一种基于深度学习的条纹投影时间相位展开方法技术

本发明专利技术公开了一种基于深度学习的条纹投影时间相位展开方法，首先向被测对象投影四组三步相移光栅图案，频率分别为1、8、32和64，相机采集光栅图利用三步相移法得到包裹相位图；然后使用基于时间相位展开的多频算法对包裹相位图进行相位展开得到频率为64的相位的周期级次图，并搭建一个残差卷积神经网络，设置其输入数据是频率为1和64的包裹相位图，输出数据是频率为64的相位的周期级次图，最后制作训练集和验证集对网络进行训练和验证，网络检验测试集输出频率为64的相位的周期级次图。本发明专利技术采用深度学习的方法使用频率为1的包裹相位图展开频率为64的包裹相位图，可以得到错误点更少，准确度更高的绝对相位图。

A Time Phase unwrapping Method of Fringe Projection Based on Deep Learning

The invention discloses a fringe projection time phase unwrapping method based on depth learning. Firstly, four groups of three-step phase-shifted grating patterns are projected to the tested object with frequencies of 1, 8, 32 and 64 respectively. The camera collects grating images and obtains the wrapped phase image by three-step phase-shifting method; then, the wrapped phase image is unwrapped by multi-frequency algorithm based on time phase unwrapping to obtain the frequency of 64. A residual convolution neural network is constructed. The input data are wrapped phase diagrams with frequencies of 1 and 64, and the output data are periodic phase diagrams with frequencies of 64. Finally, the training set and verification set are made to train and validate the network, and the periodic phase diagrams with frequencies of 64 are generated from the network test set. The method of in-depth learning uses the wrapped phase map with a frequency of 1 and an unfolding frequency of 64 to obtain the absolute phase map with fewer errors and higher accuracy.

【技术实现步骤摘要】
一种基于深度学习的条纹投影时间相位展开方法
本专利技术属于光学测量
，具体涉及一种基于深度学习的条纹投影时间相位展开方法。
技术介绍
近几十年，快速三维形貌测量技术被广泛的应用于各个领域，如智能监控，工业质量控制和三维人脸识别等。在众多三维形貌测量方法中，基于结构光和三角测量原理的条纹投影轮廓术是最实用的技术之一，由于它具有无接触、全场、高精度和高效等优点，主流的条纹投影轮廓术一般需经过三个流程实现三维测量，分别是相位恢复、相位展开和相位到高度的映射。在相位恢复技术中，最常用的两种方法是傅里叶轮廓术和相移轮廓术。傅里叶轮廓术只需一张条纹图即可提取相位，但这种方法受到频谱混叠的影响，导致测量结果的质量很差，不能测量形貌复杂的物体。相比于傅里叶轮廓术，相移轮廓术具有对环境光不敏感、能够获得像素级相位测量的优点，它适合于测量具有复杂表面的物体。但是这个方法一般需要投影多幅相移条纹图(至少三幅)实现相位提取。随着高速相机和DLP投影技术的快速发展，使得相移轮廓术也可以用于实现快速三维测量。但是，傅里叶轮廓术和相移轮廓术都使用反正切函数提取相位，反正切函数的值域[0,2π]，因此这两种方本文档来自技高网...

【技术保护点】
1.一种基于深度学习的条纹投影时间相位展开方法，其特征在于如下步骤：步骤一：向被测对象投影四组三步相移光栅图像，四组光栅图案的频率分别为1、8、32和64，通过相机同步拍摄投影的光栅图像，采集四组三步相移光栅图像的光强图；步骤二：利用步骤一采集的三步相移光栅图像的光强图，基于三步相移法，计算得到不同频率的包裹相位图；步骤三：使用基于时间相位展开的多频算法对得到的四组包裹相位图依次进行相位展开，最终得到频率为64的相位的周期级次图和绝对相位图；步骤四：搭建残差卷积神经网络用于实现相位展开，重复执行步骤一至三获取多组数据，将数据分为训练集、验证集和测试集，使用训练集数据训练残差卷积神经网络，使用验...

【技术特征摘要】
1.一种基于深度学习的条纹投影时间相位展开方法，其特征在于如下步骤：步骤一：向被测对象投影四组三步相移光栅图像，四组光栅图案的频率分别为1、8、32和64，通过相机同步拍摄投影的光栅图像，采集四组三步相移光栅图像的光强图；步骤二：利用步骤一采集的三步相移光栅图像的光强图，基于三步相移法，计算得到不同频率的包裹相位图；步骤三：使用基于时间相位展开的多频算法对得到的四组包裹相位图依次进行相位展开，最终得到频率为64的相位的周期级次图和绝对相位图；步骤四：搭建残差卷积神经网络用于实现相位展开，重复执行步骤一至三获取多组数据，将数据分为训练集、验证集和测试集，使用训练集数据训练残差卷积神经网络，使用验证集验证网络的学习效果；步骤五：使用经过训练和验证后的残差卷积神经网络检验测试集数据用于评价网络的准确性，输出频率为64的相位的周期级次图。2.根据权利要求1所述的基于深度学习的条纹投影时间相位展开方法，其特征在于步骤一的向被测对象投影四组三步相移光栅图像，每组包含三张频率相同初始相位不同的光栅图像，投影仪投影的任一组三步相移光栅图像可以被表示为：其中为投影仪投影的三步相移光栅图像，(xp，yp)为投影仪平面的像素坐标，W是投影仪的水平分辨率，f是三步相移光栅图像的频率，使用DLP投影仪向被测对象投影四组三步相移光栅图像，四组三步相移光栅图像的频率分别为1、8、32和64，每组三张的光栅图像频率相同，通过相机同步拍摄投影的光栅图像，采集的三步相移光栅图像的光强图被表示为：I1(x，y)＝A(x，y)+B(x，y)cos[Φ(x，y)]I2(x，y)＝A(x，y)+B(x，y)cos[Φ(x，y)+2π/3]I3(x，y)＝A(x，y)+B(x，y)cos[Φ(x，y)+4π/3]其中I1(x，y)，I2(x，y)，I3(x，y)为对应的三步相移光栅图像光强图，(x，y)为相机平面的像素坐标，A(x，y)为背景光强，B(x，y)为条纹的调制度，Φ(x，y)为待求相位。3.根据权利要求1所述的基于深度学习的条纹投影时间相位展开方法，其特征在于步骤二中，包裹相位图由下式计算而得：由于arctan函数的截断效应，求得的相位图为包裹相位，其值域为[0，2π]，其与Φ(x，y)的关系如下：其中k(x，y)为相位的周期级次，其值域为[0，N-1]范围内的整数，N为条纹的总周...

【专利技术属性】
技术研发人员：左超，尹维，陈钱，冯世杰，孙佳嵩，陶天阳，胡岩，张良，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32