CN109031654A - 一种基于卷积神经网络的自适应光学校正方法及系统 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的自适应光学校正方法，包括以下步骤：S1，基于卷积神经网络训练畸变远场光强图像和波前校正器驱动信号的卷积神经网络模型；S2，卷积神经网络模型构建完成后，待校正的畸变波前经波前校正器反射和光路分束后分为两路，分别成像在焦平面CCD和离焦平面CCD上，本发明的有益效果是：利用卷积神经网络模型直接根据输入的光强得到波前校正器驱动信号，该驱动信号控制波前校正器产生与待校正波前共轭的变形量以校正入射波前的像差，其不需要进行波前探测及其相应的重构计算，也不需要进行迭代寻优，系统结构简单易于实现，成本低廉，系统带宽高的优点。

Description

一种基于卷积神经网络的自适应光学校正方法及系统

技术领域

本发明涉及光学技术领域，具体是一种基于卷积神经网络的自适应光学校正方法及系统。

背景技术

光在大气中传输时不可避免地受到大气湍流效应的影响，湍流效应会引起光场相位相干性的恶化，导致光强起伏、光斑漂移、扩展及破碎。这些效应对不同的激光工程应用有着不同程度的影响。如光场相位相干性的退化会降低成像系统图像分辨率；光强起伏及光斑漂移会引起激光通信系统误码率的增加；光斑的扩展及破碎会导致激光传输能量集中度的下降等。自适应光学技术是改善光学成像系统的分辨能力和激光系统的光束质量的有力手段。目前已应用在天文观测、激光通信、高能激光传输、工业和医学成像等工程领域中。

常规自适应光学系统由波前传感器、波前控制器和波前校正器三个部分组成。波前传感器的存在使得整个自适应光学系统结构复杂，成本昂贵，其应用领域很难得到拓展和普及。另外，在许多实际应用中，特别是涉及到激光长距离传输，即使大气湍流强度较弱也将产生强湍流效应。强湍流效应引起的光强闪烁会增大波前传感器中的强度噪声，以及与闪烁效应相伴的相位分布不连续性问题都会导致波前探测不准确。已有的许多研究结果都证实了，这些因素使得常规自适应光学系统性能降低甚至失效。

发明内容

本发明的目的在于针对现有技术结构复杂、成本高和常规自适应光学系统在某些场合难以应用的不足，以及现有无波前探测自适应光学系统收敛速度慢等问题，提出一种结构简单、成本低廉、带宽高、易于实现且应用范围更广的基于卷积神经网络的自适应光学校正方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于卷积神经网络的自适应光学校正方法，包括以下步骤：

S1，基于卷积神经网络训练畸变远场光强图像和波前校正器驱动信号的卷积神经网络模型；

S2，卷积神经网络模型构建完成后，待校正的畸变波前经波前校正器反射和光路分束后分为两路，分别成像在焦平面CCD和离焦平面CCD上，焦平面CCD和离焦平面CCD将得到的两帧光强图像输入到主控计算机内；

S3，主控计算机根据该两帧光强图像作为输入，利用步骤S1中构建好的卷积神经网络模型得到波前校正器的拟补偿畸变的驱动信号，并将该驱动信号输出给波前校正器；

S4，波前校正器将驱动信号加载到变形镜的各个驱动上，使波前校正器产生与待校正波前共轭的变形量以校正入射波前的像差，完成待校正波前的校正。

作为本发明进一步的方案：步骤S1中卷积神经网络模型的构建方法包括如下步骤：

(1)利用Zernike系数{a₁,a₂K,a_m}生成符合Kolmogorov湍流谱的随机大气湍流相位畸变；

(2)在平面波透射过湍流相位畸变时，产生入射初始畸变光场U₀(x,y)，光波经波前校正器反射后成像于焦平面CCD和离焦平面CCD上，分别得到焦平面和离焦面的光强图像，据此焦平面和离焦面的光强图像可得焦平面光场复振幅U₁(f_x,f_y)和离焦面的光场复振幅U₂(f_x,f_y)；

焦平面光场复振幅U₁(f_x,f_y)通过傅里叶变换得到：U₁(f_x,f_y)＝C₁F(U₀(x,y))；

式中，C₁为复常数，F为傅里叶变换；

离焦面的光场复振幅U₂(f_x,f_y)可以表示为：

式中，为离焦波前,焦平面和离焦面的光强图像矩阵可以通过和得到；

(3)之后，随机生成若干组(本实施例中为15000组)Zernike系数{a₁,a₂K,a_m}、焦平面和离焦面的光强图像矩阵I₁(x,y)、I₂(x,y)的数据作为样本训练数据；

(4)然后，将Zernike系数{a₁,a₂K,a_m}、I₁(x,y)和I₂(x,y)的数据作为样本输入数据；

(5)接着，利用样本输入数据输入到卷积神经网络中进行训练，得到卷积神经网络模型。

作为本发明再进一步的方案：所述卷积神经网络模型的网络层数为八层，每一层的输出是下一层的输入，其包括：

第一层是数据输入层，用于接收光强图像，数据输入层的大小为224×224×2，即224×224的二通道图像，其中一个通道是一帧焦平面上的光强亮度图像，另一个通道是一帧离焦面的光强亮度图像；

第二层、第三层、第四层和第五层分别为Conv1层、Conv2层、Conv3层和Conv4层，用于提取光强图像局部特征；

第六层和第七层均为全连接层，用于将上述提取到的局部特征综合起来；

第八层为输出层。

作为本发明再进一步的方案：步骤(5)中，卷积神经网络在训练时采用随机梯度下降算法，通过不断降低损失函数的函数值来学习建立后的所述卷积神经网络的参数，在每一次迭代中进行参数学习和更新；

损失函数为：

式中，y_i为真实的Zernike系数，y_predicted_i为预测的Zernike系数。

一种基于卷积神经网络的自适应光学校正系统，包括波前校正器、波前校正器驱动电路、主控计算机、光路分束器和成像透镜，波前校正器上的一侧位置处设有成像透镜，所述成像透镜的一侧位置设有焦平面CCD和离焦平面CCD，从成像透镜穿出的待校正的畸变波前经光路分束器作用分成两路，其中一路畸变波前经聚焦透镜聚焦在焦平面CCD上，另一路畸变波前经聚焦透镜聚焦在离焦平面CCD上，所述焦平面CCD和离焦平面CCD均与主控计算机信号连接，所述主控计算机通过波前校正器驱动电路控制连接波前校正器。

与现有技术相比，本发明的有益效果是：利用卷积神经网络模型直接根据输入的光强得到波前校正器驱动信号，驱动信号加载到波前校正器的各个驱动上，使波前校正器产生与待校正波前共轭的变形量以校正入射波前的像差，其不需要进行波前探测及其相应的重构计算，也不需要进行迭代寻优，系统结构简单易于实现，成本低廉，系统带宽高的优点。

附图说明

图1为一种基于卷积神经网络的自适应光学校正系统的结构示意图。

图2为卷积神经网络模型的工作示意图。

图3为卷积神经网络模型图。

图中：1-波前校正器、2-波前校正器驱动电路、3-主控计算机、4-光路分束器、5-成像透镜、6-焦平面CCD、7-离焦平面CCD。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1，本发明实施例中，一种基于卷积神经网络的自适应光学校正系统，包括波前校正器1、波前校正器驱动电路2、主控计算机3、光路分束器4和成像透镜5，变形镜8在这里的作用是对待校正的畸变波前进行反射，其实际上是属于波前校正器1的一个部件，波前校正器1的一侧位置处设有成像透镜5，经过波前校正器1反射的待校正的畸变波前射入到成像透镜5内，所述成像透镜5的一侧位置设有焦平面CCD6和离焦平面CCD7，顾名思义，焦平面CCD6处在成像透镜5的聚焦位置处，经过成像透镜5的待校正畸变波前经光路分束器4作用分成两路，其中一路畸变波前经聚焦透镜聚焦在焦平面CCD6上，另一路畸变波前经聚焦透镜聚焦在离焦平面CCD7上，所述焦平面CCD6和离焦平面CCD7均与主控计算机3信号连接，主控计算机3用于将得到的对应上述两路的两帧光强作为输入，通过已经训练好的模型直接得到波前校正器1的拟补偿畸变的驱动信号，所述主控计算机3通过波前校正器驱动电路2控制连接波前校正器1，使波前校正器1产生与待校正波前共轭的变形量以校正入射波前的像差。

实施例2

请参阅图2-3，实施例1已经对基于卷积神经网络的自适应光学校正系统进行了详细说明，本实施例主要是对基于卷积神经网络的自适应光学校正方法进行说明，具体的，其方法包括以下步骤：

S1，基于卷积神经网络训练畸变远场光强和波前校正器驱动的卷积神经网络模型，利用该卷积神经网络模型直接根据输入的光强得到波前校正器驱动信号，利用该驱动信号控制波前校正器产生与待校正波前共轭的变形量以校正入射波前的像差；

具体的，该卷积神经网络模型的构建方法包括如下步骤：

(1)利用Zernike系数{a₁,a₂K,a_m}生成符合Kolmogorov湍流谱的随机大气湍流相位畸变，即以正交的Zernike多项式作为展开基函数来表示相位波前，可以表示为：

式中，表示生成的相位，a_i为第i项Zernike多项式的系数，z_i(x,y)为第i项Zernike多项式，根据Kolmogorov湍流理论，可以得到Zernile多项式系数向量：A＝{a₁,a₂,Ka_m}的协方差矩阵C：

式中，D为光斑直径，r₀为大气相干长度，λ是波长，为大气湍流结构常数；

系数矩阵A可由Karhumen-Loeve多项式求得：

C＝VSV^T；

A＝VB；

上式中，S是对角阵，V是Karhumen-Loeve多项式系数，B是相位的系数；

得到A之后，再由式就可得到符合Kolmogorov湍流谱的大气湍流相位。

(2)在平面波透射过湍流相位屏时，会产生入射初始畸变光场U₀(x,y)，光波经变形镜反射后成像于焦平面CCD和离焦平面CCD上，分别得到焦平面和离焦面的光强图像，据此焦平面和离焦面的光强图像可得焦平面光场复振幅U₁(f_x,f_y)和离焦面的光场复振幅U₂(f_x,f_y)；

焦平面光场复振幅U₁(f_x,f_y)通过傅里叶变换得到：U₁(f_x,f_y)＝C₁F(U₀(x,y))；

式中，C₁为复常数，F为傅里叶变换；

离焦面的光场复振幅U₂(f_x,f_y)可以表示为：

U₂(f_x,f_y)＝C₂F(U₀(x,y))exp(-iφ(x,y))；

式中，φ(x,y)为离焦波前,焦平面和离焦面的光强图像矩阵可以通过和得到；

(3)之后，随机生成若干组Zernike系数{a₁,a₂K,a_m}、焦平面和离焦面的光强图像矩阵I₁(x,y)、I₂(x,y)的数据作为样本训练数据；

(4)然后，将Zernike系数{a₁,a₂K,a_m}、I₁(x,y)、I₂(x,y)的数据作为样本输入数据；

(5)接着，构建卷积神经网络模型，如图3所示，卷积神经网络模型的网络层数为八层，各个层的参数汇总如表格1所示，每一层的输出是下一层的输入，第一层和最后一层分别为数据输入层和输出层，具体的，其包括：

第一层是数据输入层，用于接收光强图像，数据输入层的大小为224×224×2，即224×224的二通道图像，其中一个通道是一帧焦平面上的光强亮度图像，另一个通道是一帧离焦面的光强亮度图像；

第二层是Conv1层，这一层的操作包括一次卷积操作、一次池化操作和一次归一化操作，卷积核的大小为11×11，卷积移动步长为4，卷积核数为64，池化方式为最大值池化，池化卷积核的尺寸为3×3，移动步长为2，并且使用ReLU函数为神经元激活函数进行归一化；

第三层是Conv2层，这一层的操作包括一次卷积操作、一次池化操作和一次归一化操作，卷积核的大小为5×5，卷积移动步长为1，边缘填充为1，卷积核数为256，池化方式为最大值池化，池化卷积核的尺寸为3×3，移动步长为2，并且使用ReLU函数为神经元激活函数进行归一化；

第四层是Conv3层，这一层的操作包括一次卷积操作和一次归一化操作，卷积核的大小为3×3，边缘填充为1，卷积核数为384，使用ReLU函数为神经元激活函数进行归一化；

第五层是Conv4层，这一层的操作包括一次卷积操作、一次池化操作和一次归一化操作，卷积核的大小为3×3，边缘填充为1，卷积核数为256，池化方式为最大值池化，池化卷积核的尺寸为3×3，移动步长为2，并且使用ReLU函数为神经元激活函数进行归一化；

第二、三、四和五层，用于提取光强图像局部特征，并缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性；

第六层和第七层均为全连接层，用于将上述提取到的局部特征综合起来

第八层为输出层，使用的激活函数为tanh函数，输出层的大小为M×1，M为波前校正器的驱动单元数或Zernike模式阶数。

表1卷积神经网络模型网络层数汇总表

S2，卷积神经网络模型构建完成后，待校正的畸变波前经波前校正器反射和光路分束后分为两路，分别成像在焦平面CCD和离焦平面CCD上，焦平面CCD和离焦平面CCD将得到的两帧光强图像输入到主控计算机内；

S3，主控计算机根据该两帧光强图像作为输入，利用步骤S1中构建好的卷积神经网络模型得到波前校正器的拟补偿畸变的驱动信号，并将该驱动信号输出给波前校正器；

S4，驱动信号加载到波前校正器的各个驱动上，使波前校正器产生与待校正波前共轭的变形量以校正入射波前的像差，完成待校正波前的校正，此种方式不需要进行波前探测及其相应的重构计算，也不需要进行迭代寻优，系统结构简单易于实现，成本低廉，系统带宽高的优点。

实施例3

在实施例2的基础上，本实施例还在卷积神经网络模型的训练中采用随机梯度下降算法，通过不断降低损失函数的函数值来学习建立后的所述卷积神经网络的参数，具体的：

损失函数表示为：

式中，y_i为真实的Zernike系数，y_predicted_i为预测的Zernike系数。

卷积神经网络模型训练时采用的随机梯度下降法是指每一次迭代中使用所述样本进行学习参数和更新，每一代的学习参数和更新可表示为：

V_i+1＝μV_t-α▽loss(W_i)；

W_t+1＝W_t+V_t+1；

式中，t为迭代的次数，W_t为t时刻的参数，V_t为t时刻的增量，α为学习速率，μ为前一次更新的权重，▽loss(W_i)为损失函数的偏微分。

需要特别说明的是，本技术方案中，利用卷积神经网络模型直接根据输入的光强得到波前校正器驱动信号，该驱动信号控制波前校正器产生与待校正波前相反的变形量以校正入射波前的像差，此为本申请的创新点，其不需要进行波前探测及其相应的重构计算，也不需要进行迭代寻优，系统结构简单易于实现，成本低廉，系统带宽高的优点。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于卷积神经网络的自适应光学校正方法，其特征在于，包括以下步骤：

S1，基于卷积神经网络训练畸变远场光强图像和波前校正器驱动信号的卷积神经网络模型；

S2，卷积神经网络模型构建完成后，待校正的畸变波前经波前校正器反射和光路分束后分为两路，分别成像在焦平面CCD和离焦平面CCD上，焦平面CCD和离焦平面CCD将得到的两帧光强图像输入到主控计算机内；

S3，主控计算机根据该两帧光强图像作为输入，利用步骤S1中构建好的卷积神经网络模型得到波前校正器的拟补偿畸变的驱动信号，并将该驱动信号输出给波前校正器；

S4，波前校正器将驱动信号加载到波前校正器的各个驱动上，使波前校正器产生与待校正波前共轭的变形量以校正入射波前的像差，完成待校正波前的校正。

2.根据权利要求1所述的一种基于卷积神经网络的自适应光学校正方法，其特征在于，步骤S1中卷积神经网络模型的构建方法包括如下步骤：

(1)利用Zernike系数{a₁,a₂K,a_m}生成符合Kolmogorov湍流谱的随机大气湍流相位畸变；

(2)在平面波透射过湍流相位屏时，产生入射初始畸变光场U₀(x,y)，光波经波前校正器反射后成像于焦平面CCD和离焦平面CCD上，分别得到焦平面和离焦面的光强图像，据此焦平面和离焦面的光强图像得焦平面光场复振幅U₁(f_x,f_y)和离焦面的光场复振幅U₂(f_x,f_y)；

焦平面光场复振幅U₁(f_x,f_y)通过傅里叶变换得到：U₁(f_x,f_y)＝C₁F(U₀(x,y))；

式中，C₁为复常数，F为傅里叶变换；

离焦面的光场复振幅U₂(f_x,f_y)为：

式中，为离焦波前,焦平面和离焦面的光强图像矩阵通过和得到；

(3)之后，随机生成若干组Zernike系数{a₁,a₂K,a_m}、焦平面和离焦面的光强图像矩阵I₁(x,y)、I₂(x,y)的数据作为样本训练数据；

(4)然后，将Zernike系数{a₁,a₂K,a_m}、I₁(x,y)、I₂(x,y)的数据作为样本输入数据；

(5)接着，利用样本输入数据输入到卷积神经网络中进行训练，得到卷积神经网络模型。

3.根据权利要求2所述的一种基于卷积神经网络的自适应光学校正方法，其特征在于，所述卷积神经网络模型的网络层数为八层，每一层的输出是下一层的输入，其包括：

第一层是数据输入层，用于接收光强图像，数据输入层的大小为224×224×2，即224×224的二通道图像，其中一个通道是一帧焦平面上的光强亮度图像，另一个通道是一帧离焦面的光强亮度图像；

第二层、第三层、第四层和第五层分别为Conv1层、Conv2层、Conv3层和Conv4层，用于提取光强图像局部特征；

第六层和第七层均为全连接层，用于将上述提取到的局部特征进行综合；

第八层为输出层。

4.根据权利要求2所述的一种基于卷积神经网络的自适应光学校正方法，其特征在于，步骤(5)中，卷积神经网络在训练时采用随机梯度下降算法，通过降低损失函数的函数值来学习建立后的所述卷积神经网络的参数；

损失函数为：

式中，y_i为真实的Zernike系数，y-predicted_i为预测的Zernike系数。

5.一种基于卷积神经网络的自适应光学校正系统，包括波前校正器(1)、波前校正器驱动电路(2)、主控计算机(3)、光路分束器(4)和成像透镜(5)，其特征在于，波前校正器(1)的一侧位置处设有成像透镜(5)，所述成像透镜(5)的一侧位置设有焦平面CCD(6)和离焦平面CCD(7)，经过成像透镜(5)和光路分束器(4)的待校正畸变波前分成两路，其中一路畸变波前经聚焦透镜聚焦在焦平面CCD(6)上，另一路畸变波前经聚焦透镜聚焦在离焦平面CCD(7)上，所述焦平面CCD(6)和离焦平面CCD(7)均与主控计算机(3)信号连接，所述主控计算机(3)通过波前校正器驱动电路(2)控制连接波前校正器(1)。