(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011030798.6
(22)申请日 2020.09.27
地址 610209 四川省成都市双流350信箱
(72)发明人 邱学晶 杨超 许冰
(74)专利代理机构 北京科迪生专利代理有限责
任公司 11251
代理人 杨学明
(51)Int.Cl.
G01J 9/00(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
G06T 5/00(2006.01)
(54)发明名称
(57)摘要
本发明公开了一种基于稀疏子孔径夏克‑哈
特曼波前传感器的深度学习波前复原方法。传统
夏克‑哈特曼波前传感器测量精度受限于微透镜
阵列空间采样率，为了保证探测精度，通常采用
高密度微透镜阵列以提高空间采样率。但过高的
空间采样率会降低子孔径信噪比，反而限制了波
前复原精度。深度学习可自提取图像深层特征，
可被用于拟合远场光强分布到波前像差信息的
映射。基于此，本发明基于深度学习设计了一种
光能利用率高、实时性好、复原精度高的2×2稀
疏子孔径夏克‑哈特曼波前传感器，引入深度学
习替代原有的模式复原过程，实现高精度快速波
前复原。权利要求书1页 说明书3页 附图2页CN 112179503 A 2021.01.05
C N 112179503
A
1.基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原方法，其特征在于，通过以下步骤实现：
步骤1：设计2×2稀疏子孔径夏克-哈特曼波前传感器；
步骤2：根据步骤1收集2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑与近场波前数据，并将CCD测量的远场图像和近场波前对应的Zernike模式系数分别作为数据集中的样本和标签，若步骤2无法实现，则重复执行步骤1再次设计传感器，直至实现步骤2；
步骤3：配置深度学习环境，搭建卷积神经网络(CNN)；
步骤4：任意抽取数据集中80％的样本作为训练集，供网络学习远场光斑与近场波前的映射关系；从数据集剩下的20％样本中任意抽取一半样本做为验证集，用于调整网络超参数并验证算法有效性，最后剩余的10％样本作为测试集用于进行无偏估计。
2.根据权利要求1所述的一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原算法，其特征在于：所述步骤1中的2×2稀疏子孔径夏克-哈特曼波前传感器将入射波前分为四个部分，CCD在远场可同时测量到4个光斑。
3.根据权利要求1所述的一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原算法，其特征在于：所述步骤2中数据集的样本数量应至少为一万组，即应在样本空间进行充分采样。
4.根据权利要求1所述的一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原算法，其特征在于：所述步骤3中的深度学习网络可以是CNN，也可以是其他深度学习网络。
5.根据权利要求1所述的一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原算法，其特征在于：所述步骤4中训练集、验证集与测试集的划分方式可根据数据集的大小适当改变。
权 利 要 求 书1/1页CN 112179503 A
基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复
原方法
技术领域
[0001]本发明涉及一种波前复原方法，尤其涉及一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原方法。
背景技术
[0002]传统夏克-哈特曼波前传感器测量精度受限于微透镜阵列空间采样率，为了保证探测精度，通常采用高密度微透镜阵列以提高空间采样率。但过高的空间采样率会降低子孔径内光能量，反而限制了波前复原精度。为了提升低空间采样下夏克-哈特曼波前传感器探测性能，一种离焦夏克-哈特曼波前传感技术被提出，参见[丰帆，李常伟，张思炯.离焦型Shack-Hartmann 传感器的光斑矩波前重建[J].光学学报,2018,38(6)]，该类技术将CCD置于离焦平面处，利用离焦光斑获得更多波前信息以提高波前探测精度。但由于离焦使得光斑直径扩大，降低了传感器的动态范围，且该技术对像差大小或高阶像差的幅值要求较为苛刻。此外，相位反演方法等被用于夏克-哈特曼波前传感器进行波前复原，此类算法容易陷入局部最优解，在入射波前畸变较大、探测信号信噪比较低时难以有效复原波前。因此，为了在低空间采样下实现夏克-哈特曼波前传感器高精度探测波前，亟需寻一种探测精度不受子孔径分割密度限制、波前复原鲁棒性更好的夏克-哈特曼波前探测技术路线。
发明内容
[0003]本发明要解决的技术问题是：克服夏克-哈特曼波前传感器在低空间采样情况下难以有效实现高精
度波前复原问题，引入卷积神经网络(CNN)替代原有的模式复原过程，实现高精度快速波前复原。
[0004]本发明解决上述问题采用的技术方案是：一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原方法，选用在样本空间充分采样的数据集供CNN拟合稀疏子孔径夏克- 哈特曼波前传感器的远场光强分布与近场波前相位的映射关系，网络训练收敛之后，CNN 根据输入远场光强图像直接输出对应的波前像差。求解过程不再需要迭代运算，算法计算耗时大大减少，具体实现步骤如下：
[0005]步骤1：设计2×2稀疏子孔径夏克-哈特曼波前传感器；
[0006]步骤2：根据步骤1收集2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑与近场波前数据，并将CCD测量的远场图像和近场波前对应的Zernike模式系数分别作为数据集中的样本和标签，若步骤2无法实现，则重复执行步骤1再次设计传感器，直至实现步骤2；[0007]步骤3：配置深度学习环境，搭建CNN；
[0008]步骤4：任意抽取数据集中80％的样本作为训练集，供网络学习远场光斑与近场波前的映射关系；从数据集剩下的20％样本中任意抽取一半样本做为验证集，用于调整网络超参数并验证算法有效性，最后剩余的10％样本作为测试集用于进行无偏估计。
[0009]其中，所述步骤1中的2×2稀疏子孔径夏克-哈特曼波前传感器将入射波前分为四
个部分，CCD在远场可同时测量到4个光斑。
[0010]其中，所述步骤2中数据集的样本数量应至少为一万组，即应在样本空间进行充分采样。
[0011]其中，所述步骤3中的深度学习网络可以是CNN，也可以是其他深度学习网络。[0012]其中，所述步骤4中训练集、验证集与测试集的划分方式可根据数据集的大小适当改变。
[0013]本发明与现有技术相比的优点在于：相比于传统夏克-哈特曼波前传感器，本发明光能利用率高，探测精度不受子孔径分割密度限制，具有在暗弱信标波前探测场景中应用的潜力。
附图说明
[0014]图1为本发明工作流程图；
[0015]图2为CCD采集到的2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑；[0016]图3为2×2稀疏子孔径夏克-哈特曼波前传感器的原理图；
[0017]图4为本发明采用的CNN架构示意图。
具体实施方式
[0018]为使本发明的目的、技术方案和优点更加清楚明白，结合具体实施案例，并参照附图，对本发明进一步详细说明。
[0019]图1是一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原算法工作流程图，具体的实施过程为：
[0020]步骤1：设计2×2稀疏子孔径夏克-哈特曼波前传感器，图2为CCD采集到的2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑。
[0021]步骤2：根据步骤1收集2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑与近场波前数据，并将CCD测量的远场图像和近场波前对应的Zernike模式系数分别作为数据集中的样本和标签，若步骤2无法实现，则重复执行步骤1再次设计传感器，直至实现步骤2。[0022]步骤3：配置深度学习环境，搭建CNN，图4为本发明的CNN架构示意图：CNN架构总共包含13层，其中有1层输入层，7层卷积层，3层池化层以及2层全连接层。输入层输入64×64×4大小的样本，4个通道分别为2×2稀疏子孔径夏克-哈特曼波前传感器各个子孔径内的远场光斑。7层卷积层的卷积核大小均为3×3，7层卷积层的通道数分别为16、16、 32、32、64、64、64。池化层均选择最大池化，池化层步长均为2。两层全连接层的节点数分别为300和20。网络输出4到23阶Zernike系数。CNN选择Adam函数作为梯度下降函数，初始学习率为10 -3。为了避免网络过拟合，对每层卷积层都引入Batch正则化。Epoch 设置为100，Batch大小设置为100。
[0023]步骤4：任意抽取数据集中80％的样本作为训练集，供网络学习远场光斑与近场波前的映射关系；从数据集剩下的20％样本中任意抽取一半样本做为验证集，用于调整网络超参数并验证算法有效性，最后剩余的10％样本作为测试集用于进行无偏估计。
[0024]训练使网络收敛后，只需给网络输入2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑，网络即可输出该远场光斑对应的入射波前信息。此过程中不再涉及迭代运算，计
算速度大大提高，仿真结果表明，本发明完成一次波前复原所需时间可小于0.6毫秒。[0025]以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议