Page 139 - 《软件学报》2024年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
Journal of Software,2024,35(4):1717−1731 [doi: 10.13328/j.cnki.jos.007013] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

∗
分组并行的轻量化实时微观三维形貌重建方法

1
1,2
4
1,2
闫 涛 1,2,3 , 高浩轩 , 张江峰 , 钱宇华 , 张临垣
1 (山西大学 大数据科学与产业研究院, 山西 太原 030006)
2 (山西大学 计算机与信息技术学院, 山西 太原 030006)
3 (哈尔滨工业大学 重庆研究院, 重庆 401151)
4 (北京中钞钞券设计制版有限公司, 北京 100070)
通信作者: 钱宇华, E-mail: jinchengqyh@sxu.edu.cn

摘 要: 微观三维形貌重建作为精密制造领域生产制造的关键环节, 其重建过程依赖于高分辨率稠密图像的采集.
而面对复杂应用场景的高时效性需求, 高分辨率稠密图像的输入会导致运算量与计算复杂度呈几何倍增加, 无法
实现高效率低延时的实时微观三维形貌重建. 针对上述现状, 提出一种分组并行的轻量级实时微观三维形貌重建
方法 GPLWS-Net. GPLWS-Net 以 U 型网络为基础构造轻量化主干网络, 以并行分组式查询加速三维形貌重建过
程, 并针对神经网络结构进行重参数化设计避免重建微观结构的精度损失. 另外, 为弥补现有微观三维重建数据
集的缺失, 公开了一组多聚焦微观三维重建数据集(Micro 3D), 其标签数据利用多模态数据融合的方式获取场景
高精度的三维结构. 结果表明, 所提出的 GPLWS-Net 网络不仅可以保证重建精度, 而且在三组公开数据集中相比
于其他 5 类深度学习方法平均耗时降低 39.15%, 在 Micro 3D 数据集中平均耗时降低 50.55%, 能够实现复杂微观
场景的实时三维形貌重建.
关键词: 微观三维形貌重建; 轻量化神经网络; 分组并行
中图法分类号: TP18

中文引用格式: 闫涛, 高浩轩, 张江峰, 钱宇华, 张临垣.分组并行的轻量化实时微观三维形貌重建方法. 软件学报, 2024,
35(4): 1717–1731. http://www.jos.org.cn/1000-9825/7013.htm
英文引用格式: Yan T, Gao HX, Zhang JF, Qian YH, Zhang LY. Grouping Parallel Lightweight Real-time Microscopic 3D Shape
Reconstruction Method. Ruan Jian Xue Bao/ Journal of Software, 2024, 35(4): 1717−1731 (in Chinese). http://www.jos.org.cn/
1000-9825/7013.htm

Grouping Parallel Lightweight Real-time Microscopic 3D Shape Reconstruction Method

1
4
1,2
1,2
YAN Tao 1,2,3 , GAO Hao-Xuan , ZHANG Jiang-Feng , QIAN Yu-Hua , ZHANG Lin-Yuan
1 (Institute of Big Data Science and Industry, Shanxi University, Taiyuan 030006, China)
2 (School of Computer and Information Technology, Shanxi University, Taiyuan 030006, China)
3 (Chongqing Research Institute of Harbin Institute of Technology, Harbin Institute of Technology, Chongqing 401151, China)
4 (Beijing Zhongchao Banknote Designing and Plate-making Co. Ltd., Beijing 100070, China)
Abstract: Microscopic three-dimensional (3D) shape reconstruction is a crucial step in the field of precision manufacturing. The
reconstruction process relies on the acquisition of high-resolution and dense images. Nevertheless, in the face of high efficiency
requirements in complex application scenarios, inputting high-resolution dense images will result in geometrically increased computation

∗ 基金项目: 国家自然科学基金(62136005, 62006146); 科技创新 2030—“新一代人工智能”重大项目(2021ZD0112400); 中央引
导地方科技发展资金(YDZJSX20231C001, YDZJSX20231B001)
本文由“绿色低碳机器学习研究与应用”专题特约编辑封举富教授、俞扬教授、刘淇教授推荐.
收稿时间: 2023-05-14; 修改时间: 2023-07-07; 采用时间: 2023-08-24; jos 在线出版时间: 2023-09-11
CNKI 网络首发时间: 2023-11-28