Методы глубокого обучения на основе архитектуры ResNet50 для идентификации волновых аберраций

Abstract

В данной работе рассматриваются методы глубокого обучения, основанные на архитектуре ResNet50, для автоматической идентификации как одиночных волновых аберраций оптических систем, так и суперпозиции двух типов аберрации. Использование residual connections обеспечивает высокую точность классификации типов аберраций (дефокусировка, астигматизм 1-го и 2-го порядка, кома, трилистник, четырёхлистник и сферическая) и их величин по распределениям интенсивности с нескольким дифракционными порядками, полученными с помощью многоканальных ДОЭ. Численные эксперименты демонстрируют эффективность предложенного подхода в автоматизации распознавания, что делает его перспективным для использования в режиме реального времени в адаптивной оптике и офтальмологии. На основе обучения сети в 20 эпохах получено, что для валидационной выборки средняя абсолютная ошибка распознавания аберраций не превышает 0.0056.