基于多视场波前信息光学系统失调量与畸变联合预测方法

摘要: 本发明涉及光学装调与人工智能交叉,特别涉及一种基于多视场波前信息光学系统失调量与畸变联合预测方法。背景技术:1、随着高端光学装备持续向高分辨率、大视场、宽波段、...
基于多视场波前信息光学系统失调量与畸变联合预测方法

本发明涉及光学装调与人工智能交叉,特别涉及一种基于多视场波前信息光学系统失调量与畸变联合预测方法。

背景技术:

1、随着高端光学装备持续向高分辨率、大视场、宽波段、大孔径方向发展,光学系统结构日趋复杂、系统性能指标日益严苛,比如高分辨率遥感相机、精密干涉测量系统及高端光谱仪等,这类装备中的核心光学系统具有元件数量多、参数耦合性强、误差灵敏度高等特点,对光学装调的精度、稳定性与一致性提出了更高要求。与此同时,对于光刻投影物镜等特殊光学系统,其性能要求不再局限于波前误差等单一像质指标,还需兼顾畸变等几何性能参数,即在设计与装调过程需要保证波前与畸变指标同时满足预定约束。然而,传统光学装调多采用“局部线性近似+人工经验判断+反复测量调整”的方式,存在装调周期长、效率低、对操作人员经验依赖强、全局优化能力不足、重复性与一致性差等问题,已逐渐难以适应复杂多自由度高精密光学系统的装调需求。

2、近年来,人工智能技术在光学装调领域展现出显著优势,当前技术中存在多种基于人工神经网络算法利用波前信息预测光学元件失调量的技术方案,比如:公开号为cn117537711a的专利《一种基于深度学习的光学镜片装调位姿误差辨识方法》与期刊文章《improving neural-network-based prediction models for misalignment in off-axis three-mirror anastigmat telescopes》(出处:applied optics)公开的技术方案,其基本思路就是通过构建光学元件相对理想位姿的偏差与系统波前zernike系数的数据对集合,再利用深度学习方法建立波前zernike系数到元件装调位姿偏差的映射模型,在实际装调时利用该模型预测出元件失调量来指导装调过程。这类技术能显著提高装调自动化水平,降低对人工操作经验的依赖,对多自由度、强耦合光学系统具有高效的失调状态识别能力与较强适应性,但现有研究主要聚焦于由波前信息反演光学元件的失调量,而对系统畸变等几何性能指标的联合表征与预测关注相对不足。

3、在现有工程技术中,波前信息通常可利用shack–hartmann波前传感器、干涉仪等设备较为方便地测得;而畸变的检测通常采用靶标成像法、曝光测量法、空中像测量法或波前测量法,并结合全场采样、坐标映射、特征点提取及模型拟合等过程实现,其测量流程更为繁琐。其中,波前测量法表明波前信息与畸变之间存在内部关联,现有研究中也存在多种利用波前信息恢复畸变参数的技术方案,比如:公开号为cn106768882a的专利《一种基于夏克-哈特曼波前传感器的光学系统畸变测量方法》和期刊文章《distortion measurementof a lithography projection lens based on multichannel grating lateralshearing interferometry》(出处:applied optics)。这类方案通常利用shack–hartmann波前传感器、剪切干涉仪或其他波前检测方式,先获得波前斜率、波前重构结果或波前zernike展开系数,再进一步计算像点偏移或拟合畸变场分布。此类技术可借助相对易测的波前信息间接获得畸变结果,减少直接畸变测量的复杂性,但其主要目标仍服务于畸变测量或波前/畸变同步检测,尚未与光学装调过程中元件失调状态识别统一起来。

4、尽管现有技术已经分别提出了基于波前信息预测光学元件失调量,以及基于波前测量恢复光学系统畸变的方案,但从光学装调过程的实际需求来看,仍存在以下不足:

5、其一,现有技术通常将“失调量预测”和“畸变评估”作为两个独立问题分别处理,前者服务于装调过程中的调整控制,后者服务于光学系统的几何性能检测,两者在输入信息、分析流程和结果应用上相互分离,尚未形成一种服务于装调全过程的统一技术框架;

6、其二,现有基于波前恢复畸变的技术虽然能够避免部分直接畸变测量的流程,但仍需经过波前重构、波前斜率求解、像点偏移计算、全场拟合等多个步骤,处理链条较长、计算流程较繁琐,难以满足光学装调过程快速反馈与高效评估需求;

7、其三,现有基于波前预测失调量的智能装调技术主要以元件位姿误差反演为核心,缺少对调整过程中光学系统畸变等几何性能指标的同步预测与验证,难以支撑高端光学系统在装调过程中对波前质量与几何性能综合约束的要求。

技术实现思路

1、本发明要解决现有技术中光学装调过程中失调量反演与畸变评估相互独立、利用波前检测畸变流程复杂以及难以实现多性能指标同步验证的技术问题,提供一种基于多视场波前信息光学系统失调量与畸变联合预测方法。

2、为了解决上述技术问题,本发明的技术方案具体如下:

3、一种基于多视场波前信息光学系统失调量与畸变联合预测方法,其适用的系统包括互相数据相连的:多视场波前数据获取与表征模块、联合预测模型构建模块以及装调闭环优化模块;

4、多视场波前数据获取与表征模块用于将不同视场的波前信息映射至统一特征空间;

5、联合预测模型构建模块用于建立多视场波前输入特征分别与光学系统的失调量、畸变之间的非线性映射关系;

6、装调闭环优化模块用于基于联合预测模型输出的失调量预测值与畸变预测值,构建动态自适应的闭环调整机制,逐步修正光学系统的失调状态,降低系统畸变,使光学系统的像质指标收敛至预设范围附近;

7、该方法包括以下步骤:

8、步骤1:多视场波前数据获取与表征模块在光学设计仿真或实际装调过程中获取多视场波前数据,并构建对应的失调量与畸变标签;

9、步骤2:联合预测模型构建模块以多视场波前数据为输入,建立共享特征提取与双任务输出相结合的联合预测模型,该联合预测模型的一个分支输出光学系统的光学元件自由度的失调量预测值,另一个分支输出全视场的畸变预测值;

10、步骤3:联合预测模型经联合损失约束完成训练后,装调闭环优化模块将实测多视场波前数据输入联合预测模型,同步获得当前光学系统的失调量预测结果和畸变评估结果,并据此指导光学系统调整;每次光学系统调整后再次测量多视场波前数据并输入联合预测模型,形成闭环迭代优化装调流程。

11、在上述技术方案中,步骤1具体为:

12、对于第个视场,将其波前函数定义为:

13、

14、其中,为第个视场下的连续波前函数;为光学系统的总视场个数;为视场索引;采用归一化极坐标形式对波前函数进行表示,即:

15、

16、其中,为归一化极坐标下的波前函数,为归一化极径,取值范围为;为极角,取值范围为;

17、采用波前展开zernike系数形式对归一化极坐标下的波前函数进行参数化表达,具体形式为:

18、

19、其中,为第个视场波前函数的第阶zernike多项式系数;为第阶zernike多项式;为采用的zernike多项式总阶数;为zernike多项式阶数编号;

20、定义单视场波前特征向量用于整合单个视场的所有zernike多项式系数,具体形式为:

21、

22、其中,为第个视场的波前特征向量,维度为;上标表示向量的转置操作;表示该特征向量为维实向量;为第个视场波前函数的第阶zernike多项式系数;为第个视场波前函数的第阶zernike多项式系数;为第个视场波前函数的第阶zernike多项式系数;

23、接着,将全视场所有单视场波前特征向量进行整合,构建多视场波前输入矩阵,即:

24、

25、其中,为多视场波前输入矩阵,维度为;表示该矩阵为行列的实数矩阵;为第个视场的波前特征向量,为第个视场的波前特征向量,为第个视场的波前特征向量;

26、将上述多视场波前输入矩阵展开为一维特征向量,具体操作如下:

27、

28、其中,为展开后的一维特征向量,维度为;为矩阵列向量化算子,用于将维的矩阵按列顺序拼接为一维向量;表示该一维特征向量为维实向量;

29、对每个视场的索引信息进行向量化表征,具体定义为:

30、

31、其中,为第个视场的编码向量,维度为;为视场编码函数;为视场编码向量维度;

32、将单视场的波前特征向量与视场编码向量进行特征拼接,构建增强型单视场波前特征向量,实现波前特征与视场关联信息的融合,具体形式为:

33、

34、其中,为增强型第个视场波前特征向量,维度为;符号表示向量的纵向拼接操作;

35、基于全视场的增强型单视场波前特征向量,构建最终的增强型多视场输入矩阵,具体形式为:

36、

37、其中,为增强型多视场输入矩阵,维度为;

38、对增强型多视场输入矩阵的均值与标准差进行归一化,使处理后的特征数据服从标准正态分布,具体公式为:

39、

40、其中,为标准化处理后的增强型多视场输入矩阵;为原始输入矩阵中所有元素的均值;为原始输入矩阵中所有元素的标准差。

41、在上述技术方案中,步骤2具体为:

42、联合预测模型的整体输出关系定义为:

43、

44、其中,为联合预测模型的联合输出结果,分别对应光学系统失调量的预测值与畸变的预测值;为联合预测模型,是由多层神经网络构成的非线性映射函数;为标准化处理后的增强型多视场输入矩阵;为联合预测模型的所有可学习参数集合;

45、对输入特征进行多层非线性变换,提取能够同时支撑失调量预测与畸变预测的高层共享特征,实现特征的高效复用,具体实现过程如下:

46、首先,将增强型多视场输入矩阵作为共享编码器的初始输入,定义初始输入特征为:

47、

48、其中,为共享编码器的初始输入特征;若为矩阵形式,则为同维度矩阵;若为张量形式,则为同维度张量;

49、接着,共享编码器通过多层非线性变换逐步提取高层共享特征,每一层的特征更新公式为:

50、

51、其中,为共享编码器第层的输出特征;为共享编码器第层的输入特征;为第层的权重矩阵;为第层的偏置向量;为非线性激活函数;为共享编码器的层数索引,取值范围为,为共享编码器的总层数;

52、经过层非线性变换后,得到共享编码器的最终输出,即高层共享特征,具体形式为:

53、

54、其中,为高层共享特征向量,维度为;为共享编码器第层的输出特征,与高层共享特征向量维度一致;表示该高层共享特征向量为维实数向量,为共享特征维度;

55、基于共享编码器输出的高层共享特征,构建独立的失调量预测分支,用于实现光学系统各装调自由度失调量的精准预测,具体表示为:

56、

57、其中,为系统失调量的预测向量,维度为;为失调量预测分支的权重矩阵,维度为;为失调量预测分支的偏置向量,维度为;

58、将矢量场形式的畸变预测值离散化为三维张量形式,具体如下:

59、

60、其中,为离散化后的畸变预测张量,维度为;为像面离散采样的高度;为像面离散采样的宽度;维度2分别对应方向与方向的偏移量预测值;表示该畸变预测张量为三维实数张量;

61、将畸变预测张量反馈至失调量预测分支,在畸变预测分支的输出结果映射后与高层共享特征进行融合,优化失调量预测分支的输入特征,提升失调量预测精度,具体公式为:

62、

63、其中,为优化后的失调量预测分支输入特征,维度与高层共享特征一致;为共享编码器输出的高层共享特征;为耦合系数,用于调节畸变预测结果的反馈权重;为特征映射函数,用于将畸变预测张量映射至与高层共享特征维度一致的特征向量,实现特征融合。

64、在上述技术方案中,步骤3具体包括:

65、步骤31、初始状态检测:

66、对光学系统进行初始多视场波前检测,通过多视场波前数据获取与表征模块获取全视场波前数据,得到多视场波前输入特征,为迭代次数,初始迭代;

67、步骤32、模型预测输出:

68、将初始多视场波前输入特征输入训练收敛后的联合预测模型,得到初始状态下的系统失调量的预测向量与畸变预测张量;

69、步骤33、装调参数调整:

70、基于第轮迭代的系统失调量的预测向量,采用自适应步长调整策略,对光学系统的装调机构进行参数调整,得到调整后的系统失调量;

71、步骤34、状态复测与评估:

72、对调整后的光学系统进行多视场波前复测,获取新的多视场波前输入特征,并通过联合预测模型得到新的系统失调量的预测向量和畸变预测张量,评估光学系统当前状态是否满足收敛判据;

73、步骤35、闭环迭代判断:

74、若光学系统状态满足收敛判据,则停止迭代,输出最优装调参数;若不满足,则令,重复上述步骤,进入下一轮闭环迭代,直至满足收敛要求,形成闭环迭代优化装调流程。

75、在上述技术方案中,步骤3中,闭环迭代优化装调流程的迭代调整策略为:

76、使用光学系统的失调状态演化方程描述每轮闭环迭代中失调量的更新规律,具体公式为:

77、

78、其中,为第轮迭代后的系统实际失调量;为第轮迭代后的系统实际失调量;为第轮迭代的装调调整步长;为第轮迭代的系统失调量的预测向量,该系统失调量的预测向量即为失调量预测值;负号表示调整方向与失调量预测值的方向相反,即朝着减小失调量的方向进行装调调整;

79、采用自适应步长机制,根据光学系统当前失调状态动态调整步长大小,具体实现方式如下:

80、

81、其中,为初始步长,根据装调机构的调节精度确定;为步长衰减系数;为迭代次数。

82、在上述技术方案中,步骤3中,闭环迭代优化装调流程的多目标联合优化目标函数构建具体为:

83、为实现光学系统的失调量与畸变的协同优化,构建多目标联合优化目标函数,用于衡量每一轮迭代后光学系统的调整质量,指导闭环迭代方向,具体公式为:

84、

85、其中,为第轮迭代的系统多目标联合优化目标函数值;、分别为波前误差与畸变误差的权重系数,满足;为第轮迭代的波前误差,为第轮迭代的畸变误差,具体定义如下:

86、波前误差:采用全视场波前均方根误差用于衡量全视场波前质量,公式为:

87、

88、其中,为光学系统总视场数量;为第轮迭代第个视场的连续波前函数;为第个视场的理想波前函数;为第个视场的波前采样区域;为视场索引;

、为波前函数的二维空间坐标参数;

89、畸变误差:畸变的矢量场形式采用全像面畸变偏移的平均绝对误差,公式为:

90、

91、其中,、分别为像面离散采样的高度与宽度;、分别为第轮迭代像面坐标处的方向与方向的实际畸变偏移量;、分别为对应位置的方向与方向的理想设计畸变偏移量;

、为光学系统像面的二维坐标参数。

92、在上述技术方案中,步骤3中,收敛判据具体为:

93、设定双重收敛判据,同时约束失调量与畸变,具体如下:

94、1)失调量收敛判据:第轮迭代的系统失调量的预测向量的2-范数小于预设阈值,即:

95、

96、其中,为系统失调量的预测向量的2-范数;为失调量收敛阈值;

97、2)畸变收敛判据:第轮迭代的畸变误差小于预设阈值,即:

98、

99、其中,为畸变收敛阈值;

100、3)迭代终止补充条件:若迭代次数达到预设最大迭代次数,即使未满足上述双重收敛判据,也停止迭代,输出当前最优装调参数,并给出装调精度评估报告;当同时满足失调量收敛判据与畸变收敛判据时,判定装调闭环优化完成,光学系统达到最优装调状态,此时输出最终的装调参数,作为光学系统的最终装调依据。

101、在上述技术方案中,步骤2和步骤3中的联合预测模型经联合损失约束完成训练的过程为:

102、首先,构建训练样本数据集并进行预处理;

103、其次,定义多任务联合损失函数;

104、然后,采用自适应优化算法对模型参数进行迭代更新;

105、最后,通过验证数据集监控训练过程、引入正则化与早停策略防止过拟合,直至模型收敛并达到预设性能指标。

106、在上述技术方案中,构建训练样本数据集并进行预处理具体为:

107、1)样本集构成:训练样本数据集采用表示,其中为训练样本数据集的样本总数;为第个样本的多视场波前输入特征;为第个样本的实际失调量向量,维度为;为第个样本的实际畸变值;为样本索引;

108、2)样本预处理:

109、异常值剔除:采用3σ准则剔除训练样本数据集中的异常样本,即当某一样本的多视场波前输入特征、失调量或畸变值超出对应特征的均值范围时,判定为异常样本并剔除;为对应特征的样本均值,为对应特征的样本标准差;

110、样本划分:将预处理后的训练样本数据集按7:2:1划分为训练集、验证集与测试集,其中训练集用于模型参数迭代更新,验证集用于监控模型训练过程、调整超参数,测试集用于最终评估模型泛化性能;

111、3)标签归一化:对第个样本的实际失调量向量与第个样本的实际畸变值进行归一化处理,使其映射至区间,具体为:

112、

113、其中,、分别为归一化后的第个样本的实际失调量向量与第个样本的实际畸变值;、分别为所有训练样本实际失调量向量的最小值与最大值;、分别为所有训练样本实际畸变值的最小值与最大值;

114、多任务联合损失函数采用加权求和的形式整合两个任务的损失,具体公式为:

115、

116、其中,为模型的总联合损失函数,用于衡量模型预测值与实际标签之间的整体偏差;分别为失调量预测损失与畸变预测损失的权重系数,根据两个任务的重要性及预测难度自适应调整,若失调量预测精度要求更高,则增大,反之则增大,且满足;为失调量预测损失函数,为畸变预测损失函数,具体定义如下:

117、失调量预测损失函数:采用均方误差损失,计算公式为:

118、

119、其中,为第个样本第个装调自由度的失调量预测值;为第个样本第个装调自由度的实际失调量标签;为装调自由度总数;

120、畸变预测损失函数:采用平均绝对误差损失,计算公式为:

121、

122、其中,、分别为第个样本像面坐标处、方向畸变偏移量的预测值;、分别为对应该位置的实际畸变偏移量;、分别为像面离散采样的高度与宽度;维度2对应、两个方向的偏移量;

、为光学系统像面的二维坐标参数。

123、采用自适应优化算法对模型参数进行迭代更新具体为:

124、采用自适应动量优化算法对模型可学习参数进行迭代更新,具体参数更新过程如下:

125、1)初始化参数:初始化模型所有可学习参数,采用随机正态分布初始化;初始化adam算法的超参数包括:学习率、动量参数、,以及数值稳定性参数;

126、2)梯度计算:针对每个训练批次,计算总联合损失函数对所有可学习参数的梯度,采用反向传播算法完成梯度的反向传递与计算;

127、3)自适应参数更新:根据adam算法的更新规则,对梯度进行指数移动平均,更新参数的一阶矩估计与二阶矩估计,再基于此调整每个参数的学习率,最终完成参数更新,具体公式为:

128、

129、其中,为迭代次数;、分别为梯度的一阶矩估计与二阶矩估计;、分别为一阶矩估计与二阶矩估计的偏差修正值;、分别为第轮、第轮迭代后的模型参数;、分别为第轮迭代梯度的一阶矩估计与二阶矩估计;为梯度算子;

130、模型收敛并达到预设性能指标具体为:

131、1)训练收敛判据:当满足以下任一条件时,判定模型训练收敛:(a)迭代次数达到预设最大迭代次数;(b)连续预设次数迭代中,训练集损失与验证集损失的变化量均小于预设阈值,即:

132、

133、其中,、分别为第轮、第轮迭代的训练集损失;、分别为第轮、第轮迭代的验证集损失;为损失变化阈值;

134、2)模型性能评估指标:采用测试集对收敛后的模型进行性能评估,分别针对失调量预测与畸变预测设计评估指标:

135、(a)失调量预测评估指标:采用平均绝对误差与决定系数,公式为:

136、

137、

138、其中,为测试集样本总数,为测试集样本索引,是装调自由度总数;为装调自由度索引,为第个测试样本中第个装调自由度失调量真实标签的平均值,为第个测试样本中第个装调自由度失调量标签的真实值,为第个测试样本中第个装调自由度失调量标签的预测值,表征失调量预测值与真实值的平均绝对偏差;

139、(b)畸变预测评估指标:采用平均端点误差,衡量预测偏移向量与实际偏移向量的端点距离,公式为:

140、

141、其中,、分别为第个样本像面坐标处、方向畸变偏移量的预测值;、分别为对应该位置的实际畸变偏移量标签。

142、本发明的基于多视场波前信息光学系统失调量与畸变联合预测方法,具有以下有益效果:

143、(1)实现失调量与畸变的同步预测,提高装调分析的一体化程度。

144、本发明通过建立多视场波前到系统光学元件失调量与系统畸变之间的映射关系,在统一波前输入条件下同时输出元件失调量与畸变信息。相比现有技术中分别进行失调量反演和畸变检测的方式,减少了独立建模、独立测量和分步处理的过程,从而提高了光学装调过程中状态识别与性能评估的一体化程度。

145、(2)简化畸变评估流程,提高装调过程状态分析效率。

146、本发明利用多视场波前信息直接预测系统畸变场分布,无需再单独进行传统复杂畸变测量流程,也避免了现有利用波前恢复畸变方法的繁琐求解过程。通过该技术方案,可在获取波前信息后同步得到畸变评估结果,从而缩短装调过程中的状态分析链条,提高畸变评估效率,满足复杂光学系统装调过程中对快速反馈的需求。

147、(3)支持多目标优化,提高系统综合性能。

148、现有基于波前预测失调量的装调方法主要关注元件位姿误差识别,且通常以波前质量最优为单一优化目标,难以兼顾成像几何性能。本发明通过同步预测系统畸变信息,将畸变引入装调质量评价体系,使装调过程能在获得“如何调整”的同时,获得“调整后性能如何”,还能同步考虑波前质量与系统几何性能,通过多目标联合优化提高系统综合性能。

149、(4)提高装调自动化水平和工程实施便捷性。

150、本发明基于统一波前输入完成失调量预测与畸变评估,可减少传统装调中对人工经验判断、多次迭代试调的依赖。通过该技术方案,装调人员能够更快速地获得系统失调状态和畸变场分布信息,为装调过程中的状态判定、调节控制及综合性能评估提供统一依据,从而提高光学装调过程的自动化水平与工程实现便捷性。