中国科学院南京天文光学技术研究所机构知识库

本论文针对LAMOST光谱仪焦点偏移导致的CCD图像离焦问题，围绕LAMOST光谱仪离焦诊断任务，开展了基于深度学习的自动化识别方法研究。针对传统方法依赖人工特征、泛化能力不足以及现有深度模型在复杂离焦模式下特征表达能力有限的问题，提出了一种改进的卷积神经网络模型，实现对多种离焦状态的高精度识别。
首先，基于LAMOST光谱仪实际观测数据，系统分析了不同聚焦状态下CCD图像中光斑形态及灰度分布特征，揭示了离焦对光斑能量分布及半高全宽（FWHM）的影响规律。在此基础上，构建了包含正常聚焦、欠聚焦、过聚焦及倾斜离焦等多种状态的CCD图像数据集，并基于全局阈值迭代的光斑区域提取方法提取光斑，结合多种数据增强策略，提高数据质量与模型泛化能力。
其次，对VGGNet、ResNet、Swin Transformer及ConvNeXt等典型深度学习模型在离焦诊断任务中的性能进行了系统对比分析，明确了现有模型在多尺度特征提取及复杂离焦模式识别方面的不足。
在此基础上，本文提出一种改进的 Hybrid-ConvNeXt 模型。在 ConvNeXt 架构基础上，针对 CCD 离焦光斑的多尺度与非对称结构特征，设计了一种特征融合模块 HybridBlock。该模块通过融合大感受野卷积结构与坐标注意力机制，实现对全局结构信息与方向敏感特征的协同建模，从而增强模型对复杂离焦模式的表征能力。并基于该模块与其他组件对原有网络结构进行优化，有效提升了模型的特征提取能力与判别性能。
通过消融实验与对比实验验证，所提模型在测试集上取得91.66%的分类准确率，在保证较低参数量的同时显著优于多种主流模型，表现出良好的鲁棒性与泛化能力。此外，本文进一步探索了模型在实际系统中的工程化应用，已在LAMOST观测环境下完成离焦诊断系统原型的部署与验证，实现了CCD图像实时输入、自动预处理、模型推理及结果反馈的闭环流程。系统能够对当前成像状态进行在线评估，并为调焦操作提供辅助决策支持，具备一定的实际应用价值。
研究结果表明，本文提出的方法能够有效提升CCD图像离焦诊断精度，为大型光学望远镜中光谱仪的自动化聚焦监测提供了可行的技术路径。