在深孔测量中，用于提取环形激光条纹中心线的保拓扑性粗到细回归方法

《Optics & Laser Technology》：Topology-preserving coarse-to-fine regression for annular laser stripe centerline extraction in deep-hole metrology

　　•ASCRNet将环形条纹提取表述为拓扑有序的回归。•基于物理的域随机化模拟反射、斑点和饱和度。•从粗到细的密度化和残差精细化降低了验证误差。•零样本真实图像测试的均方 pitches（MPE）相对于伪真实值达到了0.99像素。

引言
在航空航天、国防装备、能源系统和精密模具等制造领域，需要高精度地测量深孔组件的内轮廓，这些组件的长径比很大。此类组件中的几何误差可能会影响装配贴合度、动态密封性、流体传输稳定性和服务可靠性。与接触式探针、专用孔径测量仪和内窥镜检查相比，线激光三角测量是非接触式的、快速的，并且适合获取高密度的轮廓点云；因此，它已成为深孔内壁三维测量的实际方法[1][2]。在深孔内轮廓测量中，通常使用折叠光路、圆锥棱镜或环形衍射元件将激光平面偏转垂直于孔轴，在内壁形成一条环形条纹。然后，共轴相机捕获这条反射条纹，并结合三角测量模型进行轮廓重建[3][4][5]。在这个测量过程中，环形激光条纹的中心线坐标是将二维图像映射到三维轮廓的直接观测结果。它们的准确性不仅影响单个截面的重建误差，还影响逐层扫描过程中整个内壁形态的累积质量。因此，可靠的环形中心线提取是深孔测量的前提条件。

深孔腔体与开放的外部表面测量环境有显著不同。其封闭的几何结构使得光传播变得复杂，环形激光图像经常受到多种因素的耦合影响而退化。首先，来自金属内壁的重复镜面或近似镜面反射会在真实条纹附近产生空间偏移但在形态上相似的伪条纹伪影（图1a），导致局部强度最大值不再对应于真实中心。其次，粗糙表面的相干散射会产生斑点噪声（图1b），导致条纹截面轮廓出现高频波动和局部不连续性。第三，强烈的局部反射可能会将能量直接或几乎直接传递到相机中，产生过曝/饱和区域（图1c），从而抹去峰值、边缘和二阶导数信息。这些退化很少单独发生；相反，它们会同时出现在同一图像中，并共同违反了传统中心线提取所需的单峰性、平滑性和可分性假设。因此，关键挑战不仅在于孤立点的亚像素定位，还在于在强干扰和局部信息丢失的情况下稳定地恢复一个几何连续且一致有序的封闭中心曲线。

传统的激光条纹中心线提取主要依赖于局部灰度分布、几何凸起和形态骨架。综述通常将这些方法分为灰度中心点、Steger凸起检测、骨架提取等相关类别[2]。灰度中心点和灰度矩方法通过条纹截面的强度加权矩来估计中心位置。这些方法简单高效，已有许多变体被报道[6][7]；然而，由于背景亮度、邻近伪条纹伪影或斑点噪声造成的不对称截面轮廓可能会引入系统偏差。高斯和其他参数拟合方法假设条纹截面遵循单峰强度模型，并通过拟合局部曲线或灰度表面来获得亚像素中心[2][6]。对于理想的条纹，这些方法可能很准确，但它们的有效性取决于假定的轮廓与实际灰度分布的匹配程度。Steger算法[8]通过赫斯矩阵提取凸起，并沿法线方向进行亚像素定位。尽管它代表了微分几何条纹提取的方法，但由于依赖二阶导数，它容易受到斑点噪声和饱和边缘的影响。为了提高在复杂表面上的鲁棒性，Wan等人[9]结合了深度语义分割和灰度表面拟合来实现复杂表面、高反射和强环境光下的亚像素提取。Sheng等人[10]提出了一种快速的中心线提取算法，用于不规则鞋底表面，以减少由阈值处理引起的信息损失和虚假噪声。这些研究证实了激光条纹中心线提取在线激光测量中的持续重要性。然而，大多数方法仍然针对开放表面上的单个或多个激光线，并且仍然需要有效的局部灰度结构。当深孔腔体中共存伪条纹伪影、斑点噪声和局部过曝/饱和时，仅依靠局部窗口、阈值、参数化截面模型和导数响应不足以可靠地识别真实的封闭条纹。

最近的深度学习方法改进了条纹中心线提取。现有研究大致可以分为两类。第一类使用学习模型辅助传统操作符。Ye等人[11]将U-Net与水平集方法结合，用于分割激光条纹区域，然后沿法线方向进行灰度中心点测量。Shang等人[12]提出了LaserNet，它首先检测候选条纹区域，然后通过局部优化获得亚像素坐标。Peng等人[13]将基于学习的区域检测与多尺度赫斯凸起跟踪结合，并报告了在高度反射的金属表面上的改进结果。这些方法表明，学习到的先验可以减轻噪声、颜色变化和强反射的影响，但最终定位主要是局部的，缺乏对于封闭曲线的显式跨区域拓扑约束。第二类是端到端回归。Jia等人[14]在改进的U-Net中引入了轻量级注意力和亚像素回归头，以减少骨架化过程中的量化误差。Yuan等人[15]提出了CSA-ASPP-Net，它结合了通道空间注意力和孔洞空间金字塔池化实现单阶段中心线预测。这些方法在常见的激光条纹图像上取得了良好的准确性和效率，但大多数方法关注开放外部轮廓或单一退化模式，并没有明确处理封闭深孔成像、多重反射和局部信息丢失的问题。

从建模的角度来看，深孔环形条纹提取更接近于有序封闭曲线回归，而不是独立的像素分类或逐点局部定位。Transformer集预测框架（如DETR[16]）和可变形注意力扩展[17]表明，可学习的查询序列可以通过全局跨注意力从图像特征中回归结构化目标。相关的端到端有序结构建模也在曲线感知任务（如车道检测[18]）中得到了验证。这一视角激发了用于环形激光条纹的拓扑有序坐标回归：通过整合全局拓扑建模、局部高分辨率校正和残差亚像素精细化，即使局部灰度证据不可靠，模型也能利用几何先验来恢复连续的中心点序列。然而，直接预测具有固定拓扑顺序的密集封闭坐标序列在激光条纹中心线提取中仍然很少见，特别是对于深孔环形条纹。

训练数据的稀缺是深孔内轮廓测量中深度学习的另一个瓶颈。由于深孔腔体是封闭的并且成像空间有限，实际图像采集在实验上成本高昂，而手动亚像素注释进一步增加了监督数据构建的难度。因此，基于物理的模拟和域随机化是实用的替代方案。Tobin等人[19]证明，在模拟中进行广泛的外观随机化可以帮助网络学习渲染不变的特征并实现零样本迁移。在激光测量中，Mohammadikaji等人[20]构建了一个真实的传感器模拟框架，用于激光三角测量，以支持光学测量系统的评估和规划。Roos-Hoefgeest等人[21]使用多尺度Perlin噪声模拟粗糙度引起的斑点，并用真实扫描结果验证了模拟效果。Bel?ak等人[22]开发了一种基于光线-三角形相交的激光线传感器模拟器，并表明CAD/STL驱动的模拟数据可以训练AI网络。然而，这些研究主要针对开放外部轮廓场景或传统的线激光传感器，并没有充分涵盖由多重反射伪条纹伪影、斑点噪声和局部过曝/饱和在深孔腔体中共同引起的条纹退化，也没有验证从模拟训练模型到真实深孔图像的零样本迁移。

总之，现有研究为激光条纹提取奠定了基础，但对于深孔环形激光条纹仍有三个限制。首先，传统方法和许多混合方法仍然依赖于可能被复合深孔退化破坏的局部灰度或导数线索。其次，大多数深度学习方法针对开放表面或局部条纹区域，缺乏对封闭环形条纹的拓扑排序和跨区域几何一致性的显式建模。第三，真实的亚像素注释的深孔数据很少，现有的模拟系统不足以覆盖封闭腔体特有的退化机制。为了解决这些限制，提出了一种基于拓扑有序直接坐标回归的深孔环形激光条纹中心线提取方法，该方法得到了基于物理的域随机化模拟的支持。核心前提是，当由于伪条纹伪影、斑点噪声或局部过曝/饱和导致局部灰度标准不可靠时，中心线提取不应仅被视为独立的局部极值搜索。相反，可以利用封闭的拓扑、顺序一致性和跨区域几何连续性来减少错误中心的选择，利用邻近的可靠证据，并逐步纠正中心点漂移。主要贡献如下：
1. 构建了一个基于参数化的物理模拟和域随机化数据生成流程，用于深孔环形激光条纹。该流程基于Blender [23] Cycles，模拟内壁几何、金属反射、斑点和激光参数变化，生成包含多重反射伪条纹伪影、斑点噪声和局部过曝/饱和的亚像素标记样本。
2. 提出了一个保持拓扑的从粗到细的有序点回归网络ASCRNet（Annular Stripe Centerline Regression Network），作为提取框架的核心网络。Transformer查询序列首先估计封闭中心线的全局拓扑骨架和点序先验。然后，高分辨率特征引导的密度化减少了密集输出中的顺序不稳定性、局部平坦化和几何连续性退化。最后，多尺度残差亚像素精细化逐步纠正了由斑点噪声、过曝/饱和边界和突然的曲率变化引起的中心点抖动和漂移。
3. 设计了一种分阶段的损失调度策略，并通过受控的模拟退化实验和真实深孔图像的零样本迁移实验对ASCRNet进行了评估。在测试的真实环形激光条纹图像中，该模型在强反射、局部过曝/饱和和斑点噪声条件下输出了连续的中心线序列，平均MPE和P90值分别为0.99像素和1.64像素。

参数化数据生成流程
为了获得亚像素标记的训练数据，模拟流程分为三个阶段：几何建模、物理渲染和真实值注释（图2）。
在几何建模阶段，从预定义的轮廓类别中随机采样截面参数，包括齿形和样条形轮廓。每个连续轮廓被离散成一个拓扑有序的点序列。然后将截面层沿孔轴排列；

模型定义和整体框架
ASCRNet表示环形条纹中心线回归网络，作为所提出方法的核心顺序回归部分。它以深孔环形激光图像作为输入，并输出用于后续轮廓重建的封闭中心点序列。给定一个输入图像I∈R3×H×W，网络直接回归一个拓扑有序的二维坐标序列S^={p^i}i=1Nf，其中p^i=(x^i,y^i)∈[0,1]2是归一化的像素坐标，Nf是最终输出的数量。

数据集和评估指标
模拟数据集包含10,000张由参数化STL模型生成的深孔激光条纹图像。使用固定的随机种子，数据集以90%/10%的比例分为训练集和验证集。每张图像的分辨率为1920×1080，并与归一化的坐标真实值配对。

结论和未来工作
本研究解决了基于激光三角测量的深孔内轮廓测量中激光条纹中心线提取的鲁棒性瓶颈问题。提出了一个保持拓扑的从粗到细的有序点回归框架，用于处理受到多重反射、斑点噪声、局部过曝/饱和、错误中心响应和亚像素漂移影响的环形激光条纹。为了提供可控的监督，构建了一个基于Blender Cycles的参数化物理模拟数据集。

CRediT作者贡献声明
Linzhe Deng：撰写 – 审稿与编辑、原始草稿撰写、软件开发、方法论、概念化。
Chunyang Wang：监督、资金筹集。
Huimin Ren：验证、资源提供。
Da Xie：调查、形式分析。
Yu Tao：可视化、数据管理。
Jingjie Wang：撰写 – 审稿与编辑、验证、调查。
Xuelian Liu：项目管理。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。