CN110161682B - 一种自由曲面离轴反射系统初始结构生成方法 - Google Patents
一种自由曲面离轴反射系统初始结构生成方法 Download PDFInfo
- Publication number
- CN110161682B CN110161682B CN201910472849.1A CN201910472849A CN110161682B CN 110161682 B CN110161682 B CN 110161682B CN 201910472849 A CN201910472849 A CN 201910472849A CN 110161682 B CN110161682 B CN 110161682B
- Authority
- CN
- China
- Prior art keywords
- parameters
- free
- ssp
- view
- neural network
- 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
Images
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
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Optics & Photonics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种自由曲面离轴反射系统初始结构生成方法,使用自由曲面离轴反射系统的系统参数和曲面参数对神经网络训练后,可以生成相应的神经网络模型;对于后续自由曲面离轴反射系统初始结构的设计中,只需将其系统参数输入到训练好的神经网络模型中,可以立即得到自由曲面离轴反射系统的初始结构,有效降低时间成本和人力参与,不需要较强的设计经验和技巧,使得光学设计的初学者甚至非专业人员均可以使用本发明方法进行自由曲面离轴反射系统初始结构的生成。
Description
技术领域
本发明属于光学设计领域,尤其涉及一种自由曲面离轴反射系统初始结构生成方法。
背景技术
自由曲面相对于传统的球面或非球面可为光学设计提供更多的自由度,进而可以大大提升系统成像质量,并可使系统结构更灵活、元件数量更少、体积更小、质量更轻。因此,自由曲面被认为是光学设计领域的一次革命性的发展。但是自由曲面成像系统设计的难度较大。传统光学设计方法需要首先从专利库或者其他系统中找到初始结构,然后进行后续优化得到设计结果。然而,对于自由曲面成像系统,系统结构复杂,像质和功能要求较高,很难找到系统参数和结构都类似的系统,这样给实际优化带来巨大困难,甚至失败。基于此,研究者们提出了一系列自由曲面的逐点或者直接设计方法,包括偏微分方程法、多曲面同步设计方法、基于逐点构建与迭代的方法等。然而上述方法,有些需要进行复杂的数学推导,不易掌握;有些只能考虑有限的视场点,并且设计限于同轴结构;此外,以上所有的设计方法,尤其是逐点设计方法,每次设计的结果只为当前的设计要求服务。也就是说,某次的设计任务难以利用以往的设计结果。对于不同的设计任务,设计人员需要进行大量重复劳动,耗费大量人力与时间,并且不利于非专家进行相关的设计工作。
发明内容
为解决上述问题,本发明提供一种自由曲面离轴反射系统初始结构生成方法,能够迅速得到自由曲面离轴反射系统的初始结构,有效降低时间成本和人力参与,不需要较强的设计经验和技巧。
一种自由曲面离轴反射系统初始结构生成方法,包括以下步骤:
确定自由曲面离轴反射系统的基本结构形式,其中,所述基本结构形式包括光路折叠形式、自由曲面的数量、各自由曲面所属的面型种类以及孔径光阑为第几个自由曲面;
将多组满足基本结构形式的自由曲面离轴反射系统的系统参数和对应的曲面参数分别作为神经网络的输入和输出,对神经网络进行训练,得到自由曲面离轴反射系统的神经网络模型;其中,系统参数包括半视场、系统焦距以及系统的F数,曲面参数包括自由曲面位置和自由曲面面形系数;
重新获取自由曲面离轴反射系统的系统参数,然后输入到所述神经网络模型,得到对应的曲面参数,并根据该对应的曲面参数得到自由曲面离轴反射系统的初始结构。
进一步地,用于训练神经网络的系统参数的获取方法具体为:
在任意设置的直角坐标系下,根据所述基本结构形式分别确定半视场、系统焦距以及系统的F数各自的上限值和下限值,其中,半视场包括x方向的半视场与y方向的半视场;
分别对x方向的半视场、y方向的半视场、系统焦距以及系统的F数执行判断取值操作,其中,所述判断取值操作具体为:
判断上限值和下限值是否相等,若不相等,则在由上限值和下限值确定的取值范围内,等间隔地选取至少两个不同的数值作为最终的取值;若相等,则将上限值作为最终的取值;
将x方向的半视场、y方向的半视场、系统焦距以及系统的F数的各个取值进行排列组合,得到多组不同的系统参数SSP。
进一步地,用于训练神经网络的系统参数的获取方法具体为:
在任意设置的直角坐标系下,根据所述基本结构形式分别确定半视场、系统焦距以及系统的F数各自的上限值和下限值,其中,半视场包括x方向的半视场与y方向的半视场;
分别对x方向的半视场、y方向的半视场、系统焦距以及系统的F数执行至少两次判断取值操作,当x方向的半视场、y方向的半视场、系统焦距以及系统的F数均完成一次判断取值操作后,得到一组系统参数SSP,其中,所述判断取值操作具体为:
判断上限值和下限值是否相等,若不相等,则在由上限值和下限值确定的取值范围内,随机选取一个数值作为最终的取值;若相等,则将上限值作为最终的取值。
进一步地,用于训练神经网络的曲面参数的获取方法具体为:
S1:将多组不同的系统参数SSP中实现难度最低的一组系统参数作为基础系统参数SSP1,则基础系统参数SSP1对应的自由曲面离轴反射系统作为基础系统BaseSys1;
S2:采用光学软件获取基础系统BaseSys1对应的曲面参数,并将该组曲面参数作为与基础系统参数SSP1匹配的曲面参数;
S3:分别获取基础系统参数SSP1与剩余未匹配有曲面参数的系统参数SSP之间的加权距离,然后将最短加权距离对应的系统参数SSP作为第二组系统参数SSP2;
S4:分别获取第二组系统参数SSP2和已经匹配有曲面参数的系统参数SSP的加权距离,将其中最短加权距离对应的系统参数作为中间系统参数SSP*;
S5:采用传统优化方法,以中间系统参数SSP*对应的基础系统的自由曲面面形系数作为初始值进行优化,得到第2个基础系统BaseSys2;
S6:采用光学软件获取基础系统BaseSys2对应的曲面参数,并将该组曲面参数作为与系统参数SSP2匹配的第二组曲面参数;
S7:将系统参数SSP2代替步骤S3中的基础系统参数SSP1后重复步骤S3~S6,得到第三组曲面参数;以此类推,得到各组系统参数SSP匹配的曲面参数。
进一步地,假设有N组系统参数,则系统参数SSP1与剩余未使用的N-1个系统参数SSP之间的加权距离WD的计算公式如下:
其中,||·||2为二范数,为剩余未匹配有曲面参数的系统参数,且1≤j≤N-1,w为设定权重矢量,且w=[wHalf-XFOV,wHalf-YFOV,wEFL,wF#],其中,半视场包括x方向的半视场与y方向的半视场,则wHalf-XFOV为x方向的半视场的权重,wHalf-YFOV为y方向的半视场的权重,wEFL为系统焦距的权重,wF#为F数的权重,表示将矢量w与矢量的各分量元素对应相乘。
进一步地,所述自由曲面位置包括每个自由曲面顶点相对于全局坐标系的全局y坐标、每个自由曲面顶点相对于全局坐标系的全局z坐标以及每个自由曲面局部坐标系相对于全局坐标系绕x方向的旋转角度。
进一步地,所述神经网络为前向反馈的BP神经网络,且BP神经网络的输入层的每一个节点对应系统参数的一个分量;BP神经网络的输出层的每一个节点对应曲面参数的一个分量,同时,输出层的传输函数为线性传输函数;
所述BP神经网络包括两个隐藏层,且隐藏层的传输函数为sigmoid型函数。
进一步地,使用Levenberg-Marquardt方法对神经网络进行训练。
有益效果:
本发明提供一种自由曲面离轴反射系统初始结构生成方法,使用自由曲面离轴反射系统的系统参数和曲面参数对神经网络训练后,可以生成相应的神经网络模型;对于后续自由曲面离轴反射系统初始结构的设计中,只需将其系统参数输入到训练好的神经网络模型中,可以立即得到自由曲面离轴反射系统的初始结构,有效降低时间成本和人力参与,不需要较强的设计经验和技巧,使得光学设计的初学者甚至非专业人员均可以使用本发明方法进行自由曲面离轴反射系统初始结构的生成。
附图说明
图1为本发明提供的一种自由曲面离轴反射系统初始结构生成方法的流程图;
图2为本发明提供的神经网络训练集的获取方法流程图;
图3为本发明提供的采用神经网络得到的1000个系统的像质的平均RMS弥散斑直径示意图;
图4为本发明提供的采用神经网络得到的1000个系统的像质的最大绝对畸变示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
近年来,人工智能和深度学习成为了科学研究和工程应用中的热点方向。现代的深度学习大多是基于人工神经网络进行数据分析、特征提取、任务决策等工作。如果将深度学习引入自由曲面成像系统光学设计中,利用经过训练得到的网络,可以更好更快地生成满足要求的系统。自由曲面成像系统的设计难也会得到大大降低,不需要大量的人力与时间。而自由曲面离轴反射系统是一种有重要应用的系统形式,在航空航天、虚拟现实与增强现实等领域有重要的应用,将深度学习应用于自由曲面离轴反射系统设计,包括供后续优化的初始结构设计,有重要的应用前景。
参见图1,该图为本实施例提供的一种自由曲面离轴反射系统初始结构生成方法的流程图。一种自由曲面离轴反射系统初始结构生成方法,具体包括以下步骤:
步骤一:确定自由曲面离轴反射系统的基本结构形式,其中,所述基本结构形式包括光路折叠形式、自由曲面的数量、各自由曲面所属的面型种类以及孔径光阑为第几个自由曲面;
步骤二:将多组满足基本结构形式的自由曲面离轴反射系统的系统参数和对应的曲面参数分别作为神经网络的输入和输出,对神经网络进行训练,得到自由曲面离轴反射系统的神经网络模型;其中,系统参数包括半视场、系统焦距以及系统的F数,曲面参数包括自由曲面位置和自由曲面面形系数。
需要说明的是,所述自由曲面位置包括每个自由曲面顶点相对于全局坐标系的全局y坐标、每个自由曲面顶点相对于全局坐标系的全局z坐标以及每个自由曲面局部坐标系相对于全局坐标系绕x方向的旋转角度;自由曲面面形系数为描述各自有曲面的面形的系数。
步骤三:重新获取自由曲面离轴反射系统的系统参数,然后输入到所述神经网络模型,得到对应的曲面参数,并根据该对应的曲面参数得到自由曲面离轴反射系统的初始结构。
需要说明的是,被训练的神经网络选取前向反馈的BP神经网络。BP神经网络的输入层有4个节点,每一个对应于系统参数的一个分量,即x方向的半视场、y方向的半视场、系统焦距以及系统的F数。输出层的节点个数与每个系统的曲面参数的分量个数相同。网络共使用两个隐藏层。隐藏层的传输函数选择sigmoid型函数,输出层的传输函数选择线性传输函数,同时,本实施例使用Levenberg-Marquardt方法进行网络训练。由此可见,使用由系统参数和曲面参数构成的数据集对BP神经网络训练后,可以得到相应的自由曲面离轴反射系统的神经网络模型。对于重新给出的一组系统参数,可以使用神经网络模型输出对应的曲面参数,并依此得到对应的初始结构;同时,本实施例最终得到的只是自由曲面离轴反射系统的初始结构,得到初始结构后,可以根据现有的优化方法对初始结构进行微调,进行后续优化。
进一步地,参见图2,该图为本实施例提供的神经网络训练集的获取方法流程图。由图2可知,用于训练神经网络的系统参数,可以通过确定系统参数的变化范围,然后在变化范围内得到N组不同的系统参数组合来得到,曲面参数再根据系统参数对应的基础系统得到,其中,基础系统可以看作是采用现有优化方法,满足特定系统参数的虚拟的成像系统。具体的,本实施例给出以下两种用于训练神经网络的系统参数的获取方法。
第一种:
S1a:在任意设置的直角坐标系下,根据所述基本结构形式分别确定x方向的半视场、y方向的半视场、系统焦距以及系统的F数的上限值和下限值,并由上限值和下限值确定取值范围,其中,半视场包括x方向的半视场与y方向的半视场;具体的:
其中,Half-XFOV为x方向的半视场、Half-XFOVmin为x方向的半视场的下限值、Half-XFOVmax为x方向的半视场的上限值、Half-YFOV为y方向的半视场、Half-YFOVmin为y方向的半视场的下限值、Half-YFOVmax为y方向的半视场的上限值、EFL为系统焦距、EFLmin为系统焦距的下限值、EFLmax为系统焦距的上限值、F#为系统的F数、F#min为系统的F数的下限值、F#max为系统的F数的上限值;
需要说明的是,神经网络的训练集对应的所有自由曲面离轴反射系统以及使用该神经网络生成的自由曲面离轴反射系统都采用相同的基本结构形式。当自由曲面离轴反射系统的中心视场确定后,自由曲面离轴反射系统的全视场可以通过给出x方向的半视场(Half-XFOV)、y方向的半视场(Half-YFOV)来确定。一般地,自由曲面离轴反射系统的中心视场取(0°,0°),意即自由曲面离轴反射系统没有使用偏置视场。另外,当系统焦距(EFL)以及系统的F数(F#)确定后,系统的入瞳直径(EPD)可以通过EFL/F#得到。因此,在本实施例的设计框架中,采用x方向的半视场(Half-XFOV)、y方向的半视场(Half-YFOV)、系统焦距(EFL)以及系统的F数(F#)来描述一个自由曲面离轴反射系统的系统参数。
S1b:分别对x方向的半视场、y方向的半视场、系统焦距以及系统的F数执行判断取值操作,其中,所述判断取值操作具体为:
判断上限值和下限值是否相等,若不相等,则对应的取值范围内,等间隔地选取至少两个不同的数值作为最终的取值;若相等,则将上限值作为最终的取值;
S1c:将x方向的半视场、y方向的半视场、系统焦距以及系统的F数的各个取值进行排列组合,得到多组不同的系统参数SSP。
例如,当x方向的半视场、y方向的半视场、系统焦距以及系统的F数的各自的上限值和下限值均不相等时,假设在x方向的半视场、y方向的半视场、系统焦距以及系统的F数各自的取值范围内分别等间隔地选取NHalf-XFOV个不同的x方向的半视场值、NHalf-YFOV个不同的y方向的半视场值、NEFL个不同的系统焦距值、NF#个F数值;其中,NHalf-XFOV、NHalf-YFOV、NEFL、NF#均至少为2,最终得到N=NHalf-XFOV×NHalf-YFOV×NEFL×NF#组不同的系统参数SSP。
当x方向的半视场、y方向的半视场、系统焦距以及系统的F数的各自的上限值和下限值不完全相等,例如系统焦距的上限值和下限值相等时,则还是在x方向的半视场、y方向的半视场以及系统的F数各自的取值范围内分别等间隔地选取数值,而将系统焦距的上限值直接作为最终的取值,此时系统参数SSP最终的组数由x方向的半视场、y方向的半视场以及系统的F数取值的个数决定。
需要说明的是,系统参数SSP为一个参数矢量,具体的:
SSP=[Half-XFOV,Half-YFOV,EFL,F#]
在第二种用于训练神经网络的系统参数的获取方法中,也是根据所述基本结构形式分别确定x方向的半视场、y方向的半视场、系统焦距以及系统的F数的取值范围;然而在确定系统参数的各分量,即x方向的半视场、y方向的半视场、系统焦距以及系统的F数的取值范围后,分别对x方向的半视场、y方向的半视场、系统焦距以及系统的F数执行至少两次判断取值操作,当x方向的半视场、y方向的半视场、系统焦距以及系统的F数均完成一次判断取值操作后,得到一组系统参数SSP,其中,所述判断取值操作具体为:
判断上限值和下限值是否相等,若不相等,则在由上限值和下限值确定的取值范围内,随机选取一个数值作为最终的取值;若相等,则将上限值作为最终的取值。
进一步地,下面介绍用于训练神经网络的曲面参数的获取方法,具体包括以下步骤:
S1:将多组不同的系统参数SSP中实现难度最低的一组系统参数作为基础系统参数SSP1,则基础系统参数SSP1对应的自由曲面离轴反射系统作为基础系统BaseSys1;
S2:采用光学软件获取基础系统BaseSys1对应的曲面参数,并将该组曲面参数作为与基础系统参数SSP1匹配的第一组曲面参数;
S3:分别获取基础系统参数SSP1与剩余未匹配有曲面参数的系统参数SSP之间的加权距离,然后将最短加权距离对应的系统参数SSP作为第二组系统参数SSP2;
S4:分别获取第二组系统参数SSP2和已经匹配有曲面参数的系统参数SSP的加权距离,将其中最短加权距离对应的系统参数作为中间系统参数SSP*;
S5:采用传统优化方法,以中间系统参数SSP*对应的基础系统的自由曲面面形系数作为初始值进行优化,得到第2个基础系统BaseSys2;
S6:采用光学软件获取基础系统BaseSys2对应的曲面参数,并将该组曲面参数作为与系统参数SSP2匹配的第二组曲面参数;
S7:将系统参数SSP2代替步骤S3中的基础系统参数SSP1后重复步骤S3~S6,得到第三组曲面参数;以此类推,得到各组系统参数SSP匹配的曲面参数。
需要说明的是,在分别获取第二组系统参数SSP2和已经匹配有曲面参数的系统参数SSP的加权距离时,已经匹配有曲面参数的系统参数只有基础系统参数SSP1;获取第三组系统参数SSP3和已经匹配有曲面参数的系统参数SSP的加权距离时,已经匹配有曲面参数的系统参数只有基础系统参数SSP1和SSP2。
也就是说,第一组曲面参数的获取方法如下:
将N组不同的系统参数SSP中实现难度最低的一组系统参数作为基础系统参数SSP1,则基础系统参数SSP1对应的自由曲面离轴反射系统作为基础系统BaseSys1;然后将基础系统BaseSys1对应的曲面参数,作为与基础系统参数SSP1匹配的第一组曲面参数;
需要说明的是,可以采用传统优化方法根据基础系统参数SSP1得到对应的基础系统BaseSys1;其中,优化时使用的约束条件包含控制系统像面大小以及畸变的条件以及控制系统光线遮拦的条件等,且后续曲面参数的获取过程中,每一个系统优化都使用类似的约束条件。
后续曲面参数的获取方法如下:
S2a:假设当前最新已获取的是第i个基础系统BaseSysi,则基础系统BaseSysi对应匹配的系统参数记为SSPi;
S2b:分别获取系统参数SSPi与剩余未匹配有曲面参数的N-i个系统参数SSP之间的加权距离,然后将最短加权距离对应的系统参数SSP作为下一组系统参数SSPi+1;
其中,加权距离WD的计算公式如下:
其中,||·||2为二范数,为剩余未匹配有曲面参数的系统参数,且1≤j≤N-i,w为设定权重矢量,且w=[wHalf-XFOV,wHalf-YFOV,wEFL,wF#],wHalf-XFOV为x方向的半视场的权重,wHalf-YFOV为y方向的半视场的权重,wEFL为系统焦距的权重,wF#为F数的权重,表示将矢量w与矢量的各分量元素对应相乘;例如两个矢量A=[a1,a2,a3,a4]以及B=[b1,b2,b3,b4],则
S2c:分别获取系统参数SSPi+1和i个已经匹配有曲面参数的系统参数SSPk的加权距离,其中1≤k≤i,将其中最短加权距离对应的系统参数作为中间系统参数SSPq,其中1≤q≤i,SSPq即SSP*;
S2d:采用传统优化方法,以系统参数SSPq对应的基础系统BaseSysq的曲面面形系数作为初始值进行优化,得到第i+1个基础系统BaseSysi+1;
S2e:采用光学软件获取基础系统BaseSysi+1对应的曲面参数,并将该组曲面参数作为与系统参数SSPi+1匹配的曲面参数,也即第i+1组曲面参数。
下面结合附图说明一种自由曲面离轴三反系统的网络构建和应用过程。
本实例采用的离轴三反结构为常见的Wetherell结构。系统参数的取值范围分别设定为:2°≤Half-XFOV≤4.5°,2°≤Half-YFOV≤4.5°,80mm≤EFL≤120mm,1.5≤F#≤4。系统的中心视场取(0°,0°)。次镜为系统的孔径光阑。工作波段为长波红外。神经网络的训练集生成时,在系统参数的各自范围内,等间隔的选取NHalf-XFOV=6个不同的Half-XFOV,NHalf-YFOV=6个不同的Half-YFOV,NEFL=9个不同的EFL和NF#=12个不同的F#。经组合后共有N=NHalf-XFOV×NHalf-YFOV×NEFL×NF#=3888种不同的系统参数SSP的取值,作为神经网络的训练集的输入部分。
取定第一个系统参数SSP1=[2°,2°,120mm,4],也就是使用了最小的视场范围以及最大的F数,并采用传统优化方法基于此设计优化得到第一个基础系统BaseSys1。由于系统关于子午面对称,优化过程中只考虑了半视场范围内的6个视场点进行优化:(0°,0°),(0°,2°),(0°,-2°),(2°,0°),(2°,2°)和(2°,-2°)。其它基础系统的设计也使用类似的视场选取方式。优化时使用的约束条件包含控制系统像面大小以及畸变的条件以及控制系统光线遮拦的条件等。后续步骤每一个系统优化都使用类似的约束条件。自由曲面类型使用没有二次曲面基底的4阶XY多项式曲面,可写作:
z(x,y)=A3x2+A5y2+A7x2y+A9y3+A10x4+A12x2y2+A14y4
其中z是矢高,Ai是面形系数。每个曲面共有10个曲面参数,每个系统中有三个曲面。因此每个系统一共要记录30个曲面参数。接下来以第一个基础系统BaseSys1为起点按顺序得到所有的基础系统。w=[1,1,0.05,1]。在得到所有系统参数以及曲面参数后,将其作为训练集,训练BP神经网络。BP神经网络的输入层有4个节点,每一个对应于一个系统参数参量。输出层有30个节点,每一个节点对应一个曲面参数的分量。网络共使用两个隐藏层,分别有30和40个节点。隐藏层的传输函数选择tansig函数,输出层的传输函数选择purelin函数。使用Levenberg-Marquardt方法进行网络训练。训练最终的结果:均方根误差为0.00129,相关系数R=0.99702。使用训练集训练后可以得到相应的神经网络。对于给出的一组系统参数,可以使用神经网络模型立即输出对应的曲面参数,并依此得到对应的供后续优化的初始结构。
为了验证网络的效果,在给定的系统参数范围内随机生成了1000组不同的系统参数,并且输入到网络中得到对应的输出,即曲面位置以及曲面面形系数,并分别建立相应的系统。接着分析每个系统的成像情况。这里采用6个取样视场的平均RMS弥散斑直径以及最大绝对畸变来进行分析。此处的绝对畸变是指某个视场的实际像点和对应的理想像点的距离。参见图3和图4,分别为本实施例提供的采用神经网络得到的1000个系统的像质的平均RMS弥散斑直径示意图和最大绝对畸变示意图。如图3、图4所示,对于绝大多数的系统,本实施例中为1000个系统中的984个,系统平均RMS弥散斑直径在0mm到0.8mm之间,且最大绝对畸变不超过1.5mm。这些系统可以作为供后续优化的良好初始结构。其余的16个系统中,有10个系统因为网络的缺陷或者仿真软件的问题,导致并未形成有效的系统,不能被应用为初始结构,如图2中弥散斑直径小于0是由于软件无法计算导致的。另外6个系统的平均RMS弥散斑直径或者最大绝对畸变大于之前的984个系统,但是当做初始结构也是可以的。因此,99%的系统可以被选为供后续优化的良好初始结构。
由此可见,本实施例提供的基于神经网络的自由曲面离轴反射系统初始结构生成方法具有以下优点:其一,可以在一定的系统参数范围内自动化地生成一系列训练,由此可见训练集的生成过程简单,且能够自动化完成。其二,在得到神经网络模型后,若要设计参数范围内的某一系统参数的初始结构,只需将系统参数其输入到神经网络模型中,可以立即得到相应的面形参数,对应的自由曲面离轴反射系统即可作为供后续优化的初始结构。其三、该方法有效降低了时间成本和人力参与,不需要较强的设计经验和技巧,光学设计的初学者或者非专业人员可以使用该方法进行自由曲面离轴反射系统初始结构的生成。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种自由曲面离轴反射系统初始结构生成方法,其特征在于,包括以下步骤:
确定自由曲面离轴反射系统的基本结构形式,其中,所述基本结构形式包括光路折叠形式、自由曲面的数量、各自由曲面所属的面型种类以及孔径光阑为第几个自由曲面;
将多组满足基本结构形式的自由曲面离轴反射系统的系统参数和对应的曲面参数分别作为神经网络的输入和输出,对神经网络进行训练,得到自由曲面离轴反射系统的神经网络模型;其中,系统参数包括半视场、系统焦距以及系统的F数,曲面参数包括自由曲面位置和自由曲面面形系数;
重新获取自由曲面离轴反射系统的系统参数,然后输入到所述神经网络模型,得到对应的曲面参数,并根据该对应的曲面参数得到自由曲面离轴反射系统的初始结构。
2.如权利要求1所述的一种自由曲面离轴反射系统初始结构生成方法,其特征在于,用于训练神经网络的系统参数的获取方法具体为:
在任意设置的直角坐标系下,根据所述基本结构形式分别确定半视场、系统焦距以及系统的F数各自的上限值和下限值,其中,半视场包括x方向的半视场与y方向的半视场;
分别对x方向的半视场、y方向的半视场、系统焦距以及系统的F数执行判断取值操作,其中,所述判断取值操作具体为:
判断上限值和下限值是否相等,若不相等,则在由上限值和下限值确定的取值范围内,等间隔地选取至少两个不同的数值作为最终的取值;若相等,则将上限值作为最终的取值;
将x方向的半视场、y方向的半视场、系统焦距以及系统的F数的各个取值进行排列组合,得到多组不同的系统参数SSP。
3.如权利要求1所述的一种自由曲面离轴反射系统初始结构生成方法,其特征在于,用于训练神经网络的系统参数的获取方法具体为:
在任意设置的直角坐标系下,根据所述基本结构形式分别确定半视场、系统焦距以及系统的F数各自的上限值和下限值,其中,半视场包括x方向的半视场与y方向的半视场;
分别对x方向的半视场、y方向的半视场、系统焦距以及系统的F数执行至少两次判断取值操作,当x方向的半视场、y方向的半视场、系统焦距以及系统的F数均完成一次判断取值操作后,得到一组系统参数SSP,其中,所述判断取值操作具体为:
判断上限值和下限值是否相等,若不相等,则在由上限值和下限值确定的取值范围内,随机选取一个数值作为最终的取值;若相等,则将上限值作为最终的取值。
4.如权利要求1所述的一种自由曲面离轴反射系统初始结构生成方法,其特征在于,用于训练神经网络的曲面参数的获取方法具体为:
S1:将多组不同的系统参数SSP中实现难度最低的一组系统参数作为基础系统参数SSP1,则基础系统参数SSP1对应的自由曲面离轴反射系统作为基础系统BaseSys1;
S2:采用光学软件获取基础系统BaseSys1对应的曲面参数,并将该组曲面参数作为与基础系统参数SSP1匹配的曲面参数;
S3:分别获取基础系统参数SSP1与剩余未匹配有曲面参数的系统参数SSP之间的加权距离,然后将最短加权距离对应的系统参数SSP作为第二组系统参数SSP2;
S4:分别获取第二组系统参数SSP2和已经匹配有曲面参数的系统参数SSP的加权距离,将其中最短加权距离对应的系统参数作为中间系统参数SSP*;
S5:采用传统优化方法,以中间系统参数SSP*对应的基础系统的自由曲面面形系数作为初始值进行优化,得到第2个基础系统BaseSys2;
S6:采用光学软件获取基础系统BaseSys2对应的曲面参数,并将该组曲面参数作为与系统参数SSP2匹配的第二组曲面参数;
S7:将系统参数SSP2代替步骤S3中的基础系统参数SSP1后重复步骤S3~S6,得到第三组曲面参数;以此类推,得到各组系统参数SSP匹配的曲面参数。
5.如权利要求4所述的一种自由曲面离轴反射系统初始结构生成方法,其特征在于,假设有N组系统参数,则系统参数SSP1与剩余未使用的N-1个系统参数SSP之间的加权距离WD的计算公式如下:
6.如权利要求1所述的一种自由曲面离轴反射系统初始结构生成方法,其特征在于,所述自由曲面位置包括每个自由曲面顶点相对于全局坐标系的全局y坐标、每个自由曲面顶点相对于全局坐标系的全局z坐标以及每个自由曲面局部坐标系相对于全局坐标系绕x方向的旋转角度。
7.如权利要求1所述的一种自由曲面离轴反射系统初始结构生成方法,其特征在于,所述神经网络为前向反馈的BP神经网络,且BP神经网络的输入层的每一个节点对应系统参数的一个分量;BP神经网络的输出层的每一个节点对应曲面参数的一个分量,同时,输出层的传输函数为线性传输函数;
所述BP神经网络包括两个隐藏层,且隐藏层的传输函数为sigmoid型函数。
8.如权利要求1所述的一种自由曲面离轴反射系统初始结构生成方法,其特征在于,使用Levenberg-Marquardt方法对神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910472849.1A CN110161682B (zh) | 2019-05-31 | 2019-05-31 | 一种自由曲面离轴反射系统初始结构生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910472849.1A CN110161682B (zh) | 2019-05-31 | 2019-05-31 | 一种自由曲面离轴反射系统初始结构生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110161682A CN110161682A (zh) | 2019-08-23 |
CN110161682B true CN110161682B (zh) | 2020-08-11 |
Family
ID=67630628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910472849.1A Active CN110161682B (zh) | 2019-05-31 | 2019-05-31 | 一种自由曲面离轴反射系统初始结构生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110161682B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111740307A (zh) * | 2020-07-01 | 2020-10-02 | 中国工程物理研究院激光聚变研究中心 | 激光器谐振腔的智能调节系统和方法 |
CN113238375B (zh) * | 2021-04-20 | 2022-04-08 | 北京理工大学 | 一种基于深度学习的自由曲面成像系统初始结构生成方法 |
CN113239615A (zh) * | 2021-04-21 | 2021-08-10 | 西北工业大学 | 一种基于机器学习的飞行视觉显示系统设计方法 |
CN113326653B (zh) * | 2021-05-17 | 2022-03-29 | 中国工程物理研究院激光聚变研究中心 | 一种基于神经网络的离轴三反光学系统的设计方法 |
CN113419342A (zh) * | 2021-07-01 | 2021-09-21 | 重庆邮电大学 | 一种基于深度学习的自由照明光学设计方法 |
CN116009244B (zh) * | 2022-12-13 | 2023-09-08 | 南开大学 | 一种含离轴自由曲面光学系统的优化设计方法 |
-
2019
- 2019-05-31 CN CN201910472849.1A patent/CN110161682B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110161682A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161682B (zh) | 一种自由曲面离轴反射系统初始结构生成方法 | |
TWI557436B (zh) | 自由曲面離軸光學系統的設計方法 | |
CN104615983B (zh) | 基于递归神经网络和人体骨架运动序列的行为识别方法 | |
CN108227184B (zh) | 自由曲面成像光学系统的设计方法 | |
US8310481B2 (en) | Computer aided design method for enhancement of local refinement through T-splines | |
CN106960459B (zh) | 角色动画中基于扩展位置动力学的蒙皮技术及权重重定位的方法 | |
CN107562066B (zh) | 一种航天器多目标启发式排序任务规划方法 | |
CN108632764B (zh) | 一种多传感器选择性量测数据融合估计方法 | |
CN113191243B (zh) | 基于相机距离的人手三维姿态估计模型建立方法及其应用 | |
TW201910722A (zh) | 光學系統自由曲面面形公差分佈的分析方法 | |
Abdullah et al. | Parametric design procedures: a new approach to generative-form in the conceptual design phase | |
CN113900249A (zh) | 基于粒子群算法的同轴反射式光学系统初始结构求解方法 | |
Guo et al. | A new mesh smoothing method based on a neural network | |
Yang et al. | Design of compact off-axis freeform imaging systems based on optical-digital joint optimization | |
KR102054773B1 (ko) | 3차원 프린팅을 위한 3차원 객체 저작 장치 및 방법 | |
Liu et al. | Sketch to portrait generation with generative adversarial networks and edge constraint | |
CN113238375B (zh) | 一种基于深度学习的自由曲面成像系统初始结构生成方法 | |
Mao et al. | An off-axis flight vision display system design using machine learning | |
CN115619970A (zh) | 一种三维模型修复方法、系统、介质、设备及终端 | |
CN112732943B (zh) | 一种基于强化学习的中文字库自动生成方法及系统 | |
CN111274902B (zh) | 用多头掩模均衡融和单元的手势深度图像连续检测方法 | |
CN101625708A (zh) | 可视化结构分析系统 | |
CN117292068B (zh) | 一种多重散射分布生成网络训练方法、渲染方法及装置 | |
Grobman | Building the Digital World-Architectural Design Methods Based on the Use of Digital Tools-Performance Based Form Generation and Optimization | |
Jo et al. | Chapter Planning Alternative Building Façade Designs Using Image Generative AI and Local Identity |
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 |