[发明专利]基于机器学习的自适应光学波前校正方法

说明书

本发明公开了一种基于机器学习的自适应光学波前校正方法，该方法包括：控制湍流池产生随机扰动，使准直激光光束波前发生畸变，将光束分束，其中一束经CCD成像模块会聚得到光强图像，其中另一束经波前传感模块处理得到波前相位信息，同时记录光强图像和波前相位信息作为样本训练机器学习模型；将远场光束在CCD成像模块会聚的远场光强图像输入训练好的机器学习模型，获取远场波前相位信息，以此控制波前校正器对远场光束的波前相位进行校正。本发明提供的自适应波前校正方法利用湍流池模拟产生随机扰动，并通过波前探测器获取样本数据，由大量真实数据训练的模型不受光路系统限制，能够简化自适应光学系统结构，提高无波前传感的波前校正精度和速度。

技术领域

本发明涉及自适应光学领域，具体涉及一种基于机器学习的自适应光学波前校正方法。

背景技术

由于大气湍流的存在，天文实际观察到的星象出现模糊、抖动等现象。自适应光学(Adaptive optics,AO)是补偿由大气湍流或其他因素造成的成像过程中波前畸变的技术。最早的概念是在光学系统中引入一个波前测量设备和一个可变形的光学元件来补偿大气湍流造成的波前畸变，基本思路是测量——控制——校正。

无波前探测的自适应光学用成像清晰度、接收到的光能量作为系统性能指标参数，直接用作优化算法的目标函数，在多轮迭代中逐渐逼近理想效果。而在实际应用中，这种基于光强测量的波前复原方法计算量大，迭代速度慢，且结果容易陷入局部极值，不能用于实时性要求较高的场合。

现有技术中，申请号为201710018015.4的发明专利公开了一种基于机器学习的高速像差校正方法。该方法通过均匀设定Zernike系数训练机器学习模型，提高了系统波前相位校正速度，解决了传统无波前自适应光学算法速度慢的问题。由于训练模型的样本数据人为设定，该方法对于大气湍流引起的波前畸变的多样性以及连续性不适用。

本发明提供一种通过波前传感训练机器学习模型的自适应光学波前校正方法，模拟大气湍流真实数据训练模型，解决了上述问题。

发明内容

基于此，本发明的目的在于提供一种基于机器学习的自适应光学波前校正方法，通过湍流池引入随机扰动模拟大气湍流，利用波前传感器探测计算波前相位信息，解决现有技术中机器学习模型训练失真的问题，增强模型鲁棒性，提高波前校正精度和速度。

为了实现上述目的，本发明采用以下技术方案：一种基于机器学习的自适应光学波前校正方法，该方法基于自适应波前校正系统实施，所述自适应波前校正系统包括：波前校正器，分束器，波前传感模块，CCD成像模块和计算机控制模块，其特征在于，所述方法包括以下步骤：

S1:构造模型训练系统，用所述计算机控制模块控制湍流池产生随机扰动，使准直激光光束经所述湍流池发生波前畸变成为畸变光束，所述畸变光束经所述波前校正器反射至所述分束器，所述分束器将所述畸变光束分束为第一光束和第二光束至少两束，所述第一光束经所述CCD成像模块会聚得到光强图像，所述第二光束经所述波前传感模块处理得到波前相位信息，用所述计算机控制模块控制所述CCD成像模块和所述波前传感模块分别记录所述光强图像和所述波前相位信息；

S2:将同一时刻记录的所述光强图像和所述波前相位信息作为一个训练样本，重复步骤S1获取多个训练样本构成训练样本集，将所述训练样本集导入计算机控制模块的机器学习模型进行训练，以建立所述光强图像和所述波前相位信息的映射关系；

S3:构造无波前探测校正系统，使远场光束经波前校正器反射至所述CCD成像模块，所述远场光束经CCD成像模块会聚形成远场光强图像，将所述远场光强图像输入经步骤S2训练好的机器学习模型，得到远场波前相位信息；根据远场波前相位信息控制波前校正器对远场光束的波前相位进行校正；