CN112033280B - 傅里叶变换模型与深度学习结合的散斑干涉相位计算方法 - Google Patents
傅里叶变换模型与深度学习结合的散斑干涉相位计算方法 Download PDFInfo
- Publication number
- CN112033280B CN112033280B CN202010915488.6A CN202010915488A CN112033280B CN 112033280 B CN112033280 B CN 112033280B CN 202010915488 A CN202010915488 A CN 202010915488A CN 112033280 B CN112033280 B CN 112033280B
- Authority
- CN
- China
- Prior art keywords
- phase
- phase calculation
- network
- speckle interference
- calculation network
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B9/00—Measuring instruments characterised by the use of optical techniques
- G01B9/02—Interferometers
- G01B9/02094—Speckle interferometers, i.e. for detecting changes in speckle pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Instruments For Measurement Of Length By Optical Means (AREA)
Abstract
Description
技术领域
本发明涉及光学测量领域,特别是一种深度学习应用于空间载波相移法电子散斑干涉对位移实时动态测量过程中的相位计算。
背景技术
由于成像系统的有限的分辨率,在成像系统的采集面中的每一个点处都会接收到从物体上的多个不同点的散射光。如果散斑图是由表面粗糙物体的随机散射子波与另一参考光波之间的干涉效应而形成,则称为散斑干涉。电子散斑干涉是通过比较被测物体在变形前后散斑干涉图像的变化,使用数学的计算方法获取干涉条纹,通过解算条纹携带的相位信息,获取被测物体的变形分布的一种干涉测量方法。
传统散斑干涉的相位测量方法主要分为时间相移和空间相移。时间相移主要用于静态相位的测量,是散斑干涉相位测量方法中使用最广泛,发展最成熟,精度最高的一种相位提取方法;空间相移可以在一个瞬时计算出当前散斑干涉场的相位,空间相移主要用于高速动态相位测量,系统的动态响应程度很高。时间相移方法对被测件的稳定性具有很高的要求,由于该方法需要通过压电陶瓷PZT实现多步相移,无法满足现代工业快速测量的要求。空间相位检测方法一般采用多孔衍射,再加上傅里叶变换或者小波变换的方法来获得条纹图像。
近年来,深度学习在解决计算成像问题方面显示出巨大的潜力。开创性的研究已经证明了深度学习在光学层析成像、计算重影成像、数字全息、通过散射介质成像、相位成像、相位解包裹和条纹分析等领域的适用性。一般来说,用于计算成像的人工神经网络需要大量的标记数据来优化其权重和偏差参数。根据网络体系结构和用于训练的数据量,网络训练过程可能需要几个小时甚至几天,获取足够大的训练数据集对于训练一个好的神经网络至关重要。然而,在许多应用中,通常需要对以前从未见过的东西进行映像。因此,不可能获得足够的真值图像用于网络训练,导致泛化能力有限。FeiWang等人提出通过在传统的深层神经网络中加入一个代表图像形成过程的完整物理模型来克服这一局限性,可以通过神经网络与物理模型的相互作用,自动优化网络,最终得到目标物相。
发明内容
本发明是为了解决上述现有的电子散斑干涉相位计算技术存在的不足之处,提出一种傅里叶变换模型与深度学习结合的散斑干涉相位计算方法,以期能减少图像预处理,提升相位计算效率的同时,能对噪声有一定的抑制效果,从而更适合对恶劣环境的工业现场进行相位实时测量。
为实现上述目的,本发明采用如下技术方案:
本发明一种傅里叶变换模型与深度学习结合的散斑干涉相位计算方法的特点包括以下步骤:
步骤1、利用电子散斑干涉装置中的CCD摄相机(7)获取单张被测物的散斑干涉图Fig_If;
步骤2、利用傅里叶变换法得到从干涉图到相位图的相关映射函数H,从而用倒推法得到从相位图到干涉图的计算模型H-1;
步骤3、基于U-net模型构建相位计算网络,并利用式(1)构建所述相位计算网络的目标函数:
式(3)中,Rθ表示所述相位计算网络迭代过程中的映射函数,并由一组权重和偏差组成;
步骤5、利用所述电子散斑干涉装置中的CCD摄相机(7)获取待测被测物的散斑干涉图Fig_exp;
与现有电子散斑干涉相位计算技术相比,本发明的有益效果体现在:
1、本发明利用深度学习端到端的特性,无需对干涉图进行数据增强、滤波等操作,减少了图像预处理步骤,实现了动态测量并提升了相位计算效率。
2、本发明构建了从相位图到干涉图的计算模型,通过神经网络与计算模型的相互作用,不需要成千上万的标记数据来训练神经网络,只需将待处理的单个图像输入到网络中,优化了网络权值和偏差因子,最终得到满足所施加物理约束的可行解,从而提高了相位计算网络的泛化能力,更适合对恶劣环境的工业现场进行相位实时测量。
3、本发明构建的网络能够借助卷积-反卷积操作中滤波器的特性,对相位图的噪声有一定的抑制效果,使相位计算网络具有一定的鲁棒性。
附图说明
图1是本发明散斑干涉相位计算方法流程图;
图2是本发明所使用的单方向空间载波原理的电子散斑干涉装置图;
图3是本发明所使用的单张被测物的散斑干涉图Fig_If;
图4是本发明散斑干涉相位计算网络模型的原理图;
图5是本发明相位计算网络的输入散斑图;
图6是本发明相位计算网络的输出相位图。
图中标号:1激光器;2分光镜;3反射镜;4扩束镜;5被测物体;6成像透镜;7CCD摄像机;8光阑;9单模光纤。
具体实施方式
本实施例中,如图1所示,一种傅里叶变换模型与深度学习结合的散斑干涉相位计算方法是按如下步骤进行:
步骤1、搭建基于单方向空间载波原理的电子散斑干涉装置,单方向空间载波原理的基础光路如图2所示;
由激光器1发出波长为λ的激光,首先通过分光镜2被分为两束光路:第一束光路为物光,由反射镜3反射经过扩束镜4到被测物体5表面,再通过成像透镜6聚焦到CCD摄像机7靶面上,为避免频谱混叠现象的发生,需通过透镜后的光圈8实现对成像平面散斑的大小和强度进行控制;第二束光路为参考光,为防止外界对光束干扰,同时增加光路本身紧凑性,参考光由单模光纤9进行汇聚,再通过光纤传输。频谱的移动是通过调整光纤射出后的参考光照射到CCD摄像机7靶面上的角度θ1,形成空间载波来实现频谱移动。用CCD摄相机获取单张被测物的散斑干涉图Fig_If,如图3所示,作为数据集;
步骤2、物光和参考光分别表示为式(1)和式(2):
R(x,y)=|r(x,y)|exp[-2πi(f1xx+f1yx)] (2)
式(1)中,x、y表示图像中的像素位置,i是复数,o(x,y)和r(x,y)分别为物光和参考光的振幅,为所要提取的相位信息,式(2)中θ1x和θ1y分别为参考光与物光在水平与竖直方向的夹角。CCD摄像机记录的干涉散斑图的空间强度分布I(x,y)就是物光与参考光强度的叠加,可表示为:
式(3)中,*代表复共轭。前两项分别是物光和参考光的光强;后两项相互共辄,它们表示物光和参考光的复振幅之间的关系,只要从干涉图中提取复振幅就可获取相位值。为了提取复振幅,首先要知道干涉图的频谱分布,对式(3)进行傅立叶变换,有:
FT[I(x,y)]=A(fx,fy)+G(fx-f1x,fy-f1y)+G*(fx+f1x,fy+f1y) (4)
式(4)中A(fx,fy)表示背景光的频谱,G(fx-f1x,fy-f1y)与G*(fx+f1x,fy+f1y)表示干涉图的复振幅频谱,互为共轭。相位信息包含在复振幅的频谱当中,选取共轭频谱中的一项进行傅立叶逆变换,有:
式(6)中o(x,y)式一个复数矩阵,根据其实部与虚部可从一副频谱图中求得相位信息
式(7)中Re和Im分别表示取复数的实部和虚部。
将计算过程式(1)到式(7)推演过程简化表示为式(8):
H为从干涉图到相位图的映射函数,则构建从相位图到干涉图的计算模型如式(9),H-1为H的逆映射。
步骤3、基于U-net模型构建傅里叶变换模型与深度学习结合的散斑干涉相位计算网络,计算网络原理图如图4所示。网络结构主要由四个模块组成,卷积模块(conv3×3+BN+leaky ReLU)、最大池化模块(2×2)、反卷积模块(up-conv3×3+BN+leakyReLU)和跳跃连接模块。利用式(10)构建相位计算网络的目标函数:
式(12)中,Rθ表示相位计算网络迭代过程中的映射函数,并由一组权重和偏差组成;
步骤4、以散斑干涉图Fig_If作为相位计算网络的输入I,以相位图作为相位计算网络的输出,以标签与输入I之间的差异值来优化一组权重和偏差组成的映射函数Rθ,从而训练相位计算网络;在神经网络模型的训练中,需要多个迭代周期的训练,网络才能收敛。
当网络迭代次数达到所设定的阈值或当逐渐下降并趋于稳定时停止训练,当差异值趋于稳定时,网络可以认为已经收敛,应当停止训练,否则网络就会产生不同程度的过拟合。得到训练完成的相位计算网络,并保存最优权重和偏差
步骤5、使用步骤1搭建的基于单方向空间载波原理的电子散斑干涉装置,获取待测被测物的散斑干涉图Fig_exp,如图5所示;
步骤6、将被测物的散斑干涉图Fig_exp输入到步骤3训练完成的相位计算网络,加载模型权重,模型输出即为待测被测物的真实相位图Phase_out,如图6所示。
Claims (1)
1.一种傅里叶变换模型与深度学习结合的散斑干涉相位计算方法,其特征包括以下步骤:
步骤1、利用电子散斑干涉装置中的CCD摄相机(7)获取单张被测物的散斑干涉图Fig_If;
步骤2、利用傅里叶变换法得到从干涉图到相位图的相关映射函数H,从而用倒推法得到从相位图到干涉图的计算模型H-1;
步骤3、基于U-net模型构建相位计算网络,并利用式(1)构建所述相位计算网络的目标函数:
式(3)中,Rθ表示所述相位计算网络迭代过程中的映射函数,并由一组权重和偏差组成;
步骤5、利用所述电子散斑干涉装置中的CCD摄相机(7)获取待测被测物的散斑干涉图Fig_exp;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915488.6A CN112033280B (zh) | 2020-09-03 | 2020-09-03 | 傅里叶变换模型与深度学习结合的散斑干涉相位计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915488.6A CN112033280B (zh) | 2020-09-03 | 2020-09-03 | 傅里叶变换模型与深度学习结合的散斑干涉相位计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112033280A CN112033280A (zh) | 2020-12-04 |
CN112033280B true CN112033280B (zh) | 2021-09-24 |
Family
ID=73591360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010915488.6A Active CN112033280B (zh) | 2020-09-03 | 2020-09-03 | 傅里叶变换模型与深度学习结合的散斑干涉相位计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112033280B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112797917B (zh) * | 2021-01-19 | 2022-09-06 | 浙江理工大学 | 一种高精度的数字散斑干涉相位定量测量方法 |
CN113340211B (zh) * | 2021-08-03 | 2021-10-29 | 中国工程物理研究院激光聚变研究中心 | 一种基于深度学习的干涉图像相位解调方法 |
CN114647081A (zh) * | 2022-03-31 | 2022-06-21 | 爱思菲尔光学科技(苏州)有限公司 | 基于神经网络的衍射光学元件及其设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712183A (zh) * | 2018-11-28 | 2019-05-03 | 天津大学 | 基于深度学习的电子散斑干涉智能信息提取方法 |
CN110472637A (zh) * | 2019-07-29 | 2019-11-19 | 天津大学 | 深度学习变密度低质量电子散斑条纹方向提取方法 |
CN111366557A (zh) * | 2020-03-24 | 2020-07-03 | 东南大学 | 一种基于薄散射介质的相位成像方法 |
-
2020
- 2020-09-03 CN CN202010915488.6A patent/CN112033280B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712183A (zh) * | 2018-11-28 | 2019-05-03 | 天津大学 | 基于深度学习的电子散斑干涉智能信息提取方法 |
CN110472637A (zh) * | 2019-07-29 | 2019-11-19 | 天津大学 | 深度学习变密度低质量电子散斑条纹方向提取方法 |
CN111366557A (zh) * | 2020-03-24 | 2020-07-03 | 东南大学 | 一种基于薄散射介质的相位成像方法 |
Non-Patent Citations (2)
Title |
---|
Accurate and efficient extraction of fringe orientation from the poor-quality ESPI fringe pattern with a convolutional neural network;LULU TIAN et al;《Applied Optics》;20190920;第7523-7530页 * |
单幅电子散斑干涉条纹图相位提取方法的研究及其应用;李波涛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090415;I138-903 * |
Also Published As
Publication number | Publication date |
---|---|
CN112033280A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112033280B (zh) | 傅里叶变换模型与深度学习结合的散斑干涉相位计算方法 | |
US12020165B2 (en) | System and method for transforming holographic microscopy images to microscopy images of various modalities | |
CN110779464B (zh) | 一种时域频域联合分析宽光谱相干测量方法及系统 | |
US9560338B2 (en) | Methods and systems for three dimensional optical imaging, sensing, particle localization and manipulation | |
CN109596227B (zh) | 一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统 | |
CN109520969B (zh) | 一种基于大气介质自调制的分布式散射成像方法 | |
CN111551129B (zh) | 大口径平面镜的中、低阶面形检测装置、系统及存储介质 | |
CN111366557A (zh) | 一种基于薄散射介质的相位成像方法 | |
CN111579097B (zh) | 基于神经网络的高精度光学散射补偿方法 | |
CN107942523A (zh) | 一种基于光强传输测量计算的相位恢复系统 | |
CN111307279A (zh) | 一种基于三步相移法的涡旋光模式检测方法 | |
CN111189414B (zh) | 一种实时单帧相位提取方法 | |
CN112836422B (zh) | 干涉与卷积神经网络混合方案测量方法 | |
CN109489559A (zh) | 基于时频分析和光场成像技术的点光源空间定位方法 | |
CN113790808B (zh) | 条纹追踪方法 | |
CN112985300B (zh) | 基于条纹追踪的光学元件轮廓检测方法、设备及存储介质 | |
CN112284288B (zh) | 多孔径干涉成像方法 | |
Trolinger et al. | History and metrology applications of a game-changing technology: digital holography | |
Sha et al. | Lensless coherent diffraction imaging based on spatial light modulator with unknown modulation curve | |
Yu et al. | Microscopy image reconstruction method based on convolution network feature fusion | |
Bogue-Jimenez et al. | Utilization of deep learning methods for automatic reconstruction of quantitative phase images in non-telecentric digital holographic microscopy | |
Gu et al. | In situ fast measurement of the radius of curvature for the plano-convex lens with deep-learning based on the point spread functions | |
CN113946117A (zh) | 散射光场全息范围三维位移测量装置、方法及介质 | |
CN117928734A (zh) | 基于深度神经网络的噪声空间外差干涉光谱信息校正方法 | |
Liu | Generalized inverse source: matter, information, and energy |
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 |