Распознавание типов аберраций волнового фронта, соответствующих отдельным функциям Цернике, по картине функции рассеяния точки в фокальной плоскости с применением нейронных сетей

Abstract

В работе осуществлено обучение и распознавание типов аберраций, соответствующих отдельным функциям Цернике, по картине интенсивности функции рассеяния точки с применением свёрточных нейронных сетей. Картины интенсивности функции рассеяния точки в фокальной плоскости моделировались с применением алгоритма быстрого преобразования Фурье. При обучении нейронной сети коэффициент обучения и количество эпох для датасета заданного размера был подобран эмпирически. Средние ошибки предсказания нейронной сети для каждого типа аберраций были получены для набора из 15 функций Цернике по датасету из 15 тысяч картин функции рассеяния точки. В результате обучения для большинства типов аберраций получены усреднённые абсолютные погрешности в диапазоне 0,012 – 0,015, однако определение коэффициента (величины) аберрации требует дополнительных исследований и данных, например, расчёта функции рассеяния точки во внефокальной плоскости.

In this work, we carried out training and recognition of the types of aberrations corresponding to single Zernike functions, based on the intensity pattern of the point spread function (PSF) using convolutional neural networks. PSF intensity patterns in the focal plane were modeled using a fast Fourier transform algorithm. When training a neural network, the learning coefficient and the number of epochs for a dataset of a given size were selected empirically. The average prediction errors of the neural network for each type of aberration were obtained for a set of 15 Zernike functions from a data set of 15 thousand PSF pictures. As a result of training, for most types of aberrations, averaged absolute errors were obtained in the range of 0.012 – 0.015. However, determining the aberration coefficient (magnitude) requires additional research and data, for example, calculating the PSF in the extrafocal plane.