CN110749550B - 一种基于深度学习的天文光谱仪像质补偿方法及系统 - Google Patents
一种基于深度学习的天文光谱仪像质补偿方法及系统 Download PDFInfo
- Publication number
- CN110749550B CN110749550B CN201910956023.2A CN201910956023A CN110749550B CN 110749550 B CN110749550 B CN 110749550B CN 201910956023 A CN201910956023 A CN 201910956023A CN 110749550 B CN110749550 B CN 110749550B
- Authority
- CN
- China
- Prior art keywords
- spectrometer
- drift amount
- astronomical
- deep learning
- spectrogram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 239000006185 dispersion Substances 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000001444 catalytic combustion detection Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/027—Control of working procedures of a spectrometer; Failure detection; Bandwidth calculation
-
- 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
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开一种基于深度学习的天文光谱仪像质补偿方法及系统。该方法包括如下步骤:S1:采集天文光谱仪定标光谱图和相应时刻的温度数据;S2:确定每张光谱图的光谱漂移量;S3:将温度数据以及光谱漂移量数据输入计算机进行深度学习,以温度和天文光谱仪的仪器运行时间为输入、光谱漂移量为输出,得到温度‑光谱漂移量神经网络;S4:天文光谱仪运行时,预测当前空间方向漂移量、色散方向漂移量大小;S5:根据所预测的漂移量大小,进行反向等量调节。本发明通过读取历史定标数据、温度数据进行深度学习,实时预测光谱图漂移量大小。此方法补偿精度高,可以有效提高望远镜巡天的数据测量精度和望远镜运行效率。
Description
技术领域
本发明涉及一种天文光谱仪光谱成像及天文光谱仪仪器领域,特别涉及一种光纤光谱仪的像质补偿方法及系统。
背景技术
天文观测中视向速度是一个非常重要的测量参数,根据现有实测和理论分析,其中光谱仪的稳定性是影响视向速度测量精度非常重要的因素之一。光谱仪环境温度是影响天文光谱仪稳定性能的主要因素之一,环境温度的变化会导致光谱仪的结构发生一定的线性或非线性的变化,这将导致CCD靶面上的图像漂移,进而引起光谱仪性能的下降。故需要一种高效、高精度的温度补偿方法,对CCD靶面图像进行补偿,以提高望远镜光谱仪性能、运行效率。
发明内容
发明目的:有鉴于现有技术上的缺陷,本发明所要解决的技术问题是提供一种基于深度学习的天文光谱仪像质补偿方法,旨在提高天文望远镜光谱仪温度稳定性、运行效率。本发明还提供了利用该方法实现高效高精度图像拍摄的天文光谱仪系统。
技术方案:为实现上述目的,本发明提供一种基于深度学习的天文光谱仪像质补偿方法,包括如下步骤:
S1:采集光谱仪定标光谱图像和相应时刻的温度数据;
S2:对光谱图的各个阵列谱线进行精确的中心定位,确定每张光谱图的的光谱漂移量:包括空间方向漂移量、色散方向漂移量;
S3:将步骤S1得到的温度数据以及步骤S2得到光谱漂移量输入神经网络进行深度学习,以温度和天文光谱仪的仪器运行时间为输入,漂移量为输出,得到准确度较高的温度和光谱漂移量之间的关系模型;
S4:天文光谱仪运行时,将实测温度数据输入温度-光谱漂移量神经网络实时预测当前空间方向漂移量、色散方向漂移量大小;
S5:根据所预测的漂移量大小,利用天文光谱仪照相镜系统的自动调节装置进行与当前时刻漂移方向反向等量调节。
进一步而言,所述步骤S2包括:
S21:分别将各个时间拍摄的定标光谱图像输入计算机读取,转化成像素灰度值矩阵,每个像素的灰度值为vij,i为像素矩阵的第i行,j为像素矩阵的第j列;
S22:识别各个光谱图像谱线阵列中心位置(xk(tn)yk(tn));其中,n为在时刻tn所拍摄的光谱图,k为光谱图中的第k个谱线光斑,xk(tn)表示在空间方向,第k个谱线光斑在时刻tn所拍摄的光谱图像中的横坐标,yk(tn)表示在色散方向,第k个谱线光斑在时刻tn所拍摄的光谱图像中的纵坐标;
S23:将每张光谱图的漂移量用谱线平均中心位移量计算,在由基准时间t1开始到tn时间段内,平均漂移量为(Xn Yn),Xn为tn时刻拍摄光谱图像的空间方向漂移量;Yn为tn时刻拍摄光谱图像的色散方向漂移量;
进一步而言,所述步骤S5包括:
S51:将光谱仪漂移量数据输入自动调节装置;
S52:利用已经建立好的数学模型把光谱漂移量转化为调节装置的反方向调节幅度;
S53:调节装置进行补偿调节。
进一步,在所述步骤S1中,所述光谱仪天文光谱仪,接收器为科学级CCD,定标灯谱有足够高信噪比。
进一步,在所述步骤S2中,采用重心法对光斑进行定位:
进一步,在所述步骤S3中,深度学习算法采用Back Propagation神经网络。
进一步,在所述步骤S5中,自动调节装置为天文光谱仪照相机系统自动调焦系统,其调节自由度目前有俯仰调节、色散调节和焦距调节。
本发明中实现上述像质补偿的装置为一种高效高精度的天文光谱仪系统,包括:天文光谱仪照相镜系统以及数据采集系统;
所述天文光谱仪照相镜系统包括同轴设置的照相镜、用于捕捉照相镜反射并聚焦的定标光谱图像的天文光谱仪;
所述数据采集系统为用于采集数据的计算机;
所述天文光谱仪照相镜系统包括用于漂移方向反向等量调节的自动调节装置。
自动调节装置为光谱仪照相镜自动调焦系统,所述调节包括自由度俯仰调节、色散调节和焦距调节。
有益效果:(1)本发明有效提高了望远镜夜间观测时的运行效率,避免补偿手续占用过多望远镜观测时间;(2)本发明的实验表明补偿精度高,且节约人工成本;(3)本发明通过计算机智能算法,利用望远镜历史定标数据,对当前光谱漂移量进行预测,无需占用观测时间,无需人工操作,实现仪器的智能化自动运行。
附图说明
图1是实施例1中可实现像质补偿的天文光谱仪系统;
图2是实施例中的照相机系统自动调焦系统蓝图;
图3是实施例1的天文光谱仪像质补偿方法流程图;
图4是实施例1中天文光谱仪像质补偿方法实验效果图。
具体实施方式
下面结合附图和实施例作进一步说明:
实施例1:如图1和图2所示,本发明提供了一种可以实现像质补偿的天文光谱仪系统,天文光谱仪照相镜系统以及数据采集系统;
天文光谱仪照相镜系统包括同轴O1设置的照相镜1、用于捕捉照相镜1反射并聚焦的定标光谱图像2的天文光谱仪3,本实施例中,天文光谱仪3的接收器为科学级4096×4096CCD。
本实施例中的数据采集系统为用于采集数据的计算机4,计算机4可同时采集天文光谱仪3拍摄的光谱图像2、天文光谱仪3的运行时间和天文光谱仪3采集光谱图像相应时刻的温度数据。
天文光谱仪照相镜系统包括用于漂移方向反向等量调节的调节6的自动调节装置5。
自动调节装置5为光谱仪照相镜自动调焦系统,可以实现的调节6包括自由度俯仰调节61、色散调节62和焦距调节63。
如图3所示,在本发明实施例1中,提供一种基于深度学习的天文光谱仪像质补偿方法,包括如下步骤:
S1:创建和采集大量光谱仪CCD3捕捉照相镜1反射并聚焦的定标光谱图2和相应时刻的温度数据;
S2:对光谱图2的各个阵列谱线进行精确的中心定位,确定每张光谱图的的光谱漂移量:空间方向漂移量以及色散方向漂移量;
S21:分别将各个时间拍摄的定标光谱图像输入计算机4读取,转化成像素灰度值矩阵,每个像素的灰度值为vij,i为像素矩阵的第i行,j为像素矩阵的第j列;
S22:识别各个光谱图像2谱线阵列中心位置(xk(tn)yk(tn));其中,n为在时刻tn所拍摄的光谱图,k为光谱图中的第k个谱线光斑,xk(tn)表示空间方向,第k个谱线光斑在时刻tn所拍摄的光谱图像中的横坐标,yk(tn)表示色散方向,第k个谱线光斑在时刻tn所拍摄的光谱图像中的纵坐标;
步骤S2中,光谱图的光斑进行定位采用重心法:空间方向的坐标xk以及色散方向的坐标yk通过以下方式确定:
S3:将温度-光谱漂移量输入计算机4进行深度学习,深度学习算法采用BackPropagation神经网络,以温度为输入、光谱漂移量为输出,得到准确度较高的温度和漂移量之间的关系模型;
S4:天文光谱仪运行时,将实测温度输入温度-光谱漂移量神经网络实时预测当前空间方向漂移量、色散方向漂移量大小;
S5:根据所预测的漂移量大小,利用天文光谱仪照相机系统的自动调节装置5进行与当前时刻漂移方向反向等量的三维的补偿调节6。
S51:将光谱仪漂移量输入自动调节系统5;
S52:利用已经建立好的数学模型把光谱漂移量转化为调节装置的反方向调节幅度;
S53:用自动调节装置5进行补偿调节6,如图2所示,自动调节装置5为天文光谱仪照相机系统自动调焦系统,其调节自由度目前有俯仰调节61、色散调节62和焦距调节63。
本发明所提出的一种基于深度学习的天文光谱仪像质及稳定性补偿方法,利用该方法进行像素补偿调节,实验结果较理想,如图4所示,横坐标表示时刻(min),纵坐标表示漂移量。从图4中可以看到,该补偿算法能够在150min以上的时间范围内保持补偿精度在15%左右(约等于0.022pixel),满足实际应用的要求。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于深度学习的天文光谱仪像质补偿方法,其特征在于,包括如下步骤:
S1:采集天文光谱仪定标光谱图和相应时刻的温度数据;
S2:对光谱图的各个阵列谱线进行精确的中心定位,确定每张光谱图的光谱漂移量:包括空间方向漂移量以及色散方向漂移量;S3:将步骤S1得到的温度数据以及步骤S2得到光谱漂移量数据输入计算机进行深度学习,以温度和天文光谱仪的仪器运行时间为输入、光谱漂移量为输出,得到准确度较高的温度和光谱漂移量之间的关系模型:温度-光谱漂移量神经网络;
S4:天文光谱仪运行时,将实测温度输入温度-光谱漂移量神经网络实时预测当前空间方向漂移量、色散方向漂移量大小;
S5:根据所预测的漂移量大小,利用天文光谱仪照相镜系统的自动调节装置进行与当前时刻漂移方向反向等量调节;
所述步骤S2包括:
S21:分别将各个时间拍摄的定标光谱图像输入计算机读取,转化成像素灰度值矩阵,每个像素的灰度值为vij;其中,i为像素矩阵的第i行,j为像素矩阵的第j列;
S22:识别各个光谱图像谱线阵列中心位置(xk(tn)yk(tn));其中,n为在时刻tn所拍摄的光谱图,k为光谱图中的第k个谱线光斑,xk(tn)表示空间方向,第k个谱线光斑在时刻tn所拍摄的光谱图像中的横坐标,yk(tn)表示色散方向,第k个谱线光斑在时刻tn所拍摄的光谱图像中的纵坐标;
S23:将每张光谱图的漂移量用谱线平均中心位移量计算,平均漂移量为(Xn Yn);Xn为tn时刻拍摄光谱图像的空间方向漂移量,Yn为tn时刻拍摄光谱图像的色散方向漂移量。
2.根据权利要求1所述的基于深度学习的天文光谱仪像质补偿方法,其特征在于:所述步骤S5包括:
S51:将光谱仪漂移量数据输入自动调节装置;
S52:利用已经建立好的数学模型把光谱漂移量转化为调节装置的反方向调节幅度;
S53:调节装置进行补偿调节。
4.根据权利要求1所述的基于深度学习的天文光谱仪像质补偿方法,其特征在于:在所述步骤S1中,所述天文光谱仪采用中低分辨率光谱仪,接收器分别用4096×4096CCD,定标光谱图采集时间跨度285-315min。
5.根据权利要求1所述的基于深度学习的天文光谱仪像质补偿方法,其特征在于:在所述步骤S2中,采用重心法对光谱图的光斑进行定位。
6.根据权利要求1所述的基于深度学习的天文光谱仪像质补偿方法,其特征在于:在所述步骤S3中,深度学习算法采用Back Propagation神经网络。
7.根据权利要求1所述的基于深度学习的天文光谱仪像质补偿方法,其特征在于:在所述步骤S5中,自动调节装置(5)为光谱仪照相镜自动调焦系统,所述自动调节装置的调节自由度调节包括俯仰调节、色散调节和焦距调节。
8.一种采用如权利要求1所述方法的高效高精度的天文光谱仪系统,其特征在于,包括:天文光谱仪照相镜系统以及数据采集系统;
所述天文光谱仪照相镜系统包括同轴设置的照相镜(1)、用于捕捉照相镜(1)反射并聚焦的定标光谱图像(2)的天文光谱仪(3);
所述数据采集系统为用于采集数据的计算机(4);
所述天文光谱仪照相镜系统包括用于漂移方向反向等量调节(6)的自动调节装置(5)。
9.根据权利要求8所述的高效高精度的天文光谱仪系统,其特征在于,自动调节装置(5)为光谱仪照相镜自动调焦系统,所述调节(6)包括自由度俯仰调节(61)、色散调节(62)和焦距调节(63)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910956023.2A CN110749550B (zh) | 2019-10-09 | 2019-10-09 | 一种基于深度学习的天文光谱仪像质补偿方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910956023.2A CN110749550B (zh) | 2019-10-09 | 2019-10-09 | 一种基于深度学习的天文光谱仪像质补偿方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110749550A CN110749550A (zh) | 2020-02-04 |
CN110749550B true CN110749550B (zh) | 2020-11-03 |
Family
ID=69277897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910956023.2A Active CN110749550B (zh) | 2019-10-09 | 2019-10-09 | 一种基于深度学习的天文光谱仪像质补偿方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110749550B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024044953A1 (en) * | 2022-08-30 | 2024-03-07 | Thermo Fisher Scientific (Bremen) Gmbh | Scientific instrument support systems and methods for mitigating spectral drift |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6029115A (en) * | 1996-10-03 | 2000-02-22 | Perkin Elmer Llc | Analyzing spectrometric data |
CN102519878B (zh) * | 2011-12-13 | 2013-07-17 | 江苏大学 | 微流控芯片光电检测光源稳定性自动修正补偿方法与系统 |
CN103063880A (zh) * | 2012-12-21 | 2013-04-24 | 浙江大学 | 一种估计并补偿扫描探针显微镜中温漂的方法 |
CN104898214B (zh) * | 2015-06-09 | 2017-01-04 | 哈尔滨工程大学 | 嵌入式多芯光纤瞄准器及定位装置 |
CN105092026A (zh) * | 2015-09-08 | 2015-11-25 | 四川双利合谱科技有限公司 | 一种推扫型成像光谱仪自动调焦的方法 |
CN105092034B (zh) * | 2015-09-08 | 2017-08-15 | 四川双利合谱科技有限公司 | 一种推扫型成像光谱仪 |
CN105182498A (zh) * | 2015-09-08 | 2015-12-23 | 四川双利合谱科技有限公司 | 一种摆扫型光谱成像仪的调焦方法 |
-
2019
- 2019-10-09 CN CN201910956023.2A patent/CN110749550B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110749550A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8098984B2 (en) | Focus detecting apparatus and an imaging apparatus | |
CN106896622A (zh) | 基于多距离自动对焦的校正方法 | |
EP1656642A2 (en) | Image processors and methods of image processing | |
CN113720260B (zh) | 一种多目标光纤光谱望远镜参考光纤位置测量装置及方法 | |
CN111812836A (zh) | 大口径大视场相机的标校装调方法、装置、设备及介质 | |
Hornsey et al. | Electronic compound-eye image sensor: construction and calibration | |
CN111735768B (zh) | 一种Micro LED屏幕的显微成像方法及装置 | |
CN110749550B (zh) | 一种基于深度学习的天文光谱仪像质补偿方法及系统 | |
CN110455418B (zh) | 用于红外探测器非均匀性校正的超构透镜阵列及方法 | |
CN114860196A (zh) | 一种望远镜主光路导星装置及导星偏移量的计算方法 | |
CN111796414B (zh) | 基于恒星间弧长变化的望远镜自动调焦方法 | |
CN108345084A (zh) | 一种主被动结合的变倍自动调焦方法及系统 | |
CN109443705B (zh) | 一种基于计算成像的光学镜头数值孔径测量方法 | |
CN108431660B (zh) | 范围优化的全光变焦 | |
CN108830904B (zh) | 一种参数优化的相机响应曲线定标方法 | |
Shafer | Automation and calibration for robot vision systems | |
Wang et al. | The metrology cameras for Subaru PFS and FMOS | |
KR101482637B1 (ko) | 다중대역 비열화보상 광학시스템의 온도변화에 따른 시계편차 보정 방법 | |
CN112395741B (zh) | 一种时空谱一体化光学遥感成像物象映射方法 | |
CN110798624B (zh) | 一种应用于移动机器人室外slam领域的hdr相机 | |
Otruba et al. | Kanzelhöhe photosphere telescope (KPT) | |
CN114373019B (zh) | 一种利用最优化方法对无公共视场相机进行标定的方法 | |
CN116593134A (zh) | 大口径大视场主动光学望远镜相机视宁度检测方法 | |
Zhang et al. | Image Acquisition Devices | |
Udhwani et al. | Assembly and testing of Ground Layer Adaptive Optics (GLAO) for ARIES Telescopes |
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 |