本技術涉及輪廓測量、視覺三維重建設備智能化控制，特別涉及一種基于深度學習的參數標定方法、設備及高反面形檢測儀。

背景技術：

1、高反面形檢測儀是一種用于檢測表面形貌(如平面度、曲率、波紋等)的精密儀器。在實驗前，標定在這種設備中起著至關重要的作用，因為它能夠確保測量結果的準確性和可重復性。標定可以減少儀器本身的系統誤差，這些誤差可能來自傳感器、光學元件、機械部件等。通過標定，可以將這些誤差最小化，從而提高測量精度。然而傳統的高反面形檢測儀的標定方法效率不高。

技術實現思路

1、本技術旨在提出一種基于深度學習的參數標定方法、設備及高反面形檢測儀，能夠提高高反面形檢測儀的標定效率。

2、本技術實施例提供了一種基于深度學習的參數標定方法，應用于電子設備，所述電子設備設置于高反面形檢測儀，所述方法包括：

3、獲取訓練數據集，所述訓練數據集包括多個樣本數據，多個所述樣本數據皆包括被測物的第一高度數據和所述被測物的相位數據，所述第一高度數據表征所述高反面形檢測儀的載物平面的高度，所述載物平面用于放置所述被測物，所述相位數據表征所述被測物的相位，所述第一高度數據與所述相位數據對應；

4、以所述高反面形檢測儀的待標定參數作為模型參數，構建初始神經網絡模型，所述初始神經網絡模型的目標函數用于基于輸入的所述相位數據，輸出第二高度數據，所述第二高度數據表征所述高反面形檢測儀的預測高度；

5、利用所述訓練數據集對預設的初始神經網絡模型進行訓練處理，得到目標神經網絡模型；

6、以所述目標神經網絡模型的模型參數作為目標標定參數。

7、根據本技術的一些實施例，所述獲取訓練數據集，包括：

8、獲取所述被測物的多個不同的所述第一高度數據；

9、獲取所述被測物的多個條紋投影數據，多個所述條紋投影數據與多個所述第一高度數據對應；

10、對多個所述條紋投影數據進行相位解包裹處理，得到多個所述相位數據；

11、根據多個所述第一高度數據和多個所述相位數據，得到所述訓練數據集。

12、根據本技術的一些實施例，所述樣本數據包括第一樣本數據和第二樣本數據，所述第一樣本數據包括所述被測物處于參考平面時的所述第一高度數據，以及所述被測物處于所述參考平面時的相位數據，所述第二樣本數據包括所述被測物處于非參考平面的所述第一高度數據，以及所述被測物處于所述非參考平面的相位數據；

13、所述初始神經網絡模型包括：

14、第一特征提取模塊，所述第一特征提取模塊用于提取所述第一樣本數據的特征信息，得到第一特征數據；

15、第二特征提取模塊，所述第二特征提取模塊用于提取所述第二樣本數據的特征信息，得到第二特征數據；

16、特征拼接模塊，所述特征拼接模塊連接所述第一特征提取模塊，所述特征拼接模塊連接所述第二特征提取模塊，所述特征拼接模塊用于拼接所述第一特征數據和所述第二特征數據，得到特征融合數據；

17、編碼和解碼模塊，所述特征拼接模塊連接所述編碼和解碼模塊，所述編碼和解碼模塊用于根據所述特征融合數據進行重構處理，得到重構特征數據；

18、結果輸出模塊，所述結果輸出模塊用于根據所述特征融合數據和所述重構特征數據，得到并輸出所述第二高度數據。

19、根據本技術的一些實施例，所述第一特征提取模塊包括依次連接的第一殘差模塊、第一卷積層和第一空間金字塔池化模塊，所述第一空間金字塔池化模塊連接所述特征拼接模塊。

20、根據本技術的一些實施例，所述第二特征提取模塊包括依次連接的第二殘差模塊、第二卷積層、第三卷積層和第二空間金字塔池化模塊，所述第二空間金字塔池化模塊連接所述特征拼接模塊，所述第三卷積層跳躍連接所述特征拼接模塊。

21、根據本技術的一些實施例，所述初始神經網絡模型的目標函數包括：

22、

23、其中，θ為所述模型參數，n為像素數，ci為被測物的像點，返回世界坐標系中點在像平面的投影，θc為第一相機的內參數，rcs為所述第一相機的相對位置參量，tcs為所述高反面形檢測儀的投影屏的相對位置參量，為被測物表面上的點b在投影屏坐標系下的坐標，為像點c在投影屏的平面中的坐標，θs為投影屏的內參數，為被測物表面上的點b在相機坐標系下的坐標。

24、根據本技術的一些實施例，所述初始神經網絡模型的物理約束條件包括：

25、f＝[er]×ss(sc)+＝[er]×ksrcs(kc)-1＝(ks)-t[tcs]×rcs(kc)-1，

26、其中，f為所述待標定參數的本征矩陣，er為極點向量，er表征所述高反面形檢測儀的第一相機的光心在所述高反面形檢測儀的第二相機的成像平面上的投影，ss為所述高反面形檢測儀的投影屏的投影矩陣，sc為所述第一相機的成像矩陣，ks為所述投影屏的內參矩陣，kc為所述第一相機的內參矩陣，rcs為所述第一相機的相對位置參量，tcs為所述高反面形檢測儀的投影屏的相對位置參量。

27、根據本技術的一些實施例，

28、

29、其中，loss(θ,φ0,φc,hb)為總損失函數，θ為所述模型參數，φ0為第一相位數據，所述第一相位數據為所述第一樣本數據的所述相位數據，φc為第二相位數據，所述第二相位數據為所述第二樣本數據的所述相位數據，hb為所述第二樣本數據的所述第一高度數據，λ1為第一權重，λ2為第二權重，為：所述被測物上的一點在第二相機上的成像橫坐標，為：基于所述相位數據，計算得到的所述被測物上的一點在所述第二相機上的成像橫坐標：為第一相機對應的所述第二相位數據與所述第一相位數據的差值，為所述第二相機對應的所述第二相位數據與φ0的差值，為所述第一高度數據，hi為所述第二高度數據，n為像素數。

30、第二方面，本技術實施例提供了一種電子設備，包括：

31、至少一個處理器；

32、至少一個存儲器，用于存儲至少一個程序；

33、當至少一個所述程序被至少一個所述處理器執行時實現如上述的基于深度學習的參數標定方法。

34、第三方面，本技術實施例提供了一種計算機可讀存儲介質，其中存儲有處理器可執行的程序，所述處理器可執行的程序被處理器執行時用于實現如上述的基于深度學習的參數標定方法。

35、第四方面，本技術實施例提供了一種高反面形檢測儀，所述高反面形檢測儀設置有上述的電子設備。

36、本技術實施例中，以高反面形檢測儀的待標定參數作為模型參數，構建初始神經網絡模型，利用訓練數據集對預設的初始神經網絡模型進行訓練處理，通過初始神經網絡模型深度學習建立起被測物的高度和相位之間的關系，即迭代優化初始神經網絡模型的模型參數，得到的目標神經網絡模型，目標神經網絡模型的模型參數即為待標定參數的標定結果，能夠減少標定過程中的人力成本和時間成本，標定效率高。

37、本技術的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本技術的實踐了解到。