CN115047619B - 一种相位型空间光调制器的快速原位校准方法及系统 - Google Patents
一种相位型空间光调制器的快速原位校准方法及系统 Download PDFInfo
- Publication number
- CN115047619B CN115047619B CN202210783587.2A CN202210783587A CN115047619B CN 115047619 B CN115047619 B CN 115047619B CN 202210783587 A CN202210783587 A CN 202210783587A CN 115047619 B CN115047619 B CN 115047619B
- Authority
- CN
- China
- Prior art keywords
- vortex
- exp
- spatial light
- light modulator
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 238000003384 imaging method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 abstract description 9
- 238000002474 experimental method Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005305 interferometry Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G02B27/0025—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
- G02B27/0068—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 having means for controlling the degree of correction, e.g. using phase modulators, movable 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种相位型空间光调制器的快速原位校准方法及系统,该方法首先将标准螺旋相位加载到待校正的空间光调制器上,获取涡旋光的单幅焦场图像;然后将该图像进行匹配处理后输入到神经网络进行学习,利用神经网络优化Zernike系数生成一系列误差相位,将误差相位附加在标准螺旋相位上输入涡旋光图样的物理生成模型,得到仿真涡旋光图像,当仿真涡旋光图像与实验涡旋光图像形貌基本相同时认为仿真中的误差相位等效于实验中的波前误差;最后将该误差补偿到空间光调制器上,完成原位校准。本发明实验光路简单,神经网络的输入为单幅焦场图像,无须大量的实验数据进行学习训练,单次测量便可实现快速的原位校准。
Description
技术领域
本发明涉及光学器件调制技术领域,具体为相位型空间光调制器原位校准方法。
背景技术
相位型空间光调制器(SLM)广泛应用于光学和光子学领域,任何基于相位型空间光调制器进行波前调控和光场整形的光学系统,因为调制器精度和光学元件质量的限制,实际获得的光波波前都存在一定的畸变,该畸变会降低目标光场的质量,进而影响相关的实验效果。现有的空间光调制器校准,主要包括干涉测量、衍射技术、偏振分析和子孔径干涉测量等方法,但实验光路较为复杂、测量次数较多。
例如文献《In situ wavefront correction and its application tomicromanipulation》(Nature Photonics 4,388-394(2010))和《High-PrecisionCalibration of Phase-Only Spatial Light Modulators》(IEEE Photonics Journal14,1-8(2022))公开的子孔径干涉测量以空间光调制器中心子孔径区域为参考基准,周边子孔径依次进行定标补偿,虽然提高了校准精度,但需要进行成千上万次测量标定,整个过程非常耗时,且测量过程容易受到环境振动的影响;名称为“纯相位液晶空间光调制器校准平台及方法”、公开号为CN112904601A的专利公开了一种纯相位液晶空间光调制器校准平台及方法,采用干涉测量的方法进行校准,具有较高的校准精度,但需要多次干涉测量,且测量过程容易受到环境振动的影响;名称为“一种基于深度学习的光学像差畸变校正方法及系统”、公开号为CN110648298A的专利通过建立深度神经网络实现波前像差的探测与重构,但其进行湍流校准时搭建的光路较为复杂,需要大量的实验数据训练神经网络,是数据驱动的训练学习模型,复杂耗时。
发明内容
发明目的:本发明的目的是提供一种光路简单、仅需单次测量的快速原位校准方法及系统。
技术方案:本发明所述的相位型空间光调制器的快速原位校准方法包括如下步骤:
(1)在焦场成像光路中采集实验涡旋光图像Vexp-raw,所述实验涡旋光图像为平行光经过待校准的空间光调制器调制后的图像,所述空间光调制器上加载标准螺旋相位;
(2)对Vexp-raw进行匹配处理得到Vexp,将Vexp作为目标图形样本,输入到神经网络进行学习,优化Zernike系数并生成一系列误差相位,将误差相位与标准螺旋相位叠加后输入涡旋光图样的物理生成模型,得到仿真涡旋光图像Vsim;
(3)当Vexp与Vsim之间的负皮尔逊相关系数小于0.1或均方根误差小于0.1时,将学习得到的误差相位补偿到相位型空间光调制器,完成原位校准。
进一步地,所述实验涡旋光图像进行匹配处理的方法为去除实验涡旋光图像中心的光斑。
进一步地,步骤(1)中的所述焦场成像光路中,用相机对调制后的光成像,所述空间光调制器与相机之间设置有奇数个透镜。
进一步地,步骤(2)中的所述涡旋光图样的物理生成模型为:
其中,表示傅里叶变换,l表示拓扑荷,/>表示方位角,变化范围为[0,2π]。
进一步地,所述标准螺旋相位是特定拓扑荷的多幅旋转图像。
进一步地,步骤(2)中的所述神经网络的损失函数为:
其中,N(Vexp,Vsim)为负皮尔逊相关系数,和/>分别表示误差相位/>的峰谷值和均方根值;α和β为权重系数。
进一步地,步骤(2)中的所述神经网络的损失函数也可以为:
其中,RMSE(Vexp,Vsim)为均方根误差。
进一步地,步骤(2)中的所述神经网络为全连接网络层或全卷积网络层。
本发明所述的相位型空间光调制器的快速原位校准系统,包括光源模块、空间光调制器、成像模块和神经网络模块,所述空间光调制器上加载标准螺旋相位,所述光源模块发射的平行光经过空间光调制器后被成像模块接收,得到实验涡旋光图像Vexp-raw,对Vexp-raw进行匹配处理得到Vexp;所述神经网络模块将Vexp作为目标图形样本,优化Zernike系数并生成一系列误差相位,将误差相位与标准螺旋相位叠加后输入涡旋光图样的物理生成模型,得到仿真涡旋光图像Vsim,当Vexp与Vsim之间的负皮尔逊相关系数小于0.1或均方根误差小于0.1时的误差相位为所述空间光调制器的波前误差。
进一步地,所述光源模块包括激光器、扩束器、反射镜和孔径光阑,所述激光器发射的激光经过扩束器后得到平行光,平行光经过反射镜改变方向射入到孔径光阑,所述孔径光阑将光斑尺寸调节为大于空间光调制器有效工作区域的90%;所述系统还包括分束器,所述孔径光阑的出射光经过分束器反射后入射到空间光调制器,经过调制反射后经过分束器透射,所述分束器的出射光射入成像模块;所述成像模块包括奇数个透镜和相机,对分束器的出射光聚焦成像得到实验涡旋光图像Vexp-raw。
有益效果:本发明与现有技术相比的优点在于:(1)光路简单且具有较强的鲁棒性,实验光路为标准的或等效的焦场成像光路,采用空间光调制器作为补偿的波前矫正器,在其他含空间光调制器的光学系统中,例如含空间光调制器的4-f光学系统与显微成像系统等,若已经包含焦场成像光路则可直接用于原位校准方法,无须重新搭建复杂的校准光路;(2)仅需单次测量,校准方便;神经网络的输入为单幅焦场图像即涡旋光图像,无须大量的实验数据进行学习训练;(3)校准耗时少,可实现光场的原位快速校正,神经网络融入了生成涡旋光图样的物理模型,是物理模型驱动的训练学习过程,可快速完成仿真训练,实现快速的原位校准。
附图说明
图1为本发明的快速原位校准方法的网络架构图;
图2为本发明实施例中的标准螺旋相位示意图;
图3为本发明实施例中的实验涡旋光图像Vexp-raw与匹配处理后的涡旋光图像Vexp;
图4为本发明的快速原位校准系统结构图;
图5为本发明实施例中的损失函数在迭代中的变化趋势图;
图6为本发明实施例中的神经网络求解的36项Zernike系数;
图7为本发明实施例中的待求解的误差相位图;
图8为本发明实施例中的仿真涡旋光图像Vsim;
图9为本发明实施例中涡旋光图像的校准效果对比图;
图10为本发明实施例中Bessel光束传播图像的校准效果对比图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,所述的相位型空间光调制器的快速原位校准方法,包括如下步骤:
(1)在焦场成像光路中采集实验涡旋光图像Vexp-raw,所述实验涡旋光图像为平行光经过待校准的空间光调制器调制后的图像,所述空间光调制器上加载标准螺旋相位,图2为标准螺旋相位的示意图;图3所示为采集到的畸变(比较扁椭)的实验涡旋光图像Vexp-raw。
(2)焦场成像光路中采集测得的畸变涡旋光是空间光调制器出射的零级焦场图像,由于空间光调制器具有不可避免的工作死区,因此其焦场图像存在未经调制的零级光,如图3中的涡旋光图像Vexp-raw中间圆环内部有光斑,而计算机仿真中,不存在死区的干扰,故焦场图像不存在未经调制的零级光。因此,为使得实验和仿真完全匹配,需要将实验测得畸变涡旋光中间的光斑去除,通过匹配处理得到如图3中的涡旋光图像Vexp。
(3)将涡旋光图像Vexp作为目标图形样本,输入到神经网络进行学习,利用Zernike拟合神经网络,优化Zernike系数并据此生成一系列误差相位将该误差相位附加在标准螺旋相位/>得到畸变的螺旋相位/>然后经过涡旋光图样的物理生成模型,得到畸变的仿真涡旋光图像Vsim。
所述涡旋光图样的物理生成模型,即螺旋相位经傅里叶变换得到涡旋光图样V,其中,/>表示傅里叶变换,l表示拓扑荷;/>表示方位角,变化范围为[0,2π]。所述螺旋相位在实际的校准中并不是唯一的,即拓扑荷数值可以不同,例如10、15、20等,本实施例选择拓扑荷(TC)为20的螺旋相位,如图2所示。
标准螺旋相位是特定拓扑荷的多幅旋转图像,具有旋转对称性,旋转操作并不会影响螺旋相位在焦场的成像,即不同旋转角度的标准螺旋相位,在焦场的涡旋光图像是一致的。如图1的/>框中的R0、R4、R8、R12表示旋转0度、4度、8度、12度的标准螺旋相位。而误差相位/>不具备旋转对称性,因此在每次网络优化迭代中,旋转标准螺旋相位的操作,有利于神经网络求解的快速收敛。
该神经网络是5层全连接网络,每层神经元的个数分别为128、256、512、256、128。神经网络的输入层和输出层都是36个神经元,对应前36项Zernike系数。其中,输入层的36项Zernike系数全为0,作为优化迭代的初始相位输出层的36项Zernike系数,在神经网络迭代优化中动态变化,作为求解的误差相位/>全连接网络也可以替换为卷积网络层。同时,输入输出不仅可以采用36项Zernike系数,也可以直接设置为2维数据输出,即直接输出误差相位。
该神经网络的损失函数(Loss)是Vexp和Vsim的负皮尔逊相关系数N(Vexp,Vsim),结合网络输出的36项Zernike系数产生的误差相位得到的复合参数,即:
其中,V(i,j)表示涡旋光图像中第i行、第j列的光强值,表示涡旋光图像的光强平均值;/>和/>分别表示误差相位/>的峰谷值和均方根值;α和β表示权重系数,本实施例中分别设置为0.005和0.01。
损失函数中负皮尔逊相关系数也可以替换为均方根误差RMSE,即:
(4)当Vexp与Vsim之间的负皮尔逊相关系数小于0.1或均方根误差小于0.1时,认为神经网络中学习得到的误差相位等效于实验中的波前误差,将该误差相位补偿到相位型空间光调制器,完成原位校准。
如图4所示,本发明所述的相位型空间光调制器的快速原位校准系统,包括光源模块、空间光调制器、成像模块和神经网络模块,所述空间光调制器上加载标准螺旋相位,所述光源模块发射的平行光经过空间光调制器后被成像模块接收,得到实验涡旋光图像Vexp-raw,对实验涡旋光图像进行匹配处理得到Vexp,如图3所示;所述神经网络模块将涡旋光图像Vexp作为目标图形样本,优化Zernike系数并生成一系列误差相位,将误差相位与标准螺旋相位叠加后输入涡旋光图样的物理生成模型,得到仿真涡旋光图像Vsim,当涡旋光图像Vexp与仿真涡旋光图像Vsim之间的负皮尔逊相关系数小于0.1或均方根误差小于0.1时的误差相位为所述空间光调制器的波前误差。
光源模块包括激光器、扩束器、反射镜和孔径光阑,所述激光器发射的激光经过扩束器后得到平行光,平行光经过反射镜改变方向射入到孔径光阑,孔径光阑将光斑尺寸调节为大于空间光调制器有效工作区域的90%;所述系统还包括分束器,孔径光阑的出射光经过分束器反射后入射到空间光调制器,经过调制反射后经过分束器透射,分束器的出射光射入成像模块;成像模块包括奇数个透镜和相机,对分束器的出射光聚焦成像得到实验涡旋光图像Vexp-raw,当相位型空间光调制器到相机中间仅有单个聚焦透镜时,实验光路是一个标准的焦场成像光路,当相位型空间光调制器到相机中间为除1以外的奇数时,实验光路是一个等效的焦场成像光路。
下面通过具体实验说明本发明的方法。
硬件训练平台:Inter(R)Core(TM)i7-10700K CPU(3.8GHz),32GB RAM,NVIDIAQuadro P2200 GPU;软件训练平台:TensorFlow 2.3.0,Python 3.8.5。
首先,按照图4所示,搭建原位校准系统;然后,将拓扑荷(TC)为20的螺旋相位,见图2,加载到相位型空间光调制器上;紧接着,在相机上采集畸变的实验涡旋光图像Vexp-raw,对实验涡旋光图像进行匹配处理得到Vexp,如图3所示;最后,将涡旋光图像Vexp输入到神经网络进行学习,求解对应的误差相位。神经网络的架构如图1所示,该神经网络是基于单张目标图样的迭代优化求解,迭代优化次数设置为500次,可以保证神经网络完全收敛,具体的损失函数在迭代中的变化趋势见图5。神经网络迭代优化得到的最佳网络输出,即求解的36项Zernike系数见图6;该36项系数所构建的面形即为待求解的误差相位见图7。将误差相位/>附加在标准螺旋相位/>上,得到畸变的螺旋相位/>将其经过涡旋光图样的物理生成模型后得到的仿真涡旋光图像Vsim,见图8。可以发现,仿真涡旋光Vsim与涡旋光图像Vexp基本一致,此时N(Vexp,Vsim)=0.041514,因此对应的误差相位/>便可等效于实验中的波前误差。
具体校准中,只需把神经网络求解得到的误差相位利用空间光调制器补偿即可,/>其中E0表示未补偿校准的调制光场,Eoffest表示补偿校准后的调制光场。
图9、图10是空间光调制器原位校准相关的实验效果对比图。图9中,第一行表示理想的仿真涡旋光图像,第二行表示未经校准的实验涡旋光图像,第三行表示原位校准后的实验涡旋光图像。可以明显地观察到,空间光调制器经过原位校准后,实验测得的焦场图像,即涡旋光图像,其畸变(比较扁椭)得到有效校正,更加符合对应的理想仿真涡旋光图像。图10中,左边第一排是理想仿真得到的Bessel光束传播图像,第二排是未经校准的实验测得的Bessel光束传播图像,第三排是原位校准后实验测得的Bessel光束传播图像。可以明显地观察到,空间光调制器经过原位校准后,不管是实验测得的焦场图像,还是焦场前后的衍射图像,也即Bessel光束传播图像,其畸变(比较扁椭)都得到有效校正,更加符合对应的理想仿真Bessel光束传播图像。至此,图9、图10所展示的结果,非常有利地证明了该校准方法的有效性。同时,相较于常见的数据驱动(即需要大量的标签图像数据)的神经网络训练,优化学习过程普遍耗时不低于数小时;而本实施例采用的物理驱动(单张图像数据)的神经网络训练,迭代优化过程耗时为2分11秒,多次实验证明迭代优化过程平均耗时不超过3分钟。因此,本发明所采用的神经网络能够满足快速训练和学习的要求,实现相位型空间光调制器的快速原位校准。
Claims (7)
1.一种相位型空间光调制器的快速原位校准方法,其特征在于,包括如下步骤:
(1)在焦场成像光路中采集实验涡旋光图像Vexp-raw,所述实验涡旋光图像为平行光经过待校准的空间光调制器调制后的图像,所述空间光调制器上加载标准螺旋相位;
(2)对实验涡旋光图像进行匹配处理得到Vexp,将Vexp作为目标图形样本,输入到神经网络进行学习,优化Zernike系数并生成一系列误差相位,将误差相位与标准螺旋相位叠加后输入涡旋光图样的物理生成模型,得到仿真涡旋光图像Vsim;
所述实验涡旋光图像进行匹配处理的方法为去除实验涡旋光图像中心的光斑;
所述神经网络的损失函数为或
其中,N(Vexp,Vsim)为负皮尔逊相关系数,和/>分别表示误差相位的峰谷值和均方根值;α和β为权重系数;RMSE(Vexp,Vsim)为均方根误差;
(3)当Vexp与Vsim之间的负皮尔逊相关系数小于0.1或均方根误差小于0.1时,将学习得到的误差相位补偿到相位型空间光调制器,完成原位校准。
2.根据权利要求1所述的相位型空间光调制器的快速原位校准方法,其特征在于,步骤(1)中的所述焦场成像光路中,用相机对调制后的光成像,所述空间光调制器与相机之间设置有奇数个透镜。
3.根据权利要求1所述的相位型空间光调制器的快速原位校准方法,其特征在于,步骤(2)中的所述涡旋光图样的物理生成模型为:
其中,表示傅里叶变换,l表示拓扑荷,/>表示方位角,变化范围为[0,2π]。
4.根据权利要求1所述的相位型空间光调制器的快速原位校准方法,其特征在于,所述标准螺旋相位是特定拓扑荷的多幅旋转图像。
5.根据权利要求1所述的相位型空间光调制器的快速原位校准方法,其特征在于,步骤(2)中的所述神经网络为全连接网络层或全卷积网络层。
6.一种相位型空间光调制器的快速原位校准系统,其特征在于,包括光源模块、空间光调制器、成像模块和神经网络模块,所述空间光调制器上加载标准螺旋相位,所述光源模块发射的平行光经过空间光调制器后被成像模块接收,得到实验涡旋光图像Vexp-raw,对Vexp-raw进行匹配处理得到Vexp;所述神经网络模块将Vexp作为目标图形样本,优化Zernike系数并生成一系列误差相位,将误差相位与标准螺旋相位叠加后输入涡旋光图样的物理生成模型,得到仿真涡旋光图像Vsim,当Vexp与Vsim之间的负皮尔逊相关系数小于0.1或均方根误差小于0.1时的误差相位为所述空间光调制器的波前误差;
所述实验涡旋光图像进行匹配处理的方法为去除实验涡旋光图像中心的光斑;
所述神经网络的损失函数为或
其中,N(Vexp,Vsim)为负皮尔逊相关系数,和/>分别表示误差相位的峰谷值和均方根值;α和β为权重系数;RMSE(Vexp,Vsim)为均方根误差。
7.根据权利要求6所述的相位型空间光调制器的快速原位校准系统,其特征在于,所述光源模块包括激光器、扩束器、反射镜和孔径光阑,所述激光器发射的激光经过扩束器后得到平行光,平行光经过反射镜改变方向射入到孔径光阑,所述孔径光阑将光斑尺寸调节为大于空间光调制器有效工作区域的90%;所述系统还包括分束器,所述孔径光阑的出射光经过分束器反射后入射到空间光调制器,经过调制反射后经过分束器透射,所述分束器的出射光射入成像模块;所述成像模块包括奇数个透镜和相机,对分束器的出射光聚焦成像得到实验涡旋光图像Vexp-raw。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210783587.2A CN115047619B (zh) | 2022-07-05 | 2022-07-05 | 一种相位型空间光调制器的快速原位校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210783587.2A CN115047619B (zh) | 2022-07-05 | 2022-07-05 | 一种相位型空间光调制器的快速原位校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115047619A CN115047619A (zh) | 2022-09-13 |
CN115047619B true CN115047619B (zh) | 2023-08-01 |
Family
ID=83166124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210783587.2A Active CN115047619B (zh) | 2022-07-05 | 2022-07-05 | 一种相位型空间光调制器的快速原位校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047619B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115374712B (zh) * | 2022-10-24 | 2023-01-24 | 中国航天三江集团有限公司 | 激光内通道热效应影响下光传输仿真参数校准方法与装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888418A (zh) * | 2021-09-22 | 2022-01-04 | 中国人民解放军战略支援部队航天工程大学 | 一种基于深度多分支补偿网络的涡旋光波前畸变校正方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017697A (zh) * | 2016-05-17 | 2016-10-12 | 北京理工大学 | 一种基于gs算法的畸变涡旋光束自适应预校正方法与系统 |
CN109596227B (zh) * | 2018-12-06 | 2019-11-19 | 浙江大学 | 一种卷积神经网络先验增强的光学元件中频误差的相位恢复检测系统 |
CN110086534B (zh) * | 2019-04-23 | 2021-11-16 | 西安理工大学 | 一种基于相位差算法校正涡旋光波前畸变的方法 |
US20220171204A1 (en) * | 2020-12-02 | 2022-06-02 | University Of Maryland, College Park | Light field-based beam correction systems and methods |
CN114499660A (zh) * | 2021-12-30 | 2022-05-13 | 山东师范大学 | 涡旋光束相位畸变校正方法、系统及通信装置 |
CN114486199B (zh) * | 2022-01-28 | 2023-03-14 | 中国科学院上海光学精密机械研究所 | 空间光调制器相位调制量标定装置和标定方法 |
-
2022
- 2022-07-05 CN CN202210783587.2A patent/CN115047619B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888418A (zh) * | 2021-09-22 | 2022-01-04 | 中国人民解放军战略支援部队航天工程大学 | 一种基于深度多分支补偿网络的涡旋光波前畸变校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115047619A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Characterization of spatially varying aberrations for wide field-of-view microscopy | |
CN109520712B (zh) | 光学检测方法、系统及光学器件制造系统 | |
CN100507488C (zh) | 非球面镜衍射图像检测方法与装置 | |
CN115047619B (zh) | 一种相位型空间光调制器的快速原位校准方法及系统 | |
CN111626997B (zh) | 基于深度学习的高速单图直接探测光学畸变相位的方法 | |
CN111579097B (zh) | 基于神经网络的高精度光学散射补偿方法 | |
CN115775303B (zh) | 一种基于深度学习与光照模型的高反光物体三维重建方法 | |
CN109407311A (zh) | 一种基于相位差异法的衍射光学成像系统波前反演算法 | |
CN111694016A (zh) | 一种非干涉合成孔径超分辨成像重构方法 | |
US11156503B2 (en) | Wavefront sensor device and method | |
Pan et al. | Stitching sub-aperture in digital holography based on machine learning | |
CN114001643B (zh) | 一种数字全息显微相位畸变补偿方法及装置 | |
Chen et al. | Transition imaging phase measuring deflectometry for high-precision measurement of optical surfaces | |
Zheng et al. | Front and back surface measurement of the transparent planar element based on multi-frequency fringe deflectometry | |
CN109141287B (zh) | 基于空间光调制器的点光源阵列发生器及其获得方法 | |
Geng et al. | Noise-robust phase retrieval by optics path modulation with adaptive feedback | |
CN111397506A (zh) | 一种全息干涉仪的全自动相位误差修正方法与系统 | |
Venable et al. | Demonstrated resolution enhancement capability of a stripmap holographic aperture ladar system | |
Thomas et al. | Laboratory test of application of electric field conjugation image-sharpening to ground-based adaptive optics | |
Li et al. | Co-phase error detection for segmented mirrors with ptychography | |
Redding et al. | Wavefront sensing and control for large space optics | |
CN110221421B (zh) | 基于机器学习的结构光照明超分辨显微成像方法 | |
Ge et al. | Target-independent dynamic wavefront sensing method based on distorted grating and deep learning | |
Sha et al. | Lensless coherent diffraction imaging based on spatial light modulator with unknown modulation curve | |
Yang et al. | Iterative framework for a high accuracy aberration estimation with one-shot wavefront sensing |
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 |