CN110646100A - 一种基于bp神经网络的倍频波前探测方法 - Google Patents

一种基于bp神经网络的倍频波前探测方法 Download PDF

Info

Publication number
CN110646100A
CN110646100A CN201910938679.1A CN201910938679A CN110646100A CN 110646100 A CN110646100 A CN 110646100A CN 201910938679 A CN201910938679 A CN 201910938679A CN 110646100 A CN110646100 A CN 110646100A
Authority
CN
China
Prior art keywords
wavefront
frequency
neural network
doubling
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
Application number
CN201910938679.1A
Other languages
English (en)
Other versions
CN110646100B (zh
Inventor
徐志强
董理治
赵旺
何星
王帅
杨平
许冰
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.)
Institute of Optics and Electronics of CAS
Original Assignee
Institute of Optics and Electronics 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 Institute of Optics and Electronics of CAS filed Critical Institute of Optics and Electronics of CAS
Priority to CN201910938679.1A priority Critical patent/CN110646100B/zh
Publication of CN110646100A publication Critical patent/CN110646100A/zh
Application granted granted Critical
Publication of CN110646100B publication Critical patent/CN110646100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G01J2009/002—Wavefront phase distribution

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明公开了一种基于BP神经网络的倍频波前探测方法，属于光学信息测量技术领域，利用泽尼克系数表征含畸变的基频光束和相应倍频光束的波前信息并组成训练集，再通过BP神经网络拟合两者之间的非线性关系，BP神经网络训练完成后，即可通过采集到的倍频光波前信息，直接复原出全口径的待测基频光束的波前信息。本发明将神经网络应用到基频、倍频光束相位关系的拟合上，简化了基于非线性倍频波前探测技术的测量过程，且模型预测过程迅速，足以满足实时波前探测的需求。

Description

一种基于BP神经网络的倍频波前探测方法
技术领域
本发明属于光学信息测量技术领域，尤其涉及一种基于BP神经网络的倍频波前探测方法。
背景技术
波前探测技术是一门测量光束波前畸变的技术，通过对待测光束进行采样、调制并测量相应的信号来重构待测光束的波前信息。目前常见的波前传感器有夏克-哈特曼波前传感器、剪切干涉仪和曲率传感器等等。鉴于波前探测在光学检测、空间目标成像、激光光束净化等领域的重要应用价值，发展精准灵敏、灵活通用的新型波前探测技术一直是人们研究的热点。
已有研究人员将非线性倍频与波前探测相结合，来拓展传统波前探测技术的测量范围，但受到相位失配、走离效应等因素的影响,像差在倍频过程中的传递结果不是线性叠加的,而是非线性的，因此难以直接探测。目前研究人员采用的方法是通过末端可移动的光纤耦合器测量倍频的光强分布来计算光束口径内不同位置的相位失配量，然后根据相位失配量与光波波矢的关系求得不同位置的波矢方向，再以此拟合待测基频光束的波前(参见Rocío Borrego-Varillas,Carolina Romero,et al.“Wave-front retrieval ofamplified femtosecond beams by second-harmonic generation”Optics Express.19(23),22851,2011)。但该方法目前只适用于一维波前探测，且测量过程复杂，无法满足实时波前探测的需求。
发明内容
鉴于上述问题，本发明提出一种基于BP神经网络的倍频波前探测方法，BP神经网络是一种基于误差反向传播算法的前馈神经网络，可有效拟合基频、倍频波前之间的非线性关系，实现实时的全口径倍频波前探测。
为了达到上述目的，本发明提供如下技术方案：
一种基于BP神经网络的倍频波前探测方法，包括以下步骤：
S1,根据基频光、倍频光波前泽尼克系数构造训练集；
S2,基于BP神经网络训练基频光波前泽尼克系数和倍频光波前泽尼克系数对应关系的神经网络模型；
S3,神经网络模型构建完成后，将待测基频光束经非线性晶体进行倍频，所产生的倍频光束进入波前传感器，波前传感器将探测到的波前信息输入到计算机；
S4,计算机根据探测到的倍频光波前信息，计算倍频光波前泽尼克系数并作为输入，利用S2构建好的BP神经网络模型得到待测基频光波前的泽尼克系数；
S5,计算机根据待测基频光波前的泽尼克系数复原波前，至此完成波前探测。
作为本发明进一步的方案，步骤S1中训练集的详细构造过程如下：
S11,平面波基频光束经倍频后，进入波前传感器，记录下此时倍频光束的波前信息，作为标定波前，以抵消缩扩束透镜、分光镜等光学元件所产生的附加像差；
S12,通过相位调制器生成随机像差，计算其泽尼克系数(Z1,Z2,…,Zm)，平面波经相位调制器反射后，产生含相位畸变的基频光束射入倍频晶体；
S13,产生的倍频光束进入波前探测器，波前探测器将探测到的波前信息输入计算机，然后计算其泽尼克系数(Z1′,Z2′,…,Zn′)，记录相应基频、倍频泽尼克系数{(Z1,Z2,…,Zm)、(Z1′,Z2′,…,Zn′)}，作为一组训练样本；
S14,重复步骤S12、步骤S13，随机生成若干组训练样本以构成训练集：
{(Z1,Z2,…,Zm)、(Z1′,Z2′,…,Zn′)}N。
作为本发明再进一步的方案，步骤S2中BP神经网络的构建如下：
S21,输入层单元数为n，即倍频波前前n阶泽尼克系数，输出层单元数为m，即基频波前前m阶泽尼克系数；
S22,隐含层单元数：
Figure BDA0002222282140000021
a取[1，10]之间的常数；
S23,激励函数：
Figure BDA0002222282140000022
S24,误差公式：
Figure BDA0002222282140000023
其中Zk为第k阶泽尼克系数期望输出，Ok为模型预测输出。
S25,BP神经网络模型的训练采用梯度下降法，选取N组训练集样本进行训练，不断更新迭代网络模型中的权重和阈值，直至BP神经网络总误差小于设定值或者达到迭代次数，即完成训练。
与现有技术相比，本发明的有益效果是：
(1)、采用BP神经网络模型拟合基频、倍频相位之间的非线性关系，直接探测倍频波前，即可复原全口径的待测基频波前；
(2)、通过线下采集训练样本的方式训练网络模型，实际的在线探测过程可以快速的对待测波前进行复原，满足实时波前探测的需求。
附图说明
图1为训练集构建过程示意图；
图2为BP神经网络模型示意图；
图3为倍频波前探测流程框图；
图4为本发明波前探测过程示意图。
图中：1.第一缩束透镜，2.第二缩束透镜，3.KDP倍频晶体，4.分光镜，5.第一扩束透镜，6.第二扩束透镜，7.激光线滤光片，8.波前探测器，9.计算机，10.相位调制器。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本发明实施例中，一种基于BP神经网络的倍频波前探测方法，详细的探测步骤如下：
步骤一，根据基频、倍频波前泽尼克系数构造训练集；
所述步骤一中基频、倍频波前泽尼克系数训练集的具体构造过程如下，请参阅图1：
1.平面波
Figure BDA0002222282140000031
基频光束中心波长选为1054nm近红外激光，在相位调制器10(本实施例中选用液晶空间光调制器)不产生附加面型的情况下，经第一缩束透镜1、第二缩束透镜2缩束后，由KDP倍频晶体3倍频产生527nm绿光，分光镜4滤除残余1054nm基频光，第一扩束透镜5、第二扩束透镜6位于分光镜4后，将倍频光扩束后导入哈特曼波前探测器8进行波前探测，激光线滤光片7用以滤除宽带倍频及环境光源所引入的杂散光，计算机9记录下此时倍频光束的波前信息，作为标定波前
Figure BDA0002222282140000041
以抵消系统中各光学元件所产生的附加像差；
2.通过相位调制器10生成随机像差
Figure BDA0002222282140000042
记录其前15阶泽尼克系数(Z1,Z2,…,Z15)，平面波经相位调制器10反射后，形成含相位畸变的入射基频光束，重复步骤1的倍频探测过程；
3.波前探测器8将此时探测到的倍频波前输入计算机，剔除标定波前即为实际探测到的含畸变倍频波前，然后解算其前65阶泽尼克系数(Z1′,Z2′,…,Z65′)，记录相应基频、倍频泽尼克系数{(Z1,Z2,…,Z15)、(Z1′,Z2′,…,Z65′)}，作为一组训练样本；
4.重复步骤2、步骤3，随机生成15000组训练样本以构成训练集：
{(Z1,Z2,…,Z15)、(Z1′,Z2′,…,Z65′)}15000。
步骤二，基于BP神经网络训练基频波前泽尼克系数和倍频波前泽尼克系数对应关系的神经网络模型；
所述步骤二中BP神经网络模型的结构及训练过程如下，请参阅图2、图3：
1.输入层单元数为65，即倍频波前前65阶泽尼克系数，输出层单元数为15，即基频波前前15阶泽尼克系数；
2.隐含层单元数：
Figure BDA0002222282140000045
n,m分别为输入层、输出层单元数，a取[1，10]之间的常数，本模型中隐含层单元数设定为18；
3.激励函数：
4.误差公式：
Figure BDA0002222282140000047
其中Zk为第k阶泽尼克系数期望输出，Ok为模型预测输出。
5.BP神经网络模型的训练采用梯度下降法，15000组训练集样本归一化处理后输入模型进行训练，不断更新迭代网络模型中的权重和阈值，直至BP神经网络总误差小于设定值或者达到迭代次数，即完成训练。
步骤三，请参阅图4，神经网络模型构建完成后，第一缩束透镜1、第二缩束透镜2将待测基频光束缩束后，经KDP倍频晶体3进行倍频，所产生的倍频光束经分光镜4、第一扩束透镜5、第二扩束透镜6及激光线滤光片7，进入波前传感器8，随后将探测到的波前信息输入到计算机9；
步骤四，计算机9根据探测到的倍频光波前信息，计算倍频光波前泽尼克系数并作为输入，利用步骤二构建好的BP神经网络模型得到待测基频光波前的泽尼克系数；
步骤五，计算机根据待测基频光波前的泽尼克系数复原波前，至此完成波前探测。
需要说明的是，本实施例中选用的KDP倍频晶体、基频光波长、哈特曼波前传感器、液晶空间光调制器并不局限于此，均可以用其他合适的非线性晶体、波长、波前传感器和相位调制器代替。
至此，已经结合附图对本发明实施例进行了详细的描述。以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于BP神经网络的倍频波前探测方法，其特征在于：该方法用BP神经网络构建基频光、倍频光相位之间的非线性关系，利用此关系实现倍频波前探测，具体通过以下步骤实现：
S1，根据基频光、倍频光波前泽尼克系数构造训练集；
S2，基于BP神经网络训练基频光波前泽尼克系数和倍频光波前泽尼克系数对应关系的神经网络模型；
S3，神经网络模型构建完成后，将待测基频光束经非线性晶体进行倍频，所产生的倍频光束进入波前传感器，波前传感器将探测到的波前信息输入到计算机；
S4，计算机根据探测到的倍频光波前信息，计算倍频光波前泽尼克系数并作为输入，利用S2构建好的BP神经网络模型得到待测基频光波前的泽尼克系数；
S5，计算机根据待测基频光波前的泽尼克系数复原波前，完成波前探测。
2.根据权利要求1所述的一种基于BP神经网络的倍频波前探测方法，其特征在于，步骤S1所述的基频光、倍频光波前泽尼克系数训练集的详细构造过程如下：
(S11)平面波基频光束经倍频后，进入波前传感器，记录下此时倍频光束的波前信息，作为标定波前，以抵消缩扩束透镜、分光镜光学元件所产生的附加像差；
(S12)通过相位调制器生成随机像差，计算其泽尼克系数(Z1，Z2，...，Zm)，平面波经相位调制器反射后，产生含相位畸变的基频光束射入倍频晶体；
(S13)产生的倍频光束进入波前探测器，波前探测器将探测到的波前信息输入计算机，解算其泽尼克系数(Z1′，Z2′，...，Zn′)，记录对应的基频光、倍频光波前泽尼克系数{(Z1，Z2，...，Zm)、(Z1′，Z2′，...，Zn′)}，作为一组训练样本；
(S14)重复步骤(S12)、步骤(S13)，随机生成若干组训练样本以构成训练集：
{(Z1，Z2，...，Zm)、(Z1′，Z2′，...，Zn′)}N。
3.根据权利要求1所述的一种基于BP神经网络的倍频波前探测方法，其特征在于，步骤S2所述的网络模型结构及训练过程如下：
(S21)设输入层单元数为n，即倍频光波前前n阶泽尼克系数，输出层单元数为m，即基频光波前前m阶泽尼克系数；
(S22)隐含层单元数：
Figure FDA0002222282130000011
a取[1，10]之间的常数；
(S23)激励函数：
Figure FDA0002222282130000021
(S24)误差公式：
Figure FDA0002222282130000022
其中Zk为第k阶泽尼克系数期望输出，Ok为模型预测输出；
(S25)BP神经网络模型的训练采用梯度下降法，选取N组训练集样本进行训练，不断更新迭代网络模型中的权重和阈值，直至BP神经网络总误差小于设定值或者达到迭代次数，即完成训练。
CN201910938679.1A 2019-09-30 2019-09-30 一种基于bp神经网络的倍频波前探测方法 Active CN110646100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910938679.1A CN110646100B (zh) 2019-09-30 2019-09-30 一种基于bp神经网络的倍频波前探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910938679.1A CN110646100B (zh) 2019-09-30 2019-09-30 一种基于bp神经网络的倍频波前探测方法

Publications (2)

Publication Number Publication Date
CN110646100A true CN110646100A (zh) 2020-01-03
CN110646100B CN110646100B (zh) 2021-02-19

Family

ID=68993411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910938679.1A Active CN110646100B (zh) 2019-09-30 2019-09-30 一种基于bp神经网络的倍频波前探测方法

Country Status (1)

Country Link
CN (1) CN110646100B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209689A (zh) * 2020-02-14 2020-05-29 北京理工大学 非零干涉非球面测量回程误差去除方法及装置
CN111562022A (zh) * 2020-06-02 2020-08-21 中国科学院光电技术研究所 一种用于强湍流校正的太阳自适应光学系统
CN111627085A (zh) * 2020-06-01 2020-09-04 中国科学院长春光学精密机械与物理研究所 一种波前分视场曲率传感方法和装置、自适应oct系统
CN112836422A (zh) * 2020-12-31 2021-05-25 电子科技大学 干涉与卷积神经网络混合方案测量方法
CN113654670A (zh) * 2021-08-12 2021-11-16 中国科学院光电技术研究所 一种基于神经网络的缺光子孔径质心位移估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1904569A (zh) * 2006-08-07 2007-01-31 中国科学院光电技术研究所 一种基于线性相位反演的波前测量方法
CN101520413A (zh) * 2009-02-18 2009-09-02 深圳大学 一种外差干涉椭偏测量非线性误差补偿方法
US7619191B1 (en) * 2006-04-28 2009-11-17 University Of Central Florida Research Foundation, Inc. Increase spatial sampling for wave front mid-spatial frequency error recovery
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
CN109596227A (zh) * 2018-12-06 2019-04-09 浙江大学 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7619191B1 (en) * 2006-04-28 2009-11-17 University Of Central Florida Research Foundation, Inc. Increase spatial sampling for wave front mid-spatial frequency error recovery
CN1904569A (zh) * 2006-08-07 2007-01-31 中国科学院光电技术研究所 一种基于线性相位反演的波前测量方法
CN101520413A (zh) * 2009-02-18 2009-09-02 深圳大学 一种外差干涉椭偏测量非线性误差补偿方法
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
CN109596227A (zh) * 2018-12-06 2019-04-09 浙江大学 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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209689A (zh) * 2020-02-14 2020-05-29 北京理工大学 非零干涉非球面测量回程误差去除方法及装置
CN111627085A (zh) * 2020-06-01 2020-09-04 中国科学院长春光学精密机械与物理研究所 一种波前分视场曲率传感方法和装置、自适应oct系统
CN111562022A (zh) * 2020-06-02 2020-08-21 中国科学院光电技术研究所 一种用于强湍流校正的太阳自适应光学系统
CN112836422A (zh) * 2020-12-31 2021-05-25 电子科技大学 干涉与卷积神经网络混合方案测量方法
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
CN113654670A (zh) * 2021-08-12 2021-11-16 中国科学院光电技术研究所 一种基于神经网络的缺光子孔径质心位移估计方法
CN113654670B (zh) * 2021-08-12 2022-07-29 中国科学院光电技术研究所 一种基于神经网络的缺光子孔径质心位移估计方法

Also Published As

Publication number Publication date
CN110646100B (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN110646100B (zh) 一种基于bp神经网络的倍频波前探测方法
Shatokhina et al. Review on methods for wavefront reconstruction from pyramid wavefront sensor data
CN111626997B (zh) 基于深度学习的高速单图直接探测光学畸变相位的方法
CN100573065C (zh) 一种基于线性相位反演的波前测量方法
CN105675455B (zh) 一种在粒度分析仪中降低随机系统噪声的方法及装置
CN108061639A (zh) 一种结合自适应光学技术的大动态范围、高精度相位差法波前测量仪
van Dam et al. Wave-front sensing from defocused images by use of wave-front slopes
EP4080179A1 (en) Method and system for the temporal and spectral characterization of the amplitude and phase of ultrashort laser pulses
CN111652372B (zh) 一种基于衍射光学神经网络的波前复原方法及系统
CN103969031B (zh) 最小二乘法测量液晶校正器响应矩阵的方法
CN104236855B (zh) 施瓦茨光学系统波像差测量方法
CN115560848A (zh) 基于超表面径向剪切的强度-波前-波长测量仪
CN107589542B (zh) 宽波段相位差图像重建中的中心波长的选择方法
US20200319592A1 (en) Differential holography
Silva et al. Wavefront reconstruction using intensity measurements for real-time adaptive optics
Kovalev et al. Optical wavefields measurement by digital holography methods
CN113984222A (zh) 光栅压缩器波前畸变在线测量装置及测量方法
CN108593120B (zh) 一种基于非线性界面切伦科夫倍频的波前探测方法
CN113432731B (zh) 一种光栅横向剪切干涉波前重建过程中的补偿方法
Hsu et al. Shack-Hartmann based wavefront and intensity sensing via U-Net
Fordey et al. Phase measurement by quadriwave lateral shearing interferometry using spatial light modulator
Martinod et al. Long baseline interferometry in the visible: first results of the FRIEND project
CN101936780B (zh) 一种具有两面锥镜的波前传感器
CN114858291B (zh) 一种基于点衍射的激光链路分段波前探测方法及装置
Dubost et al. Concept validation of a high dynamic range point-diffraction interferometer for wavefront sensing in adaptive optics

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