DeepBessel：基于深度学习的单帧时间平均干涉显微振动轮廓测量方法

《Optics and Lasers in Engineering》：DeepBessel: deep learning-based full-field vibration profilometry using single-shot time-averaged interference microscopy

本文推荐一种基于深度学习的时间平均干涉测量（TAI）新方法DeepBessel，通过卷积神经网络（CNN）直接从贝塞尔图（besselogram）中解析微机电系统（MEMS/MOEMS）的振动幅度分布。该方法突破传统余弦函数分析框架的局限，显著降低由贝塞尔函数与余弦函数不匹配引起的重构误差，为光学计量学提供更精准的单帧全场振动测量方案。

　　

章节精选

基于神经网络的贝塞尔函数参数估计

我们来聊聊训练数据集的生成过程吧！神经网络的输入数据是人工合成的贝塞尔图。选择深度学习进行贝塞尔图分析的核心原因在于：贝塞尔函数的反问题（贝塞尔相位解调）缺乏明确的解析解。相比之下，传统TAI振动幅度解调方案［9］...

实验与结果

本节展示了DeepBessel网络的数值评估结果以及架构参数（路径数和卷积滤波器数量）的精细调优过程。主要目标是最大化解决方案的泛化能力。最终网络架构通过实验记录的贝塞尔图进行测试，并与基于希尔伯特螺旋变换（HST）的先进单帧贝塞尔图解调方案［14］进行对比。

结论

本文推出了专为全场振动轮廓测量中贝塞尔图分析设计的深度学习方案DeepBessel。通过利用卷积神经网络（CNN），该技术可直接从单张贝塞尔图（通过计算相移时间平均干涉图序列的振幅项获得）中估计振动幅度分布。

与希尔伯特螺旋变换（HST）等传统单帧方法相比，DeepBessel...