Shijie Feng 1,2,3Yile Xiao 1,2,3Wei Yin 1,2,3Yan Hu 1,2,3[ ... ]Qian Chen 1,2,*
Author Affiliations
Abstract
1 Nanjing University of Science and Technology, Smart Computational Imaging Laboratory, Nanjing, China
2 Nanjing University of Science and Technology, Jiangsu Key Laboratory of Spectral Imaging and Intelligent Sense, Nanjing, China
3 Smart Computational Imaging Research Institute of Nanjing University of Science and Technology, Nanjing, China
In recent years, there has been tremendous progress in the development of deep-learning-based approaches for optical metrology, which introduce various deep neural networks (DNNs) for many optical metrology tasks, such as fringe analysis, phase unwrapping, and digital image correlation. However, since different DNN models have their own strengths and limitations, it is difficult for a single DNN to make reliable predictions under all possible scenarios. In this work, we introduce ensemble learning into optical metrology, which combines the predictions of multiple DNNs to significantly enhance the accuracy and reduce the generalization error for the task of fringe-pattern analysis. First, several state-of-the-art base models of different architectures are selected. A K-fold average ensemble strategy is developed to train each base model multiple times with different data and calculate the mean prediction within each base model. Next, an adaptive ensemble strategy is presented to further combine the base models by building an extra DNN to fuse the features extracted from these mean predictions in an adaptive and fully automatic way. Experimental results demonstrate that ensemble learning could attain superior performance over state-of-the-art solutions, including both classic and conventional single-DNN-based methods. Our work suggests that by resorting to collective wisdom, ensemble learning offers a simple and effective solution for overcoming generalization challenges and boosts the performance of data-driven optical metrology methods.
optical metrology fringe-pattern analysis deep learning ensemble learning three-dimensional measurement phase retrieval Advanced Photonics Nexus
2023, 2(3): 036010
1 华南农业大学 电子工程学院(人工智能学院) 应用物理系, 广东 广州 510642
2 暨南大学 理工学院 光电工程系, 广东 广州 510632
针对目前条纹模板测量法在图像畸变校正中所存在的过校正问题, 文章采用载频条纹相位解调分析结合畸变模型实现对镜头桶形畸变的测量与校正。以载频条纹图像作为校正模板, 使用广角镜头相机进行拍摄, 获得畸变条纹图像; 采用具有高空间局域特性的四步相移分析方法进行相位解调, 获得畸变中心位置以及径向畸变量分布; 根据桶形径向畸变的偶数阶多项式模型展开数值拟合分析, 对畸变参量进行估算, 结合畸变中心位置点参量, 最终实现对畸变图像的校正。数值模拟以及实验结果表明, 方法简单、有效, 具有实际的应用价值。
信息光学 畸变校正 机器视觉 相位分析 条纹图像分析 information optics distortion correction computer vision phase analysis fringe-pattern analysis
红外与激光工程
2020, 49(3): 0303013
浙江师范大学 信息光学研究所, 浙江 金华 321004
针对带倾斜相移误差的闭合干涉图,提出一种非迭代的高精度相位提取方法.该方法用傅里叶变换估计闭合条纹的相位,并用图像分割校正相位的符号,然后利用Zernike多项式拟合确定倾斜相移量,最后用最小二乘拟合得到高精度相位.数值模拟结果表明:该方法的相位提取误差随着干涉图中条纹根数的增多而减小;当干涉图中条纹根数为4.5时,倾斜相移的估计误差为0.37%.实验结果表明该方法的残余误差均方根值为0.121 7rad.该方法精度高,且无需迭代计算,可应用于相移干涉测量.
相移干涉测量 条纹分析 傅里叶变换 闭合干涉图 倾斜相移误差 Phase shifting interferometry Fringe pattern analysis Fourier transform method Closed interferogram Tiltshift error.
四川大学电子信息学院光电科学技术系, 四川 成都 610064
S变换结合了短时傅里叶变换和小波变换的优点,是一种无损可逆的非平稳信号时频分析方法,具有线性、多分辨率、逆变换唯一,且与傅里叶变换保持着直接联系等特点。针对基于“脊”分析原理的S变换轮廓术中,相位采用一阶泰勒展开描述时存在的不足,提出了更为精确的二阶泰勒展式的相位描述方法。通过严格的理论分析,得到了更准确的相位场的计算公式,弥补了采用一阶泰勒展式描述相位的不足,大大提高了S变换“脊”方法重建三维面形的精度。完成了相应的计算机模拟和实验验证,并将S变换三维重建效果与以前的基于相位一阶展式的结果进行了对比。
测量 S变换 条纹分析 泰勒展开 三维面形重建
上海大学 机电工程与自动化学院, 上海 200072
三角函数与反三角函数作为基本初等函数, 在光学条纹图像分析中有着广泛的应用。在某些特定情况下, 如硬件计算或要求快速计算时, 可以通过逼近函数来计算其近似值。现讨论三角函数及反三角函数的最佳逼近方法。基于∞范数, 选择特定区间推导函数的最佳逼近多项式, 给出了多项式的系数与最大逼近误差;再利用三角恒等式将其推广至函数的整个定义区间, 得到了各三角函数与反三角函数的分段逼近多项式。并且将其结果用于条纹图像的分析, 以实验证明了所述方法的有效性。
三角函数 反三角函数 多项式逼近 条纹图像分析 trigonometric functions inverse trigonometric functions polynomial approximation fringe pattern analysis
1 上海大学(嘉定校区)电子工程系, 上海 201800
2 上海大学(嘉定校区)机械工程系, 上海 201800
3 中国科学院上海光学精密机械研究所, 上海 201800
提出了一种新的相位去包裹算法,主要针对光学光滑表面以及由于少数低调制度点、散斑点、噪声或灰尘(以下简称误差点)引起的去包裹失败的情形。该算法运用泽尼特(Zernike)多项式对误差点区域进行拟合,通过一定阈值的设置,将误差点清除并予以拟合,具有计算快速的特点。
干涉术 条纹分析 泽尼特多项式 去包裹算法
1 上海大学嘉定校区通信工程系,上海 201800
2 上海大学嘉定校区机械工程系,上海 201800
3 中国科学院上海光机所,上海 201800
提出了一种新的相位去包裹算法,主要针对那些条纹数少,条纹质量相对较好,仅仅是由于少数低调制度点、散斑点、噪声或灰尘引起的去包裹失败的情形。该算法基于一维FFT(快速傅里叶变换),简单且易于实现。
干涉术 条纹分析 去包裹算法
中国科学院上海光学精密机械研究所, 上海 201800
偏振小孔干涉仪是一种可实用的新型干涉仪。它综合小孔衍射技术、偏振技术和共光路设计为一体,具有条纹对比度可调、抗干扰能力强和非接触检验等优点,可广泛用于各种光学元件及其胶合层的检验。目测精度达1/10λ,计算机条纹处理精度可调。
小孔衍射 非接触检验 条纹分析