[发明专利]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

说明书

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，测量过程只需一幅干涉图，可以实现动态测量，结构简单，精度高。方法包括：(1)干涉图预处理，对输入的干涉图进行灰度范围归一化，得到归一化干涉图；(2)建立神经网络，通过神经网络获取归一化干涉图的包裹相位；(3)对包裹相位进行相位解包裹，获取干涉图的绝对相位；步骤(2)包括：(2.1)建立神经网络：归一化干涉图是神经网络的输入，神经网络包括：二维卷积层Conv2D、密集区块DenseBlock、平均池化层AvgPool、上采样层UpSample、连接层Concat、固定层Clamp；(2.2)使用数据集对神经网络进行训练，或加载训练好的网络参数，令神经网络达到可用状态；(2.3)将归一化干涉图输入神经网络，神经网络输出包裹相位。

技术领域

本发明涉及光电测量的技术领域，尤其涉及基于深度学习的闭合条纹兼容单幅干涉图解相方法，以及基于深度学习的闭合条纹兼容单幅干涉图解相装置。

背景技术

光学干涉测量是一类重要的非接触式表面轮廓测量方法。相干光波通过干涉产生明暗相间的干涉图，干涉图中携带了被测物的表面轮廓信息。通过分析干涉图，获取其中的相位分布，继而可以获得被测物的表面轮廓。干涉图解相，即获取干涉图的相位分布，是光学干涉测量中的核心问题，干涉图解相的精度将直接决定最终测量结果的精度。

传统的干涉图解相方法可以大致分为移相方法和傅里叶方法两个大类。移相方法通过获取多幅条纹图来提取相位，具有鲁棒性好、精度高、对背景光照不敏感的优点。但是由于需要获取多幅干涉图，移相方法较难实现动态测量。相对于移相方法，傅里叶方法只需一幅条纹图即可提取相位，但是解相精度一般低于移相方法。而且傅里叶方法不能处理含有闭合条纹的条纹图，条纹图背景光照不均匀也会影响傅里叶系列方法的精度。

由于闭合条纹在干涉图中十分常见，而且干涉仪往往使用光照不均匀的激光光源，这使得干涉图解相主要依赖移相方法。但是，干涉仪一般通过压电陶瓷等机械运动部件实现移相，使得干涉仪的移相需要较长的时间，通常需要数秒。这导致干涉仪在移相过程中容易受到振动、气体湍流的影响。虽然现在已经存在一些方法可以实现单幅闭合条纹干涉图解相。但是这些方法或多或少都存在一些限制。在一些需要动态测量的场合，通过单幅包含闭合条纹的干涉图实现解相依然是一个极具现实意义的问题。

深度学习技术是一种通用优化方法，其主要优点是不依赖人对问题的认识。传统基于规则的方法需要人首先对问题进行建模，方法的精度往往取决于模型与现实物理现象的符合程度，而一个高精度的模型依赖人对该问题的知识的经验。深度学习技术可以从问题的输入和输出中挖掘出内在的联系，只需要准备一定数量的理想输入和输出，深度学习技术便可以自行推理出问题的最佳模型。近年来，深度学习技术也逐渐应用于干涉仪信息解算方面的问题。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于深度学习的闭合条纹兼容单幅干涉图解相方法，其测量过程只需一幅干涉图，可以实现动态测量，结构简单，精度高。

本发明的技术方案是：这种基于深度学习的闭合条纹兼容单幅干涉图解相方法，其包括以下步骤：

(1)干涉图预处理，对输入的干涉图进行灰度范围归一化，得到归一化干涉图；

(2)建立神经网络，通过神经网络获取归一化干涉图的包裹相位；

(3)对包裹相位进行相位解包裹，获取干涉图的绝对相位；

其中步骤(2)包括以下分步骤：

(2.1)建立如下所述结构的神经网络：归一化干涉图是神经网络的输入，神经网络包括：二维卷积层Conv2D、密集区块DenseBlock、平均池化层AvgPool、上采样层UpSample、连接层Concat、固定层Clamp；

(2.2)使用数据集对神经网络进行训练，或加载训练好的网络参数，令神经网络达到可用状态；