光学计量学是以光为信息载体进行非接触、无损测量的通用计量技术，是制造、基础研究和工程应用的基础。
图1 传统图解法是以物理学为基础的深度学习方法，以及数据驱动的深度学习方法用于条纹图案分析。[1]
随着激光和感光耦合组件(CCD)的发明，许多光学计量方法和仪器因其在精确度、灵敏度、重复性和速度方面的优势而被用于最先进的制造工艺、精确定位和质量评估。
对于干涉测量、数字全息术、条纹投影轮廓术(以下简称FPP)等光学计量技术，条纹图分析是从记录的条纹图中恢复潜在相位分布的主要研究方法。对于动态重建物体的各种物理特性(轮廓、距离、应变等)，条纹图相位反演的准确性和效率非常重要。
以上复合相移方法将条纹图案数量从10个减少至5个、4个、3个甚至2个，实现了10 k帧率的高速3D传感。
然而，单一模式的高精度三位重建是结构光三维成像的终极目标。FTP成功的关键在于能够在频域内将物体表面的高频条纹信息与背景强度分离。
因此，FTP技术仅限于测量有限高度变化的光滑表面。
近年来，随着可用数据和计算资源的迅速增长，深度学习作为一种“数据驱动”的机器学习技术，在计算机视觉和计算成像等众多领域取得了令人瞩目的成功。深度学习几乎遍及光学计量学的方方面面，为条纹去噪、条纹分析和数字全息重建等许多具有挑战性的问题提供了解决方案。
图2 PI-FPA方法的概述。(a) PI-FPA 包括一个 LeFTP 模块和一个轻量级网络;(b) 端口和端尾;(c) LeFTP 模块的相位复原过程。[1]
然而，与传统的条纹分析方法不同，这些深度学习方法用于训练 DNN 从大量的数据对中准确地识别图像以及图像的转换，因为控制图像形成的物理定律或与测量有关的其他领域专业知识在当前的深度学习实践中尚未得到充分利用。
因此，深度学习方法在解决复杂物理问题方面的性能在很大程度上依赖于数据集中潜在的统计特征。为了突破条纹模式分析在速度、精度、重复性和泛化方面的局限性，基于物理学的传统方法和数据驱动的学习方法的协同作用成为代表大趋势。
南京理工大学Qian Chen教授、Chao Zuo教授团队报道了一种用于条纹模式分析(PI-FPA)的物理学知识深度学习方法，该方法集成了轻量级DNN和学习增强的傅里叶变换轮廓测量(LeFTP)模块，得到准确度和计算效率更高的单次激发相位检索，以上结果已发表在期刊《Opto-Electronic Advances》上。
与传统端到端图像变换网络(U-Net及其衍生网络)相比，轻量级网络精化了初始相位，以较低的计算成本进一步提高了相位精度，并用不同的条纹分析方法对模型进行360°动态重建。
对于三步PS法，在测量动态场景时，物体与相移条纹图之间的相对运动会产生运动伪影，从而给三维重建结果带来不可忽略的误差。
对于单帧条纹分析，FTP适用于动态三维测量，但由于频谱重叠，三维测量结果粗糙，精度和分辨率较低。
U-Net 可以进一步提高三维重建的质量，但是它不能可靠地用训练数据集中比较少见的金属材料恢复物体的相位，从而妨碍了精细表面的恢复。实验结果表明，所提出的 PI-FPA 可以用于高质量、高效率的复杂结构零件三维建模。
提出的基于物理知识的条纹图像深度学习技术(PI-FPA)不仅能够像传统的神经网络一样学习数据集内部固有的统计特性，而且能够掌握描述图像形成的物理规律，实现高精度、高计算效率的单帧相位重建，同时对网络中从未见过的稀有样本具有良好的推广能力。
未来，该团队将研究 PI-FPA 对不同类型条纹图像的相位恢复性能，并探索相关条纹分析在光学计量学中的干涉测量和数字全息领域的应用，进一步突破条纹图像分析在速度、精度、重复性和泛化方面的限制。
