一种多角度光学面形分解方法及系统与流程

本发明涉及光学精密检测与智能数据处理，特别是涉及一种多角度光学面形分解方法及系统。

背景技术：

1、高端光学制造、精密成像系统和高稳定性光学载荷对光学元件面形精度提出了极高要求。干涉测量因其非接触、高灵敏度和高重复性的特点，已成为光学面形检测的重要手段。在实际测量过程中，为提高测量全面性或识别角度相关误差，常常需要获取同一待测光学面在多个测量角度下的面形数据。

2、然而，多角度测量数据（即多个测量角度下的面形数据）中通常同时包含两类信息：一类为由待测光学面自身形貌决定、在不同测量角度下应保持稳定的面形分量；另一类为受测量角度、装夹姿态、支撑状态、安装偏差或外部扰动影响而变化的角度相关面形分量。上述两类分量在实测结果中相互叠加，使得实测面形难以直接用于表征待测光学面的稳定真实形貌。

3、现有方法多采用旋转平均、解析基函数拟合或统一模型直接回归的方式处理多角度面形数据。此类方法存在如下不足：其一，基于有限阶解析基函数的表示方式对局部细节和中高频形貌的表达能力有限；其二，将多角度数据直接输入单一模型进行拟合时，难以在模型内部显式区分角度无关信息与角度相关信息，容易导致不同来源的面形分量发生耦合；其三，缺乏与待测对象物理属性相对应的结构化约束时，模型输出的稳定性与可解释性不足，不利于工程应用中的误差补偿和结果验证。

技术实现思路

1、针对上述技术问题，本发明采用的技术方案为：

2、根据本申请的一个方面，提供一种多角度光学面形分解方法，包括：

3、步骤s100、获取待测光学面在多个测量角度下的若干光学面形数据，并记录待测光学面的若干个有效采样点对应的空间坐标、测量角度和面形高度值；

4、步骤s200、对光学面形数据进行预处理，以构建出由空间坐标、测量角度和面形高度值组成的训练样本集；

5、步骤s300、基于物理先验建立待测光学面对应的面形分解表达关系，将待测光学面的实测面形表示为稳定面形分量与角度相关面形分量的叠加；其中，稳定面形分量在不同测量角度下保持一致；角度相关面形分量随测量角度的变化而变化；

6、步骤s400、构建双分支神经网络；双分支神经网络包括稳定分支和变化分支，其中，稳定分支以空间坐标作为输入并输出稳定面形分量预测值，变化分支以空间坐标和测量角度作为输入并输出角度相关面形分量预测值；

7、步骤s500、将稳定分支的输出与变化分支的输出进行叠加，以得到待测光学面在对应的测量角度下的预测面形，并根据预测面形与待测光学面的实测面形之间的重建误差以及稳定分支在不同测量角度下的一致性约束构建联合损失函数，以对双分支神经网络进行训练；

8、步骤s600、利用训练完成的双分支神经网络，对若干光学面形数据进行分解，以输出待测光学面对应的稳定面形分量、每一测量角度对应的角度相关面形分量以及补偿后的光学面形结果。

9、根据本申请的另一个方面，还提供一种多角度光学面形分解系统，应用于上述的多角度光学面形分解方法，包括：

10、数据采集模块，用于获取待测光学面在多个测量角度下的若干光学面形数据，并记录待测光学面的若干个有效采样点对应的空间坐标、测量角度和面形高度值；

11、数据预处理模块，用于对光学面形数据进行预处理，以构建出由空间坐标、测量角度和面形高度值组成的训练样本集；

12、联合建模模块，用于基于物理先验建立稳定面形分量与角度相关面形分量的分解表达关系；

13、双分支神经网络模块，用于构建并训练包括稳定分支和变化分支的双分支神经网络；

14、训练优化模块，用于基于重建误差和一致性约束对双分支神经网络进行优化训练；

15、分解输出模块，用于输出稳定面形分量、角度相关面形分量以及补偿后的光学面形结果。

16、本发明至少具有以下有益效果：

17、本发明的多角度光学面形分解方法，首先获取待测光学面在多个测量角度下的若干光学面形数据，并记录待测光学面的若干个有效采样点对应的空间坐标、测量角度和面形高度值，对光学面形数据进行预处理，以构建出由空间坐标、测量角度和面形高度值组成的训练样本集，再基于物理先验建立待测光学面对应的面形分解表达关系，将待测光学面的实测面形表示为稳定面形分量与角度相关面形分量的叠加，接着构建包括有稳定分支和变化分支的双分支神经网络，并将稳定分支的输出与变化分支的输出进行叠加，以得到待测光学面在对应的测量角度下的预测面形，并根据预测面形与待测光学面的实测面形之间的重建误差以及稳定分支在不同测量角度下的一致性约束构建联合损失函数，以对双分支神经网络进行训练，最后，利用训练完成的双分支神经网络，对若干光学面形数据进行分解，以输出待测光学面对应的稳定面形分量、每一测量角度对应的角度相关面形分量以及补偿后的光学面形结果，使模型在利用多角度测量数据重建面形的同时，能够显式提取稳定面形分量与角度相关面形分量，从而提高面形分解精度和结果可靠性。

1.一种多角度光学面形分解方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述步骤s100包括：

3.根据权利要求2所述的方法，其特征在于，所述步骤s200包括：

4.根据权利要求3所述的方法，其特征在于，所述步骤s300包括：

5.根据权利要求4所述的方法，其特征在于，所述物理先验为同一待测光学面的稳定面形分量在不同测量角度下保持不变，而角度相关面形分量随测量角度发生变化。

6.根据权利要求5所述的方法，其特征在于，所述步骤s400包括：

7.根据权利要求6所述的方法，其特征在于，所述稳定分支和所述变化分支均采用多层感知机结构；所述角度信息采用可学习嵌入方式表示，将测量角度对应的标签映射为角度特征向量。

8.根据权利要求7所述的方法，其特征在于，所述步骤s500包括：

9.根据权利要求8所述的方法，其特征在于，所述步骤s600包括：

10.一种多角度光学面形分解系统，应用于如权利要求1-9中任一项所述的多角度光学面形分解方法，其特征在于，包括：