基于深度学习的自由曲面成像系统多结构快速生成方法

本发明属于光学设计领域，尤其涉及基于深度学习的自由曲面成像系统多结构快速生成方法。

背景技术：

1、成像光学系统在科技和社会发展中发挥着非常重要的作用。在其漫长的历史中，成像系统主要由球面和非球面元件组成，因为它们的形状具有旋转对称性并且易于制造，但是，它们的像差校正能力非常有限，特别是在非对称系统中。为了克服传统球面和非球面系统的局限性，可以采用非旋转对称的自由曲面光学系统，这种系统可以在提高系统性能和技术指标的同时减小元件的体积和数量。自由曲面的使用被认为是成像光学系统设计的一次革命，在过去的15年里，先进制造技术的发展促进了自由曲面光学在许多领域的使用，如在天文望远镜、头戴显示器、抬头显示系统、照相机、离轴成像系统和光谱成像仪领域。

2、先进的自由曲面可以改善成像光学系统的性能，但由于曲面形状的复杂性和系统结构的非对称性，再加上现有参考系统的稀少和对自由曲面理解的困难，使得设计难度大大增加。传统的光学设计方法通常从寻找一个合适的设计起点开始，然后进行多参数优化。设计起点通过在光学设计软件的镜头库中搜索或查阅文献来获取，这个过程很耗时，而且对于自由曲面系统来说很可能找不到可行的起点。若没有一个好的起点，设计过程将会高度依赖大量人力和设计技能，可能会花费大量时间进行繁琐的试错，特别是对于像差理论知识有限且缺乏设计经验的光学设计初学者。节点像差理论已被用于指导自由曲面成像系统的设计和优化；直接或逐点设计方法可以根据给定的设计要求构建系统。但这些方法在设计效率、简单性、通用性等方面也存在局限性，尤其是对于具有先进系统参数的系统(比如具有较大的视场角的系统)。上述设计方法均需要针对特定的设计任务进行定制。对于其他设计任务，可能需要重新应用这些方法，甚至需要相应地调整优化策略。此外，单个设计任务所需的时间成本很高。深度学习可以被认为是这些问题的解决方案，因为它可以有效地总结设计知识，并将这些知识应用到不同系统参数和结构参数的设计任务中。2019年，等人使用深度学习获得了透镜数据库，从该数据库中可以获取同轴球面物镜的高质量设计起点。该研究进一步引入了更多的设计形式，然而仅限于同轴球面系统。2019年，yang等人提出了自由曲面反射成像系统的初步设计框架，此后chen等人进一步扩展了系统参数范围。然而，这种设计方法具有很大的局限性，因为只能产生一个解，这个解不一定是最优的，也不一定能够满足系统结构的设计要求。

技术实现思路

1、为解决上述问题，本发明提出了一种基于深度学习的自由曲面成像系统多结构快速自动生成方法。该设计方法适用于具有多个自由曲面的广义离轴反射、折射和折反射系统。将包括系统参数和结构参数的设计要求输入至神经网络后，能够快速生成多结构自由曲面成像系统，还可以根据预设的指标对输出系统进行排序和筛选，并将它们作为后续优化的良好起点。这使得自由曲面成像光学系统设计的效率显著提高，并最大限度地减少了设计者的设计时间和精力。

2、基于深度学习的自由曲面成像系统多结构生成方法，包括：

3、s1：获取基础数据集，包括：

4、s11：首先根据待设计的系统的特点，选择若干个具有代表性的且能够完整描述系统规格的系统参数ssp＝[ssp1,ssp2,…,sspm,…,sspm]，同时确定系统的结构参数stp＝[stp1,stp2,…,stpt,…,stpt]，以及面形参数sfp＝[sfp1,sfp2,…,sfpv,…,sfpv]；确定系统参数空间ssps，并进一步将ssps划分为更小的多个子空间ssps(i)，每一个系统参数子空间ssps(i)都与一个结构参数子空间stps(i)相对应，该子空间需借助基准系统进行确定，所有的子空间对ssps(i)-stps(i)组合在一起形成整个输入参数空间；其中，m、t、v分别为系统参数、结构参数以及面型参数的数量；

5、s12：为每一个子空间ssps(i)优化生成一个基准系统rsys(i)，其中，将ssps(i)的中心系统参数作为基准系统rsys(i)的系统参数；在rsys(i)生成后需要获取其结构参数将基准系统的结构参数作为stps(i)的中心，并给定结构参数的取值范围区间长度r(i)＝[r从而确定出stps(i)的空间范围；

6、s13：基于所述基准系统生成足量的系统，并获取这些系统的系统参数、结构参数以及曲面参数，以构成基础数据集；其中，系统参数和结构参数作为深度神经网络dnn的输入参数，结构参数和曲面参数作为深度神经网络dnn的输出参数；

7、s2：对深度神经网络dnn进行监督学习：

8、s21：将基础数据集中的输入参数组合输入至深度学习神经网络dnn中，得到预测输出，通过计算输出值与基础数据集中真实值的差异，即计算得到损失lsuper，基于lsuper对深度神经网络dnn进行预训练，得到初步的深度神经网络dnn模型；

9、s3：监督学习一段设定时间后，引入非监督学习，将监督学习和非监督学习相结合，对深度神经网络dnn模型进行进一步的训练；

10、s4：训练完成后，将包括系统参数以及结构参数要求的设计需求输入至训练好的深度神经网络dnn模型中，获得单个或多个满足要求的系统。

11、进一步的，所述步骤2中，每进行一段设定时间的监督训练后，执行一次系统生成反馈，即：在不同的子空间对中随机选择系统参数和结构参数组合作为深度神经网络dnn输入；然后将当前深度神经网络dnn预测的系统直接输入到光学设计软件中进行优化；将优化后达到设定成像质量的系统的系统参数、结构参数以及曲面参数，添加到训练数据集中，进行进一步的网络训练。

12、较佳的，所述为每一个子空间ssps(i)优化生成一个基准系统rsys(i)的方法包括：

13、首先优化生成系统参数最小的基准系统作为演化起点；在演化过程中，每获得一个基准系统，计算该基准系统的系统参数ssp*与其他所有待优化的基准系统的系统参数ssp**之间的权重距离d；

14、将与当前基准系统权重距离d最小的ssp#对应的基准系统作为下一个被优化的系统；以此类推，直至生成所有的基准系统。

15、较佳的，所述基于所述基准系统生成足量的系统的方法包括：

16、以基准系统rsys(i)为初始结构，在各个子空间对ssps(i)-stps(i)中生成其他系统，其系统参数在子空间ssps(i)中随机选取；在优化过程中，将rsys(i)的所有曲面参数都设置为变量，其结构参数以设定概率pf被改变为stps(i)中的随机值，并且被改变结构参数以设定概率pf1被冻结，而未被改变的结构参数以设定概率pf2被冻结；在每个子空间对中并行生成相同个数的系统。

17、较佳的，所述非监督学习的方法包括：

18、在不同的子空间对中随机部分系统参数和结构参数组合作为输入，经深度神经网络dnn预测得到输出系统，然后通过自由曲面成像系统的差分光线追迹模块对网络输出的系统进行追迹，以获取无监督损失lunsuper；

19、所述无监督损失lunsuper包括与系统成像性能有关损失lperformance和设计约束相关损失lconstraint。

20、较佳的，所述将监督学习和非监督学习相结合时，将监督训练的损失lsuper和所述无监督损失lunsuper进行加权求和，得到总的训练损失，以对深度神经网络dnn模型进行进一步的训练。

21、较佳的，所述监督学习损失lsuper定义为真实值和深度神经网络dnn模型实际预测输出之间的均方误差。

22、较佳的，选取多个具有代表性的参数作为系统参数，自由曲面的位置和倾角作为结构参数，曲面的类型不受限制。

23、较佳的，所述将ssps划分为若干更小子空间的方法为：

24、将系统参数ssp中各元素sspm的取值范围按照长度分为多段，各段进行任意组合，得到多个空间ssps(i)。

25、较佳的，在训练深度神经网络dnn时对训练数据集进行预处理，相同参数的输入数据进行数据归一化至[-1,1]。

26、较佳的，所述将包括系统参数以及结构参数要求的设计需求输入至训练好的深度神经网络dnn模型中：

27、对于未指定数值的参数，在相应的参数范围内随机分配数值，结合已给定的参数，得到一定数量的不同输入参数组合，将其输入到训练好的dnn模型中，生成一系列满足基本设计要求的系统，实现自由曲面成像系统的多结构快速自动生成。

28、较佳的，所述获得单个或多个满足要求的系统后，基于预设的评估指标，以及相关约束，对输出系统进行筛选和分类；进而对生成的系统进一步优化，从而得到具有更高成像性能的系统。

29、本发明具有如下有益效果：

30、本发明提供一种基于深度学习的自由曲面成像系统多结构快速生成方法，通过顺序和随机相结合的自由曲面系统演化方法自动生成基础数据集，使用基础数据集对神经网络进行预训练，使得网络拥有一定的预测能力，引入反馈策略进一步增强网络性能，将监督学习与基于差分光线追迹的非监督学习相结合，训练得到一个高性能的神经网络模型。对于后续的自由曲面成像系统设计，只要将系统设计要求(包括系统参数以及结构参数要求)输入到训练好的神经网络模型中，就可获得符合设计需要的单个或多个结构的系统；

31、对于训练具有高维度的输入参数以及大范围参数空间的深度神经网络模型来说，训练集要足够大才能获得良好的训练结果，因此，本发明采用顺序和随机的系统演化方法得到基础训练集后，再引入反馈策略对数据集进行补充，不仅可以增加训练集中系统的数目，还可以提高训练数据集中系统结构的多样性。

32、不同于监督学习，非监督学习不需要带有标签的数据集，因此，本发明采用监督学习与基于差分光线追迹的非监督学习相结合的方法来训练神经网络，极大的减轻了监督学习时需要获取大量训练数据集的负担。

33、对于网络输出的系统，可以选择对网络输出的系统进行快速优化，进一步得到性能更加良好的系统，还可以根据预设的指标对这些系统进行排序和筛选，大大减少了时间和人力成本。

34、本发明提供一种基于深度学习的自由曲面成像系统多结构快速自动生成方法，给定所需的系统和结构参数作为输入，训练的模型能够几乎立即输出单个或多个结构的系统。设计者可选择是否对输出系统进行像质评价或是进行快速自动优化，也可以对输出系统进行排序和筛选，方便设计者选出合适的系统，并作为进一步优化的良好起点。网络还可以集成到现有的光学设计软件和云服务器上，方便更多的设计者使用。