【技术实现步骤摘要】
本专利技术属于面形检测，尤其涉及一种基于神经网络的光学元件面形全频段误差提取方法。
技术介绍
1、随着光学元件测试技术的不断发展，光学系统应用需求的不断提高，在光学检测领域内，人们对光学元件面形误差提出了一种描述方式。由于光学元件面形本身存在一定表面缺陷、实际加工过程中引入的表面制造残差以及检测环境引入的微小变化，导致表面矢高的物理分布与理论表面矢高之间存在不同程度的偏差，这部分偏差在空间上体现为不同的空间频率。根据空间频率的不同分布，可以将光学元件面形误差划分为不同的频段误差，分别是低频（figure、lsf）、中频（mid-spatial frequency，msf）、高频（high spatialfrequency，hsf）三部分，如图1所示，三者统称为光学元件面形频段误差，即全频段误差。
2、其中，低频误差通常指空间周期长度较长的误差，一般对应于光学元件的面形误差，即传统像差，可由zernike像差或seidel像差进行描述，代表着光学元件表面形貌与其理论设计形貌之间的偏差，会直接影响光学系统的成像质量、波前像差和系统杂散光；中频误差通常指空间周期长度中等的误差，一般对应于加工过程中引入的走刀刀痕等波纹度误差，对光学系统的影响主要体现在小角度散射，可能产生耀斑并影响系统对比度；高频误差通常指空间周期长度较短的误差，一般对应于表面的微观特征或粗糙度，如划痕、麻点等。对光学系统的影响主要体现在大角度散射，影响成像的清晰度和锐度。不同频段误差对光学系统成像的影响如图2所示。因此，在对光学元件面形进行质量评价或对光学
3、要实现从光学元件面形中对全频段误差的提取，主要原理是同一个光学元件面形的低频误差、中频误差、高频误差在频率域内对应着不同的频率范围，因此可以通过频域滤波的方式对全频段误差进行分离。目前常用的全频段误差提取方式为使用metropro、mx等光学测量分析软件或者matlab等数学软件进行滤波。二者的主要实现方式如下：
4、方式一：基于metropro、mx等光学测量分析软件进行全频段误差提取
5、metropro、mx等光学测量分析软件是使用干涉仪检测面形的配套分析软件，这类软件可以直接读取并展示干涉仪、粗糙度仪、原子力显微镜等检测仪器的检测结果，并在软件中集成对检测结果进行处理分析的功能。在使用metropro和mx对面形检测结果进行全频段误差提取时，以metropro为例，需要先在软件的“gpi.app”中导入待处理的检测结果.dat文件，随后在软件的仿真控制（analyze cntrl）选项中选择合适的滤波器与滤波方式，并为滤波器设置好当前面形的不同频段误差所对应的频率范围，如图3所示。设置完毕后，点击滤波后即可获得当前面形的频段误差或全频段误差。
6、但使用metropro进行全频段误差提取时，每次只能提取一幅面形中一个频段的误差，效率低下且无法处理大批量面形数据；此外，不同形貌、不同尺寸的频段误差都对应着不同的频率范围，而频段划分并没有一个统一的标准，有时需依据光学元件的应用范围或不同频段误差的形貌特征进行经验判断以微调滤波的频率范围，所以每次滤波处理都要根据不同面形的实际情况输入不同的频率范围以确保最终获得尽可能准确的频段误差。因此，即便是可以通过编写脚本实现批量提取全频段误差的mx软件，也无法实现在针对不同面形提取全频段误差的过程中提供正确的滤波器频率范围，无法在处理大批量面形数据时确保全频段误差的提取精度。
7、方式二：基于matlab等数学软件进行全频段误差提取
8、matlab等数学软件常用于对数据进行数值分析和矩阵计算。以matlab为例，对光学元件面形进行全频段误差提取时，不同于metropro等光学测量分析软件本身内置了滤波功能，matlab需要编写脚本程序进行滤波操作。先将待处理的面形检测结果数据导入matlab中，对其进行二维傅里叶变换，将其由空间域转换至频域。随后，根据需要提取的频段构建对应频率范围的滤波器，并将滤波器与频域图像相乘，最后通过逆傅里叶变换将滤波后的结果由频域转回至空间域，即可获得当前面形的频段误差或全频段误差。尽管matlab可以通过编写脚本实现批量提取全频段误差，但matlab的全频段误差提取存在与metropro的全频段误差提取相同的问题，无法针对不同光学面形的实际情况给出对应的精确频段范围，无法在处理大批量面形数据时确保全频段误差的提取精度。
技术实现思路
1、有鉴于此，本专利技术创造旨在提供一种基于神经网络的光学元件面形全频段误差提取方法，以解决现有技术无法在处理大批量面形数据时确保全频段误差提取精度的技术问题。
2、为达到上述目的，本专利技术创造的技术方案是这样实现的：
3、一种基于神经网络的光学元件面形全频段误差提取方法，包括如下步骤：
4、s1：采集不同光学元件的面形检测结果得到面形检测结果数据集，并从各面形检测结果中提取出对应的全频段误差得到全频段误差数据集，将面形检测结果数据集与全频段误差数据集统一打包为训练数据集对三个误差提取神经网络进行训练；其中，三个误差提取神经网络分别为低频误差提取神经网络、中频误差提取神经网络和高频误差提取神经网络；全频段误差包括低频误差、中频误差和高频误差，以面形检测结果作为三个误差提取神经网络的训练输入数据，以面形检测结果对应的低频误差、中频误差和高频误差作为三个误差提取神经网络的训练目标；
5、s2：将待测光学元件的面形检测结果整理打包输入到完成训练的三个误差提取神经网络，经三个误差提取神经网络分别提取出待测光学元件面形的低频误差、中频误差和高频误差，并作为提取结果。
6、进一步地，在将面形检测结果数据集投入训练之前，对面形检测结果数据集进行预处理，具体包括步骤：
7、第一步：将不可用的面形检测结果剔除；
8、第二步：将不包含实际尺寸的面形检测结果剔除或向不包含实际尺寸的面形检测结果添加实际尺寸；
9、第三步：在metropro软件中将面形检测结果中的位移量及像差去除，位移量包括平移量和倾斜量，像差包括球差和像散。
10、进一步地，从面形检测结果中提取出对应的全频段误差，具体包括步骤：
11、第一步：将面形检测结果导入metropro软件；
12、第二步：结合该面形检测结果的实际尺寸和形貌特点确定滤波范围，并根据滤波范围选择对应的滤波器，分离出该面形检测结果对应的低频误差、中频误差和高频误差中的至少一种。
13、进一步地，使用matlab软件将面形检测结果数据集与全频段误差数据集统一打包为训练数据集，具体包括如下步骤：
14、第一步：将面形检测结果数据集、全频段误差数据集中每幅数据的像素按照缩放比例本文档来自技高网...
【技术保护点】
1.一种基于神经网络的光学元件面形全频段误差提取方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，在将面形检测结果数据集投入训练之前，对面形检测结果数据集进行预处理，具体包括步骤：
3.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，从面形检测结果中提取出对应的全频段误差，具体包括步骤：
4.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，使用MATLAB软件将面形检测结果数据集与全频段误差数据集统一打包为训练数据集，具体包括如下步骤：
5.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，三个误差提取神经网络的网络结构相同，均由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一转置卷积层、第二转置卷积层、第三转置卷积层、输出卷积层、回归层依次堆叠构成。
6.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在
7.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，使用不同的测量仪器分别对不同光学元件的面形进行检测，获得面形检测结果数据集；其中，测量仪器包括干涉仪、粗糙度仪和原子力显微镜；
8.根据权利要求7所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，干涉仪包括Zygo公司的6寸干涉仪、HDX干涉仪和MST干涉仪；其中，6寸干涉仪的分辨率设定为640*480，6寸干涉仪的像素比例设定为0.3624；HDX干涉仪的分辨率设定为1696*1696，HDX干涉仪的像素比例设定为0.06123，或者HDX干涉仪的分辨率设定为3396*3396，HDX干涉仪的像素比例设定为0.03062；MST干涉仪的分辨率设定为1472*1472，MST干涉仪的放大倍率设定为1x，MST干涉仪的像素比例设定为0.07600，或者MST干涉仪的分辨率设定为1472*1472，MST干涉仪的放大倍率设定为1.7x，MST干涉仪的像素比例设定为0.04418，或者MST干涉仪的分辨率设定为736*736，MST干涉仪的放大倍率设定为1x，MST干涉仪的像素比例设定为0.1519，或者MST干涉仪的分辨率设定为736*736，MST干涉仪的放大倍率设定为1.7x，MST干涉仪的像素比例设定为0.08828。
9.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，在将训练数据集投入训练之前，使用数据增强方式对训练数据集种类与数量进行扩充，数据增强方式包括基于图像处理的数据增强方式和基于生成对抗网络的数据增强方式。
10.根据权利要求4所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，在步骤S2之后，还包括如下步骤：
...【技术特征摘要】
1.一种基于神经网络的光学元件面形全频段误差提取方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，在将面形检测结果数据集投入训练之前，对面形检测结果数据集进行预处理，具体包括步骤：
3.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，从面形检测结果中提取出对应的全频段误差，具体包括步骤：
4.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，使用matlab软件将面形检测结果数据集与全频段误差数据集统一打包为训练数据集，具体包括如下步骤：
5.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，三个误差提取神经网络的网络结构相同，均由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一转置卷积层、第二转置卷积层、第三转置卷积层、输出卷积层、回归层依次堆叠构成。
6.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，采用损失函数评估三个误差提取神经网络的预测精度，损失函数为：
7.根据权利要求1所述的基于神经网络的光学元件面形全频段误差提取方法，其特征在于，使用不同的测量仪器分别对不同光学元件的面形进行检测，获得面形检测结果数据集；其中，测量仪器包括干涉仪、粗糙度仪和原子力显微镜；
8....
【专利技术属性】
技术研发人员：王孝坤，刘源，王玉坤，刘忠凯，李凌众，李文涵，张学军，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。