凉山雷波县仪器仪表校准第三方计量检测机构
来源：江苏世通仪器检测服务有限公司
发布时间：2022-05-16 15:01:14
凉山雷波县仪器仪表校准第三方计量检测机构
世通仪器检测在有多个实验室欢迎来电咨询：陈工（广东，江苏，陕西，河南，重庆，四川，福建，安徽，浙江，江西等等）均可上门检测（2）图像分析：图像分析是光学计量技术中*核心的图像处理环节，因此大多数应用于光学计量学的深度学技术都是为了处理与图像分析相关的任务。对于相位测量技术，深度学在相位解调和相位解包裹方面得到了广泛的探索。Zuo等39首次将深度学技术应用于条纹分析中，并有效提高了FPP的三维测量精度。该方法的思想在于仅采用一幅条纹图像作为输入，利用CNN来模拟传统相移法14的相位解调过程。如图14a所示，构建两个卷积神经网络（CNN1和CNN 2），其中CNN 1负责从输入条纹图像（I）中提取背景信息（A）；随后CNN 2利用提取的背景图像和原始输入图像生成所需相位的正弦部分（M）与余弦部分（D）；*，将该输出的正余弦结果代入反正切函数计算得到*终的相位分布。相比于传统单帧相位解调方法 (FT38和WFT37)，基于深度学的方法能够更为准确地提取相位信息，特别是针对具有丰富细节的物体表面，相位精度可提升50%以上，仅采用一幅输入条纹图像但体测量效果接近于12步相移法[图14b]。该技术目前已被*应用于高速三维成像,实现了速度高达20000Hz的高精度三维面型测量40[图14c]。Zuo等还进一步将深度学从相位解调推广至相位展开，提出一种用于单帧三维形貌测量的基于深度学的几何相位展开方法41。如图15a所示，多视几何系统下捕获的立体条纹图像对及参考面信息被送入CNN中以确定条纹级次。图15b-图15e给出了传统几何相位展开方法42–44和深度学方法获得的三维重建结果。这些结果表明，基于深度学的方法在仅投影单帧条纹图像的前提下，可以在更大的测量体积内、更鲁棒地实现对稠密条纹图像的相位展开。
XRD全称X射线衍射（X-RayDiffraction）,利用X射线在晶体中的衍射现象来获得衍射后X射线信号特征，经过处理得到衍射图谱。利用谱图信息不仅可以实现常规显微镜的确定物相，并拥有“透视眼”来看晶体内部是否存在缺陷（位错）和晶格缺陷等。
小谱就其发展史、检测原理、结构等和大家进行探讨，一文把XRD讲通透。
深度学也被广泛应用于立体匹配，并获得比传统子集匹配和亚像素优化方法更好的性能。Zbontar和LeCun45提出一种用于立体图像视差估计的深度学方法[图16]。他们构建了一个暹罗型CNN，通过从两个图像块中学相似度量来解决匹配成本计算问题。CNN的输出被用于初始化立体匹配成本，然后通过基于交叉的成本聚合和半全局匹配精炼初始成本进而实现视差图估计。图16d-图16h是由传统Census46变换法和深度学方法获取的视差图像，从中可以看出，基于深度学的方法实现了更低的错误率和更好的预测结果。Pang等47提出一种用于亚像素匹配的级联CNN架构。如图17a所示，首先通过带有上采样模块的DispFulNet从输入立体图像对中预测初始视差估计，然后通过沙漏结构的DispResNet生成多尺度的残余信号，综合两网络输出*终获取亚像素精度的视差图。图17d-图17g展示了由DispfulNet和DispResNet预测的视差图及误差分布情况。从实验结果可以看出，经过第二阶段DispResNet的优化，视差图的质量得到了明显的改善。（3）后处理：深度学在光学计量的后处理阶段（相位去噪、误差补偿、数字重聚焦、相位-高度映射等）也发挥着重要作用。如图18a所示，Montresor等48将噪声相位图像的正弦和余弦分量输入CNN中以预测去除噪声的高质量相位图像，预测的相位被再次反馈到CNN中进行迭代提炼以达到更好的去噪效果。图18b-图18e给出了传统WFT37法和深度学方法的相位去噪结果。实验结果表明CNN能够实现比WFT峰谷相位误差更低的去噪性能。
实验室地址
东莞部：广东省东莞市道滘镇厚德上梁洲工业区四横路7号
：江苏省苏州市昆山开发区昆嘉路379号
重庆世通：重庆市北碚区万宝大道184号3楼
cyx19941995xhy
(2) 到目前为止，仍然没有任何理论可以清楚地解释针对特定的成像需求，到底选择什么样结构的神经网络*为合适[图21]？
(3) 深度学的*通常取决于从训练样本中学和提取的“共同”特征作为先验信息。因此，当人工神经网络面对“罕见样本”时，它极易给出一个错误的预测结果并且毫无察觉。
(4) 不同于传统基于物理模型方法“透明式”推演过程，当前大多数基于深度学方法的决策过程通常被认为是由训练数据所驱动的“黑匣子”。而在光学计量中，可解释性往往至关重要，因其确保了错误的可追溯性。
(5) 由于信息并不会"无中生有"，深度学所获得的结果不可能是准确可靠的。这对于光学测量的许多应用领域而言往往是致命性的，如逆向工程、自动控制、缺陷检测等。在这些场合，测量结果的准确性、可靠性、可重复性以及可回溯性是考虑的因素。
Li等49提出了一种基于浅层BP神经网络的用于条纹投影轮廓术的相位-高度映射方法。如图19a所示，相机图像坐标及对应的投影仪图像水平坐标被用作网络输入以预测被测物的三维信息。为了获取训练数据，将圆点板固定于高精度位移台并在不同的深度位置处捕获板的条纹图像。通过提取板圆点的亚像素中心，并利用*相位计算每个标记中心对应的相机和投影仪图像的匹配点。图19c和图19d是由传统相高转换方法50和神经网络方法获取的阶梯状标准件三维面型结果的误差分布情况，该结果表明基于神经网络的方法可以从大量数据中学出更加准确的相高模型。
目前，深度学已逐渐“渗透”进了计算成像与光学测量这一学科中，并在条纹分析、相位恢复、相位展开等方面展现出令人惊叹的性能以及强大的应用潜力。然而，目前深度学在光学计量领域仍然面临诸多挑战：
(1) 深度学作为一种数据驱动的技术，其网络输出的性能很大程度上取决于大量标记的训练数据。而大部分光学计量实验的数据采集过程较为复杂耗时，且往往数据采集后无法获取准确可靠的理想真值[图20]。
尽管上述挑战还没有得到充分解决，随着计算机科学与人工智能技术的进一步发展，可预计未来深度学将通过以下三个方面在光学计量中发挥愈发突出的作用：
(1) 搭载深度学技术发展的“顺风车”，将其中的新兴技术（如对抗学、迁移学、自动化机器学等）运用到光学计量领域，可以促进深度学在光学计量领域中的广泛接受与认可。
(2) 将贝叶斯统计学与深度神经网络相结合以对估计结果的不确定性进行估计与量化，基于此可以评估神经网络何时产生不可靠的预测51。这在“盲目信任”与“全盘否定”之间给了研究人员另一种可能的选择，即“选择性”采纳。
(3) 描述图像生成的先验知识与物理模型和从实验数据中学的数据驱动模型二者间协同作用，能够将光学计量领域的更多*知识引入深度学框架中，为解决特定的光学计量问题提供更多高效且“物理上合理”的解决方案[图22]。
