Convolutional Neural Networks for Filtering Reflections in Laser Scanning Systems
Abstract
Robotsveising og kvalitetskontroll krever nøyaktige 3D målinger av arbeidsstykkene. Strukturert lys er en utbredt metode for å ta disse målingene, men for reflektive materialer som aluminium, kan refleksjoner forårsake falske målinger. Oppgaven utforsker et konvolusjonelt nevralt nettverks evne til å detektere falske målinger gjennom simulerte refleksjoner, som blir sammenlignet for flere typer lasersystemer. Resultatene viste at det nevrale nettverket var god til å skille uskarpe refleksjoner fra den ekte laser linjen for alle metoder, men hadde problemer der sterke refleksjoner overlappet den ekte laserlinjen. Metodene som brukte to kameraer var bedre til å skille skarpe refleksjoner fra den ekte laser linjen. Å fargekode laserlinjen, med et forbehandlingssteg basert på epipolar geometri, gjorde resultatene bedre på skarpe refleksjoner. Basert på resultatene fra denne oppgaven, vurderes maskinlæring til å være en lovende komponent for å filtrere refleksjoner på et ekte laserskanner system. Robotic welding and quality control require high accuracy 3D measurements of the workpieces. Structured light methods are widely used to capture these measurements, but for reflective metals such as aluminum, reflections can cause false measurements. This thesis explores the capability of a convolutional neural network (CNN) to distinguish the true measurements from the false, for simulated scan images from different laser scanning systems. The CNN model is trained on various simulated reflections, and the performance of each system is compared on distinct types of reflections. It was found that the CNN model was good at distinguishing blurry reflections from the true scan line across all methods, but had problems where strong reflections overlapped the true scan line. The methods using two cameras were better at predicting the validity of sharp specular reflections, than the methods using one camera. Color encoding the scan line and using a pre-processing step based on epipolar geometry with color matching to filter reflections, further improved the results on specular reflections. Based on the results from this thesis, machine learning shows great promise to be a component for filtering reflections in a real laser scanning system.