CN113554150B - 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 - Google Patents
基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 Download PDFInfo
- Publication number
- CN113554150B CN113554150B CN202110760708.7A CN202110760708A CN113554150B CN 113554150 B CN113554150 B CN 113554150B CN 202110760708 A CN202110760708 A CN 202110760708A CN 113554150 B CN113554150 B CN 113554150B
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- deep learning
- scanning
- spot
- track
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 239000000835 fiber Substances 0.000 title claims description 11
- 239000013307 optical fiber Substances 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000003292 glue Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101100406879 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) par-2 gene Proteins 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 239000000919 ceramic Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
- G01M11/0242—Testing optical properties by measuring geometrical properties or aberrations
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B26/00—Optical devices or arrangements for the control of light using movable or deformable optical elements
- G02B26/08—Optical devices or arrangements for the control of light using movable or deformable optical elements for controlling the direction of light
- G02B26/10—Scanning systems
- G02B26/103—Scanning systems having movable or deformable optical fibres, light guides or waveguides as scanning elements
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
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)
- Optics & Photonics (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提出了一种基于深度学习的单光纤扫描器光斑轨迹检测方法及系统,所述方法包括:采集原始数据,制作数据集,训练模型和使用模型,实现将实时采集的原始数据输入到所述网络训练出的模型中得到光斑扫描轨迹预测数据。相应的,本发明还提供了一种基于深度学习的单光纤扫描器光斑轨迹检测系统以实现上述方法。本发明实现了单光纤扫描器光斑轨迹实时探测,解决了单光纤扫描器摄取或投影的图像发生畸变的问题,提高了系统的精度和抗干扰能力。
Description
技术领域
本发明涉及光学扫描技术领域,尤其涉及一种基于深度学习的单光纤扫描器光斑轨迹检测方法及系统,可用于医疗影像和光电探测领域。
背景技术
单光纤扫描器是一种通过致动器驱动单根光纤摆动,使从光纤悬臂出射的光斑在目标物上进行一定范围的扫描的器件,可以用于内窥镜、微型投影和三维扫描探测等领域。其中,如何实时准确的获取到光斑运动轨迹是单光纤扫描技术中的难点与重点,目前,单光纤扫描技术中成熟的控制方案采用如研究报道(High Performance Open Loop Controlof Scannin g with a Small Cylindrical Cantilever Beam,Journal of Sound andVibration,330(8),1762-1771,2010)所述的开环控制方法,即光纤悬臂出射光斑扫描轨迹的获取主要是在使用前利用位置敏感探测器(PSD)获取光斑运动轨迹并储存,用于后续成像或投影的基底,其存在的主要问题是,光纤和致动器容易受到外界环境如温度、振动等因素影响,光纤的运动姿态会偏离原有设定的路径,致使摄取或投影的图像发生畸变,从而影响其实现效果,缺乏实时性。在现有技术中,公开号为CN112433360A的中国专利申请公开了一种利用电磁感应信号计算每个发射线圈之间的距离,并基于计算的距离定位致动器在运动过程中的位置;在公开号为CN111610628A的中国专利申请中,公开了一种使用简单有效的电容传感来实现对光纤运动位置的测量。上述技术可以实现对致动器或光纤悬臂位置的实时探测,但是实现装置复杂,占用宝贵的探头空间,而且精度较差;另外,还需经过复杂的变换关系得到所需的实际光纤投射光斑扫描轨迹。深度学习方法的出现,为拟合光斑运动轨迹提供了一种智能化解决手段。借助计算机强大的计算能力,深度学习能够很好地建立起从制动器或光纤悬臂运动轨迹到光斑运动轨迹的映射模型。
发明内容
本发明提出了一种基于深度学习的单光纤扫描器光斑轨迹检测方法及系统,主要为实现上述光斑轨迹实时位置探测,和解决系统抗干扰能力及精度低的问题。
为了实现上述发明目的,本发明提出了一种基于深度学习的单光纤扫描器光斑轨迹检测方法,所述方法包括:
步骤一:采集原始数据,通过单光纤扫描器位置传感器采集N组光纤运动扫描反馈信号序列,通过温度传感器获取N组温度信号序列,通过位置敏感探测器获取N组光纤射出的光斑扫描轨迹信号序列。
步骤二:制作数据集,将步骤一所获取的信号序列与已知的光纤扫描驱动信号序列制作成训练数据集,其中反馈信号序列,驱动信号序列和温度信号序列为原始输入数据,光斑扫描轨迹信号序列为学习目标数据。
步骤三:训练模型,将步骤二所述训练数据集输入到深度学习网络中进行训练。
步骤四:使用模型,将实时采集的原始数据输入到步骤三所述网络训练出的模型中得到光斑扫描轨迹预测数据。
所述步骤一中,所述每组信号序列是在不同驱动信号和环境温度下采集的同一扫描周期内的数据,序列维度均等于扫描总点数Tol,当采用螺旋线扫描方式时,记扫描圈数为C,每圈扫描点数为P,则Tol=C×P。
所述步骤一与步骤二中,所述反馈信号序列包含两路电压信号Fx、Fy,分别代表二维X,Y方向分量;所述驱动信号序列包含驱动电压信号Dx、Dy以及所述两路驱动电压信号的相位差Φ;所述温度信号序列T为当前采集周期内温度传感器获取的的温度值并等值拓扑至Tol维度的序列;光斑扫描轨迹信号序列包含光位置传感器输出的二维X,Y方向电压信号Px、Py。
所述步骤二中,训练数据集结构为[Px,Py,Fx,Fy,Dx,Dy,Φ,T],尺寸大小为Tol×Par,Par为数据集结构中的参量个数。
所述步骤三中,深度学习网络结构包含预处理层,卷积层,激活层,池化层。所述预处理层包含一个1×(Par-2)大小的卷积核将原始输入数据融合成Tol×1大小序列,经维度变换为C×P×1大小二维数据做为后续网络输入;所述激活层采用Leaky_ReLU激活函数;所述池化层包含若干最大池化层和一个全局平均池化层。C×P×1大小数据经若干卷积层,激活层,最大池化层和一个全局平均池化层后变换为1×1×Tol大小数据,以Px,Py为目标分别进行学习或者同时学习。在训练参数更新方面,采用均方误差损失作为损失函数,利用Adam优化器更新参数。
所述步骤四中,采集数据为单光纤扫描器工作时实时采集到的原始输入数据,其结构与所述步骤三中输入数据结构一致。
相应的,本发明还提供了一种基于深度学习的单光纤扫描器光斑轨迹检测系统以实现上述方法,包括中央处理器(1),驱动模块(2),致动器(3),扫描光纤(4),准直透镜(5),胶水(6),收光管(7),温度传感器(8),位置传感器(9),集线器(10),线缆(11),信号测量模块(12),深度学习模块(13),光电探测器(14),照明光源(15),用户接口(16)。
所述的中央处理器(1)输出扫描信号连接至所述的驱动模块(2),经放大后连接至所述的致动器(3);
所述的中央处理器(1)连接至所述的照明光源(16),经选择后输出光源至所述的扫描光纤(4);
所述的扫描光纤(4)用胶水(6)固定于所述的致动器(3)轴心,其远端伸出致动器(3)呈悬臂状;
所述的温度传感器(8)套在致动器(3)外壁,并与所述的收光管(7)内壁相接;
所述的收光管(7)经集线器(10)和线缆(11)后连接至所述的光电探测器(14);
所述的准直透镜(5)盖在所述的收光管(7)前端;
所述的温度传感器(8)与位置传感器(9)经导线连接至所述的信号测量模块(12);
所述的信号测量模块(12)测量所述位置传感器(9)获取的致动器(3)或光纤悬臂位置偏移信号和所述温度传感器(8)获取的温度信号,并隔离所述驱动模块(2)的驱动信号和电路噪声的干扰;
所述的信号测量模块(12)连接所述的深度学习模块(13);
所述的深度学习模块(13)执行本发明所述基于深度学习的单光纤扫描器光斑轨迹检测方法中的步骤;
所述的深度学习模块(13)和所述的光电探测器(14)连接所述的中央处理器(1);
所述的中央处理器(1)连接所述的用户接口(16)。
优选的,所述的致动器(3)为压电陶瓷管;
与现有技术相比,本发明的有益效果是:本发明的基于深度学习的单光纤扫描器光斑轨迹检测方法及系统通过引入深度学习算法建立致动器或光纤悬臂振动轨迹到光纤投射光斑轨迹的映射模型,实现了单光纤扫描技术中光纤悬臂投射光斑轨迹实时探测,解决了单光纤扫描器摄取或投影的图像发生畸变的问题,提高了系统的精度和抗干扰能力。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1是本发明提出的基于深度学习的单光纤扫描器光斑轨迹检测方法流程示意图;
图2是本发明提供的深度学习神经网络模型结构示意图;
图3是本发明一种基于深度学习的单光纤扫描器光斑轨迹检测系统的结构示意图;
图4是本发明一具体实施实例示意图;
图5是本发明一具体实施实例提供的采用光斑轨迹检测方法成像效果图;
图6是本发明一具体实施实例提供的采用致动器位置反馈信号成像效果图。
其中,上述附图包括以下附图标记:
中央处理器(1),驱动模块(2),致动器(3),扫描光纤(4),准直透镜(5),胶水(6),收光管(7),温度传感器(8),位置传感器(9),集线器(10),线缆(11),信号测量模块(12),深度学习模块(13),光电探测器(14),照明光源(15),用户接口(16)。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的不当限定。
如图1所示,本发明提出的一种基于深度学习的单光纤扫描器光斑轨迹检测方法,所述方法包括:
S1、采集原始数据,通过单光纤扫描器位置传感器采集N组扫描反馈信号序列,通过温度传感器获取N组温度信号序列,通过位置敏感探测器获取N组光斑扫描轨迹信号序列。
S2、制作数据集,将步骤一所获取的信号序列与已知的光纤扫描驱动信号序列制作成训练数据集,其中反馈信号序列,驱动信号序列和温度信号序列为原始输入数据,光斑扫描轨迹信号序列为学习目标数据。
S3、训练模型,将步骤二所述训练数据集输入到深度学习网络中进行训练。
S4、使用模型,将实时采集的原始数据输入到步骤三所述网络训练出的模型中得到光斑扫描轨迹预测数据。
对于步骤S1,所述每组信号序列是在不同驱动信号和环境温度下采集的同一扫描周期内的数据,序列维度均等于扫描总点数Tol,当采用螺旋线扫描方式时,记扫描圈数为C,每圈扫描点数为P,则Tol=C×P。
对于步骤S1和S2,所述反馈信号序列包含两路电压信号Fx、Fy,分别代表二维X,Y方向分量;所述驱动信号序列包含驱动电压信号Dx、Dy以及所述两路驱动电压信号的相位差Φ;所述温度信号序列T为当前采集周期内温度传感器获取的的温度值并等值拓扑至Tol维度的序列;光斑扫描轨迹信号序列包含光位置传感器输出的二维X,Y方向电压信号Px、Py。
对于步骤S2,训练数据集结构为[Px,Py,Fx,Fy,Dx,Dy,Φ,T],尺寸大小为Tol×Par,Par为数据集结构中的参量个数,根据实验条件和选取参量的不同,其数据结构可以改变。
对于步骤S3,所述深度学习网络结构如图2所示,包含预处理层,卷积层,激活层,池化层;所述预处理层包含一个1×(Par-2)大小的卷积核将原始输入数据融合成Tol×1大小序列,经维度变换为C×P×1大小二维数据做为后续网络输入;所述激活层采用Leaky_ReLU激活函数;所述池化层包含若干最大池化层和一个全局平均池化层;C×P×1大小数据经若干卷积层,激活层,最大池化层和一个全局平均池化层后变换为1×1×Tol大小数据,以Px,Py为目标分别进行学习或者同时学习;在训练变量参数更新方面,采用均方误差损失作为损失函数,利用Adam优化器更新参数。
对于步骤S4,为在实际使用中,将单光纤扫描器工作时实时采集到的原始数据输入到步骤S3训练好的模型中得到光斑轨迹,用于后续成像或者反馈控制。
如图3所示,为本发明提供的一种基于深度学习的单光纤扫描器光斑检测系统,包括中央处理器(1),驱动模块(2),致动器(3),扫描光纤(4),准直透镜(5),胶水(6),收光管(7),温度传感器(8),位置传感器(9),集线器(10),线缆(11),信号测量模块(12),深度学习模块(13),光电探测器(14),照明光源(15),用户接口(16)。所述的中央处理器(1)连接驱动模块(2)、深度学习模块(13)、光电探测器(14)、照明光源(15)和用户接口(16);所述信号测量模块(12)连接深度学习模块(13);所述的扫描光纤(4)固定于所述的致动器(3)轴心,其远端伸出致动器(3)呈悬臂状;所述的温度传感器(8)套在致动器(3)外壁,并与所述的收光管(7)内壁相接;所述的准直透镜(5)盖在所述的收光管(7)前端;光纤扫描器探头与信号处理部分之间通过所述集线器(10)和线缆(11)连接。
结合图4所示,本发明应用于成像领域一具体示例中,所选中央处理器(1)为NI多功能数据采集卡USB-6251;所选致动器(3)为压电陶瓷管;所述用户接口(16)与计算机相连,计算机上运行LabVIEW程序对单光纤扫描器实现扫描控制与成像处理;所述信号测量模块(12)测量原理为压电陶瓷管同时具有压电效应和逆压电效应,利用电容平衡桥电路将压电陶瓷管应力反馈信号从驱动信号中分离。
具体的,所述示例中单光纤扫描器采用螺旋线扫描方式,较佳的,C=200,P=200,则扫描总点数Tol=40000;
相应的,单光纤扫描器首先工作在校准模式,将图4目标物替换为PSD,照明光源选择650nm校准光源,设置扫描参数按一定时间随机变换,将单光纤扫描器放置在温度可调的环境中;进一步的,按照所述的基于深度学习的光斑轨迹检测方法步骤S1-S3采集数据,制作数据集,训练模型;需要说明的是,通常情况下,为了防止训练过拟合,原始数据总组数N≥10000组。
进一步的,将训练好的模型部署到深度学习模块中,将单光纤扫描器切换到成像模式,如图4所示目标物为分辨率板,较佳的,调整扫描参数使得图4所示扫描光斑轨迹为圆形。数据采集卡将实时采集的光斑扫描轨迹与反射光信号经用户接口送至计算机,经处理后得到如图5所示目标物成像。
特别的,图6所示为所述示例直接采用压电陶瓷管位置反馈信号成像效果图,可见图像出现严重的畸变,对比图5可以看到两者之间不是简单的线性变换关系,采用深度学习建立两者之间的映射模型方便、精确。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的单光纤扫描器光斑轨迹检测方法,其特征在于,所述方法包括以下步骤:
步骤一:采集原始数据,通过单光纤扫描器位置传感器采集N组光纤扫描反馈信号序列,通过温度传感器获取N组温度信号序列,通过位置敏感探测器获取N组光纤投射光斑扫描轨迹信号序列,所述反馈信号序列包含两路电压信号Fx、Fy,分别代表二维X,Y方向分量,所述温度信号序列T为当前采集周期内温度传感器获取的温度值,光斑扫描轨迹信号序列包含位置传感器输出的二维X,Y方向电压信号Px、Py;
步骤二:制作数据集,将步骤一所获取的信号序列与已知的光纤扫描驱动信号序列制作成训练数据集,所述驱动信号序列包含两路驱动电压信号Dx、Dy,以及所述两路驱动电压信号的相位差Φ,所述反馈信号序列,驱动信号序列和温度信号序列为原始输入数据,光斑扫描轨迹信号序列为学习目标数据;
步骤三:训练模型,将步骤二所述训练数据集输入到深度学习网络中进行训练;
步骤四:使用模型,将实时采集的原始数据输入到步骤三所述网络训练出的模型中得到光斑扫描轨迹预测数据。
2.根据权利要求1所述的基于深度学习的单光纤扫描器光斑轨迹检测方法,其特征在于,所述步骤一中,所述的N组光纤扫描反馈信号序列、温度信号序列和光斑扫描轨迹信号序列是在不同驱动信号和环境温度下采集的同一扫描周期内的数据,序列维度均等于扫描总点数Tol。
3.根据权利要求1所述的基于深度学习的单光纤扫描器光斑轨迹检测方法,其特征在于,所述步骤二中,训练数据集结构为[Px,Py,Fx,Fy,Dx,Dy,Φ,T],尺寸大小为Tol×Par,Par为数据集结构中参量的个数。
4.根据权利要求1所述的基于深度学习的单光纤扫描器光斑轨迹检测方法,其特征在于,所述步骤三中,深度学习网络结构包含预处理层,卷积层,激活层,池化层;所述预处理层包含一个1×(Par-2)大小的卷积核;所述激活层采用Leaky_ReLU激活函数;所述池化层包含一个全局平均池化层;在参数更新方面,采用均方误差损失作为损失函数,利用Adam优化器更新参数。
5.一种基于深度学习的单光纤扫描器光斑轨迹检测系统,包括:中央处理器(1),驱动模块(2),致动器(3),扫描光纤(4),准直透镜(5),胶水(6),收光管(7),温度传感器(8),位置传感器(9),集线器(10),线缆(11),信号测量模块(12),深度学习模块(13),光电探测器(14),照明光源(15),用户接口(16);其中,所述的中央处理器(1)连接驱动模块(2)、深度学习模块(13)、光电探测器(14)、照明光源(15)和用户接口(16);所述信号测量模块(12)连接深度学习模块(13);所述的扫描光纤(4)固定于所述的致动器(3)轴心,其远端伸出致动器(3)呈悬臂状;所述的温度传感器(8)套在致动器(3)外壁,并与所述的收光管(7)内壁相接;所述的准直透镜(5)盖在所述的收光管(7)前端;光纤扫描器探头与信号处理部分之间通过所述集线器(10)和线缆(11)连接;其特征在于,所述的深度学习模块(13)包括一个或多个存储器和处理器,所述存储器存储有可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-4任意一项所述基于深度学习的单光纤扫描器光斑轨迹检测方法中的步骤。
6.根据权利要求5所述的一种基于深度学习的单光纤扫描器光斑轨迹检测系统,其特征在于,所述的信号测量模块(12)测量所述温度传感器(8)和位置传感器(9)的温度信号与光纤扫描反馈信号,并隔离所述驱动模块(2)的驱动信号和电路噪声的干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110760708.7A CN113554150B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110760708.7A CN113554150B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554150A CN113554150A (zh) | 2021-10-26 |
CN113554150B true CN113554150B (zh) | 2023-07-18 |
Family
ID=78131340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110760708.7A Active CN113554150B (zh) | 2021-07-02 | 2021-07-02 | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554150B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116300129B (zh) * | 2023-03-01 | 2023-09-26 | 浙江大学 | 光学镜头定心装置、图像获取装置及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793530A (zh) * | 2010-02-08 | 2010-08-04 | 长沙高新开发区迪内斯电子科技发展有限公司 | 一种测试光纤陀螺去耦系数的设备及测试方法 |
CN109816607A (zh) * | 2019-01-22 | 2019-05-28 | 北京师范大学 | 一种基于多层前馈神经网络的二维光纤光谱图像校正技术 |
CN110596895A (zh) * | 2019-08-09 | 2019-12-20 | 成都理想境界科技有限公司 | 一种近眼显示装置及投影反馈方法 |
CN112336309A (zh) * | 2020-11-04 | 2021-02-09 | 上海交通大学 | 一种光纤式舌下微循环连续监测装置 |
CN112734847A (zh) * | 2021-01-15 | 2021-04-30 | 中国科学技术大学 | 一种多目标光纤位置精确检测定位系统及方法 |
CN112862077A (zh) * | 2021-02-25 | 2021-05-28 | 燕山大学 | 多模光纤结合深度学习网络替代传统光谱仪的系统及方法 |
WO2021107045A1 (ja) * | 2019-11-29 | 2021-06-03 | 国立研究開発法人理化学研究所 | シンチレーションファイバー検出器、ならびにその較正装置および較正方法 |
CN112950650A (zh) * | 2021-01-27 | 2021-06-11 | 广东工业大学 | 一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法 |
-
2021
- 2021-07-02 CN CN202110760708.7A patent/CN113554150B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793530A (zh) * | 2010-02-08 | 2010-08-04 | 长沙高新开发区迪内斯电子科技发展有限公司 | 一种测试光纤陀螺去耦系数的设备及测试方法 |
CN109816607A (zh) * | 2019-01-22 | 2019-05-28 | 北京师范大学 | 一种基于多层前馈神经网络的二维光纤光谱图像校正技术 |
CN110596895A (zh) * | 2019-08-09 | 2019-12-20 | 成都理想境界科技有限公司 | 一种近眼显示装置及投影反馈方法 |
WO2021107045A1 (ja) * | 2019-11-29 | 2021-06-03 | 国立研究開発法人理化学研究所 | シンチレーションファイバー検出器、ならびにその較正装置および較正方法 |
CN112336309A (zh) * | 2020-11-04 | 2021-02-09 | 上海交通大学 | 一种光纤式舌下微循环连续监测装置 |
CN112734847A (zh) * | 2021-01-15 | 2021-04-30 | 中国科学技术大学 | 一种多目标光纤位置精确检测定位系统及方法 |
CN112950650A (zh) * | 2021-01-27 | 2021-06-11 | 广东工业大学 | 一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法 |
CN112862077A (zh) * | 2021-02-25 | 2021-05-28 | 燕山大学 | 多模光纤结合深度学习网络替代传统光谱仪的系统及方法 |
Non-Patent Citations (1)
Title |
---|
单光纤扫描内窥成像制动技术研究;于海洋 等;《光子学报》;第50卷(第5期);第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113554150A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3947349B2 (ja) | 1つ以上の物体の空間的な位置および/または方向を決定するシステム | |
JP2018106192A (ja) | 圧電検知を伴うファイバスキャナの適応的制御 | |
EP3281600B1 (en) | Marker for optical tracking, optical tracking system, and optical tracking method | |
CN102265186B (zh) | 测位设备 | |
CN106461383A (zh) | 机器人臂/传感器/工作区系统的自动现场配准和校准 | |
CN113554150B (zh) | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 | |
CN101859439A (zh) | 一种用于人机交互的运动追踪装置及其追踪方法 | |
CN108388169B (zh) | Moems扫描光栅微镜控制系统 | |
WO2014085224A1 (en) | Integrated wavefront sensor and profilometer | |
Xie et al. | Pixel-based optical fiber tactile force sensor for robot manipulation | |
Kim et al. | An optical tracker for augmented reality and wearable computers | |
Luo et al. | Automated tool coordinate calibration system of an industrial robot | |
Goodwin et al. | Starbugs: focal plane fiber positioning technology | |
CN116576893A (zh) | 微小型光电式仿生触觉传感器及触觉感知方法 | |
CN110209270A (zh) | 一种数据手套、数据手套系统、校正方法及存储介质 | |
Conati | Real-time measurement of three-dimensional multiple rigid body motion | |
CN115574998A (zh) | 一种基于反射式探头结构的光纤光斑触觉传感器 | |
Sklar et al. | A non-linear model for predicting tip position of a pliable robot arm segment using bending sensor data | |
CN114910102A (zh) | 位置检测装置、系统、方法以及程序 | |
CN110837751B (zh) | 基于rgbd深度摄像头的人体运动捕捉与步态分析方法 | |
JPH1153102A (ja) | 入力装置 | |
CN110672087B (zh) | 一种人体跟踪方法及系统 | |
CN107752174B (zh) | 一种基于电磁场动作捕捉技术的手套 | |
Guo et al. | Preliminary study on shape sensing for continuum robot affected by external load using piecewise fitting curves | |
Hou et al. | Sensor mathematical model data fusion biobjective optimization |
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 |