基于远场信息和卷积神经网络的波前重构方法
探测波前相位信息是实现自适应光学波前补偿的关键,使用卷积神经网络(CNN)代替波前传感器进行波前重构,系统简单易于实现,同时重构过程不依赖迭代运算,快速实时.为准确提取远场中的波前特征,CNN需要事先使用大量样本进行训练.研究中根据4~30阶大气湍流泽尼克像差系数与其远场强度的对应关系,仿真制作样本数据集,训练CNN从输入的一帧远场图像中预测出畸变波前的泽尼克像差系数,重构原始波前.验证结果表明,该方法能快速实时地还原出波前相位信息,重构波前较原始波前具有极高的波面吻合度和较小的残差剩余量,有望实现实际自适应光学系统中的闭环校正.
自适应光学;深度学习;卷积神经网络;泽尼克模式;远场光斑;波前重构
33
O439(光学)
中国工程物理研究院创新发展基金项目;国防科技创新特区课题项目
2021-09-07(万方平台首次上网日期,不代表论文的发表时间)
共6页
124-129