CN116300129A - 光学镜头定心装置、图像获取装置及方法 - Google Patents
光学镜头定心装置、图像获取装置及方法 Download PDFInfo
- Publication number
- CN116300129A CN116300129A CN202310184597.9A CN202310184597A CN116300129A CN 116300129 A CN116300129 A CN 116300129A CN 202310184597 A CN202310184597 A CN 202310184597A CN 116300129 A CN116300129 A CN 116300129A
- Authority
- CN
- China
- Prior art keywords
- view field
- centering
- defocusing
- module
- lens
- 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
- 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
- G02B27/62—Optical apparatus specially adapted for adjusting optical elements during the assembly of optical systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种光学镜头定心装置、图像获取装置及方法。整体的方法包括训练阶段和应用阶段两部分,其中训练阶段主要包括数据集的采集和定心模型训练,应用阶段包括数据的获取和模型的应用。整体装置包括光源、滤光片、散射片、十字狭缝板、三个位移台、聚焦镜头、相机、各装置固定结构件。本发明解决了在镜头定心领域硬件结构复杂或定心速度慢差的问题,提出了一种结构简单但高精度快速的定心装置和定心方法,该方法使用了深度学习的方法,结合了由相机采集到的丰富数据,对数据进行有主次的模型构建,得到了一种定心的高效方案。
Description
技术领域
本申请涉及光学镜头定心技术领域,尤其涉及一种光学镜头定心装置、图像获取装置及方法。
背景技术
近年来,随着摄影、医疗、航空等各领域的飞速发展,人们对光学镜头性能的要求在不断提高。一颗成像质量好的光学镜头除了需要优秀的光学设计外,还需尽可能小的加工误差和装配误差。
在光学镜头的装配中,镜片之间、镜片与镜组之间、镜组与镜组之间通常都存在一定的偏心、倾斜、间隔误差等。这些装配误差一定程度上会使光学镜头产生更多的像差,使其在实际成像时解像力下降、成像质量变差,最终影响实际应用。在这些误差中,偏心误差是镜头装配的重要指标之一。偏心一般是指不同光学元件之间的光轴并没有重合,而是存在一定的偏移量。较大的偏心往往会使光学镜头的像质严重降低。因此,减小偏心量是装配过程中的一项重要任务,这一过程也称为光学定心。
现有的定心装置一般需要使用到激光器、波前传感器等特殊传感器。激光器方案是通过记录激光反射点来计算偏心量,而波前传感器方案是通过解算波前来计算偏心量。这些方案虽然能取得高精度的定心效果,但其缺点是硬件成本高,装置结构较复杂。另外,在不使用特殊传感器的定心方案中,以人工观察成像图并手工调整定心或软件搜索策略为主。这两种方案,前者依赖人工的经验,速度慢且不可靠;后者的速度依赖于搜索的次数,一般需要搜索好几次才能得到较好的定心结果,速度甚至可能比人工更慢。
发明内容
本申请实施例的目的是提供一种光学镜头定心装置、图像获取装置及方法,以解决相关技术中存在的硬件结构复杂和定心速度慢的技术问题。
根据本申请实施例的第一方面,提供一种光学镜头定心装置,用于对待定心镜头进行定心,包括:光源、滤光片、散射片、十字狭缝板、聚焦镜头、相机、提供Z轴方向移动的狭缝位移台、提供XY两个轴方向移动的镜组位移台、提供XY两个轴方向移动的镜头位移台,所述光源发出的光经过所述滤光片得到指定波段的光,然后再通过所述散射片,得到均匀化的光源,接着光线再依次经过十字狭缝板、待定心镜头和聚焦镜头后,进入相机,得到衍射成像图;
所述十字狭缝板搭载在所述狭缝位移台上,通过所述狭缝位移台进行移动,使其位于所述待定心镜头的焦平面;
所述待定心镜头搭载在所述镜头位移台上,通过所述镜头位移台进行平移,使其位于光源、相机所在的直线上;
所述待定心镜头包括第一镜组和第二镜组,所述第一镜组位于光线入射端,所述第二镜组位于光线出射端,所述第一镜组和第二镜组中的一个搭载在所述镜组位移台上,以调节两者之间的位置关系;
所述待定心镜头和聚焦镜头之间的光束为平行光。
优选地,还包括处理单元,所述处理单元用于控制所述镜组位移台以调节第一镜组和第二镜组之间的位置关系。
根据本申请实施例的第二方面,提供一种图像获取装置,其特征在于,包括待定心镜头以及用于对待定心镜头进行定心的光学镜头定心装置,所述光学镜头定心装置为第一方面所述的光学镜头定心装置。
根据本申请实施例的第三方面,提供一种偏心数据集的仿真构建方法,包括:
对第二方面所述的图像获取装置进行仿真建模;
在模型中,通过移动狭缝位置进行离焦,通过移动待定心镜头的镜组进行偏心位置的设定,从而获取在不同偏心位置的离焦数据集。
根据本申请实施例的第四方面,提供一种偏心数据集的实际采集方法,包括:
在第二方面所述的图像获取装置上,通过控制所述狭缝位移台来调节狭缝位置进行离焦,通过控制所述镜头位移台来移动待定心镜头的镜组进行偏心位置的设定,从而获取在不同偏心位置的真实离焦数据集。
根据本申请实施例的第五方面,提供一种定心模型的构建方法,包括:
S1:获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由第二方面所述的图像获取装置获取得到;
S2:构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
S3:利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型。
根据本申请实施例的第六方面,提供一种定心模型的构建装置,包括:
获取单元,用于获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由第二方面所述的图像获取装置获取得到;
构建单元,用于构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
训练单元,用于利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型。
根据本申请实施例的第七方面,提供一种光学镜头定心方法,包括:
S1:获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由第二方面所述的图像获取装置获取得到;
S2:构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
S3:利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型;
S4:通过对待定心镜头进行离焦,得到所述定心模型所需的输入数据;
S5:将所述输入数据输入到所述训练好的定心模型中,得到预测偏心量;
S6:根据所述预测偏心量对所述镜组位移台进行调整,在调整过程中进行循环判断,直到定心完成或定心次数达到上限。
根据本申请实施例的第八方面,提供一种光学镜头定心装置,包括:
获取单元,用于获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由第二方面所述的图像获取装置获取得到;
构建单元,用于构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
训练单元,用于利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型;
计算单元,用于通过对待定心镜头进行离焦,得到所述定心模型所需的输入数据;
预测单元,用于将所述输入数据输入到所述训练好的定心模型中,得到预测偏心量;
控制迭代单元,用于根据所述预测偏心量对所述镜组位移台进行调整,在调整过程中进行循环判断,直到定心完成或定心次数达到上限。
根据本申请实施例的第九方面,提供一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第五方面或第七方面所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果:
由上述实施例可知,本申请的光学镜头定心装置的光路设计实现了待定心镜头对狭缝的衍射成像,通过位移台实现了对聚焦镜头和待定心镜头的控制,实现了物理上的定心,且在光路中间部分设计为平行光,降低了硬件装配的精度要求,提高了整体系统的稳定性。整体结构采用了逆投影的结构,使得像面上呈现放大的十字衍射像,减小了对CCD/CMOS传感器解析力的要求,降低了硬件成本。这一整套装置使用了较少的结构,不涉及激光器、波前传感器等传统定心装置所必须的设备,简化的整体结构,降低了成本。
所述定心模型的输入主要有三个部分,分别为对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像。这三部分数据具有一定的主次之分。其中对焦点中心视场图像的重要性最大,对焦点边缘视场图像次之,各视场离焦过程图像最后。基于这样的主次关系,模型对对焦点中心视场图像使用了参数量较大的网络,旨在尽可能得到其可靠有用的特征结构;模型对对焦点边缘视场图像和各视场离焦过程图像使用了参数量较小的网络,旨在保留其特征的同时减小运算量。最终,模型将这三部分的数据进行融合,输出得到最终的偏心量,再利用偏心量的真实值对模型进行训练,得到可以应用的模型。采用基于深度学习的模型方法,可以将装置采集的数据用于预测偏心值,该方法实现了算法自动预测偏心值,避免了人工操作的时间和人力成本,且该方法主要使用CCD/CMOS这一类传感器的数据,避免了使用额外且复杂的传感器结构。
本申请的光学镜头定心方法分为训练阶段和应用阶段两部分。训练阶段主要为数据集的采集和模型的训练。其中数据集分为仿真数据集的构建和真实数据集的采集,模型先在仿真数据集训练后再在真实数据集微调。这样做的好处是减少了真实数据采集的负担,且能在保证模型得到有效的训练的前提下提高训练的速度。应用阶段主要为实际硬件中实现定心的过程。其过程包括镜头的加装、离焦数据的采集、模型的预测等主要过程。过程中对定心进行循环判断,使得系统得到高精度的定心,同时也增加了定心次数的限制,防止系统进入死循环。应用阶段的流程实现全自动化,大幅提升实际定心的速度和效率。
通过以上方法,可以实现整体系统的自动定心,减小人力成本和人工操作时间;减少了额外传感器的使用,精简了系统结构,减少了硬件成本;采用逆投影减小了相机成本;采用部分平行光路设计减小了装配需求,提高了系统稳定性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种光学镜头定心装置的结构示意图。
图2是根据一示例性实施例示出的一种定心模型的构建方法的示意图。
图3是根据一示例性实施例示出的一种光学镜头定心方法的流程图。
图中的附图标记有:
1、光源;2、滤光片;3、散射片;4、十字狭缝板;5、待定心镜头;6、第一镜组;7、第二镜组;8、聚焦镜头;9、相机;10、衍射成像图;11、狭缝位移台;12、镜组位移台;13、镜头位移台。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参考图1,本发明实施例提供一种光学镜头定心装置,用于对待定心镜头5进行定心,该装置包括:光源1、滤光片2、散射片3、十字狭缝板4、聚焦镜头8、相机9、提供Z轴方向移动的狭缝位移台11、提供XY两个轴方向移动的镜组位移台12、提供XY两个轴方向移动的镜头位移台13,所述光源1发出的光经过所述滤光片2得到指定波段的光,然后再通过所述散射片3,得到均匀化的光源1,接着光线再依次经过十字狭缝板4、待定心镜头5和聚焦镜头8后,进入相机9,得到衍射成像图10;所述十字狭缝板4搭载在所述狭缝位移台11上,通过所述狭缝位移台11进行移动,使其位于所述待定心镜头5的焦平面;所述待定心镜头5搭载在所述镜头位移台13上,通过所述镜头位移台13进行平移,使其位于光源1、相机9所在的直线上;所述待定心镜头5包括第一镜组6和第二镜组7,所述第一镜组6位于光线入射端,所述第二镜组7位于光线出射端,所述第一镜组6和第二镜组7中的一个搭载在所述镜组位移台12上,以调节两者之间的位置关系;所述待定心镜头5和聚焦镜头8之间的光束为平行光。该装置的光路设计实现了待定心镜头5对狭缝的衍射成像,通过位移台实现了对聚焦镜头8和待定心镜头5的控制,实现了物理上的定心,且在光路中间部分设计为平行光,降低了硬件装配的精度要求,提高了整体系统的稳定性。整体结构采用了逆投影的结构,使得像面上呈现放大的十字衍射像,减小了对CCD/CMOS传感器解析力的要求,降低了硬件成本。这一整套装置使用了较少的结构,不涉及激光器、波前传感器等传统定心装置所必须的设备,简化的整体结构,降低了成本。
所述滤光片2的作用是选取指定波段的光,散射片3的作用是得到均匀化的光源1。十字狭缝板4是作为成像的物。三个位移台用于分别调整狭缝的位置、待定心镜片的位置、待定心镜头5的位置。聚焦镜头8用于将光束汇聚于相机9,相机9的作用是拍摄狭缝成像图。
相机9中的中间相机用于拍摄中心视场的衍射图像。左右两个相机用于拍摄边缘视场的衍射图像。应当说明的是,左右两个相机的个数可以更多,即拍摄更多边缘视场的图像,图中因画幅限制只画出两个。每个相机都会输出拍摄到的衍射图像10。其中,处于中心的相机拍摄得到中心视场图像,处于边缘视场的相机拍摄得到边缘视场图像。
这一整套装置使用了较少的结构,不涉及激光器、波前传感器等传统定心装置所必须的设备,简化的整体结构,降低了成本。
进一步地,还包括处理单元,所述处理单元用于控制所述镜组位移台12以调节第一镜组6和第二镜组7之间的位置关系。
具体地,所述处理单元可以是单片机或者是PC,能够处理代码并接发指令,能用于控制镜组位移台12。
具体地,所述狭缝位移台11用于提供Z轴方向移动,可以采用精密步进电机,当然不局限于此。
具体地,所述镜组位移台12用于提供XY两个轴方向移动,可以采用精密电动滑台,当然不局限于此;
具体地,所述镜头位移台13用于提供XY两个轴方向移动,可以采用精密电动滑台,当然不局限于此。
本发明实施例还提供一种图像获取装置,该装置包括待定心镜头5以及用于对待定心镜头5进行定心的光学镜头定心装置,所述光学镜头定心装置为上述的光学镜头定心装置。
本发明实施例还提供一种偏心数据集的仿真构建方法,该方法可以包括以下步骤:
A1:对上述的图像获取装置进行仿真建模;
具体地,在zemax等光学软件中仿真如图1所示的无偏心的光路。
A2:在模型中,通过移动十字狭缝板4在光路方向上的位置,进行离焦,在离焦过程中记录成像图(称之为各视场离焦过程图像),离焦完成后将十字狭缝板4位置复位到对焦点位置,并在对焦点位置采集对焦点中心视场图像和对焦点边缘视场图像;
具体地,以对焦点为中心,在其前后各5单位内,狭缝板以步长1单位进行离焦,则该次离焦共得到了11组图片,每组图片包括不同视场图片,同一组图片表示在某一特定离焦位置下不同视场的成像图。
A3:对于需要定心的待定心镜头5在x和y两个方向上设置一定的偏心量,在该状态下再进行A2的离焦采集过程,得到在特定偏心状态下的离焦成像图数据,并记录下该数据所对应的偏心量。
具体地,比如在x和y两个方向上设置x=-5、y=-5的偏心量。
A4:将偏心量遍历二维平面的一定区域,对遍历的每个空间点,都进行A3操作,则每个空间点的数据表示在特定偏心状态下光学镜头离焦的成像图。
具体地,将偏心量遍历二维平面的一定区域,例如,x=-5,y=-5到x=5,y=5这一矩形范围内,以水平和竖直都间隔1单位的步长进行遍历,共121个点。
本发明实施例还提供一种偏心数据集的实际采集方法,该方法可以包括以下子步骤:
B1:在上述的图像获取装置上,通过狭缝位移台11移动十字狭缝板4在光路方向上的位置,进行离焦,在离焦过程中通过相机9记录成像图,离焦完成后将十字狭缝板4位置复位到对焦点位置;
具体地,以对焦点为中心,在其前后各5单位内,狭缝板以步长1单位进行离焦,则该次离焦共得到了11组图片,每组图片包括不同视场图片,同一组图片表示在某一特定离焦位置下不同视场的成像图。
B2:使用镜组位移台12对于需要定心的待定心镜头5在x和y两个方向上设置一定的偏心量,在该状态下再进行B1的离焦采集过程,得到在特定偏心状态下的离焦成像图数据,并记录下该数据所对应的偏心量。
具体地,比如在x和y两个方向上设置x=-5、y=-5的偏心量。
B3:将偏心量遍历二维平面的一定区域,对遍历的每个空间点,都进行B2操作,则每个空间点的数据表示在特定偏心状态下光学镜头离焦的成像图。
具体地,将偏心量遍历二维平面的一定区域,例如,x=-5,y=-5到x=5,y=5这一矩形范围内,以水平和竖直都间隔1单位的步长进行遍历,共121个点。
参考图2,本发明实施例还提供一种定心模型的构建方法,该方法可以包括:
S1:获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由上述的图像获取装置获取得到,这三部分数据在数据集构建中已提到。
S2:构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,其中:
1)所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、全局池化层和全连接层,得到中心视场图像的第一特征向量;
若干层下采样的残差卷积层,一般取3~5个,该层的输入为中心视场的成像图,输出为具有编码特征的特征图。
所述全局池化层的输入为特征图,输出为特征向量,用于尺寸的转换以及压缩尺寸。
所述全连接层的输入为特征向量,输出也为特征向量,用于对特征向量内部的融合以及特征向量尺寸的压缩。
最终,对焦点中心视场图像经过以上的模块后输出为特征向量,表征了中心视场图像的若干特征,这些特征有助于后续偏心量的预测。
2)所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;
所述线扩散函数生成模块的输入为对焦点边缘视场图像,输出为线扩散函数。该模块实现将十字图像采样得到线扩散函数,其作用是将整幅图像转换为线扩散函数,大大降低了数据量,线扩散函数表征了狭缝衍射的特征。
所述全连接层和池化层是对线扩散函数的进一步特征提取,得到第二特征向量,该特征向量用于后续偏心量的预测。
最终,对焦点边缘视场图像经过上述模块后输出为特征向量,该向量表征了各边缘视场的信息,用于后续偏心量的预测。
3)所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;
所述离焦曲线生成模块的输入为各视场离焦过程图像,输出为各视场的离焦曲线。离焦曲线的生成有两种方式。
方式一,计算离焦过程中每张图片的清晰度(清晰度可使用方差等函数作为评价指标),将清晰度和离焦顺序绘成一条曲线,曲线的峰值即为对焦点。
方式二,计算离焦过程中每张图片的线扩散函数,对线扩散函数进行傅里叶变换得到调制传递函数,取调制传递函数某个频率下的值,用该值和离焦顺序绘成一条曲线。
该模块的作用是将离焦过程中大量的图像转化成离焦曲线这一特征形式,压缩数据量的同时保留了图像变换的过程。
由于离焦曲线和线扩散函数具有相似的数据特征。离焦曲线后续经过的模块和线扩散函数相同,这里不进行赘述。
4)所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
所述融合模块包括特征融合层、池化层和全连接层三部分。
所述特征融合层的输入为三个部分的特征向量,输出为特征向量。该模块的作用是将三个部分的特征向量串联起来,用于后续的融合。
所述池化层和全连接层的输入为串联后的特征向量,输出为预测的偏心量。该模块通过对前三个部分的特征数据进行融合,输出偏心量,然后利用偏心量真值和预测值计算损失函数(如使用L2损失函数),从而对整体模型进行训练。
S3:利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型。
所述定心模型的输入主要有三个部分,分别为对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像。这三部分数据具有一定的主次之分。其中对焦点中心视场图像的重要性最大,对焦点边缘视场图像次之,各视场离焦过程图像最后。基于这样的主次关系,模型对对焦点中心视场图像使用了参数量较大的网络,旨在尽可能得到其可靠有用的特征结构;模型对对焦点边缘视场图像和各视场离焦过程图像使用了参数量较小的网络,旨在保留其特征的同时减小运算量。最终,模型将这三部分的数据进行融合,输出得到最终的偏心量,再利用偏心量的真实值对模型进行训练,得到可以应用的模型。
采用基于深度学习的模型方法,可以将装置采集的数据用于预测偏心值,该方法实现了算法自动预测偏心值,避免了人工操作的时间和人力成本,且该方法主要使用CCD/CMOS这一类传感器的数据,避免了使用额外且复杂的传感器结构。
与前述的定心模型的构建方法的实施例相对应,本申请还提供了定心模型的构建装置的实施例。所述定心模型的构建装置可以包括:
获取单元,用于获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由上述的图像获取装置获取得到;
构建单元,用于构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
训练单元,用于利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
参考图3,本发明实施例还提供一种光学镜头定心方法,该方法可以包括:
S1:获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由上述的图像获取装置获取得到;
S2:构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;这里个模块的细化描述在前面已经描述,这里不做赘述。
S3:利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型;
具体地,将采集到的图像作为定心模型的输入,定心模型最后会输出偏心量的值,将采集到的偏心量真值与模型输出得到的偏心量代入损失函数(L2损失函数)中,利用深度学习的反向梯度算法对定心模型进行更新,从而实现模型的训练效果,最终模型的输出会越来越接近真值。
S4:通过对待定心镜头5进行离焦,得到所述定心模型所需的输入数据;
具体地,离焦结束后能获得中心视场图像、边缘视场图像和离焦过程图像,这三部分数据各自具备不同的特征,将其输入定心模型时,能得到针对性的处理。
S5:将所述输入数据输入到所述训练好的定心模型中,得到预测偏心量;
具体地,将S4得到的三部分数据分别输入定心模型的中心视场模块、边缘视场模块和离焦曲线模块,从而实现对各部分数据的针对性处理,这样能够更好的提取各数据的特征,有助于提升最终定心的实现效果。将数据输入定心模型后,模型会输出偏心量,该偏心量指导后续对镜头定心。
S6:根据所述预测偏心量对所述镜组位移台12进行调整,在调整过程中进行循环判断,直到定心完成或定心次数达到上限。
具体地,根据S5输出的偏心量,通过软件将调整数据发送到镜组位移台12,使得镜组发生位移,从而减小镜组之间的偏心,达到定心的效果。通过循环判断和调整能提高定心的精度。判断停止条件是偏心量小于设定的范围或定心次数达到上限,这样既能保证定心的精度又能防止死循环。
由以上方案可知,该方法分为训练阶段和应用阶段两部分。训练阶段主要为数据集的采集和模型的训练。其中数据集分为仿真数据集的构建和真实数据集的采集,模型先在仿真数据集训练后再在真实数据集微调。这样做的好处是减少了真实数据采集的负担,且能在保证模型得到有效的训练的前提下提高训练的速度。应用阶段主要为实际硬件中实现定心的过程。其过程包括镜头的加装、离焦数据的采集、模型的预测等主要过程。过程中对定心进行循环判断,使得系统得到高精度的定心,同时也增加了定心次数的限制,防止系统进入死循环。应用阶段的流程实现全自动化,大幅提升实际定心的速度和效率。
通过以上方法,可以实现整体系统的自动定心,减小人力成本和人工操作时间;减少了额外传感器的使用,精简了系统结构,减少了硬件成本;采用逆投影减小了相机9成本;采用部分平行光路设计减小了装配需求,提高了系统稳定性。
与前述的光学镜头定心方法的实施例相对应,本申请还提供了光学镜头定心装置的实施例,所述光学镜头定心装置可以包括:
获取单元,用于获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由上述的图像获取装置获取得到;
构建单元,用于构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
训练单元,用于利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型;
计算单元,用于通过对待定心镜头5进行离焦,得到所述定心模型所需的输入数据;
预测单元,用于将所述输入数据输入到所述训练好的定心模型中,得到预测偏心量;
控制迭代单元,用于根据所述预测偏心量对所述镜组位移台12进行调整,在调整过程中进行循环判断,直到定心完成或定心次数达到上限。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应的,本申请还提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的定心模型的构建方法或光学镜头定心方法。
相应的,本申请还提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如上述的定心模型的构建方法或光学镜头定心方法。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种光学镜头定心装置,用于对待定心镜头进行定心,其特征在于,包括:光源、滤光片、散射片、十字狭缝板、聚焦镜头、相机、提供Z轴方向移动的狭缝位移台、提供XY两个轴方向移动的镜组位移台、提供XY两个轴方向移动的镜头位移台,所述光源发出的光经过所述滤光片得到指定波段的光,然后再通过所述散射片,得到均匀化的光源,接着光线再依次经过十字狭缝板、待定心镜头和聚焦镜头后,进入相机,得到衍射成像图;
所述十字狭缝板搭载在所述狭缝位移台上,通过所述狭缝位移台进行移动,使其位于所述待定心镜头的焦平面;
所述待定心镜头搭载在所述镜头位移台上,通过所述镜头位移台进行平移,使其位于光源、相机所在的直线上;
所述待定心镜头包括第一镜组和第二镜组,所述第一镜组位于光线入射端,所述第二镜组位于光线出射端,所述第一镜组和第二镜组中的一个搭载在所述镜组位移台上,以调节两者之间的位置关系;
所述待定心镜头和聚焦镜头之间的光束为平行光。
2.根据权利要求1所述的一种光学镜头定心装置,其特征在于,还包括处理单元,所述处理单元用于控制所述镜组位移台以调节第一镜组和第二镜组之间的位置关系。
3.一种图像获取装置,其特征在于,包括待定心镜头以及用于对待定心镜头进行定心的光学镜头定心装置,所述光学镜头定心装置为权利要求1或2所述的光学镜头定心装置。
4.一种偏心数据集的仿真构建方法,其特征在于,包括:
A1:对权利要求3所述的图像获取装置进行仿真建模;
A2:在模型中,通过移动十字狭缝板在光路方向上的位置,进行离焦,在离焦过程中记录成像图,离焦完成后将十字狭缝板位置复位到对焦点位置,并在对焦点位置采集对焦点中心视场图像和对焦点边缘视场图像;
A3:对于需要定心的待定心镜头在x和y两个方向上设置一定的偏心量,在该状态下再进行A2的离焦采集过程,得到在特定偏心状态下的离焦成像图数据,并记录下该数据所对应的偏心量;
A4:将偏心量遍历二维平面的一定区域,对遍历的每个空间点,都进行A3操作,则每个空间点的数据表示在特定偏心状态下光学镜头离焦的成像图。
5.一种偏心数据集的实际采集方法,其特征在于,包括:
B1:在权利要求3所述的图像获取装置上,通过狭缝位移台移动十字狭缝板在光路方向上的位置,进行离焦,在离焦过程中通过相机记录成像图,离焦完成后将十字狭缝板位置复位到对焦点位置;
B2:使用镜组位移台对于需要定心的待定心镜头在x和y两个方向上设置一定的偏心量,在该状态下再进行B1的离焦采集过程,得到在特定偏心状态下的离焦成像图数据,并记录下该数据所对应的偏心量;
B3:将偏心量遍历二维平面的一定区域,对遍历的每个空间点,都进行B2操作,则每个空间点的数据表示在特定偏心状态下光学镜头离焦的成像图。
6.一种定心模型的构建方法,其特征在于,包括:
S1:获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由权利要求3所述的图像获取装置获取得到;
S2:构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
S3:利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型。
7.一种定心模型的构建装置,其特征在于,包括:
获取单元,用于获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由权利要求3所述的图像获取装置获取得到;
构建单元,用于构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
训练单元,用于利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型。
8.一种光学镜头定心方法,其特征在于,包括:
S1:获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由权利要求3所述的图像获取装置获取得到;
S2:构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
S3:利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型;
S4:通过对待定心镜头进行离焦,得到所述定心模型所需的输入数据;
S5:将所述输入数据输入到所述训练好的定心模型中,得到预测偏心量;
S6:根据所述预测偏心量对所述镜组位移台进行调整,在调整过程中进行循环判断,直到定心完成或定心次数达到上限。
9.一种光学镜头定心装置,其特征在于,包括:
获取单元,用于获取对焦点中心视场图像、对焦点边缘视场图像和各视场离焦过程图像,这些图像由权利要求3所述的图像获取装置获取得到;
构建单元,用于构建定心模型,所述定心模型包括中心视场模块、边缘视场模块、离焦曲线模块、融合模块,所述中心视场模块用于对所述焦点中心视场图像经过若干下采样的残差卷积层、一全局池化层和一全连接层,得到中心视场图像的第一特征向量;所述边缘视场模块用于对所述焦点边缘视场图像经过线扩散函数生成模块变成线扩散函数,然后经过全连接层和池化层转化为第二特征向量;所述离焦曲线模块用于对所述各视场离焦过程图像经过离焦曲线生成模块转化为离焦曲线,接着经过全连接层和池化层转化为第三特征向量;所述融合模块用于将所述第一特征向量、第二特征向量和第三特征向量进行融合,输出预测的偏心量;
训练单元,用于利用偏心量的真值对所述定心模型进行监督训练,得到训练好的定心模型;
计算单元,用于通过对待定心镜头进行离焦,得到所述定心模型所需的输入数据;
预测单元,用于将所述输入数据输入到所述训练好的定心模型中,得到预测偏心量;
控制迭代单元,用于根据所述预测偏心量对所述镜组位移台进行调整,在调整过程中进行循环判断,直到定心完成或定心次数达到上限。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求6或8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310184597.9A CN116300129B (zh) | 2023-03-01 | 2023-03-01 | 光学镜头定心装置、图像获取装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310184597.9A CN116300129B (zh) | 2023-03-01 | 2023-03-01 | 光学镜头定心装置、图像获取装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116300129A true CN116300129A (zh) | 2023-06-23 |
CN116300129B CN116300129B (zh) | 2023-09-26 |
Family
ID=86819981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310184597.9A Active CN116300129B (zh) | 2023-03-01 | 2023-03-01 | 光学镜头定心装置、图像获取装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116300129B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008216106A (ja) * | 2007-03-06 | 2008-09-18 | Hoya Corp | レンズ偏芯測定装置のピント調整方法及びレンズ偏芯測定装置 |
CN103257511A (zh) * | 2013-04-27 | 2013-08-21 | 宁波舜宇光电信息有限公司 | 一种基于镜头场曲的自动对焦方法 |
CN104932092A (zh) * | 2015-06-15 | 2015-09-23 | 上海交通大学 | 基于偏心光束法的自动对焦显微镜及其对焦方法 |
CN106646867A (zh) * | 2016-12-16 | 2017-05-10 | 中国科学院光电研究院 | 一种深紫外光学系统共焦对准装置与方法 |
CN108072361A (zh) * | 2017-12-18 | 2018-05-25 | 中国科学院西安光学精密机械研究所 | 探测相机焦面预置装置和方法 |
US20190061049A1 (en) * | 2017-08-28 | 2019-02-28 | Fanuc Corporation | Machine learning device, machine learning system, and machine learning method |
CN111345803A (zh) * | 2020-03-20 | 2020-06-30 | 浙江大学城市学院 | 一种基于移动设备摄像头的心率变异性测量方法 |
CN111352229A (zh) * | 2020-04-07 | 2020-06-30 | 华中科技大学 | 一种虚拟多平面成像系统及方法 |
CN111629147A (zh) * | 2020-06-04 | 2020-09-04 | 中国科学院长春光学精密机械与物理研究所 | 基于卷积神经网络的自动调焦方法及系统 |
CN112785637A (zh) * | 2021-01-20 | 2021-05-11 | 大连理工大学 | 一种基于动态融合网络的光场深度估计方法 |
CN113050260A (zh) * | 2019-12-26 | 2021-06-29 | 佳能株式会社 | 透镜装置、摄像装置、控制方法及计算机可读存储介质 |
CN113554150A (zh) * | 2021-07-02 | 2021-10-26 | 中国计量大学 | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 |
CN113702000A (zh) * | 2021-08-18 | 2021-11-26 | 中国科学院深圳先进技术研究院 | 一种光学成像镜头的像差检测系统及像差检测方法 |
CN114598859A (zh) * | 2020-12-07 | 2022-06-07 | 宁波舜宇光电信息有限公司 | 待组装镜头组件的可校准性预判方法及摄像模组组装方法 |
CN114785953A (zh) * | 2022-04-27 | 2022-07-22 | 广东工业大学 | 基于sfr的相机自动对焦方法及装置 |
CN115423881A (zh) * | 2022-09-06 | 2022-12-02 | 中国科学院光电技术研究所 | 一种基于神经网络和光斑形态的主次镜快速校准方法 |
CN115436023A (zh) * | 2022-09-07 | 2022-12-06 | Oppo广东移动通信有限公司 | 镜头测试方法、测试系统、控制装置和存储介质 |
-
2023
- 2023-03-01 CN CN202310184597.9A patent/CN116300129B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008216106A (ja) * | 2007-03-06 | 2008-09-18 | Hoya Corp | レンズ偏芯測定装置のピント調整方法及びレンズ偏芯測定装置 |
CN103257511A (zh) * | 2013-04-27 | 2013-08-21 | 宁波舜宇光电信息有限公司 | 一种基于镜头场曲的自动对焦方法 |
CN104932092A (zh) * | 2015-06-15 | 2015-09-23 | 上海交通大学 | 基于偏心光束法的自动对焦显微镜及其对焦方法 |
CN106646867A (zh) * | 2016-12-16 | 2017-05-10 | 中国科学院光电研究院 | 一种深紫外光学系统共焦对准装置与方法 |
US20190061049A1 (en) * | 2017-08-28 | 2019-02-28 | Fanuc Corporation | Machine learning device, machine learning system, and machine learning method |
CN108072361A (zh) * | 2017-12-18 | 2018-05-25 | 中国科学院西安光学精密机械研究所 | 探测相机焦面预置装置和方法 |
CN113050260A (zh) * | 2019-12-26 | 2021-06-29 | 佳能株式会社 | 透镜装置、摄像装置、控制方法及计算机可读存储介质 |
CN111345803A (zh) * | 2020-03-20 | 2020-06-30 | 浙江大学城市学院 | 一种基于移动设备摄像头的心率变异性测量方法 |
CN111352229A (zh) * | 2020-04-07 | 2020-06-30 | 华中科技大学 | 一种虚拟多平面成像系统及方法 |
CN111629147A (zh) * | 2020-06-04 | 2020-09-04 | 中国科学院长春光学精密机械与物理研究所 | 基于卷积神经网络的自动调焦方法及系统 |
CN114598859A (zh) * | 2020-12-07 | 2022-06-07 | 宁波舜宇光电信息有限公司 | 待组装镜头组件的可校准性预判方法及摄像模组组装方法 |
CN112785637A (zh) * | 2021-01-20 | 2021-05-11 | 大连理工大学 | 一种基于动态融合网络的光场深度估计方法 |
CN113554150A (zh) * | 2021-07-02 | 2021-10-26 | 中国计量大学 | 基于深度学习的单光纤扫描器光斑轨迹检测方法及系统 |
CN113702000A (zh) * | 2021-08-18 | 2021-11-26 | 中国科学院深圳先进技术研究院 | 一种光学成像镜头的像差检测系统及像差检测方法 |
CN114785953A (zh) * | 2022-04-27 | 2022-07-22 | 广东工业大学 | 基于sfr的相机自动对焦方法及装置 |
CN115423881A (zh) * | 2022-09-06 | 2022-12-02 | 中国科学院光电技术研究所 | 一种基于神经网络和光斑形态的主次镜快速校准方法 |
CN115436023A (zh) * | 2022-09-07 | 2022-12-06 | Oppo广东移动通信有限公司 | 镜头测试方法、测试系统、控制装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116300129B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3374817B1 (en) | Autofocus system for a computational microscope | |
CN105744266B (zh) | 摄像模组的倾斜测量系统与测量方法 | |
US9830694B2 (en) | Multi-level image focus using a tunable lens in a machine vision inspection system | |
WO2018196303A1 (zh) | 多方位投影的投影仪标定方法及装置 | |
CN109859272B (zh) | 一种自动对焦双目摄像头标定方法及装置 | |
JP7227969B2 (ja) | 三次元再構成方法および三次元再構成装置 | |
CN102984530A (zh) | 图像处理系统及自动对焦方法 | |
CN103546692A (zh) | 一种实现一体化摄像机自动聚焦的方法及系统 | |
CN109615661A (zh) | 光场相机内参数标定装置及方法 | |
CN107976804B (zh) | 一种镜头光学系统的设计方法、装置、设备及存储介质 | |
CN111080705B (zh) | 一种自动对焦双目摄像头标定方法及装置 | |
WO2017149869A1 (ja) | 情報処理装置、方法、プログラム及びマルチカメラシステム | |
CN111445537B (zh) | 一种摄像机的标定方法及系统 | |
CN110612428B (zh) | 使用特征量的三维测量方法及其装置 | |
CN105301884A (zh) | 对多点参照图像识别进行自动调焦的方法及系统 | |
WO2021208603A1 (zh) | 显微镜自动对焦方法、显微镜系统、医疗设备和存储介质 | |
US20110069381A1 (en) | Spherical aberration correction for an optical microscope using a moving infinity-conjugate relay | |
CN115314635B (zh) | 用于离焦量确定的模型训练方法及装置 | |
JP2022175419A (ja) | 画像処理方法、画像処理装置、プログラム、学習済みモデルの製造方法、および画像処理システム | |
Gu et al. | Omni-nerf: neural radiance field from 360 image captures | |
CN116300129B (zh) | 光学镜头定心装置、图像获取装置及方法 | |
CN111292380B (zh) | 图像处理方法及装置 | |
CN113532274B (zh) | 光学影像测量设备、方法、存储介质和终端 | |
Michels et al. | Ray tracing-guided design of plenoptic cameras | |
CN108431660B (zh) | 范围优化的全光变焦 |
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 |