基于深度学习的剪切散斑干涉条纹图滤波方法

剪切散斑干涉技术作为一种非接触式的高精度光学全场测量方法，可以对复合材料内部缺陷进行无损检测，但所得的相位条纹图中包含大量散斑噪声，会对检测结果和精度产生严重影响。为此，提出了一种基于无监督图像风格转换模型（CycleGAN）的相位条纹图滤波方法。该方法将剪切散斑干涉技术获取的原始噪声相位条纹图通过网络训练转换为理想无噪声条纹图，从而实现对相位条纹图中噪声的滤除。实验结果表明，所提方法能够实现对噪声的高效滤除，滤波图像边界清晰、对比显著，且运行时间明显优于其他方法，仅需30 ms左右便能实现条纹图的高质量滤波，符合动态无损检测的发展需求，为相位条纹图的噪声滤除提供了新的思路。