基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法技术

本发明专利技术提供一种基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法：包括：得到有标注的源域样本；得到无标注的目标域样本；得到有标注的源域样本；基于源域数据集和目标域数据集训练网络，通过反向传播算法对模型参数进行优化，得到完成训练的网络；将图像输入S35得到的完成训练的网络，输出预测的泽尼克系数，根据预测的泽尼克系数计算波前相位，并利用波前矫正器进行波前补偿实现校正。本发明专利技术采用了迁移卷积神经网络的双流结构，能利用迁移学习改进模型在不同介质时的波前系数预测能力。

Adaptive optical wavefront compensation method based on the prediction of Zernike coefficient of wavefront by depth transfer learning

【技术实现步骤摘要】
基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法
本专利技术涉及一种光学成像技术，具体涉及一种基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法。
技术介绍
自适应光学技术是解决光学波前误差的途径，通过对摸钱误差的实时探测-控制-矫正，使得光学系统能自动克服外界扰动，克服复杂观测介质的散射影响，保持系统良好的成像性能。基于图像的非直接式的自适应光学技术通过对于点光源的散射光斑分析计算波前参数，避免了对于介质波前相位的直接探测，对于活体介质的情况，尤其在显微成像等领域得到广泛应用。基于图像的自适应光学方法通过设备光路采集畸变光斑图像，并对图像进行分析，计算波前参数，通过空间光调制器调整波前相位，以矫正波前畸变。目前已有方法通过深度学习方法利用人工生成的畸变光斑数据训练得到神经网络，利用该网络计算波前相位的泽尼克系数表达，对于处理实际波前畸变有一定能力，但是对于不同的设备条件，观测样本性质，难以取得良好的效果。对于变化的设备条件，观测样本，其畸变光斑的性质与训练样本有较大差异，难以获取当前实验条件下的标注样本用于训练，这使得该自适应光学方法难以在实际实验条件下应用。因此，需要对现有技术进行改进。
技术实现思路
本专利技术要解决的技术问题是提供一种高效的基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法。为解决上述技术问题，本专利技术提供一种基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法：包括以下步骤：S1、得到有标注的源域样本{Xs,Ys}；执行步骤S2；S2、得到无标注的目标域样本得到有标注的目标域样本执行步骤S3；S3、根据有标注的源域样本{Xs,Ys}得到源域数据集，根据无标注的目标域样本和有标注的目标域样本得到目标域数据集；基于源域数据集和目标域数据集训练网络，通过反向传播算法对模型参数进行优化，得到完成训练的网络；执行步骤S4；S4、将图像输入S35得到的完成训练的网络，输出预测的泽尼克系数，执行步骤S5；S5、根据步骤S4预测的泽尼克系数计算波前相位，并利用波前矫正器进行波前补偿实现校正。作为对本专利技术基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法的改进：步骤S3包括以下步骤：S31.将共享参数的源域网络和目标域网络作为双流网络，判断源域网络和目标域网络是否满足收敛条件或者到达最大迭代次数，否则执行S32，是则执行S35；S32.将源域数据集和目标域数据集分别随机乱序后分为多个小型批次数据集，形成源域批数据和目标域批数据；执行步骤S33；S33.将源域批数据和目标域批数据分别输入源域网络和目标域网络，利用反向传播算法结合损失函数更新各个网络参数；执行步骤S34；S34.利用梯度下降算法对模型参数进行更新，并判断参数是否收敛，是执行S35，否执行S32；S35.输出完成训练的网络；执行步骤S4。作为对本专利技术基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法的进一步改进：步骤S33包括：损失函数定义为：l＝MSE+λlCORAL其中MSE为均方差误差；MSE如下式所示：其中：分别为源域网络和目标域网络的预测值；为有标注的目标域样本数量；ns为有标注的源域样本数量；协方差损失lCORAL如下式所示：其中，表示平方矩阵Frobenius范数；Cs,Ct分别表示源域和目标域特征的协方差矩阵，d为样本向量空间维数；λ为用于平衡泽尼克系数预测与分布对齐间的强度的超参数。作为对本专利技术基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法的进一步改进：步骤S34包括：参数更新形式为：其中，α为学习率，为偏导数运算符，表示在t时间步中，第k层第i个参数的值。作为对本专利技术基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法的进一步改进：源域网络和目标域网络均包括输入层-卷积层-池化层-卷积层-池化层-卷积层-卷积层-卷积层-池化层-全连接层-适应层。作为对本专利技术基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法的进一步改进：第1层输入层的设置特征图数为1；第2层卷积层的特征图数为32，并设置卷积核大小为5；第3层池化层设置下采样尺寸为2；第4层卷积层的特征图数为32，并设置卷积核大小为5；第5层池化层设置下采样尺寸为2；第6层卷积层的特征图数为64，并设置卷积核大小为3；第7层卷积层的特征图数为64，并设置卷积核大小为3；第8层卷积层的特征图数为64，并设置卷积核大小为3；第9层池化层设置下采样尺寸为2；第10层全连接层设置神经元个数为512；第11层适应层设置神经元个数512；第12层输出层设置神经元个数为21，对应2-22个泽尼克系数。作为对本专利技术基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法的进一步改进：超参数λ为7。本专利技术基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法的技术优势为：(1)在变更实验条件的观测条件下，相比于现有机器学习方法能大幅提升校正能力。(2)对于变更的实验条件，不需要获取标注的畸变图像，即无需知道他们的畸变波前参数，便可实现性能的大幅提升。(3)对于变更的实验条件，少量标注的目标域数据更能使得校正性能提升，这使得本方法能更好的利用能获取的数据。(4)采用了迁移卷积神经网络的双流结构，能利用迁移学习改进模型在不同介质时的波前系数预测能力。(5)在损失函数的设计处充分利用了有标注的目标域数据，能够实现更快的收敛速度已经预测准确度。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细说明。图1为本专利技术的基于迁移深度学习预测波前泽尼克系数的自适应光学波前补偿方法流程图；图2为用于光学成像畸变光斑图像预测其波前相位泽尼克系数的半监督二阶对齐的深度迁移学习双流卷积神经网络在实施例中的结构示意图；图3为激光显微成像系统的结构示意图。具体实施方式下面结合具体实施例对本专利技术进行进一步描述，但本专利技术的保护范围并不仅限于此。实施例1、基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，应用于激光显微成像系统，如图3所示；激光显微成像系统包括激光器1(OBIS637nmLX140mW)、扩束准直系统2、偏振片3、光学分束器4、空间光调制器5(SLM，PLUTO-NIR-011-A)、共轭镜组6、物镜7(RMS4X,Olympus,4X/0.10NA)和CMOS相机8(CMOS,DMK23UV024,640*480Y800115fps)。激光器1发出的激光先通过扩束准直系统2扩束，再通过偏振片3，随后激光通过光学分束器4垂直射入空间光调制器5，经过空间光调制器5调制后，光束折回光学分束器4后反射，通过共轭镜组6后由物镜7接收，再穿过样品由CMOS相机8接收。人工畸变光斑有标注数据样本通过如下方法产生：1)、均匀分布随机产生10000组泽尼克系数第2-22项；2)、通过泽尼克系数计算波前相位；3)、将波前相位加载到SLM(空间光调制器)上通过上述光路采集分辨率为128*128的畸变光斑图像(此时样品空置)。用该成像系统拍摄激光通过人工介质样品的畸变光斑图像，得到320组人工仿真生成的畸变光斑图像，其中仅有20组样品已知其对应波前泽尼克系数2-22项(通过其他方法已知了该20组样品对应泽尼克系数)，这20组样品构本文档来自技高网...

【技术保护点】
1.基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：包括以下步骤：S1、得到有标注的源域样本{Xs,Ys}；执行步骤S2；S2、得到无标注的目标域样本

【技术特征摘要】
1.基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：包括以下步骤：S1、得到有标注的源域样本{Xs,Ys}；执行步骤S2；S2、得到无标注的目标域样本得到有标注的目标域样本执行步骤S3；S3、根据有标注的源域样本{Xs,Ys}得到源域数据集，根据无标注的目标域样本和有标注的目标域样本得到目标域数据集；基于源域数据集和目标域数据集训练网络，通过反向传播算法对模型参数进行优化，得到完成训练的网络；执行步骤S4；S4、将图像输入S35得到的完成训练的网络，输出预测的泽尼克系数，执行步骤S5；S5、根据步骤S4预测的泽尼克系数计算波前相位，并利用波前矫正器进行波前补偿实现校正。2.根据权利要求1所述的基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：步骤S3包括以下步骤：S31.将共享参数的源域网络和目标域网络作为双流网络，判断源域网络和目标域网络是否满足收敛条件或者到达最大迭代次数，否则执行S32，是则执行S35；S32.将源域数据集和目标域数据集分别随机乱序后分为多个小型批次数据集，形成源域批数据和目标域批数据；执行步骤S33；S33.将源域批数据和目标域批数据分别输入源域网络和目标域网络，利用反向传播算法结合损失函数更新各个网络参数；执行步骤S34；S34.利用梯度下降算法对模型参数进行更新，并判断参数是否收敛，是执行S35，否执行S32；S35.输出完成训练的网络；执行步骤S4。3.根据权利要求2所述的基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：步骤S33包括：损失函数定义为：l＝MSE+λlCORAL其中MSE为均方差误差；MSE如下式所示：...

【专利技术属性】
技术研发人员：金昀程，陈智鸿，金心宇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33