一种基于卷积神经网络的分块镜平移和倾斜误差检测方法，属于光电测量技术领域。本本发明专利技术在分块镜主镜的共轭面上放置具有离散光阑孔的光阑结构，利用离散光阑孔采集对应子镜反射的包含共相位误差信息的光波，使得数据集包括更多细节，在输出倾斜误差的时候，也能捕捉到平移误差，从而提高网络的检测精度；在CCD上获取的PSF图像直接输入网络，无需对图片进行预先处理，极大地降低光学系统地复杂性；通过采集单帧焦面PSF图像直接输出平移和倾斜误差，无需涉及迭代过程，简化操作过程。本发明专利技术适用于光电测量领域，用于扩大镜间平移和倾斜误差的检测范围、提高检测精度、简化检测操作。简化检测操作。简化检测操作。
【技术实现步骤摘要】
一种基于卷积神经网络的分块镜平移和倾斜误差检测方法
[0001]本专利技术涉及一种基于卷积神经网络的分块镜平移和倾斜误差检测方法，是一种大范围、高精度、易操作的平移和倾斜误差的同步测量方法，属于光电测量
技术介绍
[0002]光学望远镜是人类探索太空、认识宇宙的重要工具，分块镜成像技术是大型望远镜发展过程中的重大突破，它以多路分离子孔径阵列组成的拼接孔径来代替传统的单一口径主镜，等效的达到大口径望远镜系统的高分辨率成像性能。分块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。为了获得与单口径望远镜相当的空间分辨率，子镜之间的光程差应至少减小到λ/40RMS(Root Mean Square)。共相位误差包括平移和倾斜误差，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。
[0003]针对平移误差的检测，2001年，天文学家Esposito S和Devaney N提出用金字塔波前传感器检测拼接子镜间的平移误差，其基本原理是：相邻两子镜间存在平移误差时，像面(出瞳共轭面)对应位置处光强发生跃变，幅值与平移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，并且当平移误差较大时，信号幅值与平移呈现出严重的非线性。2012年，JWST系统采用色散条纹法实现共相位误差检测的粗测。该方法的测量范围通常为100μm，精度优于100nm。但当平移误差小于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平移误差值。上述方法都只侧重于共相位误差中的平移误差检测，而不考虑倾斜误差，或者只考虑倾斜误差很小的情况。
[0004]针对倾斜误差的检测，目前提出的倾斜误差探测方法有：夏克
·
哈特曼相位传感法、光斑质心探测法、多面点扩散函数解算法、相位恢复/相位变更法(Phase Retrieval/Phase Diversity,PR/PD)、菲索干涉仪共相法、波面分割干涉法等。目前最具代表性的JWST(The James Webb Space Telescopes)系统的共相位倾斜误差(tip和tilt)测量就是将质心探测法与PR/PD方法结合，使用质心探测法进行倾斜误差粗测，倾斜误差校正至PR/PD法的测量范围内，再用PR/PD方法进行精测，最终实现对系统各子镜间倾斜误差的高精度测量。这些经典的检测方法，有其各自的优势，取得了一定的成果，但也仍然存在一定的局限性，一方面，目前的大部分方法往往无法同时满足探测范围大和探测精度高这两个要求，通常需要与其他检测方法相结合分别完成粗共相和精共相检测，另一方面，它们需要额外的光学组件，这无疑增加了硬件复杂性。
[0005]2012年，Anthony C.Cheetham与Peter G.Tuthill等人提出斐索干涉测量法实现分块式主镜望远镜的共相位误差(平移、倾斜误差)检测，其基本原理是，在光路中设置离散的非冗余光阑孔，分别采集由相邻子镜反射的子光波，在后继的光学检测系统的焦平面处可得到系统的点扩散函数(Point Spread Function，PSF)，利用PSF中的干涉条纹信息、采
用最小二乘法进行多次迭代，在待测子镜分别只有平移和倾斜误差两种情况下，解算出待测子镜的平移和倾斜误差，从而实现分别对平移和倾斜误差的高精度测量。该方法对平移的最大检测范围可达到150μm，精度是0.75nm，对倾斜误差的最大检测范围可达到0.5arcseconds，精度是3.7masRMS。2020年，北京理工大学的赵伟瑞和刘田甜等人提出一种基于光学传递函数的平移和倾斜误差同时测量方法，该方法依据光学检测系统焦面上的光强分布PSF，得到系统的光学传递函数(Optical Transfer Function,OTF)，通过对光学传递函数OTF的侧峰取模得到调制传递函数(Modulation Transfer Function,MTF)和取相位得到相位传递函数(Phase Transfer Function,PTF)，根据PTF的侧峰倾斜角的关系得到倾斜误差，根据MTF的归一化侧峰值与平移误差的关系进行分段四次多项式拟合得到平移误差。上述现有的分块镜共相位误差检测方法存在平移和倾斜误差相互影响的情况，并且同时检测两种误差时需要依赖复杂的硬件设备和繁琐的迭代过程，很难同时保证大范围和高精度的检测。
技术实现思路
[0006]针对现有的分块镜共相位误差检测方法存在平移和倾斜误差相互影响的情况，并且同时检测两种误差时需要依赖复杂的硬件设备和繁琐的迭代过程，很难同时保证大范围和高精度检测的不足，本专利技术的主要目的是提供一种基于卷积神经网络的分块镜平移和倾斜误差检测方法，通过搭建分块镜模型，随机赋给待测子镜平移和倾斜误差值得到相应的光强分布图像，即点扩散函数(Point Spread Function,PSF)图像，然后将这些图像作为数据集对卷积神经网络进行训练，训练完成后的网络能够根据单张PSF图像同时输出子镜的平移和倾斜误差的值，实现扩大镜间平移和倾斜误差的检测范围、提高检测精度、简化检测操作的目的。
[0007]本专利技术的目的是通过下述技术方案实现的。
[0008]一种基于卷积神经网络的分块镜平移和倾斜误差检测方法，包括如下步骤：
[0009]步骤一、搭建分块镜模型，得到具有平移和倾斜误差的数据集。基于单波长点目标成像，随机取一定数量的平移误差值和相同数量的倾斜误差值，加载到待测子镜。然后通过平行光光源发出光波，分束分别进入参考光路与测量光路，在光学成像系统出瞳面设置非冗余排列的离散光阑孔，得到带有共相位误差信息的光波，再经后继的会聚透镜，聚焦在焦平面上发生干涉
‑
衍射现象，焦平面上的光强分布即为点扩散函数PSF。
[0010]由于离散光阑孔的作用，仿真生成的PSF图像干涉
‑
衍射条纹细节更突出，携带的平移和倾斜误差的信息更多、特征更明显。得到的PSF图像经过归一化处理后用来训练回归CNN，PSF图像对应的平移误差和倾斜误差作为网络的输出参数。
[0011]步骤二、搭建卷积神经网络(Convolutional Neural Networks,CNN)，主要包含4个部分，其中3个是卷积模块，最后一个是全局平均池化模块。前两个卷积模块由两个堆叠的卷积层组成，第三个卷积模块由三个堆叠的卷积层组成。每个卷积模块之后连接一个批归一化层(Batch Normalization，BN)和一个池化层。最后的全局平均池化层模块，使用n个池化单元对输入特征图进行平均池化操作，直接输出平移和倾斜误差预测值。
[0012]回归CNN所需实现的功能是：通过分析从CCD上获取的PSF图像进而输出精确的平移值和倾斜误差值。所以要求较深本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于卷积神经网络的分块镜平移和倾斜误差检测方法，其特征在于：包括如下步骤：步骤一、搭建分块镜模型，得到具有平移和倾斜误差的数据集；基于单波长点目标成像，随机取一定数量的平移误差值和相同数量的倾斜误差值，加载到待测子镜；然后通过平行光光源发出光波，分束分别进入参考光路与测量光路，在光学成像系统出瞳面设置非冗余排列的离散光阑孔，得到带有共相位误差信息的光波，再经后继的会聚透镜，聚焦在焦平面上发生干涉
‑
衍射现象，焦平面上的光强分布即为点扩散函数PSF；步骤二、搭建卷积神经网络，主要包含4个部分，其中3个是卷积模块，最后一个是全局平均池化模块；前两个卷积模块由两个堆叠的卷积层组成，第三个卷积模块由三个堆叠的卷积层组成；每个卷积模块之后连接一个批归一化层和一个池化层；最后的全局平均池化层模块，使用n个池化单元对输入特征图进行平均池化操作，直接输出平移和倾斜误差预测值；步骤三、使用仿真数据集训练回归CNN；利用步骤1获取同时包含平移误差和倾斜误差信息的PSF，将所述PSF图像作为数据集，PSF图像对应的平移误差、倾斜误差作为标签；用数据集对网络进行迭代训练；多次迭代后使网络学习到PSF图像和子镜共相误差之间的映射关系，损失函数降到一定值后结束训练，得到训练完善的网络；步骤四、使用一张待测望远镜系统的PSF图像，输入至步骤三训练完成的网络，网络执行数据传输即可同时得到平移和倾斜误差的检测结果，实现实际系统的共相位误差检测，扩大子镜间平移和倾斜误差的检测范围、提高检测精度、简化检测操作过程。2.如权利要求1所述的基于卷积神经网络的分块镜平移和倾斜误差检测方法，其特征在于：在所述步骤一中，由于离散光阑孔的作用，仿真生成的PSF图像干涉
‑
衍射条纹细节更突出，携带的平移和倾斜误差的信息更多、特征更明显；得到的PSF图像经过归一化处理后用来训练回归CNN，PSF图像对应的平移误差和倾斜误差作为网络的输出参数。3.如权利要求2所述的基于卷积神经网络的分块镜平移误差检测方法，其特征在于：步骤的实现方法为，回归CNN所需实现的功能是：通过分析从CCD上获取的PSF图像进而输出精确的平移值和倾斜误差值；所以要求较深的网络以实现高精度，而随着网络层数的加深，模型的参数量和计算量会大幅增加，因此搭建回归CNN时不仅要提升网络的预测精度，还需尽可能减少网络计算成本、提升网络收敛速度；根据以上分析，回归CNN的结构设计如下：第一部分，卷积层C1+卷积层C2+批归一化层+激活函数+池化层P1；
·
卷积层C1，对输入的像素矩阵进行初次特征提取，此层采用较小的卷积核来减少参数量、提升计算速度；
·
卷积层C2，所用的卷积核尺寸与卷积层C1相同，和C1构成堆叠的小卷积核，减少参数量、提升计算速度、增大感受野；
·
BN层，随着网络的深度增加，每层特征值分布会逐渐的...
【专利技术属性】
技术研发人员：赵伟瑞，李响，王浩，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。