[发明专利]基于深度学习的无透镜双型融合目标检测装置及方法

权利要求书

1.一种基于深度学习的无透镜双型融合目标检测装置，包括双型融合全息无透镜成像模块和神经网络模块，所述双型融合全息无透镜成像模块包括激光器(1)，微孔(2)，滤光片(3)，第一反射镜(401)，第二反射镜(402)，第一相干光源(501)、第二相干光源(502)，目标样本及载玻片(6)，第一CCD传感器(701)、第二CCD传感器(702)，计算机(8)和移动滑轨(9)，其特征在于，所述第一反射镜(401)和第二反射镜(402)安装在移动滑轨(9)上并沿着移动滑轨(9)移动，且目标样本及载玻片(6)在相干光源的照射范围之内，激光器(1)沿着光路方向移动；所述激光器(1)，微孔(2)，滤光片(3)，第一反射镜(401)，第二反射镜(402)，目标样本及载玻片(6)，第二CCD传感器(702)构成反射型模块；所述第一相干光源(501)、第二相干光源(502)，目标样本及载玻片(6)，第一CCD传感器(701)构成透射型模块；神经网络模块包括位置参数优化神经网络和目标检测区域卷积神经网络组成，双型融合无透镜成像模块同时获取透射型模块和反射型模块成像信息，对透射型模块和反射型模块成像信息进行融合重建；将成像后激光器、反射镜组、目标样本及相干光源的位置参数输入至神经网络训练，得到最佳位置参数，固定位置参数后，重新对目标样本进行重建成像，得到重建结果，输入区域目标检测卷积神经网络测试，得到对微生物、细胞的预测结果，并输出易懂、显性的评估结果；

通过反射型全息无透镜模块得到第一干涉图，得到反射型数字全息成像物光波的复振幅分布，同时通过透射型全息无透镜模块得到第二干涉图样，得到透射型数字全息成像物光波的复振幅分布，最后用最小二乘法将相位解包裹问题转换为最优解问题，将同时得到的两个模块的复振幅分布的相位分布通过最小二乘法找到最优解：

min S＝min S₁+min S₂

得到双型融合的成像结果。

2.一种基于深度学习的无透镜双型融合目标检测方法，使用权利要求1所述的基于深度学习的无透镜双型融合目标检测装置，其特征在于包括以下步骤：步骤一、通过双型融合全息无透镜成像装置，快速重建目标样本的成像信息；步骤二、将成像后激光器、反射镜组、目标样本及相干光源的位置参数输入至神经网络训练，得到最佳位置参数；步骤三、固定位置参数后，重新对目标样本进行重建成像，得到重建结果，输入区域目标检测卷积神经网络测试，得到对微生物、细胞的预测结果，并输出评估数据。

3.根据权利要求2所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述的步骤一包括：

步骤1：激光器(1)射出的光波通过微孔(2)发生衍射，形成衍射光波，因其相干性过强，灰尘颗粒物容易对结果造成影响，所以微孔与激光器之间的距离应接近；

步骤2：衍射光源透过滤光片(3)后，经过第二反射镜(402)反射至第一反射镜(401)，并于第一反射镜(401)反射回第二反射镜(402)，并透过第二反射镜(402)，照射至目标样本；

步骤3：物光波照射至第二反射镜(402)并反射到第二CCD传感器(702)后成像，形成第一干涉图样；

步骤4：第一相干光源(501)、第二相干光源(502)，同时对目标样本进行照射，并于第一CCD传感器(701)成像，形成第二干涉图样，得到的成像结果含有三维信息；

步骤5：通过反射型全息无透镜模块得到第一干涉图，同时通过透射型全息无透镜模块得到第二干涉图样，将其输入计算机后融合重建，采集有效信息得到更高质量的图片，并记录了三维信息。

4.根据权利要求3所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述的步骤二包括：

步骤6：同时记录光检测器所采集的图像，以及激光器(1)、反射镜组、目标样本及载玻片(6)及相干光源的位置参数，输入至神经网络进行训练，以高质量成像为目标，不断优化结果，最终得到最佳位置参数；

步骤7：反馈至硬件装置调节位置参数；

步骤8：重复步骤1至5，得到重建结果；

步骤9：训练目标检测卷积神经网络，并不断微调，得到对应数据集的目标检测网络。