CN114593693A - 光学偏折检测方法、电子设备及光学偏折检测系统 - Google Patents
光学偏折检测方法、电子设备及光学偏折检测系统 Download PDFInfo
- Publication number
- CN114593693A CN114593693A CN202210185461.5A CN202210185461A CN114593693A CN 114593693 A CN114593693 A CN 114593693A CN 202210185461 A CN202210185461 A CN 202210185461A CN 114593693 A CN114593693 A CN 114593693A
- Authority
- CN
- China
- Prior art keywords
- error
- setting
- imaging plane
- measured surface
- optical deflection
- 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
- 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
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
- G01B11/254—Projection of a pattern, viewing through a pattern, e.g. moiré
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/06—Ray-tracing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/514—Depth or shape recovery from specularities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种光学偏折检测方法,包括步骤如下:搭建一光学偏折检测系统模型;设置参考面,对参考面进行光线追迹得到其在第一成像平面上的第一光斑点分布;设置系统结构误差,和一自由曲面作为被测面;对被测面进行光线追迹得到其在第二成像平面上的第二光斑点分布;根据第一光斑点分布和第二光斑点分布计算得到光斑点分布偏差;根据光斑点分布偏差计算得到被测面的表面斜率;搭建神经网络模型,通过将被测元件的表面斜率输入至神经网络模型,得到被测元件的面形。本发明能在精确重构面形的同时消除了系统结构误差的影响,为面形检测提供了一种高效率、高精度、高稳定性的方法。本发明还提供了使用上述方法的电子设备及光学偏折检测系统。
Description
技术领域
本发明涉及面形测量技术领域,尤其涉及光学偏折检测方法、电子设备及光学偏折检测系统。
背景技术
随着光学系统性能要求的不断提高,自由曲面光学元件的应用越来越广泛,其面形的大自由度和大动态范围对高精度的面形检测方法也提出了更高的要求。光学偏折检测技术作为一种非接触式的光学检测方法,克服了光学干涉检测法检测动态范围小的不足,但其测量过程中存在着系统结构标定误差,需要对其进行校正。
公开号为CN108507495A的专利申请,公开了名称为“一种基于逆向哈特曼检测的自由曲面检测方法”的发明专利申请文件,通过标定包括CCD相机、显示屏和被测自由曲面的逆哈特曼检测系统结构位置参数,建立理想被测面的光线追迹模型,调整理想光路系统光线追迹模型结构参数,对测得面形进行系统结构误差校正,实现对自由曲面面形的通用化检测。
发明人在实现本申请实施例的过程中,发现上述技术至少存在以下缺陷:
该方法中标定系统结构位置参数时,会存在系统结构误差。因此需要基于低、高阶像差分离优化的两步系统结构误差校正,而此校正方法存在着复杂费时的缺点,会降低光学偏折面形检测的效率。
发明内容
有鉴于此,本申请的目的在于提出一种光学偏折检测方法、电子设备及光学偏折检测系统,解决了现有技术中存在系统结构误差校正复杂、费时的问题,为自由曲面的面形检测提供了一种高效率、高精度、高稳定性的方法。
本申请公开一种光学偏折检测方法,包括以下步骤:搭建一光学偏折检测系统模型;设置一参考面,对参考面进行光线追迹得到其在第一成像平面上的第一光斑点分布;设置一系统结构误差,并根据公式中的项数N和系数Ci生成自由曲面的面形作为被测面;对被测面进行光线追迹得到其在第二成像平面上的第二光斑点分布;根据第一光斑点分布和第二光斑点分布计算得到光斑点分布偏差;根据光斑点分布偏差计算得到被测面的表面斜率;搭建神经网络模型,将表面斜率及其对应的面形作为一组训练数据输入神经网络模型中进行训练,直到神经网络模型的训练误差小于误差阈值;获取被测元件的表面斜率,将被测元件的表面斜率输入至神经网络模型,得到被测元件的重构面形W。
进一步的,搭建光学偏折检测系统模型为:构建一包括点光源、成像平面和被测面的光学偏折检测系统模型;设置光学偏折检测系统模型的结构位置参数。
进一步的,结构位置参数包括:点光源与被测面的距离;成像平面与被测面的距离;点光源相对于被测面的横向距离;点光源相对于被测面的纵向距离;成像平面相对于被测面的横向距离;成像平面相对于被测面的纵向距离;成像平面关于横轴的倾角;成像平面关于纵轴的倾角;被测面关于横轴的倾角;被测面关于纵轴的倾角。
进一步的,设置一系统结构误差为:设置一点光源与被测面的距离偏移误差;设置一成像平面与被测面的距离偏移误差;设置一点光源相对于被测面的横向距离偏移误差;设置一点光源相对于被测面的纵向距离偏移误差;设置一成像平面相对于被测面横向距离偏移误差;设置一成像平面相对于被测面纵向距离偏移误差;设置一成像平面关于横轴的倾角误差;设置一成像平面关于纵轴的倾角误差;设置一被测面关于横轴的倾角误差;设置一被测面关于纵轴的倾角误差。
进一步的,根据光斑点分布偏差计算得到被测面的表面斜率为:
将光斑点分布偏差除以点光源发出光线走过的光程得到表面斜率。
其中(xtest,ytest)为实际的光斑点分布,(xmodel,ymodel)为模拟的光斑点分布,ds2s被测面到第一成像平面的距离。
进一步的,神经网络模型包括编码层、解码层以及设置在编码层与解码层之间的跳跃连接层;编码层用于对表面斜率进行特征的提取,并重组得到特征图;解码层用于将压缩后的特征图进行特征的恢复与重建,将特征图中的深度信息展开成低维的图像特征;跳跃连接层用于将编码层的特征信息传递至不同层级解码层。
基于本申请的目的,本申请还提供一种电子设备,包括:
存储器,用于存放计算机程序;处理器,用于执行存储器上存放的程序时,能够实现上述任一光学偏折检测方法的步骤。
基于本申请的目的,本申请还提供一种光学偏折检测系统,包括:
一被测元件;
一LCD显示屏,用于显示正弦条纹图案;
一CCD相机,用于采集经被测元件表面反射回的条纹图案;
一电子设备,与CCD相机连接,用于解析条纹图案,获取被测元件的检测结果;
LCD显示屏上显示的移相正弦条纹图案照射到被测元件上,移相正弦条纹图案经过被测元件的表面被调制,CCD相机采集被调制后的移相条纹图案传输至电子设备,在电子设备中搭建神经网络模型并根据移相条纹图案计算得到被测元件的表面斜率,将表面斜率输入至神经网络模型中获得被测元件的重构面形。
与现有技术相比,本申请的益处有:利用软件建模结合光线追迹技术生成大量的训练数据,并设计神经网络模型,在添加系统结构误差的情况下训练该神经网络模型,当训练误差减小并收敛至小于设定阈值时,得到的神经网络模型即可用于消除系统结构误差的同时并实现被测面形的准确重构。本发明避免了光学偏折检测技术中复杂费时的系统结构误差校正步骤,为自由曲面的面形检测提供了一种高效率、高精度、高稳定性的方法。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本申请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具体限定。在附图中:
图1是光学偏折检测方法的流程图;
图2是光学偏折检测系统模型的结构示意图;
图3是用于光学偏折检测的神经网络模型的网络结构示意图;
图4是编码层和解码层的结构示意图;
图5是跳跃连接层的结构示意图;
图6是本申请实施例的检测结果的示意图;
图7是电子设备的结构示意图;
图8是光学偏折检测系统的结构示意图。
具体实施方式
本申请实施例通过提供光学偏折检测方法、电子设备及光学偏折检测系统,解决了现有技术在光学偏折检测中系统结构误差校正复杂、费时等问题,实现了自由曲面的高效率、高精度、高稳定性的面形检测。
本申请实施例中的技术方案为解决上述现有技术中存在的问题,总体思路如下:
通过结合光线追迹技术生成大量的训练数据,并设计神经网络模型,在添加系统结构误差的情况下训练该神经网络模型,当训练误差减小并收敛至小于设定阈值时,得到的神经网络模型即可用于消除系统结构误差的同时并实现被测面形的重构。
以下将结合附图所示的具体实施方式对本发明进行详细描述,但这些实施方式并不限制本申请,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
如图1所示,本申请实施例提供一种光学偏折检测方法,具体步骤如下:
搭建一光学偏折检测系统模型。设置一参考面,对参考面进行光线追迹得到其在第二成像平面上的第二光斑点分布。设置一系统结构误差,并根据公式中的项数N和系数Ci生成自由曲面的面形作为被测面。对被测面进行光线追迹得到其在第一成像平面上的第一光斑点分布。根据第一光斑点分布和第二光斑点分布计算得到光斑点分布偏差。根据光斑点分布偏差计算得到被测面的表面斜率。搭建神经网络模型,将表面斜率及其对应的面形作为一组训练数据输入神经网络模型中进行训练,直到神经网络模型的训练误差小于误差阈值。获取被测元件的表面斜率,将被测元件的表面斜率输入至神经网络模型,得到被测元件的重构面形W。
其中,搭建光学偏折检测系统模型为:
在光线追迹软件中,构建一包括点光源、成像平面和被测面的光学偏折检测系统模型。设置光学偏折检测系统模型的结构位置参数。
如图2所示,根据该空间直角坐标系,结构位置参数包括有:点光源与被测面的距离,成像平面与被测面的距离,点光源相对于被测面的横向距离,点光源相对于被测面的纵向距离,成像平面相对于被测面的横向距离,成像平面相对于被测面的纵向距离。成像平面关于x轴的倾角、成像平面关于y轴的倾角,被测面关于x轴的倾角、被测面关于y轴的倾角。
容易理解的,系统结构误差是由使用测量仪器进行系统结构位置参数标定时,测量仪器本身存在的测量误差引起的,会导致最终的面形检测结果中不仅包含被测面形本身的面形形貌,还包含着由于系统结构误差引入的像差,从而使得重构面形不准确。
在本实施例中,根据上述结构位置参数,设置一系统结构误差为:
设置一点光源与被测面的距离偏移误差。设置一成像平面与被测面的距离偏移误差,该距离偏移误差大于等于-10mm且小于等于10mm。设置一点光源相对于被测面的横向距离偏移误差,该距离偏移误差大于等于-10mm且小于等于10mm。设置一点光源相对于被测面的纵向距离偏移误差,该距离偏移误差大于等于-5mm且小于等于5mm。设置一成像平面相对于被测面横向距离偏移误差,该距离偏移误差大于等于-5mm且小于等于5mm。设置一成像平面相对于被测面纵向距离偏移误差,该距离偏移误差大于等于-5mm且小于等于5mm。设置一成像平面关于x轴的倾角误差,该距离倾角误差大于等于-1°且小于等于1°。设置一成像平面关于y轴的倾角误差,该倾角误差大于等于-2°且小于等于2°。设置一被测面关于x轴的倾角误差,该倾角误差大于等于-1°且小于等于1°。设置一被测面关于y轴的倾角误差,该倾角误差大于等于-2°且小于等于2°。本申请通过在设置被测面的同时随机生成系统结构误差,使神经网络模型的训练数据带有系统结构误差,经过神经网络模型的训练过程,能够有效消除输入的表面斜率的数据中存在的系统结构误差的影响,达到修正结构误差的效果。
具体的,根据光斑点分布偏差计算得到被测面的表面斜率为:
其中(xtest,ytest)为实际的光斑点分布,(xmodel,ymodel)为模拟的光斑点分布,ds2s被测面到第一成像平面的距离。
神经网络模型包括编码层、解码层以及设置在编码层与解码层之间的跳跃连接层。编码层用于对表面斜率进行特征的提取,并重组得到特征图。解码层用于将压缩后的特征图进行特征的恢复与重建,将特征图中的深度信息展开成低维的图像特征。根据神经网络模型的网络结构,每一编码层对应一同级的解码层,编码层能够通过跳跃连接层和与其对应的同级解码层进行连接,使编码层输出的特征图能够传递至同级解码层,且编码层还能够通过跳跃连接层和其他下级的解码层进行连接,使编码层输出的特征图能够传递至其他下级解码层。在本申请实施例中,编码层的数量大于解码层的数量,所以至少有一编码层不存在对其对应的解码层和其他下级的解码层。
作为一种实现方式,如图3所示,神经网络模型由5个编码层、4个解码层以及之间的跳跃连接层构成,具体的,编码层包括第一归一化层、第一卷积层、池化层、第一激活函数层以及第一Dropout层,首先通过归一化层对输入进网络的表面斜率的数据进行归一化处理,将表面斜率的数据的数值缩放到0-1之间,使神经网络模型能够更好地学习到该数据的数字特征。进一步利用卷积层对表面斜率的数据进行卷积运算,使表面斜率的数据的深度扩增,需要说明的是,在这5个编码层内卷积层对应的卷积核数量依次设置为64、128、256、512和1024。再通过池化层对表面斜率的数据进行池化运算,池化核尺寸设置为2×2,步长设置为2,池化运算的结果为使编码层输出的特征图的长宽尺寸减半;第一激活函数层采用Leaky ReLU激活函数实现非线性输出并解决神经元失活问题,再通过第一Dropout层随机丢弃部分神经元,以减少神经网络模型训练过程的过拟合现象,表面斜率数据经过编码层进行特征提取后形成特征图输出至下一级编码层,同时经过跳跃连接层传递至同级的解码层和其他下级的解码层。
作为一种实现方式,如图4所示,解码层包括上采样层、反卷积层、第二激活函数层与第二Dropout层,编码层输出的特征图通过上采样层,上采样层将特征图的长宽尺寸进行还原,使特征图的长宽尺寸恢复至与同级编码层相同的长宽尺寸,还原后的特征图经过反卷积层,反卷积层将特征图的深度还原,使其深度恢复至与同级的编码层相同的深度,需要说明的是,在这4个解码层内反卷积层对应的卷积核数量依次设置为512、256、128和64。接着通过第一激活函数层对反卷积层输出的特征图进行非线性处理,通过第二Dropout层随机丢弃部分神经元,以减少神经网络模型训练过程的过拟合现象。
作为一种实现方式,如图5所示,跳跃连接层包括不同卷积核大小的残差网络,每个残差网络包括第二归一化层、第二卷积层和第三激活函数层,不同的残差网络其采用的卷积核大小分别为3×3、5×5、7×7和9×9,跳跃连接层的输出为输入的原始特征图与融合四个不同深度维度的特征图的残差,通过融合不同维度的特征图,能够有效消除输入的表面斜率的数据中存在的系统结构误差的影响,从而得到准确的重构面形。在本申请实施例所设计的神经网络模型采用全尺度的跳跃连接,不仅将同级编码层的特征信息传输给对应的解码层,同时也融合了高层级编码层以及低层级解码层的特征信息到对应的解码层,实现了神经网络模型中全尺度的跳跃连接,充分利用了神经网络模型中各个不同层级的特征图像信息,在很大程度上提高了重构面形的准确性。
神经网络模型中设置一损失函数以评价其训练效果,从而判定神经网络模型是否能够结束训练过程。在训练过程中,以损失函数最小为目标对整个神经网络进行迭代优化,通过设置误差阈值,当损失函数不断下降收敛并小于设定的误差阈值时训练停止,在本实施例中,误差阈值大于等于10μm且小于等于30μm,作为一种实现方式,误差阈值为被测元件的重构面形W与根据公式中的项数N和系数Ci生成自由曲面的面形的残差的RMS值(Root Mean Square,为面形起伏的均方根值)。
如图6所示,图中(a)为根据公式中的项数N和系数Ci生成自由曲面的面形图中(b)为经过神经网络模型重构得到的被测元件的重构面形W、图中(c)为被测元件的重构面形W与根据公式中的项数N和系数Ci生成自由曲面的面形的残差面。
如图7所示,本申请还提供一种电子设备100,该电子设备100包括存储器11和处理器12,存储器11用于存放计算机程序,处理器12用于执行存储器上存放的程序时,能够实现上述区域定位方法的步骤。存储器11可以是RAM(Random Access Memory,随机存取存储器),也可以是非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。处理器12可以是通用处理器,包括:CPU(Central Processing Unit,中央处理器)、NP(NetworkProcessor,网络处理器)等;还可以是DSP(Digital SignalProcessing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
如图8所示,一种光学偏折检测系统200,包括:被测元件21、LCD显示屏22、CCD相机23和电子设备100。LCD显示屏22用于显示移相正弦条纹图案。CCD相机23用于采集经被测元件表面反射回的移相条纹图案。电子设备100与CCD相机连接,电子设备100用于解析移相条纹图案,并获取被测元件21的检测结果。通过电子设备100生成一移相条纹信息并传递至LCD显示屏22上,使LCD显示屏22上显示移相正弦条纹图案,该移相正弦条纹图案能够照射到被测元件21上,移相正弦条纹图案经过被测元件21的表面被调制,CCD相机23采集被调制后的移相条纹图案传输至电子设备100,在电子设备100中搭建神经网络模型并根据移相条纹图案计算得到被测元件21的表面斜率,将表面斜率输入至神经网络模型中获得被测元件21的重构面形。
在权利要求书中,词语“包括”不排除其他单元或步骤;词语“一”或“一个”并不排除多个。在权利要求书中,使用诸如“第一”“第二”等序数词来修饰权利要求元素本身并不意味着一个权利要求元素具有较另外一个权利要求元素的优先级、次序或者动作执行的时间顺序,而仅仅出于将一个权利要求的元素与另一个权利要求元素相区别的目的。尽管在互不相同的从属权利要求中分别记载了某些特定技术特征,但这并不意味着这些特定技术特征不能被组合利用。本发明的各个方面可单独、组合或者以未在前述实施例中具体讨论的各种安排来使用,从而并不将其应用限于前文所描述或附图中所示的组件的细节和排列。例如,可使用任何方式将一个实施例中描述的多个方面与其他实施例中描述的多个方面组合。多个模块或单元中所记载的步骤、功能或特征,可以由一个模块或一个单元执行或满足。本文所公开的方法的步骤不限于以任何特定的顺序执行,以其他的顺序执行部分或者全部的步骤时可能的。权利要求中的任何附图标记不应被解释为对权利要求范围的限制。
尽管为示例目的,已经公开了本申请的优选实施方式,但是本领域的普通技术人员将意识到,在不脱离由所附的权利要求书公开的本申请的范围和精神的情况下,各种改进、增加以及取代是可能的。
Claims (10)
1.一种光学偏折检测方法,其特征在于,包括以下步骤:
搭建一光学偏折检测系统模型;
设置一参考面,对所述参考面进行光线追迹得到其在第一成像平面上的第一光斑点分布;
对所述被测面进行光线追迹得到其在第二成像平面上的第二光斑点分布;
根据所述第一光斑点分布和所述第二光斑点分布计算得到光斑点分布偏差;
根据所述光斑点分布偏差计算得到所述被测面的表面斜率;
获取被测元件的表面斜率,将所述被测元件的表面斜率输入至所述神经网络模型,得到所述被测元件的重构面形W。
2.根据权利要求1所述的光学偏折检测方法,其特征在于,
搭建光学偏折检测系统模型为:
构建一包括点光源、成像平面和被测面的光学偏折检测系统模型;
设置所述光学偏折检测系统模型的结构位置参数。
3.根据权利要求2所述的光学偏折检测方法,其特征在于,所述结构位置参数包括:
所述点光源与所述被测面的距离;
所述成像平面与所述被测面的距离;
所述点光源相对于所述被测面的横向距离;
所述点光源相对于所述被测面的纵向距离;
所述成像平面相对于所述被测面的横向距离;
所述成像平面相对于所述被测面的纵向距离;
所述成像平面关于横轴的倾角;
所述成像平面关于纵轴的倾角;
所述被测面关于横轴的倾角;
所述被测面关于纵轴的倾角。
4.根据权利要求2所述的光学偏折检测方法,其特征在于,
设置一系统结构误差为:
设置一所述点光源与所述被测面的距离偏移误差;
设置一所述成像平面与所述被测面的距离偏移误差;
设置一所述点光源相对于所述被测面的横向距离偏移误差;
设置一所述点光源相对于所述被测面的纵向距离偏移误差;
设置一所述成像平面相对于所述被测面的横向距离偏移误差;
设置一所述成像平面相对于所述被测面的纵向距离偏移误差;
设置一所述成像平面关于横轴的倾角误差;
设置一所述成像平面关于纵轴的倾角误差;
设置一所述被测面关于横轴的倾角误差;
设置一所述被测面关于纵轴的倾角误差。
5.根据权利要求2所述的光学偏折检测方法,其特征在于,
根据所述光斑点分布偏差计算得到所述被测面的表面斜率为:
将所述光斑点分布偏差除以所述点光源发出光线走过的光程得到所述表面斜率。
7.根据权利要求1所述的光学偏折检测方法,其特征在于,所述神经网络模型包括编码层、解码层以及设置在所述编码层与所述解码层之间的跳跃连接层;
所述编码层用于对所述表面斜率进行特征的提取,并重组得到特征图;
所述解码层用于将压缩后的所述特征图进行特征的恢复与重建,将所述特征图中的深度信息展开成低维的图像特征;
所述跳跃连接层用于将所述编码层的特征信息传递至不同层级所述解码层。
9.一种电子设备,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于执行所述存储器上存放的程序时,能够实现权利要求1~8任一所述光学偏折检测方法的步骤。
10.一种光学偏折检测系统,其特征在于,包括:
一被测元件;
一LCD显示屏,用于显示移相正弦条纹图案;
一CCD相机,用于采集经所述被测元件表面反射回的条纹图案;
一电子设备,与所述CCD相机连接,用于解析所述条纹图案,获取所述被测元件的检测结果;
所述LCD显示屏上显示的移相正弦条纹图案照射到所述被测元件上,所述移相正弦条纹图案经过所述被测元件的表面被调制,所述CCD相机采集被调制后的移相条纹图案传输至所述电子设备,在所述电子设备中搭建神经网络模型并根据所述移相条纹图案计算得到所述被测元件的表面斜率,将所述表面斜率输入至所述神经网络模型中获得所述被测元件的重构面形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210185461.5A CN114593693B (zh) | 2022-02-16 | 2022-02-16 | 光学偏折检测方法、电子设备及光学偏折检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210185461.5A CN114593693B (zh) | 2022-02-16 | 2022-02-16 | 光学偏折检测方法、电子设备及光学偏折检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114593693A true CN114593693A (zh) | 2022-06-07 |
CN114593693B CN114593693B (zh) | 2022-11-01 |
Family
ID=81807510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210185461.5A Active CN114593693B (zh) | 2022-02-16 | 2022-02-16 | 光学偏折检测方法、电子设备及光学偏折检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114593693B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672631A (zh) * | 2009-09-29 | 2010-03-17 | 上海第二工业大学 | 平面光学元件的面形偏差测量方法 |
US20120293808A1 (en) * | 2011-01-18 | 2012-11-22 | Arizona Board Of Regents On Behalf Of The University Of Arizona | System and method for non-contact metrology of surfaces |
CN106989689A (zh) * | 2016-12-27 | 2017-07-28 | 四川大学 | 大口径平面光学元件面形的子孔径拼接检测技术及装置 |
CN107560564A (zh) * | 2017-07-28 | 2018-01-09 | 中国计量大学 | 一种自由曲面检测方法及系统 |
CN107957251A (zh) * | 2016-10-18 | 2018-04-24 | 中国计量大学 | 基于计算机辅助校正的反射球面通用化检测方法 |
CN108413893A (zh) * | 2018-03-12 | 2018-08-17 | 四川大学 | 一种散斑偏折术检测平面元件面形的方法与装置 |
CN108507495A (zh) * | 2018-03-19 | 2018-09-07 | 中国计量大学 | 一种基于逆向哈特曼检测的自由曲面检测方法 |
CN110487211A (zh) * | 2019-09-29 | 2019-11-22 | 中国科学院长春光学精密机械与物理研究所 | 非球面元件面形检测方法、装置、设备及可读存储介质 |
US20190383876A1 (en) * | 2018-06-14 | 2019-12-19 | Richard Landry Gray | method and device for gauging an electronic apparatus |
CN110702009A (zh) * | 2019-11-22 | 2020-01-17 | 中国科学院长春光学精密机械与物理研究所 | 一种基于逆向Hartmann计算机辅助法的三维测量系统 |
CN111537203A (zh) * | 2020-05-27 | 2020-08-14 | 电子科技大学 | 一种利用相位测量偏折术的光学透镜波前测量方法 |
CN111551129A (zh) * | 2020-06-11 | 2020-08-18 | 中国科学院长春光学精密机械与物理研究所 | 大口径平面镜的中、低阶面形检测装置、系统及存储介质 |
CN113029040A (zh) * | 2021-02-26 | 2021-06-25 | 中国科学院深圳先进技术研究院 | 一种偏振相位偏折测量方法和装置 |
-
2022
- 2022-02-16 CN CN202210185461.5A patent/CN114593693B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672631A (zh) * | 2009-09-29 | 2010-03-17 | 上海第二工业大学 | 平面光学元件的面形偏差测量方法 |
US20120293808A1 (en) * | 2011-01-18 | 2012-11-22 | Arizona Board Of Regents On Behalf Of The University Of Arizona | System and method for non-contact metrology of surfaces |
CN107957251A (zh) * | 2016-10-18 | 2018-04-24 | 中国计量大学 | 基于计算机辅助校正的反射球面通用化检测方法 |
CN106989689A (zh) * | 2016-12-27 | 2017-07-28 | 四川大学 | 大口径平面光学元件面形的子孔径拼接检测技术及装置 |
CN107560564A (zh) * | 2017-07-28 | 2018-01-09 | 中国计量大学 | 一种自由曲面检测方法及系统 |
CN108413893A (zh) * | 2018-03-12 | 2018-08-17 | 四川大学 | 一种散斑偏折术检测平面元件面形的方法与装置 |
CN108507495A (zh) * | 2018-03-19 | 2018-09-07 | 中国计量大学 | 一种基于逆向哈特曼检测的自由曲面检测方法 |
US20190383876A1 (en) * | 2018-06-14 | 2019-12-19 | Richard Landry Gray | method and device for gauging an electronic apparatus |
CN110487211A (zh) * | 2019-09-29 | 2019-11-22 | 中国科学院长春光学精密机械与物理研究所 | 非球面元件面形检测方法、装置、设备及可读存储介质 |
CN110702009A (zh) * | 2019-11-22 | 2020-01-17 | 中国科学院长春光学精密机械与物理研究所 | 一种基于逆向Hartmann计算机辅助法的三维测量系统 |
CN111537203A (zh) * | 2020-05-27 | 2020-08-14 | 电子科技大学 | 一种利用相位测量偏折术的光学透镜波前测量方法 |
CN111551129A (zh) * | 2020-06-11 | 2020-08-18 | 中国科学院长春光学精密机械与物理研究所 | 大口径平面镜的中、低阶面形检测装置、系统及存储介质 |
CN113029040A (zh) * | 2021-02-26 | 2021-06-25 | 中国科学院深圳先进技术研究院 | 一种偏振相位偏折测量方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114593693B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diego et al. | Combined reconstruction of weak and strong lensing data with WSLAP | |
CN108507495B (zh) | 一种基于逆向哈特曼检测的自由曲面检测方法 | |
US10013767B2 (en) | Method for measuring the interior three-dimensional movement, stress and strain of an object | |
JP5595463B2 (ja) | 波面光学測定装置 | |
CN102243068A (zh) | 一种子孔径拼接中系统误差的修正方法 | |
CN101666625B (zh) | 畸变误差无模型校正方法 | |
KR20200030806A (ko) | 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법 | |
CN103852030B (zh) | 用于倾斜波面非零位干涉系统的自由曲面面形重构方法 | |
Jester et al. | Wavelet methods for the representation, analysis and simulation of optical surfaces | |
CN106873315A (zh) | 一种通孔层opc建模方法 | |
CN111561877A (zh) | 一种基于点衍射干涉仪的可变分辨率相位解包裹方法 | |
CN114593693B (zh) | 光学偏折检测方法、电子设备及光学偏折检测系统 | |
Zhang et al. | Impact of point spread function higher moments error on weak gravitational lensing–II. A comprehensive study | |
Hoffmann et al. | Deep neural networks for computational optical form measurements | |
CN110631499B (zh) | 基于无网格方法的数字图像变形测量方法及电子设备 | |
Ekberg et al. | Traceable X, Y self-calibration at single nm level of an optical microscope used for coherence scanning interferometry | |
Müller et al. | Determination of the single point precision associated with tactile gear measurements in scanning mode | |
CN101876588B (zh) | 一种使用球面波前标定夏克-哈特曼传感器物理参数的方法 | |
WO2021044628A1 (ja) | 変状検出システムおよび変状検出方法 | |
CN115144373B (zh) | 基于角度自校准的反射式叠层衍射成像方法、装置和系统 | |
CN111982040B (zh) | 基于滚动测距仪的距离测算方法、装置、计算机设备及存储介质 | |
CN112880987B (zh) | 光学元件的偏振性能检测方法及检测系统 | |
CN100523721C (zh) | 表面地形的重新构建 | |
Zhimbueva | Method of determining the total distortion digital images | |
CN117848675A (zh) | 光学性能测试方法、装置、电子设备及可读存储介质 |
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 |