[发明专利]一种基于深度学习的不规则形状光学元件面形的旋转平移绝对检测方法、设备及存储介质

权利要求书

1.一种基于深度学习的高精度不规则形状光学元件面形的旋转平移绝对检测方法，其特征在于，包括：

(1)先利用干涉仪对不规则形状光学元件面形进行3个位置的相对检测，再通过卷积神经网络来获得不规则形状光学元件的旋转量和平移量；

(2)将步骤(1)中卷积神经网络获取的旋转量与平移量代入不规则形状光学元件波面恢复算法，得到不规则形状光学元件的绝对面形；

步骤(1)中，通过优化后的不规则形状光学元件旋转量与平移量信息提取模型来获得不规则形状光学元件的旋转量和平移量，优化后的不规则形状光学元件旋转量与平移量信息提取模型的训练过程包括步骤如下：

A、制作四种不规则形状光学元件产生不同旋转量与平移量的数据集；

B、建立基于卷积神经网络的不规则形状光学元件旋转量与平移量信息提取模型；

C、将具有不同旋转量与平移量的不规则形状光学元件的二值化图像作为不规则形状光学元件旋转量与平移量信息提取模型的输入，其旋转量与平移量作为输出，设置损失函数、优化器和学习率，对不规则形状光学元件旋转量与平移量信息提取模型进行多次训练，进行网络参数的优化，得到优化后的不规则形状光学元件旋转量与平移量信息提取模型；

步骤B的具体实现过程包括：

所述不规则形状光学元件旋转量与平移量信息提取模型包括特征提取部分和回归预测部分,特征提取部分包括第一卷积块、第一批量归一化层、第一最大池化层、第二卷积块、第二批量归一化层、第二最大池化层、第三卷积块、第三批量归一化层、SE块、第三最大池化层；

所述回归预测部分包括第一全连接层、第二全连接层及第三全连接层；

第一卷积块、第二卷积块、第三卷积块均用于视觉接受域中提取输入的不同特征,第一卷积块、第二卷积块、第三卷积块中的所有的卷积层均使用ReLU激活函数加入非线性因素；第一批量归一化层、第二批量归一化层、第三批量归一化层均用于对特征数据进行归一化处理；第一最大池化层、第二最大池化层、第三最大池化层均用于取池化区域的最大值作为下一层的输入；SE块在特征通道上引入注意力机制，利用全局信息有选择地增强有用的特征并抑制对当前任务用处不大的特征，在小幅增加参数量的同时有效提高神经网络的预测精度；第一全连接层、第二全连接层及第三全连接层均用于将提取出来的特征进行更高层次的组合并映射到神经网络的输出数据上；第三全连接层是一个具有三个节点的全连接层，用于将学习到的特征映射到的期望输出上，三个节点分别对应不规则形状光学元件沿中心的旋转量Δθ以及沿x、y轴的平移量的预测值Δx、Δy，实现被测不规则形状光学元件位姿中旋转和平移的解耦。

2.根据权利要求1所述的一种基于深度学习的高精度不规则形状光学元件面形的旋转平移绝对检测方法，其特征在于，步骤A的具体实现过程包括：

对位于原点的不规则形状光学元件进行任意的旋转平移操作，得到的具有不同旋转量与平移量的不规则形状光学元件的二值化图像，对应的旋转量与平移量作为标签数据，

不规则形状光学元件随机产生的旋转量与平移量范围中，沿x轴与y轴，平移量在[-25,25]像素范围，旋转量在[-25,25]度范围；

所述四种不规则形状光学元件包括六边形、八边形、矩形、圆边矩形，将四种不规则形状光学元件设置为不同比例、不同大小。

3.根据权利要求1所述的一种基于深度学习的高精度不规则形状光学元件面形的旋转平移绝对检测方法，其特征在于，步骤C的具体实现过程包括：

基于Huber损失函数L_δ对不规则形状光学元件旋转量与平移量信息提取模型进行训练，以32个样本为一个batch，一共40000对训练数据，设置学习率0.0001，每10个epochs学习率变为原来的0.1倍，采用Adam优化器迭代更新不规则形状光学元件旋转量与平移量信息提取模型的连接权重，优化损失函数最终使损失函数的值最小；

将早停法使用在不规则形状光学元件旋转量与平移量信息提取模型的训练过程中，如果验证集的损失函数值在15epochs内没有下降，则停止对不规则形状光学元件旋转量与平移量信息提取模型进行训练，使用早停法之后，不规则形状光学元件旋转量与平移量信息提取模型的epoch为45，训练完毕，保存训练好的使得损失函数最小的网络权重即优化后的不规则形状光学元件旋转量与平移量信息提取模型。