Die In-situ-Erkennung von Aberrationen im optischen System ist von großer Bedeutung für die Bearbeitung und Montage optischer Systeme, die Entwicklung von Lithographiesystemen und die Orbitaljustierung von Raumfahrtkameras. Traditionelle In-situ-Erkennungsmethoden wie Phasenrückgewinnung (Phase Retrieval, PR) und Phasendiversität (Phase Diversity, PD) liefern unter bestimmten Bedingungen gute Ergebnisse, stoßen jedoch bei großen numerischen Aperturen oder nicht erfüllten Nyquist-Grenzfrequenzen des optischen Systems an ihre Grenzen. Daher wird in diesem Artikel eine Methode vorgeschlagen, die ein erweitertes Nijboer-Zernike-Beugungsmodell (Extended Nijboer-Zernike, ENZ) mit tiefen neuronalen Netzen kombiniert. Zunächst wird ein tiefes Residuallnetzwerk mit SE (Squeeze-and-Excitation) Aufmerksamkeitsmechanismus aufgebaut. Danach wird eine Abbildung vom Intensitätsbild der Punktspreizfunktion (Point Spread Function, PSF) zur Phasenverteilung erstellt, um Merkmale der Beugungsintensität zu extrahieren und Koeffizienten zur Phasenbeschreibung vorherzusagen. Abschließend werden die vorhergesagten Koeffizienten mit dem erweiterten Nijboer-Zernike-Beugungsmodell kombiniert, um ein vorhergesagtes PSF-Bild zu erhalten und die Frontwellenbestimmung des optischen Systems zu realisieren. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode bei großen numerischen Aperturen und nicht erfüllter Nyquist-Abtastung ein Root Mean Square (RMS) zwischen dem realen und rekonstruierten Wellenfrontbild von etwa 0,02λ erreicht und andere Methoden übertrifft. Die Methode ist unüberwacht, reduziert die Abhängigkeit von großen Trainingsdatenmengen und erhöht die Genauigkeit der Wellenfrontdetektion.

Wellenfrontdetektion; erweitertes Nijboer-Zernike-Verfahren (ENZ); Deep Learning