一种基于神经网络的模式波前复原方法.pdf

(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CN114186664A(43)申请公布日2022.03.15(21)申请号202111508735.1(22)申请日2021.12.10(71)申请人中国科学院光电技术研究所地址610209四川省成都市双流350信箱(72)发明人赵孟孟赵旺王帅杨平杨康建(74)专利代理机构北京科迪生专利代理有限责任公司11251代理人江亚平(51)Int.Cl.G06N3/02(2006.01)G06K9/62(2022.01)G06F17/16(2006.01)G01J9/00(2006.01)权利要求书2页说明书5页附图4页(54)发明名称一种基于神经网络的模式波前复原方法(57)摘要本发明公开了一种基于神经网络的模式波前复原方法，该方法提取了光斑的质心偏移量和二阶矩信息，并利用神经网络拟合光斑质心偏移量和二阶矩与Zernike系数之间的非线性关系，最后通过神经网络从光斑质心偏移量和二阶矩信息中直接预测待测波前对应的Zernike系数。与传统方法相比，本发明在提取子光斑质心偏移量的同时提取了光斑二阶矩信息，增加了子孔径内的有效信息，并利用神经网络拟合了光斑信息与Zernike系数之间的对应关系，提高了夏克‑哈特曼波前传感器的探测精度，相同复原精度下，降低了夏克‑哈特曼传感器对子孔径数目的需求，有望用于暗弱信标、高分辨率波前测量等领域。CN114186664ACN114186664A权利要求书1/2页1.一种基于神经网络的模式波前复原方法，其特征在于，通过以下步骤实现波前复原：步骤1：随机生成满足Kolmogorov湍流的模式系数AN：AN＝[a1a2…aN]，式中共N阶Zernike系数，ai表示第i阶Zernike系数；步骤2：根据步骤1中的模式系数AN与Zernike多项式生成畸变波前wf：式中，Zi表示第i阶Zernike多项式；步骤3：将畸变波前输入夏克‑哈特曼波前传感器系统并获得光斑阵列图像，夏克‑哈特曼波前传感器系统共m个有效子孔径，从光斑阵列图像中提取每个子光斑的质心偏移量和二阶矩信息Gm：式中，分别为第i个有效子光斑在x、y方向上的质心偏移量，x2、xy及y2部分的二阶矩信息，i＝1…m；步骤4：重复步骤1～3，生成训练样本和测试样本，光斑的质心偏移量和二阶矩信息矩阵作为网络的输入，Zernike系数矩阵作为网络的输出，样本的输入与输出一一对应；步骤5：建立神经网络，利用步骤4中的训练样本训练神经网络并保存；步骤6：利用步骤4中的测试样本测试步骤5训练好的神经网络，将质心偏移量和二阶矩信息输入网络预测待测波前对应的Zernike系数，最后根据步骤2重构波前相位。2.根据权利要求1所述的一种基于神经网络的模式波前复原方法，其特征在于：所述步骤2中畸变波前wf经过微透镜阵列分割后形成子波前wfsub被视为含有倾斜和二次曲率的波前，其多项式展开为：22wfsub＝fxx+fyy+fxxx+fxyxy+fyyy，式中，x、y为子孔径内的空间坐标，fx、fy分别为子波前在x、y方向上的偏导，fxx、fxy、fyy为子波前的二次偏导。3.根据权利要求1所述的一种基于神经网络的模式波前复原方法，其特征在于：所述步骤3的光斑质心偏移量和二阶矩信息通过以下方式获得：2CN114186664A权利要求书2/2页式中，每个子孔径焦面探测区域为M×N像素，m、n为对应的像素区域，xmn、ymn为点(m,n)处的像素坐标，Imn为点(m,n)处像素的强度，Cx(i)、Cy(i)分别表示第i个子孔径在x、y方向22的标定位置，Cxx(i)、Cxy(i)、Cyy(i)分别表示第i个子孔径x、xy及y部分的二阶矩标定位置。4.根据权利要求1所述的一种基于神经网络的模式波前复原方法，其特征在于：所述步骤5中的神经网络可以为BP神经网络、极限学习机、卷积神经网络、深度学习或其他任意类型的神经网络。5.根据权利要求1所述的一种基于神经网络的模式波前复原方法，其特征在于：所述步骤5中用于网络训练的损失函数为系数均方差函数：式中，Ti为预测的Zernike系数，ai为输入的Zernike系数。3CN114186664A说明书1/5页一种基于神经网络的模式波前复原方法技术领域[0001]本发明属于光学信息测量技术领域，尤其涉及一种基于神经网络的模式波前复原方法。背景技术[0002]夏克‑哈特曼波前传感器是一种最常见的光学波前测量装置，主要由微透镜阵列和位于焦平面处的CCD组成，具有结构简单、光能利用率高、测量速度快等优势，被广泛应用于光学检测、激光光束诊断、自适应光学、眼科医学等领域。夏克‑哈特曼波前传感器主要工作原理是通过微透镜阵列对入射波前进行分割，并将每个子波前聚焦于CCD上形成光斑阵