深度学习提取结构光条中心线项目的对比实验与消融实验统计分析方法研究

深度学习提取结构光条中心线项目的对比实验与消融实验统计分析方法研究

1 引言

线结构光三维测量技术凭借其非接触、高精度、快速测量等优势，在工业测量、三维重建、智能制造等领域得到了广泛应用。在结构光视觉测量系统中，光条中心线的提取精度直接决定了三维重建和尺寸测量的准确性与可靠性。传统的光条中心提取方法主要包括灰度质心法和Steger算法。灰度质心法计算简单、处理速度快，但在噪声大或被测物体表面形貌复杂时难以保证提取精度。Steger算法通过Hessian矩阵估算线条方向，对表面起伏变化具有一定适应性，但在光条宽度变化明显时极易出现提取不稳定的问题，同时其多次卷积计算导致处理速度较慢。

近年来，深度学习技术的快速发展为结构光条纹中心提取提供了新的技术路径。图像分割领域的代表性模型如Mask2Former、SAM、YOLOv8-seg和YOLOv9-seg等，在语义分割和实例分割任务中展现了卓越的性能。将这些先进的深度学习模型引入结构光条纹中心提取任务，有望解决传统方法在复杂工业环境下鲁棒性不足的问题。

然而，现有研究中缺乏对多种深度学习模型在光条中心提取任务上的系统性对比评估，特别是在统计显著性检验和稳定性分析方面存在明显空白。本研究的核心贡献在于：第一，构建了一个完整的多模型对比实验框架，对Mask2Former、SAM、YOLOv8-seg、YOLOv9-seg及几何约束方法等五类方法进行系统评估；第二，设计了一套标准化的消融实验方案，定量分析各模型关键模块的贡献；第三，提出了基于标准差分析和显著性检验的统计评估方法，为光条中心提取算法的性能评价提供了规范的统计学依据。

本文的技术架构如图1所示，全文将围绕对比实验设置