CN114187362B - 点衍射干涉三维定位方法、电子设备及点衍射干涉装置 - Google Patents

点衍射干涉三维定位方法、电子设备及点衍射干涉装置 Download PDF

Info

Publication number
CN114187362B
CN114187362B CN202210135992.3A CN202210135992A CN114187362B CN 114187362 B CN114187362 B CN 114187362B CN 202210135992 A CN202210135992 A CN 202210135992A CN 114187362 B CN114187362 B CN 114187362B
Authority
CN
China
Prior art keywords
neural network
point
optical fiber
train
interference
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210135992.3A
Other languages
English (en)
Other versions
CN114187362A (zh
Inventor
沃林
沃家
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Yingshi Measurement Technology Co ltd
Original Assignee
Suzhou Yingshi Measurement Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Yingshi Measurement Technology Co ltd filed Critical Suzhou Yingshi Measurement Technology Co ltd
Priority to CN202210135992.3A priority Critical patent/CN114187362B/zh
Publication of CN114187362A publication Critical patent/CN114187362A/zh
Application granted granted Critical
Publication of CN114187362B publication Critical patent/CN114187362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请公开了一种点衍射干涉三维定位方法，包括步骤如下：搭建神经网络模型；采集被测目标的干涉图像；根据干涉图像重构出被测目标所在位置的相位差矩阵；将相位差矩阵输入进神经网络模型中进行计算处理，得到被测目标的空间三维坐标。该方法解决了由测量设备的误差导致测量准确率低、测量精度不够高、测量效率低下等问题，且具有很好的通用性。本申请还公开了能够实现上述方法的电子设备及点衍射干涉装置，能够实现高精度、高效率的三维定位。

Description

点衍射干涉三维定位方法、电子设备及点衍射干涉装置
技术领域
本申请属于测量技术领域，具体涉及点衍射干涉三维定位方法、电子设备及点衍射干涉装置。
背景技术
精密定位测量技术是现代制造业与仪器测量领域为了满足产品制造工艺的重要技术手段。随着精密制造技术的不断发展，制造业对测量精度以及测量速度要求的提高，三维定位测量技术得到了广泛的研究与发展，尤其在工业制造、空间探测、逆向工程等领域方面，物体的三维定位起到主要作用，被广泛应用于定位、尺寸测量和逆向工程等领域。近年来，测量技术和点衍射干涉技术发展迅速，传统的基于PZT移相的点衍射干涉三维测量***易受外界环境干扰。
现有技术中，中国专利申请公布号CN110160443A公开了一种名称为“一种用于瞬态三坐标测量的光纤点衍射干涉装置及方法”的发明专利申请文件，该专利采用数字偏振相机与点衍射干涉相结合的光路结构，利用偏振相机前置的偏振片阵列透光轴方向的改变可以同时获得四步移相的干涉图，省去了PZT移相器，以实现瞬态三维坐标的测量。
发明人在实现本申请实施例的过程中，发现上述技术至少存在以下缺陷：
原有专利在瞬态三维坐标的测量上受硬件条件限制，如点衍射干涉测头倾斜调整误差，偏振相机视场误差等，导致测量的瞬态三维坐标的准确率低，精度不够高，且测量时还存在计算速度慢导致测量效率低下的问题。
发明内容
有鉴于此，本申请的目的在于提出一种点衍射干涉三维定位方法、电子设备及点衍射干涉装置，解决了现有技术中针对基于偏振瞬态移相的三维定位点衍射干涉***的精度不够高的问题。
根据本发明的目的提出的一种点衍射干涉三维定位方法，包括步骤如下：搭建神经网络模型；采集被测目标的干涉图像；根据所述干涉图像重构出所述被测目标所在位置的相位差矩阵；将所述相位差矩阵输入进所述神经网络模型中进行计算处理，得到所述被测目标的空间三维坐标。
优选的，搭建神经网络模型包括：构建训练神经网络；通过仿真获取相位差矩阵ϕ train 及其对应的坐标真值X predict ；将相位差矩阵ϕ train 输入到所述训练神经网络中，通过所述训练神经网络获得训练坐标值X train ；将所述坐标真值与训练坐标值进行对比；获得对比误差，并根据所述对比误差改变所述训练神经网络的至少部分参数；使所述对比误差逐渐减小，直到所述对比误差小于等于误差阈值。
优选的，获得对比误差，并根据所述对比误差改变所述训练神经网络的至少部分 参数为：建立损失函数
Figure 576294DEST_PATH_IMAGE001
，所述损失函数L(X train )在迭 代过程中对所述训练神经网络中神经元的权值和偏置参数进行逐层更新，使得所述损失函 数L(X train ) 小于等于误差阈值。
优选的，通过仿真获取相位差矩阵ϕ train 及其对应的坐标真值X predict 为：获取所述被测目标上任意点的三维坐标值；获取测量装置的三维坐标值；获取所述被测目标上任意点与所述测量装置的光程，根据光程差公式计算得到相应的相位差矩阵ϕ train 。
优选的，确定所述被测目标上的一固定点，选取所述固定点进行测量；通过改变所述被测目标与所述测量装置的相对位置，能够获取不同的相位差矩阵ϕ train输入到所述训练神经网络。
优选的，所述误差阈值大于等于5nm且小于等于10nm。
根据本发明的另一目的提出的一种电子设备，包括：存储器，用于存放计算机程序；处理器，用于执行所述存储器上存放的程序时，能够实现如上所述点的衍射干涉三维定位方法的步骤。
根据本发明的再一目的提出的一种点衍射干涉装置，包括：光源，用于提供初始光；光路处理模块，将所述初始光分为若干束出射光射出；测量模块，接收所述出射光并采集所述出射光产生的干涉图像； 如上所述的电子设备，所述电子设备与所述测量模块连接，用于处理所述干涉图像中包含的图像信息，得到所述测量模块与所述光路处理模块的空间三维坐标。
优选的，所述光路处理模块包括：线偏振片、二分之一波片、偏振分光棱镜、第一四分之一波片、第二四分之一波片、第一光纤耦合器、第二光纤耦合器、第一光纤、第二光纤以及测量探头，所述初始光通过所述线偏振片和所述二分之一波片得到线偏振光，所述线偏振光经所述偏振分光棱镜分为透射光和反射光；所述反射光经所述第一四分之一波片被所述第一光纤耦合器耦合进入所述第一光纤，且经过所述第一光纤进入所述测量探头；所述透射光经所述第二四分之一波片被所述第二光纤耦合器耦合进入所述第二光纤，且经过所述第二光纤进入所述测量探头；所述测量探头出射得到的两个点衍射球面波在空间中叠加形成一干涉信息场，所述测量模块放置于含干涉信息的空间中拍摄所述干涉图像。
优选的，所述光源为单纵模激光器。
与现有技术相比，本申请的益处有：本申请通过深层挖掘相位差矩阵与点光源坐标值之间的联系，使用大量仿真的相位差矩阵来训练与验证深层神经网络，通过梯度下降算法在迭代过程中对神经网络中神经元的权值和偏置参数进行逐层更新，并将得到的深层神经网络应用于实际的点衍射干涉三维定位中，从而实现高精度、高效率的三维定位。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本发明，并不构成对本申请的不当限定。在附图中：
图1是本申请的点衍射干涉三维定位方法的流程图；
图2是本申请的电子设备的结构示意图；
图3是本申请的点衍射干涉装置的结构示意图；
图4是本申请点衍射干涉三维定位模型；
图5是本申请***训练神经网络结构示意图。
具体实施方式
本申请实施例通过提供点衍射干涉三维定位方法、电子设备及点衍射干涉装置，解决了现有技术中由设备误差导致测量准确率低、测量精度不够高、测量效率低下等问题，实现了高精度、高效率的三维定位。
本申请实施例中的技术方案为解决上述现有技术中存在的问题，总体思路如下：
通过搭建数学模型，利用坐标推导矩阵仿真方法获取大量相位差矩阵ϕ train 以及对应的坐标真值，以此作为训练数据集。将相位差矩阵数据ϕ train 输入到神经网络模型中，在正向传播过程中获得训练坐标值。在反向传播过程中，建立损失函数来检测神经网络模型的训练效果。随着神经网络模型的每一次训练，使得损失函数迭代减小收敛，使得训练坐标值能够逐渐逼近被测目标的坐标真值，由此完成神经网络模型的训练。在测量过程中利用点衍射干涉装置对光纤探头三维坐标进行测量，通过测量探头采集多步移相图，并且经过四步移相和相位解包裹算法得到相位差矩阵，然后将相位差矩阵输入到训练完成的神经网络模型中，即可直接得到坐标真值。
以下将结合附图所示的具体实施方式对本申请进行详细描述，但这些实施方式并不限制本申请，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
如图1所示，本申请实施例提供一种点衍射三维定位方法，具体步骤如下：
搭建神经网络模型；
采集被测目标的干涉图像；
根据干涉图像重构出被测目标所在位置的相位差矩阵；
将相位差矩阵输入进神经网络模型中进行计算处理，得到被测目标的空间三维坐标。
其中，搭建神经网络模型至少包括如下步骤：
构建训练神经网络；
通过仿真获取相位差矩阵ϕ train 及其对应的坐标真值X predict ；
将相位差矩阵ϕ train 输入到训练神经网络中，通过训练神经网络获得训练坐标值X train ；
将坐标真值与训练坐标值进行对比；
获得对比误差，并根据对比误差改变训练神经网络的至少部分参数；
使对比误差逐渐减小，直到对比误差小于等于误差阈值。
可以理解的，该误差阈值越小表明训练神经网络的训练效果越好，训练坐标值X train 与坐标真值X predict 的误差越小，在本实施例中，误差阈值大于等于5nm且小于等于10nm。其中，“至少部分参数”为训练神经网络中神经元的权值和偏置参数。
作为一种实现方式，上述“获得对比误差，并根据对比误差改变训练神经网络的至少部分参数”具体为：
在训练神经网络中建立损失函数
Figure 762294DEST_PATH_IMAGE001
，并且使 损失函数L(X train )根据训练神经网络的训练过程中不断迭代，使损失函数L(X train )在迭代 过程中，对训练神经网络中神经元的权值和偏置参数进行逐层更新，最后使得损失函数L (X train ) 小于等于误差阈值。
作为一种实现方式，通过仿真获取相位差矩阵ϕ train 及其对应的坐标真值X predict 为：
获取被测目标上任意点的三维坐标值，具体为：确定被测目标上的一固定点，选取该固定点作为测量的具***置进行测量。
获取测量装置的三维坐标值。
获取被测目标上任意点与测量装置的光程，根据光程差公式计算得到相应的相位差矩阵ϕ train 。
进一步的，通过改变被测目标与测量装置的相对位置，能够获取不同的相位差矩阵ϕ train输入到训练神经网络，使训练神经网络能够获得不同的训练数据。
如图2所示，基于本申请的目的，本申请还提供一种电子设备100，该电子设备100包括存储器11和处理器12，存储器11用于存放计算机程序，处理器12用于执行存储器上存放的程序时，能够实现上述区域定位方法的步骤。存储器11可以是RAM(Random AccessMemory，随机存取存储器)，也可以是非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。处理器12可以是通用处理器，包括：CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(DigitalSignalProcessing，数字信号处理器)、ASIC(Application Specific IntegratedCircuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
如图3所示，本申请实施例还提供一种点衍射干涉装置200，该点衍射干涉装置200包括光源21、光路处理模块22、测量模块23和电子设备100。光源21用于提供初始光。光路处理模块22用于将初始光分为若干束出射光射出。测量模块23用于接收出射光并采集出射光产生的干涉图像。电子设备100与测量模块23连接，电子设备100用于处理干涉图像中包含的图像信息，得到测量模块23与光路处理模块22的空间三维坐标。
作为一种实现方式，光源21采用单纵模激光器，单纵模激光器为输出激光模式既是单纵模又是单横模的激光器。此实现方式下，通过单纵模激光器发出的激光作为初始光。
作为一种实现方式，如图3所示，光路处理模块22包括：线偏振片221、二分之一波片222、偏振分光棱镜223、第一四分之一波片224、第二四分之一波片225、第一光纤耦合器226、第二光纤耦合器227、第一光纤228、第二光纤229以及测量探头230，第一光纤228的一端与第一光纤耦合器226连接，第一光纤228的另一端与测量探头230连接，并延伸至测量探头230的内部。第二光纤229的一端与第二光纤耦合器227连接，第二光纤229的另一端与测量探头230连接，并延伸至测量探头230的内部。测量探头230内远离第一光纤耦合器226的一端设置有对应第一光纤228的出射点，测量探头230内远离第二光纤耦合器227的一端设置有对应第二光纤229的出射点。作为一种可选的实现方式，第一光纤228和第二光纤229均选用亚波长孔径光纤，利用亚波长孔径光纤点衍射能够同时得到大数值孔径和高亮度的点衍射球面波前，进而解决针孔点衍射和单模光纤点衍射中存在的点衍射波前能量微弱和最大孔径角小等问题。具体的，由光源21提供的初始光依次经线偏振片221和二分之一波片222能够得到所需振动方向的线偏振光，线偏振光经偏振分光棱镜223分为反射偏振光和透射偏振光，反射偏振光经第一四分之一波片224形成第一圆偏振光，第一圆偏振光被第一光纤耦合器226耦合进入第一光纤228，且经过第一光纤228进入测量探头230。透射偏振光经第二四分之一波片225形成一与第一圆偏振光旋向相反的第二圆偏振光，第二圆偏振光被第二光纤耦合器227耦合进入第二光纤229，且经过第二光纤229进入测量探头230。从测量探头230中出射两个点衍射球面波，这两个点衍射球面波能够在空间中叠加并形成一干涉信息场，测量模块23放置于含干涉信息的空间中，能够拍摄两个点衍射球面波形成的干涉图像。
测量模块23将采集到的干涉图像传输至电子设备100中，电子设备100能够获取在干涉图像中各个像素点对应的相位差信息，通过建立神经网络模型，计算出测量探头230的空间三维坐标。具体而言，干涉图像经过四步移相和相位解包裹算法得到各个像素点的相位差矩阵，然后将相位差矩阵输入到训练完成的神经网络模型，通过神经网络模型得到测量探头230的空间三维坐标值，能够实现对测量探头230的高精度、高效率的三维定位。
本实现方式根据点衍射干涉场相位分布与点衍射源的光程差之间存在一一对应的关系，从而利用该对应关系确定被测目标和测量探头230的探测平面之间的三维位置关系，由此能够得到训练神经网络的训练样本。
如图4所示，测量探头230的探测平面视为xoy面，探测平面的中心像素点O定义为空间坐标系原点，测量探头230对应于第一光纤228的出射点坐标(x 1，y 1，z 1)，对应第二光纤229的出射点坐标(x 2，y 2，z 2)，以及两者的中点定义为
Figure 14415DEST_PATH_IMAGE002
。在探测平面上确定一任意点P，并测得该任意点P的坐标P(x，y，z)，以及通过出射点坐标(x 1，y 1，z 1)和出射点坐标(x 2，y 2，z 2)，可以得到测量探头230上两个出射点与任意点的光程r 1、r 2，
Figure 821834DEST_PATH_IMAGE003
根据光程差公式得到对应的P(x，y，z)像素点处的相位差ϕ(x，y，z)为：
ϕ(x，y，z)=2π/λ(r 1 -r 2 )
由此，通过改变被测目标与点衍射干涉装置200的相对位置，从而改变测量探头230上出射点与任意点P的光程，进而能够获取不同的相位差矩阵数据输入到训练神经网络。
如图5所示，在训练神经网络的训练过程中，通过将相位差矩阵数据ϕ train 输入到训练神经网络，在前向传播过程中，输入的相位差矩阵数据ϕ train 从输入层神经元逐层传递，经过隐藏层神经元，最后至输出层神经元，输出结果即为训练坐标值X train 。
在反向传播训练过程中，建立损失函数L(X train )用于评价神经网络的训练效果：
Figure 586527DEST_PATH_IMAGE001
其中X predict 是训练过程中输入数据（即相位差矩阵数据）对应的点光源21坐标真 值；算符
Figure 728665DEST_PATH_IMAGE004
表示欧几里得范数，即向量元素绝对值的平方和再开方。在建立损失函数L (X train )的基础上，通过梯度下降算法在迭代过程中对训练神经网络中的神经元的权值和偏 置参数进行逐层更新，即
Figure 237006DEST_PATH_IMAGE005
其中
Figure 898932DEST_PATH_IMAGE006
为更新前第l层神经元i对第l+1层神经元j的权值，
Figure 319680DEST_PATH_IMAGE007
为更新后第l层神 经元i对第l+1层神经元j的权值；
Figure 699846DEST_PATH_IMAGE008
为更新前第l层神经元i偏置值，
Figure 746299DEST_PATH_IMAGE009
为更新后第l层神 经元i偏置值，a为学习率。随着神经网络训练使得损失函数L(X train )迭代减小收敛，使训练 坐标值逐渐逼近被测目标坐标真值X predict ，由此完成训练神经网络的训练，即有X train =F (ϕ train )，从而搭建神经网络模型。
本申请通过搭建神经网络模型，在测量过程中利用点衍射干涉装置200对光纤探头三维坐标进行测量，测量效率极高，且计算结果得到的准确率优良，解决了现有技术在测量的瞬态三维坐标的准确率低、精度不够高、测量效率低下的问题，实现了高精度、高效率的三维定位。
在权利要求书中，词语“包括”不排除其他单元或步骤；词语“一”或“一个”并不排除多个。在权利要求书中，使用诸如“第一”“第二”等序数词来修饰权利要求元素本身并不意味着一个权利要求元素具有较另外一个权利要求元素的优先级、次序或者动作执行的时间顺序，而仅仅出于将一个权利要求的元素与另一个权利要求元素相区别的目的。尽管在互不相同的从属权利要求中分别记载了某些特定技术特征，但这并不意味着这些特定技术特征不能被组合利用。本申请的各个方面可单独、组合或者以未在前述实施例中具体讨论的各种安排来使用，从而并不将其应用限于前文所描述或附图中所示的组件的细节和排列。例如，可使用任何方式将一个实施例中描述的多个方面与其他实施例中描述的多个方面组合。多个模块或单元中所记载的步骤、功能或特征，可以由一个模块或一个单元执行或满足。本文所公开的方法的步骤不限于以任何特定的顺序执行，以其他的顺序执行部分或者全部的步骤时可能的。权利要求中的任何附图标记不应被解释为对权利要求范围的限制。
尽管为示例目的，已经公开了本申请的优选实施方式，但是本领域的普通技术人员将意识到，在不脱离由所附的权利要求书公开的本申请的范围和精神的情况下，各种改进、增加以及取代是可能的。

Claims (9)

1.一种点衍射干涉三维定位方法，其特征在于，包括步骤如下：
搭建神经网络模型；
采集被测目标的干涉图像；
根据所述干涉图像重构出所述被测目标所在位置的相位差矩阵；
将所述相位差矩阵输入进所述神经网络模型中进行计算处理，得到所述被测目标的空间三维坐标，
其中搭建神经网络模型包括：
构建训练神经网络；
通过仿真获取相位差矩阵ϕ train 及其对应的坐标真值X predict ；
将相位差矩阵ϕ train 输入到所述训练神经网络中，通过所述训练神经网络获得训练坐标值X train ；
将所述坐标真值与训练坐标值进行对比；
获得对比误差，并根据所述对比误差改变所述训练神经网络的至少部分参数；
使所述对比误差逐渐减小，直到所述对比误差小于等于误差阈值。
2.根据权利要求1所述的点衍射干涉三维定位方法，其特征在于，获得对比误差，并根据所述对比误差改变所述训练神经网络的至少部分参数为：
建立损失函数L(X train )=1/2‖X train -X predict ‖，所述损失函数L(X train )在迭代过程中对所述训练神经网络中神经元的权值和偏置参数进行逐层更新，使得所述损失函数L(X train ) 小于等于误差阈值。
3.根据权利要求1所述的点衍射干涉三维定位方法，其特征在于，通过仿真获取相位差矩阵ϕ train 及其对应的坐标真值X predict 为：
获取所述被测目标上任意点的三维坐标值；
获取测量装置的三维坐标值；
获取所述被测目标上任意点与所述测量装置的光程，根据光程差公式计算得到相应的相位差矩阵ϕ train 。
4.根据权利要求3所述的点衍射干涉三维定位方法，其特征在于，
确定所述被测目标上的一固定点，选取所述固定点进行测量；
通过改变所述被测目标与所述测量装置的相对位置，能够获取不同的相位差矩阵ϕ train输入到所述训练神经网络。
5.根据权利要求1所述的点衍射干涉三维定位方法，其特征在于，所述误差阈值大于等于5nm且小于等于10nm。
6.一种电子设备，其特征在于，包括：
存储器，用于存放计算机程序；
处理器，用于执行所述存储器上存放的程序时，能够实现权利要求1~5任一所述点衍射干涉三维定位方法的步骤。
7.一种点衍射干涉装置，其特征在于，包括：
光源，用于提供初始光；
光路处理模块，将所述初始光分为若干束出射光射出；
测量模块，接收所述出射光并采集所述出射光产生的干涉图像；
如权利要求6所述的电子设备，所述电子设备与所述测量模块连接，用于处理所述干涉图像中包含的图像信息，得到所述测量模块与所述光路处理模块的空间三维坐标。
8.根据权利要求7所述的点衍射干涉装置，其特征在于，
所述光路处理模块包括：线偏振片、二分之一波片、偏振分光棱镜、第一四分之一波片、第二四分之一波片、第一光纤耦合器、第二光纤耦合器、第一光纤、第二光纤以及测量探头，所述初始光通过所述线偏振片和所述二分之一波片得到线偏振光，所述线偏振光经所述偏振分光棱镜分为透射光和反射光；
所述反射光经所述第一四分之一波片被所述第一光纤耦合器耦合进入所述第一光纤，且经过所述第一光纤进入所述测量探头；
所述透射光经所述第二四分之一波片被所述第二光纤耦合器耦合进入所述第二光纤，且经过所述第二光纤进入所述测量探头；
所述测量探头出射得到的两个点衍射球面波在空间中叠加形成一干涉信息场，所述测量模块放置于含干涉信息的空间中拍摄所述干涉图像。
9.根据权利要求7所述的点衍射干涉装置，其特征在于，
所述光源为单纵模激光器。
CN202210135992.3A 2022-02-15 2022-02-15 点衍射干涉三维定位方法、电子设备及点衍射干涉装置 Active CN114187362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210135992.3A CN114187362B (zh) 2022-02-15 2022-02-15 点衍射干涉三维定位方法、电子设备及点衍射干涉装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210135992.3A CN114187362B (zh) 2022-02-15 2022-02-15 点衍射干涉三维定位方法、电子设备及点衍射干涉装置

Publications (2)

Publication Number Publication Date
CN114187362A CN114187362A (zh) 2022-03-15
CN114187362B true CN114187362B (zh) 2022-04-29

Family

ID=80607033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210135992.3A Active CN114187362B (zh) 2022-02-15 2022-02-15 点衍射干涉三维定位方法、电子设备及点衍射干涉装置

Country Status (1)

Country Link
CN (1) CN114187362B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114964054B (zh) * 2022-07-27 2023-01-13 苏州英示测量科技有限公司 一种面形检测***及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104330039B (zh) * 2014-09-28 2017-09-19 中国计量学院 一种用于三坐标测量的大数值孔径光纤点衍射干涉装置及方法
CN108253897B (zh) * 2017-12-29 2020-03-03 浙江省计量科学研究院 一种大范围高精度的点衍射干涉三维坐标测量方法
CN110160443B (zh) * 2019-05-13 2021-04-20 中国计量大学 一种用于瞬态三坐标测量的光纤点衍射干涉装置及方法
CN111310903B (zh) * 2020-02-24 2023-04-07 清华大学 基于卷积神经网络的三维单分子定位***

Also Published As

Publication number Publication date
CN114187362A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
TWI582380B (zh) 利用光學臨界尺寸(ocd)計量之結構分析用於光學參數模型之最佳化方法、非暫時性之機器可存取儲存媒體及用以產生所模擬繞射信號以利用光學計量判定用以在晶圓上製造結構之晶圓塗覆的程序參數之系統
CN104330039B (zh) 一种用于三坐标测量的大数值孔径光纤点衍射干涉装置及方法
US7388676B2 (en) Image processing apparatus and refractive index distribution measuring apparatus
CN110188321B (zh) 一种基于神经网络算法的主次镜校准方法
Kang et al. Fiber-based endoscopes for 3D combustion measurements: view registration and spatial resolution
CN106471353B (zh) 用于光学计量的高度相关参数的相关性的动态移除
CN102788562B (zh) 一种带有运动坐标反馈的子孔径拼接面形检测装置
CN114187362B (zh) 点衍射干涉三维定位方法、电子设备及点衍射干涉装置
CN101413791A (zh) 在光学计量中用近似和精细衍射模型确定结构的轮廓参数
CN102589440A (zh) 连续变角度数字全息干涉测量的方法和装置
CN111207844B (zh) 双侧多重平面倾斜波面干涉仪及其检测方法
CN104281011B (zh) 一种高数值孔径成像***偏振像差的检测方法
CN106643507B (zh) 一种基于双通道点衍射干涉的三坐标测量装置及方法
CN108286939A (zh) 一种基于zemax仿真的激光追踪测量光学***能量分析方法
CN109458959B (zh) 一种变倾角相移掠入射干涉仪测量装置及方法
KR20130061688A (ko) 구조의 광계측을 위한 재료의 광학 특성을 결정하는 방법
CN112097681A (zh) 基于散斑场相位恢复的复杂光学曲面面形误差检测方法
KR101166961B1 (ko) 3차원 빔측정을 통한 광학계의 파면수차 복원방법
CN108195566B (zh) 检测任意波长任意形状口径光学***透射波前的方法
CN106643475A (zh) 泰曼型点源阵列异位同步移相干涉仪及其测量方法
CN112378346B (zh) 一种大口径偏振移相菲索干涉仪偏振像差的相位补偿方法
CN109726825A (zh) 弱测量中进行参量估值偏差补偿的方法及***
CN115423881A (zh) 一种基于神经网络和光斑形态的主次镜快速校准方法
JP2008107144A (ja) 屈折率分布測定装置及び測定方法
CN105043294A (zh) 适用于纳米级三维形貌测量的远场矢量光学特性建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant