摘要
自适应光学系统中,波前传感器的准确性和鲁棒性极大地影响像差探测能力和闭环校正效果.在波前振幅分布不均匀或信标光能量不足的情况下,哈特曼波前传感器由于存在子孔径缺光现象会导致传感精度下降,而基于远场光斑反演波前相位的无波前传感自适应系统实时性难以满足实用需求.基于深度学习复原波前的方法是通过输入远场光强图像直接求取像差,可以作为自适应光学系统的有效补充.文中通过数值模拟,证明了深度残差神经网络能够通过远场光斑直接预测波前相位的Zemike系数.实验验证了输入与重构波前相位之间校正后残差RMS为0.08λ,GPU加速后的平均计算耗时小于2 ms.该方法能较准确地预测入射波前畸变的Zemike系数,具有一定像差校正能力,适合在传统自适应光学技术中,用于测量并校正波前畸变的主要成分,或为优化式自适应光学提供良好的初始波前估计.
NETL
NSTL
维普
万方数据