CN110441033B - 基于强度编码调制的相干组束图像测量装置及其测量方法 - Google Patents

基于强度编码调制的相干组束图像测量装置及其测量方法 Download PDF

Info

Publication number
CN110441033B
CN110441033B CN201910592982.0A CN201910592982A CN110441033B CN 110441033 B CN110441033 B CN 110441033B CN 201910592982 A CN201910592982 A CN 201910592982A CN 110441033 B CN110441033 B CN 110441033B
Authority
CN
China
Prior art keywords
monitoring
adjusting module
neural network
combination image
coherent
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
Application number
CN201910592982.0A
Other languages
English (en)
Other versions
CN110441033A (zh
Inventor
刘人奇
梁晓燕
彭纯
李儒新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Optics and Fine Mechanics of CAS
Original Assignee
Shanghai Institute of Optics and Fine Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Optics and Fine Mechanics of CAS filed Critical Shanghai Institute of Optics and Fine Mechanics of CAS
Priority to CN201910592982.0A priority Critical patent/CN110441033B/zh
Publication of CN110441033A publication Critical patent/CN110441033A/zh
Application granted granted Critical
Publication of CN110441033B publication Critical patent/CN110441033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G01M11/02Testing optical properties
    • G01M11/0242Testing optical properties by measuring geometrical properties or aberrations
    • G01M11/0257Testing optical properties by measuring geometrical properties or aberrations by analyzing the image formed by the object to be tested
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于强度编码调制的相干组束图像测量装置及其测量方法,通过计算机模拟的经过强度编码调制的干涉条纹图样结合深度学习卷积神经网络训练出目标网络,然后将相干组束系统实时采集到的远场干涉条纹图样输入目标网络解析出光束的角度误差和相位误差。本发明提出的这种新的针对相干组束系统的测量解析方法,适用于超强超短激光系统及一般的双光束干涉系统,其优点在于可以对一幅远场干涉图样同时精确地解析出各光束之间的角度误差和相位误差。

Description

基于强度编码调制的相干组束图像测量装置及其测量方法
技术领域
本发明涉及激光领域以及图像识别领域,特别涉及一种基于强度编码调制的相干组束图像测量装置及其测量方法。
背景技术
随着超强超短激光器的不断发展,众多学科领域迎来了前所未有的极端实验条件,例如准单色性高能带电粒子束的形成与加速,硬X射线与γ射线的产生,相对论自聚焦以及快点火激光核聚变等等。正因为超强超短激光对现代诸多前沿学科的卓越贡献,2018年诺贝尔物理学奖颁发给了发明出啁啾脉冲放大技术(CPA)的Mourou和Strickland。而正是CPA技术的出现,使得超强超短激光器的峰值功率密度不断提升,达到了目前最高的2×1022W/cm2,也促使很多理论物理结论能够从实验上验证。
当激光器峰值功率密度想要进一步提升达到极端相对论强度1023W/cm2时,材料的损伤及尺寸成为了主要限制因素,而相干组束技术则是解决该问题的关键技术。对于各种类型的激光器,诸如全固态激光器,光纤激光器,半导体激光器,相干组束技术都有研究和应用,其中共同的一点是要对各子束间的相位误差进行测量进而反馈控制,而应用于超强超短激光系统的相干组束技术还需要对每束子光束的角度偏移误差进行精确地控制。目前的相干组束测量技术中大部分是对光束间相位误差进行测量,再单独测量各光束的角度误差,这些方法不仅无法同时测量这两个量,而且要求使用多套测量元件,增加了测量成本。
发明内容
本发明的目的是为了克服上述现有技术的不足,提出了一种基于强度编码调制的相干组束图像测量装置及其测量方法,能够只通过一个CCD同时测量出两束光或多束光之间的角度误差和相位误差。
为了达到上述发明目的,本发明的技术方案如下:
通过计算机模拟的经过强度编码调制的远场干涉条纹图样与深度学习卷积神经网络相结合,从而训练出目标网络,然后将相干组束图像测量装置实时采集到的远场干涉条纹输入目标网络中,同时解析出光束间的角度误差和相位误差。
所述的基于强度编码调制的相干组束图像测量装置(以双光束相干组束系统为例),包括第一分束镜、全反镜、第一路反馈调节模块、第二路反馈调节模块、第二分束镜、掩膜版、监测透镜、监测CCD和计算机;
入射光束经所述的第一分束镜分为第一透射光束和第一反射光束,第一透射光束依次经所述的第一路反馈调节模块和第二分束镜后分为第二透射光束和第二反射光束,第一反射光束依次经所述的全反镜和第二路反馈调节模块后分为第三透射光束和第三反射光束,所述的第二透射光束和第三透射光束依次经所述的掩膜版和监测透镜,由监测CCD接收,该监测CCD位于所述的监测透镜的后焦点处,该监测CCD输出端与计算机相连,所述的反馈调节模块和第二路反馈调节模块分别与计算机相连。
所述的第一分束镜的反射与透射比为50:50,所述的第二分束镜的反射与透射比为97:3。
所述的第一路反馈调节模块和第二路反馈调节模块包括了两维角度调节结构和沿光传播方向的光程平移调节结构。
所述的掩膜版分为两部分,每部分对光束均匀透过,且透过率之比为1:2。所述掩膜版的作用是对两束光做强度调制,使得两束光的角度偏差对监测CCD上的干涉条纹的贡献产生差异,易于将测量得到的角度偏差定位到相应的光束上。
所述的监测透镜是一个长焦透镜。
所述的监测CCD是一个快速相机,其帧频达数kHz。
所述的基于强度编码调制的相干组束图像测量装置进行相干组束图像的测量方法,有如下两个阶段:
神经网络训练阶段,步骤如下:
步骤1、由计算机模拟产生远场干涉条纹强度分布,表达式如下:
Figure BDA0002116695100000021
Figure BDA0002116695100000031
其中,根据图2所示,将掩膜版所在平面设置为近场平面,将监测CCD所在平面设置为远场平面,En(x,y)是每路子光束的近场分布,I(u,v)是远场干涉强度,f为监测透镜的焦距,定好第二透射光束和第三透射光束在近场平面上的位置(xn,yn)和光斑半径R,令每路子光束随机产生角度抖动
Figure BDA0002116695100000032
以第二透射光束的相位为基准,第三透射光束随机产生相位抖动
Figure BDA0002116695100000033
并使两路子光束的振幅满足关系A1=2A2,由计算机模拟产生不少于5000张的干涉条纹图样,其数组大小为150*150;
步骤2、搭建卷积神经网络,包括输入层、隐藏层、输出层,其中输入层可以接收的数组大小为150*150,隐藏层包括多层卷积层、池化层和全连接层,最后输出层输出一个5*1的数组;
步骤3、将步骤1里产生的大量干涉条纹图样作为训练集,送入卷积神经网络训练程序,通过多次迭代学习产生最优化的目标网络参数。
测量阶段,步骤如下:
步骤1、在相干组束图像测量装置中,在监测CCD上选取一块像素点个数为150*150的窗口作为测量窗口,分别调节两路子光束的角度,使其各自的远场光斑均处于测量窗口的中心位置,实现定标的效果;
步骤2、将监测CCD上测量窗口实时采集到的干涉图样输入到卷积神经网络,得到输出层的5*1的数组,5个数值分别为
Figure BDA0002116695100000034
即实时测量得到两光束之间的角度误差和相位误差。
以上的训练阶段所得到的目标神经网络参数是可以重复使用的,在之后的测量阶段不需要再重新进行该过程。
与现有技术相比,本发明的有益效果是:
1)相干组束系统中的测量单元将采集到的远场干涉图样传递到已经训练过的目标神经网络,能够直接获得两光束的角度误差
Figure BDA0002116695100000035
和相位误差
Figure BDA0002116695100000036
然后经由反馈控制元件控制两束光,使其在聚焦抛物面镜的焦点处完美聚焦,得到最大的组束效率。
2)只使用一个CCD就能同时精确地测量出两束光之间的角度误差和相位误差,简单经济。
3)不仅适用于双光束相干组束系统,还适用于多光束相干组束系统。具有激光时域普适性,不仅适用于连续激光相干组束系统,还适用于飞秒激光相干组束系统和超强超短激光相干组束系统等。
附图说明
图1是基于强度编码调制的相干组束图像测量装置的示意图
图2是近场平面与远场平面的几何关系的示意图
具体实施方式
下面结合附图和具体实施例子对本发明进行详细的说明,以求更为清楚明了地理解本发明的原理和工作流程,但不能以此来限制本发明专利的保护范围。
请参阅图1,图1是基于强度编码调制的相干组束图像测量装置的示意图,如图所示,一种基于强度编码调制的相干组束图像测量装置,包括的元件以及位置关系如下:入射光束1经所述的第一分束镜2分为第一透射光束4和第一反射光束5,第一透射光束4依次经所述的第一路反馈调节模块6和第二分束镜8后分为第二透射光束和第二反射光束,第一反射光束5依次经所述的全反镜3和第二路反馈调节模块7后分为第三透射光束和第三反射光束,所述的第二透射光束和第三透射光束依次经所述的掩膜版10和监测透镜11,由监测CCD12接收,该监测CCD12位于所述的监测透镜11的后焦点处,该监测CCD12输出端与计算机13相连,所述的反馈调节模块6和第二路反馈调节模块7分别与计算机13相连。
所述的第一分束镜2的反射与透射比为50:50,所述的第二分束镜8的反射与透射比为97:3。
所述的反馈调节模块6和反馈调节模块7包括了两维角度调节机构和沿光传播方向的光程平移调节机构。
所述的掩膜版10分为两部分,每部分对光束均匀透过,且透过率之比为1:2。
所述的监测透镜11是一个长焦透镜。
所述的监测CCD 12是一个快速相机,其帧频达数kHz。
所述的基于强度编码调制的相干组束图像测量装置进行相干组束图像的测量方法,有如下两个阶段:
神经网络训练阶段,步骤如下:
步骤1、由计算机模拟产生远场干涉条纹强度分布,表达式如下:
Figure BDA0002116695100000051
Figure BDA0002116695100000052
其中,根据图2所示,将掩膜版10所在平面设置为近场平面,将监测CCD12所在平面设置为远场平面,En(x,y)是每路子光束的近场分布,I(u,v)是远场干涉强度,f为监测透镜11的焦距,定好第二透射光束和第三透射光束在近场平面上的位置(xn,yn)和光斑半径R,令每路子光束随机产生角度抖动
Figure BDA0002116695100000053
以第二透射光束的相位为基准,第三透射光束随机产生相位抖动
Figure BDA0002116695100000054
并使两路子光束的振幅满足关系A1=2A2,由计算机模拟产生不少于5000张的干涉条纹图样,其数组大小为150*150;
步骤2、搭建卷积神经网络,包括输入层、隐藏层、输出层,其中输入层可以接收的数组大小为150*150,隐藏层包括多层卷积层、池化层和全连接层,最后输出层输出一个5*1的数组;
步骤3、将步骤1里产生的大量干涉条纹图样作为训练集,送入卷积神经网络训练程序,通过多次迭代学习产生最优化的目标网络参数。
测量阶段,步骤如下:
步骤1、在相干组束图像测量装置中,在监测CCD12上选取一块像素点个数为150*150的窗口作为测量窗口,分别调节两路子光束的角度,使其各自的远场光斑均处于测量窗口的中心位置,实现定标的效果;
步骤2、将监测CCD12上测量窗口实时采集到的干涉图样输入到卷积神经网络,得到输出层的5*1的数组,5个数值分别为
Figure BDA0002116695100000055
即实时测量得到两光束之间的角度误差和相位误差。
计算机将测量到的误差反馈给所述的反馈调节模块6和反馈调节模块7。经过反馈调节后,所述的聚焦抛物面镜9能够对两光束在焦点处实现相干叠加,产生最大的组束效率。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于强度编码调制的相干组束图像测量装置进行相干组束图像的测量方法,该装置包括第一分束镜(2)、全反镜(3)、第一路反馈调节模块(6)、第二路反馈调节模块(7)、第二分束镜(8)、掩膜板(10)、监测透镜(11)、监测CCD(12)和计算机(13);入射光束(1)经所述的第一分束镜(2)分为第一透射光束(4)和第一反射光束(5),第一透射光束(4)依次经所述的第一路反馈调节模块(6)和第二分束镜(8)后分为第二透射光束和第二反射光束,第一反射光束(5)依次经所述的全反镜(3)和第二路反馈调节模块(7)后分为第三透射光束和第三反射光束,所述的第二透射光束和第三透射光束依次经所述的掩膜板(10)和监测透镜(11),由监测CCD(12)接收,该监测CCD(12)位于所述的监测透镜(11)的后焦点处,该监测CCD(12)输出端与计算机(13)相连,所述的第一路反馈调节模块(6)和第二路反馈调节模块(7)分别与计算机(13)相连;其特征在于,该测量方法有如下两个阶段:
神经网络训练阶段,步骤如下:
步骤1、由计算机模拟产生远场干涉条纹强度分布,表达式如下:
Figure FDA0002981730960000011
其中,设掩膜板(10)所在平面为近场平面,监测CCD(12)所在平面为远场平面,En(x,y)是每路子光束的近场分布,I(u,v)是远场干涉强度,f为监测透镜(11)的焦距,定好第二透射光束和第三透射光束在近场平面上的位置(xn,yn)和光斑半径R,令每路子光束随机产生角度抖动
Figure FDA0002981730960000012
以第二透射光束的相位为基准,第三透射光束随机产生相位抖动
Figure FDA0002981730960000013
并使两路子光束的振幅满足关系A1=2A2
步骤2、搭建卷积神经网络,包括输入层、隐藏层、输出层,其中隐藏层包括多层卷积层、池化层和全连接层;
步骤3、将步骤1里产生的大量干涉条纹图样作为训练集,送入卷积神经网络训练程序,通过多次迭代学习产生最优化的目标网络参数;
测量阶段,步骤如下:
步骤1、在相干组束图像测量装置中,在监测CCD(12)上选取测量窗口,分别调节两路子光束的角度,使其各自的远场光斑均处于测量窗口的中心位置,实现定标的效果;
步骤2、将监测CCD(12)上测量窗口实时采集到的干涉图样输入到卷积神经网络,得到输出层的数组,分别为
Figure FDA0002981730960000021
即实时测量得到两光束之间的角度误差和相位误差。
CN201910592982.0A 2019-07-03 2019-07-03 基于强度编码调制的相干组束图像测量装置及其测量方法 Active CN110441033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910592982.0A CN110441033B (zh) 2019-07-03 2019-07-03 基于强度编码调制的相干组束图像测量装置及其测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910592982.0A CN110441033B (zh) 2019-07-03 2019-07-03 基于强度编码调制的相干组束图像测量装置及其测量方法

Publications (2)

Publication Number Publication Date
CN110441033A CN110441033A (zh) 2019-11-12
CN110441033B true CN110441033B (zh) 2021-05-04

Family

ID=68429050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910592982.0A Active CN110441033B (zh) 2019-07-03 2019-07-03 基于强度编码调制的相干组束图像测量装置及其测量方法

Country Status (1)

Country Link
CN (1) CN110441033B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111568385B (zh) * 2020-06-11 2022-05-27 中国科学院长春光学精密机械与物理研究所 光学相干层析设备的诊断检测方法、装置、系统
CN112059407A (zh) * 2020-09-17 2020-12-11 苏州快光科技有限公司 一种基于深度学习的皮秒超快激光加工系统及方法
CN112836422B (zh) * 2020-12-31 2022-03-18 电子科技大学 干涉与卷积神经网络混合方案测量方法
CN113506233B (zh) * 2021-07-08 2024-04-19 西安电子科技大学 基于深度学习的sar自聚焦方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003172660A (ja) * 2001-12-05 2003-06-20 Olympus Optical Co Ltd 干渉計
CN100504513C (zh) * 2005-12-09 2009-06-24 哈尔滨工业大学 双位相复合超分辨光瞳滤波方法与装置
CN102680211B (zh) * 2012-05-28 2015-01-14 中国电子科技集团公司第四十一研究所 基于偏振分束干涉技术的保偏光纤偏振耦合强度测试方法
KR20140103607A (ko) * 2013-02-18 2014-08-27 삼성전기주식회사 렌즈 검사 장치
CN108519218B (zh) * 2018-03-19 2019-10-18 中国科学院上海光学精密机械研究所 光学元件多波长激光损伤测试与分析系统
CN109115467B (zh) * 2018-08-24 2020-04-14 成都精密光学工程研究中心 一种用于焦距检测的双刀口差分检测装置、检测方法及数据处理方法
CN109597291B (zh) * 2018-11-30 2020-03-27 电子科技大学 一种基于卷积神经网络的光学扫描全息图像识别方法

Also Published As

Publication number Publication date
CN110441033A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110441033B (zh) 基于强度编码调制的相干组束图像测量装置及其测量方法
JP3698677B2 (ja) レーザパルス制御方法と装置およびx線発生方法と装置
US8107168B2 (en) Beam splitter apparatus and system
Liang et al. 1.5% root-mean-square flat-intensity laser beam formed using a binary-amplitude spatial light modulator
CN104472019B (zh) 具有激光射束源和用于操纵激光射束的射束导引设备的极紫外激励光源
CN101517454A (zh) 适用于加工多光子可固化光反应性组合物的光学系统
JP2003272892A (ja) X線発生方法およびx線発生装置
CN104677497A (zh) 一种太赫兹波性能的检测装置和方法
CN112327397A (zh) 一种飞秒等离子体光栅直写制造大面积体光栅的方法
CN102405122A (zh) 用于镭射加工的改良方法和设备
CN111007586A (zh) 一种大尺寸纳米周期光栅的制备方法
JP2003112280A (ja) 光照射装置と光加工装置およびその加工方法並びに電子部品
CN113340570A (zh) 高功率脉冲激光动态光场及动态焦斑的测量装置和测量方法
Peatross et al. Intensity-dependent atomic-phase effects in high-order harmonic generation
CN110987200B (zh) 一种阿秒脉冲的测量方法及装置
Liu et al. Micrometer accuracy method for small-scale laser focal spot centroid measurement
CN109323759B (zh) 提高激光倍频系统温度主动跟随补偿精度的方法
CN116430514A (zh) 飞秒激光直写光纤光栅制备装置及方法
Zhang et al. Investigation on parallel auxiliary adjusting machine of spatial filter lens for a high-power laser facility
CN104503100A (zh) 基于光栅衍射的晶体自准直调整装置和方法
CN114101701A (zh) 多光束增材制造方法
Tomizawa et al. Development of automatically optimizing system of both spatial and temporal beam shaping for UV-laser pulse
Komorowski et al. THz diffractive optics designed with neural networks
US20230311245A1 (en) Laser processing of a partly transparent workpiece using a quasi-non-diffractive laser beam
Aslam et al. Applications of machine learning in photo-cathode injectors

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