CN117634322B - 红外led的光斑参数优化方法及相关装置 - Google Patents
红外led的光斑参数优化方法及相关装置 Download PDFInfo
- Publication number
- CN117634322B CN117634322B CN202410104621.8A CN202410104621A CN117634322B CN 117634322 B CN117634322 B CN 117634322B CN 202410104621 A CN202410104621 A CN 202410104621A CN 117634322 B CN117634322 B CN 117634322B
- Authority
- CN
- China
- Prior art keywords
- light spot
- infrared led
- data
- parameter
- spot
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000013433 optimization analysis Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 29
- 238000013210 evaluation model Methods 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 230000002195 synergetic effect Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Optical Communication System (AREA)
Abstract
本发明涉及数据处理的技术领域,公开了一种红外LED的光斑参数优化方法及相关装置。所述红外LED的光斑参数优化方法包括:对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集;对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子。本发明以更准确地评估各个光斑参数的性能表现,从而实现更为有效的参数优化。基于性能指标评估结果的优化分析,本方法能够精确地确定最终的光斑优化参数集,有效提升红外LED的整体性能。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种红外LED的光斑参数优化方法及相关装置。
背景技术
红外LED(发光二极管)作为一种重要的光源,在许多领域中都有广泛的应用,如遥控技术、安全监控、医疗设备等。红外LED的效能在很大程度上取决于其光斑的特性,包括光斑的形状、分布和亮度等。因此,优化红外LED的光斑参数对于提升其整体性能至关重要。
目前,主要依赖于经验设计和标准测试方法来调整红外LED的光斑参数。这些方法通常涉及对LED的物理结构进行调整,比如改变LED的透镜设计或调整内部电子元件的布局,然后通过标准化的测试流程评估光斑质量。这种方法主要依赖于试错和迭代过程,往往效率不高,且难以精确控制光斑特性。现有技术的主要技术缺陷在于对红外LED光斑参数的调整和优化过程缺乏灵活性和自适应性。传统方法往往无法有效应对光斑参数之间的复杂相互作用,导致优化过程耗时且效果有限。此外,现有方法在处理多维度光斑特性方面的能力受限,难以精确地评估和优化光斑的形状、分布和亮度等综合特性。
因此,需要一种能够实现红外LED光斑参数的高效、精准调整和优化的方法。
发明内容
本发明提供了一种红外LED的光斑参数优化方法及相关装置,用于实现对红外LED光斑参数进行高效、精准的调整和优化。
本发明第一方面提供了一种红外LED的光斑参数优化方法,所述红外LED的光斑参数优化方法包括:
对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集;其中,第一光斑参数集中包括各个初始光斑参数对应的第一光斑参数;
对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子;其中,所述光斑适应度评估结果集中包括各个第一光斑参数对应的光斑适应度评估结果;
基于所述光斑参数自适应调节因子,构建红外LED光斑参数的非线性调整模型,基于构建的红外LED光斑参数的非线性调整模型,对第一光斑参数集进行调整,生成第二光斑参数集;其中,所述第二光斑参数集中包括各个第一光斑参数对应的第二光斑参数;
利用第二光斑参数集对红外LED进行测试,得到光斑测试数据,对所述光斑测试数据进行卷积处理,生成每个第二光斑参数对应的多维度光斑特性向量;其中,所述每个第二光斑参数对应的多维度光斑特性向量至少包括光斑的形状特征、分布特征、亮度特征;
将各个多维度光斑特性向量输入到训练后的光斑参数性能评估模型中,对每个第二光斑参数的性能指标进行评估,得到每个第二光斑参数的性能指标评估结果;其中,所述光斑参数性能评估模型经过提前训练得到;
基于所述每个第二光斑参数的性能指标评估结果,对第二光斑参数集进行优化分析,得到最终的红外LED光斑优化参数集。
可选的,在本发明第一方面的第一种实现方式中,所述对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集,包括:
通过预置的光源模型模拟红外LED发光特性,得到红外LED的多维度模拟数据;其中,所述红外LED的多维度模拟数据包括红外LED的光谱分布模拟数据、红外LED的辐射模式模拟数据及红外LED的发射角度模拟数据;
基于所述红外LED的多维度模拟数据,定义红外LED的发散角度,通过预置的高斯光束模型描述红外LED的发散性质,得到红外LED的第一数据;
基于所述红外LED的多维度模拟数据,定义光线从红外LED出射后在预设的光学系统中的传播路径,得到红外LED的第二数据;
基于所述红外LED的多维度模拟数据,定义红外LED的光学组件参数,控制光线折射角度,优化光斑形态和参数,得到红外LED的第三数据;
基于预设的优化算法,对第一数据、第二数据、第三数据进行优化和调整,生成第一光斑参数集。
可选的,在本发明第一方面的第二种实现方式中,所述光斑参数性能评估模型的训练过程,包括:
获取多维度训练数据集;其中,所述多维度训练数据集包括在各种环境亮度、温度和角度条件下的红外LED的光斑图像及红外LED的性能评价指标;
对所述多维度训练数据集进行特征提取,得到第一特征数据和第二特征数据;其中,所述第一特征数据基于红外LED的光斑图像的主成分数据,所述第二特征数据基于红外LED的性能评价指标的主成分数据;
获取一个多层次自适应深度学习网络架构;其中,所述多层次自适应深度学习网络架构包括初级特征感知层、中级特征联合层和高级特征决策层;
利用多层次自适应深度学习网络架构对第一特征数据和第二特征数据进行深入学习;
将所述第一特征数据和所述第二特征数据输入至所述初级特征感知层进行编码,生成目标特征编码向量;其中,所述目标特征编码向量用于对光斑的形态特征与红外LED的性能特征进行联合表示;
将所述目标特征编码向量输入至所述中级特征联合层进行解析,生成目标特征编码向量随环境变量动态变化的时间序列特征;
将所述目标特征编码向量与所述时间序列特征输入至所述高级特征决策层进行评估,得到所述时间序列特征对红外LED的光斑性能的协同影响数据集;
基于预设的自适应优化算法,对多层次自适应深度学习网络架构进行多次迭代优化和微调,直至多层次自适应深度学习网络架构输出的协同影响数据集达到预设的性能目标,得到训练后的光斑参数性能评估模型。
可选的,在本发明第一方面的第三种实现方式中,所述得到最终的红外LED光斑优化参数集的步骤之后,包括:
对最终的红外LED光斑优化参数集进行备份,生成备份数据;
利用预设的安全算法对备份数据进行初始加密,形成初始保护级别的加密备份数据;
应用预设的一级加密机制,对初始保护级别的加密备份数据执行第一轮加密处理,得到初级加密数据;
采用基于预设的一级加密机制的编码算法对初级加密数据进行编码处理,生成一级编码数据;
基于所述一级编码数据,从预设的加密机制数据库中匹配与一级加密机制不同的二级加密机制;其中,数据库中提前存储有根据所述一级编码数据从预设的加密机制数据库中匹配与一级加密机制不同的二级加密机制的映射关系;
根据选取出的二级加密机制,对一级编码数据执行第二轮加密处理,生二级加密数据;
将二级加密数据存储至控制中心平台的数据库中。
可选的,在本发明第一方面的第四种实现方式中,所述安全算法至少包括哈希函数算法、对称加密算法、数据签名算法。
本发明第二方面提供了一种红外LED的光斑参数优化装置,所述红外LED的光斑参数优化装置包括:
所述红外LED的光斑参数优化装置包括:
初始化模块,用于对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集;其中,第一光斑参数集中包括各个初始光斑参数对应的第一光斑参数;
调整模块,用于对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子;其中,所述光斑适应度评估结果集中包括各个第一光斑参数对应的光斑适应度评估结果;
构建模块,用于基于所述光斑参数自适应调节因子,构建红外LED光斑参数的非线性调整模型,基于构建的红外LED光斑参数的非线性调整模型,对第一光斑参数集进行调整,生成第二光斑参数集;其中,所述第二光斑参数集中包括各个第一光斑参数对应的第二光斑参数;
处理模块,用于利用第二光斑参数集对红外LED进行测试,得到光斑测试数据,对所述光斑测试数据进行卷积处理,生成每个第二光斑参数对应的多维度光斑特性向量;其中,所述每个第二光斑参数对应的多维度光斑特性向量至少包括光斑的形状特征、分布特征、亮度特征;
评估模块,用于将各个多维度光斑特性向量输入到训练后的光斑参数性能评估模型中,对每个第二光斑参数的性能指标进行评估,得到每个第二光斑参数的性能指标评估结果;其中,所述光斑参数性能评估模型经过提前训练得到;
分析模块,用于基于所述每个第二光斑参数的性能指标评估结果,对第二光斑参数集进行优化分析,得到最终的红外LED光斑优化参数集。
本发明第三方面提供了一种红外LED的光斑参数优化设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述红外LED的光斑参数优化设备执行上述的红外LED的光斑参数优化方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的红外LED的光斑参数优化方法。
本发明提供的技术方案中,有益效果:本发明提供一种红外LED的光斑参数优化方法及相关装置,通过对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集;对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子;基于所述光斑参数自适应调节因子,构建红外LED光斑参数的非线性调整模型,基于构建的红外LED光斑参数的非线性调整模型,对第一光斑参数集进行调整,生成第二光斑参数集;利用第二光斑参数集对红外LED进行测试,得到光斑测试数据,对所述光斑测试数据进行卷积处理,生成每个第二光斑参数对应的多维度光斑特性向量;将各个多维度光斑特性向量输入到训练后的光斑参数性能评估模型中,对每个第二光斑参数的性能指标进行评估,得到每个第二光斑参数的性能指标评估结果;基于所述每个第二光斑参数的性能指标评估结果,对第二光斑参数集进行优化分析,得到最终的红外LED光斑优化参数集。本发明通过光斑适应度评估和自适应调节因子的引入,使得光斑参数的调整能够根据实际性能反馈进行动态优化,从而提高调整过程的灵活性和效率。
通过采用非线性调整模型,本方法能够更好地处理光斑参数之间的复杂相互作用,实现更为精细和全面的光斑特性调整。利用卷积处理和多维度光斑特性向量,能够全面评估光斑的形状、分布和亮度特征,为光斑优化提供了更为全面的数据支持。通过将多维度光斑特性向量输入到训练后的性能评估模型中,可以更准确地评估各个光斑参数的性能表现,从而实现更为有效的参数优化。基于性能指标评估结果的优化分析,本方法能够精确地确定最终的光斑优化参数集,有效提升红外LED的整体性能。
附图说明
图1为本发明实施例中红外LED的光斑参数优化方法的一个实施例示意图;
图2为本发明实施例中红外LED的光斑参数优化装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种红外LED的光斑参数优化方法及相关装置。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中红外LED的光斑参数优化方法的一个实施例包括:
步骤101、对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集;其中,第一光斑参数集中包括各个初始光斑参数对应的第一光斑参数;
可以理解的是,本发明的执行主体可以为红外LED的光斑参数优化装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,步骤101的具体实现如下:
对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集:
对于红外LED发射的光束,初始光斑参数包括光强分布、光斑大小、发散角等。针对每个红外LED,利用光学器件模拟软件或者光学测试装置,对其初始光斑参数进行扫描和测量,获得光斑的空间分布特性和光束参数。
例如,使用光束成形器件(Beam Shaping Optics)对红外LED发散的光束进行整形,通过光学成像系统获取光束的强度分布、光斑大小和光斑形状等参数。通过这些测量数据,可以计算得出每个红外LED的初始光斑参数。
将这些初始光斑参数加以记录,形成第一光斑参数集,其中包括每个红外LED对应的第一光斑参数。
步骤102、对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子;其中,所述光斑适应度评估结果集中包括各个第一光斑参数对应的光斑适应度评估结果;
具体的,步骤102的具体实现如下:
对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集:
使用光学检测设备或成像分析系统对每个第一光斑参数进行适应度评估。适应度评估可以包括光斑的均匀性、峰值亮度、空间分布和与目标场景的匹配度等方面的指标。例如,使用探测器阵列对光斑进行扫描,获取光斑的强度分布,并结合目标场景的特性进行评估。
这些评估结果被整理成光斑适应度评估结果集,其中包括每个第一光斑参数对应的光斑适应度评估结果。该结果集反映了不同参数对光斑质量的影响,为后续调整提供了依据。
根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子:
利用优化算法,如遗传算法、模拟退火算法等,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子。这些调节因子可以用来自适应地调整红外LED的发光参数或光学器件的配置,以优化光斑的质量和适应目标场景。
步骤103、基于所述光斑参数自适应调节因子,构建红外LED光斑参数的非线性调整模型,基于构建的红外LED光斑参数的非线性调整模型,对第一光斑参数集进行调整,生成第二光斑参数集;其中,所述第二光斑参数集中包括各个第一光斑参数对应的第二光斑参数;
具体的,步骤103的具体实现如下:
基于光斑参数自适应调节因子,构建红外LED光斑参数的非线性调整模型:
利用数学建模方法,根据光斑参数自适应调节因子构建红外LED光斑参数的非线性调整模型。这个模型可以是基于因子的非线性函数关系,例如利用多项式拟合、神经网络模型等方法,将调节因子与光斑参数之间的复杂关系进行建模和描述。
例如,可以使用支持向量机(SVM)等机器学习方法,根据大量的实测光斑数据和对应的调节因子,建立光斑参数的非线性调整模型,以更加准确地预测光斑参数与调节因子之间的关系。
基于构建的红外LED光斑参数的非线性调整模型,对第一光斑参数集进行调整,生成第二光斑参数集:
利用构建的非线性调整模型,对第一光斑参数集中的每个光斑参数进行调整。根据预设的光斑参数自适应调节因子和构建的非线性调整模型,对每个初始光斑参数进行修正,得到调整后的第二光斑参数。
例如,根据模型对光斑大小、光斑位置和光斑形状等参数进行非线性调整,以使光斑更好地适应不同的观测场景和环境条件。
步骤104、利用第二光斑参数集对红外LED进行测试,得到光斑测试数据,对所述光斑测试数据进行卷积处理,生成每个第二光斑参数对应的多维度光斑特性向量;其中,所述每个第二光斑参数对应的多维度光斑特性向量至少包括光斑的形状特征、分布特征、亮度特征;
具体的,步骤104的具体实现如下:
利用第二光斑参数集对红外LED进行测试,得到光斑测试数据:
使用测试设备对红外LED进行测试,基于第二光斑参数集中的参数配置,利用高精度位置控制系统和光学成像设备等进行测试。测试过程中,记录光斑的强度分布、形状特征、边缘清晰度等数据,得到光斑测试数据集。
例如,可以利用高分辨率红外摄像头对红外LED发出的光斑进行成像,获取光斑的空间分布和强度信息。
对光斑测试数据进行卷积处理,生成每个第二光斑参数对应的多维度光斑特性向量:
对光斑测试数据进行卷积处理,提取光斑的形状特征、分布特征、亮度特征等多维度特性。通过图像处理和信号处理技术,将光斑的特性信息转化为多维度的特性向量。
例如,可以利用边缘检测算法提取光斑的轮廓形状,利用图像处理技术获取光斑的空间分布特性,同时利用光度计算得到光斑的亮度特征。
步骤105、将各个多维度光斑特性向量输入到训练后的光斑参数性能评估模型中,对每个第二光斑参数的性能指标进行评估,得到每个第二光斑参数的性能指标评估结果;其中,所述光斑参数性能评估模型经过提前训练得到;
具体的,步骤105的具体实现如下:
将各个多维度光斑特性向量输入到训练后的光斑参数性能评估模型中:
使用已提前进行训练的光斑参数性能评估模型,将每个多维度光斑特性向量输入到模型中。该模型可以是基于机器学习技术如支持向量机(SVM)、随机森林(RandomForest)等建立的性能评估模型,用于评估光斑参数的各项性能指标。
例如,可以利用深度学习的卷积神经网络(CNN)模型来训练光斑特性向量的性能评估模型,以此来捕获光斑特性与性能指标之间的复杂非线性关系。
对每个第二光斑参数的性能指标进行评估,得到每个第二光斑参数的性能指标评估结果:
根据模型的输出,对每个第二光斑参数的性能指标进行评估。性能指标可以包括光斑的分辨率、对比度、光滑度等参数,以及适应性、稳定性等综合指标。
例如,利用模型对光斑参数进行评估,得到各个第二光斑参数的性能评估结果,反映了不同光斑参数配置下的红外LED光斑性能表现。
步骤106、基于所述每个第二光斑参数的性能指标评估结果,对第二光斑参数集进行优化分析,得到最终的红外LED光斑优化参数集。
具体的,步骤106的具体实现如下:
基于所述每个第二光斑参数的性能指标评估结果,对第二光斑参数集进行优化分析:
根据每个第二光斑参数的性能指标评估结果,利用优化算法(如遗传算法、模拟退火算法等)对第二光斑参数集进行分析与优化。通过考虑各项性能指标的权衡和相互影响,寻找最优的第二光斑参数配置。
例如,可以将性能指标作为目标函数,利用多目标优化算法对性能指标进行综合考虑,得到不同参数配置下的性能优化结果。
得到最终的红外LED光斑优化参数集:
经过优化分析后,得到最终的红外LED光斑优化参数集,该参数集能够使得红外LED光斑在形状特征、分布特征、亮度特征等方面达到最优表现。
例如,根据优化分析结果得到最终的红外LED光斑优化参数集,其中包括针对不同应用场景的最佳光斑形状、尺寸、亮度调节等参数配置。
本发明实施例中红外LED的光斑参数优化方法的另一个实施例包括:
所述对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集,包括:
通过预置的光源模型模拟红外LED发光特性,得到红外LED的多维度模拟数据;其中,所述红外LED的多维度模拟数据包括红外LED的光谱分布模拟数据、红外LED的辐射模式模拟数据及红外LED的发射角度模拟数据;
基于所述红外LED的多维度模拟数据,定义红外LED的发散角度,通过预置的高斯光束模型描述红外LED的发散性质,得到红外LED的第一数据;
基于所述红外LED的多维度模拟数据,定义光线从红外LED出射后在预设的光学系统中的传播路径,得到红外LED的第二数据;
基于所述红外LED的多维度模拟数据,定义红外LED的光学组件参数,控制光线折射角度,优化光斑形态和参数,得到红外LED的第三数据;
基于预设的优化算法,对第一数据、第二数据、第三数据进行优化和调整,生成第一光斑参数集。
具体的,重要术语的解释:
多维度模拟数据:模拟数据考虑了多个维度或参数,这里指的是光谱分布、辐射模式、发射角度等在多个属性上的模拟结果。
光谱分布模拟数据:描述红外LED发出光线的光谱组成和分布特征的数据。
辐射模式模拟数据:描述红外LED发出光线的空间发散特性,比如光的方向性、强度分布等。
发射角度模拟数据:描述红外LED发出的光线相对于LED表面的发射角度。
发散角度:描述光源发出的光束从初始射线发散出去的角度范围。
高斯光束模型:一种描述光束强度分布情况的数学模型,通常用于描述光波在空间上传播时强度的变化。
第一数据、第二数据、第三数据:根据红外LED的多维度模拟数据生成,并用于优化光斑参数的过程中得到的一组参数数据。
光线传播路径:描述光线从源头到达目的地过程中经过的路线。
光学组件参数:描述构成光学系统的各部件的参数,如透镜的形状、曲率半径、材料的折射率等。
以下是该方案的详细实施步骤:
多维度模拟红外LED的发光特性:
利用预置的光源模型模拟红外LED的发光特性,生成多维度模拟数据。这包括红外LED的光谱分布、辐射模式及发射角度的模拟数据。
定义红外LED的发散角度:
基于模拟数据,确定红外LED的发散角度。运用高斯光束模型,描述LED的发散性质,得到有关光束强度分布的第一数据。
模拟光线传播路径:
根据红外LED的多维度模拟数据,定义光线在预设光学系统中的传播路径。此步骤生成关于光线传播效率和路径特性的第二数据。
定义光学组件参数:
利用模拟数据,定义红外LED的光学组件参数,如透镜的形状和折射率等。通过控制折射角度,优化光斑形态和参数,生成第三数据。
优化光斑参数:
应用预设的优化算法对第一数据、第二数据和第三数据进行分析和优化,以达到最佳的光斑特性,如光斑大小、形状和均匀性等。这个过程中生成的是最终的光斑参数集。
本发明实施例中,有益效果:本发明实施例能够精确控制红外LED的光斑特性,这对于提高光学系统在如安全监控、传感器技术、医疗成像等领域的应用效果至关重要。通过优化光斑参数,可以提高光学系统的精度和效率,从而在各种应用中实现更高的性能和可靠性。
本发明实施例中红外LED的光斑参数优化方法的另一个实施例包括:所述光斑参数性能评估模型的训练过程,包括:
获取多维度训练数据集;其中,所述多维度训练数据集包括在各种环境亮度、温度和角度条件下的红外LED的光斑图像及红外LED的性能评价指标;
对所述多维度训练数据集进行特征提取,得到第一特征数据和第二特征数据;其中,所述第一特征数据基于红外LED的光斑图像的主成分数据,所述第二特征数据基于红外LED的性能评价指标的主成分数据;
获取一个多层次自适应深度学习网络架构;其中,所述多层次自适应深度学习网络架构包括初级特征感知层、中级特征联合层和高级特征决策层;
利用多层次自适应深度学习网络架构对第一特征数据和第二特征数据进行深入学习;
将所述第一特征数据和所述第二特征数据输入至所述初级特征感知层进行编码,生成目标特征编码向量;其中,所述目标特征编码向量用于对光斑的形态特征与红外LED的性能特征进行联合表示;
将所述目标特征编码向量输入至所述中级特征联合层进行解析,生成目标特征编码向量随环境变量动态变化的时间序列特征;
将所述目标特征编码向量与所述时间序列特征输入至所述高级特征决策层进行评估,得到所述时间序列特征对红外LED的光斑性能的协同影响数据集;
基于预设的自适应优化算法,对多层次自适应深度学习网络架构进行多次迭代优化和微调,直至多层次自适应深度学习网络架构输出的协同影响数据集达到预设的性能目标,得到训练后的光斑参数性能评估模型。
具体的,重要术语的解释:
光斑参数性能评估模型:一种深度学习模型,用来评估红外LED产生的光斑参数(如大小、形状、均匀性等)对整体性能的影响。
多维度训练数据集:包含从多个维度收集的数据,例如在不同环境亮度、温度和角度条件下的红外LED光斑图像及相关性能评价指标。
第一特征数据和第二特征数据:分别表示基于红外LED光斑图像的主要成分和基于红外LED性能评价指标的主要成分得到的特征数据。
多层次自适应深度学习网络架构:由多层网络层组成的深度学习模型,各层分别对应不同层级的特征处理和决策过程,且能够根据输入数据自适应调整。
初级特征感知层:深度学习模型中的层级,主要用于感知输入数据的基础特征。
中级特征联合层:深度学习模型中的层级,用于将初级层提取的特征进行进一步的组合和解析。
高级特征决策层:深度学习模型中的层级,用于根据解析的特征作出最终的判断或决策。
目标特征编码向量:一个包含了光斑形态特征与性能特征的多维向量,通过初级特征感知层编码得到。
时间序列特征:一系列按时间排序的数据点,反映了目标特征随时间变化的模式。
协同影响数据集:包含了时间序列特征与环境变量共同作用于红外LED的光斑性能所产生影响的综合数据集。
自适应优化算法:一种能够根据性能反馈自我调整参数的优化算法,用于改善模型的性能。
迭代优化和微调:重复的优化过程,每次迭代都微调模型参数,以改善性能直至达到预设目标。
训练后的光斑参数性能评估模型:通过多次迭代优化和微调后,得到的能够准确评估红外LED光斑属性对性能影响的已训练模型。
以下是该方案的详细实施步骤:
收集多维度训练数据集:
在多种环境条件(不同亮度、温度、角度)下,收集红外LED的光斑图像及相应的性能评价指标,形成多维度训练数据集。
进行特征提取:
对多维度训练数据集进行特征提取,分别提取出基于光斑图像的第一特征数据和基于性能评价指标的第二特征数据。应用主成分分析(PCA)技术进行维度缩减以获得关键特征。
构建多层次自适应深度学习网络架构:
设计一个深度学习模型,包含初级特征感知层(用于识别低层特征),中级特征联合层(用于整合初级层特征),以及高级特征决策层(用于做出性能评估决策)。
进行深度学习:
使模型学习第一特征数据和第二特征数据,捕获光斑图像与性能指标间的复杂关系。
编码特征数据:
将特征数据输入到初级特征感知层,生成包含光斑形态和性能特征的目标特征编码向量。
解析时序特征:
将目标特征编码向量送入中级特征联合层,解析其随环境变量的动态变化,生成时间序列特征。
评估光斑性能:
结合时间序列特征和目标特征编码向量,通过高级特征决策层评估光斑性能。生成反映光斑性能随环境变化影响的数据集。
迭代优化和微调:
使用自适应优化算法对深度学习模型进行多次迭代优化和微调。调整网络参数以提高性能评估的准确性,直至满足预设的性能目标。
获取训练后的模型:
经过优化调整后,模型能够准确评估光斑参数在不同环境条件下对红外LED性能的影响。训练后的模型可以用于指导红外LED光斑的设计和制造,确保在实际使用条件下具有最优性能。
本发明实施例中,有益效果:本发明实施例可以提高红外LED在各种应用场景中的性能表现,同时也能够降低开发过程中的试错成本,加快生产周期。利用深度学习模型对LED光斑性能进行全面的评估,考虑了多个影响因素,增加了评估的准确性与可靠性。通过训练数据集覆盖各种环境条件,模型能够预测和优化红外LED在不同使用场景下的性能,增强产品的环境适应性。训练后的模型可以直接用于指导光斑的设计参数调整,以获得更好的性能指标,优化设计流程。本方案提供的深度学习网络架构具有很好的灵活性,可适应新的数据和条件,且容易扩展以适应未来更复杂的应用场景。
本发明实施例中红外LED的光斑参数优化方法的另一个实施例包括:所述得到最终的红外LED光斑优化参数集的步骤之后,包括:
对最终的红外LED光斑优化参数集进行备份,生成备份数据;
利用预设的安全算法对备份数据进行初始加密,形成初始保护级别的加密备份数据;
应用预设的一级加密机制,对初始保护级别的加密备份数据执行第一轮加密处理,得到初级加密数据;
采用基于预设的一级加密机制的编码算法对初级加密数据进行编码处理,生成一级编码数据;
基于所述一级编码数据,从预设的加密机制数据库中匹配与一级加密机制不同的二级加密机制;其中,数据库中提前存储有根据所述一级编码数据从预设的加密机制数据库中匹配与一级加密机制不同的二级加密机制的映射关系;
根据选取出的二级加密机制,对一级编码数据执行第二轮加密处理,生二级加密数据;
将二级加密数据存储至控制中心平台的数据库中。
具体的,重要的术语解释:
红外LED光斑优化参数集:这是一组调整过后的参数,用于优化红外LED发射的光斑,以获取最佳性能。
备份数据:为了避免数据丢失,将重要信息的副本存储在安全的位置。
初始加密:对数据首次进行的加密操作,旨在提供一个基本的保护级别。
初始保护级别的加密备份数据:通过初始加密得到的数据,这是数据备份的一个加密状态,保护数据不被未授权访问。
一级加密机制:这是预设的初始加密步骤所使用的算法或方法,对数据执行第一轮加密处理。
第一轮加密处理:使用预设的一级加密机制对数据进行的首轮加密操作。
一级编码数据:基于一级加密后,进一步使用编码算法处理过的数据。
二级加密机制:这是一种与一级加密机制不同的加密算法或方法,用来在一个已加密的数据集上执行附加的安全层,从而达到更高保护级别的目的。
第二轮加密处理:在第一轮加密处理的基础上,采用二级加密机制对一级编码数据进行进一步的加密。
加密机制数据库:存储有各种加密机制以及与一级编码数据相对应的二级加密机制映射关系的数据库。
二级加密数据:经过二级加密机制处理得到的数据,它提供了针对初级加密数据的进一步加密保护。
控制中心平台:一个集中式的平台,用于管理和存储重要数据,包括经过多重加密后的数据。
区别和联系:
一级加密机制与二级加密机制的联系在于两者都是用于保护数据安全的算法或方法,它们共同构成了一个分层的加密策略,增强数据保护。不同之处在于二级加密机制是在一级加密基础上额外增加的安全措施,通常选用不同的加密算法,以确保即使一级加密被破解,数据也仍然有一层保护。
第一轮加密处理和第二轮加密处理的关系是顺序依赖的。第一轮加密为基础加密步骤,而第二轮加密则是建立在第一轮加密基础之上的附加安全层。第二轮加密处理的目的是为了使得即使攻击者通过某种方式突破了一级加密,二级加密仍然能够保护数据的安全性。
根据提供的信息,以下是针对红外LED光斑优化参数集的数据保护和加密的一个具体实施例:
1. 红外LED光斑优化参数集的获取与备份
步骤1:首先,通过一系列的测试和测量过程,获取红外LED的最优光斑参数集。这些参数可能包括LED的功率、发射角度、波长等。
步骤2:将得到的最终红外LED光斑优化参数集进行备份,生成备份数据。这一步骤确保在原始数据丢失或损坏时,能够恢复至当前最优状态。
2. 数据加密与保护
步骤3:使用预设的安全算法对备份数据进行初始加密,形成初始保护级别的加密备份数据。这个步骤是为了确保备份数据的基本安全。
步骤4:应用预设的一级加密机制,对初始保护级别的加密备份数据执行第一轮加密处理,从而得到初级加密数据。这个一级加密机制可能是一个常见的加密标准,如AES或RSA。
步骤5:采用基于预设的一级加密机制的编码算法对初级加密数据进行编码处理,生成一级编码数据。这一步骤进一步复杂化了数据,使其更难以被破解。
3. 高级加密流程
步骤6:基于所述一级编码数据,从预设的加密机制数据库中匹配与一级加密机制不同的二级加密机制。这个数据库事先存储了不同的加密机制及其映射关系,以确保为每种一级加密数据选择一个最合适的二级加密机制。
步骤7:根据选取的二级加密机制,对一级编码数据执行第二轮加密处理,从而产生二级加密数据。这一步骤的目的是提供一个额外的安全层,使得即使一级加密被破解,数据仍然得到保护。
4. 数据存储与管理
步骤8:最后,将处理好的二级加密数据存储至控制中心平台的数据库中。这个控制中心平台不仅提供安全的数据存储环境,还可能包含用于监控和管理数据安全的工具和协议。
本发明实施例中,有益效果:本发明实施例通过两级加密机制,该方案极大地增强了数据的安全性。即使一级加密被破解,二级加密仍然保护数据不被非法访问。多层次的加密和编码处理使得数据即便在不安全环境中传输或存储,也能保持高度的保密性。通过对重要的红外LED光斑优化参数集进行备份,并对备份数据实施加密处理,即使原始数据丢失或损坏,也能够有效地恢复。通过使用预设的加密机制数据库,该方案能够根据不同的数据特征和安全需求,灵活地选择合适的加密机制,提高了方案的适应性和效率。将加密数据存储在控制中心平台的数据库中,有助于集中管理和监控数据的安全状态,同时便于进行数据的更新和维护。
本发明实施例中红外LED的光斑参数优化方法的另一个实施例包括:所述安全算法至少包括哈希函数算法、对称加密算法、数据签名算法。
上面对本发明实施例中红外LED的光斑参数优化方法进行了描述,下面对本发明实施例中红外LED的光斑参数优化装置进行描述,请参阅图2,本发明实施例中红外LED的光斑参数优化装置一个实施例包括:
所述红外LED的光斑参数优化装置包括:
初始化模块,用于对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集;其中,第一光斑参数集中包括各个初始光斑参数对应的第一光斑参数;
调整模块,用于对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子;其中,所述光斑适应度评估结果集中包括各个第一光斑参数对应的光斑适应度评估结果;
构建模块,用于基于所述光斑参数自适应调节因子,构建红外LED光斑参数的非线性调整模型,基于构建的红外LED光斑参数的非线性调整模型,对第一光斑参数集进行调整,生成第二光斑参数集;其中,所述第二光斑参数集中包括各个第一光斑参数对应的第二光斑参数;
处理模块,用于利用第二光斑参数集对红外LED进行测试,得到光斑测试数据,对所述光斑测试数据进行卷积处理,生成每个第二光斑参数对应的多维度光斑特性向量;其中,所述每个第二光斑参数对应的多维度光斑特性向量至少包括光斑的形状特征、分布特征、亮度特征;
评估模块,用于将各个多维度光斑特性向量输入到训练后的光斑参数性能评估模型中,对每个第二光斑参数的性能指标进行评估,得到每个第二光斑参数的性能指标评估结果;其中,所述光斑参数性能评估模型经过提前训练得到;
分析模块,用于基于所述每个第二光斑参数的性能指标评估结果,对第二光斑参数集进行优化分析,得到最终的红外LED光斑优化参数集。
本发明还提供一种红外LED的光斑参数优化设备,所述红外LED的光斑参数优化设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述红外LED的光斑参数优化方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述红外LED的光斑参数优化方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种红外LED的光斑参数优化方法,其特征在于,包括以下步骤:
对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集;其中,第一光斑参数集中包括各个初始光斑参数对应的第一光斑参数;
对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子;其中,所述光斑适应度评估结果集中包括各个第一光斑参数对应的光斑适应度评估结果;
基于所述光斑参数自适应调节因子,构建红外LED光斑参数的非线性调整模型,基于构建的红外LED光斑参数的非线性调整模型,对第一光斑参数集进行调整,生成第二光斑参数集;其中,所述第二光斑参数集中包括各个第一光斑参数对应的第二光斑参数;
利用第二光斑参数集对红外LED进行测试,得到光斑测试数据,对所述光斑测试数据进行卷积处理,生成每个第二光斑参数对应的多维度光斑特性向量;其中,所述每个第二光斑参数对应的多维度光斑特性向量至少包括光斑的形状特征、分布特征、亮度特征;
将各个多维度光斑特性向量输入到训练后的光斑参数性能评估模型中,对每个第二光斑参数的性能指标进行评估,得到每个第二光斑参数的性能指标评估结果;其中,所述光斑参数性能评估模型经过提前训练得到;
基于所述每个第二光斑参数的性能指标评估结果,对第二光斑参数集进行优化分析,得到最终的红外LED光斑优化参数集。
2.根据权利要求1所述的红外LED的光斑参数优化方法,其特征在于,所述对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集,包括:
通过预置的光源模型模拟红外LED发光特性,得到红外LED的多维度模拟数据;其中,所述红外LED的多维度模拟数据包括红外LED的光谱分布模拟数据、红外LED的辐射模式模拟数据及红外LED的发射角度模拟数据;
基于所述红外LED的多维度模拟数据,定义红外LED的发散角度,通过预置的高斯光束模型描述红外LED的发散性质,得到红外LED的第一数据;
基于所述红外LED的多维度模拟数据,定义光线从红外LED出射后在预设的光学系统中的传播路径,得到红外LED的第二数据;
基于所述红外LED的多维度模拟数据,定义红外LED的光学组件参数,控制光线折射角度,优化光斑形态和参数,得到红外LED的第三数据;
基于预设的优化算法,对第一数据、第二数据、第三数据进行优化和调整,生成第一光斑参数集。
3.根据权利要求1所述的红外LED的光斑参数优化方法,其特征在于,所述光斑参数性能评估模型的训练过程,包括:
获取多维度训练数据集;其中,所述多维度训练数据集包括在各种环境亮度、温度和角度条件下的红外LED的光斑图像及红外LED的性能评价指标;
对所述多维度训练数据集进行特征提取,得到第一特征数据和第二特征数据;其中,所述第一特征数据基于红外LED的光斑图像的主成分数据,所述第二特征数据基于红外LED的性能评价指标的主成分数据;
获取一个多层次自适应深度学习网络架构;其中,所述多层次自适应深度学习网络架构包括初级特征感知层、中级特征联合层和高级特征决策层;
利用多层次自适应深度学习网络架构对第一特征数据和第二特征数据进行深入学习;
将所述第一特征数据和所述第二特征数据输入至所述初级特征感知层进行编码,生成目标特征编码向量;其中,所述目标特征编码向量用于对光斑的形态特征与红外LED的性能特征进行联合表示;
将所述目标特征编码向量输入至所述中级特征联合层进行解析,生成目标特征编码向量随环境变量动态变化的时间序列特征;
将所述目标特征编码向量与所述时间序列特征输入至所述高级特征决策层进行评估,得到所述时间序列特征对红外LED的光斑性能的协同影响数据集;
基于预设的自适应优化算法,对多层次自适应深度学习网络架构进行多次迭代优化和微调,直至多层次自适应深度学习网络架构输出的协同影响数据集达到预设的性能目标,得到训练后的光斑参数性能评估模型。
4.根据权利要求1所述的红外LED的光斑参数优化方法,其特征在于,所述得到最终的红外LED光斑优化参数集的步骤之后,包括:
对最终的红外LED光斑优化参数集进行备份,生成备份数据;
利用预设的安全算法对备份数据进行初始加密,形成初始保护级别的加密备份数据;
应用预设的一级加密机制,对初始保护级别的加密备份数据执行第一轮加密处理,得到初级加密数据;
采用基于预设的一级加密机制的编码算法对初级加密数据进行编码处理,生成一级编码数据;
基于所述一级编码数据,从预设的加密机制数据库中匹配与一级加密机制不同的二级加密机制;其中,数据库中提前存储有根据所述一级编码数据从预设的加密机制数据库中匹配与一级加密机制不同的二级加密机制的映射关系;
根据选取出的二级加密机制,对一级编码数据执行第二轮加密处理,生二级加密数据;
将二级加密数据存储至控制中心平台的数据库中。
5.根据权利要求4所述的红外LED的光斑参数优化方法,其特征在于,
所述安全算法至少包括哈希函数算法、对称加密算法、数据签名算法。
6.一种红外LED的光斑参数优化装置,其特征在于,所述红外LED的光斑参数优化装置包括:
初始化模块,用于对红外LED的每个初始光斑参数进行初始化,生成第一光斑参数集;其中,第一光斑参数集中包括各个初始光斑参数对应的第一光斑参数;
调整模块,用于对各个第一光斑参数分别进行光斑适应度评估,得到光斑适应度评估结果集,根据光斑适应度评估结果集动态调整预设的光斑参数调节因子,得到光斑参数自适应调节因子;其中,所述光斑适应度评估结果集中包括各个第一光斑参数对应的光斑适应度评估结果;
构建模块,用于基于所述光斑参数自适应调节因子,构建红外LED光斑参数的非线性调整模型,基于构建的红外LED光斑参数的非线性调整模型,对第一光斑参数集进行调整,生成第二光斑参数集;其中,所述第二光斑参数集中包括各个第一光斑参数对应的第二光斑参数;
处理模块,用于利用第二光斑参数集对红外LED进行测试,得到光斑测试数据,对所述光斑测试数据进行卷积处理,生成每个第二光斑参数对应的多维度光斑特性向量;其中,所述每个第二光斑参数对应的多维度光斑特性向量至少包括光斑的形状特征、分布特征、亮度特征;
评估模块,用于将各个多维度光斑特性向量输入到训练后的光斑参数性能评估模型中,对每个第二光斑参数的性能指标进行评估,得到每个第二光斑参数的性能指标评估结果;其中,所述光斑参数性能评估模型经过提前训练得到;
分析模块,用于基于所述每个第二光斑参数的性能指标评估结果,对第二光斑参数集进行优化分析,得到最终的红外LED光斑优化参数集。
7.一种红外LED的光斑参数优化设备,其特征在于,所述红外LED的光斑参数优化设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述红外LED的光斑参数优化设备执行如权利要求1-5中任一项所述的红外LED的光斑参数优化方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的红外LED的光斑参数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410104621.8A CN117634322B (zh) | 2024-01-25 | 2024-01-25 | 红外led的光斑参数优化方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410104621.8A CN117634322B (zh) | 2024-01-25 | 2024-01-25 | 红外led的光斑参数优化方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117634322A CN117634322A (zh) | 2024-03-01 |
CN117634322B true CN117634322B (zh) | 2024-04-02 |
Family
ID=90032502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410104621.8A Active CN117634322B (zh) | 2024-01-25 | 2024-01-25 | 红外led的光斑参数优化方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634322B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101202015A (zh) * | 2007-08-22 | 2008-06-18 | 深圳市同洲电子股份有限公司 | 一种用于led亮度校正的亮度数据获取方法及其设备 |
JP2015132866A (ja) * | 2014-01-09 | 2015-07-23 | 日立マクセル株式会社 | 光線モデル形成方法、及び、それを用いた照明器具設計支援装置 |
CN113935948A (zh) * | 2021-09-10 | 2022-01-14 | 南京邮电大学 | 光栅图像目标定位优化、波长特性分析方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI439676B (zh) * | 2012-03-29 | 2014-06-01 | Nat Applied Res Laboratories | An LED white light quality detection method and device |
-
2024
- 2024-01-25 CN CN202410104621.8A patent/CN117634322B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101202015A (zh) * | 2007-08-22 | 2008-06-18 | 深圳市同洲电子股份有限公司 | 一种用于led亮度校正的亮度数据获取方法及其设备 |
JP2015132866A (ja) * | 2014-01-09 | 2015-07-23 | 日立マクセル株式会社 | 光線モデル形成方法、及び、それを用いた照明器具設計支援装置 |
CN113935948A (zh) * | 2021-09-10 | 2022-01-14 | 南京邮电大学 | 光栅图像目标定位优化、波长特性分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
LED近场光学模型与直下式背光源透镜的设计优化;钱可元;;光学学报;20150510(05);第0522001-1-0522001-6页 * |
Thermal simulation and optimization design on a high-power LED spot lamp;Yu Gui-ying 等;Optoelectronics Letters;20111231;第117-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117634322A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martinez-Moyano et al. | A behavioral theory of insider-threat risks: A system dynamics approach | |
US8270719B2 (en) | Gem pattern matching algorithm to determine the percentage match of a target gem pattern to a database of gem patterns | |
CN111787011B (zh) | 一种信息系统安全威胁智能分析预警系统、方法及存储介质 | |
EP3734508A1 (en) | Classification model for controlling a manufacturing process | |
US20220245048A1 (en) | System and methods for generating fault indications for an additive manufacturing process based on a probabilistic comparison of the outputs of multiple process models to measured sensor data | |
CN117634322B (zh) | 红外led的光斑参数优化方法及相关装置 | |
Martineau et al. | Neural network architectures and feature extraction for lumber production prediction | |
Hintersdorf et al. | To trust or not to trust prediction scores for membership inference attacks | |
KR100524649B1 (ko) | 정보 자산의 위험 분석 시스템 | |
Ezeme et al. | An imputation-based augmented anomaly detection from large traces of operating system events | |
JP4711131B2 (ja) | 画素群パラメータ算出方法及び画素群パラメータ算出装置 | |
Atoum et al. | A classification scheme for cybersecurity models | |
KR20230121571A (ko) | 머신 러닝 시스템에 대한 적대적 패치들을 결정하는 디바이스 및 방법 | |
García-Gutiérrez et al. | A comparative study between two regression methods on LiDAR data: A case study | |
CN112989339B (zh) | 一种基于机器学习的gcc编译器恶意代码入侵检测方法 | |
Zhai et al. | Information integration of force sensing and machine vision for in‐shell shrivelled walnut detection based on the golden‐section search optimal discrimination threshold | |
US20200389482A1 (en) | Software application for continually assessing, processing, and remediating cyber-risk in real time | |
Brooks et al. | Atmospheric simulation using a liquid crystal wavefront-controlling device | |
CN117993723B (zh) | 基于数据一体化的业务流程信息系统及运行方法 | |
US20220076148A1 (en) | Information processing device and information processing method | |
Wong et al. | Learning System Security Compliance for Banking | |
CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
CN118051949B (zh) | 基于ai的平台内容安全巡检方法、装置及存储介质 | |
Jahaj et al. | Testing Photometric Stereo Applications | |
Jain et al. | Fake image detection using machine learning |
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 |