CN114488518A - 基于机器学习的自适应光学波前校正方法 - Google Patents
基于机器学习的自适应光学波前校正方法 Download PDFInfo
- Publication number
- CN114488518A CN114488518A CN202011147360.6A CN202011147360A CN114488518A CN 114488518 A CN114488518 A CN 114488518A CN 202011147360 A CN202011147360 A CN 202011147360A CN 114488518 A CN114488518 A CN 114488518A
- Authority
- CN
- China
- Prior art keywords
- wavefront
- machine learning
- turbulence
- far
- light intensity
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 44
- 230000003287 optical effect Effects 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000003384 imaging method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 239000012530 fluid Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000001747 pupil Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于机器学习的自适应光学波前校正方法,该方法包括:控制湍流池产生随机扰动,使准直激光光束波前发生畸变,将光束分束,其中一束经CCD成像模块会聚得到光强图像,其中另一束经波前传感模块处理得到波前相位信息,同时记录光强图像和波前相位信息作为样本训练机器学习模型;将远场光束在CCD成像模块会聚的远场光强图像输入训练好的机器学习模型,获取远场波前相位信息,以此控制波前校正器对远场光束的波前相位进行校正。本发明提供的自适应波前校正方法利用湍流池模拟产生随机扰动,并通过波前探测器获取样本数据,由大量真实数据训练的模型不受光路系统限制,能够简化自适应光学系统结构,提高无波前传感的波前校正精度和速度。
Description
技术领域
本发明涉及自适应光学领域,具体涉及一种基于机器学习的自适应光学波前校正方法。
背景技术
由于大气湍流的存在,天文实际观察到的星象出现模糊、抖动等现象。自适应光学(Adaptive optics,AO)是补偿由大气湍流或其他因素造成的成像过程中波前畸变的技术。最早的概念是在光学系统中引入一个波前测量设备和一个可变形的光学元件来补偿大气湍流造成的波前畸变,基本思路是测量——控制——校正。
无波前探测的自适应光学用成像清晰度、接收到的光能量作为系统性能指标参数,直接用作优化算法的目标函数,在多轮迭代中逐渐逼近理想效果。而在实际应用中,这种基于光强测量的波前复原方法计算量大,迭代速度慢,且结果容易陷入局部极值,不能用于实时性要求较高的场合。
现有技术中,申请号为201710018015.4的发明专利公开了一种基于机器学习的高速像差校正方法。该方法通过均匀设定Zernike系数训练机器学习模型,提高了系统波前相位校正速度,解决了传统无波前自适应光学算法速度慢的问题。由于训练模型的样本数据人为设定,该方法对于大气湍流引起的波前畸变的多样性以及连续性不适用。
本发明提供一种通过波前传感训练机器学习模型的自适应光学波前校正方法,模拟大气湍流真实数据训练模型,解决了上述问题。
发明内容
基于此,本发明的目的在于提供一种基于机器学习的自适应光学波前校正方法,通过湍流池引入随机扰动模拟大气湍流,利用波前传感器探测计算波前相位信息,解决现有技术中机器学习模型训练失真的问题,增强模型鲁棒性,提高波前校正精度和速度。
为了实现上述目的,本发明采用以下技术方案:一种基于机器学习的自适应光学波前校正方法,该方法基于自适应波前校正系统实施,所述自适应波前校正系统包括:波前校正器,分束器,波前传感模块,CCD成像模块和计算机控制模块,其特征在于,所述方法包括以下步骤:
S1:构造模型训练系统,用所述计算机控制模块控制湍流池产生随机扰动,使准直激光光束经所述湍流池发生波前畸变成为畸变光束,所述畸变光束经所述波前校正器反射至所述分束器,所述分束器将所述畸变光束分束为第一光束和第二光束至少两束,所述第一光束经所述CCD成像模块会聚得到光强图像,所述第二光束经所述波前传感模块处理得到波前相位信息,用所述计算机控制模块控制所述CCD成像模块和所述波前传感模块分别记录所述光强图像和所述波前相位信息;
S2:将同一时刻记录的所述光强图像和所述波前相位信息作为一个训练样本,重复步骤S1获取多个训练样本构成训练样本集,将所述训练样本集导入计算机控制模块的机器学习模型进行训练,以建立所述光强图像和所述波前相位信息的映射关系;
S3:构造无波前探测校正系统,使远场光束经波前校正器反射至所述CCD成像模块,所述远场光束经CCD成像模块会聚形成远场光强图像,将所述远场光强图像输入经步骤S2训练好的机器学习模型,得到远场波前相位信息;根据远场波前相位信息控制波前校正器对远场光束的波前相位进行校正;
其中,所述构造模型训练系统的方法包括:在所述自适应波前校正系统的波前校正器前放置湍流池,在所述湍流池前放置激光光源模块;所述构造无波前探测校正系统的方法包括:移去所述模型训练系统的激光光源模块,湍流池,分束器和波前传感模块,使远场光源入射至波前校正器;所述准直激光光束是激光光源模块产生的平面波束,所述远场光束是远场光源经大气湍流入射至无波前探测校正系统的光束。
具体地,所述波前传感模块包括Shack-Hartmann波前传感器,所述CCD成像模块包括透镜和CCD相机。
具体地,所述光强图像成像于CCD相机的焦平面和/或离焦平面。
具体地,所述波前相位信息为Zernike多项式表达。
具体地,所述湍流池包括流体物质,所述控制湍流池产生随机扰动的方法包括,改变所述流体物质的温度、湿度、流速和强度其中任意一个或多个环境参数。
优选地,所述机器学习模型为利用机器学习监督回归算法的卷积神经网络模型ResNet-50。
具体地,所述将训练样本集导入机器学习模型进行训练的方法包括,将同一训练样本的所述光强图像作为所述机器学习模型的输入,将同一训练样本的所述波前相位信息作为所述机器学习模型的输出,训练所述机器学习模型。
由上可知,本发明提供的技术方案有益效果是:
1)模型训练精度高,速度快;
2)模型鲁棒性强;
3)能适用于对测量速度和精度都有要求的远场应用场合。
附图说明
图1为本发明实施例模型训练系统结构示意图;
图2为本发明实施例机器学习模型训练流程示意图;
图3为本发明实施例无波前探测校正系统结构示意图;
图4为本发明实施例无波前探测自适应波前校正流程示意图;
图5为本发明实施例实验结果对比图;
图中各标号表示:
1、湍流池;2、缩束镜;3、波前校正器;4、分束器;5、波前传感模块;6、CCD成像模块;7、计算机控制模块;11、准直激光光束;12、远场光束;21、第一光束;22、第二光束
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例对本发明的具体实施方式作进一步详细描述。应该理解,此处所描述的实施例仅用于解释本发明,但不用于限制本发明的范围。
本发明实施例提供一种基于机器学习的自适应光学波前校正方法,该方法基于自适应波前校正系统实施,自适应波前校正系统包括:波前校正器,分束器,波前传感模块,CCD成像模块和计算机控制模块,其特征在于,方法包括以下步骤:
S1:构造模型训练系统,用计算机控制模块控制湍流池产生随机扰动,使准直激光光束经湍流池发生波前畸变成为畸变光束,畸变光束经波前校正器反射至分束器,分束器将畸变光束分束为第一光束和第二光束至少两束,第一光束经CCD成像模块会聚得到光强图像,第二光束经波前传感模块处理得到波前相位信息,用计算机控制模块控制CCD成像模块和波前传感模块分别记录光强图像和波前相位信息;
S2:将同一时刻记录的光强图像和波前相位信息作为一个训练样本,重复步骤S1获取多个训练样本构成训练样本集,将训练样本集导入计算机控制模块的机器学习模型进行训练,以建立光强图像和波前相位信息的映射关系;
S3:构造无波前探测校正系统,使远场光束经波前校正器反射至CCD成像模块,远场光束经CCD成像模块会聚形成远场光强图像,将远场光强图像输入经步骤S2训练好的机器学习模型,得到远场波前相位信息;根据远场波前相位信息控制波前校正器对远场光束的波前相位进行校正;
其中,构造模型训练系统的方法包括:在自适应波前校正系统的波前校正器前放置湍流池,在湍流池前放置激光光源模块;构造无波前探测校正系统的方法包括:移去模型训练系统的激光光源模块、湍流池、分束器和波前传感模块,使远场光源入射至波前校正器;准直激光光束是激光光源模块产生的平面波束,远场光束是远场光源经大气湍流入射至无波前探测校正系统的光束。
具体请参阅图1和图2,图1是本发明实施例模型训练系统结构示意图,图2是本发明实施例机器学习模型训练流程示意图,本实施例中,图2所示的流程基于图1所示的系统进行实施。
图1中,用于机器学习模型训练的光学系统包括准直光源模块、湍流池、缩束镜、波前校正器、分束器、CCD成像模块、波前传感模块和计算机控制模块,具体地,波前传感模块包括Shack-Hartmann波前传感器,CCD成像模块包括透镜和CCD相机。其中,湍流池、波前校正器、CCD成像模块和波前传感模块均与计算机控制模块电性连接,受计算机控制模块的控制实施模型训练。准直光源模块包括激光器和准直器,用于产生足够光强的准直激光光束;湍流池是模拟大气湍流的装置,包括流体物质,湍流池用于通过改变流体物质的温度、湿度、流速和强度其中任意一个或多个环境参数来产生扰动,使经过湍流池的波前发生未知的波前畸变。缩束镜用于将从湍流池出射的畸变光束进行缩束,投射到波前校正器。在模型训练的过程中,波前校正器不加载电压,处于无形变的平面状态;分束器具有良好的波前透射性质,用于将光束进行分束;具体地,本实施例分束器选用半反半透镜将光束分为透射和反射两束,透射光束是第一光束,进入CCD成像模块,经透镜聚焦在CCD相机的焦平面或离焦平面形成光强图像,反射光束为第二光束,进入波前传感模块,经Shack-Hartmann波前传感器输出波前相位信息,特别地,该波前相位信息为Zernike多项式表达。该系统的湍流池和分束器可以拆除,以便在模型训练后进行波前校正时,由波前校正器出射的光束能够直接进入CCD成像模块成像。
由图2可知,机器学习模型训练流程包括以下步骤:
100:控制湍流池产生随机扰动,使准直激光光束经过湍流池成为畸变光束;
200:控制CCD成像模块和波前传感模块同时分别记录畸变光束的光强图像和波前相位信息;
300:重复步骤100和步骤200,获取多个对应的光强图像和波前相位信息,作为训练模型的样本数据;
400:以光强图像作为模型输入,其对应的波前相位信息作为模型输出,训练机器学习模型,该机器学习模型为利用机器学习监督回归算法的卷积神经网络模型ResNet-50。
具体地,假设在均匀照明并忽略光学元件的影响,光强和相位的关系可以表示为:
其中,φ(r)是自适应光学系统中入射光瞳的波前畸变,λ是波长,r是光瞳平面的位置矢量,w(r)是光瞳函数。波前畸变φ(r)可以用正交的Zernike多项式表示为:
其中,zi(x,y)表示第i项Zernike多项式,ai是第i项Zernike多项式系数。用机器学习方法可以表达远场光强分布和Zernike多项式系数的非线性映射关系。
请参阅图3和图4,图3无波前探测校正系统结构示意图,图4为无波前探测自适应波前校正流程示意图。
由图3可知,在无波前探测校正系统中,波前校正器根据CCD成像模块获取的光强图像,经过训练好的机器学习模型提取光强图像特征获取Zernike系数,并利用直接斜率波前复原算法计算控制波前校正器各单元控制电压,校正畸变波前。具体步骤见图4:
101:初始化系统,包括初始化波前校正器,将训练好的机器学习模型导入系统;
201:控制CCD成像模块获取远场光束的光强图像;
301:对光强图像特征提取,判断粗调还是细调,粗调进入401,细调进入701;
401:将光强图像输入训练好的机器学习模型,获取Zernike系数;
501:利用波前复原算法计算波前校正器各单元控制电压;
601:输出控制电压给波前校正器对波前进行校正,进入201;
701:选用光强图像的像清晰度评价函数为目标函数,利用SPGD(StochasticParallel Gradient Descent,随机并行梯度下降)算法优化控制波前校正器各单元控制电压,进入601;
为了验证本发明技术方案在精度和速度上的优势,在本发明实施例的无波前探测校正系统中进行了测量和验证,请参阅图5,图5为本发明实施例实验结果对比图。其中,(a)是输入波前图,(b)是重构波前图,(c)是(a)和(b)的残差波前图,(d)是输入远场光强分布图,(e)是校正后的光强分布图。由图可知,输入波前和重构波前具有很高的相似性,本发明实施例利用深度学习具有较好的波前相位反演效果,很大程度上校正波前像差。具体地,经过训练,1000组校验数据的输入波前RMS(均方根误差)为0.52λ,矫正后的残差波前RMS为0.08λ。经大量实验发现,系统中波前传感器的测量误差、相机读数误差及系统其它干扰项,并未对实验结果造成太大影响。平均预测时间为1.67ms,其中包含了图像读取和波前预测的时间。实验结果证明了利用湍流池模拟大气真实像差进行机器学习模型训练的方法不仅提高了无波前探测的波前校正速度,对波前校正精度有明显提高。
综上,利用湍流池随机扰动训练好的网络模型,模型鲁棒性很强,且算法仅为矩阵加法和乘法,只需要输入远场光强图像,无需迭代就能求得波前像位的Zernike多项式表示。这个过程可以求出入射波前相位,能够有效提高远场自适应系统的校正速度。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于机器学习的自适应光学波前校正方法,该方法基于自适应波前校正系统实施,所述自适应波前校正系统包括:波前校正器,分束器,波前传感模块,CCD成像模块和计算机控制模块,其特征在于,所述方法包括以下步骤:
S1:构造模型训练系统,用所述计算机控制模块控制湍流池产生随机扰动,使准直激光光束经所述湍流池发生波前畸变成为畸变光束,所述畸变光束经所述波前校正器反射至所述分束器,所述分束器将所述畸变光束分束为第一光束和第二光束至少两束,所述第一光束经所述CCD成像模块会聚得到光强图像,所述第二光束经所述波前传感模块处理得到波前相位信息,用所述计算机控制模块控制所述CCD成像模块和所述波前传感模块分别记录所述光强图像和所述波前相位信息;
S2:将同一时刻记录的所述光强图像和所述波前相位信息作为一个训练样本,重复步骤S1获取多个训练样本构成训练样本集,将所述训练样本集导入计算机控制模块的机器学习模型进行训练,以建立所述光强图像和所述波前相位信息的映射关系;
S3:构造无波前探测校正系统,使远场光束经波前校正器反射至所述CCD成像模块,所述远场光束经CCD成像模块会聚形成远场光强图像,将所述远场光强图像输入经步骤S2训练好的机器学习模型,得到远场波前相位信息;根据远场波前相位信息控制波前校正器对远场光束的波前相位进行校正;
其中,所述构造模型训练系统的方法包括:在所述自适应波前校正系统的波前校正器前放置湍流池,在所述湍流池前放置激光光源模块;所述构造无波前探测校正系统的方法包括:移去所述模型训练系统的激光光源模块、湍流池、分束器和波前传感模块,使远场光源入射至波前校正器;所述准直激光光束是激光光源模块产生的平面波束,所述远场光束是远场光源经大气湍流入射至无波前探测校正系统的光束。
2.根据权利要求1所述的自适应光学波前校正方法,其特征在于,所述波前传感模块包括Shack-Hartmann波前传感器,所述CCD成像模块包括透镜和CCD相机。
3.根据权利要求2所述的自适应光学波前校正方法,其特征在于,所述光强图像成像于CCD相机的焦平面和/或离焦平面。
4.根据权利要求1所述的自适应光学波前校正方法,其特征在于,所述波前相位信息为Zernike多项式表达。
5.根据权利要求1所述的自适应光学波前校正方法,其特征在于,所述湍流池包括流体物质,所述控制湍流池产生随机扰动的方法包括,改变所述流体物质的温度、湿度、流速和强度其中任意一个或多个环境参数。
6.根据权利要求1所述的自适应光学波前校正方法,其特征在于,所述机器学习模型为利用机器学习监督回归算法的卷积神经网络模型ResNet-50。
7.根据权利要求1所述的自适应光学波前校正方法,其特征在于,所述将训练样本集导入机器学习模型进行训练的方法包括,将同一训练样本的所述光强图像作为所述机器学习模型的输入,将同一训练样本的所述波前相位信息作为所述机器学习模型的输出,训练所述机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011147360.6A CN114488518B (zh) | 2020-10-23 | 2020-10-23 | 基于机器学习的自适应光学波前校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011147360.6A CN114488518B (zh) | 2020-10-23 | 2020-10-23 | 基于机器学习的自适应光学波前校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114488518A true CN114488518A (zh) | 2022-05-13 |
CN114488518B CN114488518B (zh) | 2024-01-05 |
Family
ID=81470998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011147360.6A Active CN114488518B (zh) | 2020-10-23 | 2020-10-23 | 基于机器学习的自适应光学波前校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114488518B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7197248B1 (en) * | 2002-07-29 | 2007-03-27 | United States Of America As Represented By The Secretary Of The Army | Adaptive correction of wave-front phase distortions in a free-space laser communication system and method |
US7656539B1 (en) * | 2006-10-30 | 2010-02-02 | Lockheed Martin Corporation | Multi-conjugate adaptive optics system for field conjugation |
US20160028479A1 (en) * | 2014-07-23 | 2016-01-28 | University Of Southern California | Adaptive Optics Based Simultaneous Turbulence Compensation of Multiple Orbital Angular Momentum Beams |
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 |
CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
CN110207835A (zh) * | 2019-05-23 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于离焦图像训练的波前校正方法 |
CN110346340A (zh) * | 2019-07-19 | 2019-10-18 | 浙江大学 | 基于波前传感器的机器学习快速像差测量系统与方法 |
CN110389119A (zh) * | 2019-07-19 | 2019-10-29 | 浙江大学 | 基于机器学习的快速自适应光学扫描显微成像系统与方法 |
CN110648298A (zh) * | 2019-11-01 | 2020-01-03 | 中国工程物理研究院流体物理研究所 | 一种基于深度学习的光学像差畸变校正方法及系统 |
-
2020
- 2020-10-23 CN CN202011147360.6A patent/CN114488518B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7197248B1 (en) * | 2002-07-29 | 2007-03-27 | United States Of America As Represented By The Secretary Of The Army | Adaptive correction of wave-front phase distortions in a free-space laser communication system and method |
US7656539B1 (en) * | 2006-10-30 | 2010-02-02 | Lockheed Martin Corporation | Multi-conjugate adaptive optics system for field conjugation |
US20160028479A1 (en) * | 2014-07-23 | 2016-01-28 | University Of Southern California | Adaptive Optics Based Simultaneous Turbulence Compensation of Multiple Orbital Angular Momentum Beams |
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 |
CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
CN110207835A (zh) * | 2019-05-23 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于离焦图像训练的波前校正方法 |
CN110346340A (zh) * | 2019-07-19 | 2019-10-18 | 浙江大学 | 基于波前传感器的机器学习快速像差测量系统与方法 |
CN110389119A (zh) * | 2019-07-19 | 2019-10-29 | 浙江大学 | 基于机器学习的快速自适应光学扫描显微成像系统与方法 |
CN110648298A (zh) * | 2019-11-01 | 2020-01-03 | 中国工程物理研究院流体物理研究所 | 一种基于深度学习的光学像差畸变校正方法及系统 |
Non-Patent Citations (2)
Title |
---|
吴加丽;柯熙政;: "无波前传感器的自适应光学校正", 激光与光电子学进展, no. 03 * |
孙全;吕品;宁禹;习锋杰;刘文广;许晓军;: "光学系统仿真软件Seelight在自适应光学上的应用", 光电工程, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN114488518B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109031654A (zh) | 一种基于卷积神经网络的自适应光学校正方法及系统 | |
CN110349095B (zh) | 基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法 | |
US20060256321A1 (en) | Closed-loop wavefront sensor using field programmable gate array | |
JP2022514580A (ja) | 機械学習による光学補正 | |
JP2009009593A (ja) | 電光画像処理システム | |
CN111221123B (zh) | 一种基于模型的无波前传感器自适应光学校正方法 | |
CN111579097B (zh) | 基于神经网络的高精度光学散射补偿方法 | |
JP5595463B2 (ja) | 波面光学測定装置 | |
CN111008945A (zh) | 基于机器学习的多像质参数自适应像差矫正方法及装置 | |
Underwood et al. | Wave optics approach for incoherent imaging simulation through distributed turbulence | |
CN112462600B (zh) | 一种高能激光器控制方法、系统、电子设备及存储介质 | |
CN114488518B (zh) | 基于机器学习的自适应光学波前校正方法 | |
Weddell et al. | Reservoir computing for prediction of the spatially-variant point spread function | |
CN113687099B (zh) | 一种基于激光线阵的piv图像标定装置及方法 | |
CN113405676B (zh) | 空间望远镜相位差波前探测中微振动影响的修正方法 | |
CN117451189A (zh) | 基于哈特曼探测器的波前探测方法 | |
WO2023023961A1 (zh) | 一种基于激光线阵的piv图像标定装置及方法 | |
van Eekeren et al. | Time-varying phase diversity turbulence compensation | |
Norouzi et al. | CNN to mitigate atmospheric turbulence effect on Shack-Hartmann Wavefront Sensing: A case study on the Magdalena Ridge Observatory Interferometer. | |
Zhao et al. | Wavefront Reconstruction Method Based on Improved U-Net | |
Antoshkin et al. | Development of flexible mirror control algorithms | |
De Xivry et al. | Post-coronagraphic PSF sharpening with the vortex coronagraph | |
Engler | Pyramid wavefront sensing in the context of extremely large telescopes | |
Quesnel et al. | A simulator-based autoencoder for focal plane wavefront sensing | |
Guzmán et al. | Enhanced Pyramid Wavefront Sensor via End-to-End trained diffractive optical layer |
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 |