[发明专利]一种基于深度学习的干涉图像相位解调方法

权利要求书

1.一种基于深度学习的干涉图像相位解调方法，其特征在于，包括以下步骤：

步骤S1、参考光和测量光均为具有螺旋相位的偏振光束，测量光照射至物体上，参考光和测量光干涉形成瓣状且旋转的干涉图像，当物体发生位移时，随机生成测量光与参考光之间光程差，位移前的干涉图像与位移后的干涉图像之间存在旋转角度，采集干涉图像并计算获得旋转角度；

步骤S2、将步骤S1中干涉图像与旋转角度形成输入输出数据集，将输入输出数据集分为训练数据集与测试数据集；

步骤S3、搭建卷积神经网络模型，利用训练数据集对卷积神经网络模型进行迭代优化，直至利用测试数据集对卷积神经网络模型进行验证时效果符合终止条件；

步骤S4、采集待解调的干涉图像，并输入到训练后的卷积神经网络模型，输出待解调的旋转角度，计算得到测量光相位变化信息。

2.根据权利要求1所述的一种基于深度学习的干涉图像相位解调方法，其特征在于，测量光与参考光之间光程差和旋转角度的表达式为：，其中，表示旋转角度，表示参考光和测量光拓扑荷差的绝对值，表示线偏振光束的波长，表示测量光与参考光之间光程差，在、和已知的条件下，计算得到。

3.根据权利要求2所述的一种基于深度学习的干涉图像相位解调方法，其特征在于，步骤S2中，通过生成系列随机光程差，将步骤S1中干涉图像与旋转角度形成输入输出数据集。

4.根据权利要求3所述的一种基于深度学习的干涉图像相位解调方法，其特征在于，步骤S3中，所述卷积神经网络模型包含卷积层、激活层和全连接层，对卷积神经网络模型进行训练调参时，全连接层利用梯度下降方法优化损失函数。

5.根据权利要求4所述的一种基于深度学习的干涉图像相位解调方法，其特征在于，步骤S4中，卷积神经网络模型输出待解调的旋转角度后，依据测量光与参考光之间光程差和旋转角度的表达式，计算获得测量光相位变化信息。

6.根据权利要求5所述的一种基于深度学习的干涉图像相位解调方法，其特征在于，步骤S1中，采集干涉图像的方法为：

激光器输出的线偏振光束经第一分束器分为参考光和测量光，所述参考光经第一光场调控元件变为具有螺旋相位的线偏振光束，并经反射传输至第二分束器，所述测量光经第二光场调控元件变为具有螺旋相位的线偏振光束，并经第二分束器照射至物体上，经物体折返反射的测量光与参考光在第二分束器合束形成干涉光，获取干涉图像。

7.根据权利要求5所述的一种基于深度学习的干涉图像相位解调方法，其特征在于，步骤S1中，采集干涉图像的方法为：

激光器输出的线偏振光束经光场调控模块变为具有螺旋相位的圆偏振光束，圆偏振光束分为参考光和测量光，且测量光分为垂直偏振光和水平偏振光，参考光、垂直偏振光和水平偏振光进入不同光路并合束形成干涉光，获取干涉图像。

8.根据权利要求7所述的一种基于深度学习的干涉图像相位解调方法，其特征在于，步骤S1中，计算获得旋转角度的方法为：

参考光进入参考光路，测量光经第一偏振分束器分为垂直偏振光和水平偏振光，水平偏振光进入第一测量光路，垂直偏振光进入第二测量光路，且参考光、垂直偏振光和水平偏振光均返回至分束器并合束，获取第一参考干涉图像和第二参考干涉图像，改变第二测量光路的光程生成测量光与参考光之间光程差，获取第一干涉图像和第二干涉图像；

第一干涉图像与第一参考干涉图像存在的旋转变化形成第一旋转角度，第二干涉图像与第二参考干涉图像存在的旋转变化形成第二旋转角度，在、和已知的条件下，借助测量光与参考光之间光程差和旋转角度的表达式，计算得到第一旋转角度和第二旋转角度。