[发明专利]一种基于全卷积神经网络的相位主值提取方法

权利要求书

1.一种基于全卷积神经网络的相位主值提取方法，其特征在于，所述方法包括以下步骤：

1)在计算机上将预先编码所需的按正弦分布的条纹图，预先编码好的条纹图投影至待测物，并使用工业相机采集待测物条纹图；

2)构建全卷积神经网络模型，设定训练参数和损失函数，将1)中得到的待测物条纹图输入至全卷积神经网络模型中，运行全卷积神经网络模型，获得所需的相位主值；

所述步骤2)中，提取相位主值过程包括以下步骤：

2.1)全卷积神经网络模型构建

在投影仪将预先编码好的条纹图投影至待测物表面时，由于受到物体表面高度的调制，被CCD相机获取的变形条纹表示为：

其中a(x，y)和b(x，y)分别反映背景光和表面反射率的变化；是待计算的相对相位值，也称作相位主值，它反映了物体对应点上高度信息；

构建一个全卷积神经网络模型，整个全卷积神经网络的层包括十个部分，其中第一层到第五层为编码层，每一层由两个卷积层和两个BN层组成，其中第一卷积层的卷积核大小为3×3，数量为128个，步幅为2，第二卷积层的卷积核大小为3×3，数量为128个，步幅为1，输入的图像首先经过第一卷积层、BN层以及Leaky ReLU激活函数，再经过第二卷积层、BN层以及Leaky ReLU激活函数处理；

第六层到第十层为解码层，每一层由两个卷积层、三个BN层以及一个上采样层组成，其中两个卷积层的卷积核大小为3×3，数量为128个，步幅为1，输入特征依次经过BN层，第一卷积层、BN层以及Leaky ReLU激活函数；再依次经过第二卷积层、BN层以及Leaky ReLU激活函数处理，最后经过上采样层，通过双线性插值或者最邻近点法对特征进行上采样；

另外，第一层与第十层，第二层与第九层，第三层与第八层，第四层与第七层，第五层与第六层之间还增加了skip connections，skip connections由卷积层、BN层以及LeakyReLU激活函数构成，其中卷积层的卷积核大小为1×1，卷积核数量为4个；

将大小为512×512×1的图像输入全卷积神经网络模型，依次经过第一层到第六层，输出的特征大小为16×16×128，再依次经过第六层到第十层，输出的特征大小为512×512×128；

最后一个卷积层经过1个大小为1×1的卷积核和RELU激活函数处理，输出特征大小为512×512×1；

2.2)运行全卷积神经网络模型

全卷积神经网络模型的输入为三幅大小与1)中拍摄图像相同的随机产生的均匀噪声图像，分别使其拟合为背景a(x,y)，表面反射率b(x,y)以及相位主值φ(x,y)，其中，采用两种方法来构建输入图像：第一、在[0,0.1]的区间内产生随机数以填充整个图像；第二、使用meshgrid函数产生[0,1]区间的网格作为输入；

确定全卷积神经网络模型的参数，将上述三幅图像输入神经网络进行拟合后相加，其能量函数为相加后的图像与步骤1)中拍摄得到图像的均方根MSE最小，所述MSE定义如下：

其中y_i为步骤1)中拍摄得到的图像，为三幅输入图像相加后的图像；

使用Adam Optimizer优化器对进行优化迭代，迭代多次后得到最优解，此时三幅输入图像便会分别拟合为所需的相位主值、表面反射率以及背景光强；

3)使用基于质量图导向的方法对2)中得到的相位主值进行解缠，得到准确相位值。

2.如权利要求1所述的一种基于全卷积神经网络的相位主值提取方法，其特征在于，所述步骤1)中，采集条纹图过程包括以下步骤：

1.1)在计算机上进行条纹预编码，构建出所需的按正弦规律分布的条纹图，条纹按照以下公式进行编码：

其中I(x,y)为图像灰度值，x为横坐标；

1.2)设计拍摄光路，并按设计好的光路放置工业相机、DLP投影仪以及待测物；

1.3)使用工业相机依次采集高清的条纹图像。

3.如权利要求1或2所述的一种基于全卷积神经网络的相位主值提取方法，其特征在于，所述步骤3)中，使用基于质量图导向法的相位解缠，步骤如下：

3.1)从质量高的像素点出发，然后检查这个像元点附近的4个像素点，然后对这4个像素点进行相位展开即相位解缠，其中相位解缠的公式为：

3.2)将进行了相位解缠的临近像元周围的像素储存到“邻接列”中；

3.3)根据相位的质量图，从“邻接列”中选出质量高的像素进行解缠，并更新这一列；

3.4)重复3.1)、3.2)步骤，直至所有相位解缠完毕；

其中质量M的定义为：

D为二阶差分，其定义为：

其中,V＝unwrap(A(i,j-1)-A(i,j))-unwrap(A(i,j)-A(i,j+1))

H＝unwrap(A(i-1,j)-A(i,j))-unwrap(A(i,j)-A(i+1,j))

D₁＝unwrap(A(i-1,j-1)-A(i,j))-unwrap(A(i,j)-A(i+1,j+1))

D₂＝unwrap(A(i-1,j+1)-A(i,j))-unwrap(A(i,j)-A(i+1,j-1))

Unwrap表示解缠操作即式(4)。