CN109739033A - 一种无波前探测的液晶像差校正方法 - Google Patents
一种无波前探测的液晶像差校正方法 Download PDFInfo
- Publication number
- CN109739033A CN109739033A CN201910136404.6A CN201910136404A CN109739033A CN 109739033 A CN109739033 A CN 109739033A CN 201910136404 A CN201910136404 A CN 201910136404A CN 109739033 A CN109739033 A CN 109739033A
- Authority
- CN
- China
- Prior art keywords
- liquid
- aberration correcting
- crystal
- image
- liquid crystal
- 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
- 239000004973 liquid crystal related substance Substances 0.000 title claims abstract description 78
- 230000004075 alteration Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000010287 polarization Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005684 electric field Effects 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Liquid Crystal (AREA)
Abstract
本发明公开了一种无波前探测的液晶像差校正方法，利用的系统包括：液晶像差校正器，图像采集模块，卷积神经网络模块，灰度转换模块。具体方法为，液晶像差校正器，作为执行机构对接收光的畸变波前进行矫正；图像采集模块负责接收液晶矫正后的光束，并将其采集为光斑图像；经过大量光斑数据训练后，卷积神经网络模块根据成像系统采集得到的光斑图像，拟合出光斑对应的Zernike系数；最后，灰度转换模块将拟合得到的Zernike系数转化为灰度值，控制液晶像差校正器对像差进行矫正。
Description
技术领域
本发明涉及空间光通信技术领域，具体的涉及一种无波前探测的液晶像差校正方法，主要通过无波前液晶像差校正对像差进行高效矫正。
背景技术
空间光通信系统通常指以激光为载体，以大气传输为媒介的通信方式，具有信息容量大、保密性高、终端体积小、抗电磁干扰能力强等优势。当激光信号经过大气信道时，弱大气湍流使光学折射率发生随机起伏，导致激光信号产生波前像差、光强散斑等问题，严重影响通信终端的耦合效率和通信性能。液晶具有驱动单元数多、成本低、体积小、重量轻、无机械运动等优势近些年来成为准动态像差校正的研究热点，但是也存在一些问题。
液晶只对偏振光进行校正和液晶材料的色散问题导致其能量利用率低，传统的有波前探测方法中的探测器又占用了大部分光束，进一步消耗光束能量，影响通信系统性能。针对以上问题，本发明提出一种无波前探测的液晶像差校正方法，采用卷积神经网络预测的方法对液晶像差校正器进行控制，该方法只需要少部分光束能量既可以对波前像差进行预测，提高系统能量利用率，增强光通信系统的准确性。
发明内容
本发明要解决的技术问题为：本发明提出一种无波前探测的液晶像差校正方法，采用卷积神经网络预测的方法控制液晶像差校正器，提高系统能量利用率，增强光通信系统的准确性。
本发明采用的技术方案为：一种无波前探测的液晶像差校正方法，该方法包括如下步骤：
步骤一、液晶像差校正器对接收光的畸变波前进行矫正；
步骤二、图像采集模块负责接收液晶矫正后的光束，并将其采集为光斑图像；
步骤三、卷积神经网络模块经过大量光斑数据训练后，根据成像系统采集得到的光斑图像，拟合出光斑对应的Zernike系数；
步骤四、灰度转换模块将拟合得到的Zernike系数转化为灰度值，控制液晶像差校正器对弱大气湍流产生的波前像差进行矫正。
进一步地，液晶像差校正器的控制方式：
1)液晶具有电控双折射效应，当一束偏振光入射时，偏振方向垂直于指向矢方向，液晶表现为寻常折射率no；如果偏振方向平行于指向矢方向，表现为非常折射率ne。液晶的折射率与对液晶分子角度的关系表示如下：
2)通过控制电场电压值，可以调节液晶分子排列取向，进而控制光波介质折射率，实现对入射光波的相位调制。
3)液晶电极电压与控制灰度为一一对应关系，根据波前矫正反馈信息产生对应的灰度值，最终实现对液晶像差校正器的控制。
进一步地，图像采集模块对液晶矫正后的光束进行成像，得到矫正后的光斑图像，其包括：
1)分光棱镜，对矫正后的光束进行分光，其中一条进入到图像采集器(例如CCD)进行图像记录，另一束耦合进入光纤进行传输。
2)图像采集器(例如CCD)，对光斑亮度值进行捕获，并将光斑亮度值反馈到液晶控制系统。
进一步地，卷积神经网络模块用于实现：
1)建立初始卷积神经网络结构：其中包括：三层以上卷积层、三层以上池化层及两层以上全连接层；
2)样本数据采集：获取足够的训练光斑图像及各个样本光斑图像对应的Zernike系数；
3)训练卷积神经网络：将采集到的样本光斑图像和其对应的Zernike系数输入到卷积神经网络，对初始的卷积神经网络进行训练，最终得到液晶像差校正方法的无波前探测卷积神经网络。
进一步地，根据Zernike系数矩阵生成灰度信息，包括：
1)液晶像差校正器灰度图的计算为Zernike矩阵与Zernike系数向量进行矩阵向列乘法；
2)Zernike矩阵由Zernike多项式组成，其表达式如下：
式中，0≤r≤1，0≤θ≤2π，n为非负整数，m步长为2且取值介于-n到n之间。为多项式的径向函数。
3)根据卷积神经网络预测得到Zernike系数，将Zernike矩阵与Zernike系数向量进行矩阵向量乘法，最终得到液晶加载的灰度图，实现对液晶像差校正方法的控制。
本发明与现有系统相比具有如下优点：
(1)同传统变形镜自适应系统相比，该发明采用液晶空间光调制器进行波前矫正，液晶具有驱动单元数多、成本低、体积小、重量轻、无机械运动、控制电压低、调制精度高等优点，在自适应光学领域具有广阔的发展前景。
(2)该发明通过卷积神经网络对波前畸变进行预测拟合。该方法不需要进行波前探测，避免了使用哈特曼等波前探测器产生的能量损失，降低了通信误码率。
(3)该发明结构简单，易于实现。
附图说明
图1是本发明的无波前探测的液晶像差校正方法原理图；
图2是本发明的无波前探测的液晶像差校正方法流程图；
图3是本发明的液晶电控双折射效应原理图；
图4是本发明的基于卷积神经网络生成控制信号的流程图。
具体实施方式
以下结合附图对本发明的具体实施方式做详细说明。
如图1所示，无波前探测的液晶像差校正方法，利用的系统包括：液晶像差校正器，图像采集模块，卷积神经网络模块，灰度转换模块。其中，液晶像差校正器作为执行机构对接收光的畸变波前进行矫正；图像采集模块负责接收液晶矫正后的光束，并将其采集为光斑图像；经过大量光斑数据训练后，卷积神经网络模块根据成像系统采集得到的光斑图像，拟合出光斑对应的Zernike系数；最后，灰度转换模块将拟合得到的Zernike系数转化为灰度值，控制液晶像差校正器对弱大气湍流产生的波前像差进行矫正。
如图2所示，无波前探测的液晶像差校正方法运行的具体流程为：入射光束经过弱大气湍流畸变后进入接收系统，液晶像差校正器进行初步校正。校正后的光束经过分光棱镜后大部分进入光纤系统进行耦合，另一部分进行残差计算后进入图像采集系统(CCD)生成光斑图像，最后输入到卷积神经网络中进行预测。经过系统的训练后的卷积神经网络根据输入光斑图像实时产生Zernike系数，经过计算转换成灰度值，该灰度值为液晶像差校正器调整的控制信号。液晶根据反馈的残差矫正灰度值进行微调二次校正，图像采集模块继续对二次校正后的图像进行采集，经过多次循环最终达到系统最佳效果。
如图3所示，液晶电控双折射效应原理图。液晶具有电控双折射效应，当一束偏振光入射时，偏振方向垂直于指向矢方向，液晶表现为寻常折射率no；如果偏振方向平行于指向矢方向，表现为非常折射率ne。液晶的折射率与对液晶分子偏转角度具有一一对应关系。通过控制电场电压值，可以调节液晶分子排列取向，进而控制介质折射率，实现对入射光波的相位调制。液晶电极电压与控制灰度为一一对应关系，根据波前矫正反馈信息产生对应的灰度值，最终实现对液晶像差校正器的控制。
如图4所示，基于卷积神经网络生成控制信号的流程图。首先对卷积神经网络进行训练，将大量经过弱大气湍流产生畸变的图像输入到卷积神经网络中，建立起畸变图像与Zernike系数的匹配模型，完成网络训练过程。应用阶段，将实际系统采集到的畸变图像输入到训练好的卷积神经网络中，生成对应的液晶像差校正器的控制灰度，实现对液晶的实时控制。
Claims (5)
1.一种无波前探测的液晶像差校正方法，其特征在于：该方法包括如下步骤：
步骤一、液晶像差校正器对接收光的畸变波前进行矫正；
步骤二、图像采集模块负责接收液晶矫正后的光束，并将其采集为光斑图像；
步骤三、卷积神经网络模块经过大量光斑数据训练后，根据成像系统采集得到的光斑图像，拟合出光斑对应的Zernike系数；
步骤四、灰度转换模块将拟合得到的Zernike系数转化为灰度值，控制液晶像差校正器对弱大气湍流产生的波前像差进行矫正。
2.根据权利要求1所述的一种无波前探测的液晶像差校正方法，其特征在于：液晶像差校正器的控制方式：
1)液晶具有电控双折射效应，当一束偏振光入射时，偏振方向垂直于指向矢方向，液晶表现为寻常折射率no；如果偏振方向平行于指向矢方向，表现为非常折射率ne，液晶的折射率与液晶分子偏转角度的关系表示如下：
2)通过控制电场电压值，可以调节液晶分子排列取向，进而控制光波介质折射率，实现对入射光波的相位调制；
3)液晶电极电压与控制灰度为一一对应关系，根据波前矫正反馈信息产生对应的灰度值，最终实现对液晶像差校正器的控制。
3.根据权利要求1所述的一种无波前探测的液晶像差校正方法，其特征在于：图像采集模块对液晶矫正后的光束进行成像，得到矫正后的光斑图像，其包括：
1)分光棱镜，对矫正后的光束进行分光，其中一条进入到图像采集器进行图像记录，另一束耦合进入光纤进行传输；
2)图像采集器，对光斑亮度值进行捕获，并将光斑亮度值反馈到液晶控制系统。
4.根据权利要求1所述的一种无波前探测的液晶像差校正方法，其特征在于：卷积神经网络模块用于实现：
1)建立初始卷积神经网络结构：其中包括：三层以上卷积层、三层以上池化层及两层以上全连接层；
2)样本数据采集：获取足够的训练光斑图像及各个样本光斑图像对应的Zernike系数；
3)训练卷积神经网络：将采集到的样本光斑图像和其对应的Zernike系数输入到卷积神经网络，对初始的卷积神经网络进行训练，最终得到液晶像差校正方法的无波前探测卷积神经网络。
5.根据权利要求1所述的一种无波前探测的液晶像差校正方法，其特征在于：根据Zernike系数矩阵生成灰度信息，包括：
1)液晶像差校正器灰度图的计算为Zernike矩阵与Zernike系数向量进行矩阵向列乘法；
2)Zernike矩阵由Zernike多项式组成，其表达式如下：
式中，0≤r≤1，0≤θ≤2π，n为非负整数，m步长为2且取值介于-n到n之间，为多项式的径向函数；
3)根据卷积神经网络预测得到Zernike系数，将Zernike矩阵与Zernike系数向量进行矩阵向量乘法，最终得到液晶加载的灰度图，实现对液晶像差校正方法的控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136404.6A CN109739033A (zh) | 2019-02-25 | 2019-02-25 | 一种无波前探测的液晶像差校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136404.6A CN109739033A (zh) | 2019-02-25 | 2019-02-25 | 一种无波前探测的液晶像差校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109739033A true CN109739033A (zh) | 2019-05-10 |
Family
ID=66368229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910136404.6A Pending CN109739033A (zh) | 2019-02-25 | 2019-02-25 | 一种无波前探测的液晶像差校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109739033A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325317A (zh) * | 2020-01-21 | 2020-06-23 | 北京空间机电研究所 | 一种基于生成对抗网络的波前像差确定方法及装置 |
| CN111340081A (zh) * | 2020-02-19 | 2020-06-26 | 中国科学院光电技术研究所 | 一种基于光流估计的神经网络像差预测方法 |
| 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 |
| CN113271144A (zh) * | 2021-04-01 | 2021-08-17 | 西安理工大学 | 基于双液晶空间光调制器的波前校正光学系统及校正方法 |
| CN114004342A (zh) * | 2021-11-29 | 2022-02-01 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
| CN114488518A (zh) * | 2020-10-23 | 2022-05-13 | 中国人民解放军国防科技大学 | 基于机器学习的自适应光学波前校正方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101546037A (zh) * | 2009-05-05 | 2009-09-30 | 长春理工大学 | 基于空间光调制器的无模型波前畸变校正系统 |
| CN108983412A (zh) * | 2018-07-09 | 2018-12-11 | 北京邮电大学 | 一种无波前检测自适应光学系统及光束相位调整方法 |
| CN109001904A (zh) * | 2018-07-27 | 2018-12-14 | 江南大学 | 一种基于动态lut液晶波前校正器的校正方法 |
| CN109031654A (zh) * | 2018-09-11 | 2018-12-18 | 安徽农业大学 | 一种基于卷积神经网络的自适应光学校正方法及系统 |
-
2019
- 2019-02-25 CN CN201910136404.6A patent/CN109739033A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101546037A (zh) * | 2009-05-05 | 2009-09-30 | 长春理工大学 | 基于空间光调制器的无模型波前畸变校正系统 |
| CN108983412A (zh) * | 2018-07-09 | 2018-12-11 | 北京邮电大学 | 一种无波前检测自适应光学系统及光束相位调整方法 |
| CN109001904A (zh) * | 2018-07-27 | 2018-12-14 | 江南大学 | 一种基于动态lut液晶波前校正器的校正方法 |
| CN109031654A (zh) * | 2018-09-11 | 2018-12-18 | 安徽农业大学 | 一种基于卷积神经网络的自适应光学校正方法及系统 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325317A (zh) * | 2020-01-21 | 2020-06-23 | 北京空间机电研究所 | 一种基于生成对抗网络的波前像差确定方法及装置 |
| CN111325317B (zh) * | 2020-01-21 | 2023-12-12 | 北京空间机电研究所 | 一种基于生成对抗网络的波前像差确定方法及装置 |
| CN111340081A (zh) * | 2020-02-19 | 2020-06-26 | 中国科学院光电技术研究所 | 一种基于光流估计的神经网络像差预测方法 |
| CN114488518A (zh) * | 2020-10-23 | 2022-05-13 | 中国人民解放军国防科技大学 | 基于机器学习的自适应光学波前校正方法 |
| CN114488518B (zh) * | 2020-10-23 | 2024-01-05 | 中国人民解放军国防科技大学 | 基于机器学习的自适应光学波前校正方法 |
| 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 |
| CN113271144A (zh) * | 2021-04-01 | 2021-08-17 | 西安理工大学 | 基于双液晶空间光调制器的波前校正光学系统及校正方法 |
| CN113271144B (zh) * | 2021-04-01 | 2022-04-12 | 西安理工大学 | 基于双液晶空间光调制器的波前校正光学系统及校正方法 |
| CN114004342A (zh) * | 2021-11-29 | 2022-02-01 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
| CN114004342B (zh) * | 2021-11-29 | 2023-05-30 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109739033A (zh) | 一种无波前探测的液晶像差校正方法 | |
| Geng et al. | Fiber laser transceiving and wavefront aberration mitigation with adaptive distributed aperture array for free-space optical communications | |
| CN101546037A (zh) | 基于空间光调制器的无模型波前畸变校正系统 | |
| JP4531431B2 (ja) | 波面補償装置、波面補償方法、プログラム、及び、記録媒体 | |
| CN106352992B (zh) | 一种无波前无探针的畸变涡旋光束自适应校正方法与系统 | |
| Vorontsov et al. | Image quality criteria for an adaptive imaging system based on statistical analysis of the speckle field | |
| CN106526839A (zh) | 一种基于模式的同步无波前自适应光学系统 | |
| He et al. | A rapid hybrid wave front correction algorithm for sensor-less adaptive optics in free space optical communication | |
| CN111340081A (zh) | 一种基于光流估计的神经网络像差预测方法 | |
| Ding et al. | Experimental up-conversion of images | |
| Li et al. | Wavefront sensing based on fiber coupling in adaptive fiber optics collimator array | |
| Zhan et al. | Generative adversarial network based adaptive optics scheme for vortex beam in oceanic turbulence | |
| Zhao et al. | Wavefront distortion correction of superposed optical vortices based on deep multi-branch compensation network | |
| CN108646406B (zh) | 一种基于棱锥波前传感器本征模式控制的自适应光学装置 | |
| Liu et al. | Residual network-based aberration correction in a sensor-less adaptive optics system | |
| CN102636877A (zh) | 一种提高液晶光阀光束整形器性能的方法 | |
| CN117560105A (zh) | 基于Swin-transformer的大容量光通信自适应补偿方法 | |
| CN114460045B (zh) | 散射介质光学传输矩阵的测量方法 | |
| Rukosuev et al. | 1.5 kHz adaptive optical system for free-space communication tasks | |
| CN110068973A (zh) | 一种基于反卷积神经网络的液晶像差校正方法 | |
| Fu et al. | Pre-correction of distorted Bessel–Gauss beams without wavefront detection | |
| CN115933159A (zh) | 一种实时高精度波前畸变相位补偿系统 | |
| CN103645564B (zh) | 用于光学图像处理的二维全光负反馈系统 | |
| CN102621688B (zh) | 基于差分传感器的自适应光学系统 | |
| CN112068380B (zh) | 基于bbo晶体的多模接收小型化纠缠源系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190510 |