基于深度学习的三波长相位解包方法、系统、设备及介质

1.本发明涉及光学干涉测量或数字全息测量领域，更具体地，涉及一种基于深度学习的三波长相位解包方法、系统、设备及介质。


背景技术：

2.光学干涉测量术是一种以光波为信息载体，通过光的干涉或者衍射原理，来获取物体相位调制信息的技术。它通过记录和分析带有待测物体相位信息的干涉图来实现物体相位信息的测量，具有全场、快速、无接触、高精度等优点，已被广泛用于生物显微成像、高精度定量测量中。然后，光学干涉相位测量技术利用三角函数的基本原理来实现相位重构，提取的相位分布在(
‑
π，π)之间。当待测样品的光程差变化大于一个波长时，物体的相位也将被包裹在(
‑
π，π)之间。为了得到样品的真实相位信息，相位解包方法必不可少。
3.随着科学技术的不断发展，人们提出多种相位解包方法，但现有技术中提出的解包方法均具有不同种类的缺陷。
4.其中，单波长干涉术(swi)，由于照明波长的限制，通常采用相位解包法恢复样品的真实相位。现有许多数值相位解包方法被提出(如枝切法，最小二乘解包、质量图分析法等)，这些方法可以有效的降低噪声对相位解包精度的影响。然而，在实际应用中，解包裹算法耗时较长，它们对于台阶类或折射率变化较大的测量样本是无效的。
5.双波长干涉解包方法，引入两个波长实现双波长干涉测量，通过合成一个比单一波长更长的等效波长，显著地增加了波长限制的量程。在双波长解包中，经常需要提取单个波长的包裹相位。比较通用的方案是双波长干涉
‑
单波长相移测量法(swps
‑
dwi)和同时双波长干涉采集法。然而，现有dwi的主要问题是固有噪声的放大，导致测量精度远远低于swi。总之，相位恢复精度的提高仍然是dwi的一个重要研究方向。为了解决这一问题，人们在降低噪声和提高精度方面做出了许多努力。基于特殊算法(免疫算法、线性回归、总变分正则化)的双波长方法和利用较短的合成波长，可以进一步提高dwi的精度，但扩展范围有限，计算复杂，还有一些具体的条件需要提前满足。
6.之后，随着解包技术的发展，人们提出了的三波长解包方法。三个波长的引入可以进一步降低噪声对双波长相位解包方法精度的影响。利用第三波长的干涉图，可以生成合成波长逐渐减小的三个包裹相位图，然后利用分层光学相位解包方法计算物体的真实相位。然而，三波长干涉—单波长移相解包方法的采集过程容易受到振动的干扰，耗时较长。同时采用三波长干涉采集方法可以在一定程度上提高抗干扰能力和采集效率，但三波长的引入导致实验系统复杂，不利于实际应用。


技术实现要素：

7.本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种基于深度学习的三波长相位解包方法、系统、设备及介质，用于解决在样品相位解包的过程中实验系统复杂以及误差较大的问题。
8.本发明采取的技术方案是，一种基于深度学习的三波长相位解包方法，具体包括以下步骤：
9.将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，所述深度学习神经网络用于通过学习三种波长干涉图之间的关系，从所述样品在一种波长λ1的干涉图中同时得出所述样品在另外两种不同波长λ2和λ3下的干涉图；
10.根据所述样品在波长λ1下的干涉图，以及所得到的所述样品在波长λ2和λ3下的干涉图，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布；
11.根据所计算的所述包裹相位分布计算出所述样品在波长λ1下的解包裹相位。
12.进一步的，所述深度学习神经网络为多波长深度学习神经网络mw
‑
net网络，所述mw
‑
net网络采用以下步骤进行训练：
13.构建多波长深度学习神经网络mw
‑
net网络；
14.采集所述样品在波长λ1下的若干干涉图样本以及所述样品在另外两种不同波长λ2和λ3下的干涉图样本作为训练数据集，对所述mw
‑
net网络进行训练。
15.进一步的，所述mw
‑
net网络包括下采样段、第一上采样段以及第二上采样段；所述下采样段包括依次连接的若干个特征嵌入块，每个所述特征嵌入块包括一卷积层，连接于最后一个的所述特征嵌入块还包括连接所述卷积层输入端的激活函数层，连接于第一个的所述特征嵌入块与最后一个的所述特征嵌入块之间的所述特征嵌入块，还包括连接所述卷积层输入端的激活函数层和连接所述卷积层输出端的归一化层；所述第一上采样段以及第二上采样段均包括依次连接的若干个特征编码块，每个所述特征编码块包括一反卷积层、连接于所述反卷积层输入端的归一化层以及连接于所述归一化层输入端的激活函数层；
16.将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，具体包括：
17.将样品在波长λ1下的干涉图输入所述下采样段，所述样品在波长λ2下的干涉图通过所述第一上采样段输出，所述样品在波长λ3下的干涉图通过所述第二上采样段输出。
18.进一步的，连接于前三个的所述特征编码块还包括连接于所述反卷积层输出端的dropout层。
19.进一步的，在所述下采样段与所述第一上采样段、所述下采样段与所述第二上采样段之间还设置了若干跳跃连接层。
20.本发明中，所述mw
‑
net网络以端到端的方式学习不同波长之间的映射关系，其中下采样段用于完成对输入干涉图的特征下采样过程，第一上采样段以及第二上采样段用于通过上采样的方式实现不同波长的干涉图输出。此外，神经网络中的激活函数层以及归一化层的设置，有利于使神经网络训练更加稳定，dropout层的设置有利于避免神经网络过拟合，而跳跃连接层的设置融合了下采样段和上采样段中的特征嵌入块和特征编码块的特性，有利于提高神经网络的训练速度。
21.进一步的，对所述mw
‑
net网络进行训练，具体包括：
22.使用adam优化器对所述mw
‑
net网络的权重和偏置进行优化，以最小绝对偏差损失函数作为优化后所述mw
‑
net网络的损失函数；
23.所述损失函数公式如下：
[0024][0025][0026][0027]
其中，和分别表示所述样品通过所述mw
‑
net网络在波长λ2和λ3下的损失，表示所述样品在波长λ2下的干涉图样本，表示所述样品通过所述mw
‑
net网络中生成的干涉图，表示所述样品在波长λ3下的干涉图样本，表示所述样品在所述mw
‑
net网络中生成的干涉图，l
total
表示损失的加权和即总损失，其中v1和v2为50％的加权值，n表示干涉图中像素点个数。
[0028]
在完成所述mw
‑
net网络训练后，将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，之后可以通过相移相位恢复算法，例如四步相移、aia算法等，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布。其中，得到的相位与波长成反比，满足以下要求：
[0029][0030]
其中，和h(x,y)为所述样品的相位和高度，λ为波长。不同波长的干涉图满足以下关系：
[0031][0032][0033][0034]
其中，a(x,y)和b(x,y)为干涉图的背景和幅值，和δ
λ1,n
(x,y)表示所述样品在波长λ1下的相位分布和在波长λ1下干涉图的相移量，δ
λ2,n
(x,y)和δ
λ3,n
(x,y)表示所述样品在波长为λ2和λ3下的干涉图的相移量。n＝1,2,3
…
是干涉图的序列。
[0035]
进一步的，根据所计算的所述包裹相位分布计算出所述样品在波长λ1、λ2、λ3下的解包裹相位，具体步骤包括：
[0036]
根据以下公式计算合成波长：
[0037][0038][0039]
[0040]
其中，λ1‑2为波长λ1和λ2的合成波长，λ2‑3为波长λ2和λ3的合成波长，λ1‑3为波长λ1和λ3的合成波长，波长大小λ1‑2>λ2‑3>λ1‑3>λ1>λ2>λ3；
[0041]
根据以下公式计算所述样品在合成波长λ1‑2下的解包裹相位
[0042][0043]
表示所述样品在波长λ1下的相位分布，表示所述样品在波长λ2下的相位分布；
[0044]
将λ1‑2、λ2‑3、λ1‑3、λ1、λ2、λ3依次记为λ
i
，i＝1，2，3，4，5，6；
[0045]
利用上一阶波长λ
i
的解包裹相位以及下一阶波长λ
i+1
的包裹相位不断迭代，计算出所述样品在波长λ1、λ2、λ3下的解包裹相位，迭代公式如下：
[0046][0047][0048]
其中，表示所述样本在波长λ
i
下的解包裹相位，表示所述样品在波长λ
i+1
下的解包裹相位，表示所述样品在波长λ
i+1
下的包裹相位，floor函数为向下取整函数，k为迭代中间系数。
[0049]
本发明中所述的三波长解包方法，利用单波长照明的多波长深度学习神经网络mw
‑
net网络，通过学习不同波长的干涉图之间的关系，可以从某一波长的干涉图中同时得到两种不同波长的干涉图，故相比于现有技术中的三波长干涉相位解包方法而言，本方法仅需采集单个波长下的相移干涉图便可实现，极大简化了干涉测量装置。同时，本发明中结合三波长相位解包方法，利用合成波长取代单波长，可有效提高相位测量量程，解决了合成波长相位噪声放大的问题，提高测量精度。
[0050]
另一方面，本发明还提供了一种基于深度学习的三波长相位解包系统，具体包括：
[0051]
干涉图获取模块，所述干涉图获取模块用于将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，所述深度学习神经网络用于通过学习三种波长干涉图之间的关系，从一种波长λ1的干涉图中同时得出另外两种不同波长λ2和λ3的干涉图；
[0052]
包裹相位计算模块，所述包裹相位计算模块用于根据所述样品在波长λ1下的干涉图，以及所得到的所述样品在波长λ2和λ3下的干涉图，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布；
[0053]
解包裹相位计算模块，所述解包裹相位计算模块用于根据所述包裹相位模块所计算的所述包裹相位分布计算出所述样品在波长λ1、λ2、λ3下的解包裹相位。
[0054]
另一方面，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于深度学习的三波长相位解包方法的步骤。
[0055]
另一方面，本发明还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深度学习的三波长相位解包方法的步骤。
[0056]
与现有技术相比，本发明的有益效果为：本发明基于多波长深度学习神经网络mw
‑
net网络，通过学习三种不同波长的干涉图之间的关系，从样品在一种波长下的干涉图中同时得到另外两种不同波长下的干涉图，测量过程仅需采集样品在单个波长下的相移干涉图，极大简化了干涉测量装置；同时，本发明中解包过程中利用合成波长取代单波长，有效提高相位测量量程，解决相位噪声放大的问题，提高测量精度。
附图说明
[0057]
图1为本发明中方法流程图。
[0058]
图2为本发明中mw
‑
net网络结构图。
[0059]
图3为本发明实施例1中以jurkat细胞作为待测量样品的实验结果图。
[0060]
图4为本发明实施例2中系统结构图。
[0061]
附图说明：干涉图获取模块100，包裹相位计算模块200，解包裹相位计算模块300。
具体实施方式
[0062]
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0063]
实施例1
[0064]
如图1所示，本实施提供一种基于深度学习的三波长相位解包方法，具体包括以下步骤：
[0065]
s1：将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，所述深度学习神经网络用于通过学习三种波长干涉图之间的关系，从所述样品在一种波长λ1的干涉图中同时得出所述样品在另外两种不同波长λ2和λ3下的干涉图；
[0066]
s2：根据所述样品在波长λ1下的干涉图，以及所得到的所述样品在波长λ2和λ3下的干涉图，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布；
[0067]
s3：根据所计算的所述包裹相位分布计算出所述样品在波长λ1、λ2、λ3下的解包裹相位。
[0068]
具体的，本实施例中，λ1具体设置为632.8nm，λ2具体设置为532nm，λ3具体设置为457nm，输入的样品在波长λ1下的干涉图具体大小为256*256像素。
[0069]
进一步的，所述深度学习神经网络为多波长深度学习神经网络mw
‑
net网络，所述mw
‑
net网络采用以下步骤进行训练：
[0070]
s01：构建多波长深度学习神经网络mw
‑
net网络；
[0071]
s02：采集所述样品在波长λ1下的若干干涉图样本以及所述样品在另外两种不同波长λ2和λ3下的干涉图样本作为训练数据集，对所述mw
‑
net网络进行训练。
[0072]
具体的，本实施例中，可以采集16200个样品在波长632.8nm下的干涉图样本和相应的样品在波长532nm和457nm下的干涉图样本作为训练数据集，对mw
‑
net网络进行训练。且训练数据集还可以通过对不同均值和方差的高斯函数和形状函数进行算术运算得到。另外，为了使训练数据更接近实验数据，还可以在训练数据集中加入不同程度的高斯噪声。同时，本实施例中所有的网络训练环境都是基于python 3.7的pytorch 1.0实现的，并且可以
使用nvidiaeforceegtx1080ti gpu加速计算。
[0073]
进一步的，如图2所示，所述mw
‑
net网络包括下采样段、第一上采样段以及第二上采样段；所述下采样段包括依次连接的若干个特征嵌入块，每个所述特征嵌入块包括一卷积层conv，连接于最后一个的所述特征嵌入块还包括连接所述卷积层conv输入端的激活函数层lrelu，连接于第一个的所述特征嵌入块与最后一个的所述特征嵌入块之间的所述特征嵌入块还包括连接所述卷积层conv输入端的激活函数层lrelu和连接所述卷积层conv输出端的归一化层bn；所述第一上采样段以及第二上采样段均包括依次连接的若干个特征编码块，每个所述特征编码块包括一反卷积层deconv、连接于所述反卷积层deconv输入端的归一化层bn以及连接于所述归一化层bn输入端的激活函数层lrelu；
[0074]
将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，具体包括：
[0075]
将样品在波长λ1下的干涉图输入所述下采样段，所述样品在波长λ2下的干涉图通过所述第一上采样段输出，所述样品在波长λ3下的干涉图通过所述第二上采样段输出。
[0076]
具体的，本实施例中，下采样段包括7个依次连接的特征嵌入块feb1
‑
feb7，特征嵌入块feb1
‑
feb7中包括的卷积层conv卷积核大小为4*4，卷积步长为2，第一上采样段以及第二上采样段包括对称的7个依次连接的特征编码块fdb1
‑
fdb7，特征编码块fdb1
‑
fdb7在包括的反卷积层deconv卷积核大小为4*4，卷积步长为2。
[0077]
进一步的，连接于前三个的所述特征编码块还包括连接于所述反卷积层deconv输出端的dropout层。
[0078]
进一步的，在所述下采样段与所述第一上采样段、所述下采样段与所述第二上采样段之间还设置了若干跳跃连接层。具体的，本实施例中，所述下采样段与所述第一上采样段、所述下采样段与所述第二上采样段之间的跳跃连接层设置为6个(如图2中虚线所示)。
[0079]
本实施例中，mw
‑
net网络以端到端的方式学习不同波长之间的映射关系，其中下采样段用于完成对输入干涉图的特征下采样过程，第一上采样段以及第二上采样段用于通过上采样的方式实现不同波长的干涉图输出。此外，神经网络中的激活函数层以及归一化层的设置，有利于使神经网络训练更加稳定，dropout层的设置有利于避免神经网络过拟合，而跳跃连接层的设置融合了下采样段和上采样段中的特征嵌入块和特征编码块的特性，有利于提高神经网络的训练速度。
[0080]
进一步的，对所述mw
‑
net网络进行训练，具体包括：
[0081]
使用adam优化器对所述mw
‑
net网络的权重和偏置进行优化，以最小绝对偏差损失函数作为优化后所述mw
‑
net网络的损失函数；
[0082]
所述损失函数公式如下：
[0083][0084][0085]
[0086]
其中，和分别表示所述样品通过所述mw
‑
net网络在波长λ2和λ3下的损失，表示所述样品在波长λ2下的干涉图样本，表示所述样品通过所述mw
‑
net网络中生成的干涉图，表示所述样品在波长λ3下的干涉图样本，表示所述样品在所述mw
‑
net网络中生成的干涉图，l
total
表示损失的加权和即总损失，其中v1和v2为50％的加权值，n表示干涉图中像素点个数。
[0087]
具体的，本实施例中，使用的是学习率为0.01的adam优化器对mw
‑
net的权重和偏置进行优化。训练步长为10000步，每3000步学习率下降1次，衰减率为0.8。
[0088]
在完成所述mw
‑
net网络训练后，将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，之后可以通过相移相位恢复算法，例如四步相移、aia算法等，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布。其中，得到的相位与波长成反比，满足以下要求：
[0089][0090]
其中，和h(x,y)为所述样品的相位和高度，λ为波长。不同波长的干涉图满足以下关系：
[0091][0092][0093][0094]
其中，a(x,y)和b(x,y)为干涉图的背景和幅值，和δ
λ1,n
(x,y)表示所述样品在波长λ1下的相位分布和在波长λ1下干涉图的相移量，δ
λ2,n
(x,y)和δ
λ3,n
(x,y)表示所述样品在波长为λ2和λ3下的干涉图的相移量。n＝1,2,3
…
是干涉图的序列。
[0095]
进一步的，根据所计算的所述包裹相位分布计算出所述样品在波长λ1、λ2、λ3下的解包裹相位，具体步骤包括：
[0096]
根据以下公式计算合成波长：
[0097][0098][0099][0100]
其中，λ1‑2为波长λ1和λ2的合成波长，λ2‑3为波长λ2和λ3的合成波长，λ1‑3为波长λ1和λ3的合成波长，波长大小λ1‑2>λ2‑3>λ1‑3>λ1>λ2>λ3；
[0101]
根据以下公式计算所述样品在合成波长λ1‑2下的解包裹相位
[0102][0103]
表示所述样品在波长λ1下的相位分布，表示所述样品在波长λ2下的相位分布；
[0104]
将λ1‑2、λ2‑3、λ1‑3、λ1、λ2、λ3依次记为λ
i
，i＝1，2，3，4，5，6；
[0105]
利用上一阶波长λ
i
的解包裹相位以及下一阶波长λ
i+1
的包裹相位不断迭代，计算出所述样品在波长λ1、λ2、λ3下的解包裹相位，迭代公式如下：
[0106][0107][0108]
其中，表示所述样本在波长λ
i
下的解包裹相位，表示所述样品在波长λ
i+1
下的解包裹相位，表示所述样品在波长λ
i+1
下的包裹相位，floor函数为向下取整函数，k为迭代中间系数。
[0109]
本实施例中提供的三波长相位解包方法，基于单波长照明的多波长深度学习神经网络mw
‑
net网络，通过学习三种不同波长的干涉图之间的关系，可以从样品在一种波长下的干涉图中同时得到两种不同波长的干涉图，测量过程中仅需采集单个波长下的相移干涉图便可实现，极大简化了干涉测量装置；同时，本实施例中解包过程中利用合成波长取代单波长，有效提高相位测量量程，解决相位噪声放大的问题，提高测量精度。
[0110]
此外，如图3所示，本实施例中，还包括了以jurkat细胞作为待测量样品，通过本实施例中解包方法的实验，图3为具体各类实验结果图，其中图(a)表示样品在波长632.8nm下干涉图(mw
‑
net网络输入)；图(b)表示通过mw
‑
net网络生成的样品在波长532nm下干涉图(mw
‑
net网络输出结果)；图(c)表示通过mw
‑
net网络生成的样品在波长457nm下干涉图(mw
‑
net网络输出结果)；图(d)表示单波长干涉术传统解包方法计算得到相位结果(λ1＝632.8nm)；图(e)表示合成波长(λ1‑2＝3.34um)下计算的相位分布；图(f)表示合成波长(λ2‑3＝3.24um)下计算的相位分布；图(g)表示利用本实施例中解包方法计算的相位分布。
[0111]
实施例2
[0112]
如图4所示，本实施例提供一种基于深度学习的三波长相位解包系统，具体包括：
[0113]
干涉图获取模块100，用于将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，所述深度学习神经网络用于通过学习三种波长干涉图之间的关系，从一种波长λ1的干涉图中同时得出另外两种不同波长λ2和λ3的干涉图；
[0114]
包裹相位计算模块200，用于根据所述样品在波长λ1下的干涉图，以及所得到的所述样品在波长λ2和λ3下的干涉图，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布；
[0115]
解包裹相位计算模块300，用于根据所述包裹相位模块所计算的所述包裹相位分布计算出所述样品在波长λ1、λ2、λ3下的解包裹相位。
[0116]
具体的，本实施例中，λ1具体设置为632.8nm，λ2具体设置为532nm，λ3具体设置为457nm，输入的样品在波长λ1下的干涉图具体大小为256*256像素。
[0117]
进一步的，所述深度学习神经网络为多波长深度学习神经网络mw
‑
net网络，所述
mw
‑
net网络采用以下步骤进行训练：
[0118]
构建多波长深度学习神经网络mw
‑
net网络；
[0119]
采集所述样品在波长λ1下的若干干涉图样本以及所述样品在另外两种不同波长λ2和λ3下的干涉图样本作为训练数据集，对所述mw
‑
net网络进行训练。
[0120]
具体的，本实施例中，可以采集16200个样品在波长632.8nm下的干涉图样本和相应的样品在波长532nm和457nm下的干涉图样本作为训练数据集，对mw
‑
net网络进行训练。且训练数据集还可以通过对不同均值和方差的高斯函数和形状函数进行算术运算得到。另外，为了使训练数据更接近实验数据，还可以在训练数据集中加入不同程度的高斯噪声。同时，本实施例中所有的网络训练环境都是基于python 3.7的pytorch 1.0实现的，并且可以使用nvidiaeforceegtx1080ti gpu加速计算。
[0121]
进一步的，如图2所示，本实施例中所述的mw
‑
net网络包括下采样段、第一上采样段以及第二上采样段：所述下采样段包括依次连接的若干个特征嵌入块，每个所述特征嵌入块包括一卷积层conv，连接于最后一个的所述特征嵌入块还包括连接所述卷积层conv输入端的激活函数层lrelu，连接于第一个的所述特征嵌入块与最后一个的所述特征嵌入块之间的所述特征嵌入块还包括连接所述卷积层conv输入端的激活函数层lrelu和连接所述卷积层conv输出端的归一化层bn；所述第一上采样段以及第二上采样段均包括依次连接的若干个特征编码块，每个所述特征编码块包括一反卷积层deconv、连接于所述反卷积层deconv输入端的归一化层bn以及连接于所述归一化层bn输入端的激活函数层lrelu；
[0122]
干涉图获取模块100将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，具体包括：
[0123]
干涉图获取模块100将样品在波长λ1下的干涉图输入所述下采样段，所述样品在波长λ2下的干涉图通过所述第一上采样段输出，所述样品在波长λ3下的干涉图通过所述第二上采样段输出。
[0124]
具体的，本实施例中，下采样段包括7个依次连接的特征嵌入块feb1
‑
feb7，特征嵌入块feb1
‑
feb7中包括的卷积层conv卷积核大小为4*4，卷积步长为2，第一上采样段以及第二上采样段包括对称的7个依次连接的特征编码块fdb1
‑
fdb7，特征编码块fdb1
‑
fdb7在包括的反卷积层deconv卷积核大小为4*4，卷积步长为2。
[0125]
进一步的，连接于前三个的所述特征编码块还包括连接于所述反卷积层deconv输出端的dropout层。
[0126]
进一步的，在所述下采样段与所述第一上采样段、所述下采样段与所述第二上采样段之间还设置了若干跳跃连接层。具体的，本实施例中，所述下采样段与所述第一上采样段、所述下采样段与所述第二上采样段之间的跳跃连接层设置为6个(如图2中虚线所示)。
[0127]
本实施例中，mw
‑
net网络以端到端的方式学习不同波长之间的映射关系，其中下采样段用于完成对输入干涉图的特征下采样过程，第一上采样段以及第二上采样段用于通过上采样的方式实现不同波长的干涉图输出。此外，神经网络中的激活函数层以及归一化层的设置，有利于使神经网络训练更加稳定，dropout层的设置有利于避免神经网络过拟合，而跳跃连接层的设置融合了下采样段和上采样段中的特征嵌入块和特征编码块的特性，有利于提高神经网络的训练速度。
[0128]
进一步的，对所述mw
‑
net网络进行训练，具体包括：
[0129]
使用adam优化器对所述mw
‑
net网络的权重和偏置进行优化，以最小绝对偏差损失函数作为优化后所述mw
‑
net网络的损失函数；
[0130]
所述损失函数公式如下：
[0131][0132][0133][0134]
其中，和分别表示所述样品通过所述mw
‑
net网络在波长λ2和λ3下的损失，表示所述样品在波长λ2下的干涉图样本，表示所述样品通过所述mw
‑
net网络中生成的干涉图，表示所述样品在波长λ3下的干涉图样本，表示所述样品在所述mw
‑
net网络中生成的干涉图，l
total
表示损失的加权和即总损失，其中v1和v2为50％的加权值，n表示干涉图中像素点个数。
[0135]
具体的，本实施例中，使用的是学习率为0.01的adam优化器对mw
‑
net的权重和偏置进行优化。训练步长为10000步，每3000步学习率下降1次，衰减率为0.8。
[0136]
在完成所述mw
‑
net网络训练后，干涉图获取模块100将样品在波长λ1下的干涉图输入深度学习神经网络，得到所述样品在波长λ2和λ3下的干涉图，之后包裹相位计算模块200可以通过相移相位恢复算法，例如四步相移、aia算法等，计算所述样品在波长λ1、λ2和λ3下的包裹相位分布。其中，得到的相位与波长成反比，满足以下要求：
[0137][0138]
其中，和h(x,y)为所述样品的相位和高度，λ为波长。不同波长的干涉图满足以下关系：
[0139][0140][0141][0142]
其中，a(x,y)和b(x,y)为干涉图的背景和幅值，和δ
λ1,n
(x,y)表示所述样品在波长λ1下的相位分布和在波长λ1下干涉图的相移量，δ
λ2,n
(x,y)和δ
λ3,n
(x,y)表示所述样品在波长为λ2和λ3下的干涉图的相移量。n＝1,2,3
…
是干涉图的序列。
[0143]
进一步的，解包裹相位计算模块300根据所计算的所述包裹相位分布计算出所述样品在波长λ1、λ2、λ3下的解包裹相位，具体步骤包括：
[0144]
根据以下公式计算合成波长：
[0145][0146][0147][0148]
其中，λ1‑2为波长λ1和λ2的合成波长，λ2‑3为波长λ2和λ3的合成波长，λ1‑3为波长λ1和λ3的合成波长，波长大小λ1‑2>λ2‑3>λ1‑3>λ1>λ2>λ3；
[0149]
根据以下公式计算所述样品在合成波长λ1‑2下的解包裹相位
[0150][0151]
表示所述样品在波长λ1下的相位分布，表示所述样品在波长λ2下的相位分布；
[0152]
将λ1‑2、λ2‑3、λ1‑3、λ1、λ2、λ3依次记为λ
i
，i＝1，2，3，4，5，6；
[0153]
利用上一阶波长λ
i
的解包裹相位以及下一阶波长λ
i+1
的包裹相位不断迭代，计算出所述样品在波长λ1、λ2、λ3下的解包裹相位，迭代公式如下：
[0154][0155][0156]
其中，表示所述样本在波长λ
i
下的解包裹相位，表示所述样品在波长λ
i+1
下的解包裹相位，表示所述样品在波长λ
i+1
下的包裹相位，floor函数为向下取整函数，k为迭代中间系数。
[0157]
本实施例中提供的三波长相位解包系统，基于单波长照明的多波长深度学习神经网络mw
‑
net网络，通过学习三种不同波长的干涉图之间的关系，可以从样品在一种波长下的干涉图中同时得到两种不同波长的干涉图，测量过程中仅需采集单个波长下的相移干涉图便可实现，极大简化了干涉测量装置；同时，本实施例中解包过程中利用合成波长取代单波长，有效提高相位测量量程，解决相位噪声放大的问题，提高测量精度。
[0158]
实施例3
[0159]
本实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述实施例1中基于深度学习的三波长相位解包方法的步骤。
[0160]
实施例4
[0161]
本实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例1中基于深度学习的三波长相位解包方法的步骤。
[0162]
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。