公开(公告)号：CN115063466B

公开(公告)日：2025-02-25

申请号：CN202210728482.7

申请日：2022-06-24

Applicant: 复旦大学

Inventor： 孔令豹 ,  万名烛

IPC: G06T7/521 ,  G06T3/06 ,  G06N3/0464 ,  G06N3/09 ,  G06N3/045 ,  G01B11/25

Abstract: 本发明属于结构光三维测量技术领域，具体为一种基于结构光与深度学习的单帧三维测量方法。本发明通过无监督学习预训练与监督学习微调得到的深度神经网络进行条纹图像分析，实现三维测量；其中：无监督学习预训练以结构光系统采集的单帧条纹图像为输入，监督学习以采集的四种频率12步相移条纹图像为输入，所用的深度神经网络由3个U‑Net模块构成，分别用于相位计算，解包裹与调优。本发明通过深度神经网络完成单帧三维测量，能够用于测量动态场景，且测量精度高；无监督与监督学习的结合使得采集的条纹图像数量减少，提高了深度学习方法的训练效率。

公开(公告)号：CN115063466A

公开(公告)日：2022-09-16

申请号：CN202210728482.7

申请日：2022-06-24

Applicant: 复旦大学

Inventor： 孔令豹 ,  万名烛

IPC: G06T7/521 ,  G06T3/00 ,  G06N3/08 ,  G06N3/04 ,  G01B11/25

Abstract: 本发明属于结构光三维测量技术领域，具体为一种基于结构光与深度学习的单帧三维测量方法。本发明通过无监督学习预训练与监督学习微调得到的深度神经网络进行条纹图像分析，实现三维测量；其中：无监督学习预训练以结构光系统采集的单帧条纹图像为输入，监督学习以采集的四种频率12步相移条纹图像为输入，所用的深度神经网络由3个U‑Net模块构成，分别用于相位计算，解包裹与调优。本发明通过深度神经网络完成单帧三维测量，能够用于测量动态场景，且测量精度高；无监督与监督学习的结合使得采集的条纹图像数量减少，提高了深度学习方法的训练效率。