CN114152189B - 一种基于前馈神经网络的四象限探测器光斑定位方法 - Google Patents
一种基于前馈神经网络的四象限探测器光斑定位方法 Download PDFInfo
- Publication number
- CN114152189B CN114152189B CN202111320414.9A CN202111320414A CN114152189B CN 114152189 B CN114152189 B CN 114152189B CN 202111320414 A CN202111320414 A CN 202111320414A CN 114152189 B CN114152189 B CN 114152189B
- Authority
- CN
- China
- Prior art keywords
- light spot
- neural network
- feedforward neural
- quadrant detector
- quadrant
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于前馈神经网络的四象限探测器光斑定位方法,属于非接触式激光测量技术领域。本发明的主要目的是解决传统四象限探测光斑定位方法存在的测量精度不高和测量范围小的问题。实现的技术方案是:1)利用四象限探测器的测量原理,生成大量高精度的仿真数据;2)设计并训练前馈神经网络;3)利用训练好的神经网络实现高精度的光斑位置测量。该方法消除了探测器盲区和光斑移动对测量精度的影响,能有效提高测量精度和测量范围,适用于常见的圆形和方形四象限探测器。
Description
技术领域
本发明属于非接触式激光测量技术领域,具体涉及一种基于前馈神经网络的四象限探测器光斑定位方法。
背景技术
作为一种重要的光电探测器,四象限探测器具有高灵敏度、高响应速度和低成本等优点。因此,四象限探测器被广泛应用于激光通信、生物科学和精密仪器等多个领域。四象限探测器实际上是由四个特性完全一致的光电二极管按照笛卡尔坐标系排布而成,现在较为常见的为圆形和方形的四象限探测器。在相邻探测器之间存在不发生光电转换的区域被称为死区。探测器外壳采用金属制作而成,这样能有效降低电磁干扰。探测器的外部接口包括各个象限的电信号输出,地线以及公共信号线。由于当光斑在四象限探测器上移动时,输出信号偏移和实际光斑位置偏移之间的关系是非线性的。因此,使用四象限探测器实现高精度的光斑定位是具有挑战性的。
传统的线性模型的光斑定位误差将随着光斑远离四象限探测器中心而显著增加,导致其定位精度较低。多项式模型和低阶多项式最小二乘法等新的方法虽然能有效提高测量精度,但它们依赖于大量难以获得的真实数据。为了减少对数据的依赖,提高实用性,Lu等人提出了一种几何近似的方法。然而,由于函数的表示能力有限,很难进一步提高检测精度。申请号为(CN202110508505.9)的专利文献提出了一种消除四象限探测器光斑定位误差的方法。其通过构建光斑分布模型,联立虚拟轨迹方程组,再根据光斑实际运行轨迹迭代求解光斑定位模型。虽然该方法能消除盲区和畸变斜椭圆光斑带来的定位误差,但其良好的性能表现依赖于获取困难且耗时的真实数据。
发明内容
针对现有技术的不足,本发明提出一种基于前馈神经网络的四象限探测器光斑定位方法。本方法充分利用前馈神经网络表达能力强的特性,并提出生成高精度模拟数据作为网络训练样本,相比于传统方法,本方法在不需要添加额外数据的情况下,大大提升了光斑定位精度。
本发明的主要目的是解决传统四象限探测光斑定位方法存在的测量精度不高和测量范围小的问题。为实现上述目的,本发明的基本思路是:首先,利用四象限探测器的测量原理,生成大量高精度的仿真数据;然后设计并训练前馈神经网络;利用训练好的神经网络实现高精度的光斑位置测量。
本发明的技术方案提供一种基于前馈神经网络的四象限探测器光斑定位方法,包括以下步骤:
步骤S1,利用四象限探测器的测量原理,生成大量高精度的仿真数据集合S,集合S中包括若干组光斑位置及对应的偏移信号;
步骤S2,设计并训练前馈神经网络,首先构建一个多层的前馈神经网络,其中,输入层的输入为偏移信号,输出层的输出信号为系统预测的光斑位置;
步骤S3,利用训练好的前馈神经网络实现高精度的光斑位置测量。
进一步的,步骤S1的具体实现方式包括如下子步骤:
步骤1,随机选取k个光斑位置,用Xpos表示选取的第pos个光斑位置,其中pos∈[1,k],k为人为设置的参数,然后计算Xpos对应的偏移信号σ,并保存Xpos和σ;
步骤2,根据几何近似方法的公式估算聚焦于四象限探测器上的光斑半径ω;
步骤3,生成大量仿真数据集合S,步骤3的具体实现方式包括以下子步骤:
步骤3.1,创建一个以光斑位置Xpos和对应偏移信号σ为元素的集合S;
步骤3.2,在四象限探测器的X轴方向上随机选取一个位置作为预设的光斑位置;
步骤3.3,根据如下公式计算其在各象限理论应该输出的电信号:
其中,IA,IB,IC和ID分别是四象限探测器理论输出的电信号,η是个常数,L和d分别表示四象限探测器的长度和死区宽度,h(x,y)表示高斯光斑能量分布,其被定义为:
其中P0是光斑总能量,x和y表示在四象限探测器光敏面上的坐标位置,X和Y表示光斑中心位置的坐标;
步骤3.4,根据如下公式计算输出的电信号对应的信号偏移:
步骤3.5,将此轮得到的光斑位置和对应偏移信号σ保持入集合S中,判断集合S中元素个数是否大于某一阈值,如果大于阈值则继续;否则跳转到步骤3.2。
进一步的,步骤1的具体实现包括如下子步骤;
步骤1.1,依次选取光斑中心在X轴方向上的第i个位置Xi,并记录此时四象限探测器输出的各象限电信号(I'A,I'B,I'C,I'D);
步骤1.2,根据如下公式计算第i个光斑位置对应的偏移信号:
其中I'A,I'B,I'C,I'D分别是当前四象限探测器输出的电信号;
步骤1.3,判断k组光斑位置对应的偏移信号是否都已计算完成,如果都已经计算完成则执行步骤1.2;否则继续执行步骤1.1,步骤1.2和步骤1.3。
进一步的,步骤2中光斑半径ω的计算公式如下;
其中,erf-1指的是误差函数的反函数。
进一步的,步骤S2中构建的是一个四层的前馈神经网络,各层的神经元个数分别设置为1、10、10、1,该前馈神经网络的各神经元权值参数采用随机的方式进行初始化。
进一步的,步骤S2中训练前馈神经网络的具体实现方式如下;
步骤2.1,随机初始化神经元参数,将S中随机抽取80%作为训练集,剩余20%作为测试集;
步骤2.2,依次选取训练集中的一个元素,将其中的偏移信号σ作为输入,对应位置作为前馈神经网络的理论输出,利用误差方向传播原理对前馈神经网络的神经元参数进行调整;
步骤2.3,计算此时的测试集数据的误差都小于10-5或者已经使用训练集超过2000次,则继续后续步骤;否则跳转到步骤2.2。
本发明与现有技术相比具有以下优点和有益效果:
(1)本发明提出一种基于前馈神经网络的四象限探测器光斑定位方法,能有效提高光斑定位精度。
(2)本发明设计一种生成高精度模拟数据的方法,可以便捷地为网络训练提高充足的训练数据。
附图说明
图1为本发明的总体流程图。
图2为本发明中四象限探测器光斑定位的示意图。
图3为本发明中前馈神经网络的结构示意图。
具体实施方式
为了更清楚的阐述本发明的目的、技术方案和有益效果,下面结合附图和实施例进一步说明。应当理解,本发明不应限于实施例公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
参照图1,本发明的具体实施方式分为以下步骤:
步骤1,随机选取k个光斑位置,用Xpos表示选取的第pos个光斑位置,其中pos∈[1,k],k为人为设置的参数,然后计算Xpos对应的偏移信号σ,并保存Xpos和σ,具体包括以下步骤:
步骤1.1:依次选取光斑中心在X轴方向上的第i个位置Xi。,并记录此时四象限探测器输出的各象限电信号(I'A,I'B,I'C,I'D)。
步骤1.2:根据如下公式计算第i个光斑位置对应的偏移信号:
其中I'A,I'B,I'C,I'D分别是当前四象限探测器输出的电信号。
步骤1.3:判断k组光斑位置对应的偏移信号是否都已计算完成,如果都已经计算完成则执行步骤2;否则继续执行步骤1.1,步骤1.2和步骤1.3。
步骤2:根据如下几何近似方法的公式估算聚焦于四象限探测器上的光斑半径ω:
其中erf-1指的是误差函数的反函数。
步骤3:生成大量仿真数据。具体包括以下步骤:
步骤3.1:创建一个以光斑位置Xpos和对应偏移信号σ为元素的集合S。
步骤3.2:在四象限探测器的X轴方向上随机选取一个位置作为预设的光斑位置。
步骤3.3:根据如下公式计算其在各象限理论应该输出的电信号:
其中,IA,IB,IC和ID分别是四象限探测器理论输出的电信号,η是个常数,L和d分别表示四象限探测器的长度和死区宽度,h(x,y)表示高斯光斑能量分布,其被定义为:
其中P0是光斑总能量,x和y表示在四象限探测器光敏面上的坐标位置,X和Y表示光斑中心位置的坐标。
步骤3.4:根据如下公式计算输出的电信号对应的信号偏移:
步骤3.5:将此轮得到的光斑位置和对应偏移信号σ保持入集合S中。判断集合S中元素个数是否大于10000,如果大于10000则继续;否则跳转到步骤3.2。
步骤4:训练前馈神经网络。具体实现步骤如下:
步骤4.1:首先构建一个神经元个数分别为1,10,10,1的前馈神经网络,首先构建一个四层的前馈神经网络,各层的神经元个数分别设置为1-10-10-1。其中,输入层的输入为偏移信号σ,输出层的输出信号为系统预测的光斑位置X。该网络的各神经元权值参数采用随机的方式进行初始化;在构建网络过程中,将S中随机抽取80%作为训练集,剩余20%作为测试集。
步骤4.2:依次选取训练集中的一个元素。将其中的偏移信号σ作为输入,对应位置X作为前馈神经网络的理论输出,利用误差方向传播原理对前馈神经网络的神经元参数进行调整。
步骤4.3:计算此时的测试集数据的误差都小于10-5或者已经使用训练集超过2000次,则继续后续步骤;否则跳转到步骤4.2。
步骤5:将一个信号偏移输入到训练好的前馈神经网络中,得到高精度的光斑预测位置。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于前馈神经网络的四象限探测器光斑定位方法,其特征在于,包括如下步骤:
步骤S1,利用四象限探测器的测量原理,生成大量高精度的仿真数据集合S,集合S中包括若干组光斑位置及对应的偏移信号;
步骤S1的具体实现方式包括如下子步骤:
步骤1,随机选取k个光斑位置,用Xpos表示选取的第pos个光斑位置,其中pos∈[1,k],k为人为设置的参数,然后计算Xpos对应的偏移信号σ,并保存Xpos和σ;
步骤2,根据几何近似方法的公式估算聚焦于四象限探测器上的光斑半径ω;
步骤3,生成大量仿真数据集合S,步骤3的具体实现方式包括以下子步骤:
步骤3.1,创建一个以光斑位置Xpos和对应偏移信号σ为元素的集合S;
步骤3.2,在四象限探测器的X轴方向上随机选取一个位置作为预设的光斑位置;
步骤3.3,根据如下公式计算其在各象限理论应该输出的电信号:
其中,IA,IB,IC和ID分别是四象限探测器理论输出的电信号,η是个常数,L和d分别表示四象限探测器的长度和死区宽度,h(x,y)表示高斯光斑能量分布,其被定义为:
其中P0是光斑总能量,x和y表示在四象限探测器光敏面上的坐标位置,X和Y表示光斑中心位置的坐标;
步骤3.4,根据如下公式计算输出的电信号对应的信号偏移:
步骤3.5,将此轮得到的光斑位置和对应偏移信号σ保持入集合S中,判断集合S中元素个数是否大于某一阈值,如果大于阈值则继续;否则跳转到步骤3.2;
步骤S2,设计并训练前馈神经网络,首先构建一个多层的前馈神经网络,其中,输入层的输入为偏移信号,输出层的输出信号为系统预测的光斑位置;
步骤S3,利用训练好的前馈神经网络实现高精度的光斑位置测量。
4.如权利要求1所述的一种基于前馈神经网络的四象限探测器光斑定位方法,其特征在于:步骤S2中构建的是一个四层的前馈神经网络,各层的神经元个数分别设置为1、10、10、1,该前馈神经网络的各神经元权值参数采用随机的方式进行初始化。
5.如权利要求1所述的一种基于前馈神经网络的四象限探测器光斑定位方法,其特征在于:步骤S2中训练前馈神经网络的具体实现方式如下;
步骤2.1,随机初始化神经元参数,将S中随机抽取80%作为训练集,剩余20%作为测试集;
步骤2.2,依次选取训练集中的一个元素,将其中的偏移信号σ作为输入,对应位置作为前馈神经网络的理论输出,利用误差方向传播原理对前馈神经网络的神经元参数进行调整;
步骤2.3,计算此时的测试集数据的误差都小于10-5或者已经使用训练集超过2000次,则继续后续步骤;否则跳转到步骤2.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320414.9A CN114152189B (zh) | 2021-11-09 | 2021-11-09 | 一种基于前馈神经网络的四象限探测器光斑定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320414.9A CN114152189B (zh) | 2021-11-09 | 2021-11-09 | 一种基于前馈神经网络的四象限探测器光斑定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114152189A CN114152189A (zh) | 2022-03-08 |
CN114152189B true CN114152189B (zh) | 2022-10-04 |
Family
ID=80459744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111320414.9A Active CN114152189B (zh) | 2021-11-09 | 2021-11-09 | 一种基于前馈神经网络的四象限探测器光斑定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114152189B (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2728222B2 (ja) * | 1990-05-25 | 1998-03-18 | キヤノン株式会社 | 情報記録再生装置 |
CN104299245B (zh) * | 2014-10-13 | 2017-12-26 | 深圳先进技术研究院 | 基于神经网络的增强现实跟踪方法 |
WO2017156574A1 (en) * | 2016-03-14 | 2017-09-21 | Commonwealth Scientific And Industrial Research Organisation | Estimating locations of mobile devices in a wireless tracking system |
CN106152971B (zh) * | 2016-07-28 | 2018-07-17 | 南京航空航天大学 | 机器视觉辅助下的激光三维扫描标示方法 |
CN107504862B (zh) * | 2017-08-04 | 2019-08-09 | 南京理工大学 | 一种全方位高精度激光定位方法 |
CN109814101B (zh) * | 2019-01-25 | 2020-11-20 | 北京邮电大学 | 一种航空器位置预测的方法及装置 |
CN110599413B (zh) * | 2019-08-15 | 2023-05-09 | 江苏大学 | 基于深度学习卷积神经网络的激光光斑图像去噪的方法 |
CN111836358B (zh) * | 2019-12-24 | 2021-09-14 | 北京嘀嘀无限科技发展有限公司 | 定位方法、电子设备和计算机可读存储介质 |
CN111158010B (zh) * | 2020-01-06 | 2022-06-24 | 航天金鹏科技装备(北京)有限公司 | 一种激光主动跟踪系统及跟踪方法 |
CN111464938B (zh) * | 2020-03-30 | 2021-04-23 | 滴图(北京)科技有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
CN111665720B (zh) * | 2020-06-16 | 2022-07-19 | 哈尔滨工业大学 | 一种卫星激光通信复合轴跟踪解耦控制系统及方法 |
CN112561982A (zh) * | 2020-12-22 | 2021-03-26 | 电子科技大学中山学院 | 一种基于vgg-16的高精度光斑中心检测方法 |
CN113099847B (zh) * | 2021-05-25 | 2022-03-08 | 广东技术师范大学 | 一种基于果实三维参数预测模型的果实采摘方法 |
-
2021
- 2021-11-09 CN CN202111320414.9A patent/CN114152189B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114152189A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zou et al. | A new evolutionary algorithm for solving many-objective optimization problems | |
CN111079343B (zh) | 一种基于宽度学习的风电机组有效风速估计方法 | |
CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN105427241B (zh) | 一种大视场显示设备的畸变校正方法 | |
Qiao et al. | A self-organizing RBF neural network based on distance concentration immune algorithm | |
CN114859899A (zh) | 移动机器人导航避障的演员-评论家稳定性强化学习方法 | |
CN110095788A (zh) | 一种基于灰狼优化算法的rbpf-slam改进方法 | |
CN114152189B (zh) | 一种基于前馈神经网络的四象限探测器光斑定位方法 | |
CN113627075B (zh) | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 | |
Liu et al. | Navigability analysis of local gravity map with projection pursuit-based selection method by using gravitation field algorithm | |
Ma et al. | Estimation of trapezoidal-shaped overlapping nuclear pulse parameters based on a deep learning CNN-LSTM model | |
Catalbas et al. | Pufferfish optimization algorithm: a bioinspired optimizer | |
CN109116300A (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
Zhao et al. | CNC thermal compensation based on mind evolutionary algorithm optimized BP neural network | |
Zhao et al. | Improving stability and performance of spiking neural networks through enhancing temporal consistency | |
CN115879361A (zh) | 一种一次设备运维检修调试费用智能确定方法 | |
CN113722853B (zh) | 一种面向智能计算的群智能进化式工程设计约束优化方法 | |
CN116449360A (zh) | 一种基于长短时间记忆网络的机动目标跟踪方法 | |
Ying et al. | A novel optimization algorithm for BP neural network based on RS-MEA | |
CN115146389B (zh) | 一种永磁磁浮列车动力学特征建模方法 | |
CN117933362B (zh) | 一种新建风电场的短期风电功率预测方法及系统 | |
CN110649911A (zh) | 一种基于α散度的分布式非线性卡尔曼滤波方法 | |
Su et al. | License Plate Image Recognition System Based on Firefly Algorithm and BP Neural Network | |
CN115727748A (zh) | 基于元学习的四象限探测器高精度光斑定位方法 |
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 |