基于干涉图分析和深度学习模型的曲率半径测量 李彦毅(Yan-Yi Li)、 田春林(Chuen-Lin Tien)、 石熙福(Hsi-Fu Shih)、 涂翰燕(Han-Yen Tu) 以及陈志成(Chih-Cheng Chen)

《Photonics》:Curvature Radius Measurement Based on Interferogram Analysis and Deep Learning Model Yan-Yi Li, Chuen-Lin Tien, Hsi-Fu Shih, Han-Yen Tu and Chih-Cheng Chen

【字体: 大 中 小 】 时间:2026年04月28日 来源:Photonics 1.9

编辑推荐:

  摘要 从干涉条纹中准确估计曲率半径在光学计量和精密制造中至关重要。传统的干涉图分析方法通常需要人工干预,并且容易受到噪声和环境振动引起的条纹变化的影响。为了解决这些限制,我们将改进的Twyman–Green干涉仪与不同的人工智能(AI)深度学习模型相结合,

  摘要 从干涉条纹中准确估计曲率半径在光学计量和精密制造中至关重要。传统的干涉图分析方法通常需要人工干预,并且容易受到噪声和环境振动引起的条纹变化的影响。为了解决这些限制,我们将改进的Twyman–Green干涉仪与不同的人工智能(AI)深度学习模型相结合,並使用自行开发的MATLAB分析程序,提出了一种非破坏性和快速的用于光学涂层基底的测量系统。所提出的AI辅助Twyman–Green干涉测量系统在原理和实现上与传统波前传感技术有根本的不同。本文利用Twyman–Green干涉仪在B270玻璃和蓝宝石基底上生成干涉条纹数据集,并采用卷积神经网络(CNN)、ResNet-18和VGG-16模型进行训练和评估。实验结果表明,ResNet-18的性能优于其他模型,在蓝宝石基底上的平均绝对百分比误差为5.44%,在B270玻璃基底上为3.40%。这些发现突显了深度学习模型(特别是残差网络)在光学测量应用中自动进行曲率半径(ROC)预测的有效性和鲁棒性。

1. 引言
先进的智能制造业对测量技术提出了严格的要求,包括超高精度、非接触操作、高吞吐量和实时适应性。凭借其独特的优势,光学干涉测量已成为满足这些需求的关键技术[1]。例如,准确的曲率半径(ROC)测量在光学涂层基底的检测、镜头制造和半导体晶圆加工中起着至关重要的作用。在光学干涉仪系统中,当相干光从具有略微不同曲率的表面反射时,会产生同心圆形条纹。光学干涉仪产生的干涉条纹的形状(线性、椭圆形或圆形)提供了关于干涉波前的重要信息。它广泛用于光学车间测试中的直接视觉检测以及其他涉及重要科学和工程测量的应用[2]。条纹间距和分布直接编码了表面曲率信息。传统的分析方法依赖于条纹计数、相位展开或基于傅里叶变换(FFT)的频率分析[3]。虽然这些方法在理论上是稳健的,但它们通常需要手动校准、仔细的噪声抑制和精确的对准。此外,条纹图案受到基底材料属性(如折射率、反射率和表面粗糙度)的影响,导致变化,使传统算法复杂化。传统的牛顿环方法是评估光学技术中物理参数的经典且广泛使用的技术[4]。其核心用途在于从干涉条纹的特性中推导出关键值,如ROC。传统的分析方法,包括最小二乘法(LSM)、中心对齐和轮廓算法(CPAs)[5]以及快速傅里叶变换(FFT)分析,已被用来估计这些物理参数。尽管这些方法在精度方面取得了一定的成功,但它们常常受到显著的限制,如处理时间较长、对噪声的鲁棒性不足以及对初始参数设置的敏感度较高。近年来,深度学习(DL)已成为通过数据驱动学习解决问题的强大工具[6]。Feng等人[7]展示了深度学习如何显著提高单条纹图案的相位解调精度。与现有的单帧方法相比,这种基于深度学习的技术通过快速预测背景图像并估计反正切函数的分子和分母,实现了高精度和保持边缘的相位重建,而无需任何人工干预。随着深度学习的迅速发展,卷积神经网络(CNN)在图像识别和参数估计方面展示了出色的能力[8]。最近的研究表明,像视觉几何组(VGG)[9]和残差神经网络(ResNet)[10]这样的CNN架构可以直接分析牛顿环图像,同时高精度地估计中心和曲率半径[11]。与传统的算法相比,这些模型具有更好的抗噪性和更低的计算延迟,为条纹分析提供了更实用的框架[12]。根据Wu等人的研究[13],牛顿环图像中的ROC测量传统上使用LSM、CPA或FFT等方法进行分析。这些技术主要涉及干涉条纹中心和半径的数值拟合,或通过频域分析提取条纹频率信息,然后推导出与曲率相关的物理参数[14]。Li等人[12]研究了CNN在预测牛顿环干涉条纹物理参数任务中的应用。该研究开发了一个端到端的学习模型,基于VGG结构和U-Net架构的融合,可以同时完成条纹中心的定位和ROC的回归预测。研究人员通过大量模拟和真实的干涉图像对模型进行了训练和测试,以验证该模型在各种常见噪声条件下(包括-5 dB高斯噪声和60%椒盐噪声)仍能保持极高的预测准确性。此外,Zhang等人[15]提出了一种面向实际应用的CNN架构,用于优化牛顿环图像的预测,并引入了轻量级卷积模块和多尺度特征融合策略,以平衡模型推理速度和抗干扰能力。

在这项工作中,我们提出了一种基于深度学习的方法,用于直接从同心圆形干涉条纹图像中预测曲率半径。与传统方法相比,所提出的方法具有更高的准确性、更强的抗噪能力和显著降低的计算延迟。本研究的主要目标是通过开发一种快速预测方法来分析圆形干涉条纹,从而填补这一空白。我们将改进的Twyman–Green干涉仪与深度学习模型(CNN、VGG-16和ResNet-18)相结合,并使用自行开发的MATLAB分析环境,提出了一种非破坏性和快速的测量系统。与依赖于快速傅里叶变换(FFT)人工解释的传统方法[16,17,18,19]不同,本研究自动评估平基底的ROC。过去常用的方法是曲率 sensing 技术,它通过解决散焦强度测量得到的强度传输方程(TIE)来估计波前形状[20]。强度传输方程和经典的Hartmann或Shack–Hartmann传感器使用小透镜阵列从局部斜率测量重建波前[21]。这两种方法都依赖于显式的物理模型和多步骤数值重建。相比之下,所提出的方法利用深度学习模型直接从干涉条纹图案中推断ROC,绕过了基于快速傅里叶变换(FFT)的相位提取和迭代相位展开等传统程序[16,17]。因此,它在保持干涉测量的高精度和空间分辨率的同时,显著提高了测量速度。因此,我们提出了一种半自动的光学测量系统,结合了完全自动化的深度学习推理来预测ROC。与曲率 sensing 相比,它避免了计算密集型的微分方程求解;与Shack–Hartmann传感器相比,它实现了更精细的空间细节,特别适合快速和高精度的光学检测。

2. 材料和方法
2.1. 光学测量设置
基底表面测量的光学路径图如图1所示。它展示了用于测量等厚度条纹的改进型Twyman–Green干涉仪。设置描述如下:使用氦氖激光器(波长λ = 632.8 nm)作为光源。它具有出色的单色性和长相干长度,能够产生稳定的干涉条纹。激光束通过空间滤光片去除杂散模式,形成几乎均匀的平行光束。光圈进一步控制激光束的直径。光束通过分束器分为两个光学路径。一条路径通向参考镜,形成参考光束;另一条路径照射到测试样品上并反射回来形成测试光束。最后,两条光束在接收端的成像透镜处重新结合。CCD相机捕获干涉图像,显示圆形或直线条纹,便于后续的计算机辅助分析。

2.2. 涂层基底
在这项研究中,选择了两种具有不同材料和厚度的基底,即B270玻璃基底和蓝宝石基底,以测量ROC。比较了这些基底的杨氏模量、泊松比和厚度,考虑了它们代表性的机械性能差异。图2显示了实验中使用的B270玻璃基底以及对应于较大ROC的等厚度圆形干涉条纹。B270玻璃基底的厚度为1.6 mm,直径为25.2 mm,提供了适中的机械刚性。其杨氏模量和泊松比分别为71.5 GPa和0.22。由于其稳定的机械性能、良好的表面平整度和出色的光学质量,玻璃基底非常适合精确观察干涉条纹和曲率变化。

2.3. 干涉条纹测量
为了全面评估制造过程后薄膜的残余应力,本研究使用了三种互补的光学分析技术并进行交叉验证。这些技术包括等厚度圆形条纹的分析、等厚度直线条纹的快速傅里叶变换(FFT)分析,以及基于从圆形条纹派生的ROC(R)训练的深度学习(DL)方法来预测和验证R值。
方法1:圆形条纹分析。第一种方法使用改进的Twyman–Green干涉仪与CCD相机结合,捕获样品的圆形干涉条纹(类似于牛顿环)。通过边缘检测技术,自动测量各种干涉阶数的半径()。根据亮条纹或暗条纹的干涉条件,建立阶数m与半径之间的关系,以计算整体曲率半径R。
方法2:直线条纹FFT分析。第二种方法也使用改进的Twyman–Green干涉仪获得等厚度的直线干涉条纹。经过灰度转换、去噪和背景减除后,选择多个干涉条纹进行FFT分析,如图4所示。通过从频谱中选择边带载波,重建相位图像并拟合以确定基底的曲率半径R。
方法3:深度学习预测。第三种方法使用从圆形条纹获得的R值来训练各种深度学习模型。这个过程识别出最优的预测模型,然后用它来生成预测的R值。最后,比较和验证所有三种方法的结果。

2.4. 使用不同干涉条纹确定曲率半径
本研究开发了一个基于MATLAB的程序,用于快速精确地计算通过改进的Twyman–Green干涉仪捕获的涂层基底的圆形干涉条纹的ROC。为了优化条纹清晰度,程序首先对捕获的图像应用高斯滤波和亮度增强。用户通过专用的MATLAB界面手动选择几何中心后,图像会进行极坐标变换。然后使用findpeaks函数分析一维强度分布曲线来提取每个条纹 order 的物理半径()。根据牛顿环理论[22],通过线性回归拟合条纹 order (m) 与半径之间的关系来计算 R。第 m 个暗环的半径表示为 rm,公式可表示为:(1) 其中 λ 是光源的波长,R 是曲率半径,m 是条纹 order(m = 0, 1, 2, 3, …)。这意味着环的半径与自然数的平方根乘以 λR 成正比。因此,随着半径的增加,条纹之间的距离(Δr)会变小。条纹间距(Δr)与曲率半径成反比,也就是说条纹密度越高,Δr 越小。公式可表示为:(2) 条纹的空间频率(f)与Δr 的平方根成反比,关系式如下:(3) 因此,ROC 的物理编码方法包括条纹间距、条纹密度和径向频率分布。具体来说,程序将亮条纹中心标识为 R,将暗条纹中心标识为 mR。如果可识别的条纹不足,则使用单条纹公式进行估计。最终的 R 值来自回归斜率,计算得到的均方根误差(RMSE)作为数据质量和拟合精度的关键指标,确保自动化验证过程的可靠性。中心点选择和计算结果的准确性和可靠性通过均方根误差(RMSE)来验证。为了简化后续 ROC 分析和深度学习研究的工作流程,程序会自动将关键元数据(包括文件名、曲率半径和拟合误差)编译到 Excel 报告中,提供一个用于进一步研究的强大数据集。为了使用等厚度的直线干涉条纹计算 ROC,首先通过半自动的 Twyman–Green 干涉仪和 CCD 相机获取的图像进行灰度转换和双精度变换,然后将其归一化到 [0, 1] 范围内。用户指定中心和半径以隔离有效的干涉区域,有效排除边缘噪声和背景伪影。接着对预处理后的图像应用快速傅里叶变换(FFT)以获得振幅谱 |F(u, v)|。直线干涉条纹的快速傅里叶变换得到的频谱如图 4 所示。通过手动选择边带载波中心,使用余弦窗口提取并过滤频域以增强信号质量。提取的频率数据被移动到频谱中心以消除直流 (DC) 分量,然后进行逆快速傅里叶变换(IFFT)。从得到的复数数据中恢复相位信息并将其转换为光学表面轮廓。为了获得连续的相位图,采用相位展开方法来解决 2 个相位跳变问题。根据干涉条件,这些数据被转换为光学厚度变化,并通过平面拟合去除残余倾斜。随后使用中心区域进行球面表面重建和曲率半径拟合。此外,还对 X 轴和 Y 轴的相位轮廓进行一维曲线拟合以确定曲率半径。最后,计算 ROC 的平均值。2.5 深度学习模型的选择 本研究评估并比较了三种深度学习模型——CNN、ResNet-18 和 VGG-16——以确定哪种架构在预测干涉图像的 ROC 时具有最高的准确性。实施过程遵循一个全面的五阶段工作流程:(1) 数据标记和分组,(2) 预处理和增强,(3) 模型构建,(4) 训练和验证,以及 (5) 测试、评估和结果导出。最初,使用基于 Pandas 的工作流程从 Excel 文件中读取曲率标签,并将每个圆形干涉条纹图像映射到相应的数值 R 值。根据半径大小将数据集分为两组:“小 ROC”(20–60 m),如图 5a 所示,以及“大 ROC”(超过 100 m),如图 5b 所示。每组包含 500 个样本。为了研究基底材料对模型性能的影响,大半径组使用 B270 玻璃基底,而小半径组使用蓝宝石基底。在数据加载阶段,应用了几种增强和归一化技术以提高模型鲁棒性。图像被重新缩放并裁剪为 224 × 224 像素,然后进行随机水平翻转、随机旋转(±10°)和颜色抖动。数据随后被转换成张量,并使用 ImageNet 数据集的均值和标准差进行归一化。总共 1000 张图像按照 70%/15%/15% 的比例分为训练集、验证集和测试集。批量大小为 32,用于迭代参数更新。由于此实验将曲率预测视为回归任务,因此将主干网络(CNN、VGG-16 或 ResNet-18)的标准分类头替换为回归头。该架构从干涉条纹中提取高级特征,通过全局池化将特征图从 C × H × W 压缩为 C × 1 × 1,然后将其展平为长度为 C 的特征向量 z。最后添加一个输出维度为 1 的全连接层(FC),预测结果表示为 y = Wz + b。训练过程最小化 MSE(均方误差)或 Huber 损失,以减少预测值与从圆形条纹分析获得的测量值 y 之间的差异。这种回归设计确保输出 ROC 的单个连续数值。2.5.1 CNN 模型架构 本研究首先实现了一个由三个连续模块组成的自定义 CNN。每个模块包含一个 3 × 3 的卷积层、ReLU 激活函数和最大池化(滤波器数量分别为 32、64 和 128)。特征提取后,数据被展平并通过一个具有 256 个节点的全连接(FC)层,使用 ReLU 激活函数和 50% 的dropout 率来防止过拟合,最后输出到一个节点以进行预测。为了进行全面比较,还评估了两个预训练模型——ResNet-18 和 VGG-16。对于 ResNet-18,加载在 ImageNet 上预训练的权重,保持主干结构的同时将最终分类层替换为单神经元输出。同样,VGG-16 模型的原始分类头被移除,并替换为两个 FC 层的序列:4096→ReLU→4096→ReLU→1。所有计算都分配给 GPU 以最大化处理效率。所有三个模型的训练阶段都使用 Huber 损失(容忍阈值 δ = 0.7)和 Adam 优化器(学习率 = 2 × 10?5,权重衰减 = 1 × 10?4)。 ReduceLROnPlateau [23] 调度器监控验证损失;如果损失连续 15 个时期没有改善,学习率会自动调整 0.5 倍。训练进行 1000 个时期,在此期间自动保存验证损失最低的模型。完成后,使用 RMSE 和 MAE 指标在测试集上评估表现最佳的模型。通过“实验测量值与深度学习预测”的散点图和“训练/验证损失”的折线图可视化预测性能。最后,将未知圆形干涉图像的测试结果、损失数据和预测结果导出到 Excel 文件中以进行进一步分析。如图 6 所示,这种基于深度学习的框架成功实现了从原始干涉条纹图像直接自动导出 ROC。2.5.2 CNN 模型架构 本研究首先介绍三种模型设计,从 CNN 架构开始,如图 7 所示。从左到右,输入层接受分辨率为 224 × 224 像素的标准化圆形干涉条纹图像,格式为单通道(灰度)。初始处理阶段 Conv1 使用三十二个 3 × 3 的卷积核和 1 的填充保持空间尺寸。接下来是批量归一化(Batch Norm)以稳定训练,ReLU 激活函数以增强非线性表示,以及最大池化进行空间降采样,输出尺寸为 112 × 112 × 32。第二阶段重复此卷积序列,但将滤波器数量增加到 64,池化后的输出尺寸减少到 28 × 28 × 128。为了提取更深层次的特征,第三阶段模块也使用 3 × 3 的内核和 128 个滤波器。与前面的阶段不同,第三阶段使用自适应平均池化(Adaptive Average Pooling)而不是最大池化,将特征图压缩为 1 × 1 维度(输出尺寸为 1 × 1 × 256),有效地固定了后续层的输入尺寸。第四阶段是一个 dropout 层(p = 0.5),在训练期间随机省略一半的神经元以防止过拟合并提高模型的泛化能力。最后,256 维的特征向量被展平并通过全连接(FC)层输出最终的连续数值 ROC。总之,这个四层卷积网络在每次卷积后都集成批量归一化(Batch Norm)和 ReLU,以确保稳定的学习。为了可视化训练进度和预测性能,本研究使用 Matplotlib R2024b 库生成训练/验证损失曲线和比较实验测量值与预测值的散点图。这些可视化提供了模型准确性和训练状态的直观评估,为后续分析和讨论提供了坚实的基础。2.5.3 ResNet-18 架构 基于 ResNet-18 架构,本研究开发了一个深度学习模型,该模型旨在通过简化的六模块过程自动预测薄膜表面的 ROC(R),如图 8 所示。该架构从 Conv1 层开始特征提取,使用 7 × 7 的卷积核和 2 的步长,以及最大池化,有效地将输入的 224 × 224 图像减少到 112 × 112。通道数为 64,特征图用于提取边缘和亮度分布等低级特征。网络的核心分为四个连续阶段,每个阶段包含两个基本块,这些块使用残差连接(Residual Connections)来减轻深度网络中常见的梯度消失和退化问题。第一阶段使用 3 × 3 的卷积和 Identity Shortcuts 生成 56 × 56 × 64 的特征图,捕获条纹的方向和结构特征,而第二阶段和第三阶段转向投影快捷方式(1 × 1)以增强条纹宽度的识别和加深特征抽象,输出尺寸分别为 28 × 28 × 128 和 14 × 14 × 256。第四阶段的最终特征提取生成高级语义特征,输出尺寸为 7 × 7 × 512。尽管原始的 ResNet-18 是为 1000 类分类优化的,但本研究通过将最终的全连接(FC)层替换为单神经元输出层来适应回归任务。训练阶段后,使用 RMSE 和 MAE 指标在测试集上评估模型,性能通过实验测量值与预测值的散点图和训练/验证损失的折线图进一步可视化。这种集成方法最终形成了一个自动化测量工作流程,将表现最佳的模型应用于未知图像数据,并自动将所有结果和损失曲线导出到 separate 的 Excel 表格中进行高效数据管理。2.5.3 VGG-18 架构 基于 ResNet-18 架构,本研究开发了一个深度学习模型,旨在通过六个模块的简化流程自动预测薄膜表面的 ROC(R),如图 8 所示。该架构从使用 7 × 7 的卷积核和 2 的步长的 Conv1 层开始特征提取,以及最大池化,有效地将输入的 224 × 224 图像减少到 112 × 112。通道数为 64,特征图用于提取边缘和亮度分布等低级特征。网络的核心分为四个连续阶段,每个阶段包含两个基本块,这些块使用残差连接来缓解深度网络中常见的梯度消失和退化问题。第一阶段使用 3 × 3 的卷积和 Identity Shortcuts 生成 56 × 56 × 64 的特征图,捕获条纹的方向和结构特征,而第二阶段和第三阶段转向投影快捷方式(1 × 1)以增强条纹宽度的识别并加深特征抽象,输出尺寸分别为 28 × 28 × 128 和 14 × 14 × 256。第四阶段的最终特征提取通过通道对齐生成高级语义特征,输出尺寸为 7 × 7 × 512。虽然原始的 ResNet-18 是为 1000 类分类优化的,但本研究通过将最终的全连接(FC)层替换为单神经元输出层来适应回归任务。训练阶段后,使用 RMSE 和 MAE 指标在测试集上评估模型,性能通过实验测量值与预测值的散点图和代表训练和验证损失的折线图进一步可视化。这种集成方法最终形成了一个自动化测量工作流程,将表现最佳的模型应用于未知图像数据,并自动将所有结果和损失曲线导出到 separate 的 Excel 表格中进行高效数据管理。VGG-16模型
VGG-16模型被用作曲率半径预测任务的深度学习模型,以评估深度卷积架构在图像分析中的性能。其架构图如图9所示。输入层接收分辨率为224 × 224 × 3的RGB图像;对于灰度图像,单个通道被复制三次以满足标准输入格式要求。卷积块1包含两个3 × 3的卷积层,每个层有64个通道,然后是一个MaxPool2d层,用于下采样到112 × 112 × 64的输出尺寸,主要负责提取边缘和强度分布等低级特征。卷积块2同样由两个3 × 3的卷积层组成,通道数增加到128,配以一个Max Pooling层,输出尺寸为56 × 56 × 128,进一步捕获边缘方向和中心分布等中级特征。卷积块3包含三个卷积操作,通道数增加到256,并配以一个MaxPool2d层,输出尺寸为28 × 28 × 256,使模块能够识别干涉环的幅度和分布变化。卷积块4包含三个通道数为512的卷积层,经过Max Pooling后,输出尺寸达到14 × 14 × 512,具有高度抽象能力,可以整合不同的条纹范围和弯曲模式。卷积块5也包含三个卷积层和一个MaxPool2d层,输出尺寸缩小到7 × 7 × 512,形成最终特征图。对于回归任务,7 × 7 × 512的特征图被展平为一维向量,接着是两个4096维的全连接(FC)层和一个单输出FC层(FC-1)用于曲率半径预测;尽管原始的VGG-16是为1000类分类任务设计的,但本研究将输出层从FC-1000修改为FC-1以解决回归问题。为确保准确性,原始模型的分类输出层被替换为单个FC层,使模型能够输出与薄膜曲率半径对应的连续值,同时保留预训练的权重以保持高级特征提取能力。最终,模型的输入分辨率仍为224 × 224,并应用随机旋转和颜色抖动等预处理步骤来提高泛化性能。

3. 结果与讨论
3.1. 使用圆环干涉条纹法和FFT方法比较曲率半径
我们使用干涉圆环条纹模型预测的曲率半径与通过快速傅里叶变换(FFT)获得的测量值进行了比较。对五个B270玻璃基板使用这两种方法进行了测量。在线性等厚度干涉条纹且曲率半径较小的情况下,条纹图案的高频率超过了FFT的奈奎斯特频率,导致频率分量发生混叠和失真,从而妨碍了成功分析。因此,本实验使用曲率半径较大的样品进行交叉验证。这种方法表明,基于圆环干涉条纹预测的曲率半径是准确的。根据表1所示的实验结果,样品1的曲率半径通过圆环干涉条纹预测的百分比差异为0.55%。在五个样品组中,相对误差范围为0.26%至1.68%。考虑到曲率半径超过100微米,这些偏差(都在1.2%以内)表明干涉圆环条纹方法可以准确预测曲率半径,并具有出色的重现性。

3.2. 三种模型在曲率半径较小和较大的基板上的预测性能
干涉条纹图像的曲率半径代表了相应基板的几何曲率。在这项研究中,我们根据曲率半径将干涉条纹图像分为两组:蓝宝石基板组(曲率半径较小,ROC = 20–60微米)和玻璃基板组(曲率半径较大,ROC > 100微米)。这种分类方法使我们能够在不同的弯曲条件下研究三种不同深度学习模型的预测能力。通常,曲率半径较小的样品会产生更密集、更多且对比度更高的干涉条纹,而曲率半径较大的样品会产生更宽的条纹间距和相对更容易预测的简单图案。因此,曲率半径较小的图像对预测提出了更高的挑战,要求模型具有更强的特征识别和适应能力。本研究侧重于针对这两种情况的组别训练和测试,以全面评估不同深度学习模型的泛化能力和稳定性,并最终确定最佳模型作为后续深度学习任务的基准。

3.3. CNN模型在曲率半径较小和较大的基板上的预测性能
进行了模型训练和验证,以评估稳定性和收敛行为。图10a和图10b分别展示了小曲率半径和大曲率半径数据集的训练和验证损失曲线。以图10a中的小曲率半径范围为例,初始训练和验证损失大约为20微米,在前50个周期内迅速下降到2微米以下;随后,损失曲线稳定在1.5微米至2.5微米之间,验证损失与训练损失一致,表明模型具有较强的拟合能力,没有过拟合迹象。相比之下,如图10b所示的大曲率半径范围内,初始损失值相对较高,训练和验证损失从约100微米开始。在前100个周期内,验证损失波动达到195.6微米;然而,随着训练的进行,损失逐渐下降并稳定在2.5微米至6.0微米的范围内。这些现象表明,即使在面对高方差数据时,模型也能保持强大的学习能力和收敛性。如图11a所示,模型对小曲率半径样品(20–60微米)具有更强的适应性,这些样品的特点是条纹密集且特征稳定,导致快速收敛和较低的绝对误差(MAE 3.44微米和RMSE 5.51微米)。对于大曲率半径样品(超过100微米),尽管在早期训练期间出现波动,但模型实现了稳定收敛。尽管绝对误差较高(MAE 8.46微米和RMSE 11.98微米),但由于预测值的基数较大,MAPE(平均绝对百分比误差)方面的相对准确性实际上优于小曲率半径样品(9.56%),如图11b所示;总体而言,这些结果验证了所提出的CNN架构在干涉图像回归任务中的实用性和准确性。

3.4. ResNet-18模型在曲率半径较小和较大的基板上的预测性能
ResNet-18深度卷积神经网络架构被用于基于圆环等厚度干涉条纹的曲率半径回归预测。为了评估模型性能,绘制了小曲率半径和大曲率半径数据集的训练和验证损失曲线,并结合散点图比较了模型预测结果与通过MATLAB R2024b获得的半径值;这些损失曲线的关键值和趋势在图12a和图12b中进行了总结。对于小曲率半径数据,ResNet-18模型在最初的0–50个周期内损失值迅速下降,表明其能够有效学习图像特征。大约100个周期后,训练和验证损失稳定在约1.3微米,并且趋势一致,没有明显的过拟合现象,这归因于小曲率半径图像的条纹相对稀疏和特征明显,有助于更容易收敛。相比之下,大曲率半径数据的初始损失显著较高,训练损失约为85微米,验证损失约为87微米,需要更多的训练时间来提取特征。虽然训练损失在大约第150个周期后收敛到2.7微米,但验证损失在第200个周期后保持在约5.8微米,这表明在未见过大曲率数据上的泛化效果较差。图13a和图13b显示了每个70个样品的测试结果,将实验测量值与ResNet-18预测结果进行比较,性能指标总结在表2中。小曲率半径样品的MAE为1.66微米,而大曲率半径样品的MAE为5.02微米;同样,小曲率半径样品的RMSE为2.43微米,大曲率半径样品的RMSE为6.55微米。然而,在MAPE方面,小曲率半径样品的MAPE为5.44%,而大曲率半径样品的MAPE为3.40%。

3.5. VGG-16模型在曲率半径较小和较大的基板上的预测性能
VGG-16深度卷积神经网络架构被用于基于圆环等厚度干涉条纹的曲率半径回归预测。为了评估模型性能,绘制了小曲率半径和大曲率半径数据集的训练和验证损失曲线,并结合散点图比较了模型预测结果与通过MATLAB获得的半径值;这些损失曲线的关键值和趋势在以下图表中进行了分析。如图14a所示的小曲率半径数据,VGG-16模型在最初的0–50个周期内损失迅速下降,表明其能够有效学习干涉图像中稀疏且具有代表性的条纹特征。大约100个周期后,训练损失稳定在约5.3微米,验证损失稳定在约4.9微米;两者趋势一致且波动较小,表明具有出色的收敛性和泛化能力,没有明显的过拟合现象。相比之下,如图14b所示的大曲率半径数据,初始损失显著较高,训练损失约为97微米,验证损失约为88微米,表明模型需要更多的训练资源来学习密集和复杂的干涉条纹特征。训练损失在大约第150个周期后收敛到6.4微米,而验证损失在第200个周期后稳定在5.1微米,两者之间存在差距,表明在未见过大曲率数据上的泛化效果较差。图15a和图15b分别展示了每个70个样品的测试结果,将VGG-16预测结果与实验测量值进行比较。根据表2中的误差指标,小曲率半径样品的MAE为1.77微米,而大曲率半径样品的MAE为6.3微米。尽管大曲率组的MAE自然较高,但由于其数值范围较大,进一步观察RMSE发现小曲率组的RMSE为2.09微米,大曲率组的RMSE为8.24微米。有趣的是,当计算MAPE时,小曲率组的MAPE为6.63%,而大曲率组的MAPE为4.4%。

3.6. 三种深度学习模型在曲率半径较小和较大的基板上的预测性能比较
本研究选择了三种常见的卷积神经网络架构(CNN、ResNet-18和VGG-16),详细信息见表2和表3,以评估它们在曲率半径预测方面的准确性。结果表明,ResNet-18模型在小曲率半径样品上表现出卓越的稳定性和更高的预测准确性,MAE为1.66微米,RMSE为2.43微米,MAPE为5.44%,表明预测结果与理想对角线非常接近。尽管该模型在处理大曲率半径样本时能够有效收敛,但如表3所示,其误差显著增加,平均绝对误差(MAE)达到5.02米,均方根误差(RMSE)为6.55米,平均绝对百分比误差(MAPE)为3.40%,这表明在处理高频干涉条纹时准确性略有下降。VGG-16模型在处理小曲率半径样本时也表现出稳定的学习能力(MAE:1.77米;RMSE:2.09米;MAPE:6.63%);然而,对于大曲率半径样本,其准确性显著下降(MAE:6.30米;RMSE:8.24米;MAPE:4.40%),这可能是由于难以识别密集的图像细节所致。最后,CNN模型在小曲率半径样本上的表现为MAE为3.44米,RMSE为5.51米,MAPE为9.29%(见表2),而其在大曲率半径样本上的误差介于ResNet-18和VGG-16之间(MAE:8.46米;RMSE:11.98米;MAPE:5.71%),如表3所示。尽管整体精度较低,但评估结果证实ResNet-18是最适合用于大曲率和小曲率半径范围预测任务的架构。

为了验证所提出的深度学习模型在曲率半径预测方面的准确性和可行性,本研究采用了快速傅里叶变换(FFT)作为参考基准,如表4所示。从同一大曲率玻璃基板样本中获取了五张干涉图像进行FFT分析,并确定了涂层前后平均曲率半径,以便与深度学习模型的预测结果进行比较。实验结果表明,在这三个模型中,ResNet-18表现出最高的预测准确性和稳定性;因此,后续的比较和系统集成主要基于训练有素的ResNet-18模型。该模型首先被嵌入到一个图形用户界面(GUI)中进行测试,通过分析涂层前后的圆形等厚度干涉条纹图像来预测它们的曲率半径Rbefore和Rafter。这些结果总结在表4中。FFT方法通过直线干涉条纹的光谱分析来推导曲率半径的变化,而深度学习模型可以直接以单个圆形干涉条纹图像作为输入来输出相应的曲率半径。比较这两种方法的ROC预测结果有效验证了所提出模型在解决物理属性回归问题方面的准确性和应用潜力。

**结论**

本研究通过整合圆形干涉条纹和深度学习模型,成功开发了一种半自动化且高效的高精度曲率半径测量系统。在对比的三个模型中,ResNet-18在曲率半径预测方面展现了最出色的整体性能。对于小曲率半径样本(蓝宝石基板),ResNet-18的误差指标最低,MAE为1.66米,RMSE为2.43米,MAPE为5.44%,显示出在学习细微条纹变化方面的高精度。对于大曲率半径样本(玻璃基板),ResNet-18的MAE为5.02米,RMSE为6.55米,MAPE仅为3.40%,显著优于CNN和VGG-16模型。ResNet-18不仅平衡了准确性和稳定性,还在不同曲率范围内表现出优异的泛化能力,使其成为本研究中最有前途的预测模型。

此外,通过使用直线干涉条纹的传统FFT方法对深度学习模型的圆形干涉条纹预测准确性进行了验证。在五组样本中,两种方法的相对误差均保持在1.7%以下,证实了结果的高度一致性、准确性和可重复性。这表明该模型能够精确地进行曲率半径的回归分析,并可作为光学测量的替代工具,有效应用于物理属性估算。最后,开发了一个图形用户界面(GUI),整合了图像上传、模型推理和ROC计算功能。该界面在GPU环境下运行,每张图像的推理时间仅为5-20毫秒,使整体测量效率提高了90%以上,同时显著减少了人为误差和时间成本。总之,本研究的结果不仅在科学上验证了将深度学习应用于干涉图像分析的可行性,还为涂层的非破坏性检测提供了一种创新、准确且实用的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号