Una nuova pubblicazione da Opto-Electronic Advances discute come il deep learning renda possibile l'imaging 3D a luce strutturata ad alta risoluzione e a scatto singolo.

Con il rapido sviluppo della tecnologia dell'informazione optoelettronica, l'imaging e il rilevamento tridimensionali (3D) sono diventati una ricerca all'avanguardia nella metrologia ottica. Dopo il passaggio dal bianco e nero al colore, dalla bassa risoluzione all'alta risoluzione e dalla foto statica al video dinamico, l'evoluzione dalla fotografia 2D al rilevamento 3D è diventata la quarta rivoluzione dell'imaging. A questo proposito, la profilometria a proiezione marginale (FPP) è una delle tecnologie di imaging 3D più rappresentative grazie alla sua capacità di misurazione senza contatto, ad alta risoluzione, ad alta velocità e a campo intero, che è stata ampiamente applicata in più campi, come la produzione intelligente, il reverse engineering, l'ispezione industriale e la conservazione del patrimonio.

Negli ultimi anni, con i rapidi progressi dei dispositivi optoelettronici (ad esempio, proiettori di luce digitali, modulatori di luce spaziale e sensori di immagine ad alta velocità) e unità di elaborazione del segnale digitale (ad esempio, computer ad alte prestazioni e processori embedded), le persone hanno successivamente aspettative su FPP:dovrebbe essere sia alta precisione che alta velocità. Sebbene questi due aspetti sembrino di natura contraddittoria, la velocità è diventata gradualmente un fattore fondamentale che deve essere preso in considerazione quando si utilizza FPP. Per molti campi, come la produzione industriale, velocità significa efficienza e efficienza rappresenta produttività. In queste circostanze, la ricostruzione 3D ad alta precisione utilizzando un solo modello è stato l'obiettivo finale dell'imaging 3D a luce strutturata alla continua ricerca.

Gli autori di questo articolo riportano una tecnica FPP di multiplexing a doppia frequenza abilitata per l'apprendimento profondo, che consente l'imaging 3D a luce strutturata ad alta precisione e senza ambiguità a scatto singolo. Il metodo proposto ha costruito due reti parallele a forma di U con la stessa struttura, una delle quali prende l'immagine marginale composita a doppia frequenza ben progettata come input di rete, combinata con il tradizionale modello fisico a sfasamento per prevedere i termini seno e coseno utilizzato per calcolare la mappa di fase avvolta di alta qualità e l'altro è progettato per prevedere le informazioni sull'ordine marginale dall'immagine marginale composita a doppia frequenza di input. Attraverso l'apprendimento da un gran numero di set di dati, le reti neurali opportunamente addestrate possono de-multiplexare fasi ad alta risoluzione, prive di diafonia dello spettro dalla frangia composita e ricostruire direttamente una mappa di fase assoluta ad alta precisione per 3D a scatto singolo e non ambiguo imaging di superficie.

La proposta tecnica FPP di multiplexing a doppia frequenza abilitata per l'apprendimento profondo dovrebbe colmare il divario di velocità tra l'imaging 3D e il rilevamento 2D, ottenendo una vera ricostruzione della forma 3D a fotogramma singolo, ad alta precisione e senza ambiguità. Questa ricerca apre nuove strade per la misurazione istantanea della forma 3D a scatto singolo di oggetti discontinui e/o reciprocamente isolati in rapido movimento. Al giorno d'oggi, la tecnologia di deep learning è completamente permeata in quasi tutti i compiti della metrologia ottica. Nonostante i risultati promettenti, in molti casi impressionanti, riportati in letteratura, le ragioni alla base di questi successi rimangono poco chiare in questa fase.

Molti ricercatori sono ancora scettici e mantengono un atteggiamento attendista nei confronti delle sue applicazioni in scenari ad alto rischio, come l'ispezione industriale e l'assistenza medica. Ma si può prevedere che con l'ulteriore sviluppo della tecnologia dell'intelligenza artificiale, il continuo miglioramento delle prestazioni dell'hardware del computer e l'ulteriore sviluppo delle tecniche di elaborazione ottica delle informazioni, queste sfide saranno gradualmente risolte presto. Il deep learning svolgerà quindi un ruolo più significativo e avrà un impatto più ampio nell'ottica e nella fotonica. + Esplora ulteriormente

Recupero di fase completamente ottico e imaging di fase quantitativo eseguito istantaneamente senza un computer