[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的相位信息提取方法、存儲(chǔ)介質(zhì)及設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202010778712.1
• 申請(qǐng)日: 2020-08-05
• 公開（公告）號(hào): CN112116616B
• 公開（公告）日: 2022-06-07
• 發(fā)明（設(shè)計(jì)）人: 李兵;趙卓;路嘉晟;康曉清;劉桐坤
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G06T7/13
• 分類號(hào): G06T7/13;G06T5/30;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 高博

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的相位信息提取方法，其特征在于，構(gòu)建Hypercolumns卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)干涉條紋圖像進(jìn)行分析并預(yù)測(cè)得到與其對(duì)應(yīng)的相位數(shù)據(jù)；分別利用正弦/余弦形數(shù)據(jù)集、二次曲面數(shù)據(jù)集、波浪形數(shù)據(jù)集和自由曲面數(shù)據(jù)集四種不同的數(shù)學(xué)函數(shù)生成樣本集中相位數(shù)據(jù)，然后通過干涉條紋圖像光強(qiáng)分布公式得到與相位數(shù)據(jù)對(duì)應(yīng)的干涉圖像，等分生成樣本后共同構(gòu)成訓(xùn)練集中N組數(shù)據(jù)與驗(yàn)證集中M組數(shù)據(jù)；然后基于生成的所有樣本數(shù)據(jù)，對(duì)Hypercolumns卷積神經(jīng)網(wǎng)絡(luò)初始預(yù)測(cè)結(jié)果進(jìn)行訓(xùn)練；采用多項(xiàng)式三維曲面擬合方法消除Hypercolumns卷積神經(jīng)網(wǎng)絡(luò)模型的局部誤差，實(shí)現(xiàn)相位提取結(jié)果優(yōu)化，將優(yōu)化后的結(jié)果作為最終的相位提取結(jié)果，反映三維測(cè)量對(duì)象的面形信息；

多項(xiàng)式三維曲面擬合方法具體為：

S301、在全局范圍內(nèi)，掃描數(shù)據(jù)跳變值大于1倍波長(zhǎng)的局部區(qū)域，提取所有缺陷數(shù)據(jù)區(qū)域的邊沿輪廓；

S302、將步驟S301提取的邊沿輪廓區(qū)域內(nèi)所有數(shù)據(jù)置空NaN，得到一個(gè)閉合的局部數(shù)據(jù)空洞；

S303、閉合區(qū)數(shù)據(jù)空洞為連通域，再對(duì)區(qū)域執(zhí)行圖像形態(tài)學(xué)膨脹運(yùn)算，得到膨脹后區(qū)域；

S304、計(jì)算步驟S303膨脹后區(qū)域的最小包絡(luò)矩形，然后從全局面形圖中截取最小包絡(luò)矩形數(shù)據(jù)區(qū)，為后續(xù)擬合做準(zhǔn)備；

S305、利用5階多項(xiàng)式對(duì)中心帶孔的矩形區(qū)域進(jìn)行線性曲面擬合，得到擬合后的局部三維曲面Z′；

S306、用擬合后的局部三維曲面Z′填充空洞，其余孔外數(shù)據(jù)與截取的矩形數(shù)據(jù)做加權(quán)平均運(yùn)算；

S307、將矩形數(shù)據(jù)塊局部坐標(biāo)區(qū)域轉(zhuǎn)換回原面形圖中全局坐標(biāo)，完成優(yōu)化；

波浪形數(shù)據(jù)集：

正余弦疊加函數(shù)用以生成波浪形數(shù)據(jù)集，其中幅值A(chǔ)，B與比例系數(shù)c,d為隨機(jī)變量，由隨機(jī)數(shù)發(fā)生器產(chǎn)生，具體為W₃＝Asin(x/c)+Bcos(y/d),A,B∈[2,6],c,d∈[15,35]。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，Hypercolumns卷積神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)為待提取相位的干涉條紋圖，由模型的輸入層Input Layer輸入網(wǎng)絡(luò)，其數(shù)據(jù)維度與輸入層相匹配；輸出數(shù)據(jù)即為網(wǎng)絡(luò)模型預(yù)測(cè)得到的相位數(shù)據(jù)；干涉條紋圖像經(jīng)過輸入層后進(jìn)入多卷積層進(jìn)行特征提取環(huán)節(jié)；多級(jí)特征提取卷積層采用自編碼解碼網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)，輸入數(shù)據(jù)經(jīng)過多級(jí)卷積，池化，上采樣運(yùn)算，對(duì)特征圖進(jìn)行壓縮與重構(gòu)，提取不同尺度與維度的特征信息；采用Hypercolumns理念將各級(jí)特征信息圖整合，得到新的多維特征信息圖；最后對(duì)新的多維特征信息圖再次進(jìn)行卷積運(yùn)算，并使用1×1卷積單元對(duì)多維特征信息圖進(jìn)行像素級(jí)預(yù)測(cè)，輸出最終相位信息預(yù)測(cè)結(jié)果，完成回歸任務(wù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，Hypercolumns卷積神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化器采用自適應(yīng)矩估計(jì)Adam優(yōu)化器，損失函數(shù)采用均方根誤差RMSE函數(shù)，網(wǎng)絡(luò)模型中設(shè)置BatchNormalization批標(biāo)準(zhǔn)化運(yùn)算，Dropout神經(jīng)元丟棄方法，以及L2正則化解決方法；在網(wǎng)絡(luò)訓(xùn)練之前，對(duì)訓(xùn)練數(shù)據(jù)集中數(shù)據(jù)進(jìn)行隨機(jī)打亂。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，訓(xùn)練數(shù)據(jù)集包括訓(xùn)練干涉圖集Images_Train，訓(xùn)練相位數(shù)據(jù)集Phase_Train，測(cè)試干涉圖集Images_Test與測(cè)試相位數(shù)據(jù)集Phase_Test；訓(xùn)練干涉圖集Images_Train與訓(xùn)練相位數(shù)據(jù)集Phase_Train一一對(duì)應(yīng)，具有相同的數(shù)據(jù)維度(N，W，H)，用于網(wǎng)絡(luò)模型的訓(xùn)練；測(cè)試干涉圖集Images_Test與測(cè)試相位數(shù)據(jù)集Phase_Test一一對(duì)應(yīng)，數(shù)據(jù)維度為(M，W，H)，用于網(wǎng)絡(luò)模型的驗(yàn)證；W為圖像寬，H為圖像高。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，生成的干涉圖像I(x,y)為：

其中，I₀(x,y)為干涉圖背景光強(qiáng)，V(x,y)為條紋對(duì)比度，為數(shù)學(xué)函數(shù)生成的相位數(shù)據(jù)，Noise(x,y)為隨機(jī)噪聲。