[发明专利]基于深度学习的单帧彩色条纹投影的三维面型测量方法

权利要求书

1.一种基于深度学习的单帧彩色条纹投影相位展开方法，其特征在于，具体步骤为：

步骤1：构建基于卷积神经网络的模型CNN；

步骤2：生成CNN模型训练数据，对模型CNN进行训练；

步骤3、将被测物的彩色复合条纹图像三个通道内的灰度图像输入训练好的模型CNN，获得分子项、分母项以及低精度绝对相位，将分子项与分母项代入反正切函数，结合低精度绝对相位计算得到最终的绝对相位信息。

2.根据权利要求1所述的基于深度学习的单帧彩色条纹投影的三维面型测量方法，其特征在于，所述模型CNN包括五路数据处理路径、连接层1和卷积层11，其中：

所述数据处理路径1被设置为：输入数据依次经过卷积层1、残差模块1，经残差模块1输出的数据与卷积层1输出的数据一起输入卷积层2，卷积层2的输出数据输入连接层1；

所述数据处理路径2被设置为：输入数据依次经过卷积层3、池化层1、残差模块2、上采样层1，经上采样层1输出的数据与池化层1输出的数据一起输入卷积层4，卷积层4输出的数据输入连接层1；

所述数据处理路径3被设置为：输入数据依次经过卷积层5、池化层2、残差模块3、上采样层2、上采样层3，上采样层3输出的数据与池化层2输出的数据一起输入卷积层6，卷积层6输出的数据输入连接层1；

所述数据处理路径4被设置为：输入数据依次经过卷积层7、池化层3、残差模块4、上采样层4、上采样层5、上采样层6，上采样层6输出的数据与池化层3输出的数据一起输入卷积层8，卷积层8输出的数据输入连接层1；

所述数据处理路径5被设置为：输入数据依次经过卷积层9、池化层4、残差模块5、上采样层7、上采样层8、上采样层9、上采样层10，上采样层10输出的数据与池化层4输出的数据一起输入卷积层10，卷积层10输出的数据输入连接层1；

所述连接层1用于将5路数据进行后输入至卷积层11，得到输出通道数为3的3D张量。

3.根据权利要求2所述的基于深度学习的单帧彩色条纹投影的三维面型测量方法，其特征在于，所述池化层1、池化层2、池化层3、池化层4、池化层5分别对数据进行1/2、1/4、1/8、1/16的降采样。

4.根据权利要求1所述的基于深度学习的单帧彩色条纹投影的三维面型测量方法，其特征在于，生成CNN模型训练数据的具体方法为：

步骤2.1：使用投影仪向物体投影37幅条纹图像，37幅条纹图像包括12幅频率f_R的绿色相移条纹图像12幅频率f_G的绿色相移条纹图像和12幅频率f_B的绿色相移条纹图像以及1幅复合彩色条纹图像I_RGB，其红色通道为频率f_R的灰度条纹图像I_R、绿色通道为频率f_G的灰度条纹图像I_G、蓝色通道为频率f_B的灰度条纹图像I_B；

步骤2.2：使用彩色相机采集被物体调制的37幅条纹图像，并生成训练CNN所需的一组输入与输出数据，具体为：

步骤2.2.1、对于采集到的前36幅绿色条纹图像分别使用PS法获取频率为f_R、f_G、f_B的包裹相位

通过PDM法获取频率f_G的绝对相位Φ_G，将频率f_G的分子项M_G、分母项D_G，以及绝对相位Φ_G作为模型CNN的一组标准数据。

步骤2.2.2、将采集到的第37幅复合彩色条纹图像I_RGB三个通道中的灰度图像I_R、I_G、I_B作为网络CNN的一组输入数据；

步骤2.3：重复步骤2.1、2.2，生成设定组数训练数据。