一种基于深度学习的可变形镜控制方法及装置制造方法及图纸

基于深度学习的可变形镜控制方法及装置，能够根据输入的复杂二维面形数据来高效、高精度地控制可变形反射镜精确地补偿待测面，实现复杂面形的高精度动态测量。方法包括：(1)采集数据集；(2)建立神经网络控制模型框架；(3)充分训练神经网络控制模型；(4)测试模型控制精度。

【技术实现步骤摘要】

本专利技术涉及光电检测的，尤其涉及一种基于深度学习的可变形镜控制方法，以及基于深度学习的可变形镜控制装置。

技术介绍

1、可变形镜(deformable mirror,dm)，即波前校正器，是自适应光学系统中的核心部件之一，在天文观测、生物医学、激光光束整形、远距离通信、自由曲面检测等领域都有重要应用。

2、可变形镜主要包含由电压控制的驱动器和柔性金属层构成的表面。根据待补偿的面形信息设置控制驱动器电压，可以控制dm表面面形来改变波前传输的光程，以动态校正光学系统波前。可见在上述过程中，控制电压的设置直接影响了可变形镜波前修正精度。而可变形镜自动控制方法的作用则是根据目标面形的特征向量，自动输出控制电压。因此，控制方法的精度和效率决定了变形镜波前补偿的精度和效率。在自由曲面检测的应用中，可以将待测自由曲面作为目标面形输入控制系统来驱动可变形镜，即可使变形镜作为动态补偿镜与待测面实现零差干涉，在无需多次更换补偿镜的前提下，实现对自由曲面面形的动态干涉测量。此时，可变形镜控制方法的精度和效率也直接决定了自由曲面检测的精度和效率。

3、根本文档来自技高网...

【技术保护点】

1.一种基于深度学习的可变形镜控制方法，其特征在于：其包括以下步骤：

2.根据权利要求1所述的基于深度学习的可变形镜控制方法，其特征在于：所述步骤(1)中，控制方式包括多种驱动器的权重分配方式和总电压的限制区间以产生不同种类和幅度的变形镜面形，根据变形镜驱动机理和待补偿波前的特点进行选择；干涉光路为菲索型干涉光路；算法处理为用Zernike多项式的前三项表征面形来确定出平移和倾斜相关的干扰分量，再将其从原数据中减去。

3.根据权利要求2所述的基于深度学习的可变形镜控制方法，其特征在于：所述步骤(2)中，网络具体的结构参数，根据拟合精度为目标用优化算法选择最优参数。...

【技术特征摘要】

1.一种基于深度学习的可变形镜控制方法，其特征在于：其包括以下步骤：

2.根据权利要求1所述的基于深度学习的可变形镜控制方法，其特征在于：所述步骤(1)中，控制方式包括多种驱动器的权重分配方式和总电压的限制区间以产生不同种类和幅度的变形镜面形，根据变形镜驱动机理和待补偿波前的特点进行选择；干涉光路为菲索型干涉光路；算法处理为用zernike多项式的前三项表征面形来确定出平移和倾斜相关的干扰分量，再将其从原数据中减去。

3.根据权利要求2所述的基于深度学习的可变形镜控制方法，其特征在于：所述步骤(2)中，网络具体的结构参数，根据拟合精度为目标用优化算法选择最优参数。

4.根据权利要求3所述的基于深度学习的可变形镜控制方法，其特征在于：所述步骤(2)中，网络框架选择残差网络或视觉几何组网络vggnet；优化算法选择遗传算法或退火算法。

5.根据权利要求4所述的基于深度学习的可变形镜控制方法，其特征在于：所述步骤(3)中，训练超参数包括学习率、学习率衰减参数、优化准则参数、批训练量的训练参数。

6.根据权利要求5所述的基于深度学习的可变形镜控制方法，其特征在于：所述步骤(4)中，电压精...

【专利技术属性】
技术研发人员：郝群，胡摇，杨舒月，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：