1.一种基于单相机的三维投影形变测量与误差补偿方法,其特征在于,包括:S1:通过单相机采集待测物体表面多时刻的若干张投影图像,并记录每个时刻各投影图像中各像素坐标处的图像强度值;
S2:将任意一个时刻的各投影图像中同一处像素坐标的图像强度值输入至预训练的深度学习模型,输出对应时刻下对应像素坐标的三维高度预测;
S3:基于参考时刻、变形时刻的各投影图像中各处像素坐标的图像强度值进行相关性搜索,得到最优像素位移分量;
S4:基于参考时刻、变形时刻下各像素坐标的三维高度预测将最优像素位移分量构建变形时刻下的像面位移向量,并基于变形时刻下的像面位移向量计算变形时刻的三维位移场;
S5:对变形时刻的三维位移场进行中心差分计算,得到三维应变场;基于三维应变场,计算最大主应变值;
S6:当最大主应变值大于预设阈值时,修正异常的三维高度预测并调整深度学习模型的网络参数,基于修正后的高度预测以及调整后的深度学习模型重复执行步骤S2-S5,直至最大主应变值小于等于预设阈值,输出最终的三维位移场和三维应变场。
2.根据权利要求1所述的三维投影形变测量与误差补偿方法,其特征在于,S1包括:投影仪将正弦条纹和散斑混合的编码图案投影到待测物体表面,形成投影图像,且在每个时刻均投影四张不同的相移投影图像;
单相机在每个时刻同步采集待测物体表面四张不同的相移投影图像,并记录每个时刻的各相移投影图像中像素坐标处的图像强度值。
3.根据权利要求2所述的三维投影形变测量与误差补偿方法,其特征在于,四张不同的相移投影图像的相位偏移分别为0、π/2、π、3π/2。
4.根据权利要求2所述的三维投影形变测量与误差补偿方法,其特征在于,变形时刻的各投影图像中像素坐标处的图像强度值的计算式为:;
其中,表示变形时刻的第j张相移投影图像中像素坐标处的图像强度值,表示第j张相移投影图像中的像素坐标,表示变形时刻待测物体在像素坐标处的表面反射特性函数,表示像素坐标处的成像噪声项。
5.根据权利要求1所述的三维投影形变测量与误差补偿方法,其特征在于,S2中,预训练的深度学习模型的表达式为:;
其中,表示变形时刻下像素坐标处的三维高度预测,表示预训练的深度学习模型,表示深度学习模型的网络参数,表示变形时刻的各投影图像中像素坐标处的图像强度值。
6.根据权利要求5所述的三维投影形变测量与误差补偿方法,其特征在于,深度学习模型的预训练过程包括:基于高度预测误差与平滑损失构建总损失函数,总损失函数的表达式为:;
;
;
其中,表示总损失函数,表示第一损失权重系数,表示第二损失权重系数,表示高度预测误差损失,表示平滑损失项,表示深度学习模型输出的第i个像素点的三维高度预测,表示第i个像素点的真实高度标签,表示高斯滤波函数,表示绝对值,表示参与损失计算的像素点总数;
通过最小化所述总损失函数更新深度学习模型的网络参数,得到预训练的深度学习模型。
7.根据权利要求1所述的三维投影形变测量与误差补偿方法,其特征在于,S3包括:基于参考时刻、变形时刻的各投影图像中各处像素坐标的图像强度值计算出相关系数,计算式为:;
其中,表示相关系数,表示相关窗口中心,表示沿x方向的位移分量,表示沿y方向的位移分量,表示相关窗口集合,表示参考时刻的各投影图像中像素坐标处的图像强度值,表示中各图像强度值的均值,表示变形时刻的各投影图像中像素坐标处的图像强度值,表示中各图像强度值的均值;
最大化所述相关系数,得到所述最优像素位移分量。
8.根据权利要求1所述的三维投影形变测量与误差补偿方法,其特征在于,S4中,基于参考时刻、变形时刻下各像素坐标的三维高度预测将最优像素位移分量构建变形时刻下的像面位移向量,像面位移向量的表达式为:;
其中,表示变形时刻下的像面位移向量,表示沿x方向的最优像素位移分量,表示沿y方向的最优像素位移分量,表示变形时刻下像素坐标处的三维高度预测,表示参考时刻下像素坐标处的三维高度预测,表示转置;
基于变形时刻下的像面位移向量计算变形时刻的三维位移场,计算式为:;
其中,表示变形时刻的三维位移场,表示映射矩阵。
9.根据权利要求1所述的三维投影形变测量与误差补偿方法,其特征在于,S5中,三维应变场的计算式为:;
;
;
其中,表示x方向的主应变分量,表示y方向的主应变分量,表示剪切应变分量,表示沿x方向的位移分量,表示沿y方向的位移分量,表示三维位移场在变形时刻下像素坐标处沿x方向的位移分量,表示x方向的像素物理间距,表示三维位移场在变形时刻下像素坐标处沿x方向的位移分量,表示三维位移场在变形时刻下像素坐标处沿y方向的位移分量,表示y方向的像素物理间距,表示三维位移场在变形时刻下像素坐标处沿y方向的位移分量,表示偏导。
10.根据权利要求6所述的三维投影形变测量与误差补偿方法,其特征在于,S6中,修正公式为:;
其中,表示变形时刻下像素坐标处经修正后的三维高度预测,表示第i个三维高度预测异常的像素点的候选高度,表示像素坐标领域内三维高度预测的中值,表示绝对值;
调整公式为:
;
其中,表示深度学习模型调整后的网络参数,表示深度学习模型的网络参数,表示学习率,表示出现三维高度预测异常时总损失函数对网络参数的梯度。