[發明專利]一種基于神經網絡優化的相位像差校正算法

在審

• 申請號: 202211283527.0
• 申請日: 2022-10-20
• 公開（公告）號: CN115585749A
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 趙建林;唐雎;吳計;張佳偉;邸江磊
• 申請（專利權）人: 西北工業大學
• 主分類號: G01B11/24
• 分類號: G01B11/24;G06N3/04;G06N3/08;G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于神經網絡優化的相位像差校正算法，其特征在于該方法包括以下步驟：

S1.使用數字全息術，得到解包裹后的帶相位像差的物體相位像P；

S2.建立神經網絡模型，設置非零常數向量為網絡輸入，將網絡的輸出確定為一組向量，標記為C＝{c₁，c₂，…，c_N}，其中N-1為Zernike像差模型擬合所需系數的數量，初始化網絡參數，將網絡的輸出向量作為Zernike多項式的系數，利用多項式模型計算得到擬合相位B；

S3.取帶相位像差的物體相位像P和擬合相位B的差值作為殘差物體相位像，構建多域損失約束，其中可以包含平均絕對誤差損失約束、包裹梯度損失約束和局部L1損失約束等，推動網絡迭代優化，進一步設置收斂條件，判斷殘差物體相位像是否滿足收斂條件；

S4.若殘差物體相位像不滿足收斂條件，則進行反向傳播，調節神經網絡參數，得到優化后的輸出向量C，繼續循環；若殘差物體相位像滿足收斂條件，則停止反向傳播，保存網絡輸出，即可得到與P對應的相位像差校正的物體相位像F。

2.根據權利要求1所述的基于神經網絡優化的相位像差校正算法，其特征在于：所述步驟S1的物體可以是有明確輪廓的任意目標，如細胞、器件微結構等樣品。

3.根據權利要求1所述的基于神經網絡優化的相位像差校正算法，其特征在于：所述步驟S2的神經網絡模型可以是任何輸出為一組向量的神經網絡模型，如全連接神經網絡、卷積和全連接嵌套的神經網絡等，框架可選Pytorch，Tensorflow等，神經網絡模型可以是經過任意初始化后的，或經過預訓練的。

4.根據權利要求1所述的基于神經網絡優化的相位像差校正算法，其特征在于：所述步驟S2的網絡輸入可以是任意形狀的非零常數向量或矩陣，其形狀視神經網絡模型的要求而定。

5.根據權利要求1所述的基于神經網絡優化的相位像差校正算法，其特征在于：所述步驟S2的像差模型可以是任意通過多項式擬合相位的像差模型，可以包括但不限于Zernike像差模型、標準多項式像差模型和Legendre多項式像差模型。

6.根據權利要求1所述的基于神經網絡優化的相位像差校正算法，其特征在于：所述步驟S3的收斂條件僅用于停止迭代，也可以換作對殘差物體相位像的人工判斷。