(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110647335.2 (22)申请日 2021.06.10 (65)同一申请的已公布的文献号 申请公布号 CN 113312848 A (43)申请公布日 2021.08.27 (73)专利权人 太原理工大 学 地址 030024 山西省太原市万柏林区迎泽 西大街79号 (72)发明人 贾鹏　展阳阳　 (74)专利代理 机构 太原市科瑞达专利代理有限 公司 14101 专利代理师 李富元 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112116616 A,2020.12.2 2 CN 110703764 A,2020.01.17 CN 112861332 A,2021.0 5.28 CN 112365973 A,2021.02.12CN 112216127 A,2021.01.12 CN 1081541 18 A,2018.0 6.12 CN 109712183 A,2019.0 5.03 US 2020349729 A1,2020.1 1.05 CN 103809290 A,2014.0 5.21 US 20190945 32 A1,2019.0 3.28 US 201527 7438 A1,2015.10.01 WO 2020102762 A1,2020.0 5.22 S. Huybrec hts 等. 《Structural design for depl oyable optical telescopes》 . 《 20 00 IEEE Aerospace Co nference. Proce edings》 .2002, 胡方明. 《光电成像系统建模及性能评估技 术研究》 . 《中国优秀博硕士学位 论文全文数据库 (博士) 信息科技 辑》 .2011,(第3期), 杨小姗 等. 《数据驱动的空间目标图像信息 感知技术》 . 《光学 学报》 .2021, Peng Jia 等. 《Po int spread functi on modelling for w ide-field s mall-aperture telescopes w ith a den oising autoencoder》 . 《 Monthly Notices of the Royal Astronomical Society》 .2020, 审查员 王芳芳 (54)发明名称 一种以适配目标信息提取算法为目的光学 系统智能设计方法 (57)摘要 本发明涉及光学系统设计领域， 一种以适配 目标信息提取算法为目的光学系统智能设计方 法， 建立一种基于神经网络的数字光学系统模 型， 该基于神经网络的数字光学系统模型包括目 标信息提取网络模型FAST ‑RCNN、 相位模拟神经 网络PSF‑net。 本发明提供的一种以适配目标信 息提取算法为目的光学系统智能设计方法， 降低 了硬件条件及环境对研究的限制， 为进一步研究 提升目标信息提取系统性能提供了关键技术支 持； 利用目标信息提取结果对光学系统数字孪生系统进行设计及优化， 从根本上改变传统光学系 统与目标信息提取系统设计模式， 大幅提升类目 标信息提取算法的能力。 权利要求书1页 说明书3页 附图1页 CN 113312848 B 2022.10.04 CN 113312848 B 1.一种以适配目标信息提取算法为目的的光学系统设计方法， 其特征在于： 建立一种 基于神经网络的数字光学系统模型， 该基于神经网络的数字光学系统模型包括目标信息提 取网络模型 FAST‑RCNN和相位模拟神经网络P SF‑net， 具体按照如下步骤进行： 步骤一、 光学系统内元件的相位分布、 望远镜模拟系统、 目标检测网络FAST ‑RCNN； 相位模拟神经网络PSF ‑net负责形成光学系 统内某一个或几个衍射元件 的相位分布； 望远镜模拟系统根据相位分布、 待观测目标位置和亮度原始信息、 监控系统光学元件参数， 生成任意数目的模拟观测图像， 目标信息提取网络模 型FAST‑RCNN处理模拟观测图像， 并以 目标信息提取效率、 目标的定位精度、 测光精度和分类精度作为系统评价损失函数， 系统评 价损失函数将 差值反向传播， 传输至目标信息提取网络FAST ‑RCNN输入层， 获取输入层的反 向传输误差， 将反向传输误差在基于神经网络的数字光学系统模型内反向传播， 获取对应 面的相位分布； 步骤二、 在获取光学系统内元件的目标相位之后， 再将当前相位作为初始化的网络的 一层或多层与后续的目标信息提取网络模型FAST ‑RCNN相结合， 同时在实验中保证目标信 息提取网络模型 FAST‑RCNN中参数保持不变； 步骤三、 通过训练完成的目标信息提取网络模型FAST ‑RCNN对基于神经网络的数字光 学系统模 型参数进 行训练， 获得以适配目标信息提取算法为目的的光学系统， 具体为： 建立 1000组包含不同数目、 位置及噪声特征的模拟观测图像数据作为输入； 以目标检测位置精 度、 目标分类准确度或目标光度信息为损失函数， 在基于神经网络的数字光学系统模型内 训练神经网络权重， 每20组数据训练结束后， 根据神经网络的权重进 行一次神经网络更新， 根据结果， 调整目标信息提取网络神经元， 对该基于神经网络的数字光学系统模型中的相 位的数值进行调整， 该步骤调整完成后继续按照前述 流程训练神经网络； 经过50次上述训练后， 损失函数的值达到最小， 此时即获得与当前目标信息提取网络 模型FAST ‑RCNN的最佳光学系统， 而此时的基于神经网络的数字光学系统模型中的参数就 是作为最佳的输出。权　利　要　求　书 1/1 页 2 CN 113312848 B 2一种以适配目标信息提取算法为目的光学系统智能设计方 法 技术领域 [0001]本发明涉及 光学系统设计领域， 具体为一种以适配目标检测算法为目的光学系统 智能设计方法。 背景技术 [0002]以目标检测算法为代表的目标信息提取算法主要目的为从图像中获取特征目标 的位置、 亮度及类别等信息。 这类算法现在已经十 分成熟， 常用的网络算法有基于候选区域 的目标检测如： RCNN、 Fast  R‑CNN、 Faster  R‑CNN和R‑FCN以及单次检测器SSD等。 目前， 常用 的方法有SSD、 YOL O / v2 / v3、 RetianNet算法等。 虽然当前算法较多， 但是在实际应用中， 针对不同目标检测任务不同算法往往需要自定义地修改网络模型， 以此提高目标信息提取 算法的性能。 但是， 仅仅依靠参数调优对算法性能提高有限， 对目标的信息提取能力提升一 般。 此外， 目标检测算法往往需要配置于嵌入式设备等 终端中工作， 对模型复杂度及功 耗等 均有较为严格的要求。 另一方面， 光电系统尤其是以自由曲面及衍射式光学元件等为代表 的新型元件加工和检测性能获得了长足进步， 其制造、 检测价格在快速下降。 由此我们提出 将目标信息提取算法和目标图像获取过程作为一个整体， 针对目标信息提取方法， 优化图 像获取设备能力， 进一 步提升目标信息提取算法性能。 发明内容 [0003]针对现有技术存在的不足以及不便之处， 本发明的目的在于提供一种以适配目标 信息提取算法为目的光学系统智能设计方法， 实现对包括图像获取设备和目标信息提取算 法在内的整个目标信息提取系统能力进行提升 。 [0004]为了解决上述技术问题， 本发明提供了如下技术方案： 一种以适配目标信息提取 算法为目的光学系统智能设计方法， 包括： [0005]一种以适配目标信息提取算法为目的的光学系统设计方法， 建立一种基于神经网 络的数字光学系统模型， 该基于神经网络的数字光学系统模型包括目标信息提取网络模型 FAST‑RCNN、 相位模拟神经网络PSF ‑net （参考： https://iopscience.iop.org/article/ 10.3847/15 38‑3881/ab7b79/meta） ； 具体按照如下步骤进行： [0006]步骤一、 准备光学系统内元件的相位、 望远镜模拟系统 （成像系统模拟程序太原理 工地基光学红外 望远镜模拟系统） 、 目标检测网络FAST ‑RCNN； [0007]相位模拟神经 网络PSF‑net负责形成光学系统内某一个或几个衍射元件的相位分 布； 成像系统模拟程序太原理工地基光学红外望远镜模拟系统可根据相位分布、 待观测目 标位置和亮度原始信息、 监控系统其他光学元件参数， 生 成任意数目的模拟观测图像。 目标 信息提取网络模 型FAST‑RCNN可以处理模拟观测图像， 并以目标信息提取效率： 目标的定位 精度、 测光精度和分类精度作为系统评价损失函数。 系统评价损失函数将差值反向传播， 传 输至目标信息提取网络输入层， 获取输入层的反向传输误差。 将修正误差在基于神经网络 的数字光学系统模型内反向传播， 可获取对应面的相位分布。说　明　书 1/3 页 3 CN 113312848 B 3