Método de extracción de fase basado en redes neuronales para franjas digitales de moiré en sistemas de medición de...

Área de la Ciencia:

• Óptica y Fotónica.
• Aplicaciones de aprendizaje automático Aplicaciones de aprendizaje automático.
• Metrología de la metrología.

Sus antecedentes:

• Los patrones digitales de la franja de moiré son cruciales para la medición del desplazamiento.
• Los métodos tradicionales de extracción de fase pueden sufrir fugas espectrales y requieren algoritmos complejos.
• Los sistemas de rejilla única ofrecen un enfoque rentable para la medición del desplazamiento.

Objetivo del estudio:

• Desarrollar un nuevo método de extracción de fase basado en el aprendizaje profundo para los patrones de franja de moiré digital.
• Para mejorar la precisión y la robustez en las mediciones de desplazamiento a nanoescala.
• Para eliminar errores causados por fugas espectrales en sistemas de rejilla única.

Principales métodos:

• Generación artificial de bordes de moiré digital mediante la superposición de una imagen de coseno 2D en imágenes de rejilla.
• Asegurar períodos enteros de franjas de moiré en los datos muestreados para evitar fugas espectrales.
• Utilizando una red neuronal entrenada para la detección de fase, evitando la descomposición de señales complejas.

Principales resultados:

• El método de aprendizaje profundo propuesto logra una precisión de extracción de fase superior en comparación con la descomposición en modo variacional.
• El método demuestra una mayor robustez en las mediciones de desplazamiento.
• Implementación exitosa en una configuración de rejilla única para mediciones a nanoescala.

Conclusiones:

• El nuevo enfoque de aprendizaje profundo proporciona una solución de bajo costo y alta precisión para la medición de desplazamiento a nanoescala.
• La generación de franjas de moiré artificial elimina efectivamente los errores de extracción de fase.
• El método simplifica el proceso de medición al evitar algoritmos complejos y ajuste de parámetros.