CN1052187A - 光电混合角度判别方法及装置 - Google Patents

光电混合角度判别方法及装置 Download PDF

Info

Publication number
CN1052187A
CN1052187A CN 90102944 CN90102944A CN1052187A CN 1052187 A CN1052187 A CN 1052187A CN 90102944 CN90102944 CN 90102944 CN 90102944 A CN90102944 A CN 90102944A CN 1052187 A CN1052187 A CN 1052187A
Authority
CN
China
Prior art keywords
angle
imaging
multichannel
light
cyborg
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 90102944
Other languages
English (en)
Inventor
王汝笠
章明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Technical Physics of CAS
Original Assignee
Shanghai Institute of Technical Physics of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Technical Physics of CAS filed Critical Shanghai Institute of Technical Physics of CAS
Priority to CN 90102944 priority Critical patent/CN1052187A/zh
Publication of CN1052187A publication Critical patent/CN1052187A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明的光电混合角度判别方法和装置，是运用 光信息处理与人工电子神经网络技术提供了一种有 效的非接触实时角度判定方法和硬件。目标经图象 输入1、CCD摄像机2、高亮度阴极射线成象器3，再 经相干光相关处理4，实时提供成象目标，然后经相 关峰值输出5，由多路电子人工神经网络6进行角度 判别。当神经元个数增加到40个以上时，其角度判 别精度可提高到10-3。

Description

本发明涉及用于计量角度或锥度的方法或装置，特别是一种光电混合角度判别方法及装置。
苏联专利SU  1206614A，申请号3728796/24-28，申请日84.04.06，名称为“ОПТИКО-ЗЛЕКТРОННАЯ  УГЛОМЕ-РНАЯ  СИСТЕМА”，提出了一种光电混合角度判别方法。这一方法不足之处是：（1）.非实时性;（2）.线路不具有通用性;（3）.只能测辐射源角度。
A.J.Worth等（A  Neural  Network  for  Tactile  Sensing：The  Hertzian  Contact  Problem，pp.I-267～1274，IJCNN，Washington，DC  June  18-22，1989）提出了一种用人工神经网络进行接触性角度判别的方法。这一方法的不足之处是：（1）.只能判定接触性角度变化;（2）.只能识别单个目标的角度变化;（3）.不能对成像物体进行角度判定。
本发明的目的是建立一种光电混合式人工神经网络角度判别系统，能对非接触性的多成像物体进行实失角度判别的方法和装置，其结构和线路具有通用性。
先对本发明的附图作一简单说明：
图1是光电混合后角度判别系统的框图。其中1为图像输入，2为CCD摄像，由1和2组成成像单元;3为高亮度阴极射线管成像器，4为相干光相关处理，5为相关峰值输出，由3、4、5组成光信息处理单元;6为多路电子人工神经网络。
图2是光相干器光路图，其中3为高亮度阴极射线管成像器，7、8为平面反射镜，9为成像镜组，10为液晶光阀;11为氦氖激光器，12为扩束器，13为平面反射镜，14为平直镜，15为偏振片，16为分束棱镜，17为偏振片，18为傅里叶透镜，19为匹配滤波器，20、21为平面反射镜，22为傅里叶透镜，23为平面反射镜，24为毛玻璃片，25为平面反射镜，26为小型CCD摄像仪。
图3为一种电子人工神经网络线路图。其中27为线性放大单元，28为准线性电子人工神经元，29为半S型电子人工神经元，30为线性放大单元。
图4为准线性人工神经元线路图。
图5为半S型人工神经元线路图。
图6、图7、图8、图9分别为图3的A、B、C、D局部放大图。
本发明的目的是这样来达到的：
光电混合角度判别方法，其中包括从不同通道获取图象，用成象数据流描述，不同灰阶的图象经过硬件预处理，将视频转换成易于相关运算的二进制图象。再将成象信号转换成光信息。光信息经相干光相关处理，根据4f典型相干光信息处理原理，实现模拟光计算。再由小型CCD摄像机获取相关峰成像图;然后由多路电子人工神经网络实现相关峰检测、判定、显示和输出。本发明的特征在于采用光学相关器实时识别成象目标及输出目标的相关峰，传输到多路人工神经网络，由神经网络进行角度判别。多路人工神经网络的权值采用下式学习：
其中ε＝1/（J+M+P），α＝（2J+M）/（J+M+P），β＝-J/（J+M+P），J、M、P为常量，E为能量，t为时间变量。为了保证输入信号足够大，神经元能在线路中正常工作，而且尽量工程实用化，用一种准线性神经元模式，来作为角度判定人工神经网络的输入层和隐含层。考虑到光学对负信号处理有困难，以及神经元实现1/（1+10-x）功能时能工程化，为此建立了一种半S型人工神经元模式，作为角度判定人工神经网络的输出层。准线性神经元模式和半S型神经元模式在专利申请CN90102857.6（申请日90.05.17）和CN90102905.X（申请日90.07.20）中有详细阐述。多路电子人工神经网络的权值通过三次训练产生，第一次是用1/（1+e-x）和1/（1+10-x）为人工神经元函数训练权值，这次是理论值获取和保证权值收敛;第二次用1/（1+10-x）和1/2+（1/4）X为人工神经元函数训练权值，是按准线性神经元确定输入层和隐含层，训练输出层;第三次按实际线路阈值对权值再次训练，训练输出层。
光电混合角度判别装置。其中包括：（1）高亮度阴极射线管，用其接受成象信号，输出光信息至光相关器;（2）光相关器，用它实现模拟光计算，将相关运算结果直接由小型CCD摄像机获取;（3）小型CCD摄像机，来获取相关峰成象图，快速传输到多路电子人工神经网络;本发明的特征在于光相关器光路设计为：一路非相关光束由高亮度阴极射线管3接受输入物体成象信号并输出光信息，顺序经平面反射镜7、8，成象透镜组9，到达液晶光阀10，实行空间光调制;另一路相干光束由氦氖激光器11发出顺序经过扩束器12，平面反射镜13、平面镜14、偏振片15到分束棱镜16，折向液晶光阀10，形成由一束平行光照明输入物体图象;再顺序通过分束棱镜16，偏振片17、傅里叶透镜18、匹配滤波器19、平面反射镜20、21、傅里叶透镜22、平面反射镜23、毛玻璃片24、平面反射镜25后到达小型CCD摄像机26，获取相关峰成像图。本发明的另一个特征是多路电子人工神经网络接受相关峰成像图，完成角度的实时连续判别，它是由经过多路线性放大单元27，再经过二层多路准线性神经元28网络的输入层和隐含层，然后进入一层多路半S型人工神经元29网络输臭层，再经过多路线性放大单元30所组成。
当飞行物旋转时，其相关峰值发生变化，用本发明方法和装置进行角度判别，其步骤是：
1.记录飞行物旋转从0°到45°时的相关峰值;
2.将飞行物角度与相关峰值作为训练权值的原始数据输入;
3.多路电子人工神经网络的权值训练，第一次用1/（1+e-x）和1/（1+10-x）为人工神经元函数训练权值，是理论值获取和保证权值收敛;第二次用1/（1+10-x）和1/2+（1/4）X为人工神经元函数训练权值，是按标准性神经元确定输入层和隐含层，训练输出层，第三次按实际阈值对权值在次训练，训练输出层。
4.用硬件实现人工神经网络角度判别系统。
当隐含层神经元个数为4个时，精度达到2-3%;当神经元个数增加到40个以上，其角度判别精度可以提高到10-3。
本发明有如下效果和优点：
1.可对非接触性目标进行角度判别。
2.可对多目标进行角度判别。
3.可实时进行角度判别。
4.可对成象物体进形角度判别。
5.结构与线路具有通用性。
6.不需经模/数或数/模转换。
7.可连续控制。
8.判别的角度值连续。
9.可用于智能传感器设计。

Claims (2)

1、一种光电混合角度判别方法，其中包括：
(a).从不同通道获取图象，用成象数据流描述，不同灰阶的图象经过硬件预处理将视频转换成易于相关运算的二进制图象；
(b).将成象信号转换成光信息；
(c).光信息经相干光处理，实现模拟光计算；
(d).实时获取相关峰成象图；
(e).实现相关峰检测、判定、显示和输出；
其特征在于：
(f).采用光学相关器实时识别成象目标及输出目标相关峰，传输到多路电子人工神经网络，由神经网络进行角度判别；
(g).多路电子人工神经网络的权值通过三次训练产生，第一次用1/(1+e-X)和1/(1+10-x)为人工神经元函数训练权值，是理论值获取和保证权值收敛；第二次用1/(1+10-x)和1/2+(1/4)X为人工神经元函数训练权值，是按准线性神经元确定输入层和隐含层，训练输出层；第三次按实际线路阀值对权值再次训练，训练输出层。
2、一种光电混合角度差别装置，其中包括：
（a）.高亮度阴极射线管。用其接受成象信号，向光相关器输出光信息;
（b）.光相关器，用它实现模拟光计算，将相关运算结果送至小型CCD摄像机;
（c）.小型CCD摄像机，来获取相关峰成象图，快速传输到多路电子人工神经网络;
其特征在于：
（d）.光相关器光路设计为：一路非相干光束由高亮度阴极射线管3接受输入物体成象信号并输出光信息，顺序经平面反射镜7、8、成象透镜组9，到达液晶光阀10，实行空间光调制;另一路相干光束由氦氖激光器11发出，顺序经过扩束器12、平面反射镜13、平直镜14、偏振片15到分束棱镜16，折向液晶光阀10，形成由一束平行光照明输入物体图象;再顺序通过分束棱镜16、偏振片17、傅里叶透镜18、匹配滤波器19、平面反射镜20、21、傅里叶透镜22、平面反射镜23、毛玻璃片24、平面反射镜25后到达小型摄像机26，获取相关峰成象图;
（e）.多路电子人工神经网络，接受相关峰成象图，完成角度的实时连续判别，它是由经过多路线性放大单元27，再经过二层多路准线性电子神经元28网络的输入层和隐含层，然后进入一层多路半S型人工神经元29网络的输出层，再经过多路线性放大单元30所组成。
CN 90102944 1990-09-28 1990-09-28 光电混合角度判别方法及装置 Pending CN1052187A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 90102944 CN1052187A (zh) 1990-09-28 1990-09-28 光电混合角度判别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 90102944 CN1052187A (zh) 1990-09-28 1990-09-28 光电混合角度判别方法及装置

Publications (1)

Publication Number Publication Date
CN1052187A true CN1052187A (zh) 1991-06-12

Family

ID=4877818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 90102944 Pending CN1052187A (zh) 1990-09-28 1990-09-28 光电混合角度判别方法及装置

Country Status (1)

Country Link
CN (1) CN1052187A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784486A (zh) * 2018-12-26 2019-05-21 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784486A (zh) * 2018-12-26 2019-05-21 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法
CN109784486B (zh) * 2018-12-26 2021-04-23 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法

Similar Documents

Publication Publication Date Title
Fielding et al. Optical fingerprint identification by binary joint transform correlation
US7298908B2 (en) Method and apparatus for detecting the presence of one or more images of a known predetermined kind of scene
EP1116169B1 (en) Improvements relating to pattern recognition
US4695973A (en) Real-time programmable optical correlator
US5367579A (en) Method of removing spurious responses from optical joint transform correlators
US6424729B1 (en) Optical fingerprint security verification using separate target and reference planes and a uniqueness comparison scheme
US5323472A (en) Optical image analyzer using optical correlation and opto-electronic feedback
CN1052187A (zh) 光电混合角度判别方法及装置
Harasthy et al. Current summary of the practical using of optical correlators
RU2260847C2 (ru) Способ обнаружения, распознавания и определения координат объекта и устройство для его выполнения
EP1400917B1 (en) Improvements relating to pattern recognition
Esteve-Taboada et al. Target localization in the three-dimensional space by wavelength multiplexing
Kesseler et al. Analytical model of autofocus systems with CCD camera
Francis et al. Optical pattern recognition
EP1632883A2 (en) Optical pattern recognition with a binary phase-only filter for image tracking
Kodate et al. Compact Parallel Optical Correlator for Face Recognition, and Its Application
Taniguchi et al. Detection of road signs by using a multiple correlator and partial invariant filters
Jones et al. Optical correlator comparison of near and far field inverse synthetic arperture radar (ISAR) imagery
Gorecki et al. Optoelectronic implementation of quasi phase-correlation-based processor
Goodwin et al. Hybrid digital/optical ATR system
Orenstein et al. Optical Processor For Scale Invariant Target Detection In FLIR Imaging
Li et al. Phase-encoded amplitude-modulated joint transform correlation
Javidi A low cost compact optoelectronics neural networks for face recognition
JPH08241409A (ja) パターン認識装置及びその方法
He et al. Machine vision through optical correlator

Legal Events

Date Code Title Description
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C06 Publication
PB01 Publication
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication