CN109596227B - 一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统 - Google Patents
一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统 Download PDFInfo
- Publication number
- CN109596227B CN109596227B CN201811489635.7A CN201811489635A CN109596227B CN 109596227 B CN109596227 B CN 109596227B CN 201811489635 A CN201811489635 A CN 201811489635A CN 109596227 B CN109596227 B CN 109596227B
- Authority
- CN
- China
- Prior art keywords
- phase
- frequency error
- intermediate frequency
- light
- light modulator
- 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.)
- Active
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000011084 recovery Methods 0.000 title claims abstract description 24
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003384 imaging method Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000009738 saturating Methods 0.000 claims description 6
- 210000002858 crystal cell Anatomy 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J9/00—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength
- G01J9/02—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength by interferometric methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Liquid Crystal (AREA)
Abstract
本发明公开了一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，利用标定后的空间光调制器产生中频误差的相位调制，将调制光投影到成像相机上进行接收，从而获得强度图样与中频误差描述项的多组数据对，作为神经网络的训练数据集，再用训练好的模型对真实的中频误差进行检测；相比采用仿真获取的数据，该系统所提供的数据训练出的模型更适用于对实际中频误差进行恢复；本发明实现了相位恢复中频误差检测技术的初始解优化；利用深度学习中的卷积神经网络模型，建立中频误差调制后的强度图样与误差分布之间的关系，能够对中频误差的相位分布进行预测，其结果作为相位恢复算法的初始解，有效改善了算法的收敛性能，提高了收敛速度。
Description
技术领域
本发明涉及计算成像领域的一种先验增强的中频误差相位恢复检测系统，尤其涉及一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统。
背景技术
大口径、小F数的光学元件在惯性约束核聚变等高功率激光系统中有着十分广泛的应用，这些系统对光学元件的表面质量提出了较高的要求。然而，在光学元件的精密加工和抛光过程中，由于加工刀具的尖端半径、加工方式、振动和热漂移等原因，会在元件表面留下具有一定频率的周期性结构，称为光学元件的表面误差，这些表面误差的存在会对元件的传输特性产生重要影响。一般将表面误差按其空间频率分为低频、中频和高频误差。其中，空间频率范围为为0.03mm-1到0.4mm-1的中频误差会产生衍射效应，使大口径光学元件的远场焦斑弥散，形成多级衍射旁瓣，既对成像分辨率十分不利，也对能量的利用形成危害。
光学元件表面误差的检测常采用干涉法，通过待测光路与参考光路的光程差产生的干涉图实现检测。干涉检测要求形成稳定可辨的干涉条纹，因此对光学系统精度、环境条件要求极为苛刻，分辨率也受干涉仪使用的图像传感器分辨率限制。非干涉式检测方式无需形成光学干涉，系统构造简单，环境扰动较小，系统灵活性高。相位恢复是一种非干涉式检测方法，它是从光学元件表面误差形成的衍射图样出发，利用迭代算法，对误差的相位分布进行逆源求解。它一般通过基于衍射光学理论的迭代优化算法来实现，其核心是目标函数的优化问题，即对高维复杂函数寻找全局最优解。
然而，相位恢复技术在其迭代算法的运行过程中，往往无法正确收敛到全局最优解，而会在局部最小值处发生停滞，从而使检测系统获得的面型结果精度较低。此外，在面型误差的初始解没有充分先验信息的情况下，相位恢复检测系统的计算过程往往运行时间过长，有时甚至无法收敛。因此，为避免相位恢复检测系统的计算过程收敛到局部最小值，加快向正确解的收敛速度，需要选择与真实情况相接近的误差分布作为初始解，以提高其对光学元件表面误差尤其是中频误差的检测效果。
发明内容
本发明的目的在于针对现有技术的不足，提供一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，实现相位恢复算法的初始解优化，提升其用于中频误差检测的恢复效果。该系统利用空间光调制器产生中频误差的相位调制，由成像相机获得强度图样，与中频误差描述项组成多组数据对，作为数据集对卷积神经网络进行训练；再利用所得网络模型对实际强度图样的误差分布进行预测，作为相位恢复中频误差检测算法的初始解，可以使相位恢复算法向全局最优解进行准确和快速收敛。
为实现上述发明目的，本发明是通过以下技术方案来实现的：一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，包括激光器、空间滤波器、扩束镜、线偏振器、检偏器、分束镜、全反射镜、空间光调制器、望远镜成像系统和成像相机；
激光器发出的激光依次经过空间滤波器与扩束镜后成为平行光，投射到线偏振器上，经线偏振器后成为线偏振光，该线偏振光入射到分束镜上分为两路，一路为透射光，垂直入射到空间光调制器上，经相位调制后反射回分束镜，再依次经检偏器、望远镜成像系统后被成像相机接收，另一路为反射光，由全反射镜反射，再依次经检偏器、望远镜成像系统后被成像相机接收，两路光组成一个迈克尔逊干涉系统，线偏振器、检偏器的透振方向与空间光调制器的液晶单元长轴方向一致；改变空间光调制器输入图像的像素值，测定成像相机接收到的光强大小，根据光强大小计算空间光调制器产生的相位调制量，从而得到空间光调制器输入图像像素和相位调制量之间的对应关系，实现空间光调制器的标定；
激光器发出的激光依次经过空间滤波器与扩束镜后成为平行光，投射到线偏振器上，经线偏振器后成为线偏振光，该线偏振光入射到分束镜上，其透射光垂直入射到标定后的空间光调制器上，经相位调制后反射回分束镜，再依次经检偏器、望远镜成像系统后被成像相机接收，线偏振器、检偏器的透振方向与空间光调制器的液晶单元长轴方向一致；向标定后的空间光调制器输入具有已知中频误差的图像，通过成像相机得到对应的光强，实现中频误差相位分布-光强数据的采集；将采集的成对数据输入到卷积神经网络模型中进行训练，得到模型最优参数；所述卷积神经网络模型在Inception V3的基础上，去除末端softmax层；
激光器1发出的激光依次经过空间滤波器与扩束镜后成为平行光，投射到分束镜上，其透射光垂直入射到待检测光学元件的表面，反射光反射回分束镜后被成像相机接收；通过成像相机检测光强，将光强输入到训练好的卷积神经网络模型，在输出端得到中频误差相位分布，将所得到的中频误差相位分布作为相位恢复算法的初始解，结合不同平面的振幅约束，经过各平面之间的反复迭代，来恢复得到精确的中频误差分布。
进一步地，所述空间光调制器的标定具体包括以下步骤：
(1)令输入空间光调制器的图像为均匀的、具有统一灰度值V的灰度图像；设I0为来自全反射镜的反射光强度，α2(V)I0为来自空间光调制器的反射光强度；为两束光的相位差，即空间光调制器产生的相位调制，它是灰度值V的函数，记为两束光发生干涉后，干涉光强度I(V)可以表示为：
(2)测定调制振幅随灰度值变换情况，即α(V)；此时去掉全反射镜，令输入空间光调制器的灰度图像的灰度值V在0～255之间变化，以V＝0时的强度为标准，记录光强变化情况，发现在偏振条件下光强随灰度值的变化不明显；因此，空间光调制器的振幅调制忽略不计；
(3)标定调制相位此时在光路中加入全反射镜，令灰度值V在0～255之间变化，并记录两路反射光的干涉强度I(V)；当V＝0时，设此时空间光调制器产生的相位根据I(V)和已求的α(V)得到的变化曲线；对该曲线进行线性拟合，拟合结果即入射光经空间光调制器后附加的相位随输入图样像素灰度值的变化关系；实验前，将不同的中频误差相位分布按照上述关系生成灰度图输入到空间光调制器中，可以获得所需的相位调制。
进一步地，将训练好的神经网络模型预测得到的中频误差相位分布作为相位恢复算法的初始解，结合不同平面的振幅约束，经过各平面之间的反复迭代，来恢复得到精确的中频误差分布，具体为：将所述初始解输入相位恢复算法，与已知的物平面振幅组合，作为物平面光场的初始分布，对该光场做傅里叶变换，得到像平面光场的预测分布，提取相位并与真实的像平面振幅组合，成为新的像平面光场，再对该光场做逆傅里叶变换，所得结果同样提取相位，与真实的物平面振幅组合，重复上述过程，直至设置的阈值函数小于规定值，结束迭代，此时的物平面光场相位即为待检测光学元件相位分布的恢复结果。
进一步地，所述将采集的成对数据输入到卷积神经网络模型中进行训练，得到模型最优参数，具体为：采用一系列不同大小的卷积单元与池化单元对输入数据进行特征提取，后接全连接层进行回归分析，在每次循环中，将预测结果与已知的中频误差描述项即泽尼克系数进行比对，再将二者的差异反向传播回各层，用以对网络参数进行更新，反复迭代足够次数后，模型参数和上述差异趋向稳定，即结束网络模型的训练；该模型直接获取回归分析的结果，训练后的网络可以对产生特定衍射强度图样的中频误差相位分布的描述系数进行预测。
进一步地，所述成像相机采用CMOS相机或CCD相机。
本发明有益效果是：本发明采用先验增强型中频误差相位恢复检测技术，利用标定后的空间光调制器产生中频误差的相位调制，将调制光投影到成像相机上进行接收，从而获得强度图样与中频误差描述项的多组数据对，作为神经网络的训练数据集，再用训练好的模型对真实的中频误差进行检测。相比采用仿真获取的数据，该系统所提供的数据训练出的模型更适用于对实际中频误差进行恢复。本发明实现了相位恢复中频误差检测技术的初始解优化。利用深度学习中的卷积神经网络模型，建立中频误差调制后的强度图样与误差分布之间的关系，能够对中频误差的相位分布进行预测，其结果作为相位恢复算法的初始解，有效改善了算法的收敛性能，提高了收敛速度。
附图说明
图1是空间光调制器标定示意图；
图2是训练数据采集示意图；
图3是中频误差检测示意图；
图4是设计的卷积神经网络模型结构图；
图中，激光器1、空间滤波器2、扩束镜3、线偏振器4、检偏器5、分束镜6、全反射镜7、空间光调制器8、望远镜成像系统9、成像相机10、待检测光学元件11。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
本发明提供的一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，包括激光器1、空间滤波器2、扩束镜3、线偏振器4、检偏器5、分束镜6、全反射镜7、空间光调制器8、望远镜成像系统9和成像相机10；该系统的实现过程包括三部分：空间光调制器标定、训练数据采集和中频误差检测。
如图1所示，为本发明的空间光调制器标定示意图。激光器1发出的激光依次经过空间滤波器2与扩束镜3后成为平行光，投射到线偏振器4上，经线偏振器4后成为线偏振光，该线偏振光入射到分束镜6上分为两路，一路为透射光，垂直入射到空间光调制器8上，经相位调制后反射回分束镜6，再依次经检偏器5、望远镜成像系统9后被成像相机10接收，另一路为反射光，由全反射镜7反射，再依次经检偏器5、望远镜成像系统9后被成像相机10接收，两路光组成一个迈克尔逊干涉系统，线偏振器4、检偏器5的透振方向与空间光调制器8的液晶单元长轴方向一致，保证空间光调制器8可对入射光实现纯相位调制；改变空间光调制器8输入图像的像素值，测定成像相机10接收到的光强大小，根据光强大小计算空间光调制器8产生的相位调制量，从而得到空间光调制器8输入图像像素和相位调制量之间的对应关系，实现空间光调制器8的标定；
进一步地，所述望远镜成像系统9可通过两个共轴的透镜实现；所述空间光调制器8能够根据输入图像的像素值，控制其二维阵列上各独立单元的光学性质，来对输入光进行调制；当采用上述设置的起偏、检偏参数时，所用的空间光调制器8能够产生纯相位调制，即反射光的相位随调制器输入各像素的灰度值大小呈线性变化，同时反射光的振幅基本不受影响；因此，可以将空间光调制器8视为一个纯相位物体。
具体的标定过程如下：
(1)令输入空间光调制器8的图像为均匀的、具有统一灰度值V的灰度图像；设I0为来自全反射镜7的反射光强度，α2(V)I0为来自空间光调制器8的反射光强度；为两束光的相位差，即空间光调制器8产生的相位调制，它是灰度值V的函数，记为两束光发生干涉后，干涉光强度I(V)可以表示为：
(2)测定调制振幅随灰度值变换情况，即α(V)；此时去掉全反射镜7，令输入空间光调制器8的灰度图像的灰度值V在0～255之间变化，以V＝0时的强度为标准，记录光强变化情况，发现在偏振条件下光强随灰度值的变化不明显；因此，空间光调制器8的振幅调制忽略不计；
(3)标定调制相位此时在光路中加入全反射镜7，令灰度值V在0～255之间变化，并记录两路反射光的干涉强度I(V)；当V＝0时，设此时空间光调制器8产生的相位rad；根据I(V)和已求的α(V)得到的变化曲线；对该曲线进行线性拟合，拟合结果即入射光经空间光调制器8后附加的相位随输入图样像素灰度值的变化关系；实验前，将不同的中频误差相位分布按照上述关系生成灰度图输入到空间光调制器8中，可以获得所需的相位调制。
如图2所示，为本发明的训练数据采集示意图，用于生成强度图样与中频误差描述项的多组数据对，作为神经网络的训练数据。激光器1发出的激光依次经过空间滤波器2与扩束镜3后成为平行光，投射到线偏振器4上，经线偏振器4后的称为线偏振光，该线偏振光入射到分束镜6上，其透射光垂直入射到标定后的空间光调制器8上，经相位调制后反射回分束镜6，再依次经检偏器5、望远镜成像系统9后被成像相机10接收，线偏振器4、检偏器5的透振方向与空间光调制器8的液晶单元长轴方向一致；向标定后的空间光调制器8输入具有已知中频误差的图像，通过成像相机10得到对应的光强，实现中频误差相位分布-光强数据的采集；将采集的成对数据输入到卷积神经网络模型中进行训练，得到模型最优参数；所述卷积神经网络模型在Inception V3的基础上，去除末端softmax层；
进一步地，所述空间光调制器8的输入为不同泽尼克系数描述的中频误差分布，从而能够对入射光产生中频误差的相位调制。入射光经过滤波、扩束和偏振系统，再经过空间光调制器的相位调制与后续光路后，被成像相机所接收。当获得足够的训练数据后，将其用于神经网络的训练，能够使神经网络学习到中频误差描述项与强度分布之间的对应关系。
如图3所示，为本发明的中频误差检测部分。激光器1发出的激光依次经过空间滤波器2与扩束镜3后成为平行光，投射到分束镜6上，其透射光垂直入射到待检测光学元件11的表面，反射光反射回分束镜6后被成像相机10接收；通过成像相机10检测光强，将光强输入到训练好的卷积神经网络模型，在输出端得到中频误差相位分布，将所得到的中频误差相位分布作为相位恢复算法的初始解，结合不同平面的振幅约束，经过各平面之间的反复迭代，来恢复得到精确的中频误差分布。
进一步地，待检测光学元件11可以选用凹面反射镜，此时，成像相机位于凹面反射镜的等效焦平面附近，并可借助位移平台作沿光轴方向的移动，从而能够获得不同离焦距离上的强度图样。
图4为本发明的卷积神经网络模型。该网络模型由一系列的卷积与池化单元，及末端的全连接层构成。这些卷积层包含不同大小的卷积核，用于对输入图像不同维度的信息进行特征提取。对训练数据做归一化处理后，按批输入神经网络，基于分批数据训练出来的模型具有更好的泛化特性。在训练过程中，采用基于一阶梯度优化随机目标函数的Adam算法来实现目标函数的最小化，这种算法具有自适应的特性，能够根据需要来对学习率进行调整。在完成每组批数据的训练后，利用另一组数据进行验证，避免模型的过拟合。网络训练完毕后，在输入端输入待测中频误差调制后的强度分布图样，就能在输出端获得其恢复出的误差分布。将这个结果作为相位恢复算法的输入，能够有效提升算法的收敛速度和准确性。
经图3中频误差检测部分获得待测反射镜焦平面附近的一系列强度图样后。先将焦平面强度图样输入训练好的卷积神经网络，在输出端获得误差分布作为后续相位恢复算法的初始解。然后，从该初始解出发，利用不同平面的振幅约束和傅里叶变换关系在各平面之间反复迭代，并在定义的误差函数Ef达到设定阈值以下时结束迭代算法，此时物平面光场的相位即为中频误差相位恢复的结果。
本实施例中，具体采用的器件参数如下，但不限于此：
激光器1采用波长632.8nm的氦氖激光器；空间滤波器2由数值孔径NA＝0.8的显微镜系统和有效通光口径为5μm的针孔滤波器组成，用于过滤空间噪声。
扩束镜3的焦距f＝150mm；选用的空间光调制器8为反射式结构，其单个像素尺寸为20×20μm2，像素数为1280×768，实际中，只使用其中间的512×512个像素点。
成像相机10采用CMOS相机，CMOS相机的像素尺寸为12×12μm2，像素数为1280×1024，实际中只使用1024×1024个像素点；实际使用的CMOS相机像面尺寸要略大于空间光调制器8的有效尺寸，这是因为光束在传播过程中会产生一定的衍射效应。
线偏振器、检偏器的透振方向与空间光调制器的液晶单元长轴方向一致，以保证空间光调制器8能够对入射光进行纯相位调制。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (5)
1.一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，其特征在于，包括激光器、空间滤波器、扩束镜、线偏振器、检偏器、分束镜、全反射镜、空间光调制器、望远镜成像系统和成像相机；
激光器发出的激光依次经过空间滤波器与扩束镜后成为平行光，投射到线偏振器上成为线偏振光，该线偏振光入射到分束镜上分为两路，一路为透射光，垂直入射到空间光调制器上，经相位调制后反射回分束镜，再依次经检偏器、望远镜成像系统后被成像相机接收，另一路为反射光，由全反射镜反射，再依次经检偏器、望远镜成像系统后被成像相机接收，两路光组成一个迈克尔逊干涉系统，线偏振器、检偏器的透振方向与空间光调制器的液晶单元长轴方向一致；改变空间光调制器输入图像的像素值，测定成像相机接收到的光强大小，根据光强大小计算空间光调制器产生的相位调制量，从而得到空间光调制器输入图像像素和相位调制量之间的对应关系，实现空间光调制器的标定；
激光器发出的激光依次经过空间滤波器与扩束镜后成为平行光，投射到线偏振器上，经线偏振器后成为线偏振光，该线偏振光入射到分束镜上，其透射光垂直入射到标定后的空间光调制器上，经相位调制后反射回分束镜，再依次经检偏器、望远镜成像系统后被成像相机接收，线偏振器、检偏器的透振方向与空间光调制器的液晶单元长轴方向一致；向标定后的空间光调制器输入具有已知中频误差的图像，通过成像相机得到对应的光强，实现中频误差相位分布-光强数据的采集；将采集的成对数据输入到卷积神经网络模型中进行训练，得到模型最优参数；所述卷积神经网络模型在Inception V3的基础上，去除末端softmax层；
激光器发出的激光依次经过空间滤波器与扩束镜后成为平行光，投射到分束镜上，其透射光垂直入射到待检测光学元件的表面，反射光反射回分束镜后被成像相机接收；通过成像相机检测光强，将光强输入到训练好的卷积神经网络模型，在输出端得到中频误差相位分布，将所得到的中频误差相位分布作为相位恢复算法的初始解，结合不同平面的振幅约束，经过各平面之间的反复迭代，来恢复得到精确的中频误差分布。
2.根据权利要求1所述的一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，其特征在于，所述空间光调制器的标定具体包括以下步骤：
(1)令输入空间光调制器的图像为均匀的、具有统一灰度值V的灰度图像；设I0为来自全反射镜的反射光强度，α2(V)I0为来自空间光调制器的反射光强度；为两束光的相位差，即空间光调制器产生的相位调制，它是灰度值V的函数，记为两束光发生干涉后，干涉光强度I(V)表示为：
(2)测定调制振幅随灰度值变换情况，即α(V)；此时去掉全反射镜，令输入空间光调制器的灰度图像的灰度值V在0～255之间变化，以V＝0时的强度为标准，记录光强变化情况，发现在偏振条件下光强随灰度值的变化不明显；因此，空间光调制器的振幅调制忽略不计；
(3)标定调制相位此时在光路中加入全反射镜，令灰度值V在0～255之间变化，并记录两路反射光的干涉强度I(V)；当V＝0时，设此时空间光调制器产生的相位根据I(V)和已求的α(V)得到的变化曲线；对该曲线进行线性拟合，拟合结果即入射光经空间光调制器后附加的相位随输入图样像素灰度值的变化关系；实验前，将不同的中频误差相位分布按照上述关系生成灰度图输入到空间光调制器中，获得所需的相位调制。
3.根据权利要求1所述的一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，其特征在于，将训练好的神经网络模型预测得到的中频误差相位分布作为相位恢复算法的初始解，结合不同平面的振幅约束，经过各平面之间的反复迭代，来恢复得到精确的中频误差分布，具体为：将所述初始解输入相位恢复算法，与已知的物平面振幅组合，作为物平面光场的初始分布，对该光场做傅里叶变换，得到像平面光场的预测分布，提取相位并与真实的像平面振幅组合，成为新的像平面光场，再对该光场做逆傅里叶变换，所得结果同样提取相位，与真实的物平面振幅组合，重复上述过程，直至设置的阈值函数小于规定值，结束迭代，此时的物平面光场相位即为待检测光学元件相位分布的恢复结果。
4.根据权利要求1所述的一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，其特征在于，所述将采集的成对数据输入到卷积神经网络模型中进行训练，得到模型最优参数，具体为：采用一系列不同大小的卷积单元与池化单元对输入数据进行特征提取，后接全连接层进行回归分析，在每次循环中，将预测结果与已知的中频误差描述项即泽尼克系数进行比对，再将二者的差异反向传播回各层，用以对网络参数进行更新，反复迭代足够次数后，模型参数和上述差异趋向稳定，即结束网络模型的训练；该模型直接获取回归分析的结果，训练后的网络对产生特定衍射强度图样的中频误差相位分布的描述系数进行预测。
5.根据权利要求1所述的一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统，其特征在于，所述成像相机采用CMOS相机或CCD相机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811489635.7A CN109596227B (zh) | 2018-12-06 | 2018-12-06 | 一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811489635.7A CN109596227B (zh) | 2018-12-06 | 2018-12-06 | 一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109596227A CN109596227A (zh) | 2019-04-09 |
| CN109596227B true CN109596227B (zh) | 2019-11-19 |
Family
ID=65961382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811489635.7A Active CN109596227B (zh) | 2018-12-06 | 2018-12-06 | 一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109596227B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110163817B (zh) * | 2019-04-28 | 2021-06-18 | 浙江工业大学 | 一种基于全卷积神经网络的相位主值提取方法 |
| CN110188321B (zh) * | 2019-05-22 | 2022-07-19 | 中国科学院光电技术研究所 | 一种基于神经网络算法的主次镜校准方法 |
| CN110646100B (zh) * | 2019-09-30 | 2021-02-19 | 中国科学院光电技术研究所 | 一种基于bp神经网络的倍频波前探测方法 |
| CN110864817B (zh) * | 2019-11-22 | 2021-02-12 | 山东大学 | 基于单像素探测器的非干涉定量相位成像方法 |
| CN111610374B (zh) * | 2020-05-28 | 2022-08-05 | 杭州电子科技大学 | 一种基于卷积神经网络的散射场相位恢复方法 |
| CN112434469A (zh) * | 2020-12-02 | 2021-03-02 | 电子科技大学中山学院 | 一种基于vgg16的激光光束质量因子测量方法 |
| CN114332284B (zh) * | 2022-03-02 | 2022-06-28 | 武汉理工大学 | 基于增强自编码的电子衍射晶体结构加速重建方法及系统 |
| CN115047619B (zh) * | 2022-07-05 | 2023-08-01 | 南京大学 | 一种相位型空间光调制器的快速原位校准方法及系统 |
| CN118641157B (zh) * | 2024-08-06 | 2024-10-18 | 中国科学院长春光学精密机械与物理研究所 | 光学元件中频误差对成像系统像质影响的快速预测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7390999B1 (en) * | 2005-06-22 | 2008-06-24 | University Of Central Florida Research Foundation, Inc. | Differential Shack-Hartmann curvature sensor |
| CN102109414B (zh) * | 2010-12-15 | 2012-05-02 | 深圳大学 | 利用外差干涉标定空间光调制器相位调制的方法和装置 |
| CN102435420A (zh) * | 2011-09-20 | 2012-05-02 | 浙江师范大学 | 光学元件中频误差的检测方法 |
| CN103346473A (zh) * | 2013-07-02 | 2013-10-09 | 天津理工大学 | 基于电反馈的改进型相位调制外差技术压窄半导体激光器线宽的方法 |
| CN203365108U (zh) * | 2013-07-08 | 2013-12-25 | 内蒙古工业大学 | 一种液晶空间光调制器生成像差的共路干涉测量装置 |
| CN104899255B (zh) * | 2015-05-15 | 2018-06-26 | 浙江大学 | 适用于训练深度卷积神经网络的图像数据库的构建方法 |
| CN107966447B (zh) * | 2017-11-14 | 2019-12-17 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
| CN108050937B (zh) * | 2018-01-08 | 2019-07-16 | 浙江大学 | 大口径光学元件中频误差的检测方法及装置 |
| CN207850322U (zh) * | 2018-01-08 | 2018-09-11 | 浙江大学 | 大口径光学元件的中频误差检测系统及实验室 |
| CN108876774A (zh) * | 2018-06-07 | 2018-11-23 | 浙江大学 | 一种基于卷积神经网络的人群计数方法 |
-
2018
- 2018-12-06 CN CN201811489635.7A patent/CN109596227B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109596227A (zh) | 2019-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109596227B (zh) | 一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统 | |
| CN104320598A (zh) | 一种基于ccd阵列像素响应函数频域标定的无像差图像重构方法 | |
| CN101469976B (zh) | 光波干涉测量装置 | |
| CN106768890B (zh) | 用于调制传递函数检测的灰度余弦分布光学目标模拟装置 | |
| CN111579097B (zh) | 基于神经网络的高精度光学散射补偿方法 | |
| CN110462484A (zh) | 具有优化的照明几何结构的结构照明 | |
| CN110146258B (zh) | 一种Poisson noise模型下对扩展目标成像时的相位恢复方法 | |
| Khonina et al. | Analysis of the wavefront aberrations based on neural networks processing of the interferograms with a conical reference beam | |
| CN104122609A (zh) | 基于液晶空间光调制器的可变焦透镜实际焦距计算方法 | |
| CN102840964A (zh) | 大口径、长焦距平行光管焦点实时监测系统 | |
| CN112033280B (zh) | 傅里叶变换模型与深度学习结合的散斑干涉相位计算方法 | |
| Kolobrodov et al. | Physical and mathematical model of the digital coherent optical spectrum analyser | |
| JP4411395B2 (ja) | 光位相分布測定方法及び光位相分布測定システム | |
| Bilsing et al. | 3D imaging with double-helix point spread function and dynamic aberration correction using a deformable mirror | |
| Zepp et al. | Simulation-based design optimization of the holographic wavefront sensor in closed-loop adaptive optics | |
| Shi et al. | Rapid all-in-focus imaging via physical neural network optical encoding | |
| Zepp et al. | Optimization of the holographic wavefront sensor for open-loop adaptive optics under realistic turbulence. Part I: simulations | |
| CN117031684B (zh) | 一种数字全息成像自动聚焦方法及装置 | |
| JP2024047560A (ja) | 非干渉、非反復式複素振幅読取方法および装置 | |
| Inui et al. | Correction method of phase deference in accordance with the angle field for Wide-Viewing-Angle Fourier-Spectroscopic-Imaging | |
| CN107589542B (zh) | 宽波段相位差图像重建中的中心波长的选择方法 | |
| Vdovin et al. | Lensless coherent imaging by sampling of the optical field with digital micromirror device | |
| CN113790808B (zh) | 条纹追踪方法 | |
| CN115047619A (zh) | 一种相位型空间光调制器的快速原位校准方法及系统 | |
| CN101512309A (zh) | 用于位置分辨地确定在物体成像的图像平面中电磁场的相位和幅度的方法和装置 |
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 |