一种基于梯度分析的光学镜头性能变化趋势提取方法技术

本发明专利技术公开了一种基于梯度分析的光学镜头性能变化趋势提取方法，该方法包括：根据预设的良品率和每个镜片参数的物理范围确定取值约束，采样镜片参数生成仿真数据集；对仿真数据集进行预处理，以获取镜头性能相关数值作为任务目标；按照镜头中多个镜片的装配顺序堆叠其镜片参数，以获取镜头参数；根据镜头参数以及任务目标构建训练集；构建并训练光学镜头性能预测模型；将镜头参数输入到训练好的光学镜头性能预测模型中获取镜头性能指标回归值；计算各个镜头性能指标回归值对镜头参数的导数，形成镜头参数对镜头性能指标的变化趋势。本发明专利技术可以快速精准的提取光学镜头性能指标的变化趋势，提高设计效率和质量。提高设计效率和质量。提高设计效率和质量。

【技术实现步骤摘要】
一种基于梯度分析的光学镜头性能变化趋势提取方法


[0001]本专利技术涉及光学镜头设计过程中的性能变化趋势提取领域，尤其涉及一种基于梯度分析的光学镜头性能变化趋势提取方法。

技术介绍

[0002]随着光学镜头设计技术的快速发展，基于深度学习、机器学习的计算机辅助设计技术越来越成熟。其中，光学镜头的性能变化趋势在设计过程中会起到关键作用。
[0003]光学镜头设计目前的主流方法仍是依靠专家经验，从整体到细节都由人工尝试并决定最终方案。但是过去也出现了不少根据启发式算法或是机器学习算法进行镜头设计的方案。传统方法的思路是通过定义多个变量和一个目标函数，结合全局优化算法和计算机辅助设计(CAD)工具，找到许多可能的设计解决方案；然后光学镜头设计者验证一个或多个光学镜头参数配置的可用性。端到端算法可以直接通过遗传算法等启发式算法来搜索可用的光学镜头设计方案，通过若干组解决方案来模拟以解决优化问题。
[0004]虽然上述方案将机器学习算法应用到了工业设计与公差设计领域，但是大部分研究如上述的一样，仅聚焦于如何端到端地解决问题。但现阶段，也有研发厂商趋向于更为折中的想法，在人工设计的主体之上，使用低成本仿真数据做导向，形成可溯源、可解释的设计、制造工作流。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，提供一种基于梯度分析的光学镜头性能变化趋势提取方法。本专利技术可以提取单个光学镜头设计方案下的参数对性能变化趋势。
[0006]本专利技术的目的是通过以下技术方案来实现的：一种基于梯度分析的光学镜头性能变化趋势提取方法，包括以下步骤：
[0007](1)根据预设的良品率和每个镜片参数的物理范围确定取值约束，采样镜片参数生成仿真数据集；其中，所述仿真数据集中每个样本包含与实际设计镜头相同的镜片参数以及对应的仿真结果，所述仿真结果为调制传递函数；
[0008](2)对仿真数据集进行预处理，以获取镜头性能相关数值作为任务目标；
[0009](3)根据预处理后的仿真数据集获取镜头中多个镜片的镜片参数，按照镜头中多个镜片的装配顺序堆叠其镜片参数，以获取镜头参数；根据镜头参数以及任务目标构建训练集；
[0010](4)基于神经网络构建光学镜头性能预测模型，使用训练集对光学镜头性能预测模型进行迭代训练，并根据损失函数调整光学镜头性能预测模型的参数，以获取训练好的光学镜头性能预测模型；
[0011](5)将光学镜头的镜头参数输入到训练好的光学镜头性能预测模型中，以获取镜头性能指标回归值；
[0012](6)计算各个镜头性能指标回归值对镜头参数的导数，形成镜头参数对镜头性能
指标的变化趋势。
[0013]进一步地，所述步骤(1)具体包括：预设良品率，制定每个镜片参数的物理范围，在镜片参数的物理范围的取值约束下，均匀采样镜片参数进行仿真生成样品，根据仿真结果计算良品率，判断计算得到的良品率是否小于预设的良品率，若计算得到的良品率小于预设的良品率，则缩小镜片参数的物理范围；否则，增大镜片参数的物理范围；该过程采样镜片参数及其仿真结果生成仿真数据集。
[0014]进一步地，所述步骤(2)具体包括：删除调制传递函数的采样数值中与镜头性能无关的数值，以获取镜头性能相关数值作为任务目标。
[0015]进一步地，所述步骤(4)包括以下子步骤：
[0016](4.1)基于神经网络构建光学镜头性能预测模型，所述光学镜头性能预测模型包括特征提取器和树形全连接网络；
[0017](4.2)将训练集中的镜头参数输入到光学镜头性能预测模型中，以获取镜头性能指标回归值，根据镜头性能指标回归值和训练集中的任务目标计算损失函数，利用损失函数采用优化器反向更新光学镜头性能预测模型的参数，以获取训练好的光学镜头性能预测模型。
[0018]进一步地，所述特征提取器包括依次相连的第一特征提取模块、第二特征提取模块和第三特征提取模块，所述第一特征提取模块、所述第二特征提取模块和所述第三特征提取模块均包括卷积层、激活函数层和最大池化层，所述卷积层、所述激活函数层和所述最大池化层依次相连，所述第一特征提取模块的卷积层与所述第二特征提取模块的卷积层通过旁路连接相连，所述第一特征提取模块的最大池化层与所述第二特征提取模块的最大池化层通过旁路连接相连，所述第二特征提取模块的卷积层与所述第三特征提取模块的卷积层通过旁路连接相连，所述第二特征提取模块的最大池化层与所述第三特征提取模块的最大池化层通过旁路连接相连。
[0019]进一步地，所述树形全连接网络的层数根据目标间相关性确定，第一层全连接网络是单个全连接层，其余每层全连接网络中全连接层的数量根据试验条件确定：判断同个视场内产生的目标性能指标间是否存在目标间相关性，若存在目标间相关性，则将树形全连接网络的层数设置为三层，第一层全连接网络是单个全连接层，第二层全连接网络的全连接层的数量根据试验条件中的视场数量确定，第三层全连接网络中每个上层全连接层连接K个全连接层，其中K值根据试验条件中每个视场内的试验数量确定；若不存在目标间相关性，则将树形全连接网络的层数设置为两层，第一层全连接网络是单个全连接层，第二层全连接网络的全连接层的数量根据试验条件中的视场数量和试验数量确定。
[0020]进一步地，所述步骤(4.2)具体为：将训练集中的镜头参数输入到光学镜头性能预测模型中，以获取镜头性能指标回归值；根据镜头性能指标回归值和训练集中的任务目标计算损失函数，采用优化器对每批样本的损失函数计算梯度，并对梯度进行平滑处理，再反向传播更新光学镜头性能预测模型的参数；重复训练直至损失函数小于预设的损失阈值，以获取训练好的光学镜头性能预测模型。
[0021]优选地，所述优化器为Adam优化器。
[0022]进一步地，所述损失函数使用均方误差，其表达式为：
[0023][0024]其中，y
i
是第i个样本的镜头性能指标回归值，是第i个样本的任务目标，n是训练集中的样本总数量。
[0025]进一步地，所述导数的计算公式为：
[0026][0027]其中，y
i
是第i个镜头性能指标回归值，x
j
是第j个镜头参数，k个隐藏层的激活值分别记为h1到h
k
，所求导数I
ij
为y
i
对x
j
的偏导数，展开后是y
i
逐层对隐藏层激活值的求导。
[0028]本专利技术的有益效果为，本专利技术通过在光学镜头性能预测模型中引入了树形网络的结构，利用参数共享解析目标间相关性，提高了性能指标回归的准确率，有利于提高变化趋势提取的准确性；本专利技术在完成光学镜头性能预测模型的训练之后，在设计环节无需初始解和反复的迭代计算，只需要一次正向预测和一次反向求导即可提取出性能变化趋势，极大地缩短了设计耗时，有利于提高设计效率，极大地提升了设计质量；本专利技术能够低成本地实现光学镜头性能变化趋势的快速、精本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度分析的光学镜头性能变化趋势提取方法，其特征在于，包括以下步骤：(1)根据预设的良品率和每个镜片参数的物理范围确定取值约束，采样镜片参数生成仿真数据集；其中，所述仿真数据集中每个样本包含与实际设计镜头相同的镜片参数以及对应的仿真结果，所述仿真结果为调制传递函数；(2)对仿真数据集进行预处理，以获取镜头性能相关数值作为任务目标；(3)根据预处理后的仿真数据集获取镜头中多个镜片的镜片参数，按照镜头中多个镜片的装配顺序堆叠其镜片参数，以获取镜头参数；根据镜头参数以及任务目标构建训练集；(4)基于神经网络构建光学镜头性能预测模型，使用训练集对光学镜头性能预测模型进行迭代训练，并根据损失函数调整光学镜头性能预测模型的参数，以获取训练好的光学镜头性能预测模型；(5)将光学镜头的镜头参数输入到训练好的光学镜头性能预测模型中，以获取镜头性能指标回归值；(6)计算各个镜头性能指标回归值对镜头参数的导数，形成镜头参数对镜头性能指标的变化趋势。2.根据权利要求1所述的基于梯度分析的光学镜头性能变化趋势提取方法，其特征在于，所述步骤(1)具体包括：预设良品率，制定每个镜片参数的物理范围，在镜片参数的物理范围的取值约束下，均匀采样镜片参数进行仿真生成样品，根据仿真结果计算良品率，判断计算得到的良品率是否小于预设的良品率，若计算得到的良品率小于预设的良品率，则缩小镜片参数的物理范围；否则，增大镜片参数的物理范围；该过程采样镜片参数及其仿真结果生成仿真数据集。3.根据权利要求1所述的基于梯度分析的光学镜头性能变化趋势提取方法，其特征在于，所述步骤(2)具体包括：删除调制传递函数的采样数值中与镜头性能无关的数值，以获取镜头性能相关数值作为任务目标。4.根据权利要求1所述的基于梯度分析的光学镜头性能变化趋势提取方法，其特征在于，所述步骤(4)包括以下子步骤：(4.1)基于神经网络构建光学镜头性能预测模型，所述光学镜头性能预测模型包括特征提取器和树形全连接网络；(4.2)将训练集中的镜头参数输入到光学镜头性能预测模型中，以获取镜头性能指标回归值，根据镜头性能指标回归值和训练集中的任务目标计算损失函数，利用损失函数采用优化器反向更新光学镜头性能预测模型的参数，以获取训练好的光学镜头性能预测模型。5.根据权利要求4所述的基于梯度分析的光学镜头性能变化趋势提取方法，其特征在于，所述特征提取器包括依次相连的第一特征提取模块、第二特征提取模块和第三特征提取模块，所述第一特征提取模块、所述第二特征提取模块和所述第三特征提取模块均包括卷积层、激活函数层和最大池化层，所述卷积层、所述激活函数层和所述最大池化层依次相连，所述第一特征提取模块的卷积层...

【专利技术属性】
技术研发人员：贝毅君，徐鑫，王耀波，徐啸威，
申请(专利权)人：浙江大学，
类型：发明
国别省市：