一种基于机器学习的数字全息物光波提取法制造技术

本发明专利技术公开一种基于机器学习的数字全息物光波提取法，其特征在于，包括以下步骤：步骤一：建立训练集；步骤一一：构建一个曲面作为全息系统的物面输入，参考光为平面光；步骤一二：取得物面光波的相位分布与复振幅分布；步骤二：神经网络搭建；步骤三：相位重建。本发明专利技术涉及物光波提取法领域，具体地讲，涉及一种基于机器学习的数字全息物光波提取法。本发明专利技术要解决的技术问题是提供一种基于机器学习的数字全息物光波提取法，于MATLAB上完成全息记录、再现仿真，用于生产训练神经网络所需的训练集、校验集、测试集；训练完成后的模型将使用测试集进行验证；利用验证后的神经网络提取相移值，进而基于相移值和干涉图根据相移算法重建原始物光波，最后对重建质量进行分析。最后对重建质量进行分析。最后对重建质量进行分析。

【技术实现步骤摘要】
一种基于机器学习的数字全息物光波提取法


[0001]本专利技术涉及物光波提取领域，具体地讲，涉及一种基于机器学习的数字全息物光波提取法。

技术介绍

[0002]目前相移干涉数字全息技术提取物光波的方法为：在参考光波所在的光路中利用相移器引入相移量，记录相移前后的多幅干涉图，然后采用相应算法对多幅干涉图的相应像素值进行运算，从干涉图中得到待测物光波的相位分布。待测物光波相位分布中包含了待测物体许多有用的待测信息，获得了定量的待测物光波相位分布以后就可进行各种测量应用。
[0003]相移干涉具有很高的测量精度，是光学干涉精密测量中的重要技术，在光学测量与检测领域具有广泛应用。但是，传统相移干涉需要特殊相移值或相等相移值，需要对相移器件进行精确标定和精密控制，对机械振动和环境空气扰动敏感。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种基于机器学习的数字全息物光波提取法，于MATLAB上完成全息记录、再现仿真，用于生产训练神经网络所需的训练集、校验集、测试集，并基于ResU
‑/>Net神经网络架本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的数字全息物光波提取法，其特征在于，包括以下步骤：步骤一：建立训练集；步骤一一：构建一个曲面作为全息系统的物面输入，参考光为平面光；步骤一二：取得物面光波的相位分布与复振幅分布；步骤一三：通过式(1)：R(x，y，θ)＝A
O
e
iθ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)以曲面中心为原点建立直角坐标系，Z轴竖直向上，X轴水平向右，X、Y、Z轴的方向成右手螺旋关系；其中：R(x，y，θ)表示参考光的复振幅，x,y表示X、Y轴坐标，θ表示参考光的相位，A
O
表示参考光的实振幅，i表示虚数单位。连续改变参考光波的相位θ，令其θ＝0.005
×
k，k为记录次数，即可得到k张与原始干涉图像有相移值θ的干涉图；步骤二：神经网络搭建；使用ResUNET搭建神经网络，神经网络经过训练后会返回模型在训练集和校验集上的损失，以对模型的精确度进行评价；步骤三：相位重建；步骤三一：相移全息图生成与重建；步骤三二：数据分析；步骤三三：误差分析。2.根据权利要求1所述的基于机器学习的数字全息物光波提取法，其特征在于：所述步骤二中，模型训练完成后，通过皮尔逊线性相关系数评估训练后的神经网络性能；皮尔逊线性相关系数的表达式如下：其中：Cov(x，y)为x与y的协方差；Var[x]为x的方差；Var[y]为y的方差。3.根据权利要求1所述的基于机器学习的数字全息物光波提取法，其特...

【专利技术属性】
技术研发人员：李杰，林子凯，李春龙，周长远，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：