Abstract
Gestructureerde franjeprofilometrie is een gevestigde optische techniek waarin de 3D-vorm van een object gemeten wordt door franjepatronen (meestal lijntjes) op het objectoppervlak te projecteren en door de vervormde franjes onder een hoek te observeren. Standaard franjeprofilometrie vereist drie of meer verschillende patronen om een analytische volveldsmeting van een object te doen. Dit beperkt de 3D-acquisitiesnelheid, bemoeilijkt de optische opstelling van het meetsysteem en veroorzaakt bewegingsartefacten in de 3D-scans wanneer het object beweegt tussen opeenvolgende opnames. In dit project zullen we een neuraal netwerk trainen om één enkel vervormd franjepatroon rechtstreeks om te zetten in het overeenkomstige 3D-oppervlakteprofiel. Hierdoor zullen we het correspondentieprobleem tussen vervormd franjepatroon en 3D-oppervlak kunnen determineren met behulp van slechts één invoerbeeld. Dit zal de 3D-meetsnelheid enorm verhogen, met nu de ververssnelheid van de camera als enige beperkende factor. Bovendien zal de optische complexiteit van de huidige optische 3D-scansystemen aanzienlijk worden vereenvoudigd, wat nieuwe mogelijkheden zal creëren op het gebied van medische beeldvorming, industriële inspectie, machinevisie, entertainment en biometrische toegangsbeveiligingstoepassingen. Verder zullen we voortbouwen op deze nieuwe strategie om de vraag te beantwoorden of neurale netwerken kunnen leren om hoge resolutie en kwantitatieve 3D-informatie te extraheren uit een enkel 2D-camerabeeld van een object zonder gebruik te maken van geprojecteerde lijnen, stippen of andere franjepatronen - net zoals mensen met monoculair zicht dat doen. Hierdoor wordt de projectie-eenheid in de 3D-scanner overbodig en wordt elke smartphonecamera, endoscoop of smart-bril effectief omgezet in een kwantitatief 3D-scansysteem. Dit zal resulteren in een geheel nieuwe single-shot, ultrasnelle en volledig schaalbare 3D-meettechniek.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)