CN117268259A - 一种基于cnn的大动态范围次镜位置误差检测方法 - Google Patents
一种基于cnn的大动态范围次镜位置误差检测方法 Download PDFInfo
- Publication number
- CN117268259A CN117268259A CN202311225151.2A CN202311225151A CN117268259A CN 117268259 A CN117268259 A CN 117268259A CN 202311225151 A CN202311225151 A CN 202311225151A CN 117268259 A CN117268259 A CN 117268259A
- Authority
- CN
- China
- Prior art keywords
- position error
- secondary mirror
- dynamic range
- error
- mirror position
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000004075 alteration Effects 0.000 claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 29
- 230000003287 optical effect Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 210000001747 pupil Anatomy 0.000 claims description 10
- 206010010071 Coma Diseases 0.000 claims description 7
- 201000009310 astigmatism Diseases 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 206010073261 Ovarian theca cell tumour Diseases 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 208000001644 thecoma Diseases 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 229920013655 poly(bisphenol-A sulfone) Polymers 0.000 abstract description 27
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Telescopes (AREA)
Abstract
一种基于CNN的大动态范围次镜位置误差检测方法,属于主动光学技术领域。以多个边缘视场的正负离焦PSF作为网络输入,当存在高阶主镜面形误差时,依旧能够保持大动态范围的高精度次镜位置检测,解决主镜面形误差与次镜位置误差的像差耦合问题;使用多支路卷积神经网络,通过调整支路网络数量,能够有效提升次镜位置误差检测的动态范围,并且保持较高的检测精度;只需离焦面光强信息即可进行次镜位置误差检测,避免增加***复杂度,降低次镜位置误差检测的成本,提高检测***的稳定性。本发明适用于主动光学技术领域,提高次镜位置误差检测动态范围,并且在高阶主镜面形误差的干扰下保持高精度位置误差传感。
Description
技术领域
本发明涉及一种基于CNN(convolutional neural network,CNN)的大动态范围次镜位置误差检测方法,属于主动光学技术领域。
背景技术
空间光学遥感***在轨工作时,受振动冲击、空间环境及光学***自身等因素影响,次镜相对于主镜会产生位置失调,从而引起***波前像差,使得成像质量劣化,故需对其进行在轨检测与校正。
目前常用的次镜位置误差检测方法主要分为两类:一类是广泛应用的灵敏度矩阵反演法、逆向优化法、矢量像差法等,此类方法均需借助波前探测器或相位恢复法(phaseretrieval,PR)、相位差异法(phase diversity,PD)获取***像差信息并据此进行次镜位置误差量解算。当采用波前传感器传感波前时,由于需要在***中添加额外元件,因此波前传感的动态范围受限于波前传感器,难以实现大动态范围的次镜位置误差传感;当采用PR或PD法时,为了获取焦面、离焦面信息,需在***中引入分光元件,或移动探测器使其分别位于焦面和离焦面处。显然,前者增加了***复杂度,而后者则降低了***稳定性和可靠性,均不利于空间应用,并且传统的PR或PD法在面对大动态范围波前传感时较为乏力。第二类方法不直接检测次镜位置误差,而是利用探测器上的光强信息建立评价函数,并借助特定的优化算法寻找评价函数极值,从而实现次镜位置误差校正。在该类方法中,优化算法通常分为两种,一种是无模型的算法,如模拟退火、遗传算法及随机并行梯度下降法等。由于寻优算法的原理局限,其通常需要大量迭代,且在传感大动态波前像差时,该类算法易陷入局部极值,测量精度受限。另一种是基于模型的算法,其可将多次迭代搜索简化为确定性的直接求解,算法收敛速度大幅提高。上述两种算法在应用中,均需不断驱动次镜产生相应运动,易造成驱动装机械寿命损耗大,且空间应用稳定性低。
随着人工智能的飞速发展,基于相位恢复的深度学习方法被提出用于次镜位置误差检测,有效解决了传统方法计算耗时的问题。此类方法包括基于特征量的以全连接神经网络为主体的检测方法和基于图像的以卷积神经网络为主体的检测方法。基于特征量的方法,通过光学设计软件模拟大量的失调状态数据,以失调状态所对应的特征量(如Zernike系数、光程差分布矩阵或干涉条纹模式等)为输入和失调量为输出对神经网络进行训练。基于图像信息的深度学习次镜位置误差检测方法尚处于初步探索阶段。当前基于卷积网络的次镜位置误差传感研究仅考虑了次镜位置失调的情形,并未考虑主镜面形误差的影响。在元件位置和面形误差同时存在的情况下,尚无有效可行的深度学习研究方法。
发明内容
针对现有的次镜位置误差检测技术中动态范围过小以及难以排除主镜面形误差干扰的问题,本发明的主要目的是提出一种基于CNN的大动态范围次镜位置误差检测方法,以同轴三反***为研究对象,通过多支路网络建立多视场下的对称离焦PSF(point spreadfunction,PSF)与次镜位置失调量之间的非线性关系,提高次镜位置误差检测动态范围,并且在高阶主镜面形误差的干扰下保持高精度位置误差传感。
本发明的目的是通过如下技术方案实现的:
本发明公开的一种基于CNN的大动态范围次镜位置误差检测方法,包括如下步骤:
步骤1:建立同轴三反望远镜***;
同轴三反望远镜***由三个反射镜组成,分别为主镜、次镜和三镜。同轴三反望远镜通常采用消除色差的大口径反射式结构,针对球差、慧差和像散进行校正。主镜由于结构大且体积重,不便调整,所以在位置误差检测中,选取主镜作为位基准,即主镜不存在位置误差,只有面形误差。
除去原始设计误差和加工精度误差,同轴三反望远镜的***波前像差还受到主镜面形误差、次镜位置误差与三镜位置误差的影响。面形的峰谷值(peak to valley,PV)值与均方根(Root Mean Square,RMS)值与光学镜面的口径息息相关,镜面口径越大其峰谷值和均方根值则越难把控。现有的加工工艺难以避免面形误差,加工过程中的温度变化以及支撑结构的应力作用,都易导致面形误差。主镜作为光学***的入射光瞳,口径较大,存在以像散为主导的面形误差。主镜面形误差W(ρ,φ)由泽尼克(Zernike)多项式表示。如式(1)所示:
其中,ρ表示径向距离,φ表示方位角,m表示项数,Ci表示第i项Zernike多项式系数,Zi表示第i项Zernike多项式。
基于矢量像差理论,存在位置误差下的三阶像差表示为式(2):
其中,H为归一化视场矢量,为归一化光瞳矢量,j表示光学表面的序号。W040为球差系数,W131为彗差系数,W222为像散系数,W220为场曲系数,W311为畸变系数。/>为像差场偏移矢量,取决于元件的偏心与倾斜。像差场偏移矢量用来描述像差场中心相对于***视场中心的偏移。元件的位置误差不会影响***的球差,但对彗差、像散会有影响。
步骤2:基于步骤1的光学***,获取多视场离焦PSF与次镜位置误差的数据集;
根据标量衍射理论,光源通过空间光学遥感***后,其在像面上产生的光强分布即为该***的PSF,如式(3)和式(4)所示,
其中,A是光瞳传递函数,是光学***的波前像差,W是广义光瞳函数,/>表示傅里叶变换运算符。
引入离焦相位后,离焦PSF如式(5)所示,
ΔZ=8F2ΔΦ (6)
其中,ΔΦ为离焦相位,ΔZ是离焦距离,F是***F数。依据式(6)可设置离焦距离。
向步骤1中的光学***引入大动态范围的不同次镜位置误差,即沿X、Y轴的偏心误差和倾斜误差,以及沿Z轴的平移误差。同时,在光学***中引入一定动态范围的主镜面形误差。之后,采集大量同一次镜位置误差量下,多个不同边缘视场的对称离焦波前图,通过式(3)-(6)计算得到离焦PSF图并获取相应的位置误差值用作数据集。
步骤3:以多视场对称离焦PSF图像作为输入,离焦PSF图像对应的次镜位置误差作为输出,建立多支路CNN网络模型。网络主体结构由多条相同的支路组成,每条支路包括十一个卷积层、七个最大池化层和一个Flatten层,根据不同的预测任务调整支路的数量。多条支路的输出通过一层融合层拼接起来,最后使用一层全连接层将提取到的各级图像信息非线性映射至次镜的五个位置误差量上,提升位置误差检测的动态范围。
步骤4:采用步骤2获取的数据集训练步骤3所搭建的多支路卷积神经网络;
首先配置网络训练所需的参数,包含初始学习率、权值衰减系数、批处理大小、权值初始化方式、优化方法和迭代次数。
损失函数使用次镜位置误差量的预测值与真值之间的均方根误差MSE,如式(7)所示:
其中,n为样本数量,fi为神经网络的预测值,yi为实际值。
采用步骤2获取的数据集训练步骤3中搭建的多支路卷积神经网络,通过多支路卷积神经网络拟合次镜位置误差与多视场对称离焦PSF之间的非线性关系。
步骤5:基于步骤4所得的神经网络,检测次镜位置误差;
向步骤1的光学***中引入主镜面形误差和次镜位置误差,获取不同视场下的对称离焦PSF,并基于步骤2采集多视场PSF检测样本;将采集好的多视场PSF样本输入至步骤4所得的神经网络中,得到所要检测的次镜位置误差。提高次镜位置误差检测动态范围,保持高精度位置误差传感。
有益效果:
1、本发明公开的一种基于CNN的大动态范围次镜位置误差检测方法,采用多视场离焦PSF作为数据集,以多个边缘视场的正负离焦PSF作为网络输入,当存在高阶主镜面形误差时,依旧能够保持大动态范围的高精度次镜位置检测,能够很好地解决主镜面形误差与次镜位置误差的像差耦合问题。
2、本发明公开的一种基于CNN的大动态范围次镜位置误差检测方法,使用多支路卷积神经网络,通过调整支路网络数量,能够有效提升次镜位置误差检测的动态范围,并且保持较高的检测精度。
3、本发明公开的一种基于CNN的大动态范围次镜位置误差检测方法,不需要利用波前传感器或者使用PD、PR的方法传感***波前信息,只需离焦面光强信息即可进行次镜位置误差检测,避免增加***复杂度,降低检测成本,且提高***空间稳定性。
附图说明
图1为本发明公开的一种基于CNN的大动态范围次镜位置误差检测方法流程图;
图2为本实施例公开的一种基于CNN的大动态范围次镜位置误差检测方法示意图;
图3为本实施例中公开的一种基于CNN的大动态范围次镜位置误差检测方法使用的同轴三反望远镜的结构图;
图4为本实施例使用的同轴三反望远镜的次镜位置误差对泽尼克系数影响的特性分析;
图5为本实施例使用的同轴三反望远镜的次镜位置误差对***像差影响的特性分析;
图6为本实施例中使用的多支路卷积神经网络结构图。
具体实施方式
下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果,需要指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
本实施例公开的一种基于CNN的大动态范围次镜位置误差检测方法,通过建立典型的同轴三反望远镜***,进而构建预测次镜位置误差的多支路网络模型。以同轴三反望远镜为研究对象,建立多视场下的对称离焦PSF与次镜位置失调量之间的非线性关系,实现大动态范围的次镜位置误差检测。如图2所示,包含以下步骤:
步骤1:建立同轴三反望远镜***
步骤1中所述的光学***是一种典型的同轴三反望远镜***,即超新星/加速探测器(SuperNova/Acceleration Probe,SNAP)***。其结构如图3所示,由三个反射镜组成,分别为主镜、次镜、三镜。无穷远处的光线依次经过主镜、次镜、三镜及后续元件到达成像面。除去原始设计误差和加工精度误差,同轴三反望远镜的***波前像差还受到主镜面形误差、次镜位置误差与三镜位置误差的影响。面形的峰谷值(peak to valley,PV)值与均方根(Root Mean Square,RMS)值与光学镜面的口径息息相关,镜面口径越大其峰谷值和均方根值则越难以把控。现有的加工工艺难以避免面形误差,加工过程中的温度变化以及支撑结构的应力作用,都易导致面形误差。主镜一般作为光学***的入射光瞳,口径较大,通常存在以像散为主导的面形误差。主镜面形误差W(ρ,φ)由泽尼克(Zernike)多项式表示。
其中,ρ表示径向距离,φ表示方位角,m表示项数,Ci表示第i项Zernike多项式系数,Zi表示第i项Zernike多项式。
基于矢量像差理论,存在位置误差下的三阶像差表示为式(2):
其中,H为归一化视场矢量,为归一化光瞳矢量,j表示光学表面的序号。w040为球差系数,w131为彗差系数,w222为像散系数,w220为场曲系数,w311为畸变系数。/>为像差场偏移矢量,取决于元件的偏心与倾斜。像差场偏移矢量用来描述像差场中心相对于***视场中心的偏移。元件的位置误差不会影响***的球差,但对彗差、像散会有影响。
以各阶Zernike项表征***波前像差,在步骤1中建立的SNAP***内获取次镜位置误差对各阶Zernike项的影响,绘制如图4所示。同时以***最边缘视场处的波前像差RMS表征***像差,将其随次镜位置误差的变化规律绘制于图5。
从图4可看出,次镜的偏心会引起慧差,即Zernike多项式的第7,8项;次镜的倾斜会引起慧差与像散,即Zernike多项式的第5、6、7、8项。
步骤2:建立次镜位置误差与多视场离焦PSF图像的数据集
基于步骤1建立的SNAP***,根据实际工程应用中次镜位置误差动态范围(次镜X、Y两个方向的偏心误差为Dx、Dy,次镜X、Y两个方向的倾斜误差为Tx、Ty,次镜沿Z方向的平移误差为Dz),采用拉丁超立方采样法向光学***中引入不同的次镜位置误差,如表1所示。
表1SNAP***中引入的次镜位置误差动态范围(最大波前像差RMS>6λ)
分别获取(-0.5°,0.5°)、(0.5°,-0.5°)、(-0.5°,-0.5°)和(0.5°,0.5°)四个视场下的对称离焦面PSF作为数据集,每个视场下各取10000对离焦PSF用作训练集,1000组样本作为验证集,2000组样本用作测试集,离焦PSF大小为256×256。为了充分利用图像信息量,像面离焦距离固定为±5λPV。
实际进行望远镜装调时,不可避免地存在主镜面形干扰。因此为模拟工程应用情况,生成训练集时,在光学仿真软件中,为SNAP***主镜加入Z5-Z45等41项像差,Zernike系数大小如表2所示:
表2Zernike系数动态范围
步骤3:建立多支路CNN网络模型
综合考量实验设备、网络效果、训练时间等因素,使用八条支路的多支路卷积神经网络,具体结构如图6所示。网络的输入为四个边缘视场下的四对离焦PSF,输出为五个自由度的位置误差量。每个视场使用两条相邻支路输入,一条输入正离焦PSF图像,另一条则输入负离焦PSF图像。
每条支路的具体构造如下:首先,第一个卷积层使用感受野较大的卷积核来初步提取图像的轮廓特征,即通过大小为5×5的卷积核来提取输入PSF图像的空间位置信息,该卷积层通道数为32。随后将特征图像输入至最大池化层以降低其尺寸,减少需要训练的参数,从而缩短训练时间。接着使用两层卷积核大小为3×3、通道数为64的卷积层和一层最大池化层,更深入地提取图像的细节特征。第六、七层为3×3大小卷积核的卷积层,通道数则变为128。第八层为最大池化层。第九、十层也为3×3大小卷积核的卷积层,通道数变为256。第十一层为最大池化层。第十二、十三层仍为3×3大小卷积核的卷积层,通道数变为512。第十四层为最大池化层。第十五层为3×3大小卷积核的卷积层,通道数变为1024。第十六层为最大池化层。第十七层为3×3大小卷积核的卷积层,通道数变为2048。第十八层为最大池化层。然后,第十九层使用Flatten层将特征图像展平为一维向量。
每条支路中,第一个卷积层的卷积核步长设为2,其余卷积层都设为1。池化层步长都设为2。
步骤4:使用步骤2采集的数据集训练步骤3中搭建的多支路CNN网络模型
配置网络训练所需参数:初始学习率为0.00001、批处理大小为64、初始权值随机化、优化器为Adam、迭代次数为125。
损失函数以位置误差量的预测值与真值之间的均方根误差MSE作为损失函数,如式(3)所示:
其中,fi是神经网络的预测值,yi是实际值,n是训练样本数。
采用步骤2获取的数据集训练步骤3中搭建的多支路卷积神经网络,通过多支路卷积神经网络拟合次镜位置误差与多视场对称离焦PSF之间的非线性关系。训练完成后,只需输入不同视场下的离焦PSF图,即可得到***的次镜位置失调量。
步骤5:预测结果分析
在完成步骤1光学***模型建立、步骤2数据集产生、步骤3网络模型构建、步骤4网络训练后,开展了后续的仿真结果分析,以验证网络模型的有效性。
网络训练完成后,将预测的次镜位置误差量取相反值输入到***中对次镜位置误差实施校正,并分别采用次镜Dz,Dx,Dy,Tx,Ty的均方根误差(Root Mean Square Rrror,RMSE)和校正后视场残余波前像差(峰谷值(Peak-to-Valley,PV)和RMS)两种评价指标对测试集预测结果进行分析,具体如下。
(1)次镜Dz,Dx,Dy,Tx,Ty的RMSE
采用RMSE表征次镜位置误差量预测值与真实值之间的偏差,如式(4)所示。RMSE越小,则神经网络预测值越接近于真实值,检测效果越好。
其中,yprediction表示次镜位置误差量预测值,ytest表示次镜位置误差量真实值,N表示数据量。
网络训练完成后,使用测试集数据测试网络,整理网络预测的次镜位置误差数据并依次计算次镜Dz,Dx,Dy,Tx,Ty的RMSE,列于表3。
表3存在主镜面形误差时,网络预测的次镜位置误差RMSE
(2)残余波前像差PV和RMS
将网络预测的次镜位置误差量取相反值输入到***中对次镜位置误差实施校正,校正后的波前即为残余波前。采用残余波前像差PV和RMS值作为次镜位置误差检测精度的评价指标,用以衡量神经网络预测的准确性,残余波前像差PV及RMS如式(5)、(6)所示。
PV=W(i,j)max-W(i,j)min(5)其中,W(i,j)max为波前像差最大值,W(i,j)min为波前像差最小值。
其中,W(i,j)为(i,j)点处的波前像差,为波前像差的平均值,(m,n)分别为(i,j)方向的采样点数,P=m×n为采样点总数。
将四个视场下的八幅PSF图像输入至网络中训练网络并将测试集的预测结果取相反值输入至***中对次镜位置误差实施校正,得到的残余波前像差如表4所示。
表4存在主镜面形误差时,五个视场点下根据网络预测值校正后的波前残余像差
从表3~4可以看到,本方法能够在主镜存在高阶面形误差时,进行大动态范围的次镜位置误差传感。
本实施例所用的软硬件:技嘉魔鹰显卡RTX3090,英特尔CPU i7-12700F,深度学习框架tensorflow-gpu版本2.40,keras版本2.4.3,python版本3.7。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于CNN的大动态范围次镜位置误差检测方法,其特征在于:包括如下步骤,
步骤1:建立同轴三反望远镜***;
步骤2:基于步骤1的光学***,获取多视场离焦PSF与次镜位置误差的数据集;
步骤3:以多视场对称离焦PSF图像作为输入,离焦PSF图像对应的次镜位置误差作为输出,建立多支路CNN网络模型;网络主体结构由多条相同的支路组成,每条支路包括十一个卷积层、七个最大池化层和一个Flatten层,根据不同的预测任务调整支路的数量;多条支路的输出通过一层融合层拼接起来,最后使用一层全连接层将提取到的各级图像信息非线性映射至次镜的五个位置误差量上,提升位置误差检测的动态范围;
步骤4:采用步骤2获取的数据集训练步骤3所搭建的多支路卷积神经网络;
步骤5:基于步骤4所得的神经网络,检测次镜位置误差。
2.如权利要求1所述的一种基于CNN的大动态范围次镜位置误差检测方法,其特征在于:步骤1的实现方法为,
同轴三反望远镜***由三个反射镜组成,分别为主镜、次镜和三镜;同轴三反望远镜通常采用消除色差的大口径反射式结构,针对球差、慧差和像散进行校正;主镜由于结构大且体积重,不便调整,所以在位置误差检测中,选取主镜作为位基准,即主镜不存在位置误差,只有面形误差;
除去原始设计误差和加工精度误差,同轴三反望远镜的***波前像差还受到主镜面形误差、次镜位置误差与三镜位置误差的影响;面形的峰谷值和均方根值与光学镜面的口径息息相关,镜面口径越大其峰谷值和均方根值则越难把控;现有的加工工艺难以避免面形误差,加工过程中的温度变化以及支撑结构的应力作用,都易导致面形误差;主镜作为光学***的入射光瞳,口径较大,存在以像散为主导的面形误差;主镜面形误差W(ρ,φ)由泽尼克即Zernike多项式表示;如式(1)所示:
其中,ρ表示径向距离,φ表示方位角,m表示项数,Ci表示第i项Zernike多项式系数,Zi表示第i项Zernike多项式;
基于矢量像差理论,存在位置误差下的三阶像差表示为式(2):
其中,H为归一化视场矢量,为归一化光瞳矢量,j表示光学表面的序号;W040为球差系数,W131为彗差系数,W222为像散系数,W220为场曲系数,W311为畸变系数;/>为像差场偏移矢量,取决于元件的偏心与倾斜;像差场偏移矢量用来描述像差场中心相对于***视场中心的偏移;元件的位姿误差不会影响***的球差,但对彗差、像散会有影响。
3.如权利要求2所述的一种基于CNN的大动态范围次镜位置误差检测方法,其特征在于:步骤2的实现方法为,
根据标量衍射理论,光源通过空间光学遥感***后,其在像面上产生的光强分布即为该***的PSF,如式(3)和式(4)所示;
其中,A是光瞳传递函数,是光学***的波前像差,W是广义光瞳函数,/>表示傅里叶变换运算符;
引入离焦相位后,离焦PSF如式(5)所示,
ΔZ=8F2ΔΦ (6)
其中,ΔΦ为离焦相位,ΔZ是离焦距离,F是***F数;依据式(6)可设置离焦距离;
向步骤1中的光学***引入大动态范围的不同次镜位置误差,即沿X、Y轴的偏心误差和倾斜误差,以及沿Z轴的平移误差;同时,在光学***中引入一定动态范围的主镜面形误差;之后,采集大量同一次镜位置误差量下,多个不同边缘视场的对称离焦波前图,通过式(3)-(6)计算得到PSF图并获取相应的位置误差值用作数据集。
4.如权利要求3所述的一种基于CNN的大动态范围次镜位置误差检测方法,其特征在于:步骤4的实现方法为,
首先配置网络训练所需的参数,包含初始学习率、权值衰减系数、批处理大小、权值初始化方式、优化方法和迭代次数;
损失函数使用次镜位置误差量的预测值与真值之间的均方根误差MSE,如式(7)所示:
其中,n为样本数量,fi为神经网络的预测值,yi为实际值;
采用步骤2获取的数据集训练步骤3中搭建的多支路卷积神经网络,通过多支路卷积神经网络拟合次镜位置误差与多视场对称离焦PSF之间的非线性关系。
5.如权利要求4所述的一种基于CNN的大动态范围次镜位置误差检测方法,其特征在于:步骤5的实现方法为,
向步骤1的光学***中引入主镜面形误差和次镜位置误差,获取不同视场下的对称离焦PSF,并基于步骤2采集多视场PSF检测样本;将采集好的多视场PSF样本输入至步骤4所得的神经网络中,得到所要检测的次镜位置误差;提高次镜位置误差检测动态范围,保持高精度位置误差传感。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225151.2A CN117268259A (zh) | 2023-09-21 | 2023-09-21 | 一种基于cnn的大动态范围次镜位置误差检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311225151.2A CN117268259A (zh) | 2023-09-21 | 2023-09-21 | 一种基于cnn的大动态范围次镜位置误差检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117268259A true CN117268259A (zh) | 2023-12-22 |
Family
ID=89219088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311225151.2A Pending CN117268259A (zh) | 2023-09-21 | 2023-09-21 | 一种基于cnn的大动态范围次镜位置误差检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117268259A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876720A (zh) * | 2024-03-11 | 2024-04-12 | 中国科学院长春光学精密机械与物理研究所 | 用于评价psf图像相似性的方法 |
-
2023
- 2023-09-21 CN CN202311225151.2A patent/CN117268259A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876720A (zh) * | 2024-03-11 | 2024-04-12 | 中国科学院长春光学精密机械与物理研究所 | 用于评价psf图像相似性的方法 |
CN117876720B (zh) * | 2024-03-11 | 2024-06-07 | 中国科学院长春光学精密机械与物理研究所 | 用于评价psf图像相似性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ju et al. | Feature-based phase retrieval wavefront sensing approach using machine learning | |
CN113066021B (zh) | 基于图像特征匹配的空间望远镜在轨像差补偿方法 | |
CN103744173B (zh) | 一种基于光斑清晰度函数的望远镜次镜位置校正方法 | |
CN103809290B (zh) | 一种光学***面形误差相互补偿优化方法 | |
CN117268259A (zh) | 一种基于cnn的大动态范围次镜位置误差检测方法 | |
Zhang et al. | Hybrid particle swarm global optimization algorithm for phase diversity phase retrieval | |
Roggemann et al. | Algorithm to increase the largest aberration that can be reconstructed from Hartmann sensor measurements | |
US7635832B2 (en) | Hybrid diversity method utilizing adaptive diversity function for recovering unknown aberrations in an optical system | |
Liu et al. | Misalignment calculation on off-axis telescope system via fully connected neural network | |
CN111240010A (zh) | 一种用于自由曲面测量的可变形镜面形设计方法及装置 | |
Ren et al. | Alignment of the active secondary mirror of a space telescope using model-based wavefront sensorless adaptive optics | |
Cao et al. | Extending capture range for piston error in segmented primary mirror telescopes based on wavelet support vector machine with improved particle swarm optimization | |
CN113468802B (zh) | 一种基于点扩散函数的智能光学主动装调方法 | |
CN114994859B (zh) | 基于cnn的tma望远镜面形、位姿误差在轨校正方法 | |
Archinuk et al. | Mitigating the nonlinearities in a pyramid wavefront sensor | |
Wang et al. | Comparison between non-modulation four-sided and two-sided pyramid wavefront sensor | |
Rajaoberison et al. | Machine learning wavefront sensing for the James Webb Space Telescope | |
Li et al. | The piston error recognition technique used in the modified Shack–Hartmann sensor | |
CN115423881A (zh) | 一种基于神经网络和光斑形态的主次镜快速校准方法 | |
Adil et al. | Optical alignment procedure utilizing neural networks combined with Shack–Hartmann wavefront sensor | |
Bai et al. | Active alignment of space astronomical telescopes by matching arbitrary multi-field stellar image features | |
Lehmann et al. | Resolution and accuracy of non-linear regression of PSF with artificial neural networks | |
Jiang et al. | Large dynamic range of secondary position errors detection for the coaxial three-mirror system using dual-branch convolutional neural network | |
Li et al. | Active compensation for perturbed coaxial reflecting space telescope using defocus point spread function and convolutional neural network | |
Egron et al. | James Webb Space Telescope optical simulation testbed III: first experimental results with linear-control alignment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |