Advanced Photonics | 人工智能将改变传统光学相位测量技术

2016年，从AlphaGo击败李世石开始，以深度学习为代表的人工智能（AI）技术全面进入了大众的视野，对于它的讨论也变得更为火热起来；整个业界普遍认为，它很可能带来下一次科技革命，并且在未来可预见的十多年里，将深刻地改变我们的生活。

正如当时的预测，目前人工智能已经在计算机视觉、图像语音处理等多个领域的技术上取得了全面的突破。与此同时，深度学习技术也向光学传感、计算成像、全息显微等领域逐步渗透，且展现出巨大的潜力。

光学相位测量技术是近几十年来发展起来的一类用于计算机辅助非接触光学测量中的重要技术，其广泛应用于工业检测、机器视觉、生物医学、纳米结构表征等诸多科学研究和工程实践领域之中。具有代表性的相位测量技术包括：光学干涉测量、数字全息、电子散斑干涉、莫尔轮廓术及条纹投影轮廓术等。

这些方法的一大共性是通过干涉或者投影的方式在物体表面形成周期性的结构条纹，从而使得待测物体的相关物理量（如面形、位移、应变、粗糙度、缺陷尺寸等）直接或间接地反映在条纹的相位信息中（如图1所示）。而光学相位测量技术需要分析所拍摄的条纹图案以提取其所蕴含的相位分布，然后再将提取的相分布转换为所测量的物理量。所以从根本上而言，这些光学技术的测量精度直接取决于条纹图案的相位解调精度。因此，条纹图案分析通常被认为是光学相位测量技术中最核心、但同样也是最困难的一个步骤。

图1 各种类型的条纹图案的生成方式及条纹分析的典型应用（图片均来自网络）。

早期条纹图案通常采用胶片进行记录，而条纹分析需借助于目视法判别条纹的形状位置、波峰波谷、干涉级次来估计被测物的相位分布。这种方法的精度和效率很低，通常只能估测约1/10~1/20个波长，而且只能得到被测物相位的部分信息。

20世纪60年代以来，随着光电技术、计算机技术和激光技术的迅猛发展，为光学测量过程中实现对被测相位分布的光电实时测量提供了技术基础。电荷耦合器件（CCD）的出现使条纹图案的记录实现了数字化；电子计算机的发明与普及使得对条纹图案的处理由肉眼观察逐渐演化到了采用软件进行自动分析与处理。这大大提高了相位测量技术的精度、速度和自动化程度，从而促使光学测量技术的发展有了质的飞跃。

时至今日，各类新颖的条纹分析技术层出不穷，如何以最高的精度、最快的速度、全自动化的方式提取条纹图案中的相位信息一直是光学测量领域的一大研究重点和热点。

在过去的几十年中，科研人员与工程技术人员致力于研究各式各样的条纹分析技术。这些方法可以大致可分为两类：

（1） 时域相移解调法：采用多幅具有相对相位差的条纹图像进行相位提取；

（2） 空域相位解调法：仅采用单幅条纹图像（通常是包含载频的高频条纹）实现相位信息的提取，如傅里叶分析法、加窗傅里叶法、小波分析法等。

二者之中，时域相移解调法能够实现像素级的高分辨率相位测量，因此通常具有更高的测量精度。然而由于需要采集多张条纹图像，这类方法容易受到物体运动/环境振动等外界干扰的影响。因此相移解调法通常难以应用于动态测量。

相比之下，空域相位解调法由于仅通过单幅条纹图像实现相位解调，它具有更好的振动/运动稳健性。但是其不足之处在于对条纹陡变、不连续以及物体细节丰富的区域较为敏感，难以实现高精度、高分辨率的相位测量。此外空域相位解调算法一般具有较多的参数需要手动调节、难以完全实现全自动化操作。因此，目前在光学相位测量领域，亟需一种能够同时满足高精度、高效率、全自动化的条纹图案分析技术。

最近，中国南京理工大学陈钱教授、左超教授课题组首次将深度学习技术应用在条纹分析中，并有效提升了条纹投影轮廓术的三维测量精度。该方法的思想在于仅采用一张条纹图像作为输入，利用深度神经网络来模拟时域相移法的相位解调过程。相关成果以Fringe pattern analysis using deep learning （采用深度学习的条纹分析技术）为题发表在Advanced Photonics上。该团队冯世杰副教授为该论文第一作者，陈钱教授与左超教授为共同通讯作者。

如图2所示，该方法通过构建两个卷积神经网络（CNN1和CNN2），CNN1负责从输入条纹图像（I）中提取背景信息（A）。随后CNN2利用提取的背景图像（A）和原始输入图像（I）生成所需相位的正弦部分（M）与余弦部分（D）。最后，将该输出的正余弦结果代入反正切函数计算得到最终的相位分布。

以标准12步相移算法作为学习目标，通过对各类不同的大量样本进行训练，两个卷积神经网络学习各类型条纹图像中相位相关特征的提取。经过适当的训练之后，它们就可以被用于对单幅条纹图像进行全自动分析并且输出对应的高精度相位分布。

图2 利用深度神经网络解调条纹图像中的相位信息的流程示意图。

在实验中，研究人员对不同的三维结构模型与标准三维球进行了相位提取与三维重建。实验结果表明：基于深度学习的条纹分析技术能够达到传统傅里叶变换法和加窗傅里叶变换法无法企及的相位解调精度（相位误差降低50%以上），且能够有效保持物体边界与轮廓的细节，总体测量效果接近于12步相移法（如图3所示）。

由此可见，该方法有效地克服了条纹图案分析技术中的“高精度、高效率、全自动”三大关键难题，仅采用单一条纹图像作为输入，深度神经网络在不到一秒的时间内即可生成对应的高精度相位分布。整个过程全自动、无需人工干预。基于以上优点，这种基于深度学习的条纹分析工具今后有望在各类光学相位测量技术中得到广泛应用。

目前，该团队正进一步将该项技术应用于超高速条纹投影轮廓术，以实现对于微秒量级的瞬态变化场景的高精度、高时空分辨率三维成像。

图3 不同种条纹分析方法所获得的三维重建结果对比：（a）傅里叶变换法；（b）加窗傅里叶变换法；（c）基于深度学习的条纹分析法；（d）标准12步相移法。

论文链接：

Shijie Feng, Qian Chen, Guohua Gu, Tianyang Tao, Liang Zhang, Yan Hu, Wei Yin, and Chao Zuo "Fringe pattern analysis using deep learning," Advanced Photonics 1(2), 025001

DOI：

https://doi.org/10.1117/1.AP.1.2.025001

End

推荐阅读

首发前沿光学成果，放送新鲜光学活动

如需转载，请直接留言。

商务合作：高先生 13585639202（ 微信手机同号）

免责声明

       本文注明来源为其他媒体或网站的文/图等稿件均为转载，如涉及版权等问题，请作者在20个工作日之内来电或来函联系，我们将协调给予处理（按照法规支付稿费或删除）。

       最终解释权归《中国激光》杂志社所有。