序列向后差分T_k：

T_k＝L(Ω_k)-L(Ω_k+1)

找到最大差分值T_b＝max{T₁,T₂,…,T_K-1}；

S1-4、計算出光斑連通域的閾值δ：

S1-5、通過光斑判別閾值δ判斷某個連通域是否為光斑，像素個數(shù)L(Ω_k)大于δ的連通域?yàn)楣獍哌B通域，光斑連通域的中心估計值計算公式為

其中，表示第k個光斑連通域的估計中心坐標(biāo)，x_n(Ω_k)和y_n(Ω_k)分別表示第k個光斑連通域的第n個像素點(diǎn)的橫坐標(biāo)與縱坐標(biāo)。

3.根據(jù)權(quán)利要求1所述的適用于高精度形貌測量的深度學(xué)習(xí)畸變光斑中心提取方法，其特征在于，所述步驟S4進(jìn)行高斯擬合法中心提取的具體過程如下：

S4-1、對校正后的光斑圖片進(jìn)行中值濾波，濾除圖像的高斯噪聲，平滑光斑邊緣線；

S4-2、對光斑進(jìn)行高斯擬合，二維高斯分布的基本模型為：

上式中，E表示光斑的總能量，σ表示高斯函數(shù)的均方差，(x₀,y₀)表示光斑的中心坐標(biāo)；采用最小二乘法求得光斑能量分布二維高斯擬合的最優(yōu)參數(shù)解，最終得到光斑的精確中心(x₀,y₀)。