CN109212735A - 基于机器学习的高速自适应光学环形光斑校正系统和方法 - Google Patents
基于机器学习的高速自适应光学环形光斑校正系统和方法 Download PDFInfo
- Publication number
- CN109212735A CN109212735A CN201811178236.9A CN201811178236A CN109212735A CN 109212735 A CN109212735 A CN 109212735A CN 201811178236 A CN201811178236 A CN 201811178236A CN 109212735 A CN109212735 A CN 109212735A
- Authority
- CN
- China
- Prior art keywords
- lens
- phase
- ring
- light spot
- shaped light
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000004075 alteration Effects 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000003287 optical effect Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 210000001747 pupil Anatomy 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 239000000571 coke Substances 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 210000004205 output neuron Anatomy 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 15
- 238000000799 fluorescence microscopy Methods 0.000 abstract description 3
- 230000007423 decrease Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 23
- 239000000523 sample Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 238000000399 optical microscopy Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012634 optical imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010870 STED microscopy Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002186 photoactivation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0025—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00 for optical correction, e.g. distorsion, aberration
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/0004—Microscopes specially adapted for specific applications
- G02B21/002—Scanning microscopes
- G02B21/0024—Confocal scanning microscopes (CSOMs) or confocal "macroscopes"; Accessories which are not restricted to use with CSOMs, e.g. sample holders
- G02B21/0052—Optical details of the image generation
- G02B21/0072—Optical details of the image generation details concerning resolution or correction, including general design of CSOM objectives
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/58—Optics for apodization or superresolution; Optical synthetic aperture systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Microscoopes, Condenser (AREA)
Abstract
本发明公开了一种基于机器学习的高速自适应光学环形光斑校正系统和方法。本发明搭建学习模型，建立起畸变环形光斑形态与校正该畸变所需的相位重构系数之间的映射关系，将待测的畸变环形光斑输入训练好的模型中，可以求解出校正该畸变的相位重构系数，进一步将相位重构系数重构出的校正相位加载到空间光调制器上可以校正畸变。本发明能够实现对受激发射损耗荧光显微术中环形光斑像差的快速校正，且精确度高，系统简单易操作，解决了STED超分辨显微成像技术在样品深层成像时像差和散射所导致的分辨率下降问题。
Description
技术领域
本发明属于超分辨显微成像领域中的自适应光学波前像差校正方法，特别涉及了一种基于机器学习的针对受激发射损耗(STED)荧光显微术中环形光斑像差校正的高速自适应光学校正系统和方法，以实现厚样本中的超分辨光学成像。
背景技术
光学显微镜凭借其非接触、无损伤等优点，长期以来是生物医学研究的重要工具。但是，自1873年以来，人们一直认为，光学显微镜的分辨率极限约为200nm，无法用于清晰观察尺寸在200nm以内的生物结构。超分辨光学成像是本世纪光学显微成像领域最重大的突破，打破了光学显微镜的分辨率极限，为生命科学研究提供了前所未有的工具。近十几年来，一系列超分辨显微成像技术相继被提出，使得科学家们可以看到小于衍射极限的物体，以及进行更精密的激光加工和超高密度的光学存储，超分辨成像技术因此获得了2014年诺贝尔化学奖。目前主流的超分辨技术有受激发射损耗显微镜技术(STED)，光激活定位显微镜技术(PALM)，随机光学重建显微镜(STORM)等。
其中受激发射损耗(STED)显微技术是一种通过焦点调制从而获得超分辨成像的方法，其原理是当荧光激发光束与抑制荧光信号的环形消激发光光束重叠时，可实现超分辨率。该方法使其在深层成像过程中的分辨率容易受到系统像差和观测样本散射的影响。因此传统受激发射损耗显微技术中，如何在样品内部深层成像时保持超分辨已经成为一个难题。此外,由于光学系统的初级像差的存在会对环形消激发光的分布造成影响,从而使受激发射损耗显微镜系统的分辨率急剧下降。
发明内容
为了解决背景技术中存在的光学系统的初级像差以及深层生物样品散射对环形消激发光分布造成影响而引起的分辨率下降问题，本发明提供了一种基于机器学习的高速自适应光学环形光斑校正系统和方法。该方法利用焦点光场的计算模型,模拟了初级像差，特别是多重初级像差。由该计算模型可得到一定数量的训练数据集(即畸变的环形光斑和对应的相位重构系数)，并采用了机器学习中深度卷积神经网络算法构建学习模型，得到了较好的环形光斑校正效果。
本发明的技术方案如下：
一、基于机器学习的高速自适应光学环形光斑校正系统
本发明包括系统沿光路方向依次布置的空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V、第三透镜L3和工业相机，入射平行光依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V、第三透镜L3后，在所述系统的聚焦平面上由工业相机上探测环形光斑光强分布并形成图像。
所述的工业相机选用EMCCD或者sCMOS相机。
所述的第一透镜L1和第二透镜L2构成一个4F光学系统，第二透镜L2和第三透镜L3构成一个4F光学系统。
所述的空间光调制器SLM放置在第一透镜L1的前焦面处，第一透镜L1的前焦面作为所述系统的光瞳面，涡旋相位板V放置在第二透镜L2的后焦面且位于第三透镜L3的前焦面处，涡旋相位板V与系统的光瞳面以第一透镜L1和第二透镜L2构成的4F光学系统共轭；第三透镜L3的后焦面作为所述系统的聚焦平面。
平行光光束通过涡旋相位板V的出射光束具有涡旋的相位波前，涡旋的相位波前经过第三透镜L3后在所述系统的聚焦平面上呈现环形光斑。
所述的空间光调制器SLM通过液晶折射率调制入射光的波前相位，从而引入或校正像差。
二、基于机器学习的高速自适应光学环形光斑校正方法
本方法包括以下步骤：
1)入射的平行光束依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V和第三透镜L3，在聚焦平面上用工业相机探测无畸变的环形光斑光强分布I0；本步骤中，空间光调制器SLM加载零相位P0；
2)入射的平行光束依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V和第三透镜L3，在聚焦平面上用工业相机探测畸变环形光斑光强分布I1；本步骤进行多次，空间光调制器SLM每次加载不同的畸变相位P1，从而探测得到不同畸变相位P1对应的畸变环形光斑光强分布I1；
3)对步骤2)中的多个畸变相位P1使用泽尼克多项式分解公式得到对应的相位重构系数A1，建立相位重构系数A1与畸变的环形光斑光强分布I1之间的映射关系，构成训练数据集；
4)对步骤3)获得的训练数据集采用机器学习中深度卷积神经网络结构构建学习模型M，学习模型M由5个卷积层和3个全连接层构成，5个卷积层依次顺序连接，5个卷积层的卷积核和激活函数相同，5个卷积层之后依次顺序连接3个全连接层，3个全连接层的卷积核和激活函数不同，采用随机梯度下降方法最小化目标函数求解，最终得到的学习模型M具有：输入一个畸变的环形光斑I，求解出相应畸变相位的相位重构系数A的能力。
5)入射的平行光束依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V和第三透镜L3，在聚焦平面上用工业相机探测畸变的环形光斑光强分布I2；本步骤中，空间光调制器SLM加载作为待测校正对象的随机畸变相位P2；
6)将步骤5)获得的畸变环形光斑光强分布I2输入学习模型M，求出用于校正畸变相位的相位重构系数A2；
7)对步骤6)获得的相位重构系数A2利用泽尼克多项式相位构建函数生成重构相位P3，将重构相位P3与步骤5)中空间光调制器SLM的随机畸变相位P2相叠加，入射的平行光束依次经过加载随机畸变相位P2和重构相位P3的空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V和第三透镜L3，在聚焦平面上用工业相机探测到校正后的环形光斑光强分布I3。
8)重复步骤6-7)，进行迭代运算可以提高校正的效果。
所述的学习模型M具体为：学习模型M由5个卷积层和3个全连接层构成；5个卷积层依次顺序连接，其中第1、2、5个卷积层后面均紧连有一个池化层，用于降低特征图的维度；第1、2个卷积层后的池化层后面均紧连有一个丢掉层，用于防止学习模型过拟合；第1-2个卷积层的卷积核大小均为5*5，第3-5个卷积层的卷积核大小均为3*3，5个卷积层的激活函数均为线性整流函数(RELU)；5个卷积层之后依次顺序连接3个全连接层，3个全连接层的输出神经元个数分别为512、512和7，前两个全连接层的激活函数均为线性整流函数(RELU)，最后一个全连接层的激活函数为线性激活函数(LINEAR)；学习模型M建立相位重构系数A1和相位重构系数A2之间的均方误差MSE作为目标函数，采用随机梯度下降的方法来最小化目标函数。
最终得到的学习模型M具有：输入一个畸变的环形光斑I，求解出相应畸变相位的相位重构系数A的能力。
池化层是紧跟在卷积层后面，其作用是保留这一层的主要特征，同时减少下一层的参数和计算量。丢掉层是指在深度学习网络的训练过程中，对神经网络单元，按照一定的概率将其暂时从网络中丢弃，其参数就是丢弃的概率。
本发明通过特殊地布置涡旋相位板V并引入涡旋的相位波前，并且通过构建特定的学习模型处理获得重构相位P3来实现畸变光学环形光斑的校正。
优选的，工业相机选用EMCCD或者sCMOS相机。
本发明采用机器学习中的深度卷积神经网络搭建学习模型，建立起畸变环形光斑形态(训练样本)与校正该畸变所需的相位重构系数(样本标签)之间的映射关系。无畸变的环形光斑是由平行光束经过涡旋相位板后直接通过透镜聚焦生成。畸变的环形光斑数据集是由平行光束经过涡旋相位板，再经过加载不同畸变相位的空间光调制器(SLM)后通过透镜聚焦所生成。作为样本标签的相位重构系数，是根据泽尼克多项式分解公式对空间光调制器上所加载的不同畸变相位分解所得。将待测的畸变环形光斑输入训练好的模型中，可以求解出校正该畸变的相位重构系数，进一步将相位重构系数重构出的校正相位加载到空间光调制器上可以校正畸变。
本发明能够实现对受激发射损耗荧光显微术中环形光斑像差的快速校正，且精确度高，系统简单易操作，解决了STED超分辨显微成像技术在样品深层成像时像差和散射所导致的分辨率下降问题。
本发明的有益效果是：
1)该方法相比于通过调节物镜校正环补偿像差来实现深层成像的方法，其优点主要为：无需主动调节，操作更为简单快捷，并且可以在保证一定准确率的同时达到很快的像差校正速度。
2)本发明消除了光学系统的初级像差以及深层样品散射对环形消激发光分布造成的影响，从而使受激发射损耗显微技术能在样品内部深层成像时保持较好的超分辨率。打破了超分辨光学显微镜只能在细胞等透明样本的表层成像的限制，有望实现组织样本中的超分辨成像，为生命科学研究提供了前所未有的工具。
附图说明
图1为本发明的光路校正系统示意图。
图2为涡旋相位板上的示意图。
图3为无畸变的环形光斑光强分布图。
图4为基于机器学习的校正像差的方法原理图，其中：
图4(a)为畸变的环形光斑；
图4(b)为对应该畸变光斑的畸变相位重构系数；
图4(c)为由相位重构系数根据泽尼克相位构建函数重构的相位分布。
图5为本发明一个实施例的步骤说明图，其中：
图5(a)为校正前的环形光斑；
图5(b)为校正后的环形光斑；
图5(c)为校正前空间光调制器SLM上的畸变相位分布；
图5(d)为校正后空间光调制器SLM上的相位分布。
图6为基于本发明所提出的像差校正方法的校正前后对比图一，其中：左图为畸变后的环形光斑光强分布图，右图为校正后的环形光斑光强分布图。
图7为基于本发明所提出的像差校正方法的校正前后对比图二，其中：左图为畸变后的环形光斑光强分布图，右图为校正后的环形光斑光强分布图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示，具体实施的系统包括沿光路方向依次布置的空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V、第三透镜L3和CMOS工业相机。其中空间光调制器SLM为反射式的，为了便于说明和理解，图1中画成透射式。具体实施中，CMOS工业相机也可以用EMCCD相机来代替。
入射平行光依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V、第三透镜L3后，在所述系统的聚焦平面上由CMOS工业相机上探测环形光斑光强分布并形成图像。
第一透镜L1和第二透镜L2构成一个4F光学系统，第二透镜L2和第三透镜L3构成一个4F光学系统。
空间光调制器SLM放置在第一透镜L1的前焦面处，第一透镜L1的前焦面作为所述系统的光瞳面，涡旋相位板V放置在第二透镜L2的后焦面且位于第三透镜L3的前焦面处，涡旋相位板V与系统的光瞳面以第一透镜L1和第二透镜L2构成的4F光学系统共轭；第三透镜L3的后焦面作为所述系统的聚焦平面，放置有工业相机。
如图2所示，涡旋相位板V的相位值取值范围为(-π,π)，图中所示的涡旋相位阶数为2阶。平行光光束通过涡旋相位板V的出射光束具有涡旋的相位波前，涡旋的相位波前经过第三透镜L3后在所述系统的聚焦平面上呈现环形光斑，如图3所示。
空间光调制器SLM通过液晶折射率调制入射光的波前相位，从而引入或校正像差。
本发明的具体实施例一及其实施过程如下：
采用机器学习中的深度卷积神经网络搭建学习模型，建立起畸变环形光斑形态(训练样本)与校正该畸变所需的相位重构系数(样本标签)之间的映射关系。具体包括以下步骤：
1)如图1、图2、图3所示，平行光入射依次经过加载零相位P0的空间光调制器SLM，第一透镜L1,第二透镜L2，涡旋相位板V和第三透镜L3，在聚焦平面上用EMCCD或者sCMOS相机探测无畸变的环形光斑光强分布I0，如图2(b)所示。其中涡旋相位板V上的相位分布如图2所示，此处采用2阶涡旋相位板。
2)平行光入射依次经过加载如图4(c)所示的畸变相位P1的空间光调制器SLM，第一透镜L1,第二透镜L2，涡旋相位板V和第三透镜L3，在聚焦平面上用EMCCD或者sCMOS相机探测畸变的环形光斑光强分布I1，如图4(a)所示。
3)对步骤2)中的畸变相位P1使用泽尼克多项式分解公式得到相位重构系数A1(a3-a9)，如图4(b)所示，此处不考虑泽尼克多项式的前三项。将不同组的相位重构系数A1(样本标签)和对应畸变的环形光斑光强分布I1(训练样本)建立一一对应的关系，并且生成足够的训练数据集T。
4)对步骤3)获得的训练数据集T采用机器学习中深度卷积神经网络结构构建学习模型。学习模型M可以由5个卷积层和3个全连接层构成，最终通过学习模型M具有的输入一个畸变的环形光斑I，求解出相应畸变相位的相位重构系数A的能力。
5)平行光入射依次经过加载如图5(b)所示随机畸变相位P2的空间光调制器SLM，第一透镜L1,第二透镜L2，涡旋相位板V和第三透镜L3，在聚焦平面上用EMCCD或者sCMOS相机探测畸变的环形光斑光强分布I2，如图5(a)所示。
6)将步骤5)获得的畸变环形光斑光强分布I2输入步骤4)中训练好的学习模型M，可以求出用于校正该畸变的相位重构系数A2。
7)对步骤6)获得的相位重构系数A2利用泽尼克多项式相位构建函数生成重构相位P3，将重构相位P3叠加到步骤5)中空间光调制器SLM的随机畸变相位P2上，如图5(d)所示。平行光入射依次经过加载随机畸变相位P2和重构相位P3的空间光调制器SLM，第一透镜L1,第二透镜L2，涡旋相位板V和第三透镜L3，在聚焦平面上用EMCCD或者sCMOS相机可探测到校正后的环形光斑光强分布I3，如图5(b)所示。
8)重复步骤6-7)，进行迭代运算可以提高校正的效果。
本发明的实施例二、实施例三分别如图6、图7所示，采用本发明的环形光斑校正方法，可心看出，畸变的光斑校正效果明显，该方法利用焦点光场的计算模型,模拟了初级像差，特别是多重初级像差。由该计算模型可得到一定数量的训练数据集(即畸变的环形光斑和对应的相位重构系数)，并采用了机器学习中深度卷积神经网络算法构建学习模型，得到了较好的环形光斑校正效果。
发明所述的方法相比于通过调节物镜校正环补偿像差来实现深层成像的方法，其优点主要为：无需主动调节，操作更为简单快捷，并且可以在保证一定准确率的同时达到很快的像差校正速度。
Claims (9)
1.一种基于机器学习的高速自适应光学环形光斑校正系统，其特征在于：包括系统沿光路方向依次布置的空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V、第三透镜L3和工业相机，入射平行光依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V、第三透镜L3后，在所述系统的聚焦平面上由工业相机上探测并形成图像。
2.根据权利要求1所述的一种基于机器学习的高速自适应光学环形光斑校正系统，其特征在于：所述的工业相机选用EMCCD或者sCMOS相机。
3.根据权利要求1所述的一种基于机器学习的高速自适应光学环形光斑校正系统，其特征在于：所述的第一透镜L1和第二透镜L2构成一个4F光学系统，第二透镜L2和第三透镜L3构成一个4F光学系统。
4.根据权利要求1所述的一种基于机器学习的高速自适应光学环形光斑校正系统，其特征在于：所述的空间光调制器SLM放置在第一透镜L1的前焦面处，第一透镜L1的前焦面作为所述系统的光瞳面，涡旋相位板V放置在第二透镜L2的后焦面且位于第三透镜L3的前焦面处，涡旋相位板V与系统的光瞳面以第一透镜L1和第二透镜L2构成的4F光学系统共轭；第三透镜L3的后焦面作为所述系统的聚焦平面。
5.根据权利要求1所述的一种基于机器学习的高速自适应光学环形光斑校正系统，其特征在于：平行光光束通过涡旋相位板V的出射光束具有涡旋的相位波前，涡旋的相位波前经过第三透镜L3后在所述系统的聚焦平面上呈现环形光斑。
6.根据权利要求1所述的一种基于机器学习的高速自适应光学环形光斑校正系统，其特征在于：所述的空间光调制器SLM通过液晶折射率调制入射光的波前相位，从而引入或校正像差。
7.应用于权利要求1-4所述的一种基于机器学习的高速自适应光学环形光斑校正方法，其特征在于包括以下步骤：
1)入射的平行光束依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V和第三透镜L3，平行光光束通过涡旋相位板V的出射光束具有涡旋的相位波前，涡旋的相位波前经过第三透镜L3后在聚焦平面上用工业相机探测无畸变的环形光斑光强分布I0；本步骤中，空间光调制器SLM加载零相位P0；
2)入射的平行光束依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V和第三透镜L3，在聚焦平面上用工业相机探测畸变环形光斑光强分布I1；本步骤进行多次，空间光调制器SLM每次加载不同的畸变相位P1，从而探测得到不同畸变相位P1对应的畸变环形光斑光强分布I1；
3)对步骤2)中的多个畸变相位P1使用泽尼克多项式分解公式得到对应的相位重构系数A1，建立相位重构系数A1与畸变的环形光斑光强分布I1之间的映射关系，构成训练数据集；
4)对步骤3)获得的训练数据集采用机器学习中深度卷积神经网络结构构建学习模型M；
5)入射的平行光束依次经过空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V和第三透镜L3，在聚焦平面上用工业相机探测畸变的环形光斑光强分布I2；本步骤中，空间光调制器SLM加载作为待测校正对象的随机畸变相位P2；
6)将步骤5)获得的畸变环形光斑光强分布I2输入学习模型M，求出用于校正畸变相位的相位重构系数A2；
7)对步骤6)获得的相位重构系数A2利用泽尼克多项式相位构建函数生成重构相位P3，将重构相位P3与步骤5)中空间光调制器SLM的随机畸变相位P2相叠加，入射的平行光束依次经过加载随机畸变相位P2和重构相位P3的空间光调制器SLM、第一透镜L1、第二透镜L2、涡旋相位板V和第三透镜L3，在聚焦平面上用工业相机探测到校正后的环形光斑光强分布I3。
8)重复步骤6-7)，进行迭代运算可以提高校正的效果。
8.根据权利要求7所述的一种基于机器学习的高速自适应光学环形光斑校正方法，其特征在于：所述的工业相机选用EMCCD或者sCMOS相机。
9.根据权利要求7所述的一种基于机器学习的高速自适应光学环形光斑校正方法，其特征在于：
所述的学习模型M具体为：学习模型M由5个卷积层和3个全连接层构成；5个卷积层依次顺序连接，其中第1、2、5个卷积层后面均紧连有一个池化层，第1、2个卷积层后的池化层后面均紧连有一个丢掉层，第1-2个卷积层的卷积核大小均为5*5，第3-5个卷积层的卷积核大小均为3*3，5个卷积层的激活函数均为线性整流函数(RELU)；5个卷积层之后依次顺序连接3个全连接层，3个全连接层的输出神经元个数分别为512、512和7，前两个全连接层的激活函数均为线性整流函数(RELU)，最后一个全连接层的激活函数为线性激活函数(LINEAR)；学习模型M建立相位重构系数A1和相位重构系数A2之间的均方误差MSE作为目标函数，采用随机梯度下降的方法来最小化目标函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811178236.9A CN109212735B (zh) | 2018-10-10 | 2018-10-10 | 基于机器学习的高速自适应光学环形光斑校正系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811178236.9A CN109212735B (zh) | 2018-10-10 | 2018-10-10 | 基于机器学习的高速自适应光学环形光斑校正系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109212735A true CN109212735A (zh) | 2019-01-15 |
| CN109212735B CN109212735B (zh) | 2024-01-26 |
Family
ID=64983025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811178236.9A Active CN109212735B (zh) | 2018-10-10 | 2018-10-10 | 基于机器学习的高速自适应光学环形光斑校正系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109212735B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110675451A (zh) * | 2019-09-17 | 2020-01-10 | 北京超放信息技术有限公司 | 基于相空间光学的数字自适应校正方法及系统 |
| CN111077085A (zh) * | 2019-12-31 | 2020-04-28 | 哈工大机器人(中山)无人装备与人工智能研究院 | 基于深度学习的无波前探测器自适应点扫描成像方法 |
| CN112950650A (zh) * | 2021-01-27 | 2021-06-11 | 广东工业大学 | 一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法 |
| CN114022730A (zh) * | 2021-10-28 | 2022-02-08 | 中国科学院光电技术研究所 | 一种基于自监督学习神经网络的点目标相位检索方法 |
| CN109212735B (zh) * | 2018-10-10 | 2024-01-26 | 浙江大学 | 基于机器学习的高速自适应光学环形光斑校正系统和方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004239660A (ja) * | 2003-02-04 | 2004-08-26 | Japan Science & Technology Agency | 顕微鏡 |
| CN102735617A (zh) * | 2012-06-29 | 2012-10-17 | 浙江大学 | 一种超分辨显微方法和装置 |
| CN105242397A (zh) * | 2015-09-30 | 2016-01-13 | 深圳大学 | 一种相干自适应光学像差校正系统 |
| CN106291966A (zh) * | 2016-09-11 | 2017-01-04 | 浙江大学 | Sted超分辨显微技术中损耗光斑的高质量重建方法 |
| CN107505706A (zh) * | 2017-08-22 | 2017-12-22 | 浙江大学 | 基于并行自适应光学校正的多层共轭像差校正系统和方法 |
| CN206906687U (zh) * | 2017-07-06 | 2018-01-19 | 中国科学院西安光学精密机械研究所 | 基于径向偏振调制的干涉式结构光照明显微镜系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109212735B (zh) * | 2018-10-10 | 2024-01-26 | 浙江大学 | 基于机器学习的高速自适应光学环形光斑校正系统和方法 |
-
2018
- 2018-10-10 CN CN201811178236.9A patent/CN109212735B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004239660A (ja) * | 2003-02-04 | 2004-08-26 | Japan Science & Technology Agency | 顕微鏡 |
| CN102735617A (zh) * | 2012-06-29 | 2012-10-17 | 浙江大学 | 一种超分辨显微方法和装置 |
| CN105242397A (zh) * | 2015-09-30 | 2016-01-13 | 深圳大学 | 一种相干自适应光学像差校正系统 |
| CN106291966A (zh) * | 2016-09-11 | 2017-01-04 | 浙江大学 | Sted超分辨显微技术中损耗光斑的高质量重建方法 |
| CN206906687U (zh) * | 2017-07-06 | 2018-01-19 | 中国科学院西安光学精密机械研究所 | 基于径向偏振调制的干涉式结构光照明显微镜系统 |
| CN107505706A (zh) * | 2017-08-22 | 2017-12-22 | 浙江大学 | 基于并行自适应光学校正的多层共轭像差校正系统和方法 |
Non-Patent Citations (3)
| Title |
|---|
| ROBIN SWANSON ETC.: "Wavefront reconstruction and prediction with convolutional neural networks", vol. 10703 * |
| WEI OUYANG ETC.: "Deep learning massively accelerates super-resolution localization microscopy", vol. 36, no. 5, XP055697959, DOI: 10.1038/nbt.4106 * |
| YIYE ZHANG ETC.: "Machine learning based adaptive optics for doughnut-shaped beam", vol. 27, no. 12 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109212735B (zh) * | 2018-10-10 | 2024-01-26 | 浙江大学 | 基于机器学习的高速自适应光学环形光斑校正系统和方法 |
| 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 |
| CN110349095B (zh) * | 2019-06-14 | 2021-08-27 | 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 |
| CN110675451A (zh) * | 2019-09-17 | 2020-01-10 | 北京超放信息技术有限公司 | 基于相空间光学的数字自适应校正方法及系统 |
| CN111077085A (zh) * | 2019-12-31 | 2020-04-28 | 哈工大机器人(中山)无人装备与人工智能研究院 | 基于深度学习的无波前探测器自适应点扫描成像方法 |
| CN111077085B (zh) * | 2019-12-31 | 2022-09-27 | 哈工大机器人(中山)无人装备与人工智能研究院 | 基于深度学习的无波前探测器自适应点扫描成像方法 |
| CN112950650A (zh) * | 2021-01-27 | 2021-06-11 | 广东工业大学 | 一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法 |
| CN112950650B (zh) * | 2021-01-27 | 2023-01-20 | 广东工业大学 | 适用于高精度形貌测量的深度学习畸变光斑中心提取方法 |
| CN114022730A (zh) * | 2021-10-28 | 2022-02-08 | 中国科学院光电技术研究所 | 一种基于自监督学习神经网络的点目标相位检索方法 |
| CN114022730B (zh) * | 2021-10-28 | 2023-08-15 | 中国科学院光电技术研究所 | 一种基于自监督学习神经网络的点目标相位检索方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109212735B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109212735A (zh) | 基于机器学习的高速自适应光学环形光斑校正系统和方法 | |
| Zheng et al. | Concept, implementations and applications of Fourier ptychography | |
| Žurauskas et al. | IsoSense: frequency enhanced sensorless adaptive optics through structured illumination | |
| Liu et al. | Three dimensional single molecule localization using a phase retrieved pupil function | |
| US9740166B2 (en) | Fluorescence receiving apparatus and fluorescence receiving method | |
| Shen et al. | Coherent diffraction imaging by moving a lens | |
| McDermott et al. | Near-field ptychographic microscope for quantitative phase imaging | |
| Hagemann et al. | Reconstruction of wave front and object for inline holography from a set of detection planes | |
| Orban De Xivry et al. | Focal plane wavefront sensing using machine learning: performance of convolutional neural networks compared to fundamental limits | |
| Zhang et al. | Machine learning based adaptive optics for doughnut-shaped beam | |
| Li et al. | Interleaved segment correction achieves higher improvement factors in using genetic algorithm to optimize light focusing through scattering media | |
| Levitan et al. | Single-frame far-field diffractive imaging with randomized illumination | |
| Khorin et al. | Neural networks application to determine the types and magnitude of aberrations from the pattern of the point spread function out of the focal plane | |
| Mikhaylov et al. | Machine learning aided phase retrieval algorithm for beam splitting with an LCoS-SLM | |
| Zhang et al. | Three-dimensional holographic parallel focusing with feedback control for femtosecond laser processing | |
| Liu et al. | Efficient wavefront sensorless adaptive optics based on large dynamic crosstalk-free holographic modal wavefront sensing | |
| Wang et al. | High‐accuracy, direct aberration determination using self‐attention‐armed deep convolutional neural networks | |
| Hu et al. | Quantitative phase imaging based on wavefront correction of a digital micromirror device | |
| Ren et al. | Improved model-based wavefront sensorless adaptive optics for extended objects using N+ 2 images | |
| CN208921983U (zh) | 一种基于机器学习的高速自适应光学环形光斑校正系统 | |
| Ferdman et al. | Diffractive optical system design by cascaded propagation | |
| Zhang et al. | Spatiotemporal coherent modulation imaging for dynamic quantitative phase and amplitude microscopy | |
| Warber et al. | Combination of scene-based and stochastic measurement for wide-field aberration correction in microscopic imaging | |
| Kim et al. | Inversion of coherent surface scattering images via deep learning network | |
| Gong et al. | Tandem aberration correction optics (TACO) in wide-field structured illumination microscopy |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |