[發明專利]一種基于生成對抗網絡的波前復原方法及系統

有效

• 申請號: 202010440664.5
• 申請日: 2020-05-22
• 公開（公告）號: CN111695676B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 唐秋艷;高麗元;呂品;劉朝暉;徐帆江
• 申請（專利權）人: 中國科學院軟件研究所
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01J9/00
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 陳艷

本發明提出一種基于生成對抗網絡的波前復原方法及系統，屬于波前復原領域，利用訓練樣本集訓練生成對抗網絡的pix2pix模型，其包括生成器和判別器；訓練樣本集數據經格式轉換后輸入給生成器，生成波前數據；判別器將生成的波前數據和真實的波前數據進行對比判斷，如果判斷為假，則根據損失函數優化生成器，并重新生成波前數據繼續進行對比判斷，直到判斷為真時，得到最終的波前復原網絡模型；將目標光波數據經過格式轉換后，輸入到波前復原網絡模型中，得到復原波前數據。本發明能直接通過遠場光斑對波前進行復原，不受限于波前的頻率和孔徑形狀。

技術領域

本發明屬于波前復原領域，具體涉及一種基于生成對抗網絡的波前復原方法及系統。

背景技術

波前復原是自適應光學中最重要的環節，傳統的波前復原需要先通過哈特曼傳感器進行質心探測，然后經過波前控制器恢復出波前，但系統龐雜、成本較高、過程復雜。新的波前復原技術一般基于像優化理論，不再用哈特曼進行波前探測，只用相機來探測遠場光斑或其離焦光斑，大大降低了系統的復雜度，實現上有以下兩種途徑：

一種是迭代法，比如隨機并行梯度下降算法(stochastic parallel gradientdescent algorithm，簡稱SPGD)，通過不斷的迭代，使得遠場光斑越來越接近理想光斑，這種方法所需迭代次數較多，收斂速度慢，很難滿足自適應光學應用的需求，羅切斯特大學的SCOTT W.PAINE等人通過CNN網絡給出比較好的波前估計作為基于梯度優化方法的初值，從而能提高收斂效率，但還是基于迭代的算法；

另一種是基于神經網絡，通過大量的訓練建立遠場光斑和畸變波前的對應關系，然后通過訓練好的網絡進行波前復原，不需要迭代單次就能復原出波前，尤其是隨著深度學習技術的不斷發展，能為波前復原提供更好的技術支撐。溫州大學阮秀凱等提出了一種基于動力學反饋神經網絡的波前重構方法，安徽農業大學的馬慧敏等提出了一種基于卷積神經網絡的自適應光學校正方法，但他們都是以澤尼克模式法為基礎，要將波前表征為澤尼克多項式的形式，但是對于大氣湍流等波前數據，具有很多的高頻信息，如果用澤尼克多項式來表征的話則需要的階數比較高，此時，多階澤尼克的組合方式就會非常多，需要的訓練樣本也將非常的大，對于高階像差的復原，以光強圖像數據作為網絡輸入，輸入節點參量會非線性增加，網絡的訓練變的極為困難，極易陷入局部極值以及出現過擬合問題；而且用澤尼克多項式來表征波前有很大的局限性，澤尼克多項式只在單位圓內部是連續正交的，如果光束的孔徑形狀不是圓形，而是環形、方形或“回”字形等，則其波前無法用澤尼克多項式來表征。

發明內容

本發明針對現有技術不足，提供一種基于生成對抗網絡的波前復原方法，能直接通過遠場光斑對波前進行復原，不受限于波前的頻率和孔徑形狀。

為解決上述技術問題，本發明采取的技術方案是：

一種基于生成對抗網絡的波前復原方法，包括以下步驟：

利用訓練樣本集訓練生成對抗網絡的pix2pix模型，其包括生成器和判別器；

訓練樣本集數據經格式轉換后輸入給生成器，生成波前數據；

判別器將生成的波前數據和真實的波前數據進行對比判斷，如果判斷為假，則根據損失函數優化生成器，并重新生成波前數據繼續進行對比判斷，直到判斷為真時，得到最終的波前復原網絡模型；

將目標光波數據經過格式轉換后，輸入到波前復原網絡模型中，得到復原波前數據。

進一步地，生成器采用U-net結構，判別器采用PatchGAN的6層卷積網絡。

進一步地，訓練樣本集通過以下步驟生成：通過快速傅里葉變換加次諧波補償的方法模擬生成大氣湍流相位，產生波前畸變、振幅均勻的平面波，經過孔徑進行調制，再經過弗朗禾費衍射得到遠場光斑，生成訓練樣本集。

進一步地，訓練樣本集數據轉換為tfrecords格式。