一种干涉图解波前的波前测量方法及系统技术方案

本发明专利技术涉及波前测量领域，尤其涉及一种干涉图解波前的波前测量方法及系统，所述一种干涉图解波前的波前测量方法包括：

【技术实现步骤摘要】
一种干涉图解波前的波前测量方法及系统


[0001]本专利技术涉及波前测量领域，具体涉及一种干涉图解波前的波前测量方法及系统
。

技术介绍

[0002]光学系统性能测量是评价光学系统性能的有效手段，波前像差定义为光线经过光学元件或系统后，实际波前与理想波前之差，它定量地反映光学成像质量，是单个元件或者系统的综合评价指标
。
现有的波前测量仪器设备受测量原理的限制较为昂贵且环境要求较高，导致光学系统的波前测量存在局限性
。
[0003]按照测量原理的不同，光学系统波前测量方法可以分为：哈特曼波前传感器
、
波前曲率传感器和干涉仪
。
其中，哈特曼波前传感器通过评价出瞳位置的波前斜率计算对应波前像差，这种方法空间频率和动态测量范围都比较小
。
波前曲率传感器是测量距离像面一定距离的两个位置的光强分布，从而确定波前曲率，根据波前曲率计算对应波前，对适用波长和带宽有一定限制
。
干涉仪按照干涉原理可以分为泰曼格林干涉仪
、
菲索干涉仪
、
马赫森德干涉仪和剪切干涉仪
。
前三种的测量原理是测量光与参考光发生干涉，根据干涉条纹即相位变化计算对应波前，剪切干涉仪通过测量波前斜率计算波前像差
。
干涉仪的测量精度一般为
λ
/10
～
λ
/100。
干涉仪测量过程中需要通过
PZT
进行多步相移，并最终通过解相位得到测量波前
。
所以这种方法较依赖
PZT
的运动精度，对环境中的震动变化也比较敏感，此外，这类设备造价都比较昂贵
。
近年来为了抑制相移误差，部分学者提出了高级迭代算法，但这种方法也需要至少对三个干涉图进行迭代计算，无法实现低成本
、
高精度的波前快速测量
。
[0004]综上所述，目前亟需一种可以实现单张干涉图解波前的测量方法
。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种干涉图解波前的波前测量方法及系统，通过光学仿真软件和实际光学系统生成干涉图与对应波前的数据集
。
针对数据集特性，搭建相应神经网络对数据集进行训练，最终，通过训练后的网络实现单张干涉图解算光学系统的系统波前数据
。
[0006]为实现上述目的，本专利技术提供了一种干涉图解波前的波前测量方法，包括：
[0007]S1、
利用仿真干涉图数据建立干涉图数据预解算模型；
[0008]S2、
利用所述干涉图数据预解算模型获取干涉图数据分类模型；
[0009]S3、
利用所述干涉图数据分类模型得到干涉图解波前的波前测量结果
。
[0010]优选的，所述利用仿真干涉图数据建立干涉图数据预解算模型包括：
[0011]S1
‑
1、
基于
ZEMAX
光学仿真软件建立平面镜反射光学模型；
[0012]S1
‑
2、
利用所述平面镜反射光学模型根据平面镜反射光学模型的平面镜面形
Zernike
系数获得仿真波前数据与仿真干涉图数据；
[0013]S1
‑
3、
利用所述仿真波前数据与仿真干涉图数据建立干涉图数据预解算模型；
[0014]其中，所述仿真波前数据与仿真干涉图数据为正态分布
。
[0015]进一步的，利用所述仿真波前数据与仿真干涉图数据建立干涉图数据预解算模型包括：
[0016]S1
‑3‑
1、
利用所述仿真波前数据与仿真干涉图数据建立训练集与验证集；
[0017]S1
‑3‑
2、
利用所述训练集基于神经网络得到干涉图数据分类初始模型；
[0018]S1
‑3‑
3、
利用所述验证集根据干涉图数据分类初始模型得到干涉图数据分类初始结果；
[0019]S1
‑3‑
4、
判断所述干涉图数据分类初始结果是否满足模型泛化要求，若是，则利用所述干涉图数据分类初始模型作为干涉图数据预解算模型，否则，根据未满足模型泛化要求的干涉图数据分类初始结果基于平面镜反射光学模型获取补充仿真波前数据与补充仿真干涉图数据；
[0020]S1
‑3‑
5、
利用所述补充仿真波前数据与补充仿真干涉图数据加入训练集，并返回
S1
‑3‑
2。
[0021]优选的，利用所述干涉图数据预解算模型获取干涉图数据分类模型包括：
[0022]S2
‑
1、
基于干涉仪与变形镜获取实际波前数据与实际干涉图数据；
[0023]S2
‑
2、
利用所述实际波前数据与实际干涉图数据建立实际数据训练集与实际数据验证集；
[0024]S2
‑
3、
利用所述实际数据训练集对干涉图数据预解算模型基于神经网络进行训练得到干涉图数据预分类初始模型；
[0025]S2
‑
4、
利用所述实际数据验证集根据干涉图数据预解算模型得到干涉图数据预分类验证结果；
[0026]S2
‑
5、
判断所述干涉图数据预分类验证结果是否满足预分类模型泛化要求，若是，利用所述干涉图数据预解算模型作为干涉图数据分类模型，否则，根据未满足预分类模型泛化要求的干涉图数据预分类验证结果，基于干涉仪与变形镜获取补充实际波前数据与补充实际干涉图数据；
[0027]S2
‑
6、
利用所述补充实际波前数据与补充实际干涉图数据加入实际数据训练集，并返回
S2
‑
3。
[0028]优选的，利用所述干涉图数据分类模型得到干涉图解波前的波前测量结果包括：
[0029]基于所述干涉图数据分类模型得到初始干涉图数据；
[0030]利用所述初始干涉图数据基于
Resize
函数调整后，进行归一化处理得到调整干涉图数据；
[0031]获取所述调整干涉图数据的数据特征；
[0032]利用所述数据特征基于多层感知机得到对应波前数据；
[0033]利用所述波前数据得到损失函数；
[0034]利用所述损失函数得到干涉图解波前的波前测量结果；
[0035]其中，所述波前数据的形式为
Zernike
系数
。
[0036]进一步的，利用所述波前数据得到损失函数的计算式如下：
[0037][0038]其中，
Δ
Ai
为波前数据
Zernike
系数的第
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种干涉图解波前的波前测量方法，其特征在于，包括：
S1、
利用仿真干涉图数据建立干涉图数据预解算模型；
S2、
利用所述干涉图数据预解算模型获取干涉图数据分类模型；
S3、
利用所述干涉图数据分类模型得到干涉图解波前的波前测量结果
。2.
如权利要求1所述的一种干涉图解波前的波前测量方法，其特征在于，所述利用仿真干涉图数据建立干涉图数据预解算模型包括：
S1
‑
1、
基于
ZEMAX
光学仿真软件建立平面镜反射光学模型；
S1
‑
2、
利用所述平面镜反射光学模型根据平面镜反射光学模型的平面镜面形
Zernike
系数获得仿真波前数据与仿真干涉图数据；
S1
‑
3、
利用所述仿真波前数据与仿真干涉图数据建立干涉图数据预解算模型；其中，所述仿真波前数据与仿真干涉图数据为正态分布
。3.
如权利要求2所述的一种干涉图解波前的波前测量方法，其特征在于，利用所述仿真波前数据与仿真干涉图数据建立干涉图数据预解算模型包括：
S1
‑3‑
1、
利用所述仿真波前数据与仿真干涉图数据建立训练集与验证集；
S1
‑3‑
2、
利用所述训练集基于神经网络得到干涉图数据分类初始模型；
S1
‑3‑
3、
利用所述验证集根据干涉图数据分类初始模型得到干涉图数据分类初始结果；
S1
‑3‑
4、
判断所述干涉图数据分类初始结果是否满足模型泛化要求，若是，则利用所述干涉图数据分类初始模型作为干涉图数据预解算模型，否则，根据未满足模型泛化要求的干涉图数据分类初始结果基于平面镜反射光学模型获取补充仿真波前数据与补充仿真干涉图数据；
S1
‑3‑
5、
利用所述补充仿真波前数据与补充仿真干涉图数据加入训练集，并返回
S1
‑3‑
2。4.
如权利要求1所述的一种干涉图解波前的波前测量方法，其特征在于，利用所述干涉图数据预解算模型获取干涉图数据分类模型包括：
S2
‑
1、
基于干涉仪与变形镜获取实际波前数据与实际干涉图数据；
S2
‑
2、
利用所述实际波前数据与实际干涉图数据建立实际数据训练集与实际数据验证集；
S2
‑
3、
利用所述实际数据训练集对干涉图数据预解算模型基于神经网络进行训练得到干涉图数据预分类初始模型；
S2
‑
4、
利用所述实际数据验证集根据干涉图数据预解算模型得到干涉图数据预分类验证结果；
S2
‑
5、
判断所述干涉图数据预分类验证结果是否满足预分类模型泛化要求，若是，利用所述干涉图数据预解算模型作为干涉图数据分类模型，否则，根据未满足预分类模型泛化要求的干涉图数据预分类验证结果，基于干涉仪与变形镜获取补充实际波前数据与补充实际干涉图数据；
S2
‑
...

【专利技术属性】
技术研发人员：张效栋，于竣丞，刘坤，苗莉，
申请(专利权)人：天津大学，
类型：发明
国别省市：