Published March 9, 2021 | Version v1
Publication Metadata-only

Optical-numerical method based on a convolutional neural network for full-field subpixel displacement measurements

Creators

  • 1. Beijing Forestry University

Description

The subpixel displacement estimation is an important step to calculation of the displacement between two digital images in optics and image processing. Digital image correlation (DIC) is an effective method for measuring displacement due to its high accuracy. Various DIC algorithms to compare images and to obtain displacement have been implemented. However, there are some drawbacks to DIC. It can be computationally expensive when processing a sequence of continuously deformed images. To simplify the subpixel displacement estimation and to explore a different measurement scheme, a convolutional neural network with a transfer learning based subpixel displacement measurement method (CNN-SDM) is proposed in this paper. The basic idea of the method is to compare images of an object decorated with speckle patterns before and after deformation by CNN, and thereby to achieve a coarse-to-fine subpixel displacement estimation. The proposed CNN is a classification model consisting of two convolutional neural networks in series. The results of simulated and real experiments are shown that the proposed CNN-SDM method is feasibly effective for subpixel displacement measurement due its high efficiency, robustness, simple structure and few parameters.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يعد تقدير إزاحة البكسل الفرعي خطوة مهمة لحساب الإزاحة بين صورتين رقميتين في البصريات ومعالجة الصور. ارتباط الصورة الرقمية (DIC) هو طريقة فعالة لقياس الإزاحة بسبب دقتها العالية. تم تنفيذ خوارزميات DIC المختلفة لمقارنة الصور والحصول على الإزاحة. ومع ذلك، هناك بعض العيوب في مدينة دبي للتأمين. يمكن أن يكون مكلفًا حسابيًا عند معالجة سلسلة من الصور المشوهة باستمرار. لتبسيط تقدير إزاحة البكسل الفرعي واستكشاف مخطط قياس مختلف، تم اقتراح شبكة عصبية التفافية مع طريقة قياس إزاحة البكسل الفرعي القائمة على التعلم (CNN - SDM) في هذه الورقة. تتمثل الفكرة الأساسية للطريقة في مقارنة صور كائن مزين بأنماط البقع قبل وبعد التشوه بواسطة سي إن إن، وبالتالي تحقيق تقدير إزاحة تحت البكسل من الخشنة إلى الدقيقة. شبكة سي إن إن المقترحة هي نموذج تصنيف يتكون من شبكتين عصبيتين تلافيفيتين متتاليتين. تظهر نتائج التجارب المحاكاة والحقيقية أن طريقة CNN - SDM المقترحة فعالة بشكل عملي لقياس إزاحة البكسل الفرعي بسبب كفاءتها العالية ومتانتها وبنيتها البسيطة وعدد قليل من المعلمات.

Translated Description (French)

L'estimation du déplacement des sous-pixels est une étape importante du calcul du déplacement entre deux images numériques en optique et en traitement d'image. La corrélation d'image numérique (DIC) est une méthode efficace pour mesurer le déplacement en raison de sa grande précision. Divers algorithmes DIC pour comparer les images et obtenir le déplacement ont été mis en œuvre. Cependant, il y a quelques inconvénients à la DIC. Cela peut être coûteux sur le plan informatique lors du traitement d'une séquence d'images déformées en continu. Pour simplifier l'estimation du déplacement des sous-pixels et explorer un schéma de mesure différent, un réseau neuronal convolutionnel avec une méthode de mesure du déplacement des sous-pixels basée sur l'apprentissage par transfert (CNN-SDM) est proposé dans cet article. L'idée de base du procédé est de comparer les images d'un objet décoré de motifs tachetés avant et après déformation par CNN, et ainsi d'obtenir une estimation grossière à fine du déplacement des sous-pixels. Le CNN proposé est un modèle de classification composé de deux réseaux neuronaux convolutionnels en série. Les résultats d'expériences simulées et réelles montrent que la méthode CNN-SDM proposée est efficace pour la mesure du déplacement des sous-pixels en raison de son efficacité élevée, de sa robustesse, de sa structure simple et de ses peu de paramètres.

Translated Description (Spanish)

La estimación del desplazamiento de subpíxeles es un paso importante para el cálculo del desplazamiento entre dos imágenes digitales en óptica y procesamiento de imágenes. La correlación digital de imágenes (dic) es un método eficaz para medir el desplazamiento debido a su alta precisión. Se han implementado varios algoritmos dic para comparar imágenes y obtener el desplazamiento. Sin embargo, existen algunos inconvenientes para dic. Puede ser computacionalmente costoso cuando se procesa una secuencia de imágenes continuamente deformadas. Para simplificar la estimación del desplazamiento de subpíxeles y explorar un esquema de medición diferente, en este documento se propone una red neuronal convolucional con un método de medición del desplazamiento de subpíxeles basado en el aprendizaje por transferencia (CNN-SDM). La idea básica del método es comparar imágenes de un objeto decorado con patrones de moteado antes y después de la deformación por CNN y, por lo tanto, lograr una estimación de desplazamiento de subpíxeles de grueso a fino. La CNN propuesta es un modelo de clasificación que consiste en dos redes neuronales convolucionales en serie. Los resultados de experimentos simulados y reales muestran que el método CNN-SDM propuesto es factiblemente efectivo para la medición del desplazamiento de subpíxeles debido a su alta eficiencia, robustez, estructura simple y pocos parámetros.

Additional details

Additional titles

Translated title (Arabic)
طريقة بصرية عددية تعتمد على شبكة عصبية التفافية لقياسات إزاحة البكسل الفرعي للمجال الكامل
Translated title (French)
Méthode optique-numérique basée sur un réseau neuronal convolutif pour les mesures de déplacement de sous-pixels plein champ
Translated title (Spanish)
Método óptico-numérico basado en una red neuronal convolucional para mediciones de desplazamiento de subpíxeles de campo completo

Identifiers

Other
https://openalex.org/W3133835212
DOI
10.1364/oe.417413

Is supplement to
https://openalex.org/W2600286165 (Other)
https://openalex.org/W2518842038 (Other)
https://openalex.org/W2360211730 (Other)
https://openalex.org/W2280680351 (Other)
https://openalex.org/W2112259027 (Other)
https://openalex.org/W2083145995 (Other)
https://openalex.org/W2069519895 (Other)
https://openalex.org/W2038361087 (Other)
https://openalex.org/W2037608863 (Other)
https://openalex.org/W1539193595 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1991692264
  • https://openalex.org/W2008505906
  • https://openalex.org/W2015195495
  • https://openalex.org/W2016857478
  • https://openalex.org/W2029270087
  • https://openalex.org/W2045725879
  • https://openalex.org/W2052963061
  • https://openalex.org/W2058205613
  • https://openalex.org/W2063509315
  • https://openalex.org/W2080866586
  • https://openalex.org/W2088375041
  • https://openalex.org/W2109255472
  • https://openalex.org/W2113190056
  • https://openalex.org/W2288794765
  • https://openalex.org/W2563912977
  • https://openalex.org/W2611082894
  • https://openalex.org/W2766916509
  • https://openalex.org/W2770660451
  • https://openalex.org/W2774238390
  • https://openalex.org/W2794777932
  • https://openalex.org/W2796218565
  • https://openalex.org/W2811289326
  • https://openalex.org/W2901997867
  • https://openalex.org/W2919115771
  • https://openalex.org/W2941623249
  • https://openalex.org/W2942543915
  • https://openalex.org/W2956211185
  • https://openalex.org/W2957484857
  • https://openalex.org/W2964293073
  • https://openalex.org/W2966612194
  • https://openalex.org/W2967686751
  • https://openalex.org/W2999286629
  • https://openalex.org/W3000574859
  • https://openalex.org/W3004754599
  • https://openalex.org/W3007271008
  • https://openalex.org/W3011428013
  • https://openalex.org/W3014311085
  • https://openalex.org/W3030342502
  • https://openalex.org/W3034377883
  • https://openalex.org/W3041885996