CN111461224B - 一种基于残差自编码神经网络的相位数据解包裹方法 - Google Patents
一种基于残差自编码神经网络的相位数据解包裹方法 Download PDFInfo
- Publication number
- CN111461224B CN111461224B CN202010252163.4A CN202010252163A CN111461224B CN 111461224 B CN111461224 B CN 111461224B CN 202010252163 A CN202010252163 A CN 202010252163A CN 111461224 B CN111461224 B CN 111461224B
- Authority
- CN
- China
- Prior art keywords
- phase
- data
- neural network
- training
- wrapping
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/2441—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures using interferometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于残差自编码神经网络的相位数据解包裹方法,读取生成的实验数据,将相位数据解包裹任务视为一种多分类问题,建立残差自编码神经网络;采用Zernike多项式生成模拟初始相位数据集,对模拟初始相位数据集进行包裹处理,对残差自编码神经网络进行训练;对训练后的网络模型进行评估,如果满足预设精度要求,则通过残差自编码神经网络对包裹相位进行预测分类,得到与之对应的包裹倍数分布图,利用二维中值滤波器对结果进行处理得到去噪的包裹倍数分布图;将相位包裹倍数分布图与包裹的相位数据和待测数据Xtrest进行求和运算得到最终的解包裹相位结果,表征待测对象的表面轮廓的起伏信息。本发明可实现各种自由曲面相位数据的解包裹运算。
Description
技术领域
本发明属于三维轮廓精密测量领域相位数据处理技术领域,具体涉及一种基于残差自编码神经网络的相位数据解包裹方法。
背景技术
三维轮廓测量技术在工业制造,国防军事,航空航天,民用消费等领域中应用广泛。干涉测量法与条纹投影法等方法属于主流的三维轮廓精密测量技术。在其实施过程中需要通过相移采集多幅干涉图以提取相位数据,最终得到相关面形测量结果。相移技术将引入反正切运算,而计算机中常采用周期函数atan2代替arctan函数,其值域范围为[-π,π]。故最初提取的相位数据为包裹的相位数据,其数据范围被包裹于[-π,π],造成了相位不连续,因此不能直接得到真实的测量信息分布。为了获得真实的相位分布,需对这些包裹位相作进一步处理,获得连续的相位分布,这一过程即称为相位解包裹。通过特定的方法,在包裹的相位图中找出跃变点,再加上2π的整数倍k即可将包裹相位复原成不包含跃变点的平滑连续的相位分布。
为解决相位包裹问题,实现准确的三维轮廓测量,国内外学者提出了不同的相位解包裹方法。根据原理不同可分为三类:
1.行列扫描法,通过比较空间上相邻点相位主值来完成解包。依次比较相邻列相同行的两个像素点的相位值,若后一像素点与前一像素点差值超过π或-π,则给该点及以后各点减去或加2π,直到所有列数据全部完成解包裹。该方法原理简单但易受噪声影响。
2.路径跟踪算法是一种局部相位展开法,通过选择合适的积分路径对包裹相位图积分来实现相位解包,优先展开相位可靠区域。典型方法有Goldstein最小化枝切法,质量导向算法,最小不连续算法等。此类方法对初始条件的选择较为敏感。
3.最小范数法是一种全局的相位展开方法,通过设置目标函数,并附以相关的约束条件,把相位展开问题转化为求解最优化的问题。其主要思想是寻求展开相位的局域微分与包裹相位的局域微分差异最小。典型方法有Multigrid算法,DCT算法等。但其计算效率较低。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于残差自编码神经网络的相位数据解包裹方法,适用于相邻像素相位幅值跳变小于2π的各种自由曲面面形解包。
本发明采用以下技术方案:
一种基于残差自编码神经网络的相位数据解包裹方法,读取生成的实验数据,采用36项Zernike多项式生成模拟初始相位数据集,对模拟初始相位数据集进行包裹处理,将相位数据解包裹任务视为一种多分类问题,以像素为单位,每一级倍数的包裹作为一级分类,建立残差自编码神经网络;对残差自编码神经网络进行训练;对训练后的结果进行预测,如果满足精度要求,通过残差自编码神经网络分类得到初始包裹倍数分布图,利用二维中值滤波器对结果进行处理得到去噪的包裹倍数分布图;将相位包裹倍数分布图与包裹的相位数据和待测数据Xtrest进行求和运算得到最终的解包裹相位结果,用于表征待测对象的表面轮廓的起伏信息。
具体的,Zernike多项式为:
其中,Znm为多项式的项,n为多项式的阶数,k为正整数,m为整数,s为整数上式求和的下标。
具体的,利用高斯分布函数作为随机数发生器为36项Zernike多项式生成随机系数,通过多轮循环计算生成22000组数据用于网络训练,5000组用于模型验证。
进一步的,系数分布范围为:1~16项系数分布于[-1300,1300]区间,17~36项系数分布于[-800,800]区间。
具体的,对模拟初始相位数据集进行包裹处理中,经包裹的二维相位数据w(x,y)具体为:
w(x,y)=u(x,y)-m(x,y)=u(x,y)-2kπ(x,y)
其中,u(x,y)为未包裹相位,m(x,y)为周期相位2π的二维整数倍分布图,k为整数,w(x,y)的范围为分布于[-1,1]之间的实数。
具体的,残差自编码神经网络包括输入层,残差块与输出层;输入数据为包裹的相位数据,其维度为W,H,C,输出为包裹倍数分布图,维度为W,H,N;W,H分别为数据集的宽与高,C为通道数,N为分类数。
具体的,在训练环节,训练数据样本集Xtrian逐批次输入至网络进行参数训练,并在每轮训练结束时得到相应的预测值,模型的损失函数选用Sparse CategoricalCrossentropy函数用于计算预测值与标准值Ytrain之间的偏差;模型优化器选择自适应矩估计用于根据偏差,采用梯度下降法训练并更新网络。
进一步的,神经网络训练策略分为粗训练与精训练两个阶段,具体如下:
粗训练阶段:神经网络构建完成初始化时,输入不多于5000组样本,模型学习率设置为0.1,循环次数不多于50次,对网络参数进行快速粗优化;
精训练阶段:逐步增大训练样本数直至最大,并在训练过程中动态降低模型的学习率,模型学习率正比于损失值LR=q*Loss;最后进行多次迭代运算直至网络分类精度达到设定值。
具体的,将待测数据输入已训练的模型,通过预测得到初始预测结果,然后进一步经过去噪处理得到相位包裹倍数分布图;相位包裹倍数分布图与标准值Ytest进行做差运算用于评估模型的分类精度。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于残差自编码神经网络的相位数据解包裹方法,得到一种经过优化的神经网络模型,可实现各种自由曲面相位数据的解包裹运算,得到一种经过优化的神经网络模型,可实现各种自由曲面相位数据的解包裹运算。该模型较现有技术,具有解包精度高,计算效率高,通用性强等优势。
进一步的,通过残差自编码神经网络实现对输入包裹数据的精确像素级分类,是本发明功能实现的核心环节。
进一步的,采用Zernike多项式用于生成网络训练及待测的相位数据。
进一步的,通过网络训练使相位包裹分类达到最佳化,通过验证确认训练后的精度及性能。
进一步的,系数分布范围设置可以使输出的相位数据幅值控制在一定的范围,且能较好的表示各种自由面形分。
进一步的,将相位数据包裹以作为训练/验证数据输入网络模。
进一步的,训练环节是为了通过大量数据的验证,使网络模型的状态达到最佳优化。
进一步的,粗训练是为了提高网络收敛速度,快速初始化网络的参数;精训练的目的是进一步提高神经网络的分类精度直至最大值。
进一步的,后处理预测值的目的在于滤除由于误分类产生的噪声,提高精度;利用神经网络的预测值与输入的包裹数据求和,即得到了最终的解包裹数据。
综上所述,本发明提出的网络模型通过多次迭代训练得到已训练的网络可对后期直接输入的未知数据进行快速准确的预测。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明残差自编码神经网络结构图;
图2为本发明多分类示意图;
图3为本发明神经网络训练环节示意图;
图4为本发明模型预测原理图;
图5为本发明实施流程图;
图6为本发明效果图,其中,(a)为包裹的相位图,(b)为预测的包裹倍数分布图,(c)为解包裹的相位数据图。
具体实施方式
本发明提供了一种基于残差自编码神经网络的相位数据解包裹方法,首先从功能和原理出发介绍了残差自编码神经网络的结构;其次设计了神经网络训练/验证数据集的生成方法,神经网络的训练策略以及其验证方式;最后基于方法的实现原理提出了一种实用的实施方式。通过实验验证可得,利用本发明进行相位数据解包分类精度高,适用性强且实时性好。
在涉及相移干涉测量方法的三维轮廓测量技术中,必然会引入反正切的计算,而在计算机运算中通常采用atan2函数代替arctan函数,atan2函数的定义域范围在[-π,π],因此幅值范围较大的数据集将会限制在此区间,造成了其不来连续分布。这种现象称为相位的包裹,相位包裹现象如下:
其中,w(x,y)为包裹的相位,u(x,y)为未包裹的相位,k为包裹的倍数。
由上式看出,相较于未包裹的相位,包裹的相位在局部会产生周期性的跳变现象,该相位跳变以2π为周期,k为跳变的倍数;当局部相位数据梯度越大,k变化较大;为了获得连续的数据分布,需通过某种拟合手段得到2πk(x,y)的分布以实现相位解包任务。
请参阅图5,本发明一种基于残差自编码神经网络的相位数据解包裹方法,利用残差自编码神经网络对相位数据进行解包裹处理,包括以下步骤:
S1、数据读取
通过程序逐条读取前期已生成的实验数据Xtrian,Ytrain,Xtest和Ytest,并将其压缩打包成二进制数据文件;
请参阅图3,每一对w,m为一组训练样本,记为Xtrain与Ytrian,用于验证的样本记为Xtest与Ytest;将准备好的训练数据以及验证数据输入构建好的模型进行训练。
基于残差自编码神经网络的实现原理,需要收集大量实验样本数据对网络进行训练,使网络中各神经元参数达到最佳优化状态以实现相位图中每个像素数据的精确分类。本发明采用36项Zernike多项式生成模拟初始相位数据集,用于神经网络的训练以及模型的验证。
Zernike多项式的表达式为:
其中,Cnm为Zernike多项式的系数,Znm为多项式的项,n为多项式的阶数,k为正整数,m为整数。
Zernike多项式Znm进一步表示如下:
利用高斯分布函数作为随机数发生器为36项Zernike多项式生成随机系数,系数分布范围:1~16项系数分布于[-1300,1300]区间,17~36项系数分布于[-800,800]区间。
通过多轮循环计算,最终生成22000组数据用于网络训练,5000组用于模型验证。
利用Zernike多项式生成的训练数据为二维实数集,且为未包裹数据u,为了训练网络,需要对此数据进行包裹处理,经包裹的二维相位数据w(x,y)具体如下:
w(x,y)=u(x,y)-m(x,y)=u(x,y)-2kπ(x,y) (4)
其中,u(x,y)为未包裹相位,m(x,y)为周期相位2π的二维整数倍分布图,k为整数,w(x,y)的范围为分布于[-1,1]之间的实数。
S2、建立残差自编码神经网络
请参阅图1,将相位数据解包裹任务视为一种多分类问题,以像素为单位,每一级倍数的包裹作为一级分类,若包裹倍数为N,则该过程为一个N分类的任务。基于该原理,本发明提出了一种残差自编码神经网络以实现该分类功能。
残差自编码神经网络由三部分组成,具体包括输入层,残差块与输出层;输入数据为包裹的相位数据,其维度为(W,H,C),输出为包裹倍数分布图,维度为(W,H,N);W,H分别为数据集的宽与高,C为通道数,N为分类数。
请参阅图2,原理如下:
1)神经网络的输入层用于匹配输入数据集的维度,同时进行特征粗提取;
2)每个残差块由自编码结构和并联支路构成,残差块的主要功能在于精确提取并分类输入数据的特征;
自编码结构中,数据经过多次卷积池化与卷积上采样运算,可得到局部包裹区域的高维特征信息;然后将自编码器的输出与并联支路的输出进行求和运算,完成单残差模块的特征提取工作。这种残差结构的优势在于用残差输出R(x)=F(x)+x代替传统串联结构的网络输出F(x),使得深层神经网络的表达能力得以增强,解决了深层网络的退化问题。
3)输出层的主要作用在于整合隐藏层网络提取的特征,最后以像素为单位分类每个像素区域的包裹倍数,得到一组N维,W×H尺寸的输出包裹倍数分布图。
在神经网络中,BN代表批正则化运算,Conv为二维卷积运算,Relu为非线性激活函数,MP为最大池化运算,US为上采样运算,Dp为Dropout运算,Dense为全连接层,Softmax为多分类输出层。
S3、训练网络
加载已打包的数据文件,将Xtrain,Ytrain作为训练数据输入已构建的网络模型进行网络训练,训练策略为本发明提出的训练策略;
在神经网络训练环节,训练数据样本集Xtrian逐批次输入至网络进行参数训练,并在每轮训练结束时得到相应的预测值。
模型的损失函数选用Sparse Categorical Crossentropy函数用于计算预测值与标准值Ytrain之间的偏差。模型优化器选择自适应矩估计(Adam),用于根据偏差,采用梯度下降法训练并更新网络。基于该原理进行大量的迭代计算以提高各像素分类精度。
请参阅图4,神经网络训练策略分为粗训练与精训练两个阶段。
1)粗训练阶段:由于神经网络构建完成初始化时各个神经元参数为0,使得模型收敛较慢。故在此阶段输入不多于5000组样本,模型学习率设置为较高的0.1,循环次数不多于50次从而对网络参数进行了快速粗优化。
2)精训练阶段:逐步增大训练样本数直至最大,且在训练过程中动态降低模型的学习率(LR)以避免损失(Loss)值浮动,网络收敛不稳定。模型学习率正比于损失值LR=q*Loss。最后进行多次迭代运算直至网络分类精度达到设定值。
S4、预测验证
当训练结束后,模型将用作估计器,在实际实验当中预测包裹相位的包裹倍数分布,输入Xtest样本数据进行预测,然后比较预测值与Ytest之间偏差;若满足精度设定要求则进行后处理,否则继续进行网络训练;
S5、包裹补偿
经过预测与后处理操作,通过神经网络分类得到初始包裹倍数分布图,然后利用二维中值滤波器对结果进一步处理得到去噪的包裹倍数分布图;将其与包裹相位做求和运算以得到最终的相位解包裹结果。
将待测数据Xtrest输入已训练的模型,通过预测得到初始预测结果,然后进一步经过去噪处理得到相位包裹倍数分布图。此时,相位包裹倍数分布图与包裹的相位数据和Xtrest进行求和运算即可得到最终的解包裹相位结果;相位包裹倍数分布图与标准值Ytest进行做差运算可以评估模型的分类精度。
请参阅图6,通过包裹的相位、预测的包裹倍数分布和解包裹的相位数据,能够得出计算效率高,分类精度高,抗干扰能力强。
综上所述,本发明一种基于残差自编码神经网络的相位数据解包裹方法,利用大量生成的包裹相位数据对网络模型进行训练使其达到最优状态,然后将训练好的模型视为一个估计器投入实际应用当中。在相移三维轮廓测量时,测量得到的未知包裹相位数据输入该模型并经过估计得到对应的包裹倍数分布图。利用该包裹倍数分布图结合包裹的相位即可得到最终解包裹的数据。该方法可应用于三维轮廓测量技术数据处理环节,能克服现有方法计算效率低,易受噪声影响等不足。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (5)
1.一种基于残差自编码神经网络的相位数据解包裹方法,其特征在于,读取生成的实验数据,采用36项Zernike多项式生成模拟初始相位数据集,对模拟初始相位数据集进行包裹处理,将相位数据解包裹任务视为一种多分类问题,以像素为单位,每一级倍数的包裹作为一级分类,建立残差自编码神经网络;对残差自编码神经网络进行训练;对训练后的结果进行预测,如果满足精度要求,通过残差自编码神经网络分类得到初始包裹倍数分布图,利用二维中值滤波器对结果进行处理得到去噪的包裹倍数分布图;将相位包裹倍数分布图与包裹的相位数据和待测数据Xtrest进行求和运算得到最终的解包裹相位结果,用于表征待测对象的表面轮廓的起伏信息;
残差自编码神经网络包括输入层,残差块与输出层;输入数据为包裹的相位数据,其维度为W,H,C,输出为包裹倍数分布图,维度为W,H,N;W,H分别为数据集的宽与高,C为通道数,N为分类数,每个残差块由自编码结构和并联支路构成,自编码结构中,数据经过多次卷积池化与卷积上采样运算,得到局部包裹区域的高维特征信息;然后将自编码器的输出与并联支路的输出进行求和运算,完成单残差模块的特征提取工作;
在训练环节,训练数据样本集Xtrian逐批次输入至网络进行参数训练,并在每轮训练结束时得到相应的预测值,模型的损失函数选用Sparse Categorical Crossentropy函数用于计算预测值与标准值Ytrain之间的偏差;模型优化器选择自适应矩估计,用于根据偏差,采用梯度下降法训练并更新网络,神经网络训练策略分为粗训练与精训练两个阶段,具体如下:
粗训练阶段:神经网络构建完成初始化时,输入不多于5000组样本,模型学习率设置为0.1,循环次数不多于50次,对网络参数进行快速粗优化;
精训练阶段:逐步增大训练样本数直至最大,并在训练过程中动态降低模型的学习率,模型学习率正比于损失值,LR=q*Loss;最后进行多次迭代运算直至网络分类精度达到设定值。
2.根据权利要求1所述的基于残差自编码神经网络的相位数据解包裹方法,其特征在于,利用高斯分布函数作为随机数发生器为36项Zernike多项式生成随机系数,通过多轮循环计算生成22000组数据用于网络训练,5000组用于模型验证。
3.根据权利要求2所述的基于残差自编码神经网络的相位数据解包裹方法,其特征在于,系数分布范围为:1~16项系数分布于[-1300,1300]区间,17~36项系数分布于[-800,800]区间。
4.根据权利要求1所述的基于残差自编码神经网络的相位数据解包裹方法,其特征在于,对模拟初始相位数据集进行包裹处理中,经包裹的二维相位数据w(x,y)具体为:
w(x,y)=u(x,y)-m(x,y)=u(x,y)-2kπ(x,y)
其中,u(x,y)为未包裹相位,m(x,y)为周期相位2π的二维整数倍分布图,k为整数,w(x,y)的范围为分布于[-1,1]之间的实数。
5.根据权利要求1所述的基于残差自编码神经网络的相位数据解包裹方法,其特征在于,将待测数据输入已训练的模型,通过预测得到初始预测结果,然后进一步经过去噪处理得到相位包裹倍数分布图;相位包裹倍数分布图与标准值Ytest进行做差运算用于评估模型的分类精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252163.4A CN111461224B (zh) | 2020-04-01 | 2020-04-01 | 一种基于残差自编码神经网络的相位数据解包裹方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252163.4A CN111461224B (zh) | 2020-04-01 | 2020-04-01 | 一种基于残差自编码神经网络的相位数据解包裹方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461224A CN111461224A (zh) | 2020-07-28 |
CN111461224B true CN111461224B (zh) | 2022-08-16 |
Family
ID=71680560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010252163.4A Active CN111461224B (zh) | 2020-04-01 | 2020-04-01 | 一种基于残差自编码神经网络的相位数据解包裹方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461224B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112116616B (zh) * | 2020-08-05 | 2022-06-07 | 西安交通大学 | 基于卷积神经网络的相位信息提取方法、存储介质及设备 |
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 |
CN113452379B (zh) * | 2021-07-16 | 2022-08-02 | 燕山大学 | 断面轮廓降维模型训练方法、系统及数据压缩方法、系统 |
CN113762190B (zh) * | 2021-09-15 | 2024-03-29 | 中科微至科技股份有限公司 | 一种基于神经网络的包裹堆叠检测方法及装置 |
CN115760598A (zh) * | 2022-10-26 | 2023-03-07 | 浙江理工大学 | 一种基于深度学习的数字全息包裹相位畸变补偿方法 |
CN117475172B (zh) * | 2023-12-28 | 2024-03-26 | 湖北工业大学 | 一种基于深度学习的高噪声环境相位图解包裹方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017305A (zh) * | 2016-05-06 | 2016-10-12 | 西安交通大学 | 一种基于差分进化算法的相位解包裹方法 |
CN109712109A (zh) * | 2018-11-06 | 2019-05-03 | 杭州电子科技大学 | 一种基于残差卷积神经网络的光学图像相位解缠绕方法 |
CN109886880A (zh) * | 2019-01-03 | 2019-06-14 | 杭州电子科技大学 | 一种基于U-Net分割网络的光学图像相位解缠绕方法 |
CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013273822A1 (en) * | 2013-12-23 | 2015-07-09 | Canon Kabushiki Kaisha | Modulation guided phase unwrapping |
US10365606B2 (en) * | 2017-04-07 | 2019-07-30 | Thanh Nguyen | Apparatus, optical system, and method for digital holographic microscopy |
CN110514137B (zh) * | 2019-07-15 | 2021-01-08 | 华南师范大学 | 相位解包裹方法、装置、系统、计算机设备及存储介质 |
-
2020
- 2020-04-01 CN CN202010252163.4A patent/CN111461224B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017305A (zh) * | 2016-05-06 | 2016-10-12 | 西安交通大学 | 一种基于差分进化算法的相位解包裹方法 |
CN109712109A (zh) * | 2018-11-06 | 2019-05-03 | 杭州电子科技大学 | 一种基于残差卷积神经网络的光学图像相位解缠绕方法 |
CN109886880A (zh) * | 2019-01-03 | 2019-06-14 | 杭州电子科技大学 | 一种基于U-Net分割网络的光学图像相位解缠绕方法 |
CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
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 |
Non-Patent Citations (6)
Title |
---|
"Phase unwrapping based on a residual en-decoder network for phase images in Fourier domain Doppler optical coherence tomography";CHUANCHAO WU等;《Biomedical Optics Express》;20200303;第1760-1771页 * |
"Phase unwrapping in optical metrology via denoised and convolutional segmentation networks";JUNCHAO ZHANG等;《OPTICS EXPRESS》;20190513;第14903-14912页 * |
"Phase Unwrapping Using Residual Neural Networks";Gili Dardikman等;《Imaging and Applied Optics》;20181231;第1-2页 * |
"PhaseNet: A Deep Convolutional Neural Network for Two-Dimensional Phase Unwrapping";G.E.Spoorthi等;《IEEE Signal Processing Letters》;20181101;第54-58页 * |
"Rapid and robust two-dimensional phase unwrapping via deep learning";TENG ZHANG等;《OPTICS EXPRESS》;20190805;第23173-23185页 * |
"基于泽尼克多项式的相位去包裹算法";许忠保等;《湖北工业大学学报》;20071231;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111461224A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461224B (zh) | 一种基于残差自编码神经网络的相位数据解包裹方法 | |
CN112116616B (zh) | 基于卷积神经网络的相位信息提取方法、存储介质及设备 | |
CN115203865B (zh) | 一种基于数字孪生的产品装配过程机械性能在线预测方法 | |
CN102682172B (zh) | 基于参数分类的超临界机翼极多参数优化设计方法 | |
CN109299685A (zh) | 用于人体关节3d坐标估计的推断网络及其方法 | |
CN106017305B (zh) | 一种基于差分进化算法的相位解包裹方法 | |
CN111580163B (zh) | 一种基于非单调搜索技术的全波形反演方法及系统 | |
WO2020169983A1 (en) | Facial shape representation and generation system and method | |
CN113589286B (zh) | 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法 | |
CN112017178A (zh) | 一种基于双时相差值图像法的遥感图像区域变化检测方法 | |
CN113189561A (zh) | 一种海杂波参数估计方法、系统、设备及存储介质 | |
CN116664419A (zh) | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 | |
CN109581849A (zh) | 一种同轴全息重建方法及系统 | |
US20240273691A1 (en) | Digital holographic wrapped phase aberration compensation method based on deep learning | |
CN105021199A (zh) | 基于ls 的多模型自适应状态估计方法及系统 | |
Sorkhabi et al. | Deep learning of GPS geodetic velocity | |
Wan et al. | Interval optimization design of a submersible surface ship form considering the uncertainty of surrogate model | |
CN117709488A (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
CN116224327B (zh) | 一种基于学习网络的矿区大梯度形变区相位解缠方法 | |
CN113011107B (zh) | 基于深度卷积神经网络的一维光纤传感信号相位恢复方法 | |
CN116577821A (zh) | 基于神经网络的时移地震预测方法和系统 | |
CN106707283A (zh) | 基于无味信息滤波的相位展开算法 | |
CN109856673B (zh) | 一种基于优势频率迭代加权的高分辨Radon变换数据分离技术 | |
CN112179269B (zh) | 一种基于Zernike多项式与WKF的相位解包裹方法 | |
CN113485273B (zh) | 一种动态系统时延计算方法及系统 |
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 |