基于深度学习的电子散斑干涉条纹图骨架线提取.pdfVIP

摘要

摘要

电子散斑干涉(ElectronicSpecklePatternInterferometry,ESPI)技术作为光学计

量中重要的方法之一，是一种强大的全场测量技术。通过对电子散斑干涉条纹图

中相位项的求解即可得到待测物体的物理信息，因此如何准确地获取相位信息是

ESPI成功应用的关键。

基于条纹细化的条纹骨架线法是ESPI相位测量中最直接的方法，该方法首先

通过预处理得到ESPI条纹图对应的二值图像，然后再利用简单的细化算法即可获

得单像素宽度的骨架线。然而，ESPI条纹图中固有的散斑噪声和强度的不均匀性

使得从ESPI条纹图中获得二值图像非常困难。随着深度学习的发展和应用，如何

实现干涉条纹图的自动化处理逐渐成为光学计量相关科研人员新的研究方向。本

文将ESPI条纹图骨架线提取过程与深度学习方法相结合，实现了ESPI条纹图骨

架线的自动化提取。

本文介绍了几种典型的ESPI系统及其基本原理，接着以合金金属片为待测物，

通过迈克尔逊散斑干涉测量系统采集了大量实验ESPI条纹图。同时用计算机模拟

的方式获得了模拟ESPI条纹图，然后利用条纹骨架线法分别得到对应的骨架线图

像，并用这些数据构建了用于深度学习的训练集和测试集。

本文提出了一种基于Pix2pixcGAN的ESPI条纹图骨架线提取方法，只需要

完成网络模型的训练，即可通过该模型实现大量ESPI条纹图骨架线的快速、精确

提取。在配对的实验ESPI条纹图和对应的骨架线图像中加入部分模拟数据对网络

进行训练，进一步提高了该方法提取骨架线的准确性。分别使用200幅模拟ESPI

条纹图和200幅实验ESPI条纹图作为测试集来验证该方法骨架线提取的有效性。

结果表明，本文方法无需对原始ESPI条纹图做预处理即可得到对应的骨架线图像，

200ESPI20s

而且提取幅实验条纹图的骨架线仅需要。通过将本文方法与传统条

纹骨架线法、U-Net方法以及CycleGAN方法在定性和定量两个角度的对比和分

析，充分证明了该方法在提取骨架线速度和精度方面的优越性。此外，对于实验

中采集的一些存在条纹断裂的ESPI条纹图，使用该方法同样可以得到完整且平滑

的骨架线图像。最后使用铝片在受热状态下采集的一组ESPI条纹图验证了本文方

法的泛化能力。

关键词：电子散斑干涉；骨架线提取；深度学习；卷积神经网络；生成对抗网络

I

Abstract

Abstract

Electronspeckleinterferometry,asoneofthemostimportantmethodsinoptical

metrology,isapowerfulfull-fieldmeasurementtechnique.Thephysicalinformationof

theobjecttobemeasuredcanbeobtainedbysolvingthephasetermintheelectron

speckleinterferencefringepattern.Therefore,howtoobtainthephaseinformation

accuratelyisthekeytothesuccessfulapplicationofESPI.

Thefringeskeletonmethodbasedonfringethinningisthemostdirectmethodin

ESPIphasemeasurement.Thismethodfirstobtainsthebinaryimagecorrespondingto

theESPIfringeimagethroughpre