深度学习点衍射干涉三维坐标定位技术
为了提高现有的三维坐标定位技术的测量精度、稳定性和测量效率,提出了基于深度学习的点衍射干涉三维坐标定位方法.该方法设计了一个深度神经网络用于点衍射干涉场的坐标重构,将相位差矩阵作为输入,构建训练数据集,将点衍射源坐标作为输出,训练神经网络模型.利用训练有素的神经网络对测量到的相位分布进行初步处理,将相位信息转换为点衍射源坐标,根据得到的点衍射源坐标进一步修改粒子群算法的初始粒子,进而重构出高精度的三维坐标值.该神经网络为建立干涉场相位分布与点衍射源坐标之间的非线性关系提供了一种可行的方法,显著提高了三维坐标定位的精度、稳定性和测量效率.为验证所提方法的可行性,进行了数值仿真和实验验证,采用不同的方法进行反复对比与分析.结果表明:所提方法的单次测量时间均在 0.05 s左右,其实验精度能够达到亚微米量级,重复性实验的均值和RMS值分别为 0.05 μm和 0.05 μm,充分证明了该方法的可行性,并证明了其良好的测量精度和可重复性,为三维坐标定位提供了一种有效可行的方法.
点衍射干涉、三维坐标定位、卷积神经网络、非线性关系、全局最优
52
TH741(仪器、仪表)
浙江省自然科学基金项目;浙江省自然科学基金项目
2023-05-18(万方平台首次上网日期,不代表论文的发表时间)
共7页
250-256