0122002-1研究论文第43卷第1期/2023年1月/光学学报基于深度学习的透射式光学系统初始结构设计史浩东1，何春风1，2*，王稼禹1，2，杨帅1，2，徐淼1，2，孙洪宇1，2，李英超1，付强11长春理工大学吉林省空间光电技术重点实验室，吉林长春130022；2长春理工大学光电工程学院，吉林长春130022摘要针对传统透射式光学系统初始结构优化设计效率低、结构选取过度依赖经验等问题，提出了一种基于深度学习的透射式光学系统初始结构自动优化设计方法。通过监督训练学习公开光学镜头库中参考镜头的结构特征数据，构建基于光线追迹的无监督训练模型，提升深度神经网络（DNN）模型的泛化能力。通过训练生成的网络模型输出包含真实玻璃的光学系统的结构参数，从而实现透射式光学系统初始结构的自动优化设计。设计结果表明：利用该网络模型优化设计的光学系统初始结构在全视场、全谱段下的像面点斑半径与参考镜头接近，并且能够根据不同焦距要求分别设计出光学系统初始结构；所设计的1×106组初始结构的成功率优于96.403%，表明所提网络模型具有良好的泛化能力。关键词光学设计；深度学习；自动优化；初始结构；光线追迹中图分类号O435.1文献标志码ADOI：10.3788/AOS2212141引言光学系统设计可以理解为一个参数的优化解算过程，光学系统的光学像差与结构参数之间具有复杂的非线性关系［1］。传统光学设计通常根据经验或从公开的镜头库中选取与预期结构相似的初始结构，然后基于阻尼最小二乘法［2-3］、适应法［4］等局部优化算法和模拟退火法［5］、遗传算法［3，6-7］、逃逸算法［8］、粒子群算法［9-10］等全局优化算法对初始结构进行优化。因此，选取一个合适的初始结构对后续的优化效果和效率尤为重要。然而，目前初始结构设计方法通常类似一个试错过程，设计者主要依靠设计经验针对不同设计需求确定最为合适的初始结构，这种方法在一定程度上限制了光学系统的设计效率和后续的可优化性。因此，亟需发展新的光学系统初始结构优化设计方法予以解决。近年来，人工智能算法得到了快速发展，其在解决非线性问题上相比传统算法具有高效、准确等优势，有望解决光学系统的非线性优化问题，并提升光学系统初始结构的设计效率。因此，基于深度学习的光学系统优化设计方法逐渐成为各国学者的研究热点。2017年，Yang等［11］提出了一种可以自动获取高性能自由曲面系统的逐点设计方法。之后，Yang等［12］成功将深度学习算法应用到反射式系统设计中，实现了离轴三反成像系...
