本发明涉及一种基于cnn的全孔径平移和倾斜误差同步高精度检测方法，用于多子镜拼接成像系统共相误差的测量与校正，属于光电测量。
背景技术：
1、光学望远镜扮演着人类深入探索太空、洞悉宇宙奥秘不可或缺的角色。在高分辨成像望远镜设计领域，拼接镜的出现标志着一项重大突破。这一突破采用由多路分离子镜组成的拼接镜阵列，取代传统的单一口径主镜，实现了与大口径望远镜系统相媲美的高分辨率成像性能。为了达到与单一镜片相当的空间分辨率，各子镜之间进行共相拼接，以接近衍射极限成像。在拼接镜实现良好成像性能的过程中，平移和倾斜误差的测量显得尤为关键。拼接镜系统的精密调相要求波前均方根误差小于λ/40rms(root mean square)。对于共相误差的检测，各领域都展开了深入研究，并提出了多种检测方法。
2、在keck望远镜中，采用宽带夏克-哈特曼方法，测量在±10λ范围内的平移误差，将其粗略测定至±λ/4以内。随后，窄带夏克-哈特曼方法用于获取整个瞳面内的平移误差，其精度可达λ/40rms。这两种方法需要在出瞳面设置微透镜，增加了系统的复杂度和难度。james webb space telescope(jwst)采用分散条纹传感器(dfs)技术，可在±100μm至±1μm的范围内粗略定位平移误差，其精度为25nm。为了更精确的定相，jwst还借助相位恢复法(pr)，其精度可达λ/100，但受限于2π不定性，测量范围仅限于±λ/4。gran telescopiocanarias(gtc)则采用迈克尔逊干涉检测法，可检测平移误差范围为30μm，不确定度为5nm。该方法仅适用于地面应用，无法用于空间拼接主镜光学系统的平移误差检测。2018年，法国宇航局提出了pistil干涉仪法，其检测平移误差的精度可达λ/200rms，倾斜误差的精度为40μrad，然而该方法在衍射元件的设计和制造方面存在关键和难点。
3、随着深度学习的进步，卷积神经网络已经成功地应用于拼接式望远镜的相位定位中，其硬件要求简便且检测效率高，因而成为一种崭新的趋势。在2018年，dailo等研究人员运用卷积神经网络实现了在点目标场景下的平移误差检测，大范围检测网络的捕获范围达到了±11λ(λ＝700nm)。小范围检测网络的捕获范围为(0，λ)，检测精度达±0.0087λrms，但需手动截取图像作为数据集样本。2019年，长春光机所的李德全等研究人员在dailo的基础上进一步探讨了卷积神经网络在扩展目标的平移误差检测方面，其探测范围为±10λ，然而仅能实现系统的粗略共相，将piston定位至1λ内，该方法依赖于扩展的光源，并且尚未证明在大气条件下有效。2020年，北京理工大学的惠梅等研究人员通过增加卷积神经网络的层数，以较少的训练样本实现了六子镜系统平移误差检测，假设提前校正了倾斜误差，探测范围为±λ，平移误差实际值和预测值之间的平均均方根误差约为0.06λrms，检测精度受被测镜与参考镜之间距离影响。中国科学院大学的马霞飞等研究人员利用单个深度卷积神经网络实现了对稀疏孔径系统平移误差的探测，捕获范围为10λ，在100nm的宽带的情况下，三孔径成像系统的平均rmse为12nm，六孔径成像系统为32nm的检测精度，可以看出检测精度随孔径数量增多而下降。2021年，西北工业大学的唐菊等研究人员则应用深度卷积神经网络在稀疏孔径系统中检测倾斜误差，其检测范围为±2λ，精度为λ/10rms，没有讨论平移误差的影响。2023年华东交通大学李斌等人利用卷积神经网络进行两波长共相检测平移误差，检测范围为±10.5μm，分类网络准确率大于99.9％，回归网络rms值为9.8nm，但仅测试了两子镜系统。
4、针对目前深度学习图像检测方法在共相位误差检测中精度随子镜数量增多而下降、平移和倾斜误差检测相互影响的问题，且大于六子镜全孔径内的共相误差同步检测方法还没有看到报道，提出一种无需迭代计算、不依靠复杂硬件设备，高精度同步检测全孔径内平移和倾斜误差的方法。
技术实现思路
1、为了克服现有方法的局限性，本发明的目的是提供一种基于cnn的全孔径平移和倾斜误差同步高精度检测方法，该方法通过建立随机加载平移和倾斜误差的n块子镜拼接成像模型，使用该模型随机加载平移和倾斜值到n-1块被测子镜上，经过非冗余排布的光阑孔成像得到焦平面的点扩散函数(point spread function,psf)图像，通过非冗余排布的光阑孔将拼接子镜的波面离散化，使得psf图像中的平移和倾斜误差特征更清晰和显著。对psf图像进行傅里叶变换得到光学传递函数(optical transfer function，otf)，从而有效解耦psf图像中多个子镜混叠的影响，使检测精度在子镜数量变化的情况下仍然保持稳定。对otf求取相位进而得到具有n-1对旁瓣的相位传递函数(phase transfer function，ptf)图像。在ptf图像中，平移和倾斜误差特征被有效解耦，ptf作为网络训练数据集使得cnn更专注于每个误差源的独立学习，有助于降低网络对于复杂误差交叉影响的敏感度。清晰而简单的映射关系，提高网络训练效率，减少学习过程中的复杂性，同时提高多子镜光学成像模型的解释性，完成训练的同步检测cnn能够实现全孔径内平移和倾斜误差的高精度同时测量。本发明还具有无需迭代计算、不依靠硬件设备的优点。
2、本发明的目的是通过下述技术方案实现的：
3、本发明公开的基于cnn的全孔径平移和倾斜误差同步高精度检测方法，包括如下步骤：
4、步骤一、建立随机加载平移和倾斜误差的多子镜光学成像模型，以获取ptf图像。所述多子镜光学成像模型基于点目标成像，包括望远镜次境、参考子镜、被测子镜、准直透镜、光阑孔、聚焦透镜、探测器。光源发出的光照射到参考子镜，称为参考光束；照射到被测子镜，称为检测光束；参考光束和检测光束经望远镜次镜反射后通过准直透镜成为平行光，经过光阑上的离散圆孔，通过聚焦透镜发生干涉-衍射现象成像在探测器上，形成点扩散函数psf图像。非冗余排布的光阑孔将拼接子镜的波面离散化，使得psfn(x,y)的平移和倾斜误差特征更清晰。由傅里叶光学知，单色光条件下，所述n块子镜拼接系统点扩散函数psfn(x,y)为：
5、
6、其中，(x,y)为像面坐标，λ是单色光波长，d是圆孔光阑直径，f是系统焦距；定义(x0,y0)为瞳面坐标，p是被测子镜与参考子镜之间的轴向距离，即为所求平移误差(piston)，是被测子镜的法线与y0轴之间的夹角，是被测子镜的法线与x0轴之间的夹角，所述两种夹角即为所求倾斜误差(tip和tilt)，psfsub(x,y)为：
7、
8、其中，j1(·)为一阶贝塞尔函数。
9、通过对psf进行傅里叶变换得到光学传递函数otf，解耦psf图像中多个子镜混叠的影响。所述n块子镜系统光学传递函数otfn(fx,fy)为：
10、
11、其中，(fx,fy)为像面空间频率域坐标，为卷积操作符，otfsub(fx,fy)表示直径为d的单个圆形孔径在无相位误差情况下系统衍射受限时的otf。上式表示otf包括两部分：第一项为主峰部分，由n个光阑孔分别为单孔系统时衍射受限的otf叠加而成；另一项是旁瓣部分，由两两光阑孔发生干涉而产生，旁瓣沿两两子光阑孔基线方向对称分布于主峰两侧，包含两个光阑孔对应的两个子镜所携带的平移和倾斜误差信息。由公式(3)可知，两两旁瓣沿基线方向关于主峰对称，所含共相位误差信息相同，可选取任意一个旁瓣作为对象研究两块子镜的共相误差。多子镜拼接成像系统中的参考子镜不携带平移和倾斜误差，因此参考子镜和被测子镜所形成的旁瓣仅包含被测子镜的共相误差，通过掩膜(mask)选取参考子镜和n-1个被测子镜产生的n-1个旁瓣，即可得到不同被测子镜携带的平移和倾斜误差。
12、对otf旁瓣求取相位解耦平移和倾斜误差特征，得到相位传递函数ptf图像作为检测被测子镜共相误差cnn的数据集。所述ptfn(fx,fy)为：
13、
14、由公式(4)可知，平移和倾斜误差与ptf之间具有清晰而独立的映射关系，ptf中包含成功解耦的平移和倾斜误差，ptf整体的强度分布随平移误差的改变而发生变化，在fx、fy两个方向上的分布随倾斜误差的改变发生变化，这种关系使得同时检测平移和倾斜误差的cnn更专注于每个误差源的独立学习，有助于降低网络对于复杂误差交叉影响的敏感度，且提高网络训练效率和解释性。
15、步骤二、构建用于同时检测平移和倾斜误差的cnn。所述cnn的输入是ptf图像的像素矩阵、输出分别是平移和倾斜误差值。网络结构部分包括深度可分离卷积部分、残差连接部分、通道注意力部分和全连接部分。深度可分离卷积部分包含两个层，conv1是第一个深度可分离卷积层，卷积核的大小为(3,3)。conv2是第二个深度可分离卷积层，卷积核的大小同样为(3,3)，conv2的输入是conv1的输出。通过两个深度可分离卷积层，有效利用小尺寸卷积核的优势，在保持感受野的同时提高网络的深度，有效捕捉ptf图像中的关键特征。为了减小尺寸，conv2后接有一个最大池化层。残差连接部分包含两个深度可分离卷积层。第一个深度可分离卷积层residual1包含一个使用(1,1)大小的卷积核进行的卷积操作，步长为(2,2)，降低残差的尺寸。第二个深度可分离卷积层residual2包含一个使用(3,3)大小的卷积核进行的卷积操作。最后，将conv2和residual相加而得到conv3。引入残差连接有助于传播梯度，减少ptf数据集中平移和倾斜误差的复杂交叉影响。每个卷积层后接有批量归一化层，用于在训练过程中加速收敛并提高模型的稳定性。通道注意力部分通过全局平均池化、全连接和sigmoid操作，为卷积层conv3的每个通道分配权重，通过逐元素相乘，将这些权重应用于卷积层conv3的每个通道，使得网络能够自适应地调整对每个通道的关注程度，提高网络对输入数据的表达能力和对两个误差源的独立学习能力。全连接部分通过一个全连接层接收经过通道注意力部分处理的特征表示作为输入，学习更高级的特征表示，并输出一组节点。进一步整合高级特征，并输出两个节点，映射到平移和倾斜误差值的预测上。
16、步骤三、使用步骤一构建的ptf数据集训练步骤二构建的同时检测平移和倾斜误差的cnn。n块子镜的拼接系统有n-1个被测子镜，需要使用被测子镜对应的n-1个ptf数据集分别训练同时检测平移和倾斜误差的cnn。在训练过程中，采用均方误差mse作为损失函数，adam优化器用于cnn的优化。训练完成的cnn能够实现同时高精度预测平移和倾斜误差。其中，所述网络系统具备mask筛选功能，接受来自n子镜系统生成的完整ptf。n-1个网络通过应用mask，选择ptf中对应不同被测子镜的旁瓣，以确保每个网络与相应的旁瓣相匹配，得到训练好的n-1个同时检测平移和倾斜误差的cnn。
17、步骤四、将待测拼接式望远镜系统的ptf图像输入到步骤三训练好的n-1个同时检测平移和倾斜误差的cnn中，会同步得到全孔径内平移和倾斜误差的预测结果，即实现全孔径内平移和倾斜误差的同步高精度检测。
18、有益效果：
19、1、本发明公开的基于cnn的拼接镜全孔径平移和倾斜误差同步高精度检测方法，利用卷积神经网络(cnn)来检测拼接望远镜系统中的平移和倾斜误差，使得拼接望远镜系统在成像过程中能够更准确地纠正这些误差，提高系统的调相精度，避免传统微透镜设置所需的复杂光学元件，简化光学系统。本发明通过降低硬件要求和简化系统结构提升实用性，适用于更广泛的应用场景，同时能够减轻使用者的操作和维护负担。
20、2、本发明公开的基于cnn的拼接镜全孔径平移和倾斜误差同步高精度检测方法，使用非冗余排布的光阑孔进行成像，利用非冗余排布的光阑孔，将拼接子镜的波面离散化，使得psf图像中的平移和倾斜误差特征更清晰和显著。这项改进提高psf图像的分辨率，增强误差特征的清晰度，有助于更准确地解析平移和倾斜误差。
21、3、本发明公开的基于cnn的拼接镜全孔径平移和倾斜误差同步高精度检测方法，采用相位传递函数ptf作为网络训练的数据集。不同于常见的空间域psf图片，频率域ptf图片平移和倾斜误差的独立存在。在otf处理中，不同子镜的影响已经被解耦，通过有选择性地使用mask提取被测子镜和参考子镜形成的ptf旁瓣，使得深度学习网络能够更专注于每个误差源的独立学习。这显著提高了网络对误差的敏感度，从而有效提升检测的准确性。相较于传统方法，本发明无需进行复杂的迭代计算，而是通过直接应用深度学习网络对ptf进行训练，有效提高整个检测流程的效率。
22、4、本发明公开的基于cnn的拼接镜全孔径平移和倾斜误差检测同步高精度方法，采用的cnn融合了深度可分离卷积、残差连接以及通道注意力机制。深度可分离卷积的应用有效提升了网络深度，使其能够更精准地捕捉到ptf图像中的关键特征。采用残差连接有助于梯度的传播，降低ptf数据集中平移和倾斜误差的复杂交叉影响。通道注意力机制使网络能够自适应地调整对每个通道的关注程度。本发明不仅能够简化网络训练过程，而且提高同时检测平移和倾斜误差cnn的解释性。
1.基于cnn的全孔径平移和倾斜误差同步高精度检测方法，其特征在于：包括如下步骤，
2.如权利要求1所述的基于cnn的全孔径平移和倾斜误差同步高精度检测方法，其特征在于：所述多子镜光学成像模型基于点目标成像，包括光源、望远镜次境、参考子镜、被测子镜、准直透镜、光阑孔、聚焦透镜、探测器；光源发出的光照射到参考子镜，称为参考光束；照射到被测子镜，称为检测光束；参考光束和检测光束经望远镜次镜反射后通过准直透镜成为平行光，经过光阑上的离散圆孔，通过聚焦透镜发生干涉-衍射现象成像在探测器上，形成点扩散函数psf图像。
