一种基于深度学习消除栅线投影相移技术中离焦误差的方法技术

本发明专利技术提供了一种基于深度学习的栅线投影相移技术中的离焦误差消除方法，生成一定周期的光栅图像，利用不同的高斯卷积核对图像进行卷积来生成不同程度的离焦图像，对图像进行相移从而生成初始训练集；构建一个多层多神经元的神经网络，对训练集进行数据换序、数据正则化处理操作，对学习网络进行训练。对于实际应用过程中所采集到的数据进行预处理，导入网络中即可得到最终的修正结果。本发明专利技术对于离焦程度不当所引入的高阶谐波信息有着极好的抑制作用，并且降低了算法复杂度，提高了处理速度，对于不同具体测量过程普适性高。

【技术实现步骤摘要】
一种基于深度学习消除栅线投影相移技术中离焦误差的方法
本专利技术涉及光测实验固体力学领域和图像测量技术，具体涉及一种基于深度学习消除栅线投影相移技术中离焦误差的方法。
技术介绍
在光测力学领域，栅线投影法是一种基本的光学形貌测量方法。栅线投影法直接利用被调制栅线的相位畸变信息来得到物体的三维信息，采用数学的方法解调相位，而且可以自动判别物体的凹凸性。因此图像处理易于实现自动化、具有较高的精度和灵敏度。为了便于测量，栅线投影法中，投影仪投影的是二维结构图案(条纹图案)而不是3D形状的正弦图案，然后二进制模式被模糊成准正弦曲线通过适当地使投影机离焦来实现图案。这种技术称为二进制离焦技术。它不仅能消除伽马失真，还实现了高速3D测量。然而二进制离焦技术存在一些问题：如果离焦程度太小，则图案不是正弦曲线，包含许多高次谐波。如果投影机离焦，则图案的对比度较低太多了。非正弦结构由高阶引起二进制离焦技术中的谐波将误差引入解调相位，会降低3D测量的精度。此外在实际应用中，想要提高测量的精确度，必须考虑到电子器件本身存在的β失真导致的接收到的图像具有一定非正弦特征的问题。这类问题影响了测量的精准度，不利于高精度光测力学的发展。目前国内外的解决方案中没有一种准确、方便快捷的相位求解方法。
技术实现思路
本专利技术的目的在于提供一种基于深度学习消除栅线投影相移技术中离焦误差的方法。实现本专利技术目的技术解决方法为：一种基于深度学习消除栅线投影相移技术中离焦误差的方法，该方法的实验装置包括：工业相机、高分辨率镜头、光学平台、电子计算机、投影仪、黑色标定平板及其固定装置，该方法包括以下步骤：步骤1、神经网络训练集生成：首先生成一个数值周期的光栅图像，利用不同的高斯卷积核对生成的光栅图像进行卷积得到不同程度的离焦图像，对离焦图像进行S步相移，提取每个像素点处的S个灰度值，然后进行数值换序和近似正则化预处理生成最终的训练集；步骤2、神经网络的训练：搭建一个神经网络，具有S个灰度输入和1个相位输出，将已有的训练集中一定比例的数据输入至网络进行训练，利用剩余的数据进行验证；步骤3、实验装置的固定：将标定板、相机与投影仪固定在光学平台上，限制各部分之间的相对位移，这一过程中，应将相机镜头方向指向标定板平面并使标定板在相机视角中处于居中位置，将投影仪镜头对准标定板的最大平面方向进行定位；步骤4、光栅图像的采集：利用投影仪向标定板平面投射一幅二值化的光栅图像，利用相机采集映射在标定板上的光栅图像；步骤5、神经网络可用性的实验检测：利用步骤5采集多组不同离焦程度下真实标定数据，对标定数据进行数值换序和近似正则化预处理，实验检测通过才应用于步骤6的实际数据采集中，否则需要调整神经网络结构；步骤6、实际数据的采集：将相机焦距对焦至测量物体，调节光圈使得栅线最大值达到最大灰度，采集被测量物体及其栅线的相移图像；步骤7、测量数据的获得：对步骤6中采集的数据进行数值换序和近似正则化预处理，进而导入至训练完成且通过检验的深度学习网络中，导出修正值(相位值)，并通过反数据换序补偿得到最终的消除离焦误差的实际测量结果。进一步的，步骤1、步骤5、步骤7中，数值换序预处理，过程如下：设已有S个数据，数据为[0,1]范围的灰度模式，即D＝{d1,d2,d3,……,dS}，其中di表示第i步相移图像的灰度模式，将D视为环形向量，即首尾相接成环，但不忽略方向；首先选取D中最大的两个值记为dmax_1及dmax_2(dmax_1≥dmax_2)；(1)若则以dmax_1前为切割点，生成一个新的向量数据D'＝{d'1,d'2,d'3,……,d'S}，其中D'为D经过换序得到的数据，步骤7中需要并记录dmax_1的位置，步骤1、步骤5中不需要记录；(2)若则分别以dmax_1及dmax_2前为切割点，生成两个新的向量数据D1'＝{d'11,d'12,d'13,……,d'1S}与D2'＝{d'21,d'22,d'23,……,d'2S}，其中D1'与D2'为D经过换序的得到的数据，步骤7中需要分别对应记录dmax_1及dmax_2的位置，步骤1、步骤5中不需要记录该位置。进一步的，步骤1、步骤5、步骤7中，近似正则化预处理，过程如下：(1)设换序得到的数据为D'＝{d'1,d'2,d'3,……,d'S}，则计算D'中数据的均值为A1和幅值为B1：最终的近似正则化数据为：其中A代表D'中数据的均值，B代表D'中数据的幅值，S为D'中数据的个数，d'i表示第i步相移图像的灰度模式，d″i为d'i经过正则变换得到，D″1为最终的训练数据。(2)设换序得到的数据为D'1＝{d'11,d'12,d'13,……,d'1S}和D'2＝{d'21,d'22,d'23,……,d'2S}，则计算D'1中数据的均值为A11和幅值为B11以及D'2中数据的均值为A22和幅值为B22：最终的近似正则化数据为：其中A11和A22分别代表D'1和D'2中数据的均值，B11和B22分别代表D'1和D'2中数据的幅值，S为D'1和D'2中数据的个数，d'1i和d'2i表示第i步相移图像的灰度模式，d″1i和d″2i是d'1i和d'2i经过正则变换得到，D″11和D″22为最终的训练数据。进一步的，步骤2中，搭建神经网络，基本模式如下：搭建一个具有S个输入和1个输出、含有N层隐含层的神经网络，各隐含层的神经元个数为{M1,M2,M3,……,MN}，其中Mi表示第i层隐藏层有Mi个神经元，为了保证网络计算的精准度和稳定性，应保证3≤N≤6，Mi≥S(1≤i≤N)。神经元中每层的激活函数F(x)表示为：其中x表示每个神经元接收到的值。进一步的，步骤4中，光栅图像的采集，过程如下：将相机和投影仪对焦至标定平面上，进一步对相机的某一方向进行逐步离焦，同时调节光圈，使得栅线区域的最大亮度大于220；每次离焦结束应采集一次完整的S步相移图像；同时应该保障栅线区域的最大亮度与最小亮度之差大于80，若小于该值，则向反向逐步聚焦再至离焦，以此往复，最终得到50组以上数据。进一步的，步骤5中，神经网络可用性的实验检测，检测标准如下：利用所训练的神经网络同时对栅线区域进行计算，对不同离焦程度的数据，同一点深度学习的结果应趋于稳定，若其波动所产生的方差小于所使用相机信噪比所带来方差则通过单点检验。进一步的，步骤7中，反数据换序补偿，过程如下：根据深度学习网络得到的修正值V'以及输入数据D在换序过程中记录的最大数据位置L，计算最终的测量值V为：若V＜-π，则最终的实际测量值为V+2π；若-π≤V≤π，则最终的实际测量值为V，若V>π，则最终的实际测量值为V-2π。一种基于深度学习消除栅线投影相移技术中离焦误差的系本文档来自技高网...

【技术保护点】
1.一种基于深度学习消除栅线投影相移技术中离焦误差的方法，其特征在于，该方法的实验装置包括：工业相机、高分辨率镜头、光学平台、电子计算机、投影仪、黑色标定平板及其固定装置，该方法包括以下步骤：/n步骤1、神经网络训练集生成：首先生成一个数值周期的光栅图像，利用不同的高斯卷积核对生成的光栅图像进行卷积得到不同程度的离焦图像，对离焦图像进行S步相移，提取每个像素点处的S个灰度值，然后进行数值换序和近似正则化预处理生成最终的训练集；/n步骤2、神经网络的训练：搭建一个神经网络，具有S个灰度输入和1个相位输出，将已有的训练集中一定比例的数据输入至网络进行训练，利用剩余的数据进行验证；/n步骤3、实验装置的固定：将标定板、相机与投影仪固定在光学平台上，限制各部分之间的相对位移，这一过程中，应将相机镜头方向指向标定板平面并使标定板在相机视角中处于居中位置，将投影仪镜头对准标定板的最大平面方向进行定位；/n步骤4、光栅图像的采集：利用投影仪向标定板平面投射一幅二值化的光栅图像，利用相机采集映射在标定板上的光栅图像；/n步骤5、神经网络可用性的实验检测：利用步骤5采集多组不同离焦程度下真实标定数据，对标定数据进行数值换序和近似正则化预处理，实验检测通过才应用于步骤6的实际数据采集中，否则需要调整神经网络结构；/n步骤6、实际数据的采集：将相机焦距对焦至测量物体，调节光圈使得栅线最大值达到最大灰度，采集被测量物体及其栅线的相移图像；/n步骤7、测量数据的获得：对步骤6中采集的数据进行数值换序和近似正则化预处理，进而导入至训练完成且通过检验的深度学习网络中，导出相位值，并通过反数据换序补偿得到最终的消除离焦误差的实际测量结果。/n...

【技术特征摘要】
1.一种基于深度学习消除栅线投影相移技术中离焦误差的方法，其特征在于，该方法的实验装置包括：工业相机、高分辨率镜头、光学平台、电子计算机、投影仪、黑色标定平板及其固定装置，该方法包括以下步骤：
步骤1、神经网络训练集生成：首先生成一个数值周期的光栅图像，利用不同的高斯卷积核对生成的光栅图像进行卷积得到不同程度的离焦图像，对离焦图像进行S步相移，提取每个像素点处的S个灰度值，然后进行数值换序和近似正则化预处理生成最终的训练集；
步骤2、神经网络的训练：搭建一个神经网络，具有S个灰度输入和1个相位输出，将已有的训练集中一定比例的数据输入至网络进行训练，利用剩余的数据进行验证；
步骤3、实验装置的固定：将标定板、相机与投影仪固定在光学平台上，限制各部分之间的相对位移，这一过程中，应将相机镜头方向指向标定板平面并使标定板在相机视角中处于居中位置，将投影仪镜头对准标定板的最大平面方向进行定位；
步骤4、光栅图像的采集：利用投影仪向标定板平面投射一幅二值化的光栅图像，利用相机采集映射在标定板上的光栅图像；
步骤5、神经网络可用性的实验检测：利用步骤5采集多组不同离焦程度下真实标定数据，对标定数据进行数值换序和近似正则化预处理，实验检测通过才应用于步骤6的实际数据采集中，否则需要调整神经网络结构；
步骤6、实际数据的采集：将相机焦距对焦至测量物体，调节光圈使得栅线最大值达到最大灰度，采集被测量物体及其栅线的相移图像；
步骤7、测量数据的获得：对步骤6中采集的数据进行数值换序和近似正则化预处理，进而导入至训练完成且通过检验的深度学习网络中，导出相位值，并通过反数据换序补偿得到最终的消除离焦误差的实际测量结果。


2.根据权利要求1所述的基于深度学习消除栅线投影相移技术中离焦误差的方法，其特征在于，步骤1、步骤5、步骤7中，数值换序预处理，过程如下：
设已有S个数据，数据为[0,1]范围的灰度模式，即D＝{d1,d2,d3,……,dS}，其中di表示第i步相移图像的灰度模式，将D视为环形向量，即首尾相接成环，但不忽略方向；
首先选取D中最大的两个值记为dmax_1及dmax_2(dmax_1≥dmax_2)；
(1)若则以dmax_1前为切割点，生成一个新的向量数据D'＝{d'1,d'2,d'3,……,d'S}，其中D'为D经过换序得到的数据，步骤7中需要并记录dmax_1的位置，步骤1、步骤5中不需要记录；
(2)若则分别以dmax_1及dmax_2前为切割点，生成两个新的向量数据D1'＝{d'11,d'12,d'13,……,d'1S}与D2'＝{d'21,d'22,d'23,……,d'2S}，其中D1'与D2'为D经过换序的得到的数据，步骤7中需要分别对应记录dmax_1及dmax_2的位置，步骤1、步骤5中不需要记录该位置。


3.根据权利要求2所述的基于深度学习消除栅线投影相移技术中离焦误差的方法，其特征在于，步骤1、步骤5、步骤7中，近似正则化预处理，过程如下：
(1)设换序得到的数据为D'＝{d'1,d'2,d'3,……,d'd}，则先计算D'中数据的均值为A1和幅值为B1：






然后计算最终的近似正则化数据为：



其中A代表D'中数据的均值，B代表D'中数据的幅值，S为D'中数据的个数，d'i表示第i步相移图像的灰度模式，d″i为d'...

【专利技术属性】
技术研发人员：刘聪，任东，章闯，尹卓异，刘晓鹏，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32