一种用于分割镜面中高精度精细共相误差检测的深度学习方法
《Optics & Laser Technology》:A deep learning approach for high-precision fine co-phase error detection in segmented mirrors
【字体:
大
中
小
】
时间:2026年01月05日
来源:Optics & Laser Technology 4.6
编辑推荐:
本文提出一种基于深度学习的分块镜面高精度相位误差检测方法,仅需单帧远场衍射图像即可实现快速高精度估计(模拟RMSE 0.517nm,实验2.9nm),具备抗噪声和像差能力,并可通过结构调整实现多镜面同步检测,为工程应用提供可靠方案。
Kunkun Cheng|Shengqian Wang|Jisong Jiang|Yuandong Cheng|Xuesheng Liu
中国成都610209,自适应光学国家实验室
摘要
分段镜技术在未来的光学望远镜发展中起着关键作用,而实现各个镜子之间的共相位是成功应用这一技术的先决条件。本文提出了一种基于深度学习的方法,用于高精度检测分段镜中的微小共相位误差。该方法仅需单帧远场图像即可准确检测共相位误差,展现出优异的泛化能力。即使在不同的噪声水平和波前像差条件下,也能保持高检测精度。在多镜配置中,通过微小的结构调整,该模型可以轻松适应同时检测多个活塞误差。实验验证表明,该方法的均方根误差(RMSE)为2.9纳米,显示出其在实际工程应用中的巨大潜力。
引言
在大口径光学系统中,主镜的直径直接决定了望远镜的集光能力和分辨率。然而,随着口径的增大,单片主镜在制造、运输和支持方面面临显著的技术和成本挑战。为了解决这个问题,出现了分段主镜的概念。其基本思想是将大口径主镜分成几个较小的子镜,然后利用精确的对准和主动控制技术将它们组装成一个等效的、连贯的反射表面。这种方法使得超大口径光学系统的构建成为可能。分段主镜目前被应用于多个重要的光学项目中,包括詹姆斯·韦伯太空望远镜(JWST)[1]、[2]、[3]、巨型麦哲伦望远镜(GMT)[4]、[5]、三十米望远镜(TMT)[6]、[7]以及欧洲极大望远镜(E-ELT)[8]、[9]。这项技术对于下一代超大口径望远镜的发展至关重要,极大地推动了天文学和光学工程的进步。然而,为了达到与单片主镜相当的分辨率,子镜必须实现高度的光学共相位,这意味着共相位误差必须限制在远小于工作波长的范围内。
通常,共相位过程分为两个阶段:粗共相位和细共相位。在粗共相位阶段,由于实用性和有效性,分散条纹传感器被广泛使用[10]、[11]。Li [12]、[13]、[14]、[15]、[16]、Zhang [17]、[18]、[19]等人系统地讨论了这些算法,并验证了它们在实际应用中的优越性能。在细共相位阶段,常用的方法包括金字塔波前传感器[21]、[22]、相位恢复(PR)[23]、[24]、[25]和相位多样性(PD)[26]、[27]、[28]方法。金字塔波前传感器提供了高精度,但增加了系统复杂性。PR依赖于单帧焦平面图像,而PD通过添加散焦图像提高了重建的鲁棒性。尽管这些算法方法直接可行,但它们需要迭代计算,限制了实时性能,并有可能收敛到局部最优解。鉴于分散条纹技术在粗阶段已经成熟,本工作重点关注细共相位阶段的高精度活塞误差检测,此时残差误差通常在一个波长范围内。
近年来,随着人工智能和大数据技术的快速发展,机器学习与传统光学的结合将光学检测带入了智能化的新时代。虽然人工智能在智能交通[29]、[30]、电力负荷预测[31]和生物医学预测[32]等领域的应用与光学不直接相关,但这些研究展示了数据驱动方法的广泛有效性和跨领域鲁棒性,从而为推进智能光学检测提供了方法论上的启发。在分段镜的细共相位误差检测领域,已经提出了许多有效的基于机器学习的方法[33]、[34]、[35]、[36]。然而,对于多个子镜中共相位误差的同步检测,现有研究通常采用多网络融合策略[37]、[38]、[39]、[40]。这不仅显著增加了算法系统的复杂性和实现难度,还对计算资源提出了高要求。更重要的是,大多数现有的基于机器学习的共相位误差检测方法仍处于数值模拟阶段,缺乏足够的实验验证,这使得难以保证其在实际工程中的可靠性和适用性。
在本文中,我们提出了一种基于深度学习的分段镜细共相位误差高精度检测方法。该方法仅需将单帧远场衍射图像输入到训练好的神经网络中,即可快速准确地预测共相位误差,具有高检测精度和良好的泛化能力。尽管存在不同水平的噪声干扰和波前像差效应,该方法仍能保持稳定的预测性能。此外,对于多子镜应用,可以通过适当调整网络结构来实现多个共相位误差的同步预测。实验结果验证了该方法的有效性,显示出其在实际工程应用中的巨大潜力,并为未来的工作提供了宝贵的参考。
为了进一步明确这项工作的意义和原创性,本文的主要贡献总结如下:
(1)提出了一种单帧深度学习策略,用于高精度细共相位误差检测,具有很强的抗噪声和像差能力。
(2)仿真和实验结果(0.517纳米和2.9纳米RMSE)验证了该方法的实际可行性。
(3)可扩展的网络架构能够实现多个子镜活塞误差的同步预测,降低了计算复杂性。
(4)实际光学实验确认了该方法在分段镜系统中的工程适用性。
本文的结构如下:第2节介绍了光学系统传输模型以及共相位误差检测的基本原理。第3节展示了仿真结果,并评估了该方法在不同条件下的泛化性能。第4节使用实际光学装置提供了实验验证,以评估该方法的实际适用性。最后,第5节提供了总体讨论和结论。
方法
在光学设计中,调制传递函数(MTF)是评估成像质量的关键指标。它本质上是系统的频率响应函数,用于定量描述其在不同空间频率下传输细节的能力。如图1所示,(a1)表示单个小口径主镜的瞳孔分布,其对应的MTF曲线具有较低的截止频率,限制了分辨率。(a2)显示了由
仿真结果和泛化分析
在这项工作中,我们设计了一个轻量级的深度学习框架来模拟衍射图案与活塞误差之间的非线性关系。所提出的方法采用单个卷积神经网络(CNN),该网络以单帧远场强度图像作为输入,并直接输出所有子镜的活塞值。这种方法避免了多网络融合或迭代优化,使得整个过程计算效率高,适合实时应用。
实验验证
为了进一步验证所提方法在现实环境中的应用性能,我们构建了图11所示的光学系统。激光源发出的单色光通过抛物面镜被准直成平行光。经过分光器后,平行光分为两条路径:一条路径沿原始方向通过分光器(图中未标记),另一条路径反射到分段镜上
结论
在本文中,我们开发了一种基于深度学习的分段镜细共相位误差高精度检测方法。所提出的方法仅使用单帧远场衍射图像,实现了快速且高度准确的活塞误差估计,仿真中的RMSE值为0.517纳米,实验中的RMSE值为2.9纳米。我们分析了该方法在不同噪声强度和波前像差条件下的鲁棒性,结果表明该方法可以
CRediT作者贡献声明
Kunkun Cheng:撰写——原始草案、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。Shengqian Wang:撰写——审稿与编辑、验证、监督、资源管理、项目管理、方法论、调查、资金获取、形式分析、数据管理、概念化。Jisong Jiang:可视化、验证、软件。Yuandong Cheng:可视化、验证、软件。Xuesheng Liu:可视化,
资助
本研究得到了中国科学院西部光学基金会-西部青年学者计划和中国国家自然科学基金(11873008)的资助。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号