在高温环境下，利用激光结构光进行原位三维轮廓测量，并结合基于条件生成对抗网络的自适应斑点去噪技术

《Engineering Applications of Artificial Intelligence》：In-situ three-dimensional profilometry in high-temperature environment via laser structured light with conditional generative adversarial network-based adaptive speckle denoising

高温环境下激光结构光三维测量中提出自适应散斑噪声抑制条件生成对抗网络（ASD-CGAN），通过多尺度自适应滤波模块和语义分割分支增强噪声抑制与边缘重建能力，结合LED/激光多路复用光学路径优化训练数据，实测误差0.12mm，较传统方法提升60.1%。

　　

王洪森|刘福建|杨建宏|江玉轩|段朝阳|刘阳

北京科技大学机械工程学院，北京，100083，中国

摘要

激光结构光方法已被证明在各种工业和航空航天应用中对于高温物体的原位三维轮廓测量非常有效。然而，在测量过程中，不可避免地会产生激光散斑噪声，这会降低测量精度。由于恢复条纹结构和边缘的特定要求、高温环境下各种类型噪声的耦合效应，以及在此类条件下获取训练数据的固有难度，以往的散斑抑制方法性能有限。因此，本文提出了一种自适应散斑去噪条件生成对抗网络，以提高激光结构光方法的测量精度。具体来说，在生成器中引入了多尺度自适应滤波模块来减少复合噪声，并在判别器中设计了尺度自适应网络，以提供从像素细节到全局结构的监督。此外，激光结构光测量系统还设计了激光/发光二极管复用光学路径，以提高训练数据集的质量。在2015°C的电子束加热环境中对钨合金样品块的轮廓进行了原位测量实验，平均误差为0.12毫米，与现有方法相比提高了60.1%，从而证明了所提出方法在高温环境中的优势。

引言

在高温条件下进行原位三维轮廓测量在广泛的工业和航空航天应用中至关重要。典型的应用包括评估高温风洞中的材料性能、测试喷气发动机中的涡轮叶片，以及评估承受极端热载荷的组件的结构完整性（Uyanna和Najafi，2020年）。这些场景对测量系统提出了极高的要求，需要具备原位过程测量能力、对恶劣环境的鲁棒性以及高热稳定性。由于其非接触和远距离特性，视觉方法能够进行原位测量，因此在高温环境中被广泛使用。现有的三维轮廓测量方法通常可以分为被动成像立体视觉技术（Wen等人，2017年）和基于投影结构光的主动成像方法（Chen等人，2025年；He等人，2022年；Wu等人，2024年）。在被动成像立体视觉技术中，基于双目视觉的经典方法严重依赖于表面纹理特征或人工特征（Dong和Pan，2019年），这些特征在高温下难以保持，导致测量稳定性降低。因此，基于投影结构光的主动成像方法由于不依赖于人工特征而受到了更多关注。特别是当使用激光结构光线时，这些方法在高温测量中表现出巨大优势。有研究报道了一种基于DMD的多线激光结构光方法，用于高温风洞测量，在1950°C下测量钝头圆柱样品的直径时，精度达到了0.17毫米（Liu等人，2022b年）。还应该注意的是，基于结构光投影的主动成像方法中的一个关键步骤是从多线光条中提取中心线，这直接决定了轮廓测量的精度。Steger算法（Bo等人，2024年；Ye等人，2023年）是常用的提取中心线的方法，因为它具有亚像素精度和鲁棒性。然而，中心线计算的精度受到激光散斑的影响，随着温度的升高，散斑噪声加剧，背景噪声和散斑噪声之间发生耦合，如图1(a)所示。噪声会掩盖原始的条纹边缘并导致条纹梯度的随机变化，从而在提取的中心线中出现曲率、错位和断裂，如图1(b)所示。此外，高温下背景辐射引入的噪声与散斑噪声耦合，使得去除散斑噪声更加困难。因此，为了进一步提高轮廓测量的重建精度，消除或减少激光散斑噪声至关重要。目前关于激光散斑噪声抑制方法的研究大致可以分为三类：空间域去噪（Lin等人，2025年；Wei和Liao，2025年；Zha等人，2023年）、变换域去噪（Garcia等人，2024年；Pineda等人，2020年；Zada等人，2019年）和基于深度学习的去噪（Chen等人，2024年；Liu等人，2025年；Ronneberger等人，2015年；Wang等人，2022年；Yan等人，2019年；Zhang等人，2017年，2020年）。空间域去噪方法可以将噪声降低到合理范围，并且在时间复杂度方面效率较高。然而，在高噪声水平下，由于像素相关性的严重破坏，它们的性能会显著下降。变换域方法可以将噪声与信号分离，从而实现更有效的散斑去噪效果。但是，变换域方法需要提取和调整经验参数才能获得所需的去噪结果。

与上述方法相比，基于深度学习的去噪方法具有更好的噪声减少效果，因为深度学习模型通常具有强大的非线性建模能力，可以捕捉信号中的复杂模式和高维特征。近年来，许多基于卷积神经网络（CNN）的深度学习方法在散斑去噪方面取得了良好的效果。Yan等人（2019年）最初提出了一种使用包含模拟高斯噪声的条纹图像的去噪CNN（DnCNN）（Zhang等人，2017年）。Wang等人（2022年）将注意力机制引入DnCNN，提高了对高变密度ESPI条纹图像的去噪效果。2020年，为了保留图像的细节，Zhang等人（2020年）将U-net（Ronneberger等人，2015年）编码器-解码器结构引入全息图去噪。Swin-Unet（Chen等人，2024年）提出了将Swin变压器（Liu等人，2021年）的成熟模块和机制集成到Unet结构中，以提高计算效率和性能。MFR-Net（Liu等人，2025年）使用传统的去噪算法作为神经网络的预处理阶段，从而提高了其去除复杂噪声的鲁棒性。然而，由于神经网络方法需要从手动标记的数据集和手动设计的损失函数中学习特征，它们难以适应上述复杂的变温环境。生成对抗网络（GAN）的对抗训练（Yang等人，2018年，2023年）与CNN和Transformer相比，具有更强的泛化能力来处理复杂噪声。条件生成对抗网络（CGAN）（Isola等人，2017年）与标准GAN不同，它利用条件约束使训练更加稳定，同时完全保留和恢复了条纹的结构和边缘信息，如图1(c)所示。CGAN通过生成器和判别器的半监督学习克服了上述问题（Liu等人，2022a）。Chen等人（2020年）使用CGAN来减少光学相干断层扫描（OCT）图像中的散斑噪声。在他们的方法中，他们将对抗损失与内容损失结合，使网络训练更加稳定，但生成器遇到了梯度消失的问题。为了使训练更加稳定和网络的拟合能力更强，Fang等人（2022年）和Yang等人（2023年）将Unet结构引入生成器用于全息干涉条纹的散斑去噪，而Mehdizadeh等人（2024年）引入了PatchGAN（Isola等人，2017年）判别器，可以区分图像的局部区域。PatchGAN和U-Net架构的集成显著提高了生成图像的细节边缘重建的保真度，但高温环境中的背景辐射噪声与散斑噪声耦合，使得去除噪声更加困难。此外，为了获得大量训练数据，训练数据通常是通过模拟生成的。Dong等人（2020年）使用由散斑调制OCT生成的大型数据集训练CGAN。然而，在高温环境中，散斑噪声受到背景辐射噪声的显著影响，导致统计分布和空间特征与模拟生成的合成噪声相比存在差异。因此，仅在模拟数据上训练的模型在实际场景中的去噪性能较差。

因此，本文提出了一种改进的激光结构光测量方法，包括训练数据采集单元、自适应散斑去噪条件生成对抗网络（ASD-CGAN）和改进的Steger算法。首先，为了解决在高温条件下获取训练数据的挑战，专门设计了一种激光结构光测量系统，通过内部复用光学路径生成一一对应的带噪声的高温激光条纹（作为输入）和室温LED条纹（作为标签）。其次，为了进一步增强网络完全保留和恢复条纹的结构和边缘信息的能力，在生成器中引入了HRNet（Wang等人，2020年），并在判别器中添加了语义分割分支，从而在去噪过程中更完整地保留条纹的结构语义。此外，在生成器的解码阶段引入了自适应滤波模块，同时抑制低频背景噪声和高频散斑噪声，从而提高了网络恢复细节的能力。最后，Steger算法的精度还与用于算法初始化的高斯核（Steger，1998）的条纹宽度有关。判别器的分割图用于计算每条条纹的宽度，以改进Steger算法的精度。

为了验证改进方法的有效性，将我们的改进方法与最先进的方法进行了比较。我们的方法取得了最佳结果。然后，通过消融实验展示了所提出的MSADF模块和尺度自适应判别器的有效性。最后，在真空电子束加热炉中对钨合金样品进行了原位轮廓测量，测量温度达到了2015°C。平均误差为0.12毫米，与未去噪的Steger算法相比，精度提高了60.1%。

本文的其余部分结构如下。第2节介绍了激光结构光测量方法的相关工作。第3节详细介绍了所提出的方法。第4节提供了实验结果和评估，第5节得出了结论。

章节片段

激光结构光测量的原理

激光结构光测量系统的原理基于三角测量原理，如图2所示。DMD投影仪平面上的同一直线上的两个点使用投影仪的固有参数从像素坐标映射到投影仪坐标系。位于激光平面和测量表面交点的表面点$P$，同时被投影仪和相机观察到。它在投影仪和相机中的坐标

整体架构

为了解决激光结构光在散斑噪声和高温下的3D重建问题，提出了一种完整的方法，如图3所示。该方法包括真实世界数据采集单元、主要去噪网络架构以及基于Steger算法的改进的中心线提取。首先，通过同时将激光光和LED光投射到相同的扩束和调制光学路径中，获得真实数据样本

数据集准备

如图6(a)所示，使用5 MP CCD相机、DMD芯片组、投影镜头、窄带滤波器、2 W 532 nm激光和高功率LED构建了激光结构光测量系统。二向色镜使得绿色激光和蓝色LED可以同时使用，以获得样品-标签对。从由高温合金（Ra ≈0.3–1.0 μm）、陶瓷（Ra ≈0.01–0.05 μm）和复合材料（Ra ≈1.0–3.5 μm）制成的样品中收集条纹图像，覆盖圆柱形表面，

结论

散斑噪声限制了激光结构光3D测量方法中Steger算法的精度改进。本研究提出了一种改进的激光结构光方法来减少噪声，以优化中心线提取算法。为了解决在高温条件下获取训练数据的挑战，设计并集成了LED/激光复用光学路径到激光结构光测量系统中。这一创新提供了

CRediT作者贡献声明

王洪森：撰写——原始草案、软件、方法论、概念化。刘福建：撰写——审阅与编辑、概念化。杨建宏：撰写——审阅与编辑、概念化。江玉轩：可视化、验证、方法论、概念化。段朝阳：可视化、验证、软件。刘阳：可视化、验证。

资助

作者感谢以下机构的资助：国家自然科学基金（编号：12402217、U22A20186）、北京科技大学青年教师跨学科研究项目（中央高校基本科研业务费，编号：FRF-IDRY-23-035）和中国航空科学基金（编号：2024M058023003）。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。