一种基于低计算量深度学习的散斑干涉相位解包裹方法与系统

本发明公开了一种适用于数字散斑干涉测量、实现低计算量快速解包裹的散斑干涉相位解包裹方法。该方法首先构建以改进ERF‑Net为骨干的解包裹神经网络模型，整体采用编码器‑解码器‑输出层串联结构：编码器端通过多级下采样模块和非瓶颈1D卷积模块压缩分辨率并提取深层特征；解码器端融合空洞空间金字塔池化(ASPP)模块、非瓶颈1D模块及反卷积层，并利用残差连接与编码器对应层对齐，恢复多尺度细节。将待处理的包裹相位图像输入该模型可实时获得解包裹相位结果；模型训练阶段采用基于L1范数的损失函数监督，最小化预测相位与真实相位之间的差异。所述方法在保持网络轻量化的同时，可在高噪声和复杂干涉背景下实现相位信息的精准复原，适用于散斑干涉测量等要求高精度相位数据的场景。