.png){kind=icon}
返回
Data-driven precise extraction and division of spatial frequency band errors
.png){kind=icon}
PRE
AI
DOI：10.1016/j.optlastec.2026.114700.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光学表面误差的精确分析面临两大主要挑战：手动频带滤波的低效性和主观性，以及频带划分缺乏通用标准。这些问题已成为精密光学制造与测试中的显著瓶颈。为克服这些挑战，我们提出了一种新颖的数据驱动框架SDSA-ESSCNN，该框架创新性地将傅里叶光学原理与深度学习相结合。与传统卷积神经网络（CNN）不同，我们的框架采用了一种独特设计的频域选择性注意力（SDSA）机制。这种基于物理的设计能够主动选择性地调节频域信息，从而在精确提取目标频带误差的同时有效抑制伪影。该框架仅需0.04秒即可处理一个表面图——比手动滤波快近750倍——且相比传统CNN，在均方根误差（RMSE）精度上提升了2.67倍，相似度达98.47%。此外，为解决现有尺寸依赖型标准的局限性，我们引入了“归一化空间频率”的概念。基于此，我们建立了一种由大量数据驱动的、通用的、与尺寸无关的频带划分方法。本研究为高精度误差分析提供了稳健的解决方案，并为标准化测试、实时原位分析和自动化光学制造奠定了基础。
Keyword:
optical surface errors
frequency band division
deep learning
spectral domain selective attention
normalized spatial frequency
