一种基于深度学习的单帧数字条纹端到端相位解析方法

1.一种基于深度学习的单帧数字条纹端到端相位解析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的单帧数字条纹端到端相位解析方法，其特征在于，步骤1中，条纹投影系统包括相机、投影仪以及待测物体，其中，相机与投影仪水平放置，待测物体与投影仪垂直。

3.根据权利要求2所述的单帧数字条纹端到端相位解析方法，其特征在于，步骤1中，构建变形条纹-绝对相位数据集的步骤包括：

4.根据权利要求1所述的单帧数字条纹端到端相位解析方法，其特征在于，步骤2中，编码网络由五个编码层组成，前四个编码层均由一个inception残差块、一个坐标注意力块以及一个2×2最大池化组成，第五个编码层由inception残差块组成；

5.根据权利要求4所述的单帧数字条纹端到端相位解析方法，其特征在于，inception残差块由分支0、分支1、分支2、分支3以及分支4组成并行层结构；分支0由填充为0的卷积块以及批量归一化层组成，分支1～4均由填充为1的卷积块以及批量归一化层组成，且分支1～4的四个c/4通道输出连接为一个c通道输出，指定维度为1，并将c通道输出添加到分支0输出。

6.根据权利要求4所述的单帧数字条纹端到端相位解析方法，其特征在于，编码网络中的inception残差块通过多分支通路增强incepc-unet网络模型的多尺度特征提取能力；坐标注意力块用于提取条纹图像在局部特征图中不同位置的空间依赖，且坐标注意力块采用分别对x方向和y方向的一维池化来代替全局二维池化，使incepc-unet网络模型更精确的学习图像的空间分布特征，提升incepc-unet网络模型对图像在有效目标区域的关注度；2×2最大池化能够将提取的特征图的宽度和高度减半，减少计算量，提高incepc-unet网络模型的训练速度。

7.根据权利要求3所述的单帧数字条纹端到端相位解析方法，其特征在于，步骤3中，incepc-unet网络模型的训练步骤包括：

8.根据权利要求3所述的单帧数字条纹端到端相位解析方法，其特征在于，步骤3中，将变形条纹-绝对相位数据集随机分为9:1比例的训练集和测试集，其中，训练集在测试集中不可见。

9.根据权利要求5所述的单帧数字条纹端到端相位解析方法，其特征在于，步骤4中，利用incepc-unet网络模型对单帧变形条纹图像进行绝对相位预测的步骤包括：