概括
一种新的深度学习方法通过使用单图像,克服环境错误并提高测量准确性来改善点衍射干涉度的相检索.
科学领域:
- 光学计量学 在光学计量学
- 在光学领域的人工智能.
- 干涉测量是干涉测量的方法.
背景情况:
- 传统的点衍射干涉测量由于多步相位移的环境错误导致精度降低.
- 精确的相位检索对于高精度光学计量和波面传感至关重要.
研究的目的:
- 开发基于深度学习的单点衍射干涉图的相位检索方法.
- 为了提高测量精度和克服传统干扰测量技术的局限性.
- 为了提供一个快速而准确的解决方案,以恢复相位在点衍射干涉测量.
主要方法:
- 提出了一种使用深度学习用于单点衍射干涉图的新型相位检索方法.
- 为干扰边缘图像处理构建了两个专门的神经网络.
- 为训练和优化开发了多样化的点衍射图像数据集.
主要成果:
- 深度学习方法实现了准确和快速的相位检索,从而实现了高精度的相位解封.
- 使用实验数据的验证显示了与专业干扰图处理软件 (ESDI) 和其他算法一致的结果.
- 与传统方法相比,测量准确度显著提高.
结论:
- 拟议的深度学习方法为点衍射干扰计中高精度相位检索提供了可行和有效的解决方案.
- 这种方法解决了与多步相位移技术固有的环境错误问题.
- 这种方法既快速又非常准确,适用于先进的光学计量应用.
