基于深度学习辅助信号子空间方法的干涉相位导数提取技术及其在数字全息干涉测量中的应用

光学干涉测量技术面临噪声和非均匀强度变化的挑战，研究人员提出深度学习辅助信号子空间方法，实现相位导数的高精度提取。该方法在数字全息干涉测量(DHI)中展现出卓越的抗噪能力和对异常干涉图的容忍性，通过仿真和实验验证了其优于传统方法的性能，为精密无损变形测量提供了新工具。

　　

在精密工程和材料科学领域，光学干涉测量技术如同一位“无形尺匠”，通过捕捉光波干涉产生的条纹，非接触式地测量物体微米级变形。然而这位匠人常被两大难题困扰：环境噪声如同顽固的静电干扰信号，非均匀强度变化则像不规则的阴影扭曲条纹图案。传统方法如窗口傅里叶变换(WFT)或维格纳-维尔分布(WVD)在应对这些挑战时，往往陷入精度下降的困境。

为此，来自印度科学与工业研究委员会(Department of Science and Technology, India)的Viren S Ram和Rajshekhar Gannavarpu团队开发了一种创新解决方案。他们巧妙地将深度学习的模式识别能力与信号子空间的数学严谨性相结合，构建出可直接从噪声干涉图中提取相位导数的混合算法，相关成果发表在《Optics》期刊。研究团队采用数字全息干涉测量(DHI)技术框架，通过模拟30,000组基于Zernike多项式的训练数据，开发出能抵抗60dB强噪声的神经网络模型，其相位导数提取误差比传统方法降低80%以上。

关键技术包括：1) 采用256×256像素Zernike多项式模拟干涉条纹相位；2) 构建深度卷积网络处理含高斯噪声和非均匀照明的干涉图；3) 通过离散Fresnel变换重建物光波复振幅；4) 利用信号子空间投影分离噪声与有效信号成分。

【理论】部分阐明，该方法通过奇异值分解(SVD)将干涉图分解为信号与噪声子空间，结合深度学习实现噪声成分的精准滤除，避免了传统数值微分带来的误差放大效应。

【仿真结果】显示，在60dB加性高斯白噪声条件下，该方法相位导数提取的均方根误差(RMSE)仅为0.012rad/px，结构相似性指数(SSIM)达0.98，显著优于WFT和矩阵铅笔(matrix-pencil)等方法。

【实验结果】通过532nm激光数字全息系统验证，成功从铝板热变形实验中提取到纳米级位移导数，其灵敏度达到λ/100(约5.32nm)。

【讨论】指出该方法的局限性在于需要预先训练网络，但对不同实验条件展现出良好泛化能力。【结论】强调这项研究开创了深度学习与经典干涉测量的融合范式，为航空复合材料检测、微电子封装应力分析等需要高精度变形测量的领域提供了新范式。值得注意的是，研究获得印度国家研究基金会(CRG/2023/001097)和科技部(DST/FFT/NQM/QSM/2024/3)双重资助，印证了其战略价值。