Phasenverschiebungsinterferometrie (PSI) ist eine weit verbreitete Technik in der präzisen optischen Messtechnik, aber herkömmliche PSI-Methoden erfordern normalerweise 3 oder mehr Phasenverschiebungs-Interferenzbilder, was ihre Anwendung in dynamischen Messungen und vibriempfindlichen Umgebungen einschränkt. Um dieses Problem zu lösen, schlägt diese Arbeit einen auf Deep Learning basierenden PSI-IPENet-Rahmen vor, der eine Two-to-One-Struktur verwendet, das heißt zwei Phasenverschiebungs-Interferenzbilder als zweikanaligen Eingang und ein Phasenbild als Überwachungssignal, und einen Datensatz zum Training erstellt. PSI-IPENet kombiniert die Merkmalsextraktionsfähigkeit von IPENet mit den physikalischen Eigenschaften der Interferenzbildgebung und verbessert effektiv die Robustheit und die Rauschbeständigkeit der Phasenwiederherstellung. Die experimentellen Ergebnisse zeigen, dass diese Methode auch bei einer geringen Rahmenzahl eine hohe Genauigkeit der Phasenrückgewinnung beibehält und im Vergleich zur herkömmlichen Vier-Schritte-Phasenverschiebungsmethode signifikante Vorteile bei Signal-Rausch-Verhältnis und Phasenfehlern aufweist.

Phasenverschiebungsinterferenz;Phasenrückgewinnung;Deep Learning;IPENet