基于卷积神经网络的拼接式望远镜平移误差检测方法技术

本发明专利技术涉及一种基于卷积神经网络的拼接式望远镜平移误差检测方法，属于光电测量技术领域。本发明专利技术首先通过随机设置参考子镜与测试镜的piston值，进而收集一定数量的系统焦面上的光强分布图像即点扩散函数(PointSpreadFunction,PSF)图像，将这些图像作为数据集分别对一个分类CNN和一个回归CNN进行训练，训练完成后的分类CNN能够根据单张PSF图像输出子镜间piston误差的大致范围，实现对待测子镜的粗调，回归CNN可以通过输入单张PSF图像准确输出子镜间piston误差的值，实现对待测子镜的精调。将两个CNN配合使用，可实现对大范围的子镜间平移误差的高精度的检测。

【技术实现步骤摘要】
基于卷积神经网络的拼接式望远镜平移误差检测方法
本专利技术涉及一种基于卷积神经网络的拼接式望远镜平移误差检测方法，属于光电测量
背景介绍随着对太空探索的需求不断增加，所需望远镜的分辨率也越来越高。为了获得高分辨率，必须增大望远镜的口径。目前，受到光学材料、加工工艺、镜面检测、成本等多方面因素的限制，制造10m以上的单口径主镜望远镜非常困难。当前，大多数大型望远镜使用分块主镜来获得高分辨率，如欧洲超大型望远镜(E-ELT)的主镜直径为42m，由984块子镜组成；三十米望远镜(TMT)主镜由492个外接圆直径为1.4m的六边形子镜拼接而成。拼接主镜式望远镜虽具有高分辨性能的实现，但需各子镜之间共相位拼接以接近衍射极限成像，为了获得与单片镜相当的空间分辨率，子镜之间的光程差(OPD)应至少减小到λ/40RMS(RootMeanSquare)。针对共相位误差检测各界均展开了深入研究，并提出了许多检测方法。2001年，天文学家EspositoS和DevaneyN提出用金字塔波前传感器检测拼接子镜间的piston误差，其基本原理是：相邻两子镜间存在piston误差时，像面(出瞳共轭面)对应位置处光强发生跃变，幅值与piston误差成正弦函数关系。但是，该方法受到2π不定性的影响，测量范围仅限于±λ/4以内，并且当piston误差较大时，信号幅值与piston呈现出严重的非线性。2012年，JWST空间望远镜采用色散条纹法实现粗共相位误差检测。该方法在夏克-哈特曼检测光路中引入色散元件，将采集到的不同波长的衍射光斑沿平行于子镜交界方向进行色散，干涉条纹进行过光源光谱修正、探测器光谱响应修正等预处理后，用最小二乘法拟合可得到piston误差与焦面光强分布的函数关系，该方法的测量范围通常为100μm，精度优于100nm。但当piston误差小于0.25λ时，由于每一行的光强变化很小，参数拟合十分困难。2020年，北京理工大学的惠梅和李伟倩提出一种采用基于深度学习策略的不依赖成像目标的拼接镜共相位误差检测方法，该方法利用焦面强度图像和离焦面图像构建神经网络的数据集，训练后的网络能够根据输入强度图像直接输出子镜间的piston误差值。此方法精度优于50nm，且不受成像目标的影响，但是该方法没有能够消除2π歧义，仅在一个波长范围内有效，无法实现大的误差测量范围。现有piston检测方法难以在不依靠复杂硬件设备的情况同时实现大范围并且高精度的测量，因此有必要提出一种操作简便、不依靠硬件设备的高精度大范围的piston检测方法。
技术实现思路
本专利技术的目的是为了解决现有方法在不添加额外复杂硬件设备的情况下难以同时保证测量范围和精度的问题，提供一种基于卷积神经网络的拼接式望远镜平移误差检测方法，该方法首先通过随机设置参考子镜与测试镜的piston值，进而收集一定数量的系统焦面上的光强分布图像即点扩散函数(PointSpreadFunction，PSF)图像，将这些图像作为数据集分别对一个分类卷积神经网络和一个回归CNN进行训练，训练完成后的分类CNN能够根据单张PSF图像输出子镜间piston误差的大致范围，实现对待测子镜的粗测，回归CNN可以通过输入单张PSF图像准确输出子镜间piston误差的值，实现对待测距离的精测。将两个CNN配合使用，可实现对大范围的子镜间平移误差的高精度的测量。该方法能够实现等同于输入光源相干长度的测量范围以及亚纳米量级的测量精度。基于卷积神经网络的拼接式望远镜平移误差检测方法，包括如下步骤：步骤一、获取PSF图像。宽光谱平行光光源发出的光束，部分照射到参考子镜，作为参考光，部分照射到待测子镜，作为检测光。参考光和检测光经过望远镜次镜反射后进入准直透镜，在参考子镜的共轭面上放置具有离散圆孔的光阑，各圆孔与各子镜相对应，准直透镜出射的光束经过所述光阑后，由聚焦透镜聚焦在焦平面上，焦平面上的光强分布图像即为点扩散函数PSF图像。步骤二、搭建并训练分类CNN。首先，根据输入及输出的特点，搭建性能良好的分类CNN；然后，通过计算宽光谱光源的相干长度确定分类CNN的最大检测区间，将所述最大检测区间划分为n个子区间，将[-0.4λ，0.4λ]作为中心区间，以0.8λ为步长向两侧延伸进行区间划分，两端子区间的区间长度若不足0.8λ，则以具体数值为准；每个子区间对应着分类CNN的一个输出类别，则分类CNN的输出包含n个类别；然后，在每个子区间内设置m个随机piston值，调整参考子镜和待测子镜间的平移量后，利用步骤一获取各piston值对应的PSF图像；最后，将m×n张PSF图像和相应的类别作为数据集对分类CNN进行迭代训练，直至网络的分类准确率达到预期。所述根据输入及输出的特点，搭建性能良好的分类CNN的具体实现方式为：本专利技术所述分类CNN的输入是PSF图像的像素矩阵、输出是piston值所属区间类别。分类CNN所需实现的功能为：通过分析从CCD上获取的PSF图像进而输出相应piston值的大致范围。PSF图像上包含衍射光斑以及干涉条纹，待测子镜和参考子镜之间存在piston误差会引起干涉条纹的移动，干涉条纹的移动量能够直接反映piston值的大小，因此，网络需要能够准确学习到干涉条纹移动量这一特征与piston值之间的映射关系。CNN是通过卷积层中的卷积核去过滤提取图片中的局部特征，感受野越大图像的空间位置特征能够更好地被提取，因此搭建分类CNN时需要使用大的卷积核来提升感受野。根据以上分析，分类CNN的结构设计如下：第一部分，卷积层C1+激活函数+池化层P1+归一化层。·卷积层C1，对输入的像素矩阵进行初次特征提取，此层采用较大的卷积核以获取较大的感受野。·激活函数，将卷积层输出的特征图输入到激活函数中，激活函数用来加入非线性因素从而增加模型的表达能力。·池化层P1，池化层可以有效的缩小参数矩阵的尺寸，从而加快计算速度并且能够防止过拟合。池化方式有最大值池化和平均值池化。·归一化层，采用归一化层能够对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，进而增强模型的泛化能力。第二部分，卷积层C2+激活函数+池化层P2+归一化层。·卷积层C2，对输入的特征图进行第二次特征提取，考虑到网络的参数量和运算速度，此层采用的卷积核应小于卷积层C1。·激活函数，用来加入非线性因素从而增加模型的表达能力。·池化层P2，进一步缩小参数矩阵的尺寸。·归一化层，增强模型的泛化能力。第三部分，卷积层C3+激活函数·卷积层C3，对输入的特征图进行第二次特征提取，考虑到网络的参数量和运算速度，此层采用的卷积核应略小于卷积层C2。·激活函数，加入非线性因素。第四部分，全连接层+激活函数+Dropout层·全连接层，将前面经过多次卷积后高度抽象化的局部特征进行整合。使用全局卷积的方式实现全连接运算，即在该层使用X个尺寸的卷积核对特征图进行卷积运算，本层使用的卷积核本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的拼接式望远镜平移误差检测方法，其特征在于：包括如下步骤：/n步骤一、获取PSF图像；/n宽光谱平行光光源发出的光束，部分照射到参考子镜，作为参考光，部分照射到待测子镜，作为检测光；参考光和检测光经过望远镜次镜反射后进入准直透镜，在参考子镜的共轭面上放置具有离散圆孔的光阑，各圆孔与各子镜相对应，准直透镜出射的光束经过所述光阑后，由聚焦透镜聚焦在焦平面上，焦平面上的光强分布图像即为点扩散函数PSF图像；/n步骤二、搭建并训练分类CNN；/n首先，根据输入及输出的特点，搭建性能良好的分类CNN；/n然后，通过计算宽光谱光源的相干长度确定分类CNN的最大检测区间，将所述最大检测区间划分为n个子区间，将[-0.4λ,0.4λ]作为中心区间，以0.8λ为步长向两侧延伸进行区间划分，两端子区间的区间长度若不足0.8λ，则以具体数值为准；每个子区间对应着分类CNN的一个输出类别，则分类CNN的输出包含n个类别；然后，在每个子区间内设置m个随机piston值，利用步骤一获取各piston值对应的PSF图像；最后，将m×n张PSF图像和相应的类别作为数据集对分类CNN进行迭代训练，直至网络的分类准确率达到预期；/n步骤三、搭建并训练回归CNN；/n根据输入及输出的特点，搭建性能良好的回归CNN；/n在区间[-0.4λ,0.4λ]内选取w个随机piston值，利用步骤1获取各piston值对应的PSF图像，将所述w张PSF图像和相应的piston值作为回归CNN的数据集对其进行迭代训练，直至网络的预测精度达到预期；/n步骤四、检测参考子镜与待测子镜之间的piston误差；/n获取待测望远镜系统的PSF图像，并将其输入至步骤二训练后的分类CNN，根据分类CNN输出的piston误差范围调整测试子镜的位置，调整后再次获取PSF图像并输入分类CNN进行测试，以确保调整后的piston值位于区间[-0.4λ,0.4λ]；再次获取调整后的系统的PSF图像，将其输入至回归CNN后得到准确的piston值。/n...

【技术特征摘要】
1.基于卷积神经网络的拼接式望远镜平移误差检测方法，其特征在于：包括如下步骤：
步骤一、获取PSF图像；
宽光谱平行光光源发出的光束，部分照射到参考子镜，作为参考光，部分照射到待测子镜，作为检测光；参考光和检测光经过望远镜次镜反射后进入准直透镜，在参考子镜的共轭面上放置具有离散圆孔的光阑，各圆孔与各子镜相对应，准直透镜出射的光束经过所述光阑后，由聚焦透镜聚焦在焦平面上，焦平面上的光强分布图像即为点扩散函数PSF图像；
步骤二、搭建并训练分类CNN；
首先，根据输入及输出的特点，搭建性能良好的分类CNN；
然后，通过计算宽光谱光源的相干长度确定分类CNN的最大检测区间，将所述最大检测区间划分为n个子区间，将[-0.4λ,0.4λ]作为中心区间，以0.8λ为步长向两侧延伸进行区间划分，两端子区间的区间长度若不足0.8λ，则以具体数值为准；每个子区间对应着分类CNN的一个输出类别，则分类CNN的输出包含n个类别；然后，在每个子区间内设置m个随机piston值，利用步骤一获取各piston值对应的PSF图像；最后，将m×n张PSF图像和相应的类别作为数据集对分类CNN进行迭代训练，直至网络的分类准确率达到预期；
步骤三、搭建并训练回归CNN；
根据输入及输出的特点，搭建性能良好的回归CNN；
在区间[-0.4λ,0.4λ]内选取w个随机piston值，利用步骤1获取各piston值对应的PSF图像，将所述w张PSF图像和相应的piston值作为回归CNN的数据集对其进行迭代训练，直至网络的预测精度达到预期；
步骤四、检测参考子镜与待测子镜之间的piston误差；
获取待测望远镜系统的PSF图像，并将其输入至步骤二训练后的分类CNN，根据分类CNN输出的piston误差范围调整测试子镜的位置，调整后再次获取PSF图像并输入分类CNN进行测试，以确保调整后的piston值位于区间[-0.4λ,0.4λ]；再次获取调整后的系统的PSF图像，将其输入至回归CNN后得到准确的piston值。


2.如权利要求1所述的基于卷积神经网络的拼接式望远镜平移误差检测方法，其特征在于：步骤二所述根据输入及输出的特点，搭建性能良好的分类CNN的具体实现方式为：
所述分类CNN的输入是PSF图像的像素矩阵、输出是piston值所属区间类别。分类CNN所需实现的功能为：通过分析从CCD上获取的PSF图像进而输出相应piston值的大致范围。PSF图像上包含衍射光斑以及干涉条纹，待测子镜和参考子镜之间存在piston误差会引起干涉条纹的移动，干涉条纹的移动量能够直接反映piston值的大小，因此，网络需要能够准确学习到干涉条纹移动量这一特征与piston值之间的映射关系。CNN是通过卷积层中的卷积核去过滤提取图片中的局部特征，感受野越大图像的空间位置特征能够更好地被提取，因此搭建分类CNN时需要使用大的卷积核来提升感受野。根据以上分析，分类CNN的结构设计如下：
第一部分，卷积层C1+激活函数+池化层P1+归一化层。
·卷积层C1，对输入的像素矩阵进行初次特征提取，此层采用较大的卷积核以获取较大的感受野。
·激活函数，将卷积层输出的特征图输入到激活函数中，激活函数用来加入非线性因素从而增加模型的表达能力。
·池化层P1，池化层可以有效的缩小参数矩阵的尺寸，从而加快计算速度并且能够防止过拟合。池化方式有最大值池化和平均值池化。
·归一化层，采用归一化层能够对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，进而增强模型的泛化能力。
第二部分，卷积层C2+激活函数+池化层P2+归一化层。
·卷积层C2，对输入的特征图进行第二次特征提取，考虑到网络的参数量和运算速度，此层采用的卷积核应小于卷积层C1。
·激活函数，用来加入非线性因素从而增加模型的表达能力。
·池化层P2，进一步缩小参数矩阵的尺寸。
·归一化层，增强模型的泛化能力。
第三部分，卷积层C3+激活函数
·卷积层C3，对输入的特征图进行第二次特征提取，考虑到网络的参数量和运算速度，此层采用的卷积核应略小于卷积层C2。
·激活函数，加入非线性因素。
第四部分，全连接层+激活函数+Dropout层
·全连接层，将前面经过多次卷积后高度抽象化的局部特征进行整合。使用全局卷积的方式实现全连接运算，即在该层使用X个尺寸的卷积核对特征图进行卷积运算，本层使用的卷积核尺寸与卷积层C3输出的特征图的尺寸相同，卷积运算后的特征图尺寸变为X...

【专利技术属性】
技术研发人员：赵伟瑞，王浩，张璐，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11