CN110751268A - 基于端到端卷积神经网络的相位混叠误差去除方法及装置 - Google Patents

基于端到端卷积神经网络的相位混叠误差去除方法及装置 Download PDF

Info

Publication number
CN110751268A
CN110751268A CN201910947467.XA CN201910947467A CN110751268A CN 110751268 A CN110751268 A CN 110751268A CN 201910947467 A CN201910947467 A CN 201910947467A CN 110751268 A CN110751268 A CN 110751268A
Authority
CN
China
Prior art keywords
phase
aliasing
neural network
spectrum
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910947467.XA
Other languages
English (en)
Other versions
CN110751268B (zh
Inventor
胡摇
郝群
袁诗翥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910947467.XA priority Critical patent/CN110751268B/zh
Publication of CN110751268A publication Critical patent/CN110751268A/zh
Application granted granted Critical
Publication of CN110751268B publication Critical patent/CN110751268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Instruments For Measurement Of Length By Optical Means (AREA)

Abstract

基于端到端卷积神经网络的相位混叠误差去除方法及装置，其解决了傅里叶变换法或数字莫尔移相法求解单幅干涉图过程中，由于载波添加不当或面形误差相位频谱带宽过大导致的相位频谱混叠问题，能够消除相位频谱混叠误差，实现宽频谱相位干涉图的求解，扩展单幅干涉图解相方法的测量范围。方法包括：(1)设计多尺度卷积神经网络；(2)模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；(3)利用混叠训练集训练多尺度卷积神经网络；(4)利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。

Description

基于端到端卷积神经网络的相位混叠误差去除方法及装置
技术领域
本发明涉及光学测量和图像处理的技术领域，尤其涉及基于端到端卷积神经网络的相位混叠误差去除方法，以及基于端到端卷积神经网络的相位混叠误差去除装置。
背景技术
高精度的光学元件在天文观测、目标探测、照明系统和投影显示等现代光学系统中决定系统的成像质量。其中非球面由于具有多面形自由度，一片非球面镜便可达到多片球面镜组成的透镜组的效果，可以极大地减小光学系统的尺寸和质量，提高系统的成像质量。但由于其高度自由的面形，高精度的非球面面形检测往往遇到一定困难。
干涉法是一种常用的非球面测量方法。干涉法分为零补偿和非零补偿，其中零补偿的干涉条纹由面形误差产生；非零补偿的干涉条纹与设计剩余波前大小和面形误差大小均有关系，是两者的叠加。
随着加工在位检测需求的提升，基于单幅干涉图的动态抗振干涉相位解算法得到应用。如傅里叶变换法，数字莫尔移相干涉法，空间载波移相法等。其中傅里叶变换法和数字莫尔移相干涉法均通过频域滤波将待测面形误差分离，之后通过逆傅里叶变换等操作实现相位测量。在这一过程中，载波频率f的选取至关重要。如果载波大小不合适，或者面形误差相位频谱过宽，面形误差相位频谱都将与需被滤除的频谱分量发生混叠，使得解出的相位携带混叠误差，降低测量精度。在傅里叶变换法中，需被滤除的频谱分量是指缓变背景光强引起的低频分量；在数字莫尔移相法中，需被滤除的频谱分量是指剩余波前对应的高频分量。
为了消除相位混叠的影响，发明名称为“基于两步载波拼接法的数字莫尔移相干涉测量方法”的专利(专利号ZL201810067710.4)提出两步载波拼接法，采用两幅载波不同的干涉图错开混叠误差出现的位置，然后将不含混叠误差的相位拼接，完成测量。该方法有效提高了数字莫尔移相干涉法的可测带宽，不过需要采集两幅不同载波的干涉图使得该方法无法应用于瞬态在位测量。因此，加工在位检测的需求对基于单幅干涉图的无混叠相位解算技术依然提出要求。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于端到端卷积神经网络的相位混叠误差去除方法，其解决了在傅里叶变换法或数字莫尔移相法求解单幅干涉图过程中，由于载波添加不当或面形误差相位频谱带宽过大导致的相位频谱混叠问题，能够消除相位频谱混叠误差，实现宽频谱相位干涉图的求解，扩展单幅干涉图解相方法的测量范围。
本发明的技术方案是：这种基于端到端卷积神经网络的相位混叠误差去除方法，其包括以下步骤：
(1)针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；
(2)利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；
(3)利用混叠训练集训练多尺度卷积神经网络；
(4)利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。
本发明的多尺度卷积神经网络，利用仿真混叠训练集完成神经网络的训练，方便快捷，对于一幅新的实际混叠相位图，无需任何先验知识及预处理，即可去除不同尺度、在随机位置出现的相位频谱混叠误差，具有良好的普适性；本发明与傅里叶变换法或数字莫尔移相法结合，可实现宽频谱相位干涉图的求解，扩展单幅干涉图解相方法的测量范围。
还提供了一种基于端到端卷积神经网络的相位混叠误差去除装置，其包括：
多尺度卷积神经网络设计模块，其配置来针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；
混叠训练集构建模块，其配置来利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；
训练模块，其配置来利用混叠训练集训练多尺度卷积神经网络；
实际图像混叠误差处理模块，其配置来利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。
附图说明
图1是根据本发明的基于端到端卷积神经网络的相位混叠误差去除方法的流程图。
图2是多尺度卷积神经网络结构图。
图3是模拟的理想相位图。
图4是与图3理想相位图对应的混叠相位图。
图5是图4与图3点对点相减误差。
图6是神经网络训练过程中的损失函数下降曲线。
图7是用于测试的混叠相位图。
图8是图7对应的理想相位图。
图9是图7与图8点对点相减误差。
图10是利用神经网络去除图7相位频谱混叠误差后的相位图。
图11是图10与图8点对点相减误差。
具体实施方式
如图1所示，这种基于端到端卷积神经网络的相位混叠误差去除方法，其包括以下步骤：
(1)针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；
(2)利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；
(3)利用混叠训练集训练多尺度卷积神经网络；
(4)利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。
本发明的多尺度卷积神经网络，利用仿真混叠训练集完成神经网络的训练，方便快捷，对于一幅新的实际混叠相位图，无需任何先验知识及预处理，即可去除不同尺度、在随机位置出现的相位频谱混叠误差，具有良好的普适性；本发明与傅里叶变换法或数字莫尔移相法结合，可实现宽频谱相位干涉图的求解，扩展单幅干涉图解相方法的测量范围。
优选地，所述步骤(1)中，多尺度卷积神经网络具有D1至D5的5个层次；网络由D1L1输入，D1L1经过一个二型残差区块层(Res2block Layer)后得到D1L2；D1L2经过一个平均池化层(AvgPool Layer)后得到D2L1，D2L1经过一个二型残差区块层后得到D2L2；D2L2经过一个平均池化层后得到D3L1，D3L1经过一个二型残差区块层后得到D3L2；D3L2经过一个平均池化层后得到D4L1，D4L1经过一个二型残差区块层后得到D4L2；D4L2经过一个平均池化层后得到D5L1，D5L1经过一个二型残差区块层后得到D5R1；D5R1经过一个上采样层后与D4L2合并后得到D4R1，D4R1经过一个二型残差区块层后得到D4R2；D4R2经过一个上采样层后与D3L2合并后得到D3R1，D3R1经过一个二型残差区块层后得到D3R2；D3R2经过一个上采样层后与D2L2合并后得到D2R1，D2R1经过一个二型残差区块层后得到D2R2；D2R2经过一个上采样层后与D1R2合并后得到D1R1，D1R1经过一个二型残差区块层后得到D1R2；D1R2经过一个二型残差区块层后得到D1R3；D1R3经过一个二维卷积层后得到D1R4，D1R4为网络的最终输出。
优选地，所述步骤(2)中，混叠训练集包括3000-6000组对应的理想相位图和混叠相位图，均利用计算机模拟生成。
优选地，所述步骤(2)中，所述理想相位图利用泽尼克多项式随机生成；为了与实际干涉测量结果吻合，控制泽尼克多项式的项数和系数在一定范围之内，以保证生成的理想相位图的幅值不会过高；具体系数上限由实际测量过程中待测面形误差对应的上限决定。
优选地，所述步骤(2)中，所述混叠相位图是基于相应的理想相位图计算生成的，包括以下分步骤：
(2.1)根据待消除相位频谱混叠误差的产生过程选择解相方法：傅里叶变换法或数字莫尔移相法；
(2.2)由理想相位图生成干涉图：对于傅里叶变换法而言，直接在理想相位图上添加随机的载波，生成实际相位图，然后根据余弦分布规律生成实际干涉图；对于数字莫尔移相法而言，在理想相位图上添加随机剩余波前和随机载波，生成实际相位图，然后根据余弦分布规律生成实际干涉图，并根据随机剩余波前和随机载波，利用余弦分布规律生成虚拟干涉图；
(2.3)利用所选解相方法对干涉图进行相位求解，得到带有混叠误差的混叠相位图。
优选地，所述步骤(3)中，将上述混叠训练集中对应组混叠相位图作为多尺度卷积神经网络的输入，理想相位图作为输出，对神经网络进行训练。
优选地，所述神经网络的训练，以神经网络的实际输出和理想相位图之差的均方根误差作为损失函数，优化方法、学习率设置均根据网络优化的效果进行调整，以便得到最低的损失函数。
优选地，所述步骤(4)中，将实际混叠相位图作为训练好的多尺度卷积神经网络输入D1L1，经过神经网络的计算后，读取输出D1R4，其为不含相位频谱混叠误差的相位图，实现了相位频谱混叠误差的去除。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种基于端到端卷积神经网络的相位混叠误差去除装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。如图1所示，该装置包括：
多尺度卷积神经网络设计模块，其配置来针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；
混叠训练集构建模块，其配置来利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；
训练模块，其配置来利用混叠训练集训练多尺度卷积神经网络；
实际图像混叠误差处理模块，其配置来利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。
以下详细说明本发明的一个具体实施例。本实例具体说明数字莫尔移相法进行非零补偿干涉测量过程中，利用基于端到端卷积神经网络，去除相位频谱混叠误差的实施方法。
如图1所示，本实施例公开的基于端到端卷积神经网络的相位混叠误差去除方法，具体实现步骤如下：
步骤1、设计多尺度卷积神经网络结构
多尺度卷积神经网络结构图如图2所示。
网络具有D1至D5的5个层次。网络由D1L1输入，D1L1经过一个二型残差区块层后得到D1L2。D1L2经过一个平均池化层(AvgPool Layer)后得到D2L1，D2L1经过一个二型残差区块层后得到D2L2。D2L2经过一个平均池化层后得到D3L1，D3L1经过一个二型残差区块层后得到D3L2。D3L2经过一个平均池化层后得到D4L1，D4L1经过一个二型残差区块层后得到D4L2。D4L2经过一个平均池化层后得到D5L1，D5L1经过一个二型残差区块层后得到D5R1。D5R1经过一个上采样层后与D4L2合并后得到D4R1，D4R1经过一个二型残差区块层后得到D4R2。D4R2经过一个上采样层后与D3L2合并后得到D3R1，D3R1经过一个二型残差区块层后得到D3R2。D3R2经过一个上采样层后与D2L2合并后得到D2R1，D2R1经过一个二型残差区块层后得到D2R2。D2R2经过一个上采样层后与D1R2合并后得到D1R1，D1R1经过一个二型残差区块层后得到D1R2。D1R2经过一个二型残差区块层后得到D1R3。D1R3经过一个二维卷积层后得到D1R4。D1R4为网络的最终输出。
上述多尺度卷积神经网络可以处理不同尺度、在随机位置出现的图像特征，即混叠误差。
步骤2、计算机模拟生成混叠训练集
混叠训练集一般包括3000-6000组对应的理想相位图和混叠相位图，均利用计算机模拟生成，无需进行实际实验，方便快捷。
如上所述的理想相位图可利用泽尼克多项式或其它正交多项式随机生成。为了与实际干涉测量结果吻合，此处使用泽尼克多项式，并控制泽尼克多项式的项数为前10项，各项系数符合以0为均值、0.3rad为标准差的正态随机分布。图3所示是模拟生成的理想相位图，记为φ(x,y)，其峰谷(PV)值为2.3波长。
如上所述混叠相位图是基于相应理想相位图计算生成的。具体包括三步。
第一步，根据待消除相位频谱混叠误差的产生过程选择解相方法：傅里叶变换法或数字莫尔移相法。此例选择数字莫尔移相法。
第二步，由理想相位图生成干涉图：对于数字莫尔移相法而言，在图3所示理想相位图上添加随机剩余波前和随机载波，生成实际相位图，然后根据余弦分布规律生成实际干涉图，并根据随机剩余波前和随机载波，利用余弦分布规律生成虚拟干涉图。
第三步，利用数字莫尔移相法对干涉图进行相位求解，得到带有混叠误差的混叠相位图，如图4所示。图4与图3点对点相减误差，即相位频谱混叠误差如图5所示，该误差PV值为1.1波长，可见混叠误差非常严重。
利用上述方法生成6000组混叠训练集。
步骤3、利用混叠训练集训练多尺度卷积神经网络
将上述6000组混叠训练集中对应组混叠相位图作为多尺度卷积神经网络的输入，理想相位图作为输出，对神经网络进行训练。
如上所述神经网络的训练，以神经网络的实际输出和理想相位图之差的均方根误差作为损失函数，采用Adam优化方法，并使用了余弦重启式学习率衰减策略，进行了360世代的训练，如图6为训练过程中损失函数下降曲线。
步骤4、利用训练好的多尺度卷积神经网络去除相位频谱混叠误差
如图7是从单幅干涉图出发，采用数字莫尔移相法解相得到的混叠相位图，图8是其对应的利用机械移相解得的理想相位图。比较图7和图8很明显能看出混叠误差的影响。图9是图7与图8点对点相减误差，PV值为2.03波长。
将实际混叠相位图图7作为训练好的多尺度卷积神经网络输入D1L1，经过神经网络的计算后，读取输出D1R4如图10所示。图11是图10与图8点对点相减误差，PV值为0.37波长。可见图11与图9相比，误差的PV值从2.03波长下降到0.37波长，幅值有显著下降，相位频谱混叠误差得到有效消除。
如上所述去除相位频谱混叠误差的神经网络一旦训练好将具有一定普适性，对于一幅新的实际混叠相位图，无需任何先验知识及预处理，即可去除不同尺度、在随机位置出现的相位频谱混叠误差。
本发明公开的基于端到端卷积神经网络的相位频谱混叠误差去除技术，与傅里叶变换法或数字莫尔移相法结合，可实现宽频谱相位干涉图的求解，有效扩展单幅干涉图解相方法的测量范围。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (9)

1.一种基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：其包括以下步骤：
(1)针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；
(2)利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；
(3)利用混叠训练集训练多尺度卷积神经网络；
(4)利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。
2.根据权利要求1所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(1)中，多尺度卷积神经网络具有D1至D5的5个层次；网络由D1L1输入，D1L1经过一个二型残差区块层后得到D1L2；D1L2经过一个平均池化层后得到D2L1，D2L1经过一个二型残差区块层后得到D2L2；D2L2经过一个平均池化层后得到D3L1，D3L1经过一个二型残差区块层后得到D3L2；D3L2经过一个平均池化层后得到D4L1，D4L1经过一个二型残差区块层后得到D4L2；D4L2经过一个平均池化层后得到D5L1，D5L1经过一个二型残差区块层后得到D5R1；D5R1经过一个上采样层后与D4L2合并后得到D4R1，D4R1经过一个二型残差区块层后得到D4R2；D4R2经过一个上采样层后与D3L2合并后得到D3R1，D3R1经过一个二型残差区块层后得到D3R2；D3R2经过一个上采样层后与D2L2合并后得到D2R1，D2R1经过一个二型残差区块层后得到D2R2；D2R2经过一个上采样层后与D1R2合并后得到D1R1，D1R1经过一个二型残差区块层后得到D1R2；D1R2经过一个二型残差区块层后得到D1R3；D1R3经过一个二维卷积层后得到D1R4，D1R4为网络的最终输出。
3.根据权利要求2所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(2)中，混叠训练集包括3000-6000组对应的理想相位图和混叠相位图，均利用计算机模拟生成。
4.根据权利要求3所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(2)中，所述理想相位图利用泽尼克多项式随机生成；为了与实际干涉测量结果吻合，控制泽尼克多项式的项数和系数在一定范围之内，以保证生成的理想相位图的幅值不会过高；具体系数上限由实际测量过程中待测面形误差对应的上限决定。
5.根据权利要求4所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(2)中，所述混叠相位图是基于相应的理想相位图计算生成的，包括以下分步骤：
(2.1)根据待消除相位频谱混叠误差的产生过程选择解相方法：傅里叶变换法或数字莫尔移相法；
(2.2)由理想相位图生成干涉图：对于傅里叶变换法而言，直接在理想相位图上添加随机的载波，生成实际相位图，然后根据余弦分布规律生成实际干涉图；对于数字莫尔移相法而言，在理想相位图上添加随机剩余波前和随机载波，生成实际相位图，然后根据余弦分布规律生成实际干涉图，并根据随机剩余波前和随机载波，利用余弦分布规律生成虚拟干涉图；
(2.3)利用所选解相方法对干涉图进行相位求解，得到带有混叠误差的混叠相位图。
6.根据权利要求5所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(3)中，将上述混叠训练集中对应组混叠相位图作为多尺度卷积神经网络的输入，理想相位图作为输出，对神经网络进行训练。
7.根据权利要求6所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述神经网络的训练，以神经网络的实际输出和理想相位图之差的均方根误差作为损失函数，优化方法、学习率设置均根据网络优化的效果进行调整，以便得到最低的损失函数。
8.根据权利要求7所述的基于端到端卷积神经网络的相位混叠误差去除方法，其特征在于：所述步骤(4)中，将实际混叠相位图作为训练好的多尺度卷积神经网络输入D1L1，经过神经网络的计算后，读取输出D1R4，其为不含相位频谱混叠误差的相位图。
9.一种基于端到端卷积神经网络的相位混叠误差去除装置，其特征在于：其包括：
多尺度卷积神经网络设计模块，其配置来针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；
混叠训练集构建模块，其配置来利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；
训练模块，其配置来利用混叠训练集训练多尺度卷积神经网络；
实际图像混叠误差处理模块，其配置来利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。
CN201910947467.XA 2019-09-27 2019-09-27 基于端到端卷积神经网络的相位混叠误差去除方法及装置 Active CN110751268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910947467.XA CN110751268B (zh) 2019-09-27 2019-09-27 基于端到端卷积神经网络的相位混叠误差去除方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910947467.XA CN110751268B (zh) 2019-09-27 2019-09-27 基于端到端卷积神经网络的相位混叠误差去除方法及装置

Publications (2)

Publication Number Publication Date
CN110751268A true CN110751268A (zh) 2020-02-04
CN110751268B CN110751268B (zh) 2022-07-26

Family

ID=69277698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910947467.XA Active CN110751268B (zh) 2019-09-27 2019-09-27 基于端到端卷积神经网络的相位混叠误差去除方法及装置

Country Status (1)

Country Link
CN (1) CN110751268B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209689A (zh) * 2020-02-14 2020-05-29 北京理工大学 非零干涉非球面测量回程误差去除方法及装置
CN111928794A (zh) * 2020-08-04 2020-11-13 北京理工大学 基于深度学习的闭合条纹兼容单幅干涉图解相方法及装置
CN112556601A (zh) * 2020-11-30 2021-03-26 北京理工大学 基于深度学习的单幅闭合条纹干涉图解相方法及装置
CN112836422A (zh) * 2020-12-31 2021-05-25 电子科技大学 干涉与卷积神经网络混合方案测量方法
CN112985300A (zh) * 2021-02-24 2021-06-18 中国科学院长春光学精密机械与物理研究所 基于条纹追踪的光学元件轮廓检测方法、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140155773A1 (en) * 2012-06-18 2014-06-05 Breathresearch Methods and apparatus for performing dynamic respiratory classification and tracking
CN104155011A (zh) * 2014-07-22 2014-11-19 北京理工大学 一种二维干涉图的相位提取方法
KR20180098806A (ko) * 2017-02-27 2018-09-05 한국전자통신연구원 자연어 인식 성능 개선 방법 및 장치
CN110210119A (zh) * 2019-05-30 2019-09-06 东南大学 一种基于深层卷积神经网络的高效率相位展开方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140155773A1 (en) * 2012-06-18 2014-06-05 Breathresearch Methods and apparatus for performing dynamic respiratory classification and tracking
CN104155011A (zh) * 2014-07-22 2014-11-19 北京理工大学 一种二维干涉图的相位提取方法
KR20180098806A (ko) * 2017-02-27 2018-09-05 한국전자통신연구원 자연어 인식 성능 개선 방법 및 장치
CN110210119A (zh) * 2019-05-30 2019-09-06 东南大学 一种基于深层卷积神经网络的高效率相位展开方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209689A (zh) * 2020-02-14 2020-05-29 北京理工大学 非零干涉非球面测量回程误差去除方法及装置
CN111928794A (zh) * 2020-08-04 2020-11-13 北京理工大学 基于深度学习的闭合条纹兼容单幅干涉图解相方法及装置
CN111928794B (zh) * 2020-08-04 2022-03-11 北京理工大学 基于深度学习的闭合条纹兼容单幅干涉图解相方法及装置
CN112556601A (zh) * 2020-11-30 2021-03-26 北京理工大学 基于深度学习的单幅闭合条纹干涉图解相方法及装置
CN112556601B (zh) * 2020-11-30 2021-08-20 北京理工大学 基于深度学习的单幅闭合条纹干涉图解相方法及装置
CN112836422A (zh) * 2020-12-31 2021-05-25 电子科技大学 干涉与卷积神经网络混合方案测量方法
CN112836422B (zh) * 2020-12-31 2022-03-18 电子科技大学 干涉与卷积神经网络混合方案测量方法
CN112985300A (zh) * 2021-02-24 2021-06-18 中国科学院长春光学精密机械与物理研究所 基于条纹追踪的光学元件轮廓检测方法、设备及存储介质
CN112985300B (zh) * 2021-02-24 2022-03-25 中国科学院长春光学精密机械与物理研究所 基于条纹追踪的光学元件轮廓检测方法、设备及存储介质

Also Published As

Publication number Publication date
CN110751268B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN110751268B (zh) 基于端到端卷积神经网络的相位混叠误差去除方法及装置
Zappa et al. Comparison of eight unwrapping algorithms applied to Fourier-transform profilometry
US10628927B2 (en) Rapid image correction method for a simplified adaptive optical system
JP7277101B2 (ja) 収差推定方法、収差推定装置、プログラムおよび記憶媒体
CN111079893A (zh) 用于干涉条纹图滤波的生成器网络的获取方法和装置
CN103852030B (zh) 用于倾斜波面非零位干涉系统的自由曲面面形重构方法
Sun et al. High-accuracy simultaneous phase extraction and unwrapping method for single interferogram based on convolutional neural network
CN108170636B (zh) 一种从线性载频移相干涉图中恢复出真实相位的方法
Gdeisat et al. Fast fringe pattern phase demodulation using FIR Hilbert transformers
Baer et al. Correction of misalignment introduced aberration in non-null test measurements of free-form surfaces
Wesner et al. Reconstructing the pupil function of microscope objectives from the intensity PSF
CN117629104A (zh) 基于深度学习的高精度动态干涉测量方法与装置
CN106707283B (zh) 基于无味信息滤波的相位展开算法
WO2024087406A1 (zh) 一种基于深度学习的数字全息包裹相位畸变补偿方法
CN115183697B (zh) 一种基于干涉光强信息的相位提取方法及系统
CN115752760A (zh) 一种适用于微振动环境的相位恢复算法
CN115900582A (zh) 一种消除中频相干噪声的米级平面元件面形检测装置及方法
CN113674370A (zh) 基于卷积神经网络的单帧干涉图解调方法
US20220365484A1 (en) Complex diversity for accurate phase retrieval with single shot acquisition
Bikkannavar et al. Phase retrieval methods for wavefront sensing
CN107680066B (zh) 空间相机动态成像仿真及频域滤波方法
Kando et al. Phase extraction from interferogram using machine learning
CN116659686B (zh) 一种波前重建方法及装置
Xie et al. Wavefront sensing and image restoration with spatially overlapping diversity technology
DeSantis et al. Bootstrapping method for support estimation and image reconstruction for interferometric data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant