基于深度学习的无透镜双型融合目标检测装置及方法制造方法及图纸

本发明专利技术公开了基于深度学习的无透镜双型融合目标检测装置及方法，装置包括双型融合全息无透镜成像模块和神经网络模块，所述双型融合全息无透镜成像模块包括激光源，微孔，滤光片，第一反射镜，第二反射镜，第一相干光源、第二相干光源，目标样本及载玻片，第一CCD传感器、第二CCD传感器，计算机和移动滑轨，神经网络模块包括位置参数优化神经网络和目标检测区域卷积神经网络组成，双型融合无透镜成像模块同时获取透射型模块和反射型模块成像信息，并最终融合重建更高质量的成像结果，同时由神经网络不断优化位置参数，进一步优化成像结果，最后由目标检测区域卷积神经网络预测结果，并输出易懂、显性的评估结果。

A lensless dual fusion target detection device and method based on deep learning

【技术实现步骤摘要】
基于深度学习的无透镜双型融合目标检测装置及方法
本专利技术涉及计算成像、深度学习及无透镜显微成像
，具体涉及基于深度学习的无透镜双型融合目标检测装置及方法。
技术介绍
现如今，落后地区的疾病诊断、食品安全检测及环境污染调查等问题日益突出，传统的光学显微系统使得光学显微镜日趋昂贵且笨重，并难于维护。落后地区因为地域偏僻，人才缺乏等原因，导致器材及技术得不到良好的推广及应用。无透镜成像技术是近年来发展出来的一种新型的成像有效显微技术：它不用透镜进行聚焦，而是直接将样本透射至光检测器上记录图像，并利用有效算法进行清晰图像的重建，无透镜成像装置不仅具有视场大、分辨率高等优点，还具有良好的便携性、即时性和可操作性。光检测器又分为电荷耦合元件[Charge-coupleddevice，CCD]和互补金属半导体氧化物[ComplementaryMetalOxideSemiconductor，CMOS]。根据成像的原理不同，无透镜成像技术被分为阴影成像、荧光成像和数字全息成像三类，三类同时具有明显的优点及缺点，在不同领域会受到一定的限制。并且传统本文档来自技高网...

【技术保护点】
1.基于深度学习的无透镜双型融合目标检测装置，包括双型融合全息无透镜成像模块和神经网络模块，所述双型融合全息无透镜成像模块包括激光源(1)，微孔(2)，滤光片(3)，第一反射镜(401)，第二反射镜(402)，第一相干光源(501)、第二相干光源(502)，目标样本及载玻片(6)，第一CCD传感器(701)、第二CCD传感器(702)，计算机(8)和移动滑轨(9)，其特征在于所述第一反射镜(401)和第二反射镜(402)安装在移动滑轨(9)上并沿着移动滑轨(9)移动，且目标样本及载玻片(6)在相干光源的照射范围之内，激光源(1)沿着光路方向移动；所述激光源(1)，微孔(2)，滤光(3)，第一反...

【技术特征摘要】
1.基于深度学习的无透镜双型融合目标检测装置，包括双型融合全息无透镜成像模块和神经网络模块，所述双型融合全息无透镜成像模块包括激光源(1)，微孔(2)，滤光片(3)，第一反射镜(401)，第二反射镜(402)，第一相干光源(501)、第二相干光源(502)，目标样本及载玻片(6)，第一CCD传感器(701)、第二CCD传感器(702)，计算机(8)和移动滑轨(9)，其特征在于所述第一反射镜(401)和第二反射镜(402)安装在移动滑轨(9)上并沿着移动滑轨(9)移动，且目标样本及载玻片(6)在相干光源的照射范围之内，激光源(1)沿着光路方向移动；所述激光源(1)，微孔(2)，滤光(3)，第一反射镜(401)，第二反射镜(402)，目标样本及载玻片(6)，第二CCD传感器(702)构成透射型模块；所述第一相干光源(501)、第二相干光源(502)，目标样本及载玻片(6)，第一CCD传感器(701)构成反射型模块；神经网络模块包括位置参数优化神经网络和目标检测区域卷积神经网络组成，双型融合无透镜成像模块同时获取透射型模块和反射型模块成像信息，并最终融合重建更高质量的成像结果，同时由神经网络不断优化位置参数，进一步优化成像结果，最后由目标检测区域卷积神经网络预测结果，并输出易懂、显性的评估结果。


2.基于深度学习的无透镜双型融合目标检测方法，其特征在于包括以下步骤：步骤一、通过双型融合全息无透镜成像装置，快速重建目标样本的成像信息；步骤二、将成像后目标样本及装置的位置参数输入至神经网络训练，得到最佳位置参数；步骤三、固定位置参数后，重新对目标样本进行重建成像，得到重建结果输入区域目标检测卷积神经网络测试，得到对微生物、细胞等的预测结果，并输出评估数据。


3.根据权利要求2所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述的步骤一包括：
步骤1：激光器(1)射出的光波通过微孔(2)发生衍射，形成衍射光波，因其相干性过强，灰尘颗粒物容易对结果造成影响，所以微孔于激光器之间的距离应接近；
步骤2：衍射光源透过滤光片(3)后，经过第二反射镜(402)折射至第一反射镜(401)，并于第一反射镜(401)反射回第二反射(402)，并透过第二反射镜(402)，照射至目标样本；
步骤3：物光波照射至第二反射镜(402)并折射到第二CCD传感器(702)后成像，形成第一干涉图样；
步骤4：第一相干光源(501)、第二相干光源(502)，同时对目标样本进行照射，并于第一CCD传感器(701)成像，形成第二干涉图样，得到的成像结果含有三维信息；
步骤5：通过反射型全息无透镜模块得到第一干涉图，同时通过透射型全息无透镜模块得到第二干涉图样，将其输入计算机后融合重建，采集有效信息得到更高质量的图片，并记录了三维信息。


4.根据权利要求2所述的基于深度学习的无透镜双型融合目标检测方法，其特征在于所述的步骤二包括：
步骤6：同时记录光检测器所采集的图像，以及激光器(1)、反射镜组、目标样本及载玻片(6)及相干光源的位置参数，输入至神经网络进行训练，以高质量成像为目标，不断优化结果，最终得到最佳位置参数；
步骤7：反馈至硬件装置调节位置参数；
步骤8：重复步骤1至5，得到重建结果；
步骤9：训练目标检测卷积神经网络，并不断微调，得到对应数据集的目标检测网络。


5.根据权利要求3所述的深度学习的无透镜双型融合目标检测方法，其特征在于所述步骤1中根据衍射光波的传播距离z0不同，由近及原可划分为三个区域分别是瑞利-索墨菲衍射区、菲涅尔衍射区以及夫琅和费衍射区，光波振动的复振幅可以用瑞利-索墨菲衍射公式精确表示：



式中，η表示衍射孔的面积，λ为光波长，s为激光源到微孔的距离，r为微孔到目标的距离，θ为s方向和r方向的夹角；
通过反射镜反射回CCD传感器，并记录干涉图样，但采用激光作为光源，用为激光的强相干性使得所成像的散斑声较大，其原因是记...

【专利技术属性】
技术研发人员：赵巨峰，吴小辉，崔光茫，毛海锋，林君，张钰，臧月，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33