基于深度学习的三波长相位解包方法、系统、设备及介质技术方案

本发明专利技术涉及光学干涉测量或数字全息测量领域，更具体地，涉及一种基于深度学习的三波长相位解包方法、系统、设备及介质，所述方法包括：将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，所述深度学习神经网络用于通过学习三种波长干涉图之间的关系，从所述样品在一种波长λ1下的干涉图中同时得出所述样品在另外两种不同波长λ2和λ3下的干涉图；计算所述样品在波长λ1、λ2和λ3下的包裹相位分布；根据所计算的所述包裹相位分布计算出所述样品在波长λ1、λ2、λ3下的解包裹相位。本发明专利技术极大简化干涉测量装置，减少测量误差，有效提高相位测量量程，解决相位噪声放大的问题，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】
基于深度学习的三波长相位解包方法、系统、设备及介质


[0001]本专利技术涉及光学干涉测量或数字全息测量领域，更具体地，涉及一种基于深度学习的三波长相位解包方法、系统、设备及介质。

技术介绍

[0002]光学干涉测量术是一种以光波为信息载体，通过光的干涉或者衍射原理，来获取物体相位调制信息的技术。它通过记录和分析带有待测物体相位信息的干涉图来实现物体相位信息的测量，具有全场、快速、无接触、高精度等优点，已被广泛用于生物显微成像、高精度定量测量中。然后，光学干涉相位测量技术利用三角函数的基本原理来实现相位重构，提取的相位分布在(
‑
π，π)之间。当待测样品的光程差变化大于一个波长时，物体的相位也将被包裹在(
‑
π，π)之间。为了得到样品的真实相位信息，相位解包方法必不可少。
[0003]随着科学技术的不断发展，人们提出多种相位解包方法，但现有技术中提出的解包方法均具有不同种类的缺陷。
[0004]其中，单波长干涉术(SWI)，由于照明波长的限制，通常采用相位解包法恢复样品的真实相位。现有许多数值相位解包方法被提出(如枝切法，最小二乘解包、质量图分析法等)，这些方法可以有效的降低噪声对相位解包精度的影响。然而，在实际应用中，解包裹算法耗时较长，它们对于台阶类或折射率变化较大的测量样本是无效的。
[0005]双波长干涉解包方法，引入两个波长实现双波长干涉测量，通过合成一个比单一波长更长的等效波长，显著地增加了波长限制的量程。在双波长解包中，经常需要提取单个波长的包裹相位。比较通用的方案是双波长干涉
‑
单波长相移测量法(SWPS
‑
DWI)和同时双波长干涉采集法。然而，现有DWI的主要问题是固有噪声的放大，导致测量精度远远低于SWI。总之，相位恢复精度的提高仍然是DWI的一个重要研究方向。为了解决这一问题，人们在降低噪声和提高精度方面做出了许多努力。基于特殊算法(免疫算法、线性回归、总变分正则化)的双波长方法和利用较短的合成波长，可以进一步提高DWI的精度，但扩展范围有限，计算复杂，还有一些具体的条件需要提前满足。
[0006]之后，随着解包技术的发展，人们提出了的三波长解包方法。三个波长的引入可以进一步降低噪声对双波长相位解包方法精度的影响。利用第三波长的干涉图，可以生成合成波长逐渐减小的三个包裹相位图，然后利用分层光学相位解包方法计算物体的真实相位。然而，三波长干涉—单波长移相解包方法的采集过程容易受到振动的干扰，耗时较长。同时采用三波长干涉采集方法可以在一定程度上提高抗干扰能力和采集效率，但三波长的引入导致实验系统复杂，不利于实际应用。

技术实现思路

[0007]本专利技术旨在克服上述现有技术的至少一种缺陷(不足)，提供一种基于深度学习的三波长相位解包方法、系统、设备及介质，用于解决在样品相位解包的过程中实验系统复杂以及误差较大的问题。
[0008]本专利技术采取的技术方案是，一种基于深度学习的三波长相位解包方法，具体包括以下步骤：
[0009]将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，所述深度学习神经网络用于通过学习三种波长干涉图之间的关系，从所述样品在一种波长λ1的干涉图中同时得出所述样品在另外两种不同波长λ2和λ3下的干涉图；
[0010]根据所述样品在波长λ1下的干涉图，以及所得到的所述样品在波长λ2和λ3下的干涉图，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布；
[0011]根据所计算的所述包裹相位分布计算出所述样品在波长λ1下的解包裹相位。
[0012]进一步的，所述深度学习神经网络为多波长深度学习神经网络MW
‑
Net网络，所述MW
‑
Net网络采用以下步骤进行训练：
[0013]构建多波长深度学习神经网络MW
‑
Net网络；
[0014]采集所述样品在波长λ1下的若干干涉图样本以及所述样品在另外两种不同波长λ2和λ3下的干涉图样本作为训练数据集，对所述MW
‑
Net网络进行训练。
[0015]进一步的，所述MW
‑
Net网络包括下采样段、第一上采样段以及第二上采样段；所述下采样段包括依次连接的若干个特征嵌入块，每个所述特征嵌入块包括一卷积层，连接于最后一个的所述特征嵌入块还包括连接所述卷积层输入端的激活函数层，连接于第一个的所述特征嵌入块与最后一个的所述特征嵌入块之间的所述特征嵌入块，还包括连接所述卷积层输入端的激活函数层和连接所述卷积层输出端的归一化层；所述第一上采样段以及第二上采样段均包括依次连接的若干个特征编码块，每个所述特征编码块包括一反卷积层、连接于所述反卷积层输入端的归一化层以及连接于所述归一化层输入端的激活函数层；
[0016]将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，具体包括：
[0017]将样品在波长λ1下的干涉图输入所述下采样段，所述样品在波长λ2下的干涉图通过所述第一上采样段输出，所述样品在波长λ3下的干涉图通过所述第二上采样段输出。
[0018]进一步的，连接于前三个的所述特征编码块还包括连接于所述反卷积层输出端的dropout层。
[0019]进一步的，在所述下采样段与所述第一上采样段、所述下采样段与所述第二上采样段之间还设置了若干跳跃连接层。
[0020]本专利技术中，所述MW
‑
Net网络以端到端的方式学习不同波长之间的映射关系，其中下采样段用于完成对输入干涉图的特征下采样过程，第一上采样段以及第二上采样段用于通过上采样的方式实现不同波长的干涉图输出。此外，神经网络中的激活函数层以及归一化层的设置，有利于使神经网络训练更加稳定，dropout层的设置有利于避免神经网络过拟合，而跳跃连接层的设置融合了下采样段和上采样段中的特征嵌入块和特征编码块的特性，有利于提高神经网络的训练速度。
[0021]进一步的，对所述MW
‑
Net网络进行训练，具体包括：
[0022]使用Adam优化器对所述MW
‑
Net网络的权重和偏置进行优化，以最小绝对偏差损失函数作为优化后所述MW
‑
Net网络的损失函数；
[0023]所述损失函数公式如下：
[0024][0025][0026][0027]其中，和分别表示所述样品通过所述MW
‑
Net网络在波长λ2和λ3下的损失，表示所述样品在波长λ2下的干涉图样本，表示所述样品通过所述MW
‑
Net网络中生成的干涉图，表示所述样品在波长λ3下的干涉图样本，表示所述样品在所述MW
‑
Net网络中生成的干涉图，L
total
表示损失的加权和即总损失，其中v1和v2为50％的加权值，N表示干涉图中像素点个数。
[0028]在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的三波长相位解包方法，其特征在于，具体包括以下步骤：将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，所述深度学习神经网络用于通过学习三种波长干涉图之间的关系，从所述样品在一种波长λ1下的干涉图中同时得出所述样品在另外两种不同波长λ2和λ3下的干涉图；根据所述样品在波长λ1下的干涉图，以及所得到的所述样品在波长λ2和λ3下的干涉图，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布；根据所计算的所述包裹相位分布计算出所述样品在波长λ1、λ2、λ3下的解包裹相位。2.根据权利要求1所述的一种基于深度学习的三波长相位解包方法，其特征在于，所述深度学习神经网络为多波长深度学习神经网络MW
‑
Net网络，所述MW
‑
Net网络采用以下步骤进行训练：构建多波长深度学习神经网络MW
‑
Net网络；采集所述样品在波长λ1下的若干干涉图样本以及所述样品在另外两种不同波长λ2和λ3下的干涉图样本作为训练数据集，对所述MW
‑
Net网络进行训练。3.根据权利要求2所述的一种基于深度学习的三波长相位解包方法，其特征在于，所述MW
‑
Net网络包括下采样段、第一上采样段以及第二上采样段；所述下采样段包括依次连接的若干个特征嵌入块，每个所述特征嵌入块包括一卷积层；连接于最后一个的所述特征嵌入块还包括连接所述卷积层输入端的激活函数层；连接于第一个的所述特征嵌入块与最后一个的所述特征嵌入块之间的所述特征嵌入块，还包括连接所述卷积层输入端的激活函数层和连接所述卷积层输出端的归一化层；所述第一上采样段以及第二上采样段均包括依次连接的若干个特征编码块，每个所述特征编码块包括一反卷积层、连接于所述反卷积层输入端的归一化层以及连接于所述归一化层输入端的激活函数层；将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，具体包括：将样品在波长λ1下的干涉图输入所述下采样段，所述样品在波长λ2下的干涉图通过所述第一上采样段输出，所述样品在波长λ3下的干涉图通过所述第二上采样段输出。4.根据权利要求3所述的一种基于深度学习的三波长相位解包方法，其特征在于，连接于前三个的所述特征编码块还包括连接于所述反卷积层输出端的dropout层。5.根据权利要求4所述的一种基于深度学习的三波长相位解包方法，其特征在于，在所述下采样段与所述第一上采样段之间、所述下采样段与所述第二上采样段之间还设置了若干跳跃连接层。6.根据权利要求2所述的一种基于深度学习的三波长相位解包方法，其特征在于，对所述MW
‑
Net网络进行训练，具体包括：使用Adam优化器对所述MW
‑
Net网络的权重和偏置进行优化，以最小绝对偏差损失函数作为优化后所述MW
‑
Net网络的损失函数；所述损...

【专利技术属性】
技术研发人员：章勤男，凌东雄，李娇声，刘竞博，魏东山，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：