[发明专利]非球面元件面形检测方法、装置、设备及可读存储介质

权利要求书

1.一种非球面元件面形检测方法，其特征在于，包括：

预先利用样本数据集训练深度学习网络模型得到面形分布计算模型；

将待测非球面元件的子孔径检测数据输入至所述面形分布计算模型中，得到各子孔径的相对位置和重叠区域；

基于各子孔径的相对位置和重叠区域，利用子孔径拼接算法进行子孔径拼接，以实现对所述待测非球面元件的面形检测；

其中，所述样本数据集为多张表征环形子孔径位置和非球面面形检测结果间映射关系的面形误差图像，所述深度学习网络模型包括级联深度网络框架和位置计算层；所述级联深度网络框架用于逐层估计环形子孔径的初始位置和位置偏差值，所述位置计算层用于基于环形子孔径的初始位置和位置偏差值，利用多层次回归算法微调各环形子孔径的环带位置。

2.根据权利要求1所述的非球面元件面形检测方法，其特征在于，所述级联深度网络框架包括全局网络层和多个局部网络层；

所述全局网络层用于通过学习非线性映射函数将面形误差值直接映射至环带位置参量，计算得到各环形子孔径的初始环带位置估计值和位置偏差值；

各局部网络层用于通过逐步迭代当前环形子孔径的环带位置和真实环带位置之间的偏差值以更新各环形子孔径的环带位置值。

3.根据权利要求2所述的非球面元件面形检测方法，其特征在于，所述全局网络层包括第一卷积神经网络、第二卷积神经网络和第三卷积神经网络；

所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络均依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层和输出层；所述第一卷积神经网络的输入层的输入数据为整幅面形误差图像，所述第二卷积神经网络的输入层的输入数据为面形误差图像的第一预设区域和第二预设区域，所述第三卷积神经网络的输入层的输入数据为面形误差图像的第三预设区域和第四预设区域。

4.根据权利要求2所述的非球面元件面形检测方法，其特征在于，所述级联深度网络框架的各局部网络层的结构相同，且各局部网络层的第一个网络中的卷积神经网络用于学习从面形误差图像空间到环形子孔径的环带位置偏差参量空间之间的映射函数。

5.根据权利要求4所述的非球面元件面形检测方法，其特征在于，所述级联深度网络框架的各局部网络层的每个卷积神经网络根据优化关系式进行优化：

Δp_k＝Δp_k(x)＝P(x)-P_k-1(x)；

式中，为非线性函数均方差最小化函数，Δp_k为第k个局部网络层的平均环带位置偏差，P(x)为环带图像对应的位置真实值，P_k-1(x)为第k-1个局部网络层环带图像对应的位置估计值，l_K为第K个卷积神经网络的映射函数，L_k为第k个局部网络层的第一个网络的映射函数。

6.根据权利要求1至5任意一项所述的非球面元件面形检测方法，其特征在于，所述位置计算层为利用环带位置估计关系式计算当前环形子孔径在各层的环带位置估计值；所述环带位置估计关系式为：

式中，p_n为环带位置估计值，为第i层网络的第i个环形子孔径的环带位置，n为卷积神经网络的总层数，i为当前网络层序号，n_i为第i层神经网络，为第i个环形子孔径的环带位置和真实环带位置之间的偏差值。

7.根据权利要求1至5任意一项所述的非球面元件面形检测方法，其特征在于，所述面形分布计算模型的训练过程包括：

将所述样本数据集中的各面形误差图像对应的非球面面形误差利用预定义关系式进行表示，所述预定义关系式为：

对每个面形误差图像的非球面面形误差进行旋转平均处理，以利用旋转平均后的环形子孔径训练所述深度学习网络模型得到所述面形分布计算模型；

式中，V(x,y)为面形误差，a^nm为系数，X^nm为描述面形的正交多项式，m和n为正整数。