基于虚拟光波场的菲涅耳衍射计算及应用研究

刘志强, 宋庆和, 刘超, 桂进斌, 李俊昌

刘志强, 宋庆和, 刘超, 桂进斌, 李俊昌. 基于虚拟光波场的菲涅耳衍射计算及应用研究[J]. 应用光学, 2018, 39(2): 196-199. DOI: 10.5768/JAO201839.0201007
引用本文: 刘志强, 宋庆和, 刘超, 桂进斌, 李俊昌. 基于虚拟光波场的菲涅耳衍射计算及应用研究[J]. 应用光学, 2018, 39(2): 196-199. DOI: 10.5768/JAO201839.0201007
Liu Zhiqiang, Song Qinghe, Liu Chao, Gui Jinbin, Li Junchang. Fresnel diffraction calculation with virtual light wave field and its application[J]. Journal of Applied Optics, 2018, 39(2): 196-199. DOI: 10.5768/JAO201839.0201007
Citation: Liu Zhiqiang, Song Qinghe, Liu Chao, Gui Jinbin, Li Junchang. Fresnel diffraction calculation with virtual light wave field and its application[J]. Journal of Applied Optics, 2018, 39(2): 196-199. DOI: 10.5768/JAO201839.0201007

基于虚拟光波场的菲涅耳衍射计算及应用研究

基金项目: 

国家自然科学基金 61540075

国家自然科学基金 61565011

云南省自然科学基金 2013FB025

云南省自然科学基金 2014FB132

详细信息
    作者简介:

    刘志强(1981-), 男, 湖南邵阳人, 实验师, 主要从事数字全息及检测技术研究。E-mail:jiju_flying@qq.com

  • 中图分类号: TN271.5; O438.1

Fresnel diffraction calculation with virtual light wave field and its application

  • 摘要: 为满足特定观测区域光波场的较高空间分辨率要求,提出一种在衍射计算中引入虚拟光波场,利用初始光波场的取样数表示观测平面任意区域衍射场的计算方法。通过应用该方法对具体实例进行模拟计算,结果表明该方法在观测区域所获得的有效信息量增加,所获得的衍射场空间分辨率可以达到5.2×10-3 mm/pixel,而S-FFT计算获得的衍射场空间分辨率为26.6×10-3 mm/pixel。并且在基于该方法的彩色数字全息波前重建的实验研究中,所得结果表明该方法能够取得更好的重建效果。
    Abstract: In order to satisfy the high spatial resolution requirements of light wave field in specific observation areas, a diffraction calculation method was presented. Through introducing a virtual optical wave field, it can use the sampling number of original light wave field to represent the diffraction field of arbitrary areas in the observation plane. Simulation experiments were carried out using the proposed method. The calculation results indicate that the method can increase the amount of effective information in the observation areas, and the spatial resolution of the diffraction field obtained by the method of virtual optical wave field can reach 5.2×10-3 mm/pixel. However, the spatial resolution of the diffraction field obtained by S-FFT is 26.6×10-3 mm/pixel. Moreover, the experimental results show that the proposed method can achieve better reconstruction performance in color digital holography wavefront reconstruction.
  • 桥梁道路由于长时间被外部力量破坏或道路基层质变等影响,容易出现各种形态的裂缝病害,针对桥梁维护[1]工作,传统图像检测方法对于复杂背景识别[2]、实验方法、检测结果等方面难以达到有效且智能的效果。

    深度学习卷积神经网络算法的出现突破了传统方法的局限性。文献[3]提出了将AlexNet卷积神经网络和局部阈值分割相结合的裂缝检测和分割算法。文献[4]采用UNet++和条件生成对抗网络(convolution generative adversarial networks,CGAN)算法,两者反复博弈训练,达到裂缝检测分割的效果。文献[5]利用网络模型(fully convolutional network,FCN)解决裂缝分割中局部信息丢失和局部细化能力不足的问题,采用多尺度结构森林(multi-scale structured forests,SFD)和反对称双正交小波的半重构方法,克服裂纹边缘检测的局限性。文献[6]对道路坑洼做分类与分割实验,对比了Mask RCNN和UNet网络的检测结果,通过Validation set和Test set的数据对比可知,Mask RCNN检测精确度为92.1%,而UNet精确度为77.38%,两者对比性能效果差异分明。UNet网络算法在医学图像[7]领域具有显著的工作成果,但是在工程领域的检测效果弱于其他卷积神经网络(convolutional neural networks,CNN)算法。

    结合以上典型文献的研究成果,文中选用了Mask RCNN算法[8]实现桥梁裂缝病害的检测与分割,并在原算法的基础上进行了优化改进。

    Mask RCNN主要结构组成有:主干网络(ResNet101+FPN)、区域选取网络[9](region proposal network,RPN)、对齐操作(regional of interest align,ROI align)、分类器和边框回归器以及掩膜分割(classification,box regression,mask)。网络结构框架如图1所示。

    图  1  Mask RCNN网络结构
    Figure  1.  Network structure of Mask RCNN

    Mask RCNN是作为多任务工作网络,其损失计算为各分支损失的加权值。如下式所示:

    $$ L{\rm{oss}} = {L_{cls}} + {L_{b{\rm{box}}}} + {L_{\rm{mask}}} $$ (1)

    式中:$ {L_{cls}} $和${L_{b\rm{box}}}$分别为原Faster RCNN中类别损失和回归框损失;${L_{\rm{mask}}}$是掩膜Mask支路的损失,损失值的计算方式是对每一个像素[10]应用Sigmoid,取ROI上所有像素的交叉熵的平均值作为${L_{\rm{mask}}}$,k对应Mask的类别,其表达式为

    $$ {L_{{\rm{mask}}}}(Cl{s_k}) = {\rm{Sigmoid}}(Cl{s_k}) $$ (2)

    为防止特征提取过程中特征信息丢失[11],在FPN网络结构中设计了语义增强模块SEM,如图2所示。SEM模块与上采样中得到的特征图进行融合[12],得到新的多尺度特征图feature maps。

    图  2  改进的FPN网络结构
    Figure  2.  Network structure of improved FPN

    SEM模块的结构如图3所示。SEM模块基于空洞卷积算法[13]设计思想获取不同感受野的特征图并进行融合。SEM模块的操作方式为:采用(D=3,D=5,D=7)3个不同膨胀率的3×3卷积核和1×1卷积核,分别对下采样的卷积层(C2,C3,C4,C5)进行计算,每个卷积核限制64个通道,每层得到的4个不同感受野的特征图,通过Concate融合后输出一个256通道的特征图。

    图  3  SEM模块结构图
    Figure  3.  Structure diagram of SEM module

    Concate融合是对特征通道直接拼接,此操作过程无信息损失影响[14],Add操作将两两特征图进行像素相加,增加了特征信息量。Concate融合后的特征图与上采样中的特征图尺寸大小及通道相同,由此可以将他们的对应层[15]进行像素相加Add,得到新的多尺度特征图feature maps。

    Add特征融合的方法是,将两两相同尺寸的特征图像素直接相加[16],公式如(3)所示。图4(a)列出了裂缝图片;该图片的两种特征图如图4(b)和4(c)所示;Add融合后的图像如图4(d)所示。

    $$ f{\left({p}_{ij}\right)}_{i=j}={f}_{1}\left({p}_{ij}\right)+{f}_{2}\left({p}_{ij}\right) $$ (3)
    图  4  Add特征融合
    Figure  4.  Add feature fusion

    依据公共道路表层病害的划分类别[17],对裂缝病害进行了两类划分,分别是裂缝和破损,如图5所示。划分依据为,将分布清晰明确的裂缝依然视为裂缝,数据标注时定义其标签为crack,将分布错综复杂的裂缝视为破损,定义其标签为damage。

    图  5  裂缝病害类别划分图
    Figure  5.  Category classification diagram of crack diseases

    目前没有公开的桥梁裂缝数据集及数据标注文件可用,通过采集桥梁道路常见的裂缝病害,共2 566张,图片尺寸为600×600 pixel,并对采集到的图片做像素变化[18]处理以进行数据扩充,最终得到共4 200张的裂缝图片。

    利用Labelme软件工具完成标注,如图6所示。针对类别对比实验需要2种标注形式:未分类的实验,如图6(a)和(b)所示;分类实验,如图6(c)和(d)所示。

    图  6  数据集标注可视化
    Figure  6.  Data set annotation visualization

    算法基于TensorFlow1.12[19]和Keras1.0.8的框架搭建Mask RCNN卷积神经网络,系统使用window10,内存为16 G,显卡为NVIDIA GTX 1660,处理器为Intel(R)Core(TM)i5-9400F。

    图7是网络训练损失曲线图地改进后网络的损失曲线相比原网络损失曲线有所降低,并且后期验证集损失曲线对训练结果已较好地拟合,网络的泛化性能得到提升。

    图  7  损失曲线
    Figure  7.  Loss curves

    评估卷积神经网络目标检测算法性能指标通常有:精确率Precision、召回率Recall、平均精度AP、平均精度均值mAP等几个指标。

    为了验证改进方法的有效性、创新性,基于2种策略做对比实验,对文章中设计的方法进行性能测试。

    策略1:对裂缝不进行类别划分,即将裂缝和破损依然视为裂缝crack,输入改进前网络和改进后网络,检测结果如表1所示。改进后网络的mAP比原网络提高6.6%。

    表  1  策略1网络改进前后性能指标对比
    Table  1.  Comparison of performance indicators before and after network improvement of strategy 1
    平均精度
    均值
    裂缝平均
    精度
    检测速度/
    (image/s)
    Mask RCNN0.8350.8355.000
    Mask RCNN_SEM0.9010.9016.065
    下载: 导出CSV 
    | 显示表格

    策略2:对裂缝病害进行类别划分,裂缝和破损分别作为crack和damage,检测结果如表2所示。改进后网络的mAP比原网络提高5.7%,并且裂缝的平均精度crack_AP和破损的平均精度damage_AP分别提高2.4%和9.0%。

    表  2  策略2网络改进前后性能指标对比
    Table  2.  Comparison of performance indicators before and after network improvement of strategy 2
    平均精度
    均值
    裂缝平均
    精度
    破损平均
    精度
    检测速度
    (image/s)
    Mask RCNN_FPN0.8870.9240.8505.000
    Mask RCNN_P_FPN0.9440.9480.9406.065
    下载: 导出CSV 
    | 显示表格

    对比以上2个策略的结果,可以验证网络改进和类别划分结合的方法设计,改进了网络性能,相比原网络无类别划分方法mAP共提高了12.6%。

    另外,通过ResNet101和ResNet50的对比,衡量深度不同的主干网络对预测结果的影响,结果发现,深层主干网ResNet101相比ResNet50较浅层网络,其预测结果在时间上无较大差别,但预测准确率Accuracy和mAP有明显优势,如表3所示。

    表  3  网络模型分别基于ResNet101和ResNet50的性能指标对比
    Table  3.  Comparison of performance indicators of network model based on ResNet101 and ResNet50 respectively
    检测
    准确率
    平均精度
    均值
    检测速度/
    (image/s)
    Mask RCNN_ResNet101+SEM0.9980.9446.065
    Mask RCNN_ResNet50+SEM0.8500.7945.122
    下载: 导出CSV 
    | 显示表格

    结合以上数据,又与其他网络模型进行了性能对比。将结果绘制成柱状图直观对比各网络的性能差异,如图8所示。

    图  8  各网络模型性能对比图
    Figure  8.  Performance comparison diagram of each network model

    根据以上2个策略,列出了3张不同图片的检测结果,如图9图10图11所示。图9图11中(a)和(b)均为策略1检测结果,(c)和(d)均为策略2检测结果,通过对比图9图11中(a)、(b)、(c)和(d)可知,(d)图检测结果掩膜分布清晰、无漏检,无重叠等缺陷,具有较好的检测结果。

    图  9  细小裂缝检测结果
    Figure  9.  Detection results of fine cracks
    图  10  较大裂缝检测结果
    Figure  10.  Detection results of larger cracks
    图  11  形态复杂裂缝检测结果
    Figure  11.  Detection results of complex cracks

    基于Mask RCNN卷积神经网络算法,本文增加了语义增强模块,使新的特征图融合了浅层网络和深层网络的特征,对裂缝形态特征做到了较充分保留,提高了对道路裂缝病害检测的精确度。同时对裂缝进一步作类别划分,有益于为道路维护工作提供相应裂缝修护措施。文中方法通过指标数据和检测结果显示,算法的改进一定程度上提高了裂缝检测精度,但是对于复杂裂缝的检测仍然需要提高算法的改进水平。

  • 图  1   CDFF-4FFT衍射计算过程

    Figure  1.   Diffraction calculation process with DFF-4FFT

    图  2   彩色数字全息实验系统

    Figure  2.   Experimental system of digital color holography

    图  3   CDFF-4FFT方法重建的彩色图像

    Figure  3.   Chromatic image reconstructed by CDFF-4FFT

  • [1]

    ZHANG Zhen, CHEN Siqing, ZHENG Huadong, et al. Full-color holographic 3D display using slice-based fractional fourier transform combined with free-space Fresnel diffraction[J].Applied Optics, 2017, 56(20):5668-5675. doi: 10.1364/AO.56.005668

    [2] 吴圣涵, 王崝, 曹良才, 等.多路角度复用体全息三维显示技术[J].应用光学2017, 38(2):215-220. http://d.old.wanfangdata.com.cn/Periodical/yygx201702011

    WU Shenghan, WANG Zheng, CAO Liangcai, et al.Volume holographic display technology based on angular multiplexing[J].Journal of Applied Optics, 2017, 38(2):215-220. http://d.old.wanfangdata.com.cn/Periodical/yygx201702011

    [3] 陈刚, 周文静, 胡祯, 等.表面粗糙程度数字全息检测[J].应用光学, 2014, 35(6):1041-1047.

    CHEN Gang, ZHOU Wenjing, HU Zhen, et al.Surface roughness measurement based on digital holography[J].Journal of Applied Optics, 2014, 35(6):1041-1047.

    [4]

    SU Jian, YAN Xingpeng, HUANG Yingqing, et al.Resolution matching in laser direct printing of a computer-generated hologram[J].Journal of the Optical Society of America B, 2017, 34(5): B1-B8. doi: 10.1364/JOSAB.34.0000B1

    [5]

    LECLERCQ M, PICART P, PENELET G, et al.Investigation of 3D surface acoustic waves in granular media with 3-color digital holography[J].Journal of Applied Physics, 2017, 121, 045112(1-10).

    [6]

    CHANG C, QI Y, WU J, et al.Numerical study for the calculation of computer-generated hologram in color holographic 3D projection enabled by modified wavefront recording plane method[J].Optics Communications, 2017, 387:267-274. doi: 10.1016/j.optcom.2016.10.073

    [7]

    LI Junchang, PENG Zujie, FU Yunchang.Diffraction transfer function and Its calculation of classic diffraction formula[J].Optics Communications, 2007, 280(2): 243-248. doi: 10.1016/j.optcom.2007.08.053

    [8]

    TANKAM P, SONG Q H, KARRAY M, et al.Real-time three-sensitivity measurements based on three-color digital Fresnel holographic interferometry[J], Optics Letters, 2010, 35(12):2055-2057. doi: 10.1364/OL.35.002055

    [9]

    LI Junchang, WU Yanmei.An indirect algorithm of fresnel diffraction[J].Optics Communications, 2009, 282(4):455-458. doi: 10.1016/j.optcom.2008.10.060

    [10]

    LI Junchang, ZHU jie, PENG Zujie.The S-FFT calculation of collins formula and its application in digital holography[J].The European Physical Journal D, 2007, 45:325-330. doi: 10.1140/epjd/e2007-00260-0

  • 期刊类型引用(10)

    1. 刘艳宁,章国宝. 基于卷积神经网络的路面裂缝分割设计与研究. 应用光学. 2024(02): 373-384 . 本站查看
    2. 王静,毅力果奇,杨俊,谢辉. 基于红外热像的车站混凝土结构损伤智能检测方法. 城市建筑. 2024(12): 1-4 . 百度学术
    3. 张鸣祥,张睿,钟其仁. 基于深度学习的桥梁表观裂缝检测算法研究. 合肥工业大学学报(自然科学版). 2024(07): 995-1002 . 百度学术
    4. 姚成武,常琛. 基于像素强度顺序变换和UNetFormer的裂缝分割模型. 电子测量技术. 2024(11): 151-159 . 百度学术
    5. 徐猛梁,沈建华,杨利斌. 基于无人机和卷积神经网络的钢桁架桥病害巡检. 湖南交通科技. 2023(01): 80-85+138 . 百度学术
    6. 张铮,钱勤建,周嘉政,柯子鹏,胡新宇. 基于改进Fast-SCNN的裂缝图像实时分割算法. 应用光学. 2023(03): 539-547 . 本站查看
    7. 杨锋,丁之桐,邢蒙蒙,丁波. 深度学习的目标检测算法改进综述. 计算机工程与应用. 2023(11): 1-15 . 百度学术
    8. 王红伟,蓝日彦,冯学茂,刘栋,刘全佩. 某钢筋混凝土空心板旧桥底板开裂病害的安全性分析. 西部交通科技. 2023(08): 1-3+7 . 百度学术
    9. 叶青梅. 大跨径桥梁独柱墩墩帽侧面裂缝快速检测. 中国公路. 2023(21): 107-109 . 百度学术
    10. 何肖斌,吴正思,谢润,应旭永. 基于图像的桥梁裂缝几何特征提取方法研究. 工程与建设. 2022(06): 1573-1576 . 百度学术

    其他类型引用(11)

图(3)
计量
  • 文章访问数:  971
  • HTML全文浏览量:  270
  • PDF下载量:  181
  • 被引次数: 21
出版历程
  • 收稿日期:  2017-07-23
  • 修回日期:  2017-09-18
  • 刊出日期:  2018-02-28

目录

/

返回文章
返回