CN114859552B - 一种基于深度学习的离轴望远镜低阶像差校正方法 - Google Patents
一种基于深度学习的离轴望远镜低阶像差校正方法 Download PDFInfo
- Publication number
- CN114859552B CN114859552B CN202210633536.1A CN202210633536A CN114859552B CN 114859552 B CN114859552 B CN 114859552B CN 202210633536 A CN202210633536 A CN 202210633536A CN 114859552 B CN114859552 B CN 114859552B
- Authority
- CN
- China
- Prior art keywords
- neural network
- offset
- secondary mirror
- axis
- aberration correction
- 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
- 230000004075 alteration Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012937 correction Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 230000003287 optical effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000011514 reflex Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013041 optical simulation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G02B27/0025—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00 for optical correction, e.g. distorsion, aberration
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Telescopes (AREA)
- Lenses (AREA)
Abstract
本发明公开了一种基于深度学习的离轴望远镜低阶像差校正方法。所述方法包括:步骤一:建立光学系统模型;步骤二:构建神经网络数据集,所述数据集包括训练集和测试集;步骤三:训练神经网络模型;步骤四:求解失调量并指导装调。本方法无需使用波前传感器获取光学系统的像差,有效降低系统的复杂度以及避免像差探测环节带来的累积误差,从而提高系统低阶像差校正的效率和系统的成像质量。本方法适用于各种复杂系统的镜片失调量求解,并具备高精度和实时性,在工程实践中将其应用于离轴望远镜的像差校正具有重要指导意义。
Description
技术领域
本发明属于离轴望远镜的像差校正领域,针对光学镜片空间位置失调而产生的像差,具体涉及一种基于深度学习的离轴望远镜低阶像差校正方法。
背景技术
离轴反射式光学系统相对于同轴反射式系统,它不存在中心遮拦,同时具有高光能利用率以及没有中低频衍射极限限制等优势,所以在空间光通信、天文探测以及空间遥感领域得到广泛的应用。但由于光学元件初始装配后的残余误差、系统工作时外界环境的变化(例如温度变化、气流扰动以及重力影响等)以及自身抖动都会引起光学镜片空间相对位置与理想相对位置的不同而降低光学系统整体的成像质量。因此,找到一种精度高且具有实时性的离轴反射式系统像差的校正方法对系统成像质量的提升具有重要意义。
早期光学系统的装调过程主要依靠技术人员的装调经验和简单的装调工具完成,调整过程具有很大的随机性且精度较低、时效性差。面对复杂的光学系统且高精度实时性的要求,同时伴随着计算机技术、光学设计和加工技术的发展,国外率先提出了计算机辅助装调技术并将其应用于实际光学系统的装调中。计算机辅助装调通常指的是首先利用仿真软件建立光学系统模型,然后构建系统波像差(一般是泽尼克多项式系数)和各光学元件失调量之间的数学关系式,在实际装调过程中,利用波前传感器检测的泽尼克多项式系数和数学模型求解出各光学元件的失调量,从而指导执行机构进行相应的调整,大幅提高光学系统装调的精度和速度。计算机辅助装调主要有两大类方法,一类是基于矢量像差理论的解析化方法,该方法需要对全视场波像差进行检测来寻找像差节点并且针对每一类像差进行单独校正,针对不同的光学系统需建立不同的复杂解析式,普适性差且在实际装调过程像差节点难以检测。另一类是以灵敏度矩阵法为代表的数值化方法,在光学元件失调量较小的范围内,假定失调量和表征系统像差的泽尼克多项式系数具有线性关系,利用光学仿真软件,给系统添加失调量,得到相应的泽尼克多项式系数,利用最小二乘法进行曲线拟合取其斜率作为灵敏度矩阵的元素,最后在实际装调时,利用波前传感器检测的泽尼克多项式系数与系统无失调量的泽尼克多项式系数作差,结合灵敏度矩阵反解出系统的失调量。该方法计算量大,装调效率不高,缺乏实时性,同时当次镜具有较大的失调量时,失调量和表征系统像差的泽尼克多项式系数不再是线性关系,求解误差较大,不能应用于实际装调。
发明内容
本发明的目的在于针对光学镜片空间相对位置与理想相对位置的不同而产生的像差,提供一种基于深度学习的离轴望远镜低阶像差校正方法,跳过像差探测环节直接利用CCD相机采集的光斑图求解出各元件的失调量进而校正像差,有效避免像差环节探测带来的累积误差,降低系统的复杂度,从而提升失调量的求解精度和速度,同时具备普适性。
本发明的系统组成成分主要有:光学仿真系统,神经网络,实际待像差校正的离轴反射式望远镜系统,CCD相机,次镜位移台。其中神经网络主要由输入层,多层隐含层(包含卷积层、池化层、全连接层)以及输出层组成。
本发明的原理是:神经网络由神经元联结,其根据外界信息的变化改变自身内部结构,具有极强的非线性拟合能力。本发明根据采集的系统光斑图预测失调量所使用的模型是卷积神经网络。卷积神经网络是专门用来处理图像数据这种具有类似网络结构的数据的神经网络。卷积神经网络结合了局部感受野、稀疏权重和参数共享,这使得卷积神经网络跟其他神经网络相比拥有一定平移和尺度的不变性,更加适合图像数据的学习。
本发明采用的技术方案是:
一种基于深度学习的离轴望远镜低阶像差校正方法,用于校正离轴反射式望远镜系统的次镜相对于主镜的空间位置失调而引起的像差,其特征在于,所述方法包括如下步骤:
步骤一:建立光学系统模型:
根据待装调的离轴反射式望远镜系统的结构参数建立其光学系统模型;
步骤二:构建神经网络数据集,所述数据集包括训练集和测试集,包括:
步骤2.1:记录光学系统处于理想位置时次镜的空间位置作为次镜的理想位置和记录该理想位置下的光斑图,然后给次镜添加已知的失调量并获取相应的光斑图,同时将次镜相对于主镜的失调量和相应的光斑图作为一组样本;
步骤2.2:重复步骤2.1直到得到N组样本,即得到一个完整的包含训练集和测试集的数据集;
步骤三:训练神经网络模型:
选取适用于图像回归问题的卷积神经网络,该卷积神经网络包含输入层、卷积层、池化层、全连接层和输出层;
以一定的比例随机从数据集中选择一部分作为训练集对上述卷积神经网络进行训练,当所述卷积神经网的损失函数收敛时,整个训练过程完成,数据集中剩余的部分作为测试集验证上述卷积神经网络的拟合能力;
步骤四:求解失调量并指导装调,包括:
步骤4.1:在实际望远镜系统的低阶像差校正过程中,将CCD相机采集到的系统光斑图输入训练好的神经网络模型,然后输出预测的次镜失调量,将该数据输入控制次镜空间位置的执行机构来指导像差校正,再次采集校正次镜位置偏差后的系统光斑图并与次镜理想位置下的光斑图进行比较;
步骤4.2:若比较光斑图结果在误差允许范围内,则完成计算机辅助装调过程,否则重复步骤4.1。
进一步的,步骤2.1中,给次镜添加已知的失调量为添加六个自由度的失调误差。
进一步的,所述六个自由度的失调误差是指X、Y和Z轴上的离心误差和倾斜误差。
进一步的,步骤三中,所述比例为9:1。
进一步的,步骤三中,所述损失函数为均方误差损失函数,它的形式是:
其中,Yi表示监督数据,表示神经网络的预测值,n表示样本数量。
进一步的,步骤四中,所述执行机构使用的是Stewart六自由度平台。
进一步的,步骤四中,在实际的望远镜系统中,当面对一个新的待校正像差系统,在原先训练好的神经网络模型的权重参数基础上建立一个小样本进行训练以满足系统需求。
根据步骤一,本方明主要针对离轴反射式望远镜系统提出,不同于同轴反射式望远镜轴对称的结构,其结构的复杂性增加了像差校正的难度,传统方法不能很好地解决不同的像差之间的耦合效应,本发明以离轴两反式望远镜的装调为例,以主镜作为基准,失调量针对于次镜相对于理想空间位置的偏差,还可以将其推广到离轴三反等更为复杂的光学系统中。
步骤三中,根据输入图像而预测失调量,属于回归问题,本发明使用适用于解决图像回归问题的卷积神经网络。
本发明与现有技术相比,具有以下优点:
(1)避免传统的波前传感器探测像差带来的累积误差,有效降低系统的复杂度以及提升系统的精度。
(2)神经网络的模型参数训练完成后,输入一幅光斑图神经网络能够快速准确地输出预测的失调量,有效提高系统的装调效率和精度;
(3)神经网络具有较强的普适性,利用迁移学习的思想面对一个新的待像差校正系统,在原先训练好的神经网络模型参数基础上建立小样本进行训练,大大降低训练时长。
附图说明
图1为基于深度学习的离轴望远镜低阶像差校正方法的流程图。
图2为次镜相对于主镜空间位置失调误差的定义图。
图3为该发明的系统结构图。
具体实施方式
下面结合附图,对本发明的具体实施步骤作进一步描述。
如图1流程图所示,基于深度学习的望远镜低阶像差校正方法主要分为两部分,图1左部分为望远镜像差校正系统的前期准备工作即神经网络模型权重参数的训练过程,右部分为实际系统的像差校正过程,具体包括如下步骤:
步骤一建立光学系统模型:
在光学仿真软件Zemax中根据待装调离轴反射式望远镜系统的结构参数建立其光学系统模型;
步骤二神经网络数据集的获取(包括训练集和测试集):
建立好离轴反射式光学系统模型后,将系统进行优化,此时该系统处于理想设计状态,记录此时次镜的空间位置(理想位置)和相应的光斑图,
如图2所示,次镜的失调量主要包括X、Y轴和Z轴方向上的离心和倾斜误差;δx表示次镜围绕X轴顺时针旋转到失调位置1产生的X轴倾斜误差;dx表示次镜沿X轴方向平移到失调位置2时候产生的X轴离心误差;dy表示次镜沿Y轴平移到失调位置3时候产生的Y轴离心误差;
然后人为地给望远镜系统的次镜随机添加已知的六个自由度的失调误差,即沿X、Y轴和Z轴方向上的离心和倾斜误差,并获取相应的光斑图,将次镜相对于主镜的失调量和对应的光斑图作为一组样本;
重复以上步骤,得到N组样本,即得到一个完整的训练样本集;
步骤三训练神经网络模型:
选取适用于图像回归问题的卷积神经网络,该模块包含输入层、卷积层、池化层、全连接层、输出层;
以9:1的比例随机从数据集中选择一部分作为训练集对神经网络进行训练,剩余的作为测试集验证神经网络的拟合能力,当损失函数收敛时,整个训练过程完成;
步骤四求解失调量并指导装调:
如图3,在实际像差校正时,将CCD相机采集到的系统光斑图输入训练好的神经网络模型,然后输出预测的次镜失调量,将该数据输入控制次镜空间位置的执行机构指导像差校正,再次采集光斑图并与次镜理想位置下的光斑图进行比较,在误差允许范围内结束上述步骤,否则重复上述步骤,从而形成一个闭环控制。
神经网络的模型参数训练完成后,输入一幅光斑图后神经网络能够快速准确地输出预测的次镜失调量,有效提高系统的装调效率和精度,可用于望远镜系统失调误差的实时动态校正;神经网络训练时间长短取决于计算机的配置以及训练数据集的大小,但当神经网络训练完成后,每次对失调量求解的时间几乎忽略不计。除此以外,神经网络具有较强的普适性,利用迁移学习的思想面对一个新的待像差校正系统,在原先训练好的神经网络模型权重参数基础上建立一个小样本进行训练就能满足系统需求,从而大大降低训练时长。
Claims (5)
1.一种基于深度学习的离轴望远镜低阶像差校正方法,用于校正离轴反射式望远镜系统的次镜相对于主镜的空间位置失调而引起的像差,其特征在于,所述方法包括如下步骤:
步骤一:建立光学系统模型:
根据待装调的离轴反射式望远镜系统的结构参数建立其光学系统模型;
步骤二:构建神经网络数据集,所述数据集包括训练集和测试集,包括:
步骤2.1:记录光学系统处于理想位置时次镜的空间位置作为次镜的理想位置和记录该理想位置下的光斑图,然后给次镜添加已知的失调量并获取相应的光斑图,同时将次镜相对于主镜的失调量和相应的光斑图作为一组样本;
步骤2.2:重复步骤2.1直到得到N组样本,即得到一个完整的包含训练集和测试集的数据集;
步骤三:训练神经网络模型:
选取适用于图像回归问题的卷积神经网络,该卷积神经网络包含输入层、卷积层、池化层、全连接层和输出层;
以一定的比例随机从数据集中选择一部分作为训练集对上述卷积神经网络进行训练,当所述卷积神经网的损失函数收敛时,整个训练过程完成,数据集中剩余的部分作为测试集验证上述卷积神经网络的拟合能力;
步骤四:求解失调量并指导装调,包括:
步骤4.1:在实际望远镜系统的低阶像差校正过程中,将CCD相机采集到的系统光斑图输入训练好的神经网络模型,然后输出预测的次镜失调量,将该预测的次镜失调量数据输入控制次镜空间位置的执行机构来指导像差校正,再次采集校正次镜位置偏差后的系统光斑图并与次镜理想位置下的光斑图进行比较;
步骤4.2:若比较光斑图结果在误差允许范围内,则完成计算机辅助装调过程,否则重复步骤4.1;
其中,所述步骤2.1中,给次镜添加已知的失调量为添加六个自由度的失调误差;所述六个自由度的失调误差是指X、Y和Z轴上的离心误差和倾斜误差。
2.根据权利要求1所述的一种基于深度学习的离轴望远镜低阶像差校正方法,其特征在于,步骤三中,所述比例为9:1。
3.根据权利要求1所述的一种基于深度学习的离轴望远镜低阶像差校正方法,其特征在于,步骤三中,所述损失函数为均方误差损失函数,它的形式是:
其中,Yi表示监督数据,表示神经网络的预测值,n表示样本数量。
4.根据权利要求1所述的一种基于深度学习的离轴望远镜低阶像差校正方法,其特征在于,步骤四中,所述执行机构使用的是Stewart六自由度平台。
5.根据权利要求1所述的一种基于深度学习的离轴望远镜低阶像差校正方法,其特征在于,步骤四中,在实际的望远镜系统中,当面对一个新的待校正像差系统,在原先训练好的神经网络模型的权重参数基础上建立一个小样本进行训练以满足系统需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210633536.1A CN114859552B (zh) | 2022-06-07 | 2022-06-07 | 一种基于深度学习的离轴望远镜低阶像差校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210633536.1A CN114859552B (zh) | 2022-06-07 | 2022-06-07 | 一种基于深度学习的离轴望远镜低阶像差校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114859552A CN114859552A (zh) | 2022-08-05 |
CN114859552B true CN114859552B (zh) | 2023-09-19 |
Family
ID=82624701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210633536.1A Active CN114859552B (zh) | 2022-06-07 | 2022-06-07 | 一种基于深度学习的离轴望远镜低阶像差校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114859552B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115712202A (zh) * | 2022-11-14 | 2023-02-24 | 中国科学院光电技术研究所 | 一种基于Zernike多项式的补偿温度带来像质退化的方法 |
CN116125658A (zh) * | 2022-12-26 | 2023-05-16 | 中国科学院光电技术研究所 | 一种光学望远镜低时空频率波前像差刚体校正装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188321A (zh) * | 2019-05-22 | 2019-08-30 | 中国科学院光电技术研究所 | 一种基于神经网络算法的主次镜校准方法 |
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 |
CN111811785A (zh) * | 2020-07-21 | 2020-10-23 | 中国科学院长春光学精密机械与物理研究所 | 大动态范围望远镜像差的检测方法、装置、设备及介质 |
CN113468802A (zh) * | 2021-06-08 | 2021-10-01 | 南昌大学 | 一种基于点扩散函数的智能光学主动装调方法 |
-
2022
- 2022-06-07 CN CN202210633536.1A patent/CN114859552B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188321A (zh) * | 2019-05-22 | 2019-08-30 | 中国科学院光电技术研究所 | 一种基于神经网络算法的主次镜校准方法 |
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 |
CN111811785A (zh) * | 2020-07-21 | 2020-10-23 | 中国科学院长春光学精密机械与物理研究所 | 大动态范围望远镜像差的检测方法、装置、设备及介质 |
CN113468802A (zh) * | 2021-06-08 | 2021-10-01 | 南昌大学 | 一种基于点扩散函数的智能光学主动装调方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114859552A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114859552B (zh) | 一种基于深度学习的离轴望远镜低阶像差校正方法 | |
CN110188321B (zh) | 一种基于神经网络算法的主次镜校准方法 | |
CN112508904B (zh) | 基于bp神经网络的拼接型望远镜平移像差检测方法 | |
CN112394508A (zh) | 一种基于二阶灵敏度矩阵法的装调方法 | |
US11386246B2 (en) | Method for designing hybrid surface optical system | |
CN110715619B (zh) | 基于自适应非零干涉法的光学自由曲面面形误差测量方法 | |
CN103234480A (zh) | 一种环形凸非球面的快速面形检测方法 | |
CN110705040A (zh) | 一种基于泽尼克多项式系数与最小二乘法求取主次镜失调误差量的方法 | |
Liu et al. | Misalignment calculation on off-axis telescope system via fully connected neural network | |
CN113917686A (zh) | 一种基于图像的拼接衍射望远镜拼接误差并行校正方法 | |
CN117268259A (zh) | 一种基于cnn的大动态范围次镜位置误差检测方法 | |
CN117689576A (zh) | 一种基于深度学习的多尺寸球体成像光学方法及系统 | |
CN117192785A (zh) | 一种基于d2nn超构表面的激光光束整形方法 | |
CN112985453A (zh) | 一种光学遥感相机主动光学系统误差项的仿真方法 | |
CN108196364B (zh) | 一种基于平面镜视场调节的光学系统失调量解算方法 | |
CN109946829A (zh) | 变焦稳像一体化成像系统中变形镜变焦面形设计方法 | |
CN114185144B (zh) | 一种基于小口径平面镜装调大口径光学系统的装调方法 | |
CN116755239A (zh) | 一种基于光斑图像矩特征的望远镜主次镜校准方法 | |
CN115437144A (zh) | 一种基于波像差控制与焦距逼近的反射变焦系统优化方法 | |
CN114994859A (zh) | 基于cnn的tma望远镜面形、位姿误差在轨校正方法 | |
CN111399210B (zh) | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 | |
CN112487672B (zh) | 一种光学遥感相机的微振动集成仿真分析方法 | |
CN116699838A (zh) | 一种基于点扩散函数的望远镜像差校正方法 | |
CN111121621B (zh) | 大口径膜基衍射光学系统主镜分块镜位置误差分析方法 | |
CN117537711A (zh) | 一种基于深度学习的光学镜片装调位姿误差辨识方法 |
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 |