[发明专利]一种基于VGG16网络的曲线包络拟合法

权利要求书

1.一种基于VGG16网络的曲线包络拟合法，其特征在于，包括：

通过CCD采集建立所需的数据集合，统一样本图片规格，根据特征信息作相应的数据预处理；

将预处理后的二维图像通过设计的神经网络与实际高度标签比对进行训练，根据训练分析结果修改优化相应神经网络；

通过训练数据训练神经网络，得到满足要求的目标神经网络并部署到微观形貌检测中。

2.根据权利要求一所述的方法，其特征在于，数据预处理步骤包括：

通过CCD采集建立所需的数据集合，样本应包含清晰的干涉图片及精确的物体三维微观数据；要求样本总量大于6000组，每组包含样本图片视扫描步距而定，要求包括白光干涉峰值位置，同时统一样本图片规格；

读取一组图像后，记录该组图像在某一像素点(a,b)的灰度值变化序列为X(a,b)_(t)，采用三次埃尔米特插值方法将序列X(a,b)_(t)补充为大小为224*224的一维序列X₂(a,b)_(t)，将序列X₂(a,b)_(t)转换为二维图像矩阵X₂(a,b)_(m,n)便于后续深度学习算法处理。

3.根据权利要求一所述的方法，其特征在于，训练神经网络步骤包括：

由于白光干涉信号是受高斯函数调制的余弦信号，中心处零级条纹的位置光强值达到最高峰，为此设计相应的大小为9*9的卷积核G(9,9)，要求按相同规则构成G(9,9)的一维序列G(t)的数据呈高斯分布；

将某一像素点的二维图像矩阵X₂(a,b)_(m,n)数据输入，即长宽为224的单通道图像作为模型输入，首先通过64个大小为9*9的卷积核G(9,9)进行两次卷积，再进行maxpool降维到112*112*64；

之后再次通过128个卷积核G(9,9)进行两次卷积，使用maxpool降维到56*56*128，即大小为56*56的128通道的图像；

重复通过256个卷积核G(9,9)进行三次卷积，通过maxpool降维到28*28*256大小，通过512个卷积核G(9,9)进行三次卷积，再次通过maxpool降维到14*14*512大小，再次使用512个卷积核G(9,9)卷积三次，通过maxpool降维到7*7*512大小；

通过三个大小为4096，4096，1000个节点的全连接层将(7，7，512)拉伸为大小为(1，1，1000)的序列，通过soft-max将数值归一化从而选出概率最大的数值X，利用比例归一化将该数值转换为此像素点的峰值高度，即X/1000*样本图片组个数为此像素点的峰值高度，再乘以扫描步距便是该点的实际高度；

将神经网络输出的实际高度与实际高度标签相计算得到误差，若误差在人为规定阈值内，

则保存输出神经网络模型；否则继续调整神经网络模型参数，包括卷积核大小，个数，数据分布，以及神经网络层数，再次训练网络，直至误差满足期望，保存输出神经网络模型；

然后对所有像素点进行如上重复操作，便可以通过深度学习算法得到微观物体的三维特征，从而正确构建微观表面三维状貌。

4.根据权利要求一所述的方法，其特征在于，神经网络应用部署步骤应包括：

将满足要求的神经网络导出并且运用到实际的像素高度检测中，通过神经网络估算改点实际高度从而构建整个微观结构样貌特征。

5.根据权利要求三所述的方法，其特征在于，卷积操作padding＝”same”，即给图像矩阵四周都加上0，将图像补齐到原来图像大小。

6.根据权利要求三所述的方法，其特征在于，卷积操作后使用BatchNormalization层，加快模型的训练和防止模型训练过拟合，同时激活函数采用”Relu”函数。

7.根据权利要求三所述的方法，其特征在于，maxpool操作为典型的2*2大小的池化矩阵，stride＝2，即滑动步长为2。