CN108983412A - 一种无波前检测自适应光学系统及光束相位调整方法 - Google Patents
一种无波前检测自适应光学系统及光束相位调整方法 Download PDFInfo
- Publication number
- CN108983412A CN108983412A CN201810746256.5A CN201810746256A CN108983412A CN 108983412 A CN108983412 A CN 108983412A CN 201810746256 A CN201810746256 A CN 201810746256A CN 108983412 A CN108983412 A CN 108983412A
- Authority
- CN
- China
- Prior art keywords
- spot image
- light spot
- light beam
- light
- wave
- 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
Links
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B26/00—Optical devices or arrangements for the control of light using movable or deformable optical elements
- G02B26/06—Optical devices or arrangements for the control of light using movable or deformable optical elements for controlling the phase of light
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明实施例提供了一种无波前检测自适应光学系统及光束相位调整方法,其中系统包括:变形镜,用于对所接收光束进行相位调整;成像模块,用于接收来自变形镜的光束,并将光束成像为光斑图像;卷积神经网络模块,用于接收光斑图像,并预测光斑图像对应的Zernike系数;电压转换模块,用于将Zernike系数转换为变形镜驱动器电压,以使变形镜对光束进行相位调整,能够快速地将光斑图像转化为对应的变形镜驱动器电压,满足相位调整实时性需求。
Description
技术领域
本发明涉及光通信技术领域,特别是涉及一种无波前检测自适应光学系统及光束相位调整方法。
背景技术
自适应光学技术是一种用于天文、医学和激光通信等领域的技术。其中,自适应是指光学系统自动适应不同实验条件的能力,自适应光学系统能够补偿由物像之间的媒介引起的光学效应,例如,大气湍流对光束的影响。
自适应光学技术分为有波前探测自适应光学技术和无波前探测自适应光学技术两种。与有波前探测自适应光学技术相比,无波前探测自适应光学技术具有系统结构简单、不受闪烁等畸变条件限制、对复杂环境适应能力强等优点,成为研究热门领域。
大气湍流对光束的影响体现为相差,影响光学系统成像,因此需消除该相差。图1为一个典型的无波前检测自适应光学系统,如图1所示,受到大气湍流扰动的光束首先经过系统的变形镜进行相位补偿(调整),补偿后的残余波前入射到分光棱镜上,形成两束光线。其中一束光线耦合进入光纤进一步传输,另一束光线则经由CCD(Charge-coupled Device,电荷耦合元件)相机获取对应的光斑图像。CCD相机获取的光斑图像通过控制器进行处理,得到变形镜的驱动电压。该驱动电压控制变形镜对入射光束的相位作进一步调整。整个系统形成闭合的控制回路,能够实现对光束相位的实时补偿。
现有的无波前检测自适应光学系统,通常采用盲优化算法对光斑图像进行处理,例如,采用SPGD(Stochastic Parallel Gradient Descent Elgorithm,随机并行梯度下降法),但是这种算法需要进行数次的迭代计算,因此存在收敛速度慢的问题,导致光斑图像处理变慢,难以满足实时性需求。
发明内容
本发明实施例的目的在于提供一种无波前检测自适应光学系统及光束相位调整方法,以实现在无波前检测自适应光学系统中,提高对光斑图像的处理速度。具体技术方案如下:
第一方面,本发明实施例提供了一种无波前检测自适应光学系统,所述系统包括:
变形镜,用于对所接收光束进行相位调整;
成像模块,用于接收来自所述变形镜的光束,并将所述光束成像为光斑图像;
卷积神经网络模块,用于接收所述光斑图像,并预测所述光斑图像对应的Zernike系数;其中,所述卷积神经网络模块是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到的;
电压转换模块,用于将所述Zernike系数转换为变形镜驱动器电压,根据所述变形镜驱动器电压控制所述变形镜的面形变化,以使所述变形镜对所述光束进行相位调整。
可选地,所述卷积神经网络模块中,所述卷积神经网络包括至少三层卷积层、至少三层池化层、以及至少两层全连接层。
可选地,所述系统还包括:
分光棱镜,用于对所述光束进行分光,分光后的光束不小于两条;
光纤,用于接收并传输所述分光棱镜分出的其中一条光束;
所述成像模块,具体用于:
接收所述分光棱镜分出的其中一条光束,并将所述光束成像为光斑图像。
第二方面,本发明实施例提供了一种无波前检测自适应光学系统的光束相位调整方法,所述方法包括:
获取光束,所述光束为受到大气湍流扰动的畸变光束;
生成所述光束对应的光斑图像;
将所述光斑图像输入预先训练的卷积神经网络中,预测所述光斑图像对应的Zernike系数;其中,所述卷积神经网络是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到的;
将所述Zernike系数转换为变形镜驱动器电压;
利用所述变形镜驱动器电压,调整所述无波前检测自适应光学系统的光束相位。
可选地,所述获取光束之后,所述方法还包括:
对所获取的光束进行分光处理,分光处理后的光束不小于两条。
可选地,所述生成所述光束对应的光斑图像,包括:
利用CCD相机,生成所述光束对应的光斑图像。
可选地,所述卷积神经网络的训练过程包括:
构建初始卷积神经网络;其中,所述初始全卷积神经网络包括至少三层卷积层、至少三层池化层、以及至少两层全连接层;
获取样本光斑图像,并获取各样本光斑图像对应的Zernike系数;
将各样本光斑图像,以及各样本光斑图像对应的Zernike系数输入所述初始卷积神经网络,训练得到所述卷积神经网络。
可选地,所述利用所述变形镜驱动器电压,调整所述无波前检测自适应光学系统的光束相位之后,所述方法还包括:
获取相位调整光斑图像,所述相位调整光斑图像为经相位调整后的光束的光斑图像;
利用SPGD算法,将所述相位调整光斑图像作为迭代计算初始值,经迭代计算后得到变形镜驱动器微调电压;
利用所述变形镜驱动器微调电压,对所述无波前检测自适应光学系统的光束相位进行微调。
第三方面,本发明实施例提供了一种无波前检测自适应光学系统,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现本发明实施例第二方面提供的无波前检测自适应光学系统的光束相位调整方法的方法步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行本发明实施例第二方面提供的无波前检测自适应光学系统的光束相位调整方法的方法步骤。
本发明实施例提供的一种无波前检测自适应光学系统及光束相位调整方法,将所接收光束成像为光斑图像后,能够利用经训练后的卷积神经网络,将光斑图像输入该卷积神经网络,然后输出与光斑图像对应的Zernike系数,并将Zernike系数转换为变形镜驱动器电压,从而控制变形镜的面形变化,对光束进行相位调整。本发明实施例提供的无波前检测自适应光学系统及光束相位调整方法,不需要再通过盲优化算法对光斑图像进行处理,即,不需要再进行大量的迭代计算,能够快速地将光斑图像转化为对应的变形镜驱动器电压,满足无波前检测自适应光学系统的相位调整实时性需求。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为现有无波前检测自适应光学系统的结构示意图;
图2为本发明实施例提供的无波前检测自适应光学系统的一种结构示意图;
图3为本发明实施例提供的无波前检测自适应光学系统的光束相位调整方法的一种流程示意图;
图4为本发明实施例提供的无波前检测自适应光学系统的光束相位调整装置的一种结构示意图;
图5为本发明实施例提供的无波前检测自适应光学系统的光束相位调整装置的另一种结构示意图;
图6为本发明实施例提供的无波前检测自适应光学系统的再一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图2所示,本发明实施例提供了一种无波前检测自适应光学系统,该系统包括:
变形镜1,用于对所接收光束进行相位调整。
本发明实施例中,变形镜1用于补偿接收光束。自由空间中的光束在传输过程中由于收到大气湍流的影响会发生相位畸变,导致成像模糊,因此需要对所接收光束的相位进行调整。
具体地,变形镜可以通过改变自身的形状,从而对光束的相位进行调整,以抵消畸变的波前。
需要说明的是,可以通过现有无波前检测自适应光学系统中的接收装置接收光束。
成像模块2,用于接收来自变形镜的光束,并将光束成像为光斑图像。
本发明实施例中,成像模块2可以包括:成像透镜201和CCD相机202。光束经过成像透镜201聚焦后射入CCD相机202,CCD相机202接收光束并成像为光斑图像。
卷积神经网络模块3,用于接收光斑图像,并预测光斑图像对应的Zernike系数。
其中,卷积神经网络模块3是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到的。
本发明实施例中,卷积神经网络模块3中,卷积神经网络可以包括:至少三层卷积层、至少三层池化层、以及至少两层全连接层。
电压转换模块4,用于将得到的Zernike系数转换为变形镜驱动器电压,根据变形镜驱动器电压控制变形镜的面形变化,以使变形镜对光束进行相位调整。
本发明实施例中,整个无波前检测自适应光学系统形成闭合的控制回路,能够实现对光束相位的实时调整。
需要说明的是,电压转换模块4可以为现有无波前检测自适应光学系统中的电压转换模块,其具体构造本发明实施例在此不再赘述。
作为本发明实施例一种可选的实施方式,上述系统还可以包括:
分光棱镜5,用于对光束进行分光,其中,分光后的光束不小于两条。
光纤6,用于接收并传输分光棱镜分出的其中一条光束,以用于其它用途,例如,光通信。
可选地,上述成像模块2可以接收分光棱镜5分出的其中一条光束,从而将光束成像为光斑图像。
本发明实施例提供的一种无波前检测自适应光学系统,将所接收光束成像为光斑图像后,能够利用经训练后的卷积神经网络,将光斑图像输入该卷积神经网络,然后输出与光斑图像对应的Zernike系数,并将Zernike系数转换为变形镜驱动器电压,从而控制变形镜的面形变化,对光束进行相位调整。本发明实施例提供的无波前检测自适应光学系统及光束相位调整方法,不需要再通过盲优化算法对光斑图像进行处理,即,不需要再进行大量的迭代计算,能够快速地将光斑图像转化为对应的变形镜驱动器电压,满足无波前检测自适应光学系统的相位调整实时性需求。
如图3所示,本发明实施例还提供了一种无波前检测自适应光学系统的光束相位调整方法,应用于无波前检测自适应光学系统中,该过程可以包括以下步骤:
S101,获取光束。
本发明实施例中,所获取的光束为受到大气湍流扰动的畸变光束。容易理解,当光束穿过大气时,由于受大气湍流的影响,光束会发生畸变,导致成像模糊。
作为本发明实施例一种可选的实施方式,还可以对所获取的光束进行分光处理,其中,分光处理后的光束不小于两条。
S102,生成光束对应的光斑图像。
本发明实施例中,当获取光束后,可以生成该光束对应的光斑图像。
可选地,可以利用现有的成像模块,例如,由透镜和CCD相机组成的成像模块,生成光斑图像。
需要说明的是,光束生成光斑图像的过程为现有技术,本发明实施例在此不再赘述。
S103,将光斑图像输入预先训练的卷积神经网络中,预测光斑图像对应的Zernike系数。
本发明实施例中,卷积神经网络是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到。
其训练原理可以为:
第一步,准备训练数据和标签。
采集大量受到大气湍流影响的光斑图像作为训练集,然后用Zernike多项式拟合训练集中样本光斑图像的相位损失,并将相应的Zernike系数作为训练数据的标签。
样本光斑图像对应的Zernike系数可以通过现有的SPGD算法计算得到。需要说明的是,对于得到样本光斑图像对应的Zernike系数的方法,本发明实施例不做具体限定,只要能保证样本光斑图像对应正确的Zernike系数即可,即,保证训练数据和标签的准确性即可。
单位圆内任意一种相位模式都可以由有限阶Zernike多项式的线性组合近似得到:
式中,表示待矫正的波前相位差;θ和r为极坐标;M为设定的Zernike的最大阶数;ai为Zernike第i阶多项式的系数;Zi(r,θ)表示第i阶Zernike多项式;
其中,Zernike多项式的形式可以如下:
where
式中,j表示Zernike多项式的阶数;n和m都是和Zernike多项式的阶数有关的自然数,且在算式中隐含两个条件:n-m为偶数,且n大于等于m;s表示自然数。
n和m总是以组合的形式出现,而且遵循特定的顺序:首先确定n为零,然后按照从小到大的顺序依次去找满足条件的m。再确定n为1,随后再按照从小到大的顺序依次去找满足条件的m,依次类推。
对于每一个条件满足条件的n和m的组合,都可以从上式中找到对应的Zernike多项式的计算方法,这些Zernike多项式按照上述顺序依次标号。特别地,当n和m相等时,对应了两个Zernike多项式,其中使用同向分量cos(mθ)的多项式被标记为奇数阶,使用正交分量sin(mθ)的多项式被标记为偶数阶。
因此可以用Zernike系数表示光斑图像的相位损失情况。
第二步,将训练集中的样本光斑图像和对应的标签输入到初始卷积神经网络中进行前向传播。
一个典型的卷积神经网络一般包括卷积层、池化层和全连接层。概括来说,卷积层的作用是从图像中提取特征,池化层则丢掉一些特征以防止过拟合,全连接层负责建立特征和目标数据之间的关系。卷积层、池化层和全连接层在同一个网络结构中往往出现多次。一般来说,网络层数越多,模型的描述能力越强。
本发明实施例中,所构建的初始卷积神经网络可以包括:至少三层卷积层、至少三层池化层、以及至少两层全连接层。
样本光斑图像经过卷积神经网络的前向传播后会得到N阶的Zernike系数,其中N由卷积神经网络自身的模型决定。
第三步,计算初始卷积神经网络的loss并反向传播
对于一张样本光斑图像,设初始卷积神经网络计算得到的Zernike系数为z,样本光斑图像对应的标签为则可以以z与的欧式距离为初始卷积神经网络的loss,即,损失函数(值),表示为:
得到初始卷积神经网络的loss后,通过反向传播算法计算梯度并更新初始卷积神经网络的参数。
第四步,重复第二步和第三步,直到初始卷积神经网络收敛,并将训练好的卷积神经网络存储在自适应光学系统的卷积神经网络模块中,以供使用。
对初始卷积神经网络进行训练时,具体实施方法可以为:
步骤1,利用预设的Zernike系数对大气湍流进行仿真,得到5000组光斑图像和对应的Zernike系数,以作为使用的训练集S。其中,5000组光斑图像作为样本光斑图像,对应的Zernike系数作为标签。
步骤2,将样本光斑图像处理为灰度图像,并修建分辨率为[96,96]。
步骤3,将训练集S输入初始卷积神经网络的第一个卷积层,并通过其中的池化层进行下采样。整体运算可表示为下式:
out1=pool{relu[conv1(S)+b]}
式中,out1是第一个卷积层的输出;Conv1表示第一个卷积运算,卷积核为[5,5],卷积步长为[1,1],卷积核数量为32;b表示偏移量;relu表示特定的激活函数,其表达式为:
relu(x)=max(0,x)
式中,pool表示最大池化运算,步长为[2,2],即,每四个数据取一最大值。
步骤4,将第一个卷积层运算得到的结果输入第二个卷积层,进一步提取特征,并通过池化层进行下采样。整体运算可表示为下式:
out2=pool{relu[conv2(out1)+b]}
式中,out2是第二个卷积层的输出;conv2表示第二层卷积运算,卷积核为[5,5],卷积步长为[1,1],卷积核数量为64;同样,b表示偏移量;relu表示特定的激活函数。
步骤5,将第二个卷积层运算得到的结果输入第三个卷积层,进一步提取特征,并通过池化层进行下采样。整体运算可表示为下式:
out3=pool{relu[conv3(out2)+b]
式中,out3是第三个卷积层的输出;conv3表示第三个卷积运算,卷积核为[3,3],卷积步长为[1,1],卷积核数量为64;同样,b表示偏移量;relu表示特定的激活函数。
步骤6,将第三个卷积层的运算结果输入第一个全连接层,其过程为:
首先将卷积运算得到的数据展平为一个长度为18432的一维向量,可以记为初始一维向量,然后将该初始一维向量点乘以一个形状为[1024,18432]的权重矩阵,并在每一项添加偏置量,最终得到一个长度为1024的一维向量,可以记为第一一维向量。该第一一维向量表示为:
fc1=W1·flat+b1
式中,fc1表示得到的第一一维向量;W1表示第一权重矩阵;flat表示初始一维向量;b1表示第一偏置量。
步骤7,将第一个全连接层的运算结果(即第一一维向量)输入第二个全连接层,然后将第一一维向量点乘以一个形状为[32,1024]的权重矩阵,最终得到一个长度为32的一维向量,代表着预测的前32阶Zernike系数,可以记为第二一维向量。该第二一维向量表示为:
fc2=W2·fc1+b2
式中,fc2表示得到的第二一维向量;W2表示第二权重矩阵;fc1表示第一一维向量;b2第二表示偏置量。
步骤8,计算预测的Zernike系数和标签所提供的Zernike系数之间的欧式距离,即为loss:
步骤9,通过loss计算每个权重对应的梯度,并通过现有的Adam(adaptivemomentestimation,自适应矩估计)优化算法进行反向传播。训练共迭代20000次,并将训练好的卷积神经网络存储。
S104,将Zernike系数转换为变形镜驱动器电压。
变形镜驱动器电压与变形镜的面形变化满足以下关系:
式中,是变形镜的面形变化矩阵;S是变形镜驱动器影响函数矩阵;Δu是电压变化向量。
又根据Zernike系数的性质:
可以得到Zernike系数和变形镜驱动电压之间的对应关系:
a·Z·S-1=Δu
因此,可以将Zernike系数转换为变形镜驱动电压。
S105,利用变形镜驱动器电压,调整无波前检测自适应光学系统的光束相位。
得到变形镜驱动电压后,即可调整无波前检测自适应光学系统的光束相位。经相位调整后的光束,可以再次生成光斑图像,并通过卷积神经网络预测对应的Zernike系数,进而将所预测的Zernike系数转换为变形镜驱动器电压,再次对无波前检测自适应光学系统的光束相位进行调整。整个无波前检测自适应光学系统形成闭合的控制回路,能够实现对光束相位的实时调整。
作为本发明实施例一种可选的实施方式,获取经相位调整后的光束的光斑图像后,可以利用SPGD算法,将相位调整光斑图像作为迭代计算初始值,输入至现有的控制器中进行处理,得到变形镜的驱动电压。由于该相位调整光斑图像所对应的电压值已经很接近目标变形镜的驱动电压,因此控制器只需要进行少量迭代计算即可得到目标变形镜的驱动电压。也即,通过将本发明实施例的基于卷积神经网络的调整方法与现有的SPGD算法相结合,可以大幅提高现有SPGD算法的处理速度。
本发明实施例提供的一种无波前检测自适应光学系统的光束相位调整方法,将所接收光束成像为光斑图像后,能够利用经训练后的卷积神经网络,将光斑图像输入该卷积神经网络,然后输出与光斑图像对应的Zernike系数,并将Zernike系数转换为变形镜驱动器电压,从而控制变形镜的面形变化,对光束进行相位调整。本发明实施例提供的无波前检测自适应光学系统及光束相位调整方法,不需要再通过盲优化算法对光斑图像进行处理,即,不需要再进行大量的迭代计算,能够快速地将光斑图像转化为对应的变形镜驱动器电压,满足无波前检测自适应光学系统的相位调整实时性需求。
本发明实施例提供的无波前检测自适应光学系统的光束相位调整装置的一种具体实施例,与图3所示流程相对应,参考图4,图4为本发明实施例的无波前检测自适应光学系统的光束相位调整装置的一种结构示意图,包括:
光束获取模块701,用于获取光束,光束为受到大气湍流扰动的畸变光束。
光斑图像生成模块702,用于生成光束对应的光斑图像。
系数预测模块703,用于将光斑图像输入预先训练的卷积神经网络中,预测光斑图像对应的Zernike系数。其中,卷积神经网络是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到的。
电压转换模块704,用于将Zernike系数转换为变形镜驱动器电压。
相位调整模块705,用于利用变形镜驱动器电压,调整无波前检测自适应光学系统的光束相位。
本发明实施例提供的一种无波前检测自适应光学系统的光束相位调整装置,将所接收光束成像为光斑图像后,能够利用经训练后的卷积神经网络,将光斑图像输入该卷积神经网络,然后输出与光斑图像对应的Zernike系数,并将Zernike系数转换为变形镜驱动器电压,从而控制变形镜的面形变化,对光束进行相位调整。本发明实施例提供的无波前检测自适应光学系统及光束相位调整方法,不需要再通过盲优化算法对光斑图像进行处理,即,不需要再进行大量的迭代计算,能够快速地将光斑图像转化为对应的变形镜驱动器电压,满足无波前检测自适应光学系统的相位调整实时性需求。
本发明实施例还提供了一种无波前检测自适应光学系统的光束相位调整装置,如图5所示,在图4所示装置结构的基础上,该装置还包括:
分光模块706,用于对所获取的光束进行分光处理,分光处理后的光束不小于两条。
图像获取模块707,用于获取相位调整光斑图像,相位调整光斑图像为经相位调整后的光束的光斑图像。
微调电压计算模块708,用于利用随机并行梯度下降法SPGD,将相位调整光斑图像作为迭代计算初始值,经迭代计算后得到变形镜驱动器微调电压。
相位微调模块709,用于利用变形镜驱动器微调电压,对无波前检测自适应光学系统的光束相位进行微调。
本发明实施例提供的一种无波前检测自适应光学系统的光束相位调整装置,由于相位调整光斑图像所对应的电压值已经很接近目标变形镜的驱动电压,因此只需要进行少量迭代计算即可得到目标变形镜的驱动电压,对无波前检测自适应光学系统的光束相位进行微调即可,能够大幅提高现有SPGD算法的处理速度。
本发明实施例还提供了一种无波前检测自适应光学系统,如图6所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
获取光束,光束为受到大气湍流扰动的畸变光束;
生成光束对应的光斑图像;
将光斑图像输入预先训练的卷积神经网络中,预测光斑图像对应的Zernike系数;其中,卷积神经网络是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到的;
将Zernike系数转换为变形镜驱动器电压;
利用变形镜驱动器电压,调整无波前检测自适应光学系统的光束相位。
本发明实施例提供的一种无波前检测自适应光学系统,将所接收光束成像为光斑图像后,能够利用经训练后的卷积神经网络,将光斑图像输入该卷积神经网络,然后输出与光斑图像对应的Zernike系数,并将Zernike系数转换为变形镜驱动器电压,从而控制变形镜的面形变化,对光束进行相位调整。本发明实施例提供的无波前检测自适应光学系统及光束相位调整方法,不需要再通过盲优化算法对光斑图像进行处理,即,不需要再进行大量的迭代计算,能够快速地将光斑图像转化为对应的变形镜驱动器电压,满足无波前检测自适应光学系统的相位调整实时性需求。
上述无波前检测自适应光学系统提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述无波前检测自适应光学系统与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,用以执行如下步骤:
获取光束,光束为受到大气湍流扰动的畸变光束;
生成光束对应的光斑图像;
将光斑图像输入预先训练的卷积神经网络中,预测光斑图像对应的Zernike系数;其中,卷积神经网络是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到的;
将Zernike系数转换为变形镜驱动器电压;
利用变形镜驱动器电压,调整无波前检测自适应光学系统的光束相位。
本发明实施例提供的一种计算机可读存储介质,将所接收光束成像为光斑图像后,能够利用经训练后的卷积神经网络,将光斑图像输入该卷积神经网络,然后输出与光斑图像对应的Zernike系数,并将Zernike系数转换为变形镜驱动器电压,从而控制变形镜的面形变化,对光束进行相位调整。本发明实施例提供的无波前检测自适应光学系统及光束相位调整方法,不需要再通过盲优化算法对光斑图像进行处理,即,不需要再进行大量的迭代计算,能够快速地将光斑图像转化为对应的变形镜驱动器电压,满足无波前检测自适应光学系统的相位调整实时性需求。
对于系统/装置/存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,本发明实施例的系统、装置及存储介质分别是应用上述无波前检测自适应光学系统的系统、无波前检测自适应光学装置及存储介质,则上述无波前检测自适应光学系统的所有实施例均适用于该系统、无波前检测自适应光学装置及存储介质,且均能达到相同或相似的有益效果。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种无波前检测自适应光学系统,其特征在于,包括:
变形镜,用于对所接收光束进行相位调整;
成像模块,用于接收来自所述变形镜的光束,并将所述光束成像为光斑图像;
卷积神经网络模块,用于接收所述光斑图像,并预测所述光斑图像对应的Zernike系数;其中,所述卷积神经网络模块是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到的;
电压转换模块,用于将所述Zernike系数转换为变形镜驱动器电压,根据所述变形镜驱动器电压控制所述变形镜的面形变化,以使所述变形镜对所述光束进行相位调整。
2.根据权利要求1所述的系统,其特征在于,所述卷积神经网络模块中,所述卷积神经网络包括至少三层卷积层、至少三层池化层、以及至少两层全连接层。
3.根据权利要求1或2所述的系统,其特征在于,所述系统还包括:
分光棱镜,用于对所述光束进行分光,分光后的光束不小于两条;
光纤,用于接收并传输所述分光棱镜分出的其中一条光束;
所述成像模块,具体用于:
接收所述分光棱镜分出的其中一条光束,并将所述光束成像为光斑图像。
4.一种无波前检测自适应光学系统的光束相位调整方法,应用于如权利要求1-3所述的无波前检测自适应光学系统中,所述方法包括:
获取光束,所述光束为受到大气湍流扰动的畸变光束;
生成所述光束对应的光斑图像;
将所述光斑图像输入预先训练的卷积神经网络中,预测所述光斑图像对应的Zernike系数;其中,所述卷积神经网络是根据各样本光斑图像,以及各样本光斑图像对应的Zernike系数训练得到的;
将所述Zernike系数转换为变形镜驱动器电压;
利用所述变形镜驱动器电压,调整所述无波前检测自适应光学系统的光束相位。
5.根据权利要求4所述的方法,其特征在于,所述获取光束之后,所述方法还包括:
对所获取的光束进行分光处理,分光处理后的光束不小于两条。
6.根据权利要求4所述的方法,其特征在于,所述生成所述光束对应的光斑图像,包括:
利用电荷耦合元件CCD相机,生成所述光束对应的光斑图像。
7.根据权利要求4所述的方法,其特征在于,所述卷积神经网络的训练过程包括:
构建初始卷积神经网络;其中,所述初始全卷积神经网络包括至少三层卷积层、至少三层池化层、以及至少两层全连接层;
获取样本光斑图像,并获取各样本光斑图像对应的Zernike系数;
将各样本光斑图像,以及各样本光斑图像对应的Zernike系数输入所述初始卷积神经网络,训练得到所述卷积神经网络。
8.根据权利要求4所述的方法,其特征在于,所述利用所述变形镜驱动器电压,调整所述无波前检测自适应光学系统的光束相位之后,所述方法还包括:
获取相位调整光斑图像,所述相位调整光斑图像为经相位调整后的光束的光斑图像;
利用随机并行梯度下降法SPGD,将所述相位调整光斑图像作为迭代计算初始值,经迭代计算后得到变形镜驱动器微调电压;
利用所述变形镜驱动器微调电压,对所述无波前检测自适应光学系统的光束相位进行微调。
9.一种无波前检测自适应光学系统,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的程序时,实现权利要求4-8任一项所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求4-8任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810746256.5A CN108983412A (zh) | 2018-07-09 | 2018-07-09 | 一种无波前检测自适应光学系统及光束相位调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810746256.5A CN108983412A (zh) | 2018-07-09 | 2018-07-09 | 一种无波前检测自适应光学系统及光束相位调整方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108983412A true CN108983412A (zh) | 2018-12-11 |
Family
ID=64536528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810746256.5A Pending CN108983412A (zh) | 2018-07-09 | 2018-07-09 | 一种无波前检测自适应光学系统及光束相位调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108983412A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
CN109870800A (zh) * | 2019-01-15 | 2019-06-11 | 中国科学院西安光学精密机械研究所 | 一种无波前探测自适应光学系统及其快速无模型控制方法 |
CN109936696A (zh) * | 2019-02-28 | 2019-06-25 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN110020719A (zh) * | 2019-03-26 | 2019-07-16 | 中国科学院光电技术研究所 | 一种基于图像矩特征的波前校正方法 |
CN110068973A (zh) * | 2019-04-15 | 2019-07-30 | 中国科学院光电技术研究所 | 一种基于反卷积神经网络的液晶像差校正方法 |
CN110207835A (zh) * | 2019-05-23 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于离焦图像训练的波前校正方法 |
CN110332990A (zh) * | 2019-05-24 | 2019-10-15 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
CN110349095A (zh) * | 2019-06-14 | 2019-10-18 | 浙江大学 | 基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法 |
CN111290118A (zh) * | 2020-03-10 | 2020-06-16 | 北京空间机电研究所 | 一种变形镜的解耦控制方法及装置 |
CN112180583A (zh) * | 2020-10-30 | 2021-01-05 | 中国工程物理研究院激光聚变研究中心 | 一种基于全光神经网络的自适应光学系统 |
WO2021160085A1 (zh) * | 2020-02-12 | 2021-08-19 | 北京理工大学 | 基于径向基函数的可变形反射镜面形控制方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6911637B1 (en) * | 2002-05-23 | 2005-06-28 | The United States Of America As Represented By The Secretary Of The Army | Wavefront phase sensors using optically or electrically controlled phase spatial light modulators |
CN101441322A (zh) * | 2008-12-29 | 2009-05-27 | 中国科学院长春光学精密机械与物理研究所 | 基于gpu计算的自适应光学变形镜的闭环控制方法 |
JP2015031813A (ja) * | 2013-08-02 | 2015-02-16 | 株式会社ニコン | 補償光学素子の設定方法及び顕微鏡 |
CN106324828A (zh) * | 2016-09-28 | 2017-01-11 | 中国科学院长春光学精密机械与物理研究所 | 液晶‑变形镜的混合式自适应光学系统设计方法 |
CN106934455A (zh) * | 2017-02-14 | 2017-07-07 | 华中科技大学 | 基于cnn的遥感影像光学适配结构选取方法及系统 |
US20180012359A1 (en) * | 2016-07-06 | 2018-01-11 | Marinko Venci Sarunic | Systems and Methods for Automated Image Classification and Segmentation |
-
2018
- 2018-07-09 CN CN201810746256.5A patent/CN108983412A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6911637B1 (en) * | 2002-05-23 | 2005-06-28 | The United States Of America As Represented By The Secretary Of The Army | Wavefront phase sensors using optically or electrically controlled phase spatial light modulators |
CN101441322A (zh) * | 2008-12-29 | 2009-05-27 | 中国科学院长春光学精密机械与物理研究所 | 基于gpu计算的自适应光学变形镜的闭环控制方法 |
JP2015031813A (ja) * | 2013-08-02 | 2015-02-16 | 株式会社ニコン | 補償光学素子の設定方法及び顕微鏡 |
US20180012359A1 (en) * | 2016-07-06 | 2018-01-11 | Marinko Venci Sarunic | Systems and Methods for Automated Image Classification and Segmentation |
CN106324828A (zh) * | 2016-09-28 | 2017-01-11 | 中国科学院长春光学精密机械与物理研究所 | 液晶‑变形镜的混合式自适应光学系统设计方法 |
CN106934455A (zh) * | 2017-02-14 | 2017-07-07 | 华中科技大学 | 基于cnn的遥感影像光学适配结构选取方法及系统 |
Non-Patent Citations (4)
Title |
---|
CARLOS GONZALEZ-GUTIERREZ ETC.: "Comparative Study of Neural Network Frameworks for the Next Generation of Adaptive Optics Systems", 《SENSORS》 * |
M. EGMONT-PETERSEN ETC.: "Image processing with neural networks—a review", 《PATTERN RECOGNITION》 * |
XIAO FEI ETC.: "Deblurring adaptive optics retinal images using deep convolutional neural networks", 《BIOMEDICAL OPTICS EXPRESS》 * |
鲍华 等: "自适应光学图像事后重建技术研究进展", 《光电工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870800B (zh) * | 2019-01-15 | 2020-06-16 | 中国科学院西安光学精密机械研究所 | 一种无波前探测自适应光学系统及其快速无模型控制方法 |
CN109870800A (zh) * | 2019-01-15 | 2019-06-11 | 中国科学院西安光学精密机械研究所 | 一种无波前探测自适应光学系统及其快速无模型控制方法 |
CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
CN109936696A (zh) * | 2019-02-28 | 2019-06-25 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN109936696B (zh) * | 2019-02-28 | 2020-09-29 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
CN110020719A (zh) * | 2019-03-26 | 2019-07-16 | 中国科学院光电技术研究所 | 一种基于图像矩特征的波前校正方法 |
CN110068973A (zh) * | 2019-04-15 | 2019-07-30 | 中国科学院光电技术研究所 | 一种基于反卷积神经网络的液晶像差校正方法 |
CN110068973B (zh) * | 2019-04-15 | 2020-11-13 | 中国科学院光电技术研究所 | 一种基于反卷积神经网络的液晶像差校正方法 |
CN110207835A (zh) * | 2019-05-23 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于离焦图像训练的波前校正方法 |
CN110332990A (zh) * | 2019-05-24 | 2019-10-15 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
CN110332990B (zh) * | 2019-05-24 | 2021-08-24 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
CN110349095A (zh) * | 2019-06-14 | 2019-10-18 | 浙江大学 | 基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法 |
WO2021160085A1 (zh) * | 2020-02-12 | 2021-08-19 | 北京理工大学 | 基于径向基函数的可变形反射镜面形控制方法及装置 |
CN111290118A (zh) * | 2020-03-10 | 2020-06-16 | 北京空间机电研究所 | 一种变形镜的解耦控制方法及装置 |
CN112180583A (zh) * | 2020-10-30 | 2021-01-05 | 中国工程物理研究院激光聚变研究中心 | 一种基于全光神经网络的自适应光学系统 |
CN112180583B (zh) * | 2020-10-30 | 2022-07-01 | 中国工程物理研究院激光聚变研究中心 | 一种基于全光神经网络的自适应光学系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983412A (zh) | 一种无波前检测自适应光学系统及光束相位调整方法 | |
CN109031654B (zh) | 一种基于卷积神经网络的自适应光学校正方法及系统 | |
CN107843982B (zh) | 基于实时相位差异技术的无波前探测自适应光学系统 | |
CN102722023B (zh) | 一种基于分离模式控制和优化算法的多变形镜控制方法 | |
Osborn et al. | Using artificial neural networks for open-loop tomography | |
CN110207835A (zh) | 一种基于离焦图像训练的波前校正方法 | |
CN106845024B (zh) | 一种基于波前反演的光学卫星在轨成像仿真方法 | |
US11287647B2 (en) | Correcting undesired distortions or aberrations and generating desired wavefronts in optical imaging, sensing, signaling and other applications based on bi-valued Walsh functions | |
CN113066021B (zh) | 基于图像特征匹配的空间望远镜在轨像差补偿方法 | |
CN102540474A (zh) | 一种实现边缘陡峭且光强波动低的平顶光束整形控制方法及其整形装置 | |
CN106526839A (zh) | 一种基于模式的同步无波前自适应光学系统 | |
Béchet et al. | Beam shaping for laser-based adaptive optics in astronomy | |
Johnson et al. | Bulk wind estimation and prediction for adaptive optics control systems | |
CN109764876B (zh) | 无人平台的多模态融合定位方法 | |
Song et al. | Mixed sensitivity H-infinity control of an adaptive optics system | |
CN207882564U (zh) | 基于实时相位差异技术的无波前探测自适应光学系统 | |
CN109946829A (zh) | 变焦稳像一体化成像系统中变形镜变焦面形设计方法 | |
CN115753018A (zh) | 一种动态湍流下畸变涡旋光束超前预测校正方法 | |
Jenkins et al. | An ELT scale MCAO real-time control prototype using Xeon Phi technologies | |
CN102507147B (zh) | 一种自适应光学系统性能的实时评价系统 | |
Siby et al. | Controller design for optical wave-front stabilization in FSO communication system | |
CN114994859A (zh) | 基于cnn的tma望远镜面形、位姿误差在轨校正方法 | |
CN107633126A (zh) | 一种离轴视场下稀疏孔径望远镜子镜误差的检测方法 | |
Agapito et al. | Infinite impulse response modal filtering in visible adaptive optics | |
Schwartz et al. | Phasing a small deployable optical space telescope using focal-plane wavefront sensing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |