[发明专利]一种以适配目标信息提取算法为目的光学系统智能设计方法

说明书

本发明涉及光学系统设计领域，一种以适配目标信息提取算法为目的光学系统智能设计方法，建立一种基于神经网络的数字光学系统模型，该基于神经网络的数字光学系统模型包括目标信息提取网络模型FAST‑RCNN、相位模拟神经网络PSF‑net。本发明提供的一种以适配目标信息提取算法为目的光学系统智能设计方法，降低了硬件条件及环境对研究的限制，为进一步研究提升目标信息提取系统性能提供了关键技术支持；利用目标信息提取结果对光学系统数字孪生系统进行设计及优化，从根本上改变传统光学系统与目标信息提取系统设计模式，大幅提升类目标信息提取算法的能力。

技术领域

本发明涉及光学系统设计领域，具体为一种以适配目标检测算法为目的光学系统智能设计方法。

背景技术

以目标检测算法为代表的目标信息提取算法主要目的为从图像中获取特征目标的位置、亮度及类别等信息。这类算法现在已经十分成熟，常用的网络算法有基于候选区域的目标检测如：RCNN、Fast R-CNN、Faster R-CNN和R-FCN以及单次检测器SSD等。目前，常用的方法有SSD、YOLO / v2 / v3、RetianNet算法等。虽然当前算法较多，但是在实际应用中，针对不同目标检测任务不同算法往往需要自定义地修改网络模型，以此提高目标信息提取算法的性能。但是，仅仅依靠参数调优对算法性能提高有限，对目标的信息提取能力提升一般。此外，目标检测算法往往需要配置于嵌入式设备等终端中工作，对模型复杂度及功耗等均有较为严格的要求。另一方面，光电系统尤其是以自由曲面及衍射式光学元件等为代表的新型元件加工和检测性能获得了长足进步，其制造、检测价格在快速下降。由此我们提出将目标信息提取算法和目标图像获取过程作为一个整体，针对目标信息提取方法，优化图像获取设备能力，进一步提升目标信息提取算法性能。

发明内容

针对现有技术存在的不足以及不便之处，本发明的目的在于提供一种以适配目标信息提取算法为目的光学系统智能设计方法，实现对包括图像获取设备和目标信息提取算法在内的整个目标信息提取系统能力进行提升。

为了解决上述技术问题，本发明提供了如下技术方案：一种以适配目标信息提取算法为目的光学系统智能设计方法，包括：

一种以适配目标信息提取算法为目的的光学系统设计方法，建立一种基于神经网络的数字光学系统模型，该基于神经网络的数字光学系统模型包括目标信息提取网络模型FAST-RCNN、相位模拟神经网络PSF-net（参考：https://iopscience.iop.org/article/10.3847/1538-3881/ab7b79/meta）；具体按照如下步骤进行：

步骤一、准备光学系统内元件的相位、望远镜模拟系统（成像系统模拟程序太原理工地基光学红外望远镜模拟系统）、目标检测网络FAST-RCNN；

相位模拟神经网络PSF-net负责形成光学系统内某一个或几个衍射元件的相位分布；成像系统模拟程序太原理工地基光学红外望远镜模拟系统可根据相位分布、待观测目标位置和亮度原始信息、监控系统其他光学元件参数，生成任意数目的模拟观测图像。目标信息提取网络模型FAST-RCNN可以处理模拟观测图像，并以目标信息提取效率：目标的定位精度、测光精度和分类精度作为系统评价损失函数。系统评价损失函数将差值反向传播，传输至目标信息提取网络输入层，获取输入层的反向传输误差。将修正误差在基于神经网络的数字光学系统模型内反向传播，可获取对应面的相位分布。

步骤二、在获取元件的目标相位之后，再将当前相位作为初始化的网络的一层或多层与后续的目标信息提取网络模型FAST-RCNN相结合，同时在实验中保证目标信息提取网络模型FAST-RCNN中参数保持不变。因为我们重点关注的对象不是目标信息提取网络模型FAST-RCNN的参数，而是基于神经网络的数字光学系统模型中对应的参数。

步骤三、通过训练完成的目标信息提取网络模型FAST-RCNN对基于神经网络的数字光学系统模型参数进行训练的步骤包括：