[发明专利]基于卷积神经网络的相位信息提取方法、存储介质及设备

说明书

本发明公开了一种基于卷积神经网络的相位信息提取方法、存储介质及设备，构建Hypercolumns卷积神经网络模型，对干涉条纹图像进行分析并预测得到与其对应的相位数据；分别利用正弦/余弦形数据集、二次曲面数据集、波浪形数据集和自由曲面数据集四种不同的数学函数生成样本集中相位数据，然后通过干涉条纹图像光强分布公式得到与相位数据对应的干涉图像，等分生成样本后共同构成训练集中N组数据与验证集中M组数据；然后基于生成的所有样本数据，对Hypercolumns卷积神经网络模型进行训练；采用多项式三维曲面拟合方法消除Hypercolumns卷积神经网络初始预测结果的局部误差，实现相位提取结果优化。本发明处理速度快，相位提取精度高，且可实现单帧干涉图相位提取功能。

技术领域

本发明属于三维轮廓精密测量领域干涉条纹图像处理技术领域，具体涉及一种基于Hypercolumns卷积神经网络的相位信息提取方法、存储介质及设备。

背景技术

光学三维轮廓测量技术广泛应用于工业制造，逆向工程，航空航天，医疗诊断等领域，其具有非接触，高精度，高分辨率等特性，被公认为最有前途的轮廓测量法之一。实现光学轮廓测量的方法有很多，包括时间法，结构光法，投影法，干涉法等。在干涉法测量过程中，测试光经工件反射与参考光进行叠加干涉，形成了携带工件面形信息干涉条纹图，对干涉图进行后续处理即可得到测量结果。投影法的原理是通过投影仪将规则的黑白条纹图案投射至工件表面，然后利用CCD相机采集工件表面条纹图案，此时带有形变的条纹图将反应被测件的实际面形信息，经处理即可提取其轮廓。这种通过特定方法处理条纹图像以获取被测表面轮廓信息的过程称为相位提取。

多步移相法是一种主流的相位提取方法，该方法通过对工件进行时域移相，得到一系列固定步长差的相移干涉图像，然后对这些图像进行差分与反正切运算即可提取待测工件表面轮廓的相位数据。利用这种方法提取相位，移相步长越多提取精度越高，但采集次数提高测量效率将越低，且易造成测量误差累积。此外这种方法将引入反正切运算atan2，使得输出数据的范围包裹在[-π，π]，形成相位不连续，因此还需配合相位解包裹算法进一步处理。在干涉法测量工件时，为实现精确移相，需要加入移相器件(如PZT压电陶瓷位移器)执行此操作，这种器件成本高昂且精度有限。而对于运动目标进行轮廓测量，移相法提取相位将更难实现，且需要较高精度的投影设备与高采样率的CCD相机获取稳定的相移条纹图像。由于采集失真造成的条纹图变形将影响最终的测量结果。因此基于单幅条纹图像实现相位提取具有重要意义。基于傅里叶变换(FFT)对单幅条纹图像分析可提取其相位信息：对待处理条纹图进行二维傅里叶变换得到对应频谱图，然后根据载波频率进行滤波得到包裹的相位分布图，最后仍需借助解包裹算法处理得到最终测量结果。但这种方法的应用具有一定限制，对于具有闭合条纹图像无法准确提取其相位信息。

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，提供一种基于卷积神经网络的相位信息提取方法、存储介质及设备，将相位提取问题视为一种回归任务，利用深度神经网络对干涉图进行分析，特征提取，并预测与之对应的相位数据；然后设计基于多项式曲面拟合的方法对初始预测值进行优化，得到最终测量结果。

本发明采用以下技术方案：

一种基于卷积神经网络的相位信息提取方法，构建Hypercolumns卷积神经网络模型，对干涉条纹图像进行分析并预测得到与其对应的相位数据；分别利用正弦/余弦形数据集、二次曲面数据集、波浪形数据集和自由曲面数据集四种不同的数学函数生成样本集中相位数据，然后通过干涉条纹图像光强分布公式得到与相位数据对应的干涉图像，等分生成样本后共同构成训练集中N组数据与验证集中M组数据；然后基于生成的所有样本数据，对Hypercolumns卷积神经网络模型进行训练；采用多项式三维曲面拟合方法消除Hypercolumns卷积神经网络模型的局部误差，实现相位提取结果优化，将优化后的结果作为最终的相位提取结果，反映三维测量对象的面形信息。