摘要
在光学计量领域，波长可调干涉仪被广泛用于获取被测物体的相位信息。由于存在模2π运算，提取出的相位本质上会被限制在?π到π的范围内，因此需要通过相位解包来恢复真实的相位分布。然而，传统的相位移位方法存在诸多问题，如相位移位校准误差、耦合信号、大气湍流以及测量噪声等因素都会导致其精度较低。为解决这些问题，本文提出了一种基于深度学习的相位解包方法，该方法利用深度卷积神经网络将相位解包任务转化为多类分类问题。所提出的方法采用编码器-解码器残差网络（ResNet）架构，将相位解包视为逐像素的语义分割任务，从而实现端到端的连续相位重建。此外，该方法还采用了基于2N ? 1算法的数据集生成策略，无需依赖泽尼克多项式表示，即可有效抑制相位移位校准误差和谐波耦合误差。同时，通过大规模数据增强处理（将训练样本数量扩大16倍，达到20,992个），提升了网络的泛化能力和抗噪声能力。定量实验结果表明，在无噪声条件下，该方法的相位解包准确率为100%；而在存在严重噪声的情况下（标准差为1.5），其准确率仍可达99.03%，这一性能远远优于在相同条件下的质量引导法（QG，69.87%）和强度传输方程法（TIE，77.53%）。在利用波长可调干涉仪获取的实际干涉数据中，即便在噪声极大的情况下，该方法也能成功解包相位，而传统方法则完全无法做到这一点。这些结果充分证明了该方法具有出色的抗噪声能力，有望在高精度光学计量领域得到应用。
