Die Erfassung von Verzerrungen in der Position optischer Systeme ist für die Bearbeitung und Justierung optischer Systeme, die Entwicklung von Fotolithographiemaschinen, die Anpassung von Weltraumkameras in der Umlaufbahn usw., von großer Bedeutung. Traditionelle Methoden zur Erfassung von Verzerrungen in der Position optischer Systeme wie Phasenwiederherstellung (PR, Phase Retrieval) und Phasenvielfalt (PD, Phase Diversity) zeigen in spezifischen Bedingungen herausragende Leistungen, haben jedoch Einschränkungen bei großen numerischen Aperturen oder komplexen Bedingungen, die nicht die untere Nyquist-Frequenzgrenze des optischen Systems erfüllen. Daher schlägt dieser Artikel eine Methode vor, die ein erweitertes Nijboer-Zernike-Beugungsmodell mit einem tiefen neuronalen Netzwerk kombiniert. Zunächst wird ein tiefes Residualnetzwerk mit einem Squeeze-and-Excitation (SE)-Aufmerksamkeitsmechanismus konstruiert, dann wird eine Zuordnungsbeziehung von der Intensitätsbildpunktausbreitungsfunktion (PSF, Point Spread Function) zur Phasenverteilung hergestellt, um Merkmale der Beugungsintensität zu extrahieren und Phasenbeschreibungskoeffizienten vorherzusagen, und anschließend werden diese vorhergesagten Koeffizienten mit dem ENZ-Beugungsmodell (Extend Nijboer-Zernike) kombiniert, um ein vorhergesagtes PSF-Bild für die Erfassung der Wellenfront des optischen Systems zu erhalten. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode bei großen numerischen Aperturen (NA, Numerical Aperture) des optischen Systems und nicht erfüllter Nyquist-Abtastung eine Restwellenfront-RMS zwischen dem tatsächlichen Wellenfrontbild und dem rekonstruierten Wellenfrontbild von etwa 0,02λ aufweist, was anderen Methoden überlegen ist. Im Vergleich zu anderen tiefen Lernmethoden ist diese Methode eine unüberwachte Methode, die die Abhängigkeit von einer großen Menge an Trainingsdaten nicht nur reduziert, sondern auch die Genauigkeit der Wellenfronterfassung verbessert.

Wellenfronterfassung; Extend Nijboer-Zernike (ENZ); Deep Learning