一种基于衍射光学神经网络的波前复原方法及系统
阅读说明：本技术 一种基于衍射光学神经网络的波前复原方法及系统 (Wavefront restoration method and system based on diffractive optical neural network ) 是由 刘贺 吕品 徐帆江 李程 于 2020-06-19 设计创作，主要内容包括：本发明公开了一种基于衍射光学神经网络的波前复原方法及系统。本方法为：1)选取或构建包含前N阶泽尼克的波前-系数数据对组成的数据集；2)构建光学神经网络模型,对数据集进行拟合,得到模型中每块相位调制板的二维相位分布；根据每块相位调制板的二维相位分布、待测光波的波长、所需相位调制板的折射率和透过率确定对应相位调制板的厚度；3)根据步骤2)确定的各相位调制板的厚度制作对应的相位调制板,根据光学神经网络模型中的位置分别放置于待测波前之后,对光波复振幅进行调制,然后探测经过各相位调制板后的光强分布,根据光强分布进行波前复原。本发明避免了光电转换和对电子计算机的依赖,具有耗能低、速度快等优点。(The invention discloses a wavefront restoration method and a system based on a diffractive optical neural network. The method comprises the following steps: 1) selecting or constructing a data set consisting of wave front-coefficient data pairs containing the front N-order Zernike; 2) constructing an optical neural network model, and fitting a data set to obtain two-dimensional phase distribution of each phase modulation plate in the model; determining the thickness of the corresponding phase modulation plate according to the two-dimensional phase distribution of each phase modulation plate, the wavelength of the light wave to be detected, and the refractive index and the transmittance of the required phase modulation plate; 3) manufacturing corresponding phase modulation plates according to the thickness of each phase modulation plate determined in the step 2), respectively placing the phase modulation plates behind the wavefront to be measured according to the positions in the optical neural network model, modulating the complex amplitude of the optical wave, then detecting the light intensity distribution passing through each phase modulation plate, and performing wavefront restoration according to the light intensity distribution. The invention avoids the photoelectric conversion and the dependence on an electronic computer, and has the advantages of low energy consumption, high speed and the like.)
技术领域
本发明涉及一种波前复原方法，尤其涉及一种基于衍射光学神经网络的波前复原方法及系统。
背景技术
自适应光学(AO)旨在对造成光学系统畸变的波前(以下“波前”与“相位”不做区分)进行矫正，从而提高光学系统成像能力，广泛用于激光系统、天文观测、医疗成像等领域。如果采用有波前探测的技术路线，就需要先对畸变波前进行探测，然后对其进行矫正。
由于光波的相位是无法直接探测的，通常是构建一个光学探测系统探测光强，再由一定的波前复原算法反演出波前。波前复原算法目前有两种技术路线：一种是首先对光学系统正向成像过程进行建模，再使用最优化算法，将畸变波前作为参数，对这个逆问题进行求解；另一种是在电子计算机上训练一个神经网络，拟合波前-光斑这一对数据构成的数据集，然后将神经网络作为复原算法使用。
衍射光学神经网络(D2NN)被证明可用于对一定复杂度的机器学习任务，其将输入编码为某个波段的光束，经过层层衍射，输出任务标签。
由于现有的波前复原需先进行光电转换(即光电探测)，再将数据输入电子计算机进行波前复原，因此存在耗能高、速度慢和中间的探测环节损失了相位信息的问题。
发明内容
针对现有技术中存在的技术问题，本发明的目的在于提供一种基于衍射光学神经网络的波前复原方法及系统。本发明直接接收待测波前作为输入，输出由泽尼克系数表示的波前复原结果，避免了光电转换和对电子计算机的依赖，具有耗能低、速度快等优点。
本发明的技术方案为：
一种基于衍射光学神经网络的波前复原方法，其步骤包括：
1)选取或构建包含前N阶泽尼克的波前-系数数据对组成的数据集；
2)构建光学神经网络模型，对数据集进行拟合，得到该光学神经网络模型中每块相位调制板的二维相位分布；根据每块相位调制板的二维相位分布、待测光波的波长、所需相位调制板的折射率和透过率确定对应相位调制板的厚度；
3)根据步骤2)确定的各相位调制板的厚度制作对应的相位调制板，根据光学神经网络模型中的位置分别放置于待测波前之后，对光波复振幅进行调制，然后探测经过各相位调制板后的光强分布；然后根据探测的光强分布进行波前复原。
进一步的，步骤3)中，根据探测器像素和泽尼克阶数，将探测器的探测面上划分为不同区域，每个区域强度代表相应阶泽尼克系数；然后将探测器的每个区域光强总能量读出复原波前泽尼克系数，然后根据复原波前泽尼克系数合成波前，完成波前复原。
进一步的，相位调制板的厚度△＝λφ/2π(n-1)；其中，n为相位调制板的折射率，φ为训练得到的相位调制板的相位值，λ为光波长。
进一步的，在深度学习框架下，构建所述光学神经网络模型，设定好各相位调制板大小和间隔，以相位板相位分布为参数，对所述数据集进行训练；其中以数据集中相位为所述光学神经网络模型的输入，得到相应的输出，并用损失函数将输出与数据集中N阶泽尼克系数进行比较，根据比较结果调整相位调制板的相位值，使损失函数收敛到最小，最终得到各相位调制板的二维相位分布。
进一步的，生成所述数据集的方法为：将波前W分解为泽尼克多项式，然后在前N阶泽尼克内随机选择若干阶泽尼克生成混合波前，从而生成多个波前-系数数据对组成的数据集。
一种基于衍射光学神经网络的波前复原系统，其特征在于，包括一由多个相位调制板构成的衍射光学神经网络和一探测器；其中，根据训练好的光学神经网络模型确定每个相位调制板的二维相位分布，然后根据每块相位调制板的二维相位分布、待测光波的波长、所需相位调制板的折射率和透过率确定对应相位调制板的厚度；利用包含前N阶泽尼克的波前-系数数据对组成的数据集训练该光学神经网络模型，得到该光学神经网络模型中每块相位调制板的二维相位分布；
所述衍射光学神经网络放置于待测波前之后，用于调制入射波前的复振幅分布；
所述探测器放置于所述衍射光学神经网络之后，用于接收经过各相位调制板后的光强分布；然后根据探测的光强分布进行波前复原。
进一步的，所述衍射光学神经网络与入射的待测波前之间设有一聚焦透镜，用于对待测波前进行汇聚后入射到所述衍射光学神经网络；所述衍射光学神经网络与所述探测器之间设有一聚焦透镜，用于将经所述衍射光学神经网络后的光束汇聚到所述探测器的探测面。
光学神经网络由相位调制板组成，每一相位调制板是针对特定波段而设计成有二维厚度分布的平板，待测光波经过M块相位调制板，整个过程无需消耗任何能源，最后由探测器探测光强分布。
由于任意畸变波前W可分解为泽尼克多项式
根据探测器像素和泽尼克阶数，探测器的探测面上划分为不同区域，每个区域强度代表相应阶泽尼克系数。
首先，按照具体应用需要，构建包含前N阶泽尼克的波前-N阶系数数据对组成的数据集。
其次，在深度学习框架如Tensorflow下，构建光学神经网络模型，对数据集进行拟合，最终得到每块相位调制板的二维相位分布，根据折射率转化为相位调制板厚度，相位板材料根据波长、折射率、透过率选择。如相位板折射率为n，训练得相位值为φ，光波长为λ，厚度△等于λφ/2π(n-1)。
最后，制作相位调制板，放置于待测波前之后，探测经过相位调制板后的光强分布。根据每个区域光强总能量读出复原波前泽尼克系数，由系数合成波前。
本发明的有益效果是：
利用衍射光学神经网络本身的拟合能力，同时计算前移，直接接收待测波前作为输入，输出由泽尼克系数表示的波前复原结果，避免了光电转换和对电子计算机的依赖，耗能低，速度快，系统简化。
附图说明
图1为基于衍射光学神经网络的波前复原系统单阶实例示意图；
图2为基于衍射光学神经网络的波前复原系统多阶实例示意图；
图3为探测器面区域划分示意图。
具体实施方式
下面结合附图和实施例对本发明提出一种基于衍射光学神经网络的波前复原方法进行介绍：
1、具体实施例1
实施例1的系统图如图1所示，现结合附图1描述实施例1技术方案详细的实现过程。
首先，将波前W分解为泽尼克多项式，在前10阶泽尼克以内，随机选择3阶泽尼克，由生成混合波前，该混合波前与相应系数构成一个数据对，重复上述过程从而生成一个约20000个波前-系数数据对组成的数据集。
其次，在深度学习框架如Tensorflow下，构建光学神经网络模型，设定好相位板大小和间隔，以相位板相位分布为参数，对数据集进行训练。以数据集中相位为神经网络输入，得到相应的输出，用损失函数将输出与数据集中N阶泽尼克系数进行比较，运用优化算法，不断调整相位板相位值，使损失函数收敛到最小，可得到训练出的相位板相位分布。训练过程可使用Tensorflow的成熟工具。最终将每块相位板的二维相位分布，根据折射率转化为相位板厚度。
最后，制作相位板，根据光学神经网络模型中的位置分别放置于待测波前之后，探测经过相位板后的光强分布。根据每个区域总强度读出复原波前泽尼克系数，由系数合成波前。
2、具体实施例2
实施例2的系统图如图2所示，现结合附图2描述实施例2技术方案详细的实现过程。
首先，在前10阶泽尼克以内，随机选择3阶泽尼克，生成混合波前，从而生成一个约20000个波前-系数数据对组成的数据集。
此例中为克服多阶相位可能出现的光波传播过程中能量分布超过相位板大小的情况，前后放置聚焦镜，用于聚集光波。
其次，在深度学习框架如Tensorflow下，构建光学神经网络模型，对数据集进行训练，最终得到每块相位板的二维相位分布，根据折射率转化为相位板厚度。
最后，制作相位板，放置于待测波前之后，对光波复振幅进行调制，最后探测经过相位板后的光强分布。
根据每个区域总强度读出复原波前泽尼克系数，由上述合成波前。
本发明未详细阐述部分属于本领域技术人员的公知技术。