Uma nova publicação da Avanços Opto-Eletrônicos discute como o aprendizado profundo torna possível a geração de imagens 3D de luz estruturada de alta resolução e de captura única.
Com o rápido desenvolvimento da tecnologia da informação optoeletrônica, imagens e sensores tridimensionais (3D) tornaram-se uma vanguarda de pesquisa em metrologia óptica. Após a transição de monocromático para colorido, de baixa resolução para alta resolução e de foto estática para vídeo dinâmico, a evolução da fotografia 2D para o sensor 3D tornou-se a quarta revolução da imagem. A este respeito, a perfilometria de projeção de franjas (FPP) é uma das tecnologias de imagem 3D mais representativas devido à sua capacidade de medição sem contato, alta resolução, alta velocidade e campo total, que tem sido amplamente aplicada em vários campos, como fabricação inteligente, engenharia reversa, inspeção industrial e preservação do patrimônio.

Nos últimos anos, com os rápidos avanços de dispositivos optoeletrônicos (por exemplo, projetores de luz digital, moduladores de luz espacial e sensores de imagem de alta velocidade) e unidades de processamento de sinal digital (por exemplo, computadores de alto desempenho e processadores embutidos), as pessoas estabeleceram expectativas em FPP:deve ser de alta precisão e alta velocidade. Embora esses dois aspectos pareçam de natureza contraditória, a velocidade tornou-se gradualmente um fator fundamental que deve ser levado em consideração ao usar o FPP. Para muitos campos, como manufatura industrial, velocidade significa eficiência e eficiência representa produtividade. Sob essas circunstâncias, a reconstrução 3D de alta precisão usando apenas um único padrão tem sido o objetivo final da imagem 3D de luz estruturada em busca perpétua.

Os autores deste artigo relatam uma técnica FPP de multiplexação de frequência dupla habilitada para aprendizado profundo, permitindo imagens 3D de luz estruturada de alta precisão inequívoca de disparo único. O método proposto construiu duas redes paralelas em forma de U com a mesma estrutura, uma das quais usa a imagem de franja composta de dupla frequência bem projetada como entrada da rede, combinada com o modelo físico tradicional de mudança de fase para prever os termos de seno e cosseno usado para calcular o mapa de fase embrulhado de alta qualidade, e o outro é projetado para prever as informações de ordem de franjas da imagem de franja composta de dupla frequência de entrada. Através do aprendizado de um grande número de conjuntos de dados, as redes neurais adequadamente treinadas podem desmultiplexar fases de alta resolução e sem interferência de espectro da franja composta e reconstruir diretamente um mapa de fase absoluto de alta precisão para 3D de disparo único e inequívoco imagem de superfície.

Espera-se que a técnica FPP de multiplexação de frequência dupla habilitada para aprendizado profundo preencha a lacuna de velocidade entre a imagem 3D e a detecção 2D, alcançando uma reconstrução de forma 3D inequívoca de quadro único, de alta precisão e sem ambiguidades. Esta pesquisa abre novos caminhos para a medição de forma 3D instantânea e de disparo único de objetos descontínuos e/ou mutuamente isolados em movimento rápido. Atualmente, a tecnologia de aprendizado profundo permeou totalmente quase todas as tarefas da metrologia óptica. Apesar dos resultados promissores, em muitos casos impressionantes, relatados na literatura, as razões subjacentes a esses sucessos permanecem obscuras neste estágio.

Muitos pesquisadores ainda são céticos e mantêm uma atitude de esperar para ver suas aplicações em cenários de alto risco, como inspeção industrial e assistência médica. Mas pode-se prever que, com o desenvolvimento da tecnologia de inteligência artificial, a melhoria contínua do desempenho do hardware do computador e o desenvolvimento das técnicas de processamento óptico de informações, esses desafios serão gradualmente resolvidos em breve. O aprendizado profundo desempenhará, portanto, um papel mais significativo e terá um impacto de maior alcance na óptica e na fotônica. + Explorar mais

Recuperação de fase totalmente óptica e imagem de fase quantitativa realizada instantaneamente sem um computador