基于复函数神经网络的深度学习光学成像系统设计方法技术方案

本发明专利技术提供了一种基于复函数神经网络的深度学习光学成像系统设计方法，包括以下步骤：步骤一，物距、系统焦距、F数作为输入，根据理想光学系统成像关系，确定像距、成像缩放比例；步骤二，根据成像缩放比例和理想光学系统的物方图像，计算得到理想光学系统的像方图像；步骤三，构建复函数生成器网络模型，步骤四、构建鉴别器网络模型，步骤五，在完成上述复函数神经网络的深度学习模型的建立、训练，步骤六，使用阶段。本发明专利技术提供的基于复函数神经网络的深度学习光学成像系统设计方法，解决了设计结果的优劣与设计者经验值的关联性，无需设计者提供初始结构参数；大大提高了计算能力和优化速度。和优化速度。和优化速度。

【技术实现步骤摘要】
基于复函数神经网络的深度学习光学成像系统设计方法


[0001]本专利技术涉及折反射式光学成像
，具体涉及基于复函数神经网络的深度学习光学成像系统设计方法。

技术介绍

[0002]光学系统设计，简称光学设计，就是根据用户的使用要求，决定满足使用要求的设计指标，包括光学系统的性能参数、外形尺寸、一阶参数和各光组的结构等。
[0003]传统的光学系统设计的流程通常包括：(1)初始结构的设计或者选择；(2)需要数十次甚至数百次麦克斯韦电磁场模拟；(3)基于设计指标，建立优化函数，进行光学设计的优化。此类光学设计流程已经固化为光学设计人员和研发人员的基本思路，但是已经陷入技术瓶颈。此类方法主要存在的天然技术缺点如下：(1)需要数十次甚至数百次麦克斯韦电磁场模拟，这是耗时且耗费计算资源的。在镜头设计中的优化算法和偏微分求解迭代优化算法，极度消耗电脑的CPU线程数量。涉及到干涉模型和衍射模型的光学成像设计，不仅消耗CPU线程数量，也需要电脑的实时内存空间进行多维矩阵运算。(2)设计人员必须花费大量的时间和精力进行准备建模和优化，建模条件的偏差，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于复函数神经网络的深度学习光学成像系统设计方法，包括以下步骤：步骤一，物距、系统焦距、F数作为输入，根据理想光学系统成像关系，确定像距、成像缩放比例；步骤二，根据成像缩放比例和理想光学系统的物方图像，计算得到理想光学系统的像方图像；步骤三，构建复函数生成器网络模型，所述复函数生成器网络模型中，包括第1层网络、第2层
……
网络、第N层网络；第1层网络由第一透镜面的参数曲率、折射率和物理间距构成；传播到第2层网络，由第二透镜面的参数曲率、折射率和物理间距构成；最后传播到第N层网络，由第N透镜面的参数曲率、折射率和物理间距构成；步骤四、构建鉴别器网络模型，复函数生成器网络模型输出的像方图像被输入到鉴别器网络模型中，由鉴别器网络模型判断该像方图像与理想光学系统的像方图像的相似度；由设计指标确定鉴别器网络的判断阈值，当鉴别器网络模型判断像方图像与理想光学系统的像方图像的相似度达到阈值，输出“真”，停止反馈回复函数生成器网络模型，结束迭代；当鉴别器网络模型判断像方图像与理想光学系统的像方图像的相似度未达到阈值，输出“假”，并将该信号反馈给复函数生成器网络模型，继续对步骤三的复函数生成器网络参数进行迭代优化；理想光学系统的物方图像输入到鉴别器网络模型中，鉴别器网络模型判断是否需要继续优化计算，最终输出透镜面1～N的曲率、透镜面1～N的折射率、透镜面1～N的物理间距的具体数值；步骤五，在完成上述复函数神经网络的深度学习模型的建立、训练，将一阶参数物距、系统焦距、F数进行离散化采样，离散化的物距、系统焦距、F数依次排列组合作为一组输入，对上述步骤一～步骤四进行重复，直至所有离散化的物距、系统焦距、F数排列组合完毕，其中物距从0.1m～1m以0.1m为间距采样，物距从1m～10m以1m为间距采样，物距从10m～100m以10m为间距采样，物距从100m～3000m以100m为间距采样，系统焦距从10mm～50mm以10mm为间距采样，系统焦距从50mm～500mm以50mm为间距采样，F数从1.5～10以0.5为间距等间距采样，然后将一系列离散化采样的一阶参数输入到复函数神经网络的深度学习算法中，将对应输出的透镜面1～N的曲率、透镜面1～N的折射率、透镜面1～N的物理间距存成一个数据库，作为使用阶段的光学成像系统初始结构；步骤六，使用阶段，在训练完成并经过准确性验证的复函数神经网络深度学习算法中，输入一组光学成像系统设计指标和一阶参数，包括物距、系统焦距、F数，首先在步骤五建立的数据库中查找相似结构，并将其作为初始结构，经过...

【专利技术属性】
技术研发人员：司徒国海，高金铭，郭劲英，戴安丽，
申请(专利权)人：国科大杭州高等研究院，
类型：发明
国别省市：