[发明专利]基于端到端卷积神经网络的相位混叠误差去除方法及装置

说明书

基于端到端卷积神经网络的相位混叠误差去除方法及装置，其解决了傅里叶变换法或数字莫尔移相法求解单幅干涉图过程中，由于载波添加不当或面形误差相位频谱带宽过大导致的相位频谱混叠问题，能够消除相位频谱混叠误差，实现宽频谱相位干涉图的求解，扩展单幅干涉图解相方法的测量范围。方法包括：(1)设计多尺度卷积神经网络；(2)模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；(3)利用混叠训练集训练多尺度卷积神经网络；(4)利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。

技术领域

本发明涉及光学测量和图像处理的技术领域，尤其涉及基于端到端卷积神经网络的相位混叠误差去除方法，以及基于端到端卷积神经网络的相位混叠误差去除装置。

背景技术

高精度的光学元件在天文观测、目标探测、照明系统和投影显示等现代光学系统中决定系统的成像质量。其中非球面由于具有多面形自由度，一片非球面镜便可达到多片球面镜组成的透镜组的效果，可以极大地减小光学系统的尺寸和质量，提高系统的成像质量。但由于其高度自由的面形，高精度的非球面面形检测往往遇到一定困难。

干涉法是一种常用的非球面测量方法。干涉法分为零补偿和非零补偿，其中零补偿的干涉条纹由面形误差产生；非零补偿的干涉条纹与设计剩余波前大小和面形误差大小均有关系，是两者的叠加。

随着加工在位检测需求的提升，基于单幅干涉图的动态抗振干涉相位解算法得到应用。如傅里叶变换法，数字莫尔移相干涉法，空间载波移相法等。其中傅里叶变换法和数字莫尔移相干涉法均通过频域滤波将待测面形误差分离，之后通过逆傅里叶变换等操作实现相位测量。在这一过程中，载波频率f的选取至关重要。如果载波大小不合适，或者面形误差相位频谱过宽，面形误差相位频谱都将与需被滤除的频谱分量发生混叠，使得解出的相位携带混叠误差，降低测量精度。在傅里叶变换法中，需被滤除的频谱分量是指缓变背景光强引起的低频分量；在数字莫尔移相法中，需被滤除的频谱分量是指剩余波前对应的高频分量。

为了消除相位混叠的影响，发明名称为“基于两步载波拼接法的数字莫尔移相干涉测量方法”的专利(专利号ZL201810067710.4)提出两步载波拼接法，采用两幅载波不同的干涉图错开混叠误差出现的位置，然后将不含混叠误差的相位拼接，完成测量。该方法有效提高了数字莫尔移相干涉法的可测带宽，不过需要采集两幅不同载波的干涉图使得该方法无法应用于瞬态在位测量。因此，加工在位检测的需求对基于单幅干涉图的无混叠相位解算技术依然提出要求。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于端到端卷积神经网络的相位混叠误差去除方法，其解决了在傅里叶变换法或数字莫尔移相法求解单幅干涉图过程中，由于载波添加不当或面形误差相位频谱带宽过大导致的相位频谱混叠问题，能够消除相位频谱混叠误差，实现宽频谱相位干涉图的求解，扩展单幅干涉图解相方法的测量范围。

本发明的技术方案是：这种基于端到端卷积神经网络的相位混叠误差去除方法，其包括以下步骤：

(1)针对混叠误差的位置随机性和尺度随机性，设计多尺度卷积神经网络；

(2)利用计算机模拟宽频谱相位干涉图，基于傅里叶变换法或数字莫尔移相法解得含有相位频谱混叠误差的相位图，与原宽频谱相位图一同作为混叠训练集；

(3)利用混叠训练集训练多尺度卷积神经网络；

(4)利用训练好的多尺度卷积神经网络，处理真实的含相位频谱混叠误差的相位图，得到不含相位频谱混叠误差的高精度相位解相结果。