CN116256793A - 一种基于深度学习的x射线聚焦系统自动调节方法 - Google Patents

Abstract

本发明提供一种基于深度学习的X射线聚焦系统自动调节方法，包括：提供一X射线光学成像系统，其包括X射线聚焦装置、探测器系统、参数调节系统；提供用于获取焦斑质量数据的焦斑质量测定装置与方法和/或光学系统模拟模块；获取最佳焦斑质量，记录对应的参数调节系统的最佳驱动参数；在参数调节系统的参数调节区间内选取多个驱动参数的参数值，分别记录误差参数和探测器的光学图像，作为样本数据；对深度学习计算系统进行训练，基于训练结果对探测器系统当前采集的光学图像进行处理，得到误差参数的估计结果并利用其进行调节，以提高焦斑质量。本发明的方法能够实现较高精度的X射线聚焦系统快速自动化校准，提高焦斑质量。

Description

一种基于深度学习的X射线聚焦系统自动调节方法

技术领域

本发明属于X射线光学聚焦系统的自动调节方法，涉及基于深度学习技术的聚焦系统参数优化方法。

背景技术

深度学习方法是一种数据驱动的有模型的机器学习方法，其基于存在大量参数的神经网络模型，通过对目标函数的最优化求取梯度并采用反向传播计算全模型参数的梯度，进而使用梯度下降方法优化参数来实现对目标信息的学习。深度学习方法目前已广泛应用于现有的工程与科学研究中，可以实现如人脸识别、图像分类、语音识别等技术应用，也在生物、材料、物理、化学等科学领域的研究中被广泛采用。

X射线聚焦系统，主要包括Kirkpatrick-Baez(K-B)反射镜系统、菲涅尔波带片聚焦系统、复合折射透镜(CRL)聚焦系统、劳厄透镜、波导等，被广泛应用于X射线仪、同步辐射、自由电子激光等X射线光源装置的光束聚焦任务。为了达成良好的聚焦状态，X射线聚焦系统需要处于合适的位置与姿态。X射线聚焦系统相对于理想姿态的校准误差，直接关系到光学系统的焦斑质量，进而关系X射线聚焦实验和成像实验的空间分辨率。在实际使用过程中存在复杂的环境变量与光学机制影响，并且通常X射线聚焦光斑极小，难以直接观察焦斑质量的细微变化，因而难以通过固定方法或直接观察调节的办法对聚焦系统进行精细调节，而利用刀口扫描等方法测定并调节焦斑状态较为耗时。

因此，急需一种进行X射线聚焦系统调节的方法，以实现较高精度的X射线聚焦系统快速自动化调节。

发明内容

本发明旨在提供一种基于深度学习的X射线聚焦系统自动调节方法，以实现较高精度的X射线聚焦系统快速自动化校准，提高焦斑质量。

为了实现上述目的，本发明提供一种基于深度学习的X射线聚焦系统自动调节方法，包括：

S1，提供一X射线光学成像系统和深度学习计算系统；所述X射线光学成像系统包括沿X射线光束入射方向设置的X射线聚焦装置和探测器系统、与X射线聚焦装置连接的参数调节系统；

S2，提供一套用于获取焦斑质量数据的焦斑质量测定装置与对应的焦斑质量测定方法和/或光学系统模拟模块；

S3，获取不同的参数调节系统的驱动参数对应的焦斑质量数据，从中选择最佳焦斑质量，记录对应的参数调节系统的最佳驱动参数；

S4，以参数调节系统的最佳驱动参数为中心，设定参数调节系统的参数调节区间；

S5，在参数调节系统的参数调节区间内选取多个驱动参数的参数值，分别记录驱动参数与最佳驱动参数的差、和探测器系统采集到的光学图像，作为样本数据，其中驱动参数与最佳驱动参数的差作为误差参数；

S6，将样本数据进行预处理，以预处理后的样本数据的光学图像作为输入参数，误差参数作为标签，对深度学习计算系统进行训练，以得到X射线聚焦系统参数调节模型；

S7，在使用X射线光学成像系统时，基于X射线聚焦系统参数调节模型对探测器系统当前采集的光学图像进行处理，得到误差参数的估计结果，利用参数调节系统根据误差参数的估计结果进行调节，以提高焦斑质量。

所述X射线聚焦装置设置为接收入射的X射线光束，并产生聚焦后的X射线光束；所述参数调节系统设置为通过改变其驱动参数来对所述X射线聚焦装置的可调节参数进行调节；所述探测器系统设置为接收聚焦后的X射线光束的光学图像。

若步骤S2提供焦斑质量测定装置，则在所述步骤S3中，将焦斑质量测定装置安装于所述X射线光学成像系统中，在调节参数调节系统的驱动参数不同的情况下，分别使用步骤S2的焦斑质量测定装置和焦斑质量测定方法来获取焦斑质量数据；若步骤S2提供光学系统模拟模块，则在所述步骤S3中，利用光学系统模拟模块获取不同的参数调节系统的驱动参数对应的焦斑质量数据；其中，所述光学系统模拟模块设置为根据参数调节系统的驱动参数的值来输出模拟的探测器光学图像，进而获取焦斑质量数据。

步骤S2提供焦斑质量测定装置，在所述步骤S3中，将焦斑质量测定装置安装于所述X射线光学成像系统中之前，还包括：在不需要探测器系统且探测器系统影响焦斑质量测定装置的光路时，将探测器系统移出光路。

在所述步骤S4中，根据光学系统的精度需求与参数调节系统的误差调节精度，以参数调节系统的最佳驱动参数为中心，设定参数调节系统的参数调节区间。

所述X射线光学成像系统还包括设于所述参数调节系统和探测器系统之间的光学图像增强装置，以增加光学图像的特征，所述光学图像增强装置是散射、透射或反射装置。

所述X射线光束入射方向为Y方向，所述光学图像增强装置为散射薄膜，且所述步骤S5还包括：针对每个参数调节系统的驱动参数的参数值，以X射线聚焦装置的焦点为中心分别调节得到不同的散射薄膜的Y方向位置，并在记录探测器系统采集到的光学图像的同时记录散射薄膜的Y方向位置与X射线聚焦装置的焦点的距离，作为样本数据，其中参数调节系统的驱动参数的参数值与最佳驱动参数的差以及散射薄膜的Y方向位置与X射线聚焦装置的焦点的距离均作为误差参数。

在探测器系统采集光学图像时采用延长曝光方法来增强光学图像的特征。

在所述步骤S5之后，步骤S6之前，还包括：利用光学系统模拟模块获取不同的误差参数所对应的光学图像，将彼此对应的光学图像和误差参数作为模拟样本数据；将模拟样本数据进行预处理，以预处理后的模拟样本数据的光学图像作为输入参数，误差参数作为标签，对深度学习计算系统进行预训练；其中，模拟样本数据的预处理所采用的方法与样本数据的预处理所采用的方法相同，且预训练采用的参数与训练所采用的参数相同。

所述深度学习计算系统包括骨干神经网络模型和一个包含全连接层的头网络，所述骨干神经网络模型设置为对光学图像进行特征提取，所述头网络设置为输出误差参数的估计结果。

本发明的基于深度学习的X射线聚焦系统自动调节方法利用神经网络的高适应性优化能力，并采用基于光学图像信息反馈的深度学习方法实现了X射线聚焦系统的自动调节；相比于传统的X射线聚焦系统调节方法，本发明的基于深度学习的X射线聚焦系统自动调节方法不需要人工观察的干预,仅在数据采集阶段需要其他焦斑质量测量方法的辅助，可以实现较高精度的X射线聚焦系统快速自动化调节。

附图说明

图1是本发明的一种基于深度学习的X射线聚焦系统自动调节方法的整体流程图。

图2是本发明一种基于深度学习的X射线聚焦系统自动调节方法的工作原理示意图。

图3是本发明的一种基于深度学习的X射线聚焦系统自动调节方法执行步骤S5后探测器采集的一张光学图像。

图4-图6是本发明的一种基于深度学习的X射线聚焦系统自动调节方法在执行步骤S7后得到的误差参数的估计结果与实际误差的对比折线图，其中图4-图6示出了3次实验结果。

具体实施方式

下面结合附图，给出本发明的较佳实施例，并予以详细描述。

如图1所示本发明所述的一种基于深度学习的X射线聚焦系统自动调节方法，其包括以下步骤：

步骤S1，提供一X射线光学成像系统和深度学习计算系统50；

如图2所示，所述X射线光学成像系统包括但不限于：沿X射线光束入射方向设置的X射线聚焦装置10和探测器系统30、与X射线聚焦装置10连接的参数调节系统20；

所述X射线光学成像系统中涉及的各种方向定义如下：沿X射线光束入射方向为Y方向；水平面内垂直于X射线光束入射方向为X方向；垂直于水平面的竖直向上方向为Z方向。

其中，X射线聚焦装置10设置为接收入射的X射线光束，并产生聚焦后的X射线光束；所述X射线聚焦装置10的至少一种参数为可调节参数。所述X射线聚焦装置的参数包括但不限于X射线聚焦装置的每个光学元件的X坐标、Y坐标、Z坐标、摆角(即面内旋转角度)、投角(即入射倾角)、滚角(即roll角)、曲率、等等。其中，面内为光学元件的透射或反射界面，倾角为光线到光学元件的界面的掠入射角。

所述参数调节系统20设置为通过改变其驱动参数来对所述X射线聚焦装置10的可调节参数进行调节。

所述参数调节系统20包括但不限于：所述X射线聚焦装置的每个光学元件的X方向电机、Y方向电机、Z方向电机、摆角调节电机、投角调节电机、滚角调节电机、和曲率调节装置(如压弯电机)中的至少一种。

对于不同的X射线聚焦装置，参数均有所不同，如菲涅尔波带片就不包含压弯曲率参数，一般包括聚焦元件的三个平移姿态(即X坐标、Y坐标、Z坐标)、三个角度姿态(即摆角、投角、滚角)。由此，可以确定不同光学元件间的相对姿态。

在所述X射线聚焦装置10的光学元件为反射镜时，其压弯电机设置为将反射镜的中心线相对于两侧沿界面法线方向压弯以提供所需曲率。由此，对于沿光路方向(即镜面弯曲方向)，反射镜的形变的大小从两边到中间逐渐降低，对于与光路垂直方向，反射镜的形变的大小一致。

在本实施例中，所述X射线聚焦装置10为KB反射镜，所述参数调节系统20为KB反射镜参数调节系统。

其中，入射的X射线光束为非聚焦硬X射线，其由同步辐射光源发出，通过光源下游的次级狭缝产生次级光源而得到，以入射至KB反射镜。

KB反射镜(Kirkpatrick-Baez反射镜)包含一对互相垂直的反射聚焦镜(包括竖直与水平镜)，其设置为接收由次级狭缝光源产生的入射的X射线光束并产生聚焦后的X射线光束。

在所述X射线聚焦装置10为KB反射镜时，所述X射线聚焦装置10的两个镜子分别有各自的摆角(即面内旋转角度)、投角(即入射倾角)和滚角。以KB反射镜为例，除了每个光学元件的X坐标、Y坐标、Z坐标、倾角角度、曲率这些参数外还有两镜间的相对roll角(即相对滚角)参数，roll角一般为90°，使两镜相互垂直，分别聚焦竖直与水平方向X射线，且其中面内旋转角度误差容忍度较高，一般不需特别调节，不作为可调节参数。因此，KB反射镜的参数调节系统20包括镜面光束入射倾角调节系统、镜面曲率压弯系统；通过改变KB反射镜参数调节系统的驱动参数可以调整反射镜的入射姿态与压弯程度，即对X射线聚焦装置10的可调节参数进行调节。

所述探测器系统30设置为接收聚焦后的X射线光束的光学图像。其中，所述探测器系统30包括一图像探测器，所述图像探测器设置为在移入光路时位于X射线聚焦装置10后方。

在本实施例中，图像探测器为CMOS(Complementary Metal OxideSemiconductor，互补性氧化金属半导体)图像探测器，置于X射线光束的光路上的X射线聚焦装置10的焦点后远场位置。在一些实施例中，图像探测器在移入和移出光路之间可切换。

所述图像探测器接收的光学图像是作为观察结果推测校准误差，即作为神经网络的输入。

在一些实施例中，所述X射线光学成像系统还包括设于参数调节系统20和探测器系统30之间的散射薄膜40，从而采用散射薄膜以增强光学图像的特征，即使得探测器系统30更容易探测到光学图像。在本实施例中，散射薄膜设置于X射线聚焦装置10的焦点，因此散射薄膜40除了增强光学图像的特征还能够提供失焦误差估计项。

在其他实施例中，散射薄膜40可以替换成其他设于所述参数调节系统和探测器系统之间的、用于增加光学图像的特征的光学图像增强装置，该光学图像增强装置可以是散射、透射或反射装置；或者，光学图像增强装置可以省去，改为在探测器系统采集光学图像时采用延长曝光等方法来增强光学图像的特征；又或者，不采用任何光学图像增强装置或方法。

散射薄膜40包括带有颗粒的薄膜，所述薄膜固定于支架样品框内。颗粒的尺寸视焦斑尺寸，可采用纳米或微米颗粒(一般是颗粒的尺寸设置为使得在焦斑范围内能有多个颗粒，对于单位微米尺寸或更小的焦斑一般是纳米颗粒，对于几十微米或更大的焦斑可用微米颗粒)。颗粒的材质具有与空气相比较大的折射率差值，一般来说折射率差值越大越好。所述薄膜可以用沉积等各种工艺加工来得到散射薄膜40，只要将颗粒均匀分布在薄膜上就行。

在本实施例中，颗粒采用500纳米的铜颗粒，薄膜采用光学胶带，相应地，散射薄膜40的制备方法包括以下步骤：

步骤S101，将尺寸为500纳米的铜颗粒均匀撒布在光学胶带上；

步骤S102，将铜颗粒所在的光学胶带粘合并剪下；

步骤S103，将剪下的光学胶带安装在一支架样品框内，并使用粘剂黏合。

步骤S2，提供一套用于获取焦斑质量数据的焦斑质量测定装置与对应的焦斑质量测定方法；和/或提供一套用于获取焦斑质量数据的光学系统模拟模块，光学系统模拟模块设置为根据其模拟对象中的参数调节系统的驱动参数的值来输出模拟的探测器光学图像，进而获取焦斑质量数据；

在本实施例中，焦斑质量数据一般仅指焦斑尺寸，但是在其他实施例中，焦斑质量数据可以包括焦斑内的光强分布，故没有确切指出。这也是本发明的优化对象。

其中，焦斑质量测定装置可以有很多种，如刀口扫描装置、pencil beam、散斑干涉法、哈特曼传感器等等。

在本实施例中，采用最简单常用的刀口扫描装置作为焦斑质量测定装置，刀口扫描方法作为对应的焦斑质量测定方法。

所述刀口扫描装置包括一刀口、一可调节样品台和一荧光探测器。其中，刀口置于X射线聚焦装置10和探测器系统30之间的所述X射线光学成像系统的X射线聚焦装置10的焦点处，与X射线光束入射方向(即Y方向)成45度角放置；荧光探测器相对于刀口沿垂直于X射线光束入射方向的水平方向(即X方向)放置，并使其与刀口所连直线与X射线光束入射方向(即Y方向)垂直，接收刀口发出的荧光。

所述刀口采用一根平直光滑的细铜丝，其安装于支架样品框上。

所述可调节样品台安装于所述刀口的底部，包括从上至下依次安放在一起的一X方向电机、一Y方向电机和一Z方向电机。

所述荧光探测器可以和探测器系统30同时设置在光路中，因为它是相对于刀口设在光路侧面，探测的是散射荧光；对于刀口扫描法，虽然没有用到探测器系统30，但也不需要将探测器系统30移出光路，探测器系统30的位置不影响刀口扫描方法。而在下文步骤S3确定最佳驱动参数的时候，是否将探测器系统30移出光路取决于焦斑质量测定装置是否需要探测器系统30、探测器系统30是否影响焦斑质量测定装置的光路。

刀口扫描方法的步骤包括：

步骤S201，将其中一个垂直于X射线光束入射方向的方向(包括X和Z方向)作为待测方向，控制所述刀口沿待测方向移动，使得荧光探测器的示数从零附近升高，记录示数开始升高时所对应的位置，此即为切光位置；

步骤S202，将刀口从切光位置沿待测方向回退一固定距离；

步骤S203，从刀口的当前所在位置开始沿待测方向扫描，扫描过程中记录每个刀口位置与对应的荧光探测器的示数，至荧光探测器的示数不再升高后，刀口在继续移动一固定距离后停止；

其中，固定距离一般是为切光范围(刀口移开时透过的光会增加，表现为示数上升，直到完全移开，示数回归平稳，示数上升范围即为切光范围)留出一定余裕，一般为切光范围的1/10。

步骤S204，将扫描得到的刀口移动距离-荧光探测器示数曲线中曲线倾斜部分截出并求导，获得对应导数曲线；

步骤S205，对所得导数曲线进行高斯拟合，计算拟合结果的半高宽，此即为所测方向的焦斑尺寸。

由于刀口是一个面，刀口移动时是整个焦斑面逐渐暴露出来，因此最终计算的是光斑平均直径。

其中，由于刀口与X射线光束入射方向成45度角放置，因此若待测方向为X方向，则将X方向测得的焦斑尺寸除以2作为最终的焦斑尺寸，并作为焦斑质量数据。这仅仅是本具体实施例的特殊情况。

光学系统模拟模块可以采用目前已有的成熟的模拟解决方法(如OASYS)，也可以自己根据目前成熟的模拟原理自行编写程序。光学系统模拟模块的模拟对象与现实成像系统难以完全一致，没有万全的保证方法。光学系统模拟模块的模拟对象包括X射线光学成像系统，其模拟对象中的参数调节系统20可调，设置根据其模拟对象中的参数调节系统20的驱动参数来得到模拟的探测器光学图像，该模拟的探测器光学图像就是理论上X射线光学成像系统的探测器系统应接收的探测器光学图像。对于光学系统模拟模块，参数调节系统20的驱动参数应是准确无误的，光学系统模拟模块故可以提供关于参数调节系统20的驱动参数的准确标签。

需要说明的是，步骤S2的焦斑质量测定装置和光学系统模拟模块仅通过提供焦斑质量数据来用于初始标定，标定结果经过优化最终用于给神经网络的训练提供作为标签的参数调节系统20的最佳参数，与探测器系统30实际接收的光学图像并无关系。

步骤S3，进行初步标定，包括：若步骤S2提供焦斑质量测定装置，则将焦斑质量测定装置安装于所述X射线光学成像系统中，在调节参数调节系统20的驱动参数不同的情况下，分别使用步骤S2的焦斑质量测定装置和焦斑质量测定方法来获取焦斑质量数据，从中选择最佳焦斑质量，记录对应的参数调节系统20的最佳驱动参数；若步骤S2提供光学系统模拟模块，则利用光学系统模拟模块获取不同的参数调节系统20的驱动参数对应的焦斑质量数据，从中选择最佳焦斑质量，记录对应的参数调节系统20的最佳驱动参数；

其中，在将焦斑质量测定装置安装于所述X射线光学成像系统中之前，还可以包括：在不需要探测器系统30且探测器系统30影响焦斑质量测定装置的光路时，将探测器系统30移出光路。具体是否将探测器系统30移出光路取决于焦斑质量测定装置是否需要探测器系统30、探测器系统30是否影响焦斑质量测定装置的光路。

参数调节系统20的被优化至最佳驱动参数的参数类型可以包括参数调节系统20中的所有驱动参数的参数类型，也可以仅包含与调节者关心的X射线聚焦装置10的可调节参数相关的部分参数调节系统20的驱动参数的参数类型。需要说明的是，反射镜参数调节系统20的驱动参数在实验前已经调至最佳参数附近。

在本实施例中，由于步骤S2提供焦斑质量测定装置且该焦斑质量测定装置为刀口扫描装置，因此，所述步骤S3具体包括：

步骤S301，放置所述刀口扫描装置，利用可调样品台调节刀口在沿X射线光束入射方向(即Y方向)的位置，利用刀口扫描方法测量不同位置处的焦斑尺寸，从而确定光斑尺寸最小时对应的刀口位置，此时的刀口位置为X射线聚焦装置10的焦点；

步骤S302，将刀口置于X射线聚焦装置10的焦点，依序调节参数调节系统20的驱动参数，在调节参数调节系统20的驱动参数不同的情况下，分别使用刀口扫描装置和刀口扫描方法来获取焦斑尺寸，从中选择最小焦斑尺寸，记录对应的参数调节系统20的最佳驱动参数。

在本实施例中，所述X射线聚焦装置10为KB反射镜，参数调节系统20的被优化至最佳驱动参数的参数类型包括互相垂直的反射聚焦镜的每一个的镜面光束入射倾角调节系统的参数、镜面曲率压弯系统的参数，从而优化X射线聚焦装置10的每一个反射聚焦镜的投角与曲率。其中，由于竖直镜与水平镜分别负责相互垂直方向的聚焦，所以可以分别对竖直与水平镜的位姿参数采用网格状搜索。

参数调节系统20也可以包括其他类型的驱动参数，但在本实施例中，优化至最佳驱动参数的参数类型仅仅为每一个反射聚焦镜的镜面光束入射倾角调节系统的参数、镜面曲率压弯系统的参数，并未优化反射聚焦镜的其他参数。除了镜子参数外，本实施例中，由于还采用了散射薄膜，因此，对失焦误差进行了优化，失焦误差即散射薄膜的Y方向位置与X射线聚焦装置10的焦点之间的距离。

步骤S4，以参数调节系统20的最佳驱动参数为中心，设定参数调节系统20的参数调节区间；

在所述步骤S4中，根据光学系统的精度需求与参数调节系统20的误差调节精度，以参数调节系统20的最佳驱动参数为中心，设定参数调节系统20的参数调节区间。

其中，参数调节系统20的参数调节范围视具体需要，一般可设为参数调节系统20的误差调节精度的20倍左右，进而确定以参数调节系统20的最佳驱动参数为中心的参数调节系统20的参数调节区间。误差调节精度一般即为N，视情况(如可以准确调节的精度可能略大于N)与需求可以稍作改变。

不同的X射线聚焦系统、不同的光束线有不同的上下限需求。对于以焦斑尺寸为主要优化目标的系统而言，区间主要根据目标焦斑尺寸而定，对于某一参数，一般采用在假设其他参数是准确的情况下，理论计算(一般用相干光或几何光学的假设)得到焦斑尺寸扩大为目标焦斑尺寸的1.1倍(即扩大了10％)下的最大参数误差(设为N)为误差容忍度上下限(即为±N)，因此，根据光学系统的精度需求，参数调节系统20的参数调节范围通常为焦斑尺寸至多为目标焦斑尺寸的1.1倍时所对应的参数调节系统20的参数调节范围，以此确定参数调节系统20的参数调节区间。

因此，最终的参数调节系统20的参数调节范围可以是参数调节系统20的误差调节精度的20倍和焦斑尺寸至多为目标焦斑尺寸的1.1倍时所对应的参数调节系统20的参数调节范围中的最小值、最大值或者平均值，并以此确定参数调节系统20的参数调节区间。

步骤S5，在参数调节系统20的参数调节区间内选取多个参数调节系统20的驱动参数的参数值，分别记录参数调节系统20的驱动参数与最佳驱动参数的差、和探测器系统30采集到的光学图像，作为样本数据，其中参数调节系统20的驱动参数与最佳驱动参数的差作为误差参数；

步骤S5采集到的其中一个光学图像如图3所示。

其中，选取的参数值的数量要足够多，甚至可以遍历参数调节系统20的驱动参数的参数值，以获取足量样本数据。

在所述X射线光学成像系统包括散射薄膜40时，所述步骤S5还包括：针对每个参数调节系统20的驱动参数的参数值，以X射线聚焦装置10的焦点为中心分别调节得到不同的散射薄膜的Y方向位置，并在记录探测器系统30采集到的光学图像的同时记录散射薄膜的Y方向位置与X射线聚焦装置10的焦点的距离，作为样本数据，其中参数调节系统20的驱动参数的参数值与最佳驱动参数的差以及散射薄膜的Y方向位置与X射线聚焦装置10的焦点的距离(即失焦误差)均作为误差参数。

在本实施例中，所述步骤S5具有包括：

步骤S501：取下刀口，将散射薄膜放置于焦点处；

步骤S502：在X射线聚焦装置参数调节系统20的参数调节区间内通过依序调节的方式遍历参数调节系统20的驱动参数的参数值和散射薄膜的Y方向位置，分别记录参数调节系统20的驱动参数的参数值与最佳驱动参数的差、散射薄膜的Y方向位置与X射线聚焦装置10的焦点的距离、和探测器系统30采集到的光学图像，作为样本数据。

其中，散射薄膜在不同Y方向位置对应不同的失焦误差。

步骤S6，将步骤S5记录的样本数据进行预处理，以预处理后的样本数据的光学图像作为输入参数，误差参数作为标签，对深度学习计算系统50进行训练，以得到X射线聚焦系统参数调节模型；所述深度学习计算系统50包括骨干神经网络模型和一个包含全连接层的头网络，骨干神经网络模型设置为对光学图像进行特征提取，所述头网络设置为输出误差参数的估计结果；

其中，一般采用表现好的图像分类领域的神经网络模型作为骨干神经网络模型，其中，可采用在计算系统计算能力内的目前在图像分类领域表现最佳的神经网络模型作为骨干神经网络模型。骨干神经网络模型的输入参数为探测器系统30采集到的光学图像，输出是图像特征。头网络的输入是骨干神经网络模型输出的图像特征，头网络的输出为误差参数的估计结果，存在多少需要估计的误差参数，即设置多少数量的输出参数。

在本实施例中，所采用的深度学习计算系统50为：骨干神经网络模型为Resnet网络模型，头网络由DO层(Dropout layer，丢弃层)、全连接层组成。其中，DO层通过随机丢弃部分特征防止神经网络在训练过程中过拟合；全连接层将骨干网络提取出来的特征转化为反射镜的误差参数的估计结果。

其中，可采取的预处理包括但不限于：将X射线聚焦装置的参数调节系统20的误差参数分别归一化、将光学图像剪切以去除背景并重采样至合适的图像尺寸。在所述X射线光学成像系统包括散射薄膜40时，预处理还包括：将散射薄膜40对应的误差参数(即失焦误差)归一化。

合适的图像尺寸视实施者所具备的算力、探测器像素数、精度需求等决定。对于神经网络，其最初图像输入尺寸一般统一在224×224像素，但随着时间推移，算力提升，对高清图像的输入逐渐纳入研究，图像尺寸也在不断增大；一般越高清的图像包含特征越多，训练结果精度越高，但训练需要的时间越长，需要使用的网络规模越大；目前图像像素一般在1024×1024以下，即使“高清”，也是在500×500左右即可；图像需要包含光强特征，特征越明显越好。在本实施例中，重采样至500×500的图像尺寸。

在进行训练时，训练采用Adam优化方法(一种优化后的随机梯度下降方法)，训练采用batch尺寸为10，学习率为10^-4，每经过一个epoch学习率下降为原来的0.98，共训练80个epochs。并在训练过程中记录在验证集上表现最好的深度学习计算系统50的参数。

在所述步骤S5之后，步骤S6之前，还可以包括：利用光学系统模拟模块获取不同的误差参数所对应的光学图像，将彼此对应的光学图像和误差参数作为模拟样本数据；

将模拟样本数据进行预处理，以预处理后的模拟样本数据的光学图像作为输入参数，误差参数作为标签，对深度学习计算系统50进行预训练；

其中，模拟样本数据的预处理方法与上文的样本数据的预处理方法相同，且预训练采用的参数与训练所采用的参数相同。

实验采集的数据量有限，预训练可以使用大量的模拟数据训练网络的特征提取与参数拟合能力，再结合实验数据进行训练，可以提高收敛速度。在模拟够精确的情况下，可以提高估计精度。

步骤S7，在使用X射线光学成像系统时，基于X射线聚焦系统参数调节模型对探测器系统30当前采集的光学图像进行处理，得到误差参数的估计结果，利用参数调节系统20根据误差参数的估计结果进行调节，以提高焦斑质量。

在本实施例中，误差参数包括：反射镜的位姿校准误差(即X射线聚焦装置10为KB反射镜时参数调节系统20的驱动参数的参数值与最佳驱动参数的差)以及散射薄膜所在样品架的失焦误差(散射薄膜的Y方向位置与X射线聚焦装置10的焦点之间的距离)。

如图4-6所示三次不同实验下反射镜位姿估计模型所获得的估计结果，其中，参数编号1为竖直镜的入射角误差、2为水平镜的入射角误差、3为竖直镜的曲率误差、4为水平镜的曲率误差、5为两镜间的间距误差、6为散射薄膜位置的失焦误差。

以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。凡是依据本发明申请的权利要求书和说明书内容所做的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽叙述的均为常规技术内容。

Claims (10)

1.一种基于深度学习的X射线聚焦系统自动调节方法，其特征在于，包括：

步骤S1，提供一X射线光学成像系统和深度学习计算系统；所述X射线光学成像系统包括沿X射线光束入射方向设置的X射线聚焦装置和探测器系统、与X射线聚焦装置连接的参数调节系统；

步骤S2，提供一套用于获取焦斑质量数据的焦斑质量测定装置与对应的焦斑质量测定方法和/或光学系统模拟模块；

步骤S3，获取不同的参数调节系统的驱动参数对应的焦斑质量数据，从中选择最佳焦斑质量，记录对应的参数调节系统的最佳驱动参数；

步骤S4，以参数调节系统的最佳驱动参数为中心，设定参数调节系统的参数调节区间；

步骤S5，在参数调节系统的参数调节区间内选取多个驱动参数的参数值，分别记录驱动参数与最佳驱动参数的差、和探测器系统采集到的光学图像，作为样本数据，其中驱动参数与最佳驱动参数的差作为误差参数；

步骤S6，将样本数据进行预处理，以预处理后的样本数据的光学图像作为输入参数，误差参数作为标签，对深度学习计算系统进行训练，以得到X射线聚焦系统参数调节模型；

步骤S7，在使用X射线光学成像系统时，基于X射线聚焦系统参数调节模型对探测器系统当前采集的光学图像进行处理，得到误差参数的估计结果，利用参数调节系统根据误差参数的估计结果进行调节，以提高焦斑质量。

2.根据权利要求1所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，所述X射线聚焦装置设置为接收入射的X射线光束，并产生聚焦后的X射线光束；

所述参数调节系统设置为通过改变其驱动参数来对所述X射线聚焦装置的可调节参数进行调节；

所述探测器系统设置为接收聚焦后的X射线光束的光学图像。

3.根据权利要求1所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，若步骤S2提供焦斑质量测定装置，则在所述步骤S3中，将焦斑质量测定装置安装于所述X射线光学成像系统中，在调节参数调节系统的驱动参数不同的情况下，分别使用步骤S2的焦斑质量测定装置和焦斑质量测定方法来获取焦斑质量数据；若步骤S2提供光学系统模拟模块，则在所述步骤S3中，利用光学系统模拟模块获取不同的参数调节系统的驱动参数对应的焦斑质量数据；

其中，所述光学系统模拟模块设置为根据参数调节系统的驱动参数的值来输出模拟的探测器光学图像，进而获取焦斑质量数据。

4.根据权利要求3所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，步骤S2提供焦斑质量测定装置，在所述步骤S3中，将焦斑质量测定装置安装于所述X射线光学成像系统中之前，还包括：在不需要探测器系统且探测器系统影响焦斑质量测定装置的光路时，将探测器系统移出光路。

5.根据权利要求1所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，在所述步骤S4中，根据光学系统的精度需求与参数调节系统的误差调节精度，以参数调节系统的最佳驱动参数为中心，设定参数调节系统的参数调节区间。

6.根据权利要求1所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，所述X射线光学成像系统还包括设于所述参数调节系统和探测器系统之间的光学图像增强装置，以增加光学图像的特征，所述光学图像增强装置是散射、透射或反射装置。

7.根据权利要求6所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，所述X射线光束入射方向为Y方向，所述光学图像增强装置为散射薄膜，且所述步骤S5还包括：针对每个参数调节系统的驱动参数的参数值，以X射线聚焦装置的焦点为中心分别调节得到不同的散射薄膜的Y方向位置，并在记录探测器系统采集到的光学图像的同时记录散射薄膜的Y方向位置与X射线聚焦装置的焦点的距离，作为样本数据，其中参数调节系统的驱动参数的参数值与最佳驱动参数的差以及散射薄膜的Y方向位置与X射线聚焦装置的焦点的距离均作为误差参数。

8.根据权利要求1所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，在探测器系统采集光学图像时采用延长曝光方法来增强光学图像的特征。

9.根据权利要求1所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，在所述步骤S5之后，步骤S6之前，还包括：利用光学系统模拟模块获取不同的误差参数所对应的光学图像，将彼此对应的光学图像和误差参数作为模拟样本数据；

将模拟样本数据进行预处理，以预处理后的模拟样本数据的光学图像作为输入参数，误差参数作为标签，对深度学习计算系统进行预训练；其中，模拟样本数据的预处理所采用的方法与样本数据的预处理所采用的方法相同，且预训练采用的参数与训练所采用的参数相同。

10.根据权利要求1所述的基于深度学习的X射线聚焦系统自动调节方法，其特征在于，所述深度学习计算系统包括骨干神经网络模型和一个包含全连接层的头网络，所述骨干神经网络模型设置为对光学图像进行特征提取，所述头网络设置为输出误差参数的估计结果。

Images