基于深度学习的无波前探测自适应光学技术研究

作     者：李玉双 

作者单位：长春理工大学 

学位级别：硕士

导师姓名：岳丹

授予年度：2023年

学科分类：070207[理学-光学] 07[理学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0803[工学-光学工程] 0702[理学-物理学] 

主      题：自适应光学 无波前探测 深度学习 泽泥克系数 维纳滤波 

摘      要：由于大气湍流等因素导致光束在传播过程中容易发生波前畸变,使得望远镜等设备捕获的图像存在严重的退化现象,而自适应光学技术是补偿畸变波前的重要手段。根据是否需要利用波前传感器探测波前信息,将自适应光学技术分为基于波前探测的自适应光学(wavefront sensor adaptive optics,WFS AO)技术和无波前探测自适应光学(wavefront sensorless adaptive optics,WFS-less AO)技术。基于波前探测的自适应光学技术需在原有光路的基础上增加单独的测量光路,增加了光学系统的复杂性,更为重要的是,随着该技术应用领域的不断拓展,如光通讯、扩展目标成像及激光腔内像差校正等,基于波前探测的自适应光学技术的使用具有一定局限性。无波前探测自适应光学技术去除了有波前探测自适应光学技术中的波前传感器件,改用迭代寻优控制算法以校正效果为评价指标、以波前校正器所需的电压信息为优化参数,通过迭代优化实现畸变波前校正,具有结构简单、操作简便、精度高等优点,但仍然存在收敛速度慢、难以满足像差校正的实时性需求等问题。近年来,基于数据驱动的深度学习被引入了自适应光学技术领域中,该类方法通过构建网络模型,利用焦平面光强图像作为输入、畸变波前作为输出对网络模型展开训练,最终实现从光强图像到畸变波前端到端地直接输出,能一次性解算出湍流像差而无需迭代,因此能大幅度提高像差解算的速度。但该技术仍处于初期基础研究阶段,许多实际核心问题仍待验证。因此,针对当前自适应光学技术中存在的问题,本文主要围绕着基于深度学习的无波前探测自适应光学技术展开研究,论文主要工作内容如下:1)搭建了基于深度学习的无波前探测自适应光学技术模型,并研究了大气湍流的数值模拟方法,最终选取基于Kolmogorov湍流理论来模拟不同强度的大气湍流,在此基础上建立起了精确的、符合实际物理成像过程的光学成像系统模型,得到了在不同大气湍流强度下观测目标对应的系统焦面退化图像,建立出了大量、可靠的包含焦面退化图像与对应湍流像差的可用数据集。2)搭建了不同的深度学习神经网络,包括CNN、Res Net系列网络以及Efficient Net-B0网络等,并将建立数据集中的焦面退化图像作为网络的输入,对应的大气湍流像差作为网络的输出,以像差检测精度、探测范围及解算速度为目标,研究了深度神经网络结构以及特定网络训练算法,实现了目标退化图像和湍流像差系数之间网络映射模型的精确建立。然后利用建立的模拟自适应光学系统产生大量的焦面退化图像,对构建的多个深度神经网络展开测试,实现了对算法的求解精度、探测范围及解算速度的验证,并将基于深度学习的WFS-less AO技术与基于SPGD算法的WFS-less AO技术进行了对比。3)研究了基于解算波前像差对退化图像的解卷积策略,基于Efficient Net-B0网络模型预测出的波前像差,求解了成像系统的点扩散函数,在求得系统退化模型基础上,通过维纳滤波的方式进行了观测目标退化图像的复原计算,获得无波前探测自适应光学系统观测目标的高分辨率成像。