点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

写在前面的

谁能想到，在机器视觉检测中一直要消除的摩尔纹，竟然在3D扫描行业再次容光焕发。

▲“这叫精神焕发,老树生新芽,金色的夕阳多么灿烂辉煌!”

什么是摩尔纹？

摩尔纹( Moire pattern)是18世纪法国研究人员摩尔首先发现的一种光学现象。

从技术角度上讲，摩尔条纹是两条线或两个物体之间以恒定的角度和频率发生干涉的视觉结果。当人眼无法分辨这两条线或两个物体时，只能看到互相干涉的花纹，这种光学现象就是摩尔条纹。

▲当物体上细密的平行纹路，遇上另外一组相近的细密平行纹路时，这就是摩尔纹本纹了。

现在让我们一起把脑洞大开，想像一下在理想状态下相机拍到了四条直线，直直的直线，也就是说像素与成像芯片的纵向像元完全平行，与横向像元完全垂直。

▲此时的画面应该是这个样子。

好了，现在我们把相机稍稍放大一点，此时相机像元的间距和重复频率是没有改变的，远处静物的条纹间距和重复频率却在变化。

▲上下两条线在某种角度下就会产生规律性的叠加。这种叠加就是摩尔纹本纹了。

▲在相机上我们看上去就是这个样子的。

传统的Bayer滤波芯片，传统贝尔（Bayer）滤波相机中，光线通过涂覆在像素上的R/G/B滤光片，进入到像元中成像。所以有的像素只能成红色的像，有的像素只能成绿色的像，有的像素只能成蓝色的像。

▲贝尔滤波相机的芯片结构，注定了每个像元只能接收三分之一的光子。

贝尔滤波相机的彩色图案实际上就是由这样的马赛克图案拼接而成。但是无论怎么拼接，由于制造工艺的限制，某一个颜色的像元一定都是在横向或者纵向上排列的，加上物体表面纹理的重复频率相叠加，就造就了摩尔纹这么一个让相机检测很头疼的伪图案（并不存在的图案）。

摩尔纹也有春天

一直以来，对于光滑表面尤其是金属表面的平整度检测都是个难题。伴随而来的还有光滑表面的边缘轮廓，以及圆弧形表面的弧度检测难题。这种强烈镜面反射的表面，传统光照方式显然是无法满足需求的。

于是乎，摩尔纹作为一种测量工具首次进入了工业3D测量的视野中。

▲在特定光栅的帮助下，光源可以直接投影出特定边距的摩尔图形，当投影到右侧的洗洁精瓶子上时，不同曲率表面上的图案是明显不同的。

这种摩尔图形是由两个光栅叠加后产生的。在实际测量过程中，首先将一个光栅的图案投影在被测物表面上，作为定位光栅。然后将另一个角度的光栅图案重叠投影，就可以创建一个类似三角测量效果的参考坐标系。

▲当条纹宽度一致时，增大偏转角度就能够增加摩尔纹数量。当投影视角或者零件表面形状有变化时，摩尔纹的形状和规律也会发生变化。可喜的是，这种变化是有函数关系的。因为主页君不懂比较复杂，这里就不展开描述了。

通过改变两个光栅角度，亦或是改变光栅线宽，这种测量方法还能够测量更大或者更小的被测特征。其可以在柔软和弯曲表面上直接生成图案的能力，能够直接秒杀绝大多数定向照明方法无法看到的细微特征。

与波纹状轮廓的传统结构光投影不同，摩尔纹的效果可以随着工件的移动做在线检测。因为无需像传统结构光检测一样多次投影来做计算，也无需事先收集上百万点云的复杂3D比对，摩尔纹会即时的在物体表面形成图案，从而即时的被计算还原。

▲在摩尔纹的光栅光源帮助下，原本看上去像平面的纸张，可以明显看到中间有折痕，两侧是弯曲的即时画面。通过算法的还原，甚至可以计算出弯曲的程度与折痕的高度。

▲无论是识别褶皱的边缘，还是识别标签是否贴好，肉眼上的摩尔图案都变得显而易见，甚至可以直接将算法写进智能相机进行识别，只用简单的边角工具测量斜角即可判断皱纹，而无需另外计算3D表面。

▲图中所示凸起区域只有不到千分之一英寸，但是在摩尔图案的投影下依然可以明显分辨出该处凸起。同样的原理可以应用于大面积的汽车钣金检测中，很细微的凹陷或凸起都可以通过摩尔图案肉眼进行判断。

▲图中所示为两个锥形螺孔，左侧为30°孔，右侧为45°孔。通过摩尔图案的投影，直接数线对数就可以判断倾斜的角度了。实在是不能再简单了。

所以说在许多机器视觉应用中，例如斜角边缘材质特征不明显，相同材质的表面焊接角度控制，或者对锥形零件进行分类，这类的光滑、曲面、斜面或大面积的3D测量来说，摩尔图形投影可以使用标准化的视觉工具，来检测表面坡度或者曲率的变化，无须生成大规模点云图或完整实体模型，极大地降低了编程工作。

摩尔图案投影或许真的可以拯救你的3D检测。

上述内容，如有侵犯版权，请联系作者，会自行删文。

推荐阅读：

吐血整理|3D视觉系统化学习路线

那些精贵的3D视觉系统学习资源总结（附书籍、网址与视频教程）

超全的3D视觉数据集汇总

大盘点|6D姿态估计算法汇总(上)

大盘点|6D姿态估计算法汇总（下）

机器人抓取汇总|涉及目标检测、分割、姿态识别、抓取点检测、路径规划

汇总|3D点云目标检测算法

汇总|3D人脸重建算法

那些年，我们一起刷过的计算机视觉比赛

总结|深度学习实现缺陷检测

深度学习在3-D环境重建中的应用

汇总|医学图像分析领域论文

大盘点|OCR算法汇总

重磅！3DCVer-学术交流群已成立

欢迎加入我们公众号读者群一起和同行交流，目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加群或投稿

▲长按关注我们