《Journal of Functional Biomaterials》：Influence of Controlled Lighting Conditions on Smartphone-Based Augmented Reality Recognition of a 3D-Printed Dental Model for Implantological Applications
编辑推荐：
基于智能手机的增强现实（AR）可帮助牙医在治疗或培训期间可视化种植体轴线。然而，在显示虚拟覆盖之前，应用必须首先可靠地识别真实目标。这项体外研究测试了五种照明条件如何影响Unity/Vuforia智能手机应用对双色、3D打印聚乳酸（PLA）牙模的识别。该应用在
基于智能手机的增强现实（AR）可帮助牙医在治疗或培训期间可视化种植体轴线。然而，在显示虚拟覆盖之前，应用必须首先可靠地识别真实目标。这项体外研究测试了五种照明条件如何影响Unity/Vuforia智能手机应用对双色、3D打印聚乳酸（PLA）牙模的识别。该应用在三星Galaxy S22上运行。一台GoPro HERO10以每秒240帧记录智能手机显示屏，并对视频逐帧评估。在模型中心位置和偏心位置分别测试了红光、绿光、蓝光、类日光LED和卤素灯照明，每种条件和位置重复10次。在预定义的观察间隔内，模型在红光或蓝光下未被识别。在绿光、类日光和卤素灯照明下，所有重复均成功识别。这些成功条件之间的识别速度存在差异，并且在类日光和卤素灯照明下，偏心位置延迟了识别。一项补充的感兴趣区域（ROI）分析还显示了图像亮度和对比度随照明条件的变化。这些发现表明，在开发和测试基于智能手机的牙科AR系统时，应对照明条件进行标准化和记录。
基于智能手机的增强现实（AR）在牙科种植学中具有可视化种植体轴线的潜力，但应用必须首先可靠识别目标物体。照明条件作为影响相机识别的重要因素，其光谱、强度和空间分布可能改变图像中的颜色、边缘和结构信息，从而影响识别性能。然而，在牙科AR领域，直接相关的照明研究较少，且现有研究多关注可行性或导航精度，而非照明对识别可靠性的系统影响。因此，研究人员在《Journal of Functional Biomaterials》上发表了这项研究，旨在探讨在种植学AR工作流中，控制照明条件如何影响基于Unity/Vuforia智能手机应用对3D打印牙模的识别。研究采用封闭测量盒控制环境光，使用双色PLA牙模作为测试对象，并在五种照明条件（红光、绿光、蓝光、类日光LED和卤素灯）下，分别在中心位置和偏心位置进行测试，每条件每位置重复10次。主要结论为：红光和蓝光下模型未被识别，而绿光、类日光和卤素灯下均成功识别，且识别速度存在差异；偏心位置在类日光和卤素灯下延迟了识别；补充的ROI分析显示照明条件改变了图像亮度和对比度。这些发现强调了在开发和验证牙科AR系统时，应标准化并记录照明条件。
研究人员为开展研究用到以下主要关键技术方法：使用封闭的哑光白色测量箱（40 cm × 40 cm × 40 cm）排除环境光干扰，内部哑光白色表面促进漫反射；采用WS2801可寻址RGB LED条系统产生红光、绿光、蓝光和类日光照明，以及OSRAM HALOPIN OVEN G9卤素灯（25 W，2700 K）作为额外条件；利用TCS34725 RGB颜色传感器和TSL2591照度传感器记录照明条件；使用Dobot Magician机械臂实现可重复的模型定位，定义了中心位置（位置1）和偏心位置（位置2）；以GoPro HERO10 Black相机以240帧/秒外部记录智能手机显示，通过Kinovea软件逐帧评估识别帧数；采用基于Python的ROI对比分析，计算稳健Michelson对比度、平均亮度和标准差。统计方法包括描述性统计、单因素方差分析、配对t检验、Friedman检验和Wilcoxon检验。
研究结果部分：
3.1. Data Basis and Evaluation Logic：基于10次重复测量，以帧数（240帧/秒）作为识别速度指标，超过1000帧视为超时。
3.2. Characterization of Lighting Conditions：传感器数据表明，类日光照明照度最高（900.8 ± 2.4 lux），其他条件在325.4至549.3 lux之间；色温仅在类日光条件可靠（约5509 ± 166 K）。
3.3. Recognition Rate by Lighting Condition：红光和蓝光下，两位置均无成功识别（0/20）；绿光、类日光和卤素灯下，所有重复均成功识别（20/20），呈现完全分离。
3.4. Frame Count Until Recognition at the Central Position：中心位置下，卤素灯平均帧数最低（130.6 ± 22.5），类日光为162.0 ± 37.2，绿光为173.6 ± 36.0；ANOVA显示三组间差异显著（p=0.018），卤素灯与绿光差异显著。
3.5. Frame Count Until Recognition at the Eccentric Position：偏心位置下，绿光平均帧数最低（153.5 ± 27.8），卤素灯为181.8 ± 16.9，类日光为196.8 ± 12.0；三组间差异显著（p<0.001），绿光显著快于另两者。
3.6. Comparison Between Central and Eccentric Model Position：绿光下两位置差异不显著（p=0.225）；类日光（p=0.022）和卤素灯（p=0.001）下偏心位置显著延迟；平均帧数变化：绿光减少20.1帧，类日光增加34.8帧，卤素灯增加51.2帧。
3.7. ROI-Based Contrast Analysis：位置1下，稳健Michelson对比度排序为绿光（0.8264 ± 0.0268）> 类日光（0.8123 ± 0.0089）> 卤素灯（0.6584 ± 0.0104）> 红光（0.4796 ± 0.0499）> 蓝光（0.3753 ± 0.0263）；Friedman检验显著（p<0.001），所有配对Wilcoxon检验显著。
3.8. Descriptive ROI Findings Across Both Positions：蓝光下平均亮度和对比度最低；绿光和类日光对比度高；卤素灯下对比度随位置变化较大（位置1至位置2从0.658增至0.742），而绿光从0.826降至0.673。
3.9. Summary of Main Results：红光和蓝光识别失败，绿光、类日光和卤素灯识别成功；最快条件取决于模型位置；ROI分析确认照明依赖的对比度差异。
讨论部分总结：照明条件对识别产生决定性影响，红光和蓝光下识别失败不仅由于照度低，更因光谱特征削弱了模型特征（如红色牙龈与红色光照下的颜色相似性，蓝光下低信号和弱局部差异）。绿光、类日光和卤素灯下识别成功，但识别速度受位置影响。ROI分析补充了图像质量描述，但全局对比度不能完全解释识别结果。自动相机设置（曝光、白平衡、对焦）可能在不同照明下产生不同响应，因此结果反映的是整体系统性能。研究局限性包括：使用干燥PLA模型（非口腔湿润环境）、仅测试一款手机和应用、照明顺序未随机化等。未来应分离自动相机设置的影响，测试多种设备，并采用更临床相关的材料。
研究结论部分翻译：基于智能手机的AR可能提供一种简单的方式在治疗或培训中显示种植规划信息。然而，真实目标必须首先被可靠识别。本研究在一个受控系统（双色PLA模型、三星Galaxy S22和Unity/Vuforia应用）中检验了初始识别步骤。结果表明，基于Vuforia/Unity的智能手机应用并非独立于照明条件识别模型。在红光和蓝光下，在预定义观察间隔内两位置均未实现可靠识别。相反，在绿光、类日光和卤素灯下，所有重复测量均成功识别模型。这展示了照明条件之间的明显分离，一些条件实现稳定识别，而另一些导致完全未识别。补充的ROI对比分析显示，照明条件也改变了相关图像区域的可测量属性。在蓝光下，亮度和对比度参数特别低。在红光下，红色牙龈部分与红光之间的颜色相似性可能进一步降低了牙龈与牙齿之间相关红-白过渡的可区分性。这些发现表明，不仅绝对照度，而且特别是可用视觉特征（如边缘、颜色过渡、亮度梯度和表面结构）的呈现，对识别至关重要。该发现为牙科AR研究增加了一个实用的方法学要点：在验证识别可靠性时，应综合考虑照明、相机行为、目标材料和软件。结果仅直接适用于测试的模型、手机和应用，不应推广至所有设备或AR算法。由于研究使用封闭测量盒中的干燥PLA模型，不复制口腔的光学和动态条件。未来研究应包括临床相关材料和湿润表面、多种手机和AR平台、尽可能固定的相机参数、随机化照明顺序和真实的牙科照明。
