[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

说明书

本发明公开了一种基于深度学习的计算机辅助干涉仪的自动装调方法。采集干涉图及其三维坐标作为训练数据；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；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；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。本发明不需要对具体的干涉图偏差量进行求解，充分利用训练好的网络分类数据，通过对干涉仪所成的干涉图分类确定干涉仪所处位置坐标，进而控制待测镜移动到达准确位置，充分发挥了深度卷积网络的优势，具有鲁棒性较佳，准确度高的优点。

技术领域

本发明属于图像处理与计算机视觉技术领域，具体为一种基于深度学习的计算机辅助干涉仪的自动装调方法。

背景技术

计算机辅助装调技术(ComputerAidedAlignment,CAA)是指脱离传统装调中主要依靠人的手动操作和操作经验的、借助计算机和精密移动设备的新技术，在光学领域，各种精密的、复杂的设备和器件使用极为广泛，依靠传统装调方法准确度低，耗时长，采用计算机辅助装调技术能够实时求解光学系统的位置失调量，然后控制机械结构调整光学元件位置。计算机辅助装调技术使光学系统有机地与电、机、软相结合，更加的智能化与自动化。

目前光学元件检测领域常用的计算机辅助装调方法主要有逆向优化法、下山单纯形法、灵敏度矩阵法等方法。这三种算法的原理都是由计算机建立仿真模型，将干涉仪的检测结果与计算机的仿真结果进行对比，调整评价函数直到其值为0，然后求解位置失调量大小。当位置失调量过多的时候，其计算效率会大大下降，实时性得不到保障，并且这类方法大多需要研究Zernike多项式与波像差理论，求解系统失调量，本身在公式上已经存在近似误差。

基于深度学习的方法一般包括特征提取，分类器训练和检测三个部分。近些年来，随着技术的发展，深度学习在图像处理领域几乎成为最热门的方向之一。将深度学习用于光学领域的计算机辅助装调技术也开始蓬勃发展起来。2015年西班牙的Esther Oteo和JosepArasa提出了利用人工神经网络进行光学系统失调量计算的新策略，基于数学上多项式逼近泽尼克系数的不确定性，研究通过非线性函数逼近来提高多项式的逼近结果，并利用神经网络计算系统失调量中的倾斜值和离心率，进而调整光学元件的位置。该方法提高了Zernike多项式的拟合精度，但是没有从根本上解决计算机仿真模型的误差。

发明内容

本发明的目的在于提供了一种基于深度学习的计算机辅助干涉仪的自动装调方法，以提高计算机辅助干涉仪自动装调方法的速度和准确性。

实现本发明目的的技术方案为：一种基于深度学习的计算机辅助干涉仪的自动装调方法，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；

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。

优选地，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。

优选地，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：