La synergie des techniques traditionnelles et de l’apprentissage profond permet une analyse de motif de franges de haute précision sur une seule image

La métrologie optique, en tant que technique de métrologie à usage général utilisant la lumière comme support d’informations pour des mesures sans contact et non destructives, est fondamentale pour les applications de fabrication, de recherche fondamentale et d’ingénierie.

Avec l’invention du laser et du dispositif à couplage de charge (CCD), de nombreuses méthodes et instruments de métrologie optique sont utilisés dans les processus de fabrication de pointe, le positionnement de précision et l’évaluation de la qualité en raison de leurs avantages en termes de précision, de sensibilité. , la répétabilité et la vitesse.

Pour de nombreuses techniques de métrologie optique telles que l’interférométrie, l’holographie numérique et la profilométrie par projection de franges (FPP), l’analyse des motifs de franges est le principal objectif de recherche pour récupérer la distribution de phase sous-jacente à partir des motifs de franges enregistrés. La précision et l’efficacité de la récupération de phase à partir de motifs de franges sont essentielles pour reconstruire dynamiquement diverses propriétés physiques souhaitées des objets (le profil, la distance, la déformation, etc.).

Pour l’imagerie 3D à lumière structurée basée sur FPP, afin de minimiser le nombre de franges requises pour une seule reconstruction, le groupe de recherche du professeur Qian Chen et Chao Zuo de l’Université des sciences et technologies de Nanjing a établi le cadre théorique pour la profilométrie à déphasage et le déroulement de la phase temporelle et a développé une série de méthodes de déphasage composite pour des mesures 3D rapides, notamment le déphasage bi-fréquence, le déphasage 2+2, le déphasage composite basé sur des contraintes géométriques et la profilométrie à transformée de Fourier micro (μFTP).

Ces méthodes de déphasage composite réduisent le nombre de motifs de franges requis par reconstruction 3D d’environ 10 à cinq, quatre, trois ou même deux, permettant ainsi une détection 3D à grande vitesse à 10 000 images par seconde.

Néanmoins, la reconstruction 3D de haute précision à l’aide d’un seul motif constitue l’objectif ultime de l’imagerie 3D à lumière structurée en quête perpétuelle. Cependant, la clé du succès du FTP réside dans le fait que les informations marginales haute fréquence modulées par la surface de l’objet peuvent être bien séparées de l’intensité de fond dans le domaine fréquentiel.

De ce fait, la technique FTP se limite à mesurer des surfaces lisses avec des variations de hauteur limitées.

Récemment, avec la croissance explosive des données et des ressources informatiques disponibles, l’apprentissage profond, en tant que technique d’apprentissage automatique « basée sur les données », a connu un succès impressionnant dans de nombreux domaines, tels que la vision par ordinateur et l’imagerie informatique. L’apprentissage profond, qui imprègne presque tous les aspects de la métrologie optique, apporte des solutions à de nombreux problèmes difficiles, tels que le débruitage des franges, l’analyse des franges et la reconstruction holographique numérique.

Cependant, à la différence des méthodes traditionnelles d’analyse des franges, ces approches d’apprentissage profond se concentrent principalement sur la formation d’un DNN pour identifier avec précision une transformation image à image à partir de paires massives de données d’entrée et de sortie, comme les lois physiques régissant la formation d’image ou d’autres expertises de domaine associées. à la mesure n’ont pas encore été pleinement exploités dans les pratiques actuelles d’apprentissage profond.

Par conséquent, les performances des approches d’apprentissage profond pour résoudre des problèmes physiques complexes dépendent fortement des caractéristiques statistiques sous-jacentes de l’ensemble de données. Afin de repousser les limites de l’analyse des motifs de franges en termes de vitesse, de précision, de répétabilité et de généralisation, la synergie des méthodes traditionnelles basées sur la physique et des approches d’apprentissage basées sur les données devient la tendance générale. [Fig. 1(b)].

Dans un publication dans Avancées opto-électroniquesle groupe de recherche du professeur Qian Chen et du professeur Chao Zuo de l’Université des sciences et technologies de Nanjing a présenté une méthode d’apprentissage profond basée sur la physique pour l’analyse des motifs de franges (PI-FPA), qui intègre un DNN léger avec une profilométrie à transformée de Fourier améliorée par l’apprentissage. (LeFTP) module [Fig. 2]permettant une récupération de phase à un seul coup plus précise et plus efficace sur le plan informatique.

Le réseau léger affine la phase initiale pour améliorer encore la précision de phase à un faible coût de calcul, par rapport aux réseaux universels de transformation d’image de bout en bout (U-Net et ses dérivés).

Les résultats de reconstruction 3D dynamique à 360 degrés d’un modèle de pièce par différentes méthodes d’analyse des franges sont présentés dans [Fig. 3].

Pour la méthode PS en 3 étapes, lorsque des scènes dynamiques sont mesurées, le mouvement relatif entre l’objet et les motifs de franges déphasés projetés séquentiellement provoquera des artefacts de mouvement et introduira ainsi des erreurs non négligeables dans les résultats de reconstruction 3D.

Pour l’analyse de franges sur une seule image, FTP convient à la mesure 3D dynamique, mais donne des résultats 3D grossiers de faible qualité en termes de précision et de résolution en raison du chevauchement du spectre.

U-Net peut encore améliorer la qualité de la reconstruction 3D, mais il ne peut pas récupérer de manière fiable la phase de l’objet avec des matériaux métalliques, ce qui est relativement rare dans l’ensemble de données d’entraînement, ce qui exclut la récupération de surfaces fines. Cette expérience démontre que le PI-FPA proposé peut être appliqué pour une modélisation 3D efficace et de haute qualité de pièces de structure complexes.

La technique d’apprentissage profond basée sur la physique proposée pour l’analyse des motifs de franges (PI-FPA) apprend non seulement les caractéristiques statistiques inhérentes à l’ensemble de données comme les réseaux neuronaux traditionnels, mais maîtrise également les lois physiques décrivant la formation de l’image, réalisant une reconstruction de phase à image unique avec haute précision et haute efficacité de calcul, tout en démontrant sa bonne généralisation à des échantillons rares jamais vus par le réseau.

À l’avenir, l’équipe de recherche étudiera les performances de récupération de phase du PI-FPA pour différents types d’images de franges et explorera les applications connexes d’analyse de franges dans les domaines de l’interférométrie et de l’holographie numérique en métrologie optique, repoussant ainsi les limites de l’analyse des motifs de franges. en termes de rapidité, de précision, de répétabilité et de généralisation.