Phase gradient estimation using Bayesian neural network
Lists
Only you see this
Abstract
应变重构是相衬光学相干层析力学性能表征中的关键步骤,其需要准确计算出差分包裹相位的梯度分布。为了能够解决强噪声干扰下的相位梯度重构信噪比低的难题,提出了一种基于贝叶斯神经网络的相位梯度计算方法。首先,通过计算机模拟不同散斑噪声等级下的包裹相位图,并生成相应的理想相位梯度,以构建网络的训练集。其次,基于网络训练集采用贝叶斯推断理论学习强噪声环境下的包裹相位与相位梯度的“端到端”映射关系。最后,将相衬光学相干层析测量的差分包裹相位结果送入贝叶斯神经网络进行处理,实现高信噪比相位梯度预测。此外,通过借助贝叶斯神经网络的统计特性,以模型不确定度来定量评估相位梯度预测结果的可靠性。通过数值实验和三点弯曲力学加载实验对比分析了本文方法和主流矢量方法的性能。实验结果表明:在噪声较小的条件下,本文方法重构的相位梯度信噪比可提升8%;在噪声较强条件下,本文方法能成功恢复因相位条纹难以分辨而无法计算的相位梯度。此外,模型不确定度能够定量分析网络的相位梯度预测误差。可以预见,在样品形变复杂且先验信息未知的条件下,本工作为相衬光学相干层析提供了一种有效的应变重构方法,从而能实现高质量和高可靠的内部力学性能表征。
BibTeX
@inproceedings{kangyang2024phase,
author = {ZHANG Kang-yang and NI Zi-hao and Bo Dong and BAI Yu-lei},
title = {{Phase gradient estimation using Bayesian neural network}},
booktitle = {Chinese},
year = {2024},
doi = {10.37188/co.2023-0168},
}Loading related content...