神经网络模型的训练方法和相位估计方法技术

本申请涉及一种用于干涉图的相位估计的神经网络模型的训练方法和基于所述神经网络模型的干涉图的相位估计方法。该用于干涉图的相位估计的神经网络模型的训练方法包括：获取训练用干涉图及其真实相位图；将所述训练用干涉图输入神经网络模型；获取所述神经网络模型输出的预测相位图；计算所述预测相位图与所述真实相位图之间的损失函数值；通过最小化所述损失函数值以梯度反向传播训练所述神经网络模型。这样，通过基于Unet++的神经网络模型学习干涉图不同尺度的特征，获得与干涉图对应的相位图准确估计。相位图准确估计。相位图准确估计。

【技术实现步骤摘要】
神经网络模型的训练方法和相位估计方法


[0001]本申请涉及光学测量
，更为具体地说，涉及一种用于干涉图的相位估计的神经网络模型的训练方法和基于所述神经网络模型的干涉图的相位估计方法。

技术介绍

[0002]干涉测量是光学测量领域一种非常重要的技术，因为测量的高灵敏度和准确度而得以广泛应用。该技术利用相干光对被测元件进行干涉形成条纹图像，对干涉条纹图进行分析是干涉测量技术的核心。条纹图分析主要是需要提取包含被测物体信息的条纹图相位。
[0003]传统的相位提取方法主要分为两类，相移法和空间解调法，这两种方法都有其优缺点。
[0004]相移法移相方法包括两种不同的方式，即时域和空域。时域相移法需要压电陶瓷进行移相，产生多幅图像。它需要时间，且对仪器的振动和干扰也很敏感。空域移相方法通过偏振装置产生不同相位的条纹并显示在一帧图像上，无需额外时间，对外部干扰的稳定性强，但由于CCD相机的分辨率限制，精度较低。而且，无论时域和空域相移法都需要专门器件完成，带来了硬件成本开销。
[0005]无需移相的单幅干涉条文分析一直是当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于干涉图的相位估计的神经网络模型的训练方法，其特征在于，包括：获取训练用干涉图及其真实相位图；将所述训练用干涉图输入神经网络模型，所述神经网络模型具有N个卷积层分支，N个卷积层分支中的第i个卷积层分支具有级联的多个N+1
‑
i个卷积层，1≤i≤N，其中第i个卷积层分支中的第一个卷积层的输出特征图经过下采样后输入第i+1个卷积层分支中的第一个卷积层，第i+1个卷积层分支中的第j个卷积层的输出特征图经过上采样后输入第i个卷积层分支中的第j+1个卷积层，1≤j≤N+1
‑
i，且第i个卷积层分支中的每个卷积层的输出特征图输入到其下游的每个卷积层；获取所述神经网络模型输出的预测相位图；计算所述预测相位图与所述真实相位图之间的损失函数值；以及，通过最小化所述损失函数值以梯度反向传播训练所述神经网络模型。2.根据权利要求1所述的用于干涉图的相位估计的神经网络模型的训练方法，其中，获取训练用干涉图包括：通过预定图像采集设备拍摄预定对象以获得训练用干涉图。3.根据权利要求2所述的用于干涉图的相位估计的神经网络模型的训练方法，其中，通过预定图像采集设备拍摄预定对象以获得训练用干涉图包括：通过预定图像采集设备基于多步相移法拍摄所述预定对象以获得具有多个相位的多个干涉图；以及，获取没有相移的干涉图以作为所述训练用干涉图。4.根据权利要求1所述的用于干涉图的相位估计的神经网络模型的训练方法，其中，所述神经网络模型的卷积层分支的数目是4，所述卷积核个数从32个开始加倍，且卷积核大小是5
×
5。5.根据权利要求1所述的用于干涉图的相位估计的神经网络模型的训练方法中，其中，每个卷积层包括ResBlock卷积块。6.根据权利要求1所述的用于干涉图的相位估计的神经网络模型的训练方法中，在将所述训练用干涉图输入神经网络模型之前进一步...

【专利技术属性】
技术研发人员：鲁溟峰，张天山，李佩航，姬晨晨，范赛慧，武进敏，胡摇，张峰，陶然，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：