CN112985308B - 一种局部大面形误差智能补偿干涉检测系统和方法 - Google Patents

Abstract

一种局部大面形误差智能补偿干涉检测系统和方法，包括波面干涉仪、标准镜头、静态补偿器、自适应光学元件和待测面，波面干涉仪装配有标准镜头；标准镜头以及待测面之间依次设置有静态补偿器和自适应光学元件，波面干涉仪连接远场光强数据读取装置，远场光强数据读取装置读取波面干涉仪获取的远场光强图像并输入到控制器；控制器根据远场光强图像预测并输出面形大误差模式像差拟合系数的推测值；自适应光学元件像差控制模块根据待测面的面形大误差模式像差拟合系数的推测值，生成自适应光学元件的驱动信号，驱动自适应光学元件产生补偿像差，实现待测面面形大误差的智能补偿检测。本发明提高了复杂光学面形加工效率。

Description

一种局部大面形误差智能补偿干涉检测系统和方法

技术领域

本发明属于光学面形检测技术领域，特别涉及一种局部大面形误差智能补偿干涉检测系统和方法。

背景技术

光学零件加工一般经历铣磨、研磨、抛光几个阶段，其中研磨阶段是决定整个加工能否高效收敛到高精度的关键。但是研磨加工的确定性远不如抛光加工，特别是复杂光学面形的局部曲率变化使得研磨盘与被加工面很难贴合，容易出现局部误差很大的情形，例如常见的塌边或翘边，以及局部凹坑或突起，对应的误差梯度太大，导致干涉条纹太密甚至不可见，远远超出了探测器的奈奎斯特采样频率，干涉仪无法解析。

也就是说，在研磨加工后期，经常会遇到边缘或局部误差无法解析，甚至无法判断面形误差是高点还是低点的问题，使得无法顺利衔接到后续抛光阶段。要解决这一问题，除了购买红外激光干涉仪等昂贵的专用设备外，目前车间常用的解决办法还是依靠坐标测量来辅助判断，但坐标测量的分辨率和精度都达不到要求，效果很差。或者按照误差高点或低点进行试加工，然后根据加工效果判断，这种“盲抛”方式风险很大，容易造成误加工，导致局部误差变大，加工过程无法继续收敛，需要返工进入光顺工序。

现代光学系统对光学元件的需求迫切要求提高制造效率，以美国国家“点火”装置（National Ignition Facility，NIF）为例，其对光学元件的需求多达上万块，如果NIF装置以3年的建设周期估算，要加工上万块光学元件，每天需要加工10块左右，目前加工能力已经严重滞后。如果针对加工过程中的局部大误差，依然采用传统的“盲抛”方式试加工，将严重影响光学系统的建设进度。因此，局部大误差无法解析问题已经成为制约光学元件和光学系统制造进度的技术瓶颈，提高光学元件和光学系统的制造效率迫切需要实现对加工过程中局部大误差的检测。

干涉仪动态范围有限的原因之一是CCD不能解析过密的条纹，理论上每条干涉条纹（非封闭条纹，如直条纹）至少需要2个以上像素，然而由于噪声等因素，通常需要5~8个像素。基于这个要求，为提高干涉仪动态范围，增大光源波长是另外一种有效手段。因为当被测面形误差一定时，干涉测量的条纹数目与光源的波长成反比，因此长波光源的波面干涉条纹不会太密，可以实现更大面形误差的检测，例如双波长干涉仪或红外干涉仪。但是增大光源波长是以损失灵敏度和精度为代价的。而且波长改变会导致折射率变化，需要更换新的标准镜头、补偿器等光学组件，大大增加了检测时间和成本。美国亚利桑那大学提出了欠采样干涉测量方法，该方法不要求每个条纹周期至少有2个像素，动态测量范围增大到将近100λ，但要求被测面满足二阶导连续等先验性假设，也不适合于局部大误差的测量。

采用特定补偿元件，动态补偿局部大误差区域的像差，使条纹变稀疏是一种很好的思路。但是采用静态补偿器无法实现这个功能，因为此类补偿器都是用来补偿被测面已知的理论本征像差，而局部大误差本质上是一种未知的自由曲面形式的像差，并且随着加工过程不断变化。基于这一点考虑，有人提出在非球面或自由曲面的零位补偿检测光路中插入变形镜作为动态补偿元件，变形镜变形实现加工过程中未知自由曲面形式的大误差补偿，并利用偏折测量技术监控变形镜的面形。但是偏折测量系统本身的校准也很困难，整个干涉测量系统的精度受限于偏折测量系统的精度，并且受驱动器数目限制，变形镜产生像差的模式有限，只适用于低阶的像差形式。

综上所述，在实现局部大误差解析方面，现有的检测方法无法基于商用波面干涉仪实现，检测装置结构复杂、造价高昂，检测分辨率或检测精度较低。当前如何实现光学元件加工过程中动态演变局部大误差的检测已成为制约光学元件超精密制造效率和精度的重要瓶颈。

发明内容

针对现有技术存在的缺陷，本发明提供一种局部大面形误差智能补偿干涉检测系统和方法。通过本发明提供的方案，有望扩大商用干涉仪的检测动态范围，无需购买专用红外干涉仪，实现光学元件研磨、抛光过渡阶段局部大面形误差的检测，提高复杂光学面形加工效率。

为实现上述技术目的，本发明提出的技术方案为：

局部大面形误差智能补偿干涉检测系统，包括波面干涉仪、标准镜头、静态补偿器、自适应光学元件、待测面、远场光强数据读取装置、控制器以及自适应光学元件像差控制模块，所述波面干涉仪装配有标准镜头，标准镜头是平面镜头或球面镜头；波面干涉仪的标准镜头以及待测面之间依次设置有静态补偿器和自适应光学元件，波面干涉仪连接远场光强数据读取装置，远场光强数据读取装置读取波面干涉仪获取的远场光强图像并输入到控制器；控制器根据远场光强图像预测并输出面形大误差模式像差拟合系数的推测值；自适应光学元件像差控制模块根据待测面的面形大误差模式像差拟合系数的推测值，生成自适应光学元件的驱动信号，驱动自适应光学元件产生补偿像差，实现待测面面形大误差的智能补偿检测，得到待测面局部大误差检测结果。

本发明的控制器中加载有预先训练好的机器学习网络，机器学习网络用来根据输入的远场光强图像，输出面形大误差模式像差拟合系数的推测值。本发明的所述机器学习网络是卷积神经网络，可以是Alexnet、LeNet、ResNet或Inception框架结构的卷积神经网络等。机器学习网络的训练方法是，获取训练样本集，训练样本集中的每个训练样本包括面形大误差模式像差拟合系数及其对应的远场光强分布，以面形大误差泽尼克像差拟合系数作为训练样本输出，以对应的远场光强分布作为训练样本输入，对机器学习网络进行训练，得到训练好的机器学习网络。其中训练样本集中的训练样本可以通过仿真得到，在商用光学仿真软件中设置平行光入射到平面上，经平面反射的光经成像透镜聚焦后汇聚到成像透镜上得到远场光强分布；通过随机设置被测面的面形大误差模式像差拟合系数，并读取对应的远场光强分布，得到一系列包括面形大误差模式像差拟合系数及其对应的远场光强分布的训练样本。

进一步地，本发明所述待测面为平面、球面、非球面，柱面或自由曲面，所述待测面的局部误差幅值或梯度过大，使得对应的干涉条纹过于密集，超出波面干涉仪的动态范围。

进一步地，本发明所述波面干涉仪可以是菲索型干涉仪或泰曼-格林型干涉仪。

进一步地，本发明所述自适应光学元件可以是空间光调制器或变形镜。如自适应光学元件采用变形镜，所述自适应光学元件像差控制模块是控制变形镜的高压驱动器。自适应光学元件像差控制模块则可根据实验标定好的模式像差系数-驱动器电压转化矩阵生成变形镜驱动电压信号。如自适应光学元件采用空间光调制器，所述自适应光学元件像差控制模块是控制空间光调制器灰度图的产生模块。自适应光学元件像差控制模块则可将模式像差系数线性组合表示的像差与仿真平面波前产生干涉，生成的干涉条纹灰度图即是自适应光学元件的驱动器信号。

本发明的所述的静态补偿器可以是基于折射原理的透射式补偿器，也可以是基于衍射原理的计算机生成全息片（Computer Generated Hologram, CGH）。

本发明的所述远场光强数据读取装置可以是干涉仪自带的对准功能模块，也可以是由分束镜，聚焦透镜和CCD组合而成的远场光强数据读取装置。

进一步地，还包括重构模块，其中重构模块，基于待测面局部大误差检测结果和光线追迹模型实现待测面局部大误差的面形误差重构，输出待测面局部大误差的面形误差重构结果。具体方法是：在光线追迹模型中设置待测面局部大误差的面形误差模式像差系数为优化变量，以待测面局部大误差检测结果的模式像差系数为优化目标，通过执行优化得到待测面局部大误差的面形误差模式像差系数，即待测面局部大误差的面形误差重构结果。

进一步地，利用本发明的获得的待测面局部大误差的面形误差重构结果还能够获得待测面全口径面形误差结果。具体地，本发明还包括拼接模块，用于将待测面局部大误差的面形误差重构结果与待测面局部区域数据缺失的全口径面形误差结果采用拼接算法进行拼接，即可获得待测面全口径面形误差结果。其中：利用装配有标准镜头波面干涉仪，将静态补偿器设置在波面干涉仪的标准镜头以及待测面之间，波面干涉仪采用静态补偿器对待测面实施检测，即可获得局部区域数据缺失的全口径面形误差结果。

局部大面形误差智能补偿干涉检测方法，包括以下步骤：

S1) 搭建上述任一种局部大面形误差智能补偿干涉检测系统；

S2）根据自适应光学元件的固有误差，控制自适应光学元件产生固有误差的共轭像差，以实现对自适应光学元件自身固有误差的补偿；

S3）使用局部大面形误差智能补偿干涉检测系统中的远场光强数据读取装置读取波面干涉仪采集到的远场光强图像；

S4）将远场光强图像输入到控制器上提前训练好的机器学习网络中，输出面形大误差模式像差拟合系数的推测值；

S5）根据待测面的面形大误差模式像差拟合系数的推测值，使用自适应光学元件像差控制模块生成自适应光学元件的驱动信号，自适应光学元件产生补偿像差，实现待测面面形大误差的智能补偿检测，得到待测面局部大误差检测结果；

S6）基于待测面局部大误差检测结果和光线追迹模型实现待测面局部大误差的面形误差重构，输出待测面局部大误差的面形误差重构结果。

在本发明步骤S6）中，在光线追迹模型中设置待测面局部大误差的面形误差模式像差系数为优化变量，以待测面局部大误差检测结果的模式像差系数为优化目标，通过执行优化得到待测面局部大误差的面形误差模式像差系数，即待测面局部大误差的面形误差重构结果。

进一步地，还包括步骤S7），将待测面局部大误差的面形误差重构结果与待测面局部区域数据缺失的全口径面形误差结果采用拼接算法进行拼接获得待测面全口径面形误差结果。其中局部区域数据缺失的全口径面形误差结果的获取方法是：利用装配有标准镜头波面干涉仪，将静态补偿器设置在波面干涉仪的标准镜头以及待测面之间，波面干涉仪采用静态补偿器对待测面实施检测，即可获得局部区域数据缺失的全口径面形误差结果。

与现有技术相比，本发明的优点在于：

本发明提供一种局部大面形误差智能补偿干涉检测系统和方法，通过将自适应光学元件和机器学习网络引入传统干涉检测，改变传统干涉检测开环的检测形态，基于现有商用干涉仪扩大了干涉检测的动态范围，无需购买专用红外干涉仪，可以实现研磨、抛光过渡阶段大面形误差的检测，对于加快复杂光学面形加工进度具有较为重要的意义。

本发明通过引入机器学习技术实现由远场强度信息快速推理面形大误差组成。在应用层面上显著提升自适应补偿干涉检测的工作性能，充分了利用了机器学习技术高速处理大量数据、快速处理大型非线性回归问题的优势。

本发明基于自适应光学元件补偿相位、待测面局部大误差检测结果和光线追迹模型实现待测面局部大误差的面形误差重构。将待测面局部大误差的面形误差重构结果与待测面局部区域数据缺失的全口径面形误差结果采用拼接算法进行拼接获得全口径面形误差结果。本发明具有实现光学元件加工过程中超干涉仪动态范围局部大面形误差、显著提升干涉仪的动态范围、实现研磨、抛光过渡阶段干涉检测的优点。

附图说明

图1为本发明实施例中提供的局部大面形误差智能补偿干涉检测系统的结构原理图；

图2 为本发明实施例中提供的局部大面形误差智能补偿干涉检测方法的流程图；

图中各标号表示：

1、波面干涉仪；2、标准镜头；3、静态补偿器；4、自适应光学元件；5、待测面；6、远场光强数据读取装置；7、控制器；8、自适应光学元件像差控制模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面将以附图及详细叙述清楚说明本发明所揭示内容的精神，任何所属技术领域技术人员在了解本发明内容的实施例后，当可由本发明内容所教示的技术，加以改变及修饰，其并不脱离本发明内容的精神与范围。本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本实施例中提供的一种局部大面形误差智能补偿干涉检测系统，包括波面干涉仪1、标准镜头2、静态补偿器3、自适应光学元件4、待测面5、远场光强数据读取装置6、控制器7以及自适应光学元件像差控制模块8。所述的待测面5可以是平面、球面、非球面，柱面或自由曲面，所述待测面5局部误差幅值或梯度过大，对应的干涉条纹过于密集，超出波面干涉仪的动态范围。本实施例中待测面5为平面，待测面5口径为61mm，在其中心26mm圆形口径内由于加工误差原因存在峰谷值（Peak-to-Valley，PV）约30λ（λ=632.8nm）的局部大误差。

所述波面干涉仪1装配有标准镜头2，标准镜头2是可以是平面镜头也可以是球面镜头。波面干涉仪1的标准镜头2以及待测面5之间依次设置有静态补偿器3和自适应光学元件4，波面干涉仪1连接远场光强数据读取装置6，远场光强数据读取装置6读取波面干涉仪1获取的远场光强图像并输入到控制器7。控制器7中加载有预先训练好的机器学习网络，机器学习网络用来根据输入的远场光强图像，输出面形大误差模式像差拟合系数的推测值。自适应光学元件像差控制模块8根据待测面5的面形大误差模式像差拟合系数的推测值，生成自适应光学元件4的驱动信号，驱动自适应光学元件4产生补偿像差，实现待测面面形大误差的智能补偿检测，得到待测面局部大误差检测结果。

本实施例中的波面干涉仪1为菲索型干涉仪，4英寸的Zygo GPI。

本实施例中的自适应光学元件3为空间光调制器，本实施例中的自适应光学元件像差控制模块7为控制空间光调制器的灰度图产生模块。自适应光学元件像差控制模块则可将模式像差系数线性组合表示的像差与仿真平面波前产生干涉，生成的干涉条纹灰度图即是自适应光学元件的驱动器信号。

本实施例中的远场光强数据读取装置5为波面干涉仪自带的对准功能模块；

本实施例中的控制器6加载有预先训练好的机器学习网络。本发明的所述机器学习网络是卷积神经网络，可以是Alexnet、LeNet、ResNet或Inception框架结构的卷积神经网络等。具体地，本实施例中的机器学习网络为Inception框架的卷积神经网络。机器学习网络的训练方法是：获取训练样本集，训练样本集中的每个训练样本包括面形大误差模式像差拟合系数及其对应的远场光强分布，以面形大误差泽尼克像差拟合系数作为训练样本输出，以对应的远场光强分布作为训练样本输入，对机器学习网络进行训练，得到训练好的机器学习网络。其中训练样本集中的训练样本可以通过仿真得到，在商用光学仿真软件中设置平行光入射到平面上，经平面反射的光经成像透镜聚焦后汇聚到成像透镜上得到远场光强分布；通过随机设置被测面的面形大误差模式像差拟合系数，并读取对应的远场光强分布，得到一系列包括面形大误差模式像差拟合系数及其对应的远场光强分布的训练样本。

局部大面形误差智能补偿干涉检测系统的检测原理为：

搭建上述实施例中提供的局部大面形误差智能补偿干涉检测系统，校准空间光调制器的固有波前误差，并使用空间光调制器施加固有误差的共轭相位进行自补偿，有利于实现高精度测量。横向移动空间光调制器使其圆形或矩形的工作口径对准被测面的局部大误差区域，条纹大部分不可解析或过密。空间光调制器作为动态补偿元件可以实现已知补偿目标的像差补偿，但补偿局部大误差的关键难题在于局部大误差的像差不可知，即补偿目标是未知的。为了使空间光调制器具备智能推理局部大误差的能力，将机器学习网络应用于局部大误差解析。控制器加载有预先训练好的机器学习网络，机器学习网络用来根据输入的远场光强图像，输出面形大误差模式像差拟合系数的推测值。机器学习网络的训练方法是，获取训练样本集，训练样本集中的每个训练样本包括面形大误差泽尼克像差拟合系数及其对应的远场光强分布，以面形大误差泽尼克像差拟合系数作为训练样本输出，以对应的远场光强分布作为训练样本输入，对机器学习网络进行训练，得到训练好的机器学习网络。然后将实际检测到的面形大误差对应的远场光强分布输入到训练好的机器学习网络中，得到面形大误差泽尼克像差拟合系数的推测值。使用自适应光学元件像差控制模块生成自适应光学元件的驱动信号产生补偿像差，实现待测面面形大误差的智能补偿检测。

在本发明一实施例中，还包括重构模块，其中重构模块，基于待测面局部大误差检测结果和光线追迹模型实现待测面局部大误差的面形误差重构，输出待测面局部大误差的面形误差重构结果。具体方法是：在光线追迹模型中设置待测面局部大误差的面形误差模式像差系数为优化变量，以待测面局部大误差检测结果的模式像差系数为优化目标，通过执行优化得到待测面局部大误差的面形误差模式像差系数，即待测面局部大误差的面形误差重构结果。

利用本发明的获得的待测面局部大误差的面形误差重构结果还能够获得待测面全口径面形误差结果。在本发明一实施例中，还包括拼接模块，用于将待测面局部大误差的面形误差重构结果与待测面局部区域数据缺失的全口径面形误差结果采用拼接算法进行拼接，即可获得待测面全口径面形误差结果。其中：利用装配有标准镜头波面干涉仪，将静态补偿器设置在波面干涉仪的标准镜头以及待测面之间，波面干涉仪采用静态补偿器对待测面实施检测，即可获得局部区域数据缺失的全口径面形误差结果。

本发明一实施例中的待测面4为平面，待测面4口径为61mm，在其中心26mm圆形口径内由于加工误差原因存在峰谷值（Peak-to-Valley，PV）约30λ（λ=632.8nm）的局部大误差。采用本实施例提供一种局部大面形误差智能补偿干涉检测方法进行检测，检测流程如图2所示，包括以下步骤：

S1) 搭建上述实施例中提供的局部大面形误差智能补偿干涉检测系统。

S2）根据自适应光学元件的固有误差，控制自适应光学元件产生固有误差的共轭像差，以实现对自适应光学元件自身固有误差的补偿，有利于实现高精度的检测。

S3）使用局部大面形误差智能补偿干涉检测系统中的远场光强数据读取装置读取波面干涉仪采集到的远场光强图像；

S4）将远场光强图像输入到控制器上提前训练好的机器学习网络中，输出面形大误差模式像差拟合系数的推测值；

S5）根据待测面的面形大误差模式像差拟合系数的推测值，使用自适应光学元件像差控制模块生成自适应光学元件的驱动信号，自适应光学元件产生补偿像差，实现待测面面形大误差的智能补偿检测，得到待测面局部大误差检测结果；

S6）基于待测面局部大误差检测结果和光线追迹模型实现待测面局部大误差的面形误差重构，输出待测面局部大误差的面形误差重构结果。通过在光线追迹模型中设置待测面局部大误差的面形误差模式像差系数为优化变量，以待测面局部大误差检测结果的模式像差系数为优化目标，通过执行优化得到待测面局部大误差的面形误差模式像差系数，即待测面局部大误差的面形误差重构结果。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种局部大面形误差智能补偿干涉检测系统，其特征在于，包括波面干涉仪、标准镜头、静态补偿器、自适应光学元件、待测面、远场光强数据读取装置、控制器以及自适应光学元件像差控制模块，所述波面干涉仪装配有标准镜头，标准镜头是平面镜头或球面镜头；波面干涉仪的标准镜头以及待测面之间依次设置有静态补偿器和自适应光学元件，波面干涉仪连接远场光强数据读取装置，远场光强数据读取装置读取波面干涉仪获取的远场光强图像并输入到控制器；控制器根据远场光强图像预测并输出面形大误差模式像差拟合系数的推测值；自适应光学元件像差控制模块根据待测面的面形大误差模式像差拟合系数的推测值，生成自适应光学元件的驱动信号，驱动自适应光学元件产生补偿像差，实现待测面面形大误差的智能补偿检测，得到待测面局部大误差检测结果，基于待测面局部大误差检测结果和光线追迹模型实现待测面局部大误差的面形误差重构，输出待测面局部大误差的面形误差重构结果，其中控制器中加载有预先训练好的机器学习网络，机器学习网络根据输入的远场光强图像，输出面形大误差模式像差拟合系数的推测值；

其中待测面局部大误差的面形误差重构方法如下：在光线追迹模型中设置待测面局部大误差的面形误差模式像差系数为优化变量，以待测面局部大误差检测结果的模式像差系数为优化目标，通过执行优化得到待测面局部大误差的面形误差模式像差系数，即待测面局部大误差的面形误差重构结果。

2.根据权利要求1所述的局部大面形误差智能补偿干涉检测系统，其特征在于，机器学习网络的训练方法是，获取训练样本集，训练样本集中的每个训练样本包括面形大误差模式像差拟合系数及其对应的远场光强分布，以面形大误差泽尼克像差拟合系数作为训练样本输出，以对应的远场光强分布作为训练样本输入，对机器学习网络进行训练，得到训练好的机器学习网络。

3.根据权利要求2所述的局部大面形误差智能补偿干涉检测系统，其特征在于，所述待测面为平面、球面、非球面，柱面或自由曲面，所述待测面的局部误差幅值或梯度过大，使得对应的干涉条纹过于密集，超出波面干涉仪的动态范围。

4.根据权利要求2所述的局部大面形误差智能补偿干涉检测系统，其特征在于，所述的自适应光学元件是变形镜，所述自适应光学元件像差控制模块是控制变形镜的高压驱动器。

5.根据权利要求2所述的局部大面形误差智能补偿干涉检测系统，其特征在于，所述的自适应光学元件是空间光调制器，所述自适应光学元件像差控制模块是控制空间光调制器灰度图的产生模块。

6.根据权利要求2至5中任一项所述的局部大面形误差智能补偿干涉检测系统，其特征在于，所述的静态补偿器是基于折射原理的透射式补偿器，或者所述的静态补偿器是基于衍射原理的计算机生成全息片。

7.根据权利要求6所述的局部大面形误差智能补偿干涉检测系统，其特征在于，所述远场光强数据读取装置是波面干涉仪自带的对准功能模块，或者所述远场光强数据读取装置是由分束镜，聚焦透镜和CCD组合而成。

8.局部大面形误差智能补偿干涉检测方法，其特征在于：包括以下步骤：

S1)搭建如权利要求1所述的局部大面形误差智能补偿干涉检测系统；

S2)根据自适应光学元件的固有误差，控制自适应光学元件产生固有误差的共轭像差，以实现对自适应光学元件自身固有误差的补偿；

S3)使用局部大面形误差智能补偿干涉检测系统中的远场光强数据读取装置读取波面干涉仪采集到的远场光强图像；

S4)将远场光强图像输入到控制器上提前训练好的机器学习网络中，输出面形大误差模式像差拟合系数的推测值；

S5)根据待测面的面形大误差模式像差拟合系数的推测值，使用自适应光学元件像差控制模块生成自适应光学元件的驱动信号，自适应光学元件产生补偿像差，实现待测面面形大误差的智能补偿检测，得到待测面局部大误差检测结果；

S6)基于待测面局部大误差检测结果和光线追迹模型实现待测面局部大误差的面形误差重构，输出待测面局部大误差的面形误差重构结果。

9.根据权利要求8所述的局部大面形误差智能补偿干涉检测方法，其特征在于：还包括步骤S7)，将待测面局部大误差的面形误差重构结果与待测面局部区域数据缺失的全口径面形误差结果采用拼接算法进行拼接获得待测面全口径面形误差结果，其中利用装配有标准镜头波面干涉仪，将静态补偿器设置在波面干涉仪的标准镜头以及待测面之间，波面干涉仪采用静态补偿器对待测面实施检测，即可获得局部区域数据缺失的全口径面形误差结果。

Images