一、科学研究背景
在工业生产和科研领域,如轮廓重建、表面缺陷检测以及振动结构分析等过程中,精确的距离和位移测量至关重要。激光三角测距传感器因其非接触性、紧凑性、低成本以及微米级精度而被广泛应用。然而,由于传感器系统结构的非对称性以及测量结果完全依赖于系统结构参数决定的位移测量方程,这类系统的测量精度受到系统结构参数(如透镜位置和散射光接收角度等)误差的影响,并且系统设计和组建过程中这些参数的误差很难避免,因此限制了传统激光三角测距方法的精度。随着深度学习技术的快速发展,其强大的学习能力和神经网络为提高测量精度提供了新的可能。
二、主要科技成果
围绕上述问题,张浩副教授在光学中科院二区Top期刊《Optics Express》发表题为“Displacement equation-free laser triangulation ranging with deep learning”的研究论文,创新性的提出了一种基于深度学习的智能激光三角测距方法,首次使用深度神经网络取代了激光三角传感器诞生以来使用了数十年的基于系统结构参数的位移测量方程,成功消除了系统结构参数误差通过位移方程对测量结果的传播和影响,显著提高了测量精度。
本研究首先利用团队此前提出的精英策略非线性规划遗传算法设计组建了激光三角测距系统。然后针对性的构建了一种反向传播深度神经网络,以对应不同被测距离的激光光斑图像质心位置为特征进行深度学习,实现了以散斑图像质心位置为输入,距离测量结果为输出的智能测量。使用最小最大归一化预处理输入数据加快神经网络的参数更新和收敛速度,最后在神经网络输出端进行反归一化获得测量结果,同时,利用训练集将输入和输出数据之间的差异用作损失函数并使用基于随机梯度下降的增量学习优化神经网络模型。
相比于传统的依托位移方程换算的测量方法,这种基于深度学习的智能测量摆脱了对位移方程的依赖,无需系统结构参数,从而使测量结果不受系统结构参数误差的影响,实验结果表明,所提出的智能方法将测量结果的非线性误差降低了一个数量级,均方根误差(RMSE)和平均绝对误差(MAE)分别降低了5倍和3倍至亚微米级。

三、成果应用前景
本次研究提出的无需系统结构参数的智能激光三角测量方法不仅显著提高了测量精度,还可以大幅简化激光三角测量传感器的系统设计和组建,为其它基于非对称系统的测量任务提供了可行的新思路。同时,随着激光三角测量技术在工业领域的大范围应用,这种高精度的智能测量方法在先进制造业中可用于质量控制和过程监测,实现对零部件尺寸、形状和缺陷的精确测量和质量检测,监测生产过程中的微小偏差,提升产品质量、生产效率和经济效益,具有广阔的应用前景。
四、成果贡献人及项目资助情况
上述成果由船舶电气工程学院张浩副教授、本科毕业生种佳星和硕士研究生王世纪共同完成,张浩副教授为论文第一作者和通讯作者。研究工作得到了国家自然科学基金等项目的资助。
五、成果联系人及联系方式
成果联系人:张浩
联系方式:hao.zhang@dlmu.edu.cn