基于深度学习的显微离焦图像法颗粒深度测量

摘要：

显微成像条件下的三维流场测量是微通道流动等研究的基础,其难点在于颗粒深度位置的测量.由于显微镜头景深极小,成像时通道内大部分颗粒处于离焦状态.本文首先基于几何光学原理分析了显微成像前后离焦不对称的特点,随后基于Inception V3卷积神经网络搭建了颗粒深度预测模型,并通过光线追踪方法生成粒径1～10μm的10种颗粒在深度范围?50～50μm内的仿真显微图像,应用深度预测模型对其进行训练及预测,颗粒深度预测结果显示1～3μm颗粒的相对误差在±13％以内,4～10μm颗粒的相对误差小于±5％.最后在微通道中拍摄粒径分别为2.6μm和5μm的聚苯乙烯微球在深度范围?50～50μm内的显微图像,应用同一深度预测模型进行训练及预测,两种颗粒深度预测结果的相对误差分别为小于±15％和±5％.结果表明,所提出的基于深度学习的显微离焦图像法能够有效测量微通道内颗粒深度位置,为图像法流场测量技术增加了新的思路.

关键词：卷积神经网络;显微离焦;深度位置测量;微通道

所属期刊栏目：40

分类号：TP389.1(计算技术、计算机技术)

资助基金：国家科技重大专项;国家自然科学基金

在线出版日期：2021-12-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：6499-6504