[发明专利]一种基于深度学习的自由曲面成像系统初始结构生成方法

说明书

本发明提供一种基于深度学习的自由曲面成像系统初始结构生成方法，通过系统演化的方法来获得样本数量足够多的基础训练集，经过深度神经网络模型的训练，可以生成相应系统参数范围的性能良好的神经网络模型；对于后续的自由曲面成像系统初始结构设计，只要将需要设计的系统参数输入到训练好的神经网络模型中，就可获得其初始结构，大大减少了时间和人力成本，以及对高级设计经验的依赖，即使是光学设计初学者也可以利用本发明来生成自由曲面成像系统初始结构，尤其适用于设计大参数范围的自由曲面折射，反射和折反混合系统。

技术领域

本发明属于光学设计领域，尤其涉及一种基于深度学习的自由曲面成像系统初始结构生成方法。

背景技术

随着科技的发展进步，成像光学系统的逐渐向着大视场，大孔径，小F数，小体积和少成像元件的方向发展来满足更加高级的设计需求。为了实现以上高级的设计需求，自由曲面应运而生。自由曲面可以在很好的校正非对称像差的同时，还可以实现更好的成像性能，更高的系统规格，更紧凑的系统配置和更少的元件。

传统的设计方法是找到一个系统参数与设计需求相近的系统作为初始结构，再执行后续的优化。对于传统的旋转对称系统来说，有许多设计经验，理论和充足的设计实例。然而对于自由曲面成像系统来说，其一般是用来实现先进的系统规格或者满足特殊的系统结构。然而和设计规格相匹配的，可以用来作为初始结构的系统太少了。如果无法找到合适的初始结构，设计者可能会需要花费大量的时间和精力来实现最终的设计，有时甚至可能会失败。近年来，一些新的初始结构生成方法被提出，比如：偏微分方程法，多曲面同时设计法，基于像差理论的方法，和基于逐点构建与迭代的方法。然而这些上述方法对于给定的系统规格只能产生一种特定的结构，也就是只能提供一种特殊解。但是，这些方法缺乏举一反三的能力，面对新的设计任务时，仍需要重复以上工作，耗费了大量的时间和努力。此外，这些方法在生成具有先进系统规范的系统初始结构方面存在困难，阻碍了这些方法的应用。有研究者将神经网络用于较窄系统参数范围的自由曲面离轴三反系统的初始结构生成，但是在较宽系统参数范围的高级系统参数范围的自由曲面成像系统的比较乏力。

发明内容

为解决上述问题，本发明提供一种基于深度学习的自由曲面成像系统初始结构生成方法，可以迅速得到自由曲面成像系统的初始结构，大大减少了设计者的设计时间和努力，以及对高级设计经验的依赖。

一种基于深度学习的自由曲面成像系统初始结构生成方法，包括以下步骤：

S1：按照如下步骤获取基础训练集：

S11：从自由曲面成像系统的系统参数空间中采样N_f组备选系统参数组合，并将其中实现难度最低的一组备选系统参数组合作为初始基础系统参数SYSP_f,1，则初始基础系统参数SYSP_f,1对应的自由曲面成像系统作为基础系统BaseSys₁；

S12：按照如下方法分别判断剩余备选系统参数组合是否入选基础训练集：

每确定一个备选系统参数组合是否入选基础训练集后，将最新入选基础训练集的备选系统参数组合作为当前系统参数组合执行如下操作：

从剩余备选系统参数组合中选取与当前系统参数组合SYSP_f,current最接近的一组作为下一个基础系统的备选系统参数组合SYSP_f,nearest，并对当前系统参数组合SYSP_f,current对应的基础系统进行优化，得到下一组备选系统参数组合SYSP_f,nearest对应的基础系统BaseSys_f,nearest和曲面参数SURP_f,nearest；