[發明專利]基于深度學習的無透鏡雙型融合目標檢測裝置及方法

有效

• 申請號: 201911254429.2
• 申請日: 2019-12-09
• 公開（公告）號: CN110927115B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 趙巨峰;吳小輝;崔光茫;毛海鋒;林君;張鈺;臧月
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G01N21/45
• 分類號: G01N21/45;G01B11/24;G06N3/04;G06N3/08
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 孫孟輝

1.一種基于深度學習的無透鏡雙型融合目標檢測裝置，包括雙型融合全息無透鏡成像模塊和神經網絡模塊，所述雙型融合全息無透鏡成像模塊包括激光器(1)，微孔(2)，濾光片(3)，第一反射鏡(401)，第二反射鏡(402)，第一相干光源(501)、第二相干光源(502)，目標樣本及載玻片(6)，第一CCD傳感器(701)、第二CCD傳感器(702)，計算機(8)和移動滑軌(9)，其特征在于，所述第一反射鏡(401)和第二反射鏡(402)安裝在移動滑軌(9)上并沿著移動滑軌(9)移動，且目標樣本及載玻片(6)在相干光源的照射范圍之內，激光器(1)沿著光路方向移動；所述激光器(1)，微孔(2)，濾光片(3)，第一反射鏡(401)，第二反射鏡(402)，目標樣本及載玻片(6)，第二CCD傳感器(702)構成反射型模塊；所述第一相干光源(501)、第二相干光源(502)，目標樣本及載玻片(6)，第一CCD傳感器(701)構成透射型模塊；神經網絡模塊包括位置參數優化神經網絡和目標檢測區域卷積神經網絡組成，雙型融合無透鏡成像模塊同時獲取透射型模塊和反射型模塊成像信息，對透射型模塊和反射型模塊成像信息進行融合重建；將成像后激光器、反射鏡組、目標樣本及相干光源的位置參數輸入至神經網絡訓練，得到最佳位置參數，固定位置參數后，重新對目標樣本進行重建成像，得到重建結果，輸入區域目標檢測卷積神經網絡測試，得到對微生物、細胞的預測結果，并輸出易懂、顯性的評估結果；

通過反射型全息無透鏡模塊得到第一干涉圖，得到反射型數字全息成像物光波的復振幅分布，同時通過透射型全息無透鏡模塊得到第二干涉圖樣，得到透射型數字全息成像物光波的復振幅分布，最后用最小二乘法將相位解包裹問題轉換為最優解問題，將同時得到的兩個模塊的復振幅分布的相位分布通過最小二乘法找到最優解：

min S＝min S₁+min S₂

得到雙型融合的成像結果。

2.一種基于深度學習的無透鏡雙型融合目標檢測方法，使用權利要求1所述的基于深度學習的無透鏡雙型融合目標檢測裝置，其特征在于包括以下步驟：步驟一、通過雙型融合全息無透鏡成像裝置，快速重建目標樣本的成像信息；步驟二、將成像后激光器、反射鏡組、目標樣本及相干光源的位置參數輸入至神經網絡訓練，得到最佳位置參數；步驟三、固定位置參數后，重新對目標樣本進行重建成像，得到重建結果，輸入區域目標檢測卷積神經網絡測試，得到對微生物、細胞的預測結果，并輸出評估數據。

3.根據權利要求2所述的基于深度學習的無透鏡雙型融合目標檢測方法，其特征在于所述的步驟一包括：

步驟1：激光器(1)射出的光波通過微孔(2)發生衍射，形成衍射光波，因其相干性過強，灰塵顆粒物容易對結果造成影響，所以微孔與激光器之間的距離應接近；

步驟2：衍射光源透過濾光片(3)后，經過第二反射鏡(402)反射至第一反射鏡(401)，并于第一反射鏡(401)反射回第二反射鏡(402)，并透過第二反射鏡(402)，照射至目標樣本；

步驟3：物光波照射至第二反射鏡(402)并反射到第二CCD傳感器(702)后成像，形成第一干涉圖樣；

步驟4：第一相干光源(501)、第二相干光源(502)，同時對目標樣本進行照射，并于第一CCD傳感器(701)成像，形成第二干涉圖樣，得到的成像結果含有三維信息；

步驟5：通過反射型全息無透鏡模塊得到第一干涉圖，同時通過透射型全息無透鏡模塊得到第二干涉圖樣，將其輸入計算機后融合重建，采集有效信息得到更高質量的圖片，并記錄了三維信息。

4.根據權利要求3所述的基于深度學習的無透鏡雙型融合目標檢測方法，其特征在于所述的步驟二包括：

步驟6：同時記錄光檢測器所采集的圖像，以及激光器(1)、反射鏡組、目標樣本及載玻片(6)及相干光源的位置參數，輸入至神經網絡進行訓練，以高質量成像為目標，不斷優化結果，最終得到最佳位置參數；

步驟7：反饋至硬件裝置調節位置參數；

步驟8：重復步驟1至5，得到重建結果；

步驟9：訓練目標檢測卷積神經網絡，并不斷微調，得到對應數據集的目標檢測網絡。