摘要:

研究论文 ● 开放获取阅读更多

1. 文章导读

大口径光学元件是保障惯性约束聚变、天文观测、航空航天等高端精密仪器制造领域光学系统的核心元件，其面形精度直接决定高端精密仪器中光学系统的整体性能指标。目前面形测量主要采用多步移相干涉测量方法，其测量时间长、对环境稳定性要求极高，难以实现实时高精度测量。

近期，北京理工大学的赵维谦团队，提出了基于深度学习的高精度大口径单帧干涉面形测量新方法，实现了32英寸大口径光学元件面形的动态快速测量。相关研究工作，以“High-precision large-aperture single-frame interferometric surface profile measurement method based on deep learning”为题，发表在《极端制造》（International Journal of Extreme Manufacturing, IJEM）期刊上。

2. 图文解析

本研究的创新之处在于提出了基于深度学习的单帧干涉图大口径面形高精度测量方法(LA-SFISPM)，建立了Swin-UNet-LeFT网络框架，通过对小口径测量的数据进行训练，实现了干涉图与相位信息的映射，并通过对比学习和特征分布对齐增强小口径和大口径的面形特征一致性，在无大口径面形相位标签情况下，实现了大口径光学元件单帧干涉相位信息的高精度重建，如图1所示。本研究解决了传统干涉测量方法对移相器的严重依赖问题，无需移相即可实现大口径光学元件面形的动态快速精确测量，为大口径干涉测量提供了一条高效率、高精度、高动态的全新途径。

图1. 基于深度学习的高精度大口径单帧干涉面形测量方法。(a) 基于LA-SFISPM法的大口径光学元件干涉测量原理图。(b) Swin-UNet-LeFT网络框架图。

研究中建立了基于深度学习的大口径光学元件单帧干涉面形检测模型；实现了无监督的大口径光学元件面形相位信息的提取。该模型在训练过程中引入了预训练、对比学习、域特征对齐以及微调策略，在无相位标签的情况下能准确实现大口径元件相位重建，如图2所示。

图2. LA-SFISM方法的整体框架结构图。(a) 基于Swin-UNet的相位重建网络。(b) 大口径（LA）和小口径（SA）干涉图的对比特征对齐框架。(c) 对抗训练实现域适配。(d) 大口径光学元件面形相位信息解算。

实验结果表明，基于深度学习的高精度大口径单帧干涉面形测量方法对Φ820大口径光学元件进行面形检测，其PV测量精度优于0.0758 λ，RMS简单重复性优于0.00025 λ，测量精度与在超精密环境下ZYGO干涉仪的测量结果相吻合，测量时间缩短了48倍。

图3.大口径光学元件测量结果。(a)基于五步移相干涉法的大口径光学元件面形测量结果。(b)基于LA-SFISPM方法测量得到不同干涉图所对应的面形结果。(c)大口径光学元件面形测量结果的相关矩阵。(d)大口径光学元件面形测量结果误差分布图。
此外，在大口径移相干涉测量过程中环境气流扰动、机械振动和温度波动等外界噪声会显著影响测量精度，本研究在振动、气流扰动等复杂环境下，通过网络抗噪设计、训练策略，具有更高的鲁棒性和适应性，可实现在有噪声的环境下的大口径光学元件单帧干涉动态面形检测，可有效解决传统移相干涉方法对高稳定检测环境的依赖问题。

图4. LA-SFISPM方法的振动噪声抑制效果。(a)在噪声环境下基于五步相移的大口径面形结算。(b)在噪声环境下基于LA-SFISPM方法的大口径面形测量结果。(c)LA-SFISPM与传统移相干涉方法相比的误差。

3. 总结与展望

本研究提出了基于深度学习的高精度大口径单帧干涉面形测量方法，构建了基于深度学习的大口径干涉测试系统，无需移相即可实现大口径光学元件面形的高效、快速、精确测量，为大口径干涉测量提供了一条高效率、高精度、高动态的全新途径。