[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

说明书

本发明涉及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，包括：(1)基于卷积神经网络提取不规则形状光学元件的旋转量与平移量：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。本发明首次将不规则形状光学元件面形的旋转平移绝对检测方法与深度学习算法相结合，本发明无需昂贵的高精度平移与旋转平台，仅需一张被测不规则形状元件在变换位置的二值化图像，便可对图像中的元件进行精确的位姿预测，即旋转量与平移量的预测。

技术领域

本发明属于精密测量技术和深度学习技术领域，特别涉及的是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。

背景技术

随着光学技术的发展，不规则形状光学元件因其较高的灵活度与自由度在各种光学系统得到了广泛的应用。现代光学系统对不规则形状光学元件加工精度的要求越来越高，光学元件加工精度很大程度上依赖于面形检测技术,因此对检测精度的要求也越来越高。

干涉仪检测面形的方法属于相对检测，测量结果的精度受制于标准参考面的面形精度，旋转平移绝对检测方法是提高光学元件面形检测精度的一种常用的方法，可用于光学平面及球面的绝对检测，方法简单，通用性较强。

在利用旋转平移绝对检测法检测不规则形状光学元件时,需要使用昂贵的精密平移及旋转平台以对不规则形状光学元件进行严格精确的位姿调整，且旋转或者平移测量后需将不规则形状光学元件调整到初始位置与参考镜对准，为下一次调整做准备，这种方式增加了面形检测的调整时间和成本，另外较长的检测周期会导致系统稳定性与测量环境对检测结果有较大的影响。

深度学习以其强大的特征表达能力和建模能力被广泛应用于图像处理等领域；其中，卷积神经网络由于具有局部连接、权值共享的特点成为最引人注目的技术之一，通过监督或非监督学习，卷积神经网络逐层自动地学习图像复杂抽象的特征表示，避免了手工设计特征繁琐低效等问题。通过对卷积神经网络模型的训练，神经网络可以学习到输入数据和期望数据之间的复杂映射关系，且其预测阶段通常是快速高效的。

不规则形状光学元件面形的旋转平移绝对检测方法可以实现高精度面形检测，深度学习算法可以实时对旋转量和平移量进行高精度预测。

现有技术还没有将深度学习应用于不规则形状光学元件面形的旋转平移绝对检测的方法。

发明内容

为了解决在利用旋转平移绝对检测法检测光学元件时使用的精密平移与旋转台存在的成本高、调整时间长、过程复杂、效率低等问题,本发明提供一种基于深度学习的无需严格精确调整光学元件的不规则形状光学元件旋转平移绝对检测方法。

本发明可以简单快速的获得光学元件的平移量和旋转量。将不规则形状光学元件面形的旋转平移绝对检测方法与深度学习算法结合，相较于传统旋转平移绝对检测方法，本发明具有无需对光学元件进行严格精密的位姿调整及反复调整的优点，检测过程中光学元件的调整简单连贯且快速，在保证面形检测精度的同时提高绝对检测方法的效率，具有方法简单、检测精度高、速度快、成本低等优势，能够满足多种类不规则形状光学元件的面形快速测量的需求。

本发明从不规则形状光学元件的旋转平移绝对检测法出发，将卷积神经网络引入的不规则形状光学元件移动量和旋转量的高效检测中，避免了光学元件的严格精确调整与反复调整需求，方法简单，节约成本并可以有效提高检测效率。

本发明还提供了一种计算机设备及存储介质。

术语解释：