基于神经网络的过零点修正方法技术

本发明专利技术提出的一种基于神经网络的过零点修正方法，通过规划采样间隔，通过预设条件对原始数据进行筛选后使用插值方法获取均匀间隔的差分信号数据，通过神经网络算法获取标定的原始差动共聚焦信号曲线，预测标定的位置数据，再结合实际测量的位置数据，从而获得精确过零点位置。本发明专利技术提出的过零点的修正方法解决了当被侧面倾斜时，倾斜角度影响差动共聚焦信号曲线，导致所获取的过零点位置的发生偏移，进而导致的差动共聚焦测量系统测量精度降低的技术问题。低的技术问题。低的技术问题。

【技术实现步骤摘要】
基于神经网络的过零点修正方法


[0001]本专利技术涉及光学检测
，特别涉及一种基于神经网络的过零点修正方法。

技术介绍

[0002]近年来，伴随着超精密加工等纳米级技术的研究逐渐深入，应用愈加广泛，超精密检测作为其中的关键一环，其重要性不言而喻。传统的接触式测量技术容易损坏测量元件，实时性较差，因此不再应用于超精密检测领域。亚微米级甚至纳米级的测量精度对非接触式测量方法的研究提出了新的挑战。
[0003]激光差动共焦显微镜技术(Laser Scanning Confocal Microscope)，是一种具有高分辨率的现代光学显微技术，在生物医学、光学精密测量中应用广泛。激光差动共焦显微镜技术利用两路对称放置的离焦针孔探测光路，在对待测件表面进行纵向扫描时，采集两条探测光路的光强信号，进行差分处理获得轴向光强响应曲线，利用了零点附近的轴向响应的线性区域，通过过零点的求解获取当前实时被测点的轴向位置。激光差动共焦显微探测技术，具有显著提高焦点识别能力、环境抗干扰能力和焦点附近的线性度，并且测量速度快，测量精度高的特点。
[0004]但现有技术中的激光差动共焦显微镜技术存在着以下缺点：激光差动共焦显微镜技术需要保证光路轴线垂直于被测表面。否则，由于表面倾斜，经过反射后，返回光路有部分被显微物镜边界阻挡，导致无法返回主光路，在探测器接收端无法接收该部分能量，以至于差动共聚焦显微镜两个差动信号的峰值都发生降低。并且当待测量的表面倾斜，过零点处的斜率随倾斜角度变化而变化。倾斜程度越大，斜率越小，也就是灵敏程度和分辨率更低。因此当噪声不变的前提下，如果待测量的表面发生倾斜就会导致，过零点求取的值发生变化，因此影响测量度。

技术实现思路

[0005]本专利技术的目的是为了克服现有技术的缺陷，提出了一种基于神经网络的过零点修正方法。
[0006]为实现上述目的，本专利技术采用以下具体技术方案：
[0007]一种基于神经网络的过零点修正方法，所述过零点修正方法包括如下步骤：
[0008]S1、将平面反射镜置于差动共聚焦测量系统，获取差动共聚焦信号曲线，在所述差动共聚焦信号曲线的线性区间内设置采样间隔，使所述线性区间至少包含三个采样点；
[0009]S2、将平面镜按照预设的偏移量和倾斜角度移动，分别采集不同测量点的差分信号和不同测量点所对应的实测的位置信息，根据第一预设条件对采集的差分信号和实测的位置信息进行筛选，获取第一差分信号序列；
[0010]S3、对差动共聚焦测量系统的差动共聚焦信号曲线进行标定：以所述第一差分信号序列中的差分信号为神经网络模型的输入，以位置信息为神经网络模型的输出，构建并训练神经网络模型；
[0011]S4、将待测物置于差动共聚焦测量系统，以所述采样间隔为差动共聚焦测量系统的扫描测量步长进行等间隔采样，采集不同步长的差分信号和不同步长所对应的实测的位置信息，根据第一预设条件对采集的差分信号和实测的位置信息进行筛选，使用插值方法对筛选后的数据进行插值处理，获取第二差分信号序列；
[0012]S5、将所述第二差分信号序列中的差分信号输入至所述神经网络模型，获取标定的第一位置信息；根据第二预设条件对所述第二差分信号序列进行筛选后，获取所对应的实测的第二位置信息，结合所述第一位置信息和所述第二位置信息获取修正后的过零点位置信息。
[0013]进一步地，所述步骤S1中所述线性区间具体为：
[0014]所述差动共聚焦信号曲线的线性区间满足：线性区间内任意一点的斜率≥过零点斜率/2。
[0015]进一步地，所述步骤S2中预设的偏移量和倾斜角度具体为：
[0016]将平面镜放置于差动共聚焦测量系统的焦点位置，并以为偏移量和以[0,Δθ,...,n
×
Δθ]为倾斜角度移动所述平面反射镜的位置；
[0017]其中，m和n分别表示偏移量和倾斜角度的等分系数；Δd表示采样间隔；Δθ表示单位倾斜量。
[0018]进一步地，所述步骤S2中所述第一预设条件进行筛选具体为：
[0019]获取第t1个采样点的差分信号数据，提取第t1‑
N到t1+N个采样点的差分信号数据；所述第t1个采样点的差分信号数据满足：第t1个采样点差分信号强度大于等于0，且第t1+1个采样点差分信号强度小于0；其中，N＞1。
[0020]进一步地，所述步骤S3中的所述神经网络模型为：多层感知器模型。
[0021]进一步地，所述步骤S3具体步骤为：
[0022]S301、将所述第一差分信号序列中数据随机划分为训练集和测试集；
[0023]S302、将所述训练集和测试集中的差分信号序列依次输入至所述神经网络模型，经所述神经网络模型运算后，得到各个差分信号所对应的预测标定的位置信息；
[0024]S303、使用损失函数分别计算训练集和测试集中各个差分信号所对应的预测标定的位置信息和对应的实测的位置信息之间的损失值，获取训练集损失值和测试集损失值；
[0025]S304、根据训练集损失值基于反向传播算法迭代更新所述神经网络模型的网络参数，并在测试集损失值满足预设网络收敛条件时，停止更新所述网络参数，获取神经网络模型，完成所述差动共聚焦测量系统的差动共聚焦信号曲线的标定。
[0026]进一步地，所述预设网络收敛条件具体为：
[0027]所述训练集损失值和所述测试集损失值均不再减小，所述训练集损失值和所述测试集损失满足公式组(1)和公式组(2)：
[0028][0029][0030]其中，Loss
train
、Loss
test
分别表示所述训练集损失值和所述测试集损失值；F
tr
‑
pre
、F
train
分别表示训练集中差分信号所对应的预测标定的位置信息和对应的实测的位置信息；F
te
‑
pre
、F
test
分别表示测试集中差分信号所对应的预测标定的位置信息和对应的实测的位置信息。
[0031]进一步地，所述神经网络模型的参数更新优化满足公式组(3)：
[0032][0033]其中，a
i
和b
i
分别表示第i个节点更新前的权重和偏置；和分别表示第i个节点更新后的权重和偏置；Lr表示学习率。
[0034]进一步地，所述步骤S4的具体步骤为：
[0035]S401、将待测物置于差动共聚焦测量系统的焦点位置，以所述采样间隔为差动共聚焦测量系统的扫描测量步长进行等间隔采样，不同步长的差分信号数据和不同步长所对应的实测的位置信息数据；
[0036]S402、根据第一预设条件，对不同步长的差分信号数据和不同步长所对应的实测的位置信息数据进行筛选；
[0037]S403、确定插值偏移量，使用线性插值法对筛选后的数据进行插值处理，获取第二差分信号序列；插值偏移量通过公式组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的过零点修正方法，其特征在于，所述过零点修正方法包括如下步骤：S1、将平面反射镜置于差动共聚焦测量系统，获取差动共聚焦信号曲线，在所述差动共聚焦信号曲线的线性区间内设置采样间隔，使所述线性区间至少包含三个采样点；S2、将平面镜按照预设的偏移量和倾斜角度移动，分别采集不同测量点的差分信号和不同测量点所对应的实测的位置信息，根据第一预设条件对采集的差分信号和实测的位置信息进行筛选，获取第一差分信号序列；S3、以所述第一差分信号序列中的差分信号为神经网络模型的输入，以位置信息为神经网络模型的输出，构建并训练神经网络模型；S4、将待测物置于差动共聚焦测量系统，以所述采样间隔为差动共聚焦测量系统的扫描测量步长进行等间隔采样，采集不同步长的差分信号和不同步长所对应的实测的位置信息，根据第一预设条件对采集的差分信号和实测的位置信息进行筛选，使用插值方法对筛选后的数据进行插值处理，获取第二差分信号序列；S5、将所述第二差分信号序列中的差分信号输入至所述神经网络模型，获取预测的第一位置信息；根据第二预设条件对所述第二差分信号序列进行筛选后，获取所对应的实测的第二位置信息，结合所述第一位置信息和所述第二位置信息，获取修正后的过零点位置信息。2.根据权利要求1所述的过零点修正方法，其特征在于，所述步骤S1中所述线性区间具体为：所述差动共聚焦信号曲线的线性区间满足：线性区间内任意一点的斜率≥过零点斜率/2。3.根据权利要求2所述的过零点修正方法，其特征在于，所述步骤S2中预设的偏移量和倾斜角度具体为：将平面镜放置于差动共聚焦测量系统的焦点位置，并以为偏移量和以[0,Δθ,...,n
×
Δθ]为倾斜角度移动所述平面反射镜的位置；其中，m和n分别表示偏移量和倾斜角度的等分系数；Δd表示采样间隔；Δθ表示单位倾斜量。4.根据权利要求3所述的过零点修正方法，其特征在于，所述步骤S2中所述第一预设条件进行筛选具体为：获取第t1个采样点的差分信号数据，提取第t1‑
N到t1+N个采样点的差分信号数据；所述第t1个采样点的差分信号数据满足：第t1个采样点差分信号强度大于等于0，且第t1+1个采样点差分信号强度小于0；其中，N＞1。5.根据权利要求1所述的过零点修正方法，其特征在于，所述步骤S3中的所述神经网络模型为：多层感知器模型。6.根据权利要求5所述的过零点修正方法，其特征在于，所述步骤S3具体步骤为：S301、将所述第一差分信号序列中数据随机划分为训练集和测试集；S302、将所述训练集和测试集中的差分信号序列依次输入至所述神经网络模型，经所
述神经网络模型运算后，得到各个差分信号所对应的预测标定的位置信息；S303、使用损失函数分别计算训练集和测试集中各个差分信号所对应的预测标定的位置信息和对应的实测的位置信息之间的损失值，获取训练集损失值和测试集损失值；S304、根据训练集损失值基于反向传播算法迭代更新所述神经网络模型的网络参数，并在测试集损失值满足预设神经网络模型收敛条件时，停止更新所述神经网络模型参数，获取神经网络模型，完成所述差动共聚焦测量系统的差动共聚焦信号曲线的标定。7.根据权利要求6所述的过零点修正方法，其特征在于，所述预设网络收敛条件具体为：所述训练集损失值和所述测试集损失值均不再减小，所述训练集损失值和所述测试集损失满足公式组(1)和公式组(2)：损失满足公式组(1)和公式组(2)：其...

【专利技术属性】
技术研发人员：王之一，王廷煜，王建立，糜小涛，杨永强，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：