[发明专利]基于深度学习的计算机辅助干涉仪的自动装调方法

权利要求书

1.一种基于深度学习的计算机辅助干涉仪的自动装调方法，其特征在于，具体步骤为：

步骤1：采集干涉图及其三维坐标作为训练数据；

步骤2：基于K均值聚类算法对扩充后的训练数据进行分类，获得数据集；

步骤3：采用k折交叉验证法将数据集分为训练集和验证集，并利用每折得到的训练集和验证集对VGG-16网络模型进行训练，具体方法为：

步骤31：对数据集进行预处理，包括对数据集进行均衡化以及自适应裁剪；

步骤32：对每类数据集进行等间距划分；

步骤33：从每类数据集中随机挑选出一份数据集合并作为验证集，其余都作为训练集；

步骤34：对全连接网络部分进行冻结，将训练集与网络损失函数输入VGG-16网络的特征提取卷积神经网络部分，并将对应的类别作为标签值，训练特征提取卷积神经网络；

步骤35：解除对全连接层的冻结，将网络权重更改为步骤34训练得到的权重，将训练集与网络损失函数输入VGG-16网络模型进行第二次训练；

步骤36：返回步骤33进行下一折的训练，将总损失函数最小的一折的权重作为VGG-16网络模型最优权重；

步骤4：将实时采集的干涉图输入到训练好的VGG-16网络模型，得到干涉仪的失调量。

2.根据权利要求1所述的基于深度学习的计算机辅助干涉仪的自动装调方法，其特征在于，采集干涉图及其三维坐标作为训练数据的具体步骤为：

步骤11：将待测镜固定在调整架上，调整待测镜，使得干涉仪图像采集窗口出现同心圆环形干涉条纹，调整待测镜分别在X、Y、Z轴方向进行移动，采集每次移动对应的干涉图及待测镜位置的三维坐标；

步骤12：对采集到的干涉图像进行数据增强实现数据扩充。

3.根据权利要求1所述的基于深度学习的计算机辅助干涉仪的自动装调方法，其特征在于，基于K均值聚类算法对扩充后的训练数据进行分类的具体方法为：

将三维坐标数据分为K组，随机选取K个对象作为初始的聚类中心，计算每个坐标与各个聚类中心之间的欧式距离，把每个坐标分配给距离它最近的聚类中心；每分配一个坐标，根据聚类中现有的坐标重新计算聚类中心，直到无法计算出聚类中心或聚类中心不再发生变化；根据坐标的聚类结果，将坐标对应的干涉图进行聚类得到数据集，将类别作为数据集的标签值。

4.根据权利要求1所述的基于深度学习的计算机辅助干涉仪的自动装调方法，其特征在于，步骤34中初始学习率设为0.01，并在特征提取卷积神经网络最后一层以及其前一层之间加入Dropout，对神经元之间的连接进行选择性失活。

5.根据权利要求1所述的基于深度学习的计算机辅助干涉仪的自动装调方法，其特征在于，步骤35中初始学习率设定为1e^-4。