CN113312848A - 一种以适配目标信息提取算法为目的光学系统智能设计方法 - Google Patents
一种以适配目标信息提取算法为目的光学系统智能设计方法 Download PDFInfo
- Publication number
- CN113312848A CN113312848A CN202110647335.2A CN202110647335A CN113312848A CN 113312848 A CN113312848 A CN 113312848A CN 202110647335 A CN202110647335 A CN 202110647335A CN 113312848 A CN113312848 A CN 113312848A
- Authority
- CN
- China
- Prior art keywords
- optical system
- information extraction
- target information
- neural network
- target
- 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
Links
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及光学系统设计领域,一种以适配目标信息提取算法为目的光学系统智能设计方法,建立一种基于神经网络的数字光学系统模型,该基于神经网络的数字光学系统模型包括目标信息提取网络模型FAST‑RCNN、相位模拟神经网络PSF‑net。本发明提供的一种以适配目标信息提取算法为目的光学系统智能设计方法,降低了硬件条件及环境对研究的限制,为进一步研究提升目标信息提取系统性能提供了关键技术支持;利用目标信息提取结果对光学系统数字孪生系统进行设计及优化,从根本上改变传统光学系统与目标信息提取系统设计模式,大幅提升类目标信息提取算法的能力。
Description
技术领域
本发明涉及光学系统设计领域,具体为一种以适配目标检测算法为目的光学系统智能设计方法。
背景技术
以目标检测算法为代表的目标信息提取算法主要目的为从图像中获取特征目标的位置、亮度及类别等信息。这类算法现在已经十分成熟,常用的网络算法有基于候选区域的目标检测如:RCNN、Fast R-CNN、Faster R-CNN和R-FCN以及单次检测器SSD等。目前,常用的方法有SSD、YOLO / v2 / v3、RetianNet算法等。虽然当前算法较多,但是在实际应用中,针对不同目标检测任务不同算法往往需要自定义地修改网络模型,以此提高目标信息提取算法的性能。但是,仅仅依靠参数调优对算法性能提高有限,对目标的信息提取能力提升一般。此外,目标检测算法往往需要配置于嵌入式设备等终端中工作,对模型复杂度及功耗等均有较为严格的要求。另一方面,光电系统尤其是以自由曲面及衍射式光学元件等为代表的新型元件加工和检测性能获得了长足进步,其制造、检测价格在快速下降。由此我们提出将目标信息提取算法和目标图像获取过程作为一个整体,针对目标信息提取方法,优化图像获取设备能力,进一步提升目标信息提取算法性能。
发明内容
针对现有技术存在的不足以及不便之处,本发明的目的在于提供一种以适配目标信息提取算法为目的光学系统智能设计方法,实现对包括图像获取设备和目标信息提取算法在内的整个目标信息提取系统能力进行提升。
为了解决上述技术问题,本发明提供了如下技术方案:一种以适配目标信息提取算法为目的光学系统智能设计方法,包括:
一种以适配目标信息提取算法为目的的光学系统设计方法,建立一种基于神经网络的数字光学系统模型,该基于神经网络的数字光学系统模型包括目标信息提取网络模型FAST-RCNN、相位模拟神经网络PSF-net(参考:https://iopscience.iop.org/article/10.3847/1538-3881/ab7b79/meta);具体按照如下步骤进行:
步骤一、准备光学系统内元件的相位、望远镜模拟系统(成像系统模拟程序太原理工地基光学红外望远镜模拟系统)、目标检测网络FAST-RCNN;
相位模拟神经网络PSF-net负责形成光学系统内某一个或几个衍射元件的相位分布;成像系统模拟程序太原理工地基光学红外望远镜模拟系统可根据相位分布、待观测目标位置和亮度原始信息、监控系统其他光学元件参数,生成任意数目的模拟观测图像。目标信息提取网络模型FAST-RCNN可以处理模拟观测图像,并以目标信息提取效率:目标的定位精度、测光精度和分类精度作为系统评价损失函数。系统评价损失函数将差值反向传播,传输至目标信息提取网络输入层,获取输入层的反向传输误差。将修正误差在基于神经网络的数字光学系统模型内反向传播,可获取对应面的相位分布。
步骤二、在获取元件的目标相位之后,再将当前相位作为初始化的网络的一层或多层与后续的目标信息提取网络模型FAST-RCNN相结合,同时在实验中保证目标信息提取网络模型FAST-RCNN中参数保持不变。因为我们重点关注的对象不是目标信息提取网络模型FAST-RCNN的参数,而是基于神经网络的数字光学系统模型中对应的参数。
步骤三、通过训练完成的目标信息提取网络模型FAST-RCNN对基于神经网络的数字光学系统模型参数进行训练的步骤包括:
建立1000组包含不同数目、位置及噪声特征的模拟观测图像数据作为输入;以目标检测位置精度、目标分类准确度或目标光度信息为损失函数,在基于神经网络的数字光学系统模型内训练神经网络权重。每20组数据训练结束后,根据神经网络的权重进行一次神经网络更新。根据结果,调整目标信息提取网络神经元,对该基于神经网络的数字光学系统模型中的相位的数值进行调整。该步骤调整完成后继续按照前述流程训练神经网络;
经过50次上述训练后,损失函数的值达到最小,此时即获得与当前目标信息提取网络模型FAST-RCNN的最佳光学系统。而此时的基于神经网络的数字光学系统模型中的参数就是作为最佳的输出。
本发明提供的一种以适配目标信息提取算法为目的光学系统智能设计方法,降低了硬件条件及环境对研究的限制,为进一步研究提升目标信息提取系统性能提供了关键技术支持;利用目标信息提取结果对光学系统数字孪生系统进行设计及优化,从根本上改变传统光学系统与目标信息提取系统设计模式,大幅提升类目标信息提取算法的能力。
文献《基于深度神经网络的望远镜非参数点扩散函数模型研究》提出一种基于相位模拟神经网络PSF-net(https://iopscience.iop.org/article/10.3847/1538-3881/ab7b79/meta)。
附图说明
图1本发明的流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明提供了一种以适配目标信息提取算法为目的光学系统智能设计方法,包括:
一种基于神经网络的数字光学系统模型包括目标信息提取网络模型;其中,基于神经网络的数字光学系统模型利用目标信息提取与理论探测结果差值,修改光学系统内某个面的相位分布,具体实现方式为:
首先选取以经典的平场施密特望远镜的面型作为相位初始值,在ZEMAX软件中设计数字光学系统模型,根据初试相位生成图像,将生成的图像输入到目标信息提取网络模型FAST-RCNN中,然后通过前向传播获取以目标信息提取效率:目标的定位精度、测光精度和分类精度作为系统评价损失函数的损失结果。系统评价损失函数将差值反向传播,传输至目标信息提取网络输入层,获取输入层的反向传输误差,实际为PSF的梯度。将PSF梯度在基于神经网络的数字光学系统模型内反向传播,可获取一次更新的相位分布。然后重复更新的过程,直到达到相位精度要求。
Claims (2)
1.一种以适配目标信息提取算法为目的的光学系统设计方法,其特征在于:建立一种基于神经网络的数字光学系统模型,该基于神经网络的数字光学系统模型包括目标信息提取网络模型FAST-RCNN和相位模拟神经网络PSF-net,具体按照如下步骤进行:
步骤一、光学系统内元件的相位分布、望远镜模拟系统、目标检测网络FAST-RCNN;
相位模拟神经网络PSF-net负责形成光学系统内某一个或几个衍射元件的相位分布;望远镜模拟系统根据相位分布、待观测目标位置和亮度原始信息、监控系统光学元件参数,生成任意数目的模拟观测图像,目标信息提取网络模型FAST-RCNN处理模拟观测图像,并以目标信息提取效率、目标的定位精度、测光精度和分类精度作为系统评价损失函数,系统评价损失函数将差值反向传播,传输至目标信息提取网络FAST-RCNN输入层,获取输入层的反向传输误差,将修正误差在基于神经网络的数字光学系统模型内反向传播,获取对应面的相位分布;
步骤二、在获取光学系统内元件的目标相位之后,再将当前相位作为初始化的网络的一层或多层与后续的目标信息提取网络模型FAST-RCNN相结合,同时在实验中保证目标信息提取网络模型FAST-RCNN中参数保持不变;
步骤三、通过训练完成的目标信息提取网络模型FAST-RCNN对基于神经网络的数字光学系统模型参数进行训练,获得以适配目标信息提取算法为目的的光学系统。
2.根据权利要求1所述的一种以适配目标信息提取算法为目的的光学系统设计方法,其特征在于:步骤三中通过训练完成的目标信息提取网络模型FAST-RCNN对基于神经网络的数字光学系统模型参数进行训练为:
建立1000组包含不同数目、位置及噪声特征的模拟观测图像数据作为输入;以目标检测位置精度、目标分类准确度或目标光度信息为损失函数,在基于神经网络的数字光学系统模型内训练神经网络权重,每20组数据训练结束后,根据神经网络的权重进行一次神经网络更新,根据结果,调整目标信息提取网络神经元,对该基于神经网络的数字光学系统模型中的相位的数值进行调整,该步骤调整完成后继续按照前述流程训练神经网络;
经过50次上述训练后,损失函数的值达到最小,此时即获得与当前目标信息提取网络模型FAST-RCNN的最佳光学系统,而此时的基于神经网络的数字光学系统模型中的参数就是作为最佳的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110647335.2A CN113312848B (zh) | 2021-06-10 | 2021-06-10 | 一种以适配目标信息提取算法为目的光学系统智能设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110647335.2A CN113312848B (zh) | 2021-06-10 | 2021-06-10 | 一种以适配目标信息提取算法为目的光学系统智能设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113312848A true CN113312848A (zh) | 2021-08-27 |
CN113312848B CN113312848B (zh) | 2022-10-04 |
Family
ID=77377955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110647335.2A Active CN113312848B (zh) | 2021-06-10 | 2021-06-10 | 一种以适配目标信息提取算法为目的光学系统智能设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113312848B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809290A (zh) * | 2014-01-21 | 2014-05-21 | 北京理工大学 | 一种光学系统面形误差相互补偿优化方法 |
US20150277438A1 (en) * | 2013-05-07 | 2015-10-01 | Halliburton Energy Services Inc. | Optical sensor optimization and system implementation with simplified layer structure |
CN108154118A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 |
US20190094532A1 (en) * | 2017-09-28 | 2019-03-28 | Carl Zeiss Ag | Methods and apparatuses for designing optical systems |
CN109712183A (zh) * | 2018-11-28 | 2019-05-03 | 天津大学 | 基于深度学习的电子散斑干涉智能信息提取方法 |
CN110703764A (zh) * | 2019-11-05 | 2020-01-17 | 太原理工大学 | 自适应光学系统可动导引星最优位置实时规划方法 |
WO2020102762A1 (en) * | 2018-11-16 | 2020-05-22 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Optical system design |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
US20200349729A1 (en) * | 2019-05-01 | 2020-11-05 | William Marsh Rice University | Passive and single-viewpoint 3d imaging system |
CN112116616A (zh) * | 2020-08-05 | 2020-12-22 | 西安交通大学 | 基于卷积神经网络的相位信息提取方法、存储介质及设备 |
CN112216127A (zh) * | 2020-09-27 | 2021-01-12 | 航天科工广信智能技术有限公司 | 一种基于近端策略优化的小型路网交通信号优化方法 |
CN112365973A (zh) * | 2020-11-02 | 2021-02-12 | 太原理工大学 | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 |
CN112508904A (zh) * | 2020-12-02 | 2021-03-16 | 长春理工大学 | 基于bp神经网络的拼接型望远镜平移像差检测方法 |
CN112861332A (zh) * | 2021-01-29 | 2021-05-28 | 太原理工大学 | 一种基于图网络的集群动力学预测方法 |
-
2021
- 2021-06-10 CN CN202110647335.2A patent/CN113312848B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150277438A1 (en) * | 2013-05-07 | 2015-10-01 | Halliburton Energy Services Inc. | Optical sensor optimization and system implementation with simplified layer structure |
CN103809290A (zh) * | 2014-01-21 | 2014-05-21 | 北京理工大学 | 一种光学系统面形误差相互补偿优化方法 |
US20190094532A1 (en) * | 2017-09-28 | 2019-03-28 | Carl Zeiss Ag | Methods and apparatuses for designing optical systems |
CN108154118A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 |
WO2020102762A1 (en) * | 2018-11-16 | 2020-05-22 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Optical system design |
CN109712183A (zh) * | 2018-11-28 | 2019-05-03 | 天津大学 | 基于深度学习的电子散斑干涉智能信息提取方法 |
US20200349729A1 (en) * | 2019-05-01 | 2020-11-05 | William Marsh Rice University | Passive and single-viewpoint 3d imaging system |
CN110703764A (zh) * | 2019-11-05 | 2020-01-17 | 太原理工大学 | 自适应光学系统可动导引星最优位置实时规划方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN112116616A (zh) * | 2020-08-05 | 2020-12-22 | 西安交通大学 | 基于卷积神经网络的相位信息提取方法、存储介质及设备 |
CN112216127A (zh) * | 2020-09-27 | 2021-01-12 | 航天科工广信智能技术有限公司 | 一种基于近端策略优化的小型路网交通信号优化方法 |
CN112365973A (zh) * | 2020-11-02 | 2021-02-12 | 太原理工大学 | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 |
CN112508904A (zh) * | 2020-12-02 | 2021-03-16 | 长春理工大学 | 基于bp神经网络的拼接型望远镜平移像差检测方法 |
CN112861332A (zh) * | 2021-01-29 | 2021-05-28 | 太原理工大学 | 一种基于图网络的集群动力学预测方法 |
Non-Patent Citations (4)
Title |
---|
PENG JIA 等: "《Point spread function modelling for wide-field small-aperture telescopes with a denoising autoencoder》", 《 MONTHLY NOTICES OF THE ROYAL ASTRONOMICAL SOCIETY》 * |
S. HUYBRECHTS 等: "《Structural design for deployable optical telescopes》", 《 2000 IEEE AEROSPACE CONFERENCE. PROCEEDINGS》 * |
杨小姗 等: "《数据驱动的空间目标图像信息感知技术》", 《光学学报》 * |
胡方明: "《光电成像系统建模及性能评估技术研究》", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113312848B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018210010A1 (zh) | 一种基于获得性遗传的l型阵列天线的阵元排布方法 | |
CN106683139A (zh) | 基于遗传算法的鱼眼相机标定系统及其图像畸变矫正方法 | |
CN110163802B (zh) | 一种基于神经网络的sar图像超分辨方法 | |
WO2019218895A1 (zh) | 一种应用于深度学习的特征提取方法及系统 | |
CN111460999A (zh) | 一种基于fpga的低空航拍影像目标跟踪的方法 | |
WO2021114886A1 (zh) | 虹膜图像采集方法以及装置、对焦方法以及装置 | |
KR20190083127A (ko) | 단말 클러스터 내 이미지를 이용하여 컨볼루션 뉴럴 네트워크 모델을 학습시키기 위한 시스템 및 방법 | |
CN109993026B (zh) | 亲属识别网络模型的训练方法及装置 | |
CN108154538A (zh) | 一种双摄像机模组校正和标定方法及装置 | |
CN108830216A (zh) | 一种视场可调的连续变焦目标识别系统及方法 | |
CN113486963A (zh) | 一种密度自适应的点云端到端采样方法 | |
CN111160128A (zh) | 一种基于对抗神经网络模型的遥感图像处理方法及系统 | |
CN113538378A (zh) | 一种基于深度学习的轴承尺寸在线检测系统 | |
CN113312848B (zh) | 一种以适配目标信息提取算法为目的光学系统智能设计方法 | |
CN110458287B (zh) | 神经网络优化器的参数更新方法、装置、终端及存储介质 | |
CN104597810A (zh) | 一种光模块的输出光功率稳定性控制方法 | |
CN114782669A (zh) | 基于深度学习的数字仪表自动识别、定位与读数方法 | |
CN107193979B (zh) | 一种同源图片检索的方法 | |
EP4012578A1 (en) | Face retrieval method and device | |
CN116416468B (zh) | 一种基于神经架构搜索的sar目标检测方法 | |
CN110674845B (zh) | 一种结合多感受野注意与特征再校准的菜品识别方法 | |
CN116824143A (zh) | 一种基于双边特征融合及向量自注意力的点云分割方法 | |
CN116385293A (zh) | 基于卷积神经网络的雾天自适应目标检测方法 | |
CN110837885A (zh) | 一种基于概率分布的Sigmoid函数拟合方法 | |
CN114355493B (zh) | 一种基于蚁群算法的亚波长光栅设计方法 |
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 |