En ny publikation från Opto-Electronic Advances diskuterar hur djupinlärning gör enkelbilds, högupplöst strukturerad ljus 3D-avbildning möjlig.

Med den snabba utvecklingen av optoelektronisk informationsteknologi har tredimensionell (3D) avbildning och avkänning blivit en forskningsfront inom optisk metrologi. Efter övergången från monokrom till färg, från lågupplöst till högupplöst, och från statiskt foto till dynamisk video, har utvecklingen från 2D-fotografering till 3D-avkänning blivit den fjärde bildrevolutionen. I detta avseende är fransprojektionsprofilometri (FPP) en av de mest representativa 3D-bildteknikerna på grund av dess beröringsfria, högupplösta, höghastighets- och fullfältsmätningsförmåga, som har använts i stor utsträckning inom flera områden, såsom intelligent tillverkning, reverse engineering, industriell inspektion och kulturarvsvård.

Under de senaste åren, med de snabba framstegen av optoelektroniska enheter (t.ex. digitala ljusprojektorer, rumsliga ljusmodulatorer och höghastighetsbildsensorer) och digitala signalbehandlingsenheter (t.ex. högpresterande datorer och inbyggda processorer), har människor senare höjt förväntningar på FPP:det ska vara både hög precision och hög hastighet. Även om dessa två aspekter verkar motsägelsefulla till sin natur, har hastighet gradvis blivit en grundläggande faktor som måste beaktas när man använder FPP. För många områden, såsom industriell tillverkning, betyder hastighet effektivitet och effektivitet representerar produktivitet. Under dessa omständigheter har 3D-rekonstruktion med hög precision med endast ett enda mönster varit det ultimata målet för strukturerad ljus 3D-avbildning i evig jakt.

Författarna till den här artikeln rapporterar en djupinlärningsaktiverad FPP-teknik med dubbla frekvenser och multiplexer, vilket möjliggör entydiga högprecisionsstrukturerade ljus 3D-bilder i ett skott. Den föreslagna metoden konstruerade två parallella U-formade nätverk med samma struktur, varav ett tar den väldesignade dubbelfrekvenskompositfransbilden som nätverksingång, kombinerat med den traditionella fysiska fasförskjutningsmodellen för att förutsäga sinus- och cosinustermerna används för att beräkna den högkvalitativa inslagna faskartan, och den andra är utformad för att förutsäga fransordningsinformationen från den ingående dubbelfrekvenskompositfransbilden. Genom att lära sig från ett stort antal datamängder kan de korrekt tränade neurala nätverken demultiplexera högupplösta, spektrumöverhörningsfria faser från den sammansatta kanten och direkt rekonstruera en absolut faskarta med hög noggrannhet för enkelbilds, entydig 3D ytavbildning.

Den föreslagna djupinlärningsaktiverade dubbelfrekvensmultiplex-FPP-tekniken förväntas fylla hastighetsgapet mellan 3D-avbildning och 2D-avkänning, och uppnå äkta enkelbilds, högprecision, entydig 3D-formrekonstruktion. Denna forskning öppnar nya vägar för enkelbilds, momentan 3D-formmätning av diskontinuerliga och/eller ömsesidigt isolerade objekt i snabb rörelse. Nuförtiden har djupinlärningstekniken helt genomsyrat nästan alla uppgifter inom optisk metrologi. Trots de lovande, i många fall imponerande, resultat som har rapporterats i litteraturen, är de bakomliggande orsakerna bakom dessa framgångar fortfarande oklara i detta skede.

Många forskare är fortfarande skeptiska och har en avvaktande attityd till dess tillämpningar i högriskscenarier, såsom industriinspektion och sjukvård. Men man kan tänka sig att med den fortsatta utvecklingen av artificiell intelligensteknologi, den kontinuerliga förbättringen av datorhårdvarans prestanda och vidareutvecklingen av tekniker för optisk informationsbehandling, kommer dessa utmaningar att gradvis lösas snart. Djupt lärande kommer därmed att spela en mer betydande roll och få en mer långtgående inverkan inom optik och fotonik. + Utforska vidare

Helt optisk fasåterställning och kvantitativ fasavbildning utförs omedelbart utan dator