一种基叶贝斯神经网络的结构光条纹图案分析方法

本发明涉及图案分析的，特别涉及一种基叶贝斯神经网络的结构光条纹图案分析方法。

背景技术：

1、在许多光学测量技术中，条纹图分析是从记录的条纹图中恢复基本相位分布的核心算法。如何从最少的条纹图案中以尽可能高的精度提取所需的相位信息。全息干涉、电子散斑干涉和条纹投影轮廓术等光学测量技术在许多科学和工程领域的非接触式测量中得到了广泛的应用，并被广泛应用于测量各种物理量，如位移、应变、表面轮廓、折射率等。在这些技术中，有关被测物理量的信息存储在二维条纹图的相位中。因此，通过这些光学技术进行的测量的精度从根本上取决于解调记录的条纹图案的基本相位分布的精度。

2、在过去的几十年里，人们付出了巨大的努力来开发各种条纹分析技术，它们可以大致分为两类：

3、(1)相移(ps)方法，它需要多个条纹图案来提取相位信息；(2)空间相位解调方法，它允许从单个条纹图案中恢复相位，如傅立叶变换(ft)、加窗傅立叶变换(wft)和小波变换(wt)方法。

4、与空间相位解调方法相比，the multiple-shot phase-shifting技术具有更强的稳健性，能够以更高的分辨率和精度实现像素级的相位测量。此外，相移测量对非均匀背景强度和条纹调制非常不敏感。然而，由于它们的multi-shot性质，这些方法很难应用于动态测量，并且更容易受到外部干扰和振动的影响。对于许多应用来说，需要从单个条纹图案中提取相位，这属于空间条纹分析的范畴。与相移技术不同的是，在逐个像素的基础上解调相图，空间方法中的像素处的相位估计受其邻域甚至条纹图案中的所有像素的影响，这提供了更好的对噪声的容忍度，但代价是在相图中的不连续和孤立区域周围的性能较差。

技术实现思路

1、针对现有技术中存在的不足之处，本发明的目的是提供一种基叶贝斯神经网络的结构光条纹图案分析方法，大大提高了从单一条纹图案解调相位的精度，具有更高的精度和更好的边缘保持能力。为了实现根据本发明的上述目的和其他优点，提供了一种基叶贝斯神经网络的结构光条纹图案分析方法，包括：

2、s1、建构投影系统，通过相机捕捉被投影的条纹图案；

3、s2、通过计算机生成适当的正弦波条纹图案；

4、s3、通过投影系统投影系统将生成的条纹图案投影到目标物体上；

5、s4、使用相机捕捉被投影条纹图案的目标物体的图像，确保相机和投影系统之间的相对位置和角度准确；

6、s5、比较投影前后的条纹图案，计算每个像素点的相位差异；

7、s6、使用计算机算法根据相位信息来重建目标物体的三维形状；

8、s7、对重建的三维形状进行进一步的分析和应用。

9、优选的，在步骤s7中通过贝叶斯神经网络对重建结果的不确定性进行建模、用于三维测量的不确定性建模及用于对相位信息的不确定性进行建模，提供对测量结果的不确定性估计。

10、优选的，通过投射的n步相移图案的条纹分析，相移法是一种在光学和图像处理中用于测量物体表面形状或进行三维重建的技术。下面是投射的n步相移图案的条纹分析的一般步骤：

11、1.投射相移图案：首先，使用dlp投影仪，投射具有不同相位的相移图(通常是正弦或正余弦条纹)到目标表面。

12、2.获取图像：使用相机设备捕捉目标表面上的图像。确保相机和投影仪的位置、朝向和参数是已知的。

13、3.相位解缠：对于每个相移图案，通过比较图像中的像素强度值，计算出每个像素处的相位值。这可以使用相移解缠算法，如三步相移法或其他n步相移法。

14、4.相位差计算：计算不同相移步骤中的相位差。相位差与物体表面高度的变化有关。

15、5.相位去包裹：处理相位差，以消除由于相移值在2π范围内循环引起的包裹效应。这可能涉及到使用包裹解缠算法来还原真实的相位值。

16、6.计算高度信息：利用相位信息，可以计算出物体表面在被照射区域内的高度分布。这通常使用光学三角测量原理。

17、7.误差分析和校准：对于实际系统，误差分析和校准步骤是必要的。这包括消除系统误差、校准相机和投影仪参数等。

18、8.三维重建：最终，通过整合所有相位信息，可以重建出物体的三维形状。

19、这些步骤的具体实施可能因使用的具体相移法和设备而异。三步相移法是其中一种常见的相移法，但还有其他变种，如四步、五步相移法，它们的原理和步骤也有所不同。

20、其表达式为：

21、其中a：平均光强，b：调制赋值，相位值，n＝0,2,...n-1为相移的步数。

22、优选的，计算包裹相位的公式如下：

23、使得解得的相位是包裹着的，存在2π相位跳变，为了获得连续的绝对相位，对其进行相位展开。

24、优选的，相位展开的公式如下：

25、φ：展开相位，包裹相位，k(x,y)：光栅级数；

26、通过相位展开确定光栅条纹的级数，得到级数，获得连续的绝对相位。

27、本发明与现有技术相比，其有益效果是：贝叶斯神经网络基于概率推断的神经网络模型，它允许对权重和模型参数进行概率建模和推断，提供了对预测的不确定性估计，为决策和可靠性评估提供更全面的信息。在条纹投影的形状重建中，贝叶斯神经网络可以用于对重建结果的不确定性进行建模。通过引入权重和模型参数的概率分布，贝叶斯神经网络能够提供对形状重建的不确定性估计。这对于处理噪声、不完整数据或形状边界不清晰的情况下非常有用。通过考虑不确定性，可以获得更全面的形状信息，并进行更可靠的决策和分析。此外，贝叶斯神经网络还可以用于三维测量的不确定性建模。在条纹投影中，通过对投影前后的条纹图案进行比较，可以获得相位信息，并进而重建物体的三维形状。贝叶斯神经网络可以用于对相位信息的不确定性进行建模，提供对测量结果的不确定性估计。这有助于量化测量误差、评估测量可靠性，并为后续的形状分析和应用提供更可靠的基础。贝叶斯神经网络在条纹投影中的应用需要注意的是，贝叶斯推断的计算复杂性较高，通常需要使用近似方法进行有效的推断和训练。此外，合适的模型选择、先验分布的设定以及模型参数的优化等方面也需要仔细考虑。在实际应用中，根据具体情况进行合适的模型设计和推断方法选择，可以更好地利用贝叶斯神经网络的优势，提高条纹投影的测量精度和可靠性。

技术特征：

1.一种基叶贝斯神经网络的结构光条纹图案分析方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基叶贝斯神经网络的结构光条纹图案分析方法，其特征在于，在步骤s7中通过贝叶斯神经网络对重建结果的不确定性进行建模、用于三维测量的不确定性建模及用于对相位信息的不确定性进行建模，提供对测量结果的不确定性估计。

3.如权利要求2所述的一种基叶贝斯神经网络的结构光条纹图案分析方法，其特征在于，通过投射的n步相移图案的条纹分析，其表达式为：

4.如权利要求3所述的一种基叶贝斯神经网络的结构光条纹图案分析方法，其特征在于，计算包裹相位的公式如下：

5.如权利要求4所述的一种基叶贝斯神经网络的结构光条纹图案分析方法，其特征在于，相位展开的公式如下：

技术总结
本发明公开了一种基叶贝斯神经网络的结构光条纹图案分析方法，包括：S1、建构投影系统，通过相机捕捉被投影的条纹图案；S2、通过计算机生成适当的正弦波条纹图案；S3、通过投影系统投影系统将生成的条纹图案投影到目标物体上；S4、使用相机捕捉被投影条纹图案的目标物体的图像，确保相机和投影系统之间的相对位置和角度准确；S5、比较投影前后的条纹图案，计算每个像素点的相位差异；S6、使用计算机算法根据相位信息来重建目标物体的三维形状；S7、对重建的三维形状进行进一步的分析和应用。根据本发明，大大提高了从单一条纹图案解调相位的精度，具有更高的精度和更好的边缘保持能力。

技术研发人员：朱勇建,张辰宇
受保护的技术使用者：上海应用技术大学
技术研发日：
技术公布日：2024/2/8