改进U-net神经网络的干涉图像齿面域分割方法OACSTPCD

激光干涉法是测量齿轮齿面形貌误差的有效方法,利用干涉图像处理技术可以准确获取齿面形貌信息。然而,在实际实验中,散斑噪声和齿面杂散光等现象往往会导致分割精度的降低,从而影响测量的准确性。同时,传统的时域分割方法存在着拟合误差和难以确定合适分割阈值等问题,也会对分割精度造成影响。因此,齿面域分割在干涉图像处理中起着至关重要的作用,可以有效提高测量精确性。为了解决这些问题,提出了一种基于改进的U-net神经网络的齿面域分割方法。首先,在传统的U-net架构中引入SE注意力机制,以提升网络对齿面区域的识别精度。其次,通过收集不同光照环境和入射角度下的齿面物体图像和干涉图像作为训练数据集,建立网络输入与输出之间的映射关系,增强网络的泛化能力。最后,将文中方法与传统分割方法进行对比实验,结果表明:该方法可以有效降低传统方法引入的分割误差,相位跳变修正率约为75.6%,模型的准确度达到了96%,提升了分割精确性和测量准确性,在干涉图像、医学和遥感图像处理等领域有着广泛的应用潜力。