CN113011107A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113011107A
CN113011107A CN202110444539.6A CN202110444539A CN113011107A CN 113011107 A CN113011107 A CN 113011107A CN 202110444539 A CN202110444539 A CN 202110444539A CN 113011107 A CN113011107 A CN 113011107A
Authority
CN
China
Prior art keywords
phase
dimensional
neural network
convolutional neural
deep convolutional
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
CN202110444539.6A
Other languages
English (en)
Other versions
CN113011107B (zh
Inventor
崔珂
孔磊
朱日宏
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and 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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110444539.6A priority Critical patent/CN113011107B/zh
Publication of CN113011107A publication Critical patent/CN113011107A/zh
Application granted granted Critical
Publication of CN113011107B publication Critical patent/CN113011107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
    • G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
    • G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
    • G01D5/35306—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement
    • G01D5/35325—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using interferometer with two arms in reflection, e.g. Mickelson interferometer
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

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

Abstract

本发明公开了一种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，该方法为：对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；将一维仿真数据展开成二维结构，生成数据集；设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；通过评价指标判断误差是否满足要求，若满足调至下一步；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至上一步用调整的模型重新进行训练；由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。本发明实现了高精度、高速度的相位恢复。

Description

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
技术领域
本发明属于光纤传感的测量技术领域，具体涉及一种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。
背景技术
相位解包技术作为干涉测量中不可或缺的关键技术得到迅猛发展，在光干涉测量、合成孔径雷达、数字全息术和条纹投影以及医学核磁共振图像处理等各个领域都有着广泛的应用。在上述应用中，无论是通过时间移相干涉测量技术还是空间移相干涉测量技术获得的相位信息，都是被包裹在[-π,π)的区间内，当相位变化大于一个波长时，便会丢失相应的整数倍周期相位，从而出现大量间断点。为了获得相位的真实情况，就需要采取相位解包技术将相位恢复成平滑曲线得到解包后的相位,相位解包效果的好坏直接影响结果精度的高低，在各大领域中都起着重要作用。
常用的相位解包技术主要分为两大类：路径追踪算法和路径无关最小范数算法。但是一直以来在实际应用过程中，这两种算法依旧存在许多不足。如高噪声条件下以及相位间断点处相位展开的准确度较差；从硬件与算法角度，解包速度有较大的提升空间。在一维相位解包领域，解包相位与真实相位可能存在2kπ的差值，取决于解包的基点的选择；在信噪比较低时部分区域可能会出现解包失败的结果。
发明内容
本发明的目的在于提供一种准确度高、计算速度快、受噪声影响小的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。
实现本发明目的的技术解决方案为：一种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，该方法包括：
步骤1，对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；
步骤2，将一维仿真数据展开成二维结构，生成数据集；
步骤3，设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；
步骤4，通过评价指标判断误差是否满足要求，若满足调至步骤5；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至步骤3用调整的模型重新进行训练；
步骤5，由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。
进一步地，步骤1所述对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声，具体如下：
随机生成若干个点，满足高斯分布或者均匀分布，通过三次样条插值将点数扩大，形成连续、光滑的一维仿真相位，通过反正切计算包裹相位，并添加噪声。
进一步地，步骤1中包裹相位的计算公式如下：
Figure BDA0003036276230000021
其中
Figure BDA0003036276230000028
为传感系统中光信号的包裹相位，
Figure BDA0003036276230000029
为光信号的真实相位，angle表示取参数的角度值。
进一步地，步骤2所述将一维仿真数据展开成二维结构，生成数据集，具体如下：
对于包裹相位：
Figure BDA0003036276230000022
构建二维格式：
Figure BDA0003036276230000023
Figure BDA0003036276230000024
同理，对于真实相位：
Figure BDA0003036276230000025
构建二维格式：
Figure BDA0003036276230000026
Figure BDA0003036276230000027
进一步地，步骤3中深度卷积神经网络模型的结构如下：
将输入经过一个编码器提取特征，再经过一个译码器还原成输入数据的尺寸，编码器包含由多层卷积构成的特征提取通道，译码器包含由多层卷积构成的特征缩放通道。
进一步地，步骤3中深度卷积神经网络模型的结构如下：
卷积核的尺寸为3×3，步长为1，填充方式为same，每一层卷积后跟随一个BN层和一个Relu层；最后一层卷积只跟随一个Linear层，池化层采用最大池化方式，反卷积的卷积核尺寸为3×3，步长为2，填充方式为same，激活函数采用Relu；编码器和译码器的相应层进行跳跃连接。
本发明与现有技术相比，其显著优点在于：(1)对光纤传感系统中光信号的一维仿真相位预处理并计算出包裹相位，通过展开算法，将一维数据编码成二维矩阵，输入深度卷积网络模型进行训练，用于进行训练的仿真数据结构合理，且适用于有噪声的情况；(2)使用光电探测器接收实际光纤传感系统中的干涉光强并计算包裹相位，使用训练好的模型进行预测，完成从传感器中光信号的包裹相位到真实相位的恢复，相位恢复速度是传统算法的五倍以上；(3)基于深度卷积神经网络模型，将输入经过一个编码器提取特征，再经过一个译码器还原成输入数据的尺寸，编码器包含由多层卷积构成的特征提取通道，译码器包含由多层卷积构成的特征缩放通道，神经网络模型泛化能力优秀。
附图说明
图1是本发明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的流程图。
图2是深度卷积神经网络模型的结构图。
具体实施方式
本发明基于深度卷积神经网络模型的一维光纤传感信号相位恢复方法，包含仿真数据的生成算法及深度卷积神经网络模型。对光纤传感系统中光信号的一维仿真相位预处理并计算出包裹相位，通过展开算法，将一维数据编码成二维矩阵，输入深度卷积网络模型进行训练；使用光电探测器接收实际光纤传感系统中的干涉光强并计算包裹相位，使用训练好的模型进行预测，完成从传感器中光信号的包裹相位到真实相位的恢复，实现了高精度、高速度的相位恢复。
本发明一种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，该方法包括：
步骤1，对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；
步骤2，将一维仿真数据展开成二维结构，生成数据集；
步骤3，设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；
步骤4，通过评价指标判断误差是否满足要求，若满足调至步骤5；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至步骤3用调整的模型重新进行训练；
步骤5，由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。
进一步地，步骤1所述对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声，具体如下：
随机生成若干个点，满足高斯分布或者均匀分布，通过三次样条插值将点数扩大，形成连续、光滑的一维仿真相位，通过反正切计算包裹相位，并添加噪声。
进一步地，步骤1中包裹相位的计算公式如下：
Figure BDA0003036276230000041
其中
Figure BDA0003036276230000048
为传感系统中光信号的包裹相位，
Figure BDA0003036276230000049
为光信号的真实相位，angle表示取参数的角度值。
进一步地，步骤2所述将一维仿真数据展开成二维结构，生成数据集，具体如下：
对于包裹相位：
Figure BDA0003036276230000042
构建二维格式：
Figure BDA0003036276230000043
Figure BDA0003036276230000044
同理，对于真实相位：
Figure BDA0003036276230000045
构建二维格式：
Figure BDA0003036276230000046
Figure BDA0003036276230000047
进一步地，步骤3中深度卷积神经网络模型的结构如下：
将输入经过一个编码器提取特征，再经过一个译码器还原成输入数据的尺寸，编码器包含由多层卷积构成的特征提取通道，译码器包含由多层卷积构成的特征缩放通道。
进一步地，步骤3中深度卷积神经网络模型的结构如下：
卷积核的尺寸为3×3，步长为1，填充方式为same，每一层卷积后跟随一个BN层和一个Relu层；最后一层卷积只跟随一个Linear层，池化层采用最大池化方式，反卷积的卷积核尺寸为3×3，步长为2，填充方式为same，激活函数采用Relu；编码器和译码器的相应层进行跳跃连接。
下面结合附图及具体实施例对本发明作进一步详细描述。
实施例
结合图1，基于深度卷积神经的一维相位恢复方法，包括
步骤1，对一维连续相位进行仿真，并计算包裹相位，添加噪声；
更进一步的，方法步骤如下：
随机生成若干个点(点数2～31，范围-15～+15)，满足高斯分布或者均匀分布，通过三次样条插值将点数扩大到256，形成完整、连续且光滑的一维仿真真实相位，通过反正切计算一维包裹相位，并添加噪声。
步骤2，将一维仿真数据展开成二维结构，生成数据集；方法公式如下：
对于包裹相位：
Figure BDA0003036276230000051
构建二维格式：
Figure BDA0003036276230000052
Figure BDA0003036276230000053
同理，对于真实相位：
Figure BDA0003036276230000054
构建二维格式：
Figure BDA0003036276230000055
Figure BDA0003036276230000056
步骤3，设定深度卷积神经网络模型结构、参数、激活函数、损失函数、优化器等。
将数据集送入模型训练；
所述深度卷积神经网络模型，结构如图2所示。
将输入经过先经过一个一维卷积、批量归一化、Relu的激活函数提取特征，将输入经过一个编码器提取特征，再经过一个译码器还原成输入数据的尺寸。卷积核的尺寸为3×3，步长为1，填充方式为same，每一层卷积后跟随一个BN层和一个Relu层；最后一层卷积只跟随一个Linear层。池化层采用最大池化方式，反卷积的卷积核尺寸为3x3,步长为2，填充方式为same，激活函数采用Relu。编码器和译码器的相应层进行跳跃连接。
步骤4，通过评价指标判断误差是否满足要求，若满足调至步骤S50；否则对模型的结构、参数、激活函数、损失函数等进行调整，并调转至步骤S30用调整的模型重新进行训练；
步骤5，由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入优化好的模型进行预测，由预测结果得到恢复的光信号相位。
综上所述，本发明可以有效的构建连续、光滑、随机性可控的一维连续相位，采用合理的构建方式制作二维数据，并使用该数据送入深度卷积神经网络模型训练，可以方便快捷的从传感光信号包裹相位中恢复出真实相位。

Claims (6)

1.一种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，其特征在于，该方法包括：
步骤1，对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；
步骤2，将一维仿真数据展开成二维结构，生成数据集；
步骤3，设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；
步骤4，通过评价指标判断误差是否满足要求，若满足调至步骤5；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至步骤3用调整的模型重新进行训练；
步骤5，由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。
2.根据权利要求1所述的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，其特征在于，步骤1所述对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声，具体如下：
随机生成若干个点，满足高斯分布或者均匀分布，通过三次样条插值将点数扩大，形成连续、光滑的一维仿真相位，通过反正切计算包裹相位，并添加噪声。
3.根据权利要求1所述的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，其特征在于，步骤1中包裹相位的计算公式如下：
Figure FDA0003036276220000011
其中
Figure FDA0003036276220000012
为传感系统中光信号的包裹相位，
Figure FDA0003036276220000013
为光信号的真实相位，angle表示取参数的角度值。
4.根据权利要求1所述的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，其特征在于，步骤2所述将一维仿真数据展开成二维结构，生成数据集，具体如下：
对于包裹相位：
Figure FDA0003036276220000014
构建二维格式：
Figure FDA0003036276220000015
Figure FDA0003036276220000016
同理，对于真实相位：
Figure FDA0003036276220000021
构建二维格式：
Figure FDA0003036276220000022
Figure FDA0003036276220000023
5.根据权利要求1所述的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，其特征在于，步骤3中深度卷积神经网络模型的结构如下：
将输入经过一个编码器提取特征，再经过一个译码器还原成输入数据的尺寸，编码器包含由多层卷积构成的特征提取通道，译码器包含由多层卷积构成的特征缩放通道。
6.根据权利要求5所述的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，其特征在于，步骤3中深度卷积神经网络模型的结构如下：
卷积核的尺寸为3×3，步长为1，填充方式为same，每一层卷积后跟随一个BN层和一个Relu层；最后一层卷积只跟随一个Linear层，池化层采用最大池化方式，反卷积的卷积核尺寸为3×3，步长为2，填充方式为same，激活函数采用Relu；编码器和译码器的相应层进行跳跃连接。
CN202110444539.6A 2021-04-23 2021-04-23 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 Active CN113011107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110444539.6A CN113011107B (zh) 2021-04-23 2021-04-23 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110444539.6A CN113011107B (zh) 2021-04-23 2021-04-23 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

Publications (2)

Publication Number Publication Date
CN113011107A true CN113011107A (zh) 2021-06-22
CN113011107B CN113011107B (zh) 2022-08-09

Family

ID=76389167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110444539.6A Active CN113011107B (zh) 2021-04-23 2021-04-23 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

Country Status (1)

Country Link
CN (1) CN113011107B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674370A (zh) * 2021-08-02 2021-11-19 南京理工大学 基于卷积神经网络的单帧干涉图解调方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10108903B1 (en) * 2017-12-08 2018-10-23 Cognitive Systems Corp. Motion detection based on machine learning of wireless signal properties
CN111490853A (zh) * 2020-04-15 2020-08-04 成都海擎科技有限公司 一种基于深度卷积神经网络的信道编码参数识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10108903B1 (en) * 2017-12-08 2018-10-23 Cognitive Systems Corp. Motion detection based on machine learning of wireless signal properties
CN111490853A (zh) * 2020-04-15 2020-08-04 成都海擎科技有限公司 一种基于深度卷积神经网络的信道编码参数识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674370A (zh) * 2021-08-02 2021-11-19 南京理工大学 基于卷积神经网络的单帧干涉图解调方法

Also Published As

Publication number Publication date
CN113011107B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN109253708B (zh) 一种基于深度学习的条纹投影时间相位展开方法
CN111351450B (zh) 基于深度学习的单帧条纹图像三维测量方法
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
CN109945802B (zh) 一种结构光三维测量方法
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
CN111461295B (zh) 基于多尺度生成对抗神经网络的单帧条纹分析方法
CN114777677B (zh) 基于深度学习的单帧双频复用条纹投影三维面型测量方法
CN111879258A (zh) 基于条纹图像转换网络FPTNet的动态高精度三维测量方法
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
CN110109105A (zh) 一种基于时序的InSAR技术监测地表形变的方法
Li et al. Absolute phase retrieval for a single-shot fringe projection profilometry based on deep learning
CN111079893B (zh) 用于干涉条纹图滤波的生成器网络的获取方法和装置
CN115272683A (zh) 一种基于深度学习的中心差分信息滤波相位解缠方法
CN113884027B (zh) 基于自监督深度学习的几何约束相位展开方法
CN113567979B (zh) 基于模拟退火算法的多时相InSAR相位解缠绕方法
Nguyen et al. MIMONet: Structured-light 3D shape reconstruction by a multi-input multi-output network
Kong et al. 1D phase unwrapping based on the quasi-Gramian matrix and deep learning for interferometric optical fiber sensing applications
Vithin et al. Deep learning based single shot multiple phase derivative retrieval method in multi-wave digital holographic interferometry
CN117011478B (zh) 一种基于深度学习与条纹投影轮廓术的单张图像重建方法
Yu et al. Untrained deep learning-based phase retrieval for fringe projection profilometry
CN113465676A (zh) 一种双阶段布里渊频移提取方法
CN116934981A (zh) 一种基于双阶段混合网络的条纹投影三维重建方法及系统
CN108053379B (zh) 一种基于改进的变分模态分解的dspi相位提取方法
Liu et al. Temporal phase unwrapping with a lightweight deep neural network
CN113240604A (zh) 基于卷积神经网络的飞行时间深度图像的迭代优化方法

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