基于变形条纹图分析的非接触三维光学测量中, 从采集的变形条纹图中提取相位分布, 进而获得被测形状的面信息, 但是测量中获取的条纹图含有噪声,影响了提取相位信息的精度。为了更好更快的去除条纹图中的噪声, 提出了一种改进U-net神经网络的深度学习滤波算法, 在图像去噪领域, U-net获取的浅层特征较少, 所提算法在U-net的卷积层中含有1×1的平行卷积分支, 获取多尺度特征信息, 分别添加1、2、3个1×1平行卷积分支进行实验。实验采用含有高密度区域的条纹图, 并与目前最新的深度学习条纹图去噪算法对比, 去噪效果提升0.9%, 去噪效率提升41.7%, 训练时间减少30.8%。

为了从大相位变化条纹中提取可靠的相位,采用Paul小波变换分析了相应条纹。在不同Paul小波参数条件下,通过分析大相位变化条纹在噪声影响下的相位提取过程,给出了相位提取过程中伸缩因子、小波阶数等参数的选择方法。模拟实验结果表明,通过调整Paul小波变换的参数,可有效提高含噪声的大相位变化变形条纹的相位提取的可靠性和速度。

为满足精密位移的需要，研究开发了一种大行程、纳米级和计量型三维精密位移系统。采用模块化结构设计，即3个方向的驱动机构均采用完全相同的设计结构，分别称为X、Y、Z向一维工作台。位移系统在X、Y、Z 3个方向采用粗、精两级驱动，并分别装有计量光栅。各方向粗驱动采用交流伺服电机配合精密丝杠和直线导轨进行，精驱动采用压电陶瓷微位移器配合柔性铰链进行，每个方向的两级驱动共用一套计量光栅，从而保证了位移系统的大行程、纳米级和计量型。介绍了位移系统的结构设计，分析了位移系统的位移分辨率、计量原理以及它的运动性能。实验表明，在40 mm位移行程内，X、Y和Z向工作台两级驱动实际位移与设定位移之差分别不超过±0.030、±0.028和±0.033 μm，验证了位移系统设计的有效性，为位移系统的设计提供了依据。