基于监督学习的双目相位展开方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114152217A(43)申请公布日2022.03.08(21)申请号202210123615.8(22)申请日2022.02.10(71)申请人南京南暄励和信息技术研发有限公司地址210000江苏省南京市秦淮区永智路6号南京白下高新技术产业开发区四号楼A栋1101-26室(72)发明人蒋琦朱勐于浩天赵壮陈西北(74)专利代理机构南京苏创专利代理事务所(普通合伙)32273代理人吴太平(51)Int.Cl.G01B11/25(2006.01)权利要求书3页说明书9页附图7页(54)发明名称基于监督学习的双目相位展开方法(57)摘要本发明涉及基于监督学习的双目相位展开方法，包括1.图像获取：通过双目相机拍摄获得三帧场景的三步相移图像,，同时获取背景光强图像；2.相位计算；3.搭建PUNet网络模型，搭建由编码器和解码器构成的PUNet网络；4.网络训练；5.搭建双目结构光三维测量系统进行网络验证；6.网络处理；7.图像偏差处理。本发明公开一种新的高速高精度相位展开技术，利用卷积神经网络，仅需要双目相机拍摄三帧场景的三步相移图像以及一帧背景光强图像即可获得条纹级次图像，无需进行多余结构光图像的投影，即可进行相位展开，同时获得高速高精度的相位展开结果。CN114152217ACN114152217A权利要求书1/3页1.基于监督学习的双目相位展开方法，其特征在于，包括以下步骤：步骤1：图像获取：通过双目相机拍摄获得三帧场景的三步相移图像,，同时获取背景光强图像；步骤2：相位计算：通过对三步相移图像,，相位计算得到场景的包裹相位图像，对三步相移图像，，相位计算得到场景的包裹相位图像；步骤3：搭建PUNet网络模型：搭建由编码器和解码器构成的PUNet网络，PUNet网络结构包括卷积层、降采样模块、一维非瓶颈残差卷积模块和转置卷积层，PUNet网络结构中还设置有BatchNormalization层和Dropout层，所述BatchNormalization层的计算过程如公式（1）所示（1）式中，为输入数据，为输入数据总个数，分别为输入数据的均值和方差，为归一化常量，为经归一化后的输入数据，为可学习参数，为输出数据；所述Dropout层的计算过程如公式（2）所示（2）其中代表概率，代表经函数所得的概率向量，为网络层的数据，为网络层经随机置0后的数据，与代表层的权重与偏置，、分别代表经激活函数处理前后的数据；步骤4：网络训练：在PUNet网络中设置损失函数，通过损失函数降低网络模型输出的损失值，所述损失函数如公式（3）所示2CN114152217A权利要求书2/3页（3）式中为损失函数，表示网络所有的训练参数，代表图像像素之和，分别为网络输出结果与对应的标准值，表示二范数；步骤5：网络验证：搭建双目结构光三维测量系统，对双目结构光三维测量系统进行标定，通过双目结构光三维测量系统采集多个场景下的数据，建立数据集，并对数据集进行训练与测试，验证PUNet能够实现正确的相位展开；步骤6：网络处理：将双目相机的包裹相位图像和、背景光强图像和及一帧相移图像输入用于相位展开的神经网络PUNet，输出对应的条纹级次图像和；步骤7：图像偏差处理：采用中值滤波对PUNet输出的条纹级次图像进行处理，结合输入的包裹相位图像和以及输出的条纹级次图像和，计算出正确的展开相位信息。2.根据权利要求1所述的基于监督学习的双目相位展开方法，其特征在于：所述PUNet将卷积层的结果和的最大值池化层的结果融合在一起，作为降采样结果输出。3.根据权利要求1所述的基于监督学习的双目相位展开方法，其特征在于：所述一维非瓶颈残差卷积模块在输入和输出之间建立残差连接，所述一维非瓶颈残差卷积模块将两个卷积替换为一对和的一维卷积。4.根据权利要求1所述的基于监督学习的双目相位展开方法，其特征在于：所述双目结构光三维测量系统设置有投影仪、相机、光学定焦镜头、标定板、光学平台、电脑和工作站。5.根据权利要求1所述的基于监督学习的双目相位展开方法，其特征在于：所述PUNet选用ADAM优化器对网络参数进行优化。6.根据权利要求4所述的基于监督学习的双目相位展开方法，其特征在于：所述双目结构光三维测量系统标定包括以下步骤：6.1、将标定板放置在测量位置附近，调整相机以及投影仪镜头，使得标定板在相机上清晰成像，投影仪清晰对焦；6.2、投影仪投影纯白色图像照亮标定板，相机拍摄标定板的图像；6.3、相机投影两组用于相位计算和相位展开的正弦条纹图以及对应的格雷码图像，两组条纹图分别为横向条纹以及竖向条纹图，相机拍摄此时标定板的图像；6.4、采用平移和旋转的方式调整标定板的位置，重复步骤6.2和6.3，得到30组不同位姿的标