Investigación

 

Aplicación de redes neuronales de aproximación a una línea de luz para reconstrucción 3D de objetos

 

J.A. Muñoz Rodríguez^a, A. Asundi^b y R. Rodríguez Vera^a

 

^a Centro de Investigaciones en Optica A.C. Apartado Postal 1- 948, León, GTO, 37000, México. E-mail: munoza@foton.cio.mx.

^b Nanyang Technological University, School of Mechanical & Production engineering. Nanyang avenue, Singapore 639798, Tel: (65) 6790-5936.

 

Recibido el 1 de julio de 2003.
Aceptado el 10 de diciembre de 2003.

 

Resumen

Se presenta una técnica para extraer la forma 3D de objetos mediante el procesamiento de imágenes de una línea de luz. En este proceso, una red neuronal de aproximación reconstruye la forma 3D del objeto. Esta red neuronal, se genera con una estructura en forma de capas, neuronas, conexiones y reciben información para ser procesada, con lo que se obtiene una respuesta de salida. En este caso, la información que recibe la estructura de la red neuronal, corresponde a imágenes de una línea de luz proyectada sobre objetos con dimensiones conocidas. Estas imágenes se obtienen durante el barrido de la línea de luz sobre el objeto patrón. El método perfilométrico que usa la red neuronal de aproximación, está basado en las deformaciones que sufre una línea de luz cuando ésta se proyecta sobre un objeto. Estas deformaciones son medidas mediante aproximación gaussiana. En esta técnica se reconstruye la forma 3D sin utilizar los parámetros del arreglo experimental. Esto constituye una ventaja sobre los métodos comunes de proyección de línea. En esta forma la precisión de los resultados se mejora, ya que no se introducen errores de medición al sistema. La precisión de esta técnica se obtiene mediante el valor rms. Esta técnica es probada con simulaciones y con objetos reales. También se presenta el tiempo de procesamiento y la precisión de los resultados.

Descriptores: Reconstrución 3D; proyección de línea de luz; red neuronal de aproximación; aproximación gaussiana.

 

Abstract

A technique for 3D object shape detection based on light line image processing is presented. In this process, an approximation neural network is used to reconstruct the 3D object shape. This neural network is generated using images of a light line projected onto the objects, whose dimensions are known. These images are obtained in the scanning step of the light line onto the objects. The profilometric method used by the neural network is based on the light line deformations. These deformations are measured by the Gaussian approximation method. In this technique, the 3D shape is obtained without use the parameters of the experimental set-up. It is an advantage over conventional methods of the light line projection. In this manner, the accuracy is improved due to the errors are not introduces in the system. The accuracy in this technique is deduced by the rms value. This technique is tested with simulations and real objects. Also, the time processing and accuracy results are presented.

Keywords: 3D reconstruction; light line projection; approximation neural network; gaussian approximation.

 

PACS: 84.35; 42.62E; 42.79

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

Referencias

1. X.X. Cheng, X.Y. Su y L.R. Guo, Appl. Optics 30 (1991) 1274.         [ Links ]

2. L.P. Thomas, R. Gratton, B.M. Marino y J.M. Simon, Appl. Optics 33 (1994) 2455.         [ Links ]

3. W.Ch. Tai y M. Chang, Opt. Eng. 35 (1996) 2730.         [ Links ]

4. M. Baba, T. Konishi y N. Kobayashi, Journal of Optics 29 (1998) 241.         [ Links ]

5. S.R. Marokkey, Ch.J. Tay, H.M. Shang y A. K. Asundi, Opt. Eng. 36 (1997) 2573.         [ Links ]

6. M.R. Sajan, C.J. Tay, H.M. Shang y A. Asundi, Optics Comm. 150 (1998) 66.         [ Links ]

7. A. Asundi y W. Zhou, Opt. Eng. 38 (1999) 339.         [ Links ]

8. J.A. Muñoz-Rodríguez, R. Rodríguez-Vera y M. Servin, Opt. Eng. 39 (2000) 2463.         [ Links ]

9. B. Muller, J. Reinhardt y M. T. Strickland, Neural networks An Introduction, (Springer, U.S.A 1995).         [ Links ]

10. W.D. Herzog, M.S. Unlu, B.B. Goldberg y G.H. Rhodes, Appl. Phys. Lett. 70 (1997) 688.         [ Links ]

11. W.J. Dixon y F.J. Massey Jr., Introduction to statical analysis, (Mc Graw Hill, U.S.A 1969).         [ Links ]

12. J.P. Holman, Experimental methods for Engineers, (Mc Graw Hill, U.S.A 1984).         [ Links ]

13. A.M. Neifeld y D. Psaltis, Appl. Optics 32 (1993) 1370.         [ Links ]

14. E.W. Foor and A.M. Neifeld, Appl. Optics 34 (1995) 7545.         [ Links ]

15. F.J. Cuevas, M. Servin y R. Rodríguez-Vera, Optics Comm. 163 (1999) 270.         [ Links ]

16. Y. Fravel, G. Pauliat, A. Villing y G. Roosen, Appl. Optics 40 (2001) 5162.         [ Links ]

17. T. Sabisch, A. Ferguson y H. Bolouri, IEEE Transactions on Neural Networks 11 (2000) 921.         [ Links ]

18. H. Leung, N. Dubash y N. Xie, IEEE Transactions on Aerospace and Electronic Systems 38 (2002) 98.         [ Links ]

19. I. Rojas et al., Neural Processing Letters 12 (2000) 1.         [ Links ]

20. P.H. Winston, Artificial Intelligence, (Addison-Wesley, USA, 1992).         [ Links ]

21. P. Picton, Neural networks, (Polgrave, U.S.A 1998).         [ Links ]

22. N. Mark y P. Demetri, Appl. Optics 32 (1993) 1370.         [ Links ]

23. F. Wesley y N. Mark, Appl. Optics 34 (1995) 7545.         [ Links ]

24. R.J. Schalkoff, Artificial Neural Networks, (Mc Graw Hill, USA, 1997).         [ Links ]

25. J.A. Freeman y D.M. Skapura, Neural Networks algorithms, Applications and Programming techniques, (Addison Wesley, USA 1991).         [ Links ]

26. W.H. Press, B.P. Flannery, S.A. Teukolsky y W.T. Vetterling, Numerical Recipes in C, (Cambridge Press, 1993).         [ Links ]

27. T. Masters, Practical Neural Networks Recipes in C++, (Academic Press, U.S.A 1993).         [ Links ]