[发明专利]一种基于深度学习的干涉图像相位解调方法

说明书

本发明涉及一种基于深度学习的干涉图像相位解调方法，属于激光干涉测量技术领域，随机生成测量光与参考光之间光程差，采集干涉图像并计算获得旋转角度，建立输入输出数据集，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，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，本发明取代了传统的干涉图像解调算法，能够实现快速、高精度干涉相位解调，提高测量精度。

技术领域

本发明属于激光干涉测量技术领域，具体地说涉及一种基于深度学习的干涉图像相位解调方法。

背景技术

纳米位移测量技术是解决目前和未来许多高精度、高分辨率问题的先决条件之一，是纳米科技领域的先导和基础。随着精密、超精密及纳米级加工技术的迅猛发展，零件尺寸的下界越来越小，加工精度的要求也越来越高，而测量是精密、超精密加工技术的基础与保障。例如集成电路芯片制造过程中线宽测量与定位、半导体精密模板制造、现代数控机床运动检测与校准、高精度位移传感器标定、精密关键零部件加工等，都需要纳米级甚至亚纳米级的位移测量。

纳米位移测量方法主要分为两大类，一类是非光学测量方法，包括扫描探针显微术(SPM)、电容电感测微法、电子显微术等；另一类是光学测量方法，包括光栅干涉仪法、X射线干涉仪法以及各类激光干涉仪等。其中，激光干涉仪具有测量精度高、测量速度快、非接触性等优点，已被广泛运用于精密测量中。目前，激光干涉测量位移是通过对干涉条纹的移动条数进行计数来获得物体的位移信息，但是，条纹的移动数目存在着取值不为整数的局限性，且小数部分数值较难求出，影响测量精度以及分辨率。对小数部分进行细分，利用人工估读出小数部分的值，导致给最终测量结果带来误差，其不确定度大约为0.07个干涉条纹。相较于人工估读，利用先进的电子设备能够测量探测到0.02个干涉条纹。但是，纳米位移测量精度仍然有待进一步提高。

发明内容

发明人在长期实践中发现：基于涡旋光束干涉机理的纳米测量方法，能够将连续光程变换转换为连续的旋转变化，通过图像分析处理获得干涉图样的旋转角度，进而获得相位变化量。相比较于普通高斯光干涉条纹计数的方法，无需将小数部分数值单独进行考虑，解决了传统测量中对干涉条纹小数部分数值估读（机读）对测量精度的影响，提高系统测量精度。但是，目前常用的涡旋光束干涉图像旋转识别处理方法有质心算法和尺度不变特征转算法等，角度识别精度在数十mrad，同时，由于通常所需要处理的对象为CCD输出数据，单图数据量较大，相应处理时间较长。为了解决上述问题，现提出一种基于深度学习的干涉图像相位解调方法。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的干涉图像相位解调方法，包括以下步骤：

步骤S1、随机生成测量光与参考光之间光程差，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。

进一步，步骤S1中，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，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。

进一步，已知测量光与参考光之间光程差，通过测量光与参考光之间光程差和旋转角度的表达式，得到旋转角度。

进一步，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。