基于神经网络的阶段提取方法,用于单格网位移测量系统中的数字moiré边框

科学领域:

• 光学和光子学 在光学和光子学.
• 机器学习应用 机器学习应用
• 计量学 计量学 计量学

背景情况:

• 数字moiré边缘图案对于移位测量至关重要.
• 传统的相提取方法可能会出现光谱泄漏,需要复杂的算法.
• 单网格系统为移位测量提供了一种具有成本效益的方法.

研究的目的:

• 开发一种基于深度学习的新阶段提取方法,用于数字moiré边缘模式.
• 为了提高纳米尺度移位测量的准确性和稳定性.
• 为了消除单网格系统中光谱泄漏引起的错误.

主要方法:

• 通过对格图像叠加二维共弦图像来人工生成数字moiré边框.
• 确保在采样数据中存在整数期的莫雷边缘,以防止光谱泄漏.
• 使用训练有素的神经网络进行相位检测,绕过复杂的信号分解.

主要成果:

• 拟议的深度学习方法与变化模式分解相比,实现了更高的相提取精度.
• 该方法在位移测量方面表现出增强的稳定性.
• 在单网格配置中成功实现纳米尺度测量.

结论:

• 这种新的深度学习方法为纳米尺度移位测量提供了低成本,高精度的解决方案.
• 人工moiré边缘生成有效地消除了相提取错误.
• 该方法通过避免复杂的算法和参数调节来简化测量过程.