[发明专利]卷积神经网络平移误差探测方法

说明书

本发明公开了一种卷积神经网络平移误差探测方法，该方法的实现步骤主要包括：1、初始图像采集；2、建立训练集；3、建立神经网络；4、训练神经网络；5、平移误差探测；本发明的方法引入多个波长通道，利用各个波长通道内LSR值的循环周期不同来构成LSR特征向量，随后使用神经网络对LSR特征向量进行识别，完成对平移误差的探测。在此过程中，本发明还利用一个波长内数据来构建大训练数据集，该训练数据集的建立解决了传统神经网络方法探测平移误差时的大范围训练集难以获取的问题。最终，本发明实现了大范围、高精度的平移误差探测，且该方法具有强的抗噪性。

技术领域

本发明涉及一种平移误差探测方法，具体涉及一种卷积神经网络平移误差探测方法。

背景技术

近年来，随着天文观测的分辨率要求越来越高，对望远镜口径的要求也达到了10m级。而单一口径望远镜随着口径的增大，对制造工艺要求急剧增加，且造价很高。因此，自上世纪七十年代开始，科研人员突破单一孔径望远镜系统的设计理念，提出使用合成孔径技术来满足大口径天文望远镜的需求，以保证在有效减小制造成本和对工艺水平的要求下，保证系统的成像质量。然而，合成孔径望远镜在轨展开后各个子镜间存在倾斜误差(Tilt)和平移误差(Piston)，这会使得成像质量大大下降。其中，倾斜误差通过精共焦、精共相阶段可以得到很好的矫正，而平移误差往往会超出一般精共相方法的探测范围，需添加必要的粗共相阶段作为过渡。

基于此，国内外的科研人员提出了众多用于粗、精共相阶段的方法。如，用于粗共相阶段的宽带法、基于色散条纹传感器(Dispersed fringe sensor,DFS)的一系列方法，及用于精共相阶段的窄带法、相位差法(Phase diversity,PD)、四棱锥检测法(Pyramid)、干涉法等。但这些方法由于检测精度和范围的原因，往往需要联合使用，因此需要不同的装置来检测矫正平移误差，如通过色散条纹传感器完成粗共相探测后再使用PD法进行精共相探测，不能完成进行大范围、高精度的探测。

2017年，光电所李杨提出一种基于色散条纹图像累加的左峰减右峰法(DFA-LSR)，此方法将色散条纹图像沿着色散方向累加，用累加后信号的左峰值与右峰值之差与平移误差之间的线性关系进行探测。由于对整个色散条纹进行累加，导致带宽很大，相干长度很小，故该方法的精度虽然高，但检测范围却只能达到一个波长。

发明内容

针对背景技术中提到的现有的DFA-LSR方法存在检测范围只能达到一个波长的问题，本发明提出了一种卷积神经网络平移误差探测方法。

本发明的具体技术方案是：

提供了一种卷积神经网络平移误差探测方法，包括以下实施步骤：

步骤1：初始图像采集：

步骤1.1：设定平移误差间隔Δ；多个波长通道的选定与平移误差的间隔Δ相关：当有n个波长通道时，每个波长通道与平移误差的间隔Δ之间需满足λ_i＝M_iΔ,其中1＜i≤n，M_i为整数；

步骤1.2：在任意波长通道λ_i内，通过以平移误差间隔Δ调节平移误差进行成像，在λ_i通道内，采集N_i＝λ_i/Δ+1张图像；调节范围为：当N_i为奇数时[-λ_i/2,λ_i/2]，当N_i为偶数时[-(λ_i+Δ)/2,(λ_i-Δ)/2]；

步骤2：建立训练集；

步骤2.1：按照DFA-LSR的叠加原理将每个波长通道图像进行累加，从而获得每个波长通道的一个波长内的平移误差对应的LSR值序列，作为原始数据集；

步骤2.2：根据原始数据集，分别建立对应于正、负平移误差范围的训练集；