一种基于深度学习的干涉图像相位解调方法技术

本发明专利技术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，本发明专利技术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。提高测量精度。提高测量精度。

【技术实现步骤摘要】
一种基于深度学习的干涉图像相位解调方法


[0001]本专利技术属于激光干涉测量
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]专利技术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。
[0005]为实现上述目的，本专利技术提供如下技术方案：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。
[0006]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。
[0007]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。
[0008]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。
[0009]优选的，将输入输出数据集按10:1分为训练数据集与测试数据集。
[0010]进一步，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。
[0011]进一步，终止条件为：当测试精度低于90％时，对卷积神经网络模型进行训练，直至测试精度达到90％以上。
[0012]进一步，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，计算获得实际测量位移（即测量光相位变化信息）。
[0013]进一步，步骤S1中，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。
[0014]优选的，所述第一光场调控元件、第二光场调控元件为螺旋相位板。
[0015]进一步，移动物体生成测量光与参考光之间光程差，获取干涉图像。
[0016]进一步，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（即物体位移量的2倍）。在、和已知的条件下，计算得到。
[0017]进一步，步骤S1中，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。
[0018]进一步，所述光场调控模块包括同光轴的空间光调制器和四分之一波片，线偏振光束经空间光调制器进行相位调制得到涡旋光束，涡旋光束经四分之一波片变为具有螺旋相位的圆偏振光束。
[0019]优选的，涡旋光束是指任何具有螺旋相位的光束，常见的涡旋光束有LG光束（拉盖尔高斯光束）、BG光束（贝塞尔高斯光束）和阵列涡旋光束等。
[0020]进一步，所述空间光调制器预设不同涡旋光场对应干涉图案，利用计算全息原理获得涡旋光场，通过调节空间光调制器参数，改变涡旋光场拓扑荷。
[0021]进一步，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。
[0022]优选的，参考光射向第一反射角锥发生折返反射并返回分束器，形成参考光路，水平偏振光射向第二偏振分束器并返回分束器，形成第一测量光路，垂直偏振光射向第二反射角锥发生折返反射并射向第二偏振分束器，且垂直偏振光和水平偏振光在第二偏振分束器合束并返回分束器，形成第二测量光路。
[0023]优选的，返回分束器的参考光、垂直偏振光和水平偏振光传输至第三偏振分束器，水平偏振的两路光束（水平偏振光和参考光中呈水平偏振态的光束）干涉图像由第一探测器获取，垂直偏振的两路光束（垂直偏振光和参考光中呈垂直偏振态的光束）干涉图像由第二探测器获取。
[0024]优选的，移动第二反射角锥生成位移，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。
[0025]进一步，第一干涉图像与第一参考干涉图像存在的本文档来自技高网...

【技术保护点】

【技术特征摘要】
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、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。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，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。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，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。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。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。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S4中，卷积神经...

【专利技术属性】
技术研发人员：孙喜博，张颖，耿远超，马文静，黄晚晴，刘兰琴，王文义，袁强，胡东霞，邓学伟，袁晓东，
申请(专利权)人：中国工程物理研究院激光聚变研究中心，
类型：发明
国别省市：