一种基于PhaseUnet++网络的高精度相位解调方法技术

本发明专利技术涉及光学干涉测量的技术领域,具体涉及一种基于PhaseUnet++网络的高精度相位解调方法。本方法包括如下步骤:1.使用泽尼克(Zernike)多项式产生训练数据和测试数据用于网络训练；2.建立并训练神经网络PhaseUnet++；3.把归一化的余弦干涉图I

【技术实现步骤摘要】
一种基于PhaseUnet++网络的高精度相位解调方法


[0001]本专利技术涉及光学干涉测量的
,主要针对光学相位测量
，具体涉及一种基于PhaseUnet++网络的高精度相位解调方法。

技术介绍

[0002]在光学球面、非球面的干涉测量中，测试光束被待测表面反射，与参考光束发生干涉，在探测器上形成干涉图。为了获得被测对象的表面形貌，需要对干涉图进行相位解调。干涉图的解调是光学干涉测量中的一个关键问题，其精度直接决定干涉装置最终的测量精度。
[0003]传统的相位解调方法通常包含两个主要步骤：1.从干涉图得到包裹相位分布；2.采用相位解包裹算法对包裹相位分布去包裹得到无包裹相位分布。对于包含闭合条纹的干涉图，为了得到包裹相位分布，通常需要记录n(n>＝2)幅相移干涉图。例如，采用时间相移干涉技术的四步相移算法或采用空间平行相移技术的四步相移算法。在时间相移干涉技术中，要求样品静止不动，需要记录随时间变化的多幅相移干涉图，因此不能用于动态变化样品的测量(Daniel Malacara,Optical shop testing,2007,John Wiley&Sons,Inc.)。在空间平行相移干涉技术中，需要对CCD/CMOS感光芯片空间复用，面临空间分辨率降低或者视场减小的问题(Li.J,et.al.Optics Express,26(4),2018:4392
‑
4400.doi:10.1364/OE.26.004392)。
[0004]从一幅含有闭合条纹的干涉图中，解调得到包裹/无包裹相位分布，不仅可充分利用CCD/CMOS的空间带宽积(从而有空间分辨率高的优点)，而且可以实现对动态变化样品的实时测量。
[0005]基于深度学习的数据处理方法具有强大的数据拟和能力，因此在干涉图处理等方面获得了越来越多的关注。目前，针对单幅含有闭合条纹干涉图的解调，基于深度学习已经提出了两种代表性方法：
[0006]1.基于Unet网络的闭合干涉图相位解调方法(Yuan.S,et.al.Optics Express,29(2),2021:2538
‑
2554,doi:10.1364/OE.413385)。该技术基于传统的Unet网络，网络主体为四层U形网络结构，每层的处理通过DenseBlock实现。该神经网络可以从单幅干涉图中得到包裹相位分布，然后采用相位解包裹算法得到无包裹相位分布。网络的输入和输出分别是归一化的干涉图和归一化的包裹相位。但是该方法存在如下缺点：1).只能输入分辨率为256
×
256的固定大小的的干涉图。2).对条纹稀疏的干涉图存在较大的解调误差(大于1.0rad)。
[0007]2.基于超列卷积神经网络的解调方法(HCNN)(Zhao.Zh,et.al.Optics Express,29(11),2021:16406
‑
16421,doi:10.1364/OE.410723)。该技术基于超列卷积神经网络(HCNN)。利用训练好的神经网络，可以从单幅干涉图中直接输出无包裹相位分布。但是该方法存在如下缺点:网络直接输出的无包裹相位分布中存在明显的突变状相位误差(>1rad)。为了得到正确的相位分布，需要对网络直接输出的相位分布进行复杂的误差校正。具体流
程包括误差区域的确定和对误差区域的相位分布进行多项式拟合，然后才能得到最终的无包裹相位分布。
[0008]综上所述，随着科学技术的进一步发展，优化单幅含有闭合条纹干涉图的解调的方法，成为本领域技术人员的研究重点。

技术实现思路

[0009]本专利技术的目的是提供一种基于PhaseUnet++网络的高精度相位解调方法，以解决现有技术存在的对条纹稀疏的闭合条纹干涉图存在较大的解调误差、输入干涉图分辨率固定和适用范围小的缺点。
[0010]为了达到本专利技术的目的，本专利技术提出的技术方案是:一种基于PhaseUnet++网络的高精度相位解调方法，其包括以下步骤:
[0011]步骤一：首先使用泽尼克(Zernike)多项式产生无包裹相位分布φ，然后生成对应的训练数据对，最后生成对应的训练数据，测试数据以及验证数据；
[0012]步骤二：卷积神经网络的构建和训练:
[0013](2.1)设计PhaseUnet++神经网络，包括：残差连接块ResBlock、卷积层Conv2D、归一化层BatchNorm2d、激活层ReLU、池化层MaxPool2d、反卷积层ConvTranspose2d、连接层Concat、Dropout层和clamp层；
[0014](2.2)使用数据集(I
cos
、I
sac
和II
sin
)对PhaseUnet++神经网络进行训练，直到损失函数不再下降并保持稳定后训练完成，得到网络各层的权重值。
[0015]步骤三：把实际测量得到的余弦干涉图归一化得到I
cos
，把I
cos
和辅助图I
sac
输入训练好的神经网络PhaseUnet++，输出归一化的正弦干涉图I
sin
。
[0016]步骤四：通过反正切公式计算得到包裹相位分布随后，利用传统的解包裹技术进行相位解包裹，最终得到无包裹相位分布φ(x,y)。
[0017]进一步的，上述步骤(2.1)中，每一个ResBlock卷积块X
i.j
(i,j＝0,1,2,
…
)都是将输入进行卷积，然后通过归一化层BatchNorm2d和激活层ReLU，再经过卷积，通过归一化层BatchNorm2d，和输入通过Concat层相加，最终通过激活层ReLU后输出。
[0018]进一步的，上述步骤(2.1)中，输入的I
cos
和I
sac
图分别通过一个ResBlock块得到X
cos
和X
sac
，然后通过concat层得到X
0.0
；将X
0.0
作为网络的输入，X
0.0
通过MaxPool2d层得到X
1.0
，X
1.0
通过ConvTranspose2d层上采样后和X
0.0
通过concat层按通道(channel)维度进行拼接得到X
0.1
，其他层的结构依次类推。
[0019]进一步的，上述网络中，每一层的ResBlock卷积块的输入都由相同层中的所有前置ResBlock卷积块的输出和左下角ResBlock卷积块的输出通过concat层按通道(channel)维度进行拼接得到。
[0020]与现有技术相比，本专利技术的有益效果为:
[0021]1、本专利技术通过余弦干涉图I
cos
和辅助图I
sac
作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PhaseUnet++网络的高精度相位解调方法，其特征在于：包括以下步骤步骤一：首先使用泽尼克(Zernike)多项式产生无包裹相位分布φ，然后生成对应的训练数据对，最后生成对应的训练数据，测试数据以及验证数据；步骤二：卷积神经网络的构建和训练:(2.1)设计PhaseUnet++神经网络，包括：残差连接块ResBlock、卷积层Conv2D、归一化层BatchNorm2d、激活层ReLU、池化层MaxPool2d、反卷积层ConvTranspose2d、连接层Concat、Dropout层和clamp层；(2.2)使用数据集(I
cos
、I
sac
和II
sin
)对PhaseUnet++神经网络进行训练，直到损失函数不再下降并保持稳定后训练完成，得到网络各层的权重值；步骤三：把实际测量得到的余弦干涉图归一化得到I
cos
，把I
cos
和辅助图I
sac
输入训练好的神经网络PhaseUnet++，输出归一化的正弦干涉图I
sin；
步骤四：通过反正切公式计算得到包裹相位分布随后，利用传统的解包裹技术进行相位解包裹，最终得到无包裹相位分布φ(x,y)。2.根据权利要求1所述的一种基于PhaseUnet++网络的高精度相位解调方法，其特征在于：所述步骤(2.1)中，每一个ResBlock卷积块X
i....

【专利技术属性】
技术研发人员：郭荣礼，卢帅东，吴慎将，李兆鑫，张苗苗，王凡，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：