CN117977356A - 用于提高大孔径激光器光束质量的装置和方法 - Google Patents
用于提高大孔径激光器光束质量的装置和方法 Download PDFInfo
- Publication number
- CN117977356A CN117977356A CN202410382679.9A CN202410382679A CN117977356A CN 117977356 A CN117977356 A CN 117977356A CN 202410382679 A CN202410382679 A CN 202410382679A CN 117977356 A CN117977356 A CN 117977356A
- Authority
- CN
- China
- Prior art keywords
- distortion
- wavefront
- wave
- phase
- feature map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims description 70
- 238000012512 characterization method Methods 0.000 claims description 61
- 230000004927 fusion Effects 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 32
- 238000005728 strengthening Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 206010010071 Coma Diseases 0.000 claims description 6
- 230000004075 alteration Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 201000009310 astigmatism Diseases 0.000 claims description 5
- 239000003623 enhancer Substances 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 10
- 230000021615 conjugation Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本申请公开了一种用于提高大孔径激光器光束质量的装置和方法,其使用波前传感器采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;使用畸变模式识别器基于所述激光光束的所述波前相位数据和所述波前畸变数据识别波前畸变模式;使用相位共轭镜根据所述激光光束的所述波前畸变数据和所述波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和使用光束组合器将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。这样,可以识别和分类波前畸变模式,从而根据不同的波前畸变模式来提高装置对不同类型畸变的校正效率和质量。
Description
技术领域
本申请涉及大孔径激光器技术领域,尤其涉及一种用于提高大孔径激光器光束质量的装置和方法。
背景技术
大孔径激光器在激光通信、激光雷达、激光加工等领域有着广泛的应用。然而,由于大孔径激光器发出的光束可能存在波前畸变,这会导致光束质量下降,影响激光器的性能和应用效果。因此,在大孔径激光器的应用中,光束质量的提高对于提升激光器的输出性能至关重要。但是,传统的光束质量改善方法往往依赖于机械调整或光学元件的替换,这些方法不仅成本高昂,而且效率低下。
因此,期望一种优化的用于提高大孔径激光器光束质量的装置。
发明内容
本申请提供一种用于提高大孔径激光器光束质量的装置和方法,其使用波前传感器采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;使用畸变模式识别器基于所述激光光束的所述波前相位数据和所述波前畸变数据识别波前畸变模式;使用相位共轭镜根据所述激光光束的所述波前畸变数据和所述波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和使用光束组合器将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。这样,可以识别和分类波前畸变模式,从而根据不同的波前畸变模式来提高装置对不同类型畸变的校正效率和质量。
本申请还提供了一种用于提高大孔径激光器光束质量的装置,其包括:激光器放大器和光束整形器,其特征在于,所述光束整形器包括波前传感器、畸变模式识别器、相位共轭镜和光束组合器;所述波前传感器用于采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;所述畸变模式识别器用于基于所述激光光束的波前相位数据和波前畸变数据识别波前畸变模式;所述相位共轭镜用于根据所述激光光束的波前畸变数据和波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和所述光束组合器用于将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。
在上述用于提高大孔径激光器光束质量的装置中,所述畸变模式识别器,包括:波前数据采集模块,用于获取由所述波前传感器采集的待优化激光光束的波前相位数据的序列和波前畸变数据的序列;波前数据整合模块,用于将所述波前相位数据的序列和所述波前畸变数据的序列按照采集的时间维度排列为波前相位时序输入向量和波前畸变时序输入向量;向量-图像转换模块,用于将所述波前相位时序输入向量和所述波前畸变时序输入向量通过向量-图像转换器以得到波前相位时序图和波前畸变时序图;小波变换模块,用于将所述波前相位时序图和所述波前畸变时序图进行小波变换以得到波前相位小波时序图和波前畸变小波时序图;波前时序语义特征提取模块,用于通过基于深度神经网络模的时序语义特征提取器分别对所述波前相位小波时序图和所述波前畸变小波时序图进行特征提取以得到波前相位小波时序语义特征图和波前畸变小波时序语义特征图;波前多视角语义共享模块,用于将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图进行波前多视角语义共享以得到波前畸变表征特征图;波前畸变特征强化模块,用于将所述波前畸变表征特征图通过基于多维度交互关注网络的波前畸变强化器以得到波前畸变强化表征特征图作为波前畸变特征;波前畸变模式检测模块,用于基于所述波前畸变特征,确定所述待优化激光光束的波前畸变模式。
在上述用于提高大孔径激光器光束质量的装置中,所述深度神经网络模型为卷积神经网络模型。
在上述用于提高大孔径激光器光束质量的装置中,所述波前多视角语义共享模块,用于:将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图通过波前多视角语义共享网络以得到所述波前畸变表征特征图。
在上述用于提高大孔径激光器光束质量的装置中,所述波前多视角语义共享模块,包括:全局均值池化单元,用于将所述波前相位小波时序语义特征图中沿通道维度的各个特征矩阵进行全局均值池化处理以得到波前相位小波时序语义池化特征向量;全连接编码单元,用于将所述波前相位小波时序语义池化特征向量通过全连接层以对所述波前相位小波时序语义池化特征向量进行全连接编码以得到波前相位小波时序语义全连接特征向量;加权融合单元,用于将所述波前相位小波时序语义全连接特征向量和所述波前畸变小波时序语义特征图进行基于通道维度的加权融合以得到融合特征图;特征图语义融合单元,用于将所述融合特征图和所述波前相位小波时序语义特征图进行融合以得到所述波前畸变表征特征图。
在上述用于提高大孔径激光器光束质量的装置中,所述波前畸变特征强化模块,用于:将所述波前畸变表征特征图通过所述基于多维度交互关注网络的波前畸变强化器以如下多维度交互关注公式进行处理以得到所述波前畸变强化表征特征图;其中,所述多维度交互关注公式为:;其中,/>为所述波前畸变表征特征图,表示1×1的卷积核,/>表示7×7的卷积核,/>表示卷积操作,/>表示/>函数,/>表示Sigmoid函数,/>为第一权重矩阵,/>表示哈达玛积,/>为第一注意力特征图,/>为所述波前畸变表征特征图沿宽度维度进行旋转得到的第一旋转特征图,/>为第二权重矩阵,/>表示转置变换,/>为第二注意力特征图,/>为所述波前畸变表征特征图沿高度维度进行旋转得到的第二旋转特征图, />为第三权重矩阵,/>为第三注意力特征图,/>表示加和平均函数,/>为所述波前畸变强化表征特征图。
在上述用于提高大孔径激光器光束质量的装置中,所述波前畸变模式检测模块,包括:波前畸变特征优化单元,用于对所述波前畸变强化表征特征图进行特征优化以得到优化后波前畸变强化表征特征图;波前畸变模式识别单元,用于将所述优化后波前畸变强化表征特征图通过基于分类器的波前畸变模式识别器以得到识别结果,所述识别结果用于表示所述待优化激光光束的波前畸变模式。
在上述用于提高大孔径激光器光束质量的装置中,所述波前畸变特征优化单元,包括:特征融合校正子单元,用于对所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图进行优化融合以得到校正特征图;特征融合优化子单元,用于将所述校正特征图与所述波前畸变表征特征图进行融合以得到所述优化后波前畸变表征特征图。
在上述用于提高大孔径激光器光束质量的装置中,所述波前畸变模式为倾斜、聚焦、散光、球面像差或彗差。
本申请还提供了一种用于提高大孔径激光器光束质量的方法,其包括:使用波前传感器采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;使用畸变模式识别器基于所述激光光束的所述波前相位数据和所述波前畸变数据识别波前畸变模式;使用相位共轭镜根据所述激光光束的所述波前畸变数据和所述波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和使用光束组合器将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。
与现有技术相比,本申请提供的用于提高大孔径激光器光束质量的装置和方法,其使用波前传感器采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;使用畸变模式识别器基于所述激光光束的所述波前相位数据和所述波前畸变数据识别波前畸变模式;使用相位共轭镜根据所述激光光束的所述波前畸变数据和所述波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和使用光束组合器将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。这样,可以识别和分类波前畸变模式,从而根据不同的波前畸变模式来提高装置对不同类型畸变的校正效率和质量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在附图中:图1为本申请实施例中提供的一种用于提高大孔径激光器光束质量的装置的框图。
图2为本申请实施例中提供的一种用于提高大孔径激光器光束质量的装置中所述畸变模式识别器的框图。
图3为本申请实施例中提供的一种用于提高大孔径激光器光束质量的方法的流程图。
图4为本申请实施例中提供的一种用于提高大孔径激光器光束质量的装置的应用场景图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本申请实施例做进一步详细说明。在此,本申请的示意性实施例及其说明用于解释本申请,但并不作为对本申请的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
随着相位共轭技术的发展,通过非线性光学效应产生与原始激光光束波前畸变共轭的光束成为了一种有效的解决方案。相位共轭技术是一种有效的方法,通过在光路中引入相位共轭镜,可以校正光束传播过程中的波前畸变,提高光束的质量。相位共轭技术利用了光学中的相位反转原理,将探测到的波前畸变信息反馈给相位共轭镜,产生与波前畸变相反的相位调制,从而实现波前畸变的实时校正。该技术不仅能够实时校正波前畸变,还能够适应动态变化的畸变模式,从而显著提高激光光束质量。
基于此,在本申请的技术方案中,提出了一种用于提高大孔径激光器光束质量的装置,其能够通过集成波前传感器、畸变模式识别器、相位共轭镜和光束组合器等关键组件,构建了一套完整的光束质量优化系统。该系统能够精确地识别和分类各种波前畸变模式,并生成相应的相位共轭光束以实现高效校正。
本申请提供一种用于提高大孔径激光器光束质量的装置,该装置包括一个激光器放大器和一个光束整形器。激光器放大器用于放大输入的激光信号,光束整形器用于调整放大后的激光信号的波前和强度分布,以减小光束参数产品和提高光束质量因子。该装置可以有效地抑制激光器放大器中的非线性效应和热效应,从而实现高功率、高质量的激光输出。
使用波前传感器和补偿器件来实现实时波前校正。波前传感器可以检测光束的相位畸变,并将这些信息反馈给补偿器件,如变形镜或液晶空间光调制器,以校正光束的相位畸变,从而提高光束的质量。
在本申请的一个实施例中,图1为本申请实施例中提供的一种用于提高大孔径激光器光束质量的装置的框图。如图1所示,根据本申请实施例的用于提高大孔径激光器光束质量的装置100,包括:激光器放大器1和光束整形器2,其特征在于,所述光束整形器2包括波前传感器21、畸变模式识别器22、相位共轭镜23和光束组合器24;所述波前传感器21用于采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;所述畸变模式识别器22用于基于所述激光光束的波前相位数据和波前畸变数据识别波前畸变模式;所述相位共轭镜23用于根据所述激光光束的波前畸变数据和波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和所述光束组合器24用于将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。
相应地,在上述利用相位共轭技术,通过产生与激光光束波前畸变共轭的光束来提高激光光束质量的过程中,对于波前传感器测量的数据进行分析,以识别和分类波前畸变模式尤为重要,其可以通过对不同类型的波前畸变模式进行分析和识别,可以更有效地设计相位共轭镜的校正策略,提高光束质量的校正效率和精度。值得一提的是,波前畸变模式是指波前相位偏差的特定形状或模式,常见的波前畸变模式包括:1、倾斜:波前相位在整个光束截面上呈线性变化。2、聚焦:波前相位在光束截面的中心呈抛物线形变化。3、散光:波前相位在光束截面的不同方向上呈不同的抛物线形变化。4、球面像差:波前相位在光束截面上呈球形变化。5、彗差:波前相位在光束截面上呈彗形变化。
基于此,本申请的技术构思为通过波前传感器采集激光光束的波前相位数据和波前畸变数据,并在后端利用数据处理和分析算法来进行该波前相位数据和波前畸变数据的时序语义协同分析,以此来识别和分类波前畸变模式,从而根据不同的波前畸变模式来提高装置对不同类型畸变的校正效率和质量。
图2为本申请实施例中提供的一种用于提高大孔径激光器光束质量的装置中所述畸变模式识别器的框图。如图2所示,所述畸变模式识别器22,包括:波前数据采集模块221,用于获取由所述波前传感器采集的待优化激光光束的波前相位数据的序列和波前畸变数据的序列;波前数据整合模块222,用于将所述波前相位数据的序列和所述波前畸变数据的序列按照采集的时间维度排列为波前相位时序输入向量和波前畸变时序输入向量;向量-图像转换模块223,用于将所述波前相位时序输入向量和所述波前畸变时序输入向量通过向量-图像转换器以得到波前相位时序图和波前畸变时序图;小波变换模块224,用于将所述波前相位时序图和所述波前畸变时序图进行小波变换以得到波前相位小波时序图和波前畸变小波时序图;波前时序语义特征提取模块225,用于通过基于深度神经网络模的时序语义特征提取器分别对所述波前相位小波时序图和所述波前畸变小波时序图进行特征提取以得到波前相位小波时序语义特征图和波前畸变小波时序语义特征图;波前多视角语义共享模块226,用于将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图进行波前多视角语义共享以得到波前畸变表征特征图;波前畸变特征强化模块227,用于将所述波前畸变表征特征图通过基于多维度交互关注网络的波前畸变强化器以得到波前畸变强化表征特征图作为波前畸变特征;波前畸变模式检测模块228,用于基于所述波前畸变特征,确定所述待优化激光光束的波前畸变模式。
其中,所述深度神经网络模型为卷积神经网络模型。
具体地,在本申请的技术方案中,首先,获取由所述波前传感器采集的待优化激光光束的波前相位数据的序列和波前畸变数据的序列。特别地,波前传感器通常使用干涉测量技术来测量波前相位。例如,在本申请的一个具体示例中,可以使用Shack-Hartmann波前传感器来进行激光光速的波前相位数据采集,所述Shack-Hartmann波前传感器由一个透镜阵列组成,每个透镜将入射光束聚焦到一个光斑上,光斑的位置偏差与波前相位偏差成正比。
接着,考虑到由于波前畸变的类型不同,其在空间传播的过程中存在不同的相位曲面,而波前畸变是指波前相对于理想平面的偏差。因此,不管是所述波前相位数据还是所述波前畸变数据在曲面上的不同位置以及不同时间点下都会有所不同,因此,为了能够捕捉到波前畸变的动态变化过程,以全面分析波前的动态特性,提高对波前畸变模式的识别和分类效果,在本申请的技术方案中,将所述波前相位数据的序列和所述波前畸变数据的序列按照采集的时间维度排列为波前相位时序输入向量和波前畸变时序输入向量。
然后,考虑到相对于向量来说,图像数据能够很好地表达波前相位和波前畸变数据中的空间关系,因此,为了能够更好地利用波前相位数据和波前畸变数据来进行畸变模式识别,需要将所述波前相位时序输入向量和所述波前畸变时序输入向量通过向量-图像转换器以得到波前相位时序图和波前畸变时序图。通过将时序数据转换为图像,可以保留数据点之间的空间关系,有助于更好地展现波前相位和畸变的空间特征,为后续的分析和处理提供更丰富的信息。
应可以理解,小波变换是一种能够同时提供频率和空间信息的信号处理工具。因此,为了进一步分析波前数据的频率和空间特征,从而更好地理解波前的特性和结构,在本申请的技术方案中,将所述波前相位时序图和所述波前畸变时序图进行小波变换以得到波前相位小波时序图和波前畸变小波时序图。具体来说,小波变换可以将信号分解为不同尺度的小波系数,从而实现对信号的多尺度分析。也就是说,对波前数据进行小波变换后,可以得到不同尺度上的波前相位小波时序图和波前畸变小波时序图,有助于揭示数据在不同空间尺度上的特征。因此,通过对波前相位时序图和波前畸变时序图进行小波变换,可以分析数据在不同频率和空间尺度上的特征,帮助识别和分类不同类型的波前畸变模式。
继而,利用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的时序语义特征提取器分别对所述波前相位小波时序图和所述波前畸变小波时序图进行特征提取,以分别提取出所述波前相位小波时序图和所述波前畸变小波时序图中关于波前相位和波前畸变的时序语义特征信息,从而得到波前相位小波时序语义特征图和波前畸变小波时序语义特征图。
进一步地,考虑到波前相位和波前畸变包含了关于波前畸变的相位不同方面的信息,为了能够进一步提高对于波前畸变模式的识别精度,在本申请的技术方案中,将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图通过波前多视角语义共享网络以得到波前畸变表征特征图。通过将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图输入到波前多视角语义共享网络中,可以实现波前相位语义和波前畸变语义之间的特征融合和整合,从而帮助不同的波前视角的数据共享语义信息,促进波前相位和畸变之间的信息交流和共享,以得到更全面、更综合的波前畸变表征特征。
在本申请的一个具体实施例中,所述波前多视角语义共享模块,用于:将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图通过波前多视角语义共享网络以得到所述波前畸变表征特征图。
进一步地,所述波前多视角语义共享模块,包括:全局均值池化单元,用于将所述波前相位小波时序语义特征图中沿通道维度的各个特征矩阵进行全局均值池化处理以得到波前相位小波时序语义池化特征向量;全连接编码单元,用于将所述波前相位小波时序语义池化特征向量通过全连接层以对所述波前相位小波时序语义池化特征向量进行全连接编码以得到波前相位小波时序语义全连接特征向量;加权融合单元,用于将所述波前相位小波时序语义全连接特征向量和所述波前畸变小波时序语义特征图进行基于通道维度的加权融合以得到融合特征图;特征图语义融合单元,用于将所述融合特征图和所述波前相位小波时序语义特征图进行融合以得到所述波前畸变表征特征图。
接着,由于所述波前畸变表征特征图的高度、宽度和通道三个维度上分别包含了波前相位和波前畸变共享语义的不同方面的特征信息,因此,为了在所述波前畸变表征特征图的高度、宽度和通道三个维度上增强特征信息的交互融合,以更全面地捕捉数据中的关联性和模式,在本申请的技术方案中,进一步将所述波前畸变表征特征图通过基于多维度交互关注网络的波前畸变强化器以得到波前畸变强化表征特征图。应可以理解,所述多维度交互关注网络能够在不同的维度上进行波前畸变表征特征信息交流和整合。也就是说,通过在网络中引入多维度交互机制,可以促进波前畸变特征图中不同维度特征之间的交互和融合,有助于提高特征的表征能力和区分能力。并且,通过所述基于多维度交互关注网络的波前畸变强化器进行处理,还可以帮助增强波前畸变表征特征图中的关键信息,即通过引入交互关注机制,可以有效地提取和强化特征图中不同维度之间的相关性和重要性特征,从而增强波前畸变的特征表示能力和泛化能力。
在本申请的一个具体实施例中,所述波前畸变特征强化模块,用于:将所述波前畸变表征特征图通过所述基于多维度交互关注网络的波前畸变强化器以如下多维度交互关注公式进行处理以得到所述波前畸变强化表征特征图;其中,所述多维度交互关注公式为:;其中,/>为所述波前畸变表征特征图,/>表示1×1的卷积核,/>表示7×7的卷积核,/>表示卷积操作,/>表示/>函数,/>表示Sigmoid函数,/>为第一权重矩阵,/>表示哈达玛积,/>为第一注意力特征图,/>为所述波前畸变表征特征图沿宽度维度进行旋转得到的第一旋转特征图,/>为第二权重矩阵,表示转置变换,/>为第二注意力特征图,/>为所述波前畸变表征特征图沿高度维度进行旋转得到的第二旋转特征图, />为第三权重矩阵,/>为第三注意力特征图,/>表示加和平均函数,/>为所述波前畸变强化表征特征图。
在本申请的一个实施例中,所述波前畸变模式检测模块,包括:波前畸变特征优化单元,用于对所述波前畸变强化表征特征图进行特征优化以得到优化后波前畸变强化表征特征图;波前畸变模式识别单元,用于将所述优化后波前畸变强化表征特征图通过基于分类器的波前畸变模式识别器以得到识别结果,所述识别结果用于表示所述待优化激光光束的波前畸变模式。
进一步地,所述波前畸变特征优化单元,包括:特征融合校正子单元,用于对所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图进行优化融合以得到校正特征图;特征融合优化子单元,用于将所述校正特征图与所述波前畸变表征特征图进行融合以得到所述优化后波前畸变表征特征图。
应可以理解,所述波前畸变模式为倾斜、聚焦、散光、球面像差或彗差。
在本申请的技术方案中,所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图分别表达所述波前相位数据和所述波前畸变数据通过向量-图像转换而从全局时域确定的局部时域下的局部时域内-局部时域间局部时序关联特征,由此,考虑到所述波前相位数据和所述波前畸变数据的源数据时序分布差异,在将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图通过波前多视角语义共享网络进行多视角语义共享融合时,期望提升所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图各自到融合后的特征分布域的映射效果,从而提升所述波前畸变表征特征图的多视角语义共享融合效果。
因此,本申请的申请人对所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图进行优化融合,具体表示为:以如下优化公式对所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图进行优化融合以得到校正特征图;其中,所述优化公式为:;其中,/>是所述波前相位小波时序语义特征图,/>是所述波前畸变小波时序语义特征图,且特征图和/>具有相同尺度,/>和/>分别为特征图/>对应的特征集合的均值和标准差,和/>分别为特征图/>对应的特征集合的均值和标准差,/>表示特征图的逐位置开方,且/>为以2为底的对数函数,/>是校正特征图,/>表示按位置加法,/>表示按位置点乘;以及,将所述校正特征图与所述波前畸变表征特征图进行融合以得到所述优化后波前畸变表征特征图。
这里,为了提升所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图在特征融合场景下到融合特征分布域的映射效果,在传统的加权融合方式对于推断基于特征叠加的语义空间演变扩散模式存在局限性的基础上,通过采用结合空间的低阶叠加融合模式和高阶叠加融合模式的方式,并通过所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图的统计特征交互关系来模拟演变中心和演变轨迹,以在不同演变扩散速度场的作用下来基于非同步演变重构融合场景下的语义空间演变扩散,有效地提升了到同一高维特征空间内的投射效果,从而提升了所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图的融合效果。这样,再以用于优化融合的校正特征图与所述波前畸变表征特征图融合,就可以提升所述波前畸变表征特征图的融合表达效果,从而提升从所述波前畸变表征特征图得到的所述波前畸变强化表征特征图通过分类器获得的识别结果的准确性。这样,能够更为有效识别和分类波前畸变模式,从而根据不同的波前畸变模式来提高装置对不同类型畸变激光光束的校正效率和质量。
进而,再将所述优化后波前畸变强化表征特征图通过基于分类器的波前畸变模式识别器以得到识别结果,所述识别结果用于表示所述待优化激光光束的波前畸变模式。也就是收,利用经过多维度强化后的波前畸变语义表征特征信息来进行分类处理,以此来识别波前畸变模式,其中,包括倾斜、聚焦、散光、球面像差和彗差等波前畸变模式,并以此根据不同的波前畸变模式来提高装置对不同类型畸变的校正效率和质量。
综上,基于本申请实施例的用于提高大孔径激光器光束质量的装置100被阐明,其通过波前传感器采集激光光束的波前相位数据和波前畸变数据,并在后端利用数据处理和分析算法来进行该波前相位数据和波前畸变数据的时序语义协同分析,以此来识别和分类波前畸变模式,从而根据不同的波前畸变模式来提高装置对不同类型畸变的校正效率和质量。
图3为本申请实施例中提供的一种用于提高大孔径激光器光束质量的方法的流程图。如图3所示,一种用于提高大孔径激光器光束质量的方法,包括:210,使用波前传感器采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;220,使用畸变模式识别器基于所述激光光束的所述波前相位数据和所述波前畸变数据识别波前畸变模式;230,使用相位共轭镜根据所述激光光束的所述波前畸变数据和所述波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和240,使用光束组合器将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。
本领域技术人员可以理解,上述用于提高大孔径激光器光束质量的方法中的各个步骤的具体操作已经在上面参考图1到图2的用于提高大孔径激光器光束质量的装置的描述中得到了详细介绍,并因此,将省略其重复描述。
在本申请的另一个实施例中,提供了几个相应的后续行动,大大改善了大孔径激光器的光束质量。
应用众所周知的措施来提高激光辐射质量(减少激光束散度)的效果并不理想。它们是基于在双镜谐振腔中形成的单通横向模式的经典演示。激光束必须在激光束的横截面具有已知的、可预测的振幅相位分布(APD)。有稳定的,不稳定的和其他一些谐振器。它们在F>1下都无效: 激光束的振幅相位分布远非经典状态,它是随机的和不可预测的,散度大于理想状态。
第一步是选择谐振器参数(L为谐振器长度,R1和r2为谐振器镜的曲率半径)对应于所谓的“近轴谐振”。
这里的参数是选定的值N((环绕谐振器的往返次数,之后谐振器中的任何光线的轨迹都变得闭合)。在这些谐振器参数下,只有N-通谐振器模式将产生。所有其他的模式都将是低质量且被压制的。初始混沌和不稳定的情况(幅相分布)将变得组织薄弱。N-通模式仍然有许多表现形式,因为他们可以有许多轨迹,沿两个坐标从镜面反射:半径和方位角。
第二步的目标是选择一个N-通模式,并抑制所有其他模式。本阶段包括两个活动:
沿着方位角控制振幅相位分布,沿着半径的单一多模态选择。
沿偏振角控制振幅相位分布的有效方法是采用偏振选择性光栅镜作为谐振镜,产生圆对称偏振(径向或方位角)。具有这种偏振率的激光束沿方位角总是均匀的。这种光束由一个或几个环组成。
不同的近轴共振N-通模式在谐振腔中有不同的轨迹,在镜面沿半径上有不同的环反射点。它允许通过使用具有两个或多个区域的特殊镜子来选择单个N-通模式。其中一些区域(中心点或环状)是非反射的。它们位于一个或两个反射镜上,其尺寸可以嵌入目标N-通模式的最小损失和其他模式的最大损失。这些措施使谐振器内产生一个单一的N-通模式。这些非反射区的最佳位置及其大小可以计算为两个初始参数F和N的函数。
第三步是组织来自谐振器的激光辐射的输出。通常它是通过一个部分透明的,在整个镜面表面上的参数都是均匀的镜子来完成的。这在多通模式下是不正确的。这种模态不仅以反射镜上的零入射角反射,而且也以非零角反射。因此,输出镜应该具有比镜子本身更小的半透明区域。
第四步是对谐振器外的振幅相位分布进行相位校正。它可以通过使用半波长局部相位校正器来实现。在最后一幅图上,半波长移相器应该会影响到平均环。这种振幅相位分布(不是一种模式)在光束传播时(或在透镜的焦平面上)演变为最低的单环模式,在环类型模式之间具有最低的散度模式。
图4为本申请实施例中提供的一种用于提高大孔径激光器光束质量的装置的应用场景图。如图4所示,在该应用场景中,首先,获取由所述波前传感器采集的待优化激光光束的波前相位数据的序列(例如,如图4中所示意的C1)和波前畸变数据的序列(例如,如图4中所示意的C2);然后,将获取的波前相位数据的序列和波前畸变数据的序列输入至部署有用于提高大孔径激光器光束质量算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于用于提高大孔径激光器光束质量算法对所述波前相位数据的序列和所述波前畸变数据的序列进行处理,以确定所述待优化激光光束的波前畸变模式。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用于提高大孔径激光器光束质量的装置,其包括:激光器放大器和光束整形器,其特征在于,所述光束整形器包括波前传感器、畸变模式识别器、相位共轭镜和光束组合器;所述波前传感器用于采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;所述畸变模式识别器用于基于所述激光光束的波前相位数据和波前畸变数据识别波前畸变模式;所述相位共轭镜用于根据所述激光光束的波前畸变数据和波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和所述光束组合器用于将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。
2.根据权利要求1所述的用于提高大孔径激光器光束质量的装置,其特征在于,所述畸变模式识别器,包括:波前数据采集模块,用于获取由所述波前传感器采集的待优化激光光束的波前相位数据的序列和波前畸变数据的序列;波前数据整合模块,用于将所述波前相位数据的序列和所述波前畸变数据的序列按照采集的时间维度排列为波前相位时序输入向量和波前畸变时序输入向量;向量-图像转换模块,用于将所述波前相位时序输入向量和所述波前畸变时序输入向量通过向量-图像转换器以得到波前相位时序图和波前畸变时序图;小波变换模块,用于将所述波前相位时序图和所述波前畸变时序图进行小波变换以得到波前相位小波时序图和波前畸变小波时序图;波前时序语义特征提取模块,用于通过基于深度神经网络模的时序语义特征提取器分别对所述波前相位小波时序图和所述波前畸变小波时序图进行特征提取以得到波前相位小波时序语义特征图和波前畸变小波时序语义特征图;波前多视角语义共享模块,用于将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图进行波前多视角语义共享以得到波前畸变表征特征图;波前畸变特征强化模块,用于将所述波前畸变表征特征图通过基于多维度交互关注网络的波前畸变强化器以得到波前畸变强化表征特征图作为波前畸变特征;波前畸变模式检测模块,用于基于所述波前畸变特征,确定所述待优化激光光束的波前畸变模式。
3.根据权利要求2所述的用于提高大孔径激光器光束质量的装置,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的用于提高大孔径激光器光束质量的装置,其特征在于,所述波前多视角语义共享模块,用于:将所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图通过波前多视角语义共享网络以得到所述波前畸变表征特征图。
5.根据权利要求4所述的用于提高大孔径激光器光束质量的装置,其特征在于,所述波前多视角语义共享模块,包括:全局均值池化单元,用于将所述波前相位小波时序语义特征图中沿通道维度的各个特征矩阵进行全局均值池化处理以得到波前相位小波时序语义池化特征向量;全连接编码单元,用于将所述波前相位小波时序语义池化特征向量通过全连接层以对所述波前相位小波时序语义池化特征向量进行全连接编码以得到波前相位小波时序语义全连接特征向量;加权融合单元,用于将所述波前相位小波时序语义全连接特征向量和所述波前畸变小波时序语义特征图进行基于通道维度的加权融合以得到融合特征图;特征图语义融合单元,用于将所述融合特征图和所述波前相位小波时序语义特征图进行融合以得到所述波前畸变表征特征图。
6.根据权利要求5所述的用于提高大孔径激光器光束质量的装置,其特征在于,所述波前畸变特征强化模块,用于:将所述波前畸变表征特征图通过所述基于多维度交互关注网络的波前畸变强化器以如下多维度交互关注公式进行处理以得到所述波前畸变强化表征特征图;其中,所述多维度交互关注公式为:;其中,/>为所述波前畸变表征特征图,/>表示1×1的卷积核,/>表示7×7的卷积核,/>表示卷积操作,表示/>函数,/>表示Sigmoid函数,/>为第一权重矩阵,/>表示哈达玛积,为第一注意力特征图,/>为所述波前畸变表征特征图沿宽度维度进行旋转得到的第一旋转特征图,/>为第二权重矩阵,/>表示转置变换,/>为第二注意力特征图,/>为所述波前畸变表征特征图沿高度维度进行旋转得到的第二旋转特征图, />为第三权重矩阵,/>为第三注意力特征图,/>表示加和平均函数,/>为所述波前畸变强化表征特征图。
7.根据权利要求6所述的用于提高大孔径激光器光束质量的装置,其特征在于,所述波前畸变模式检测模块,包括:波前畸变特征优化单元,用于对所述波前畸变强化表征特征图进行特征优化以得到优化后波前畸变强化表征特征图;波前畸变模式识别单元,用于将所述优化后波前畸变强化表征特征图通过基于分类器的波前畸变模式识别器以得到识别结果,所述识别结果用于表示所述待优化激光光束的波前畸变模式。
8.根据权利要求7所述的用于提高大孔径激光器光束质量的装置,其特征在于,所述波前畸变特征优化单元,包括:特征融合校正子单元,用于对所述波前相位小波时序语义特征图和所述波前畸变小波时序语义特征图进行优化融合以得到校正特征图;特征融合优化子单元,用于将所述校正特征图与所述波前畸变表征特征图进行融合以得到所述优化后波前畸变表征特征图。
9.根据权利要求8所述的用于提高大孔径激光器光束质量的装置,其特征在于,所述波前畸变模式为倾斜、聚焦、散光、球面像差或彗差。
10.一种用于提高大孔径激光器光束质量的方法,其包括:使用波前传感器采集激光光束的波前相位数据,并基于所述波前相位数据计算波前畸变数据;使用畸变模式识别器基于所述激光光束的所述波前相位数据和所述波前畸变数据识别波前畸变模式;使用相位共轭镜根据所述激光光束的所述波前畸变数据和所述波前畸变模式产生与所述激光光束的波前畸变共轭的相位共轭光束;和使用光束组合器将所述激光光束和所述相位共轭光束进行组合以得到高质量激光光束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410382679.9A CN117977356B (zh) | 2024-04-01 | 2024-04-01 | 用于提高大孔径激光器光束质量的装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410382679.9A CN117977356B (zh) | 2024-04-01 | 2024-04-01 | 用于提高大孔径激光器光束质量的装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117977356A true CN117977356A (zh) | 2024-05-03 |
CN117977356B CN117977356B (zh) | 2024-06-14 |
Family
ID=90853533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410382679.9A Active CN117977356B (zh) | 2024-04-01 | 2024-04-01 | 用于提高大孔径激光器光束质量的装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977356B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030062464A1 (en) * | 2001-09-28 | 2003-04-03 | Byren Robert W. | System and method for effecting high-power beam control with outgoing wavefront correction utilizing holographic sampling at primary mirror, phase conjugation, and adaptive optics in low power beam path |
US20030062468A1 (en) * | 2001-09-28 | 2003-04-03 | Byren Robert W. | System and method for effecting high-power beam control with adaptive optics in low power beam path |
CN1804711A (zh) * | 2006-01-16 | 2006-07-19 | 中国科学院光电技术研究所 | 利用腔内自适应光学技术改善固体激光器光束质量的装置 |
CN104360482A (zh) * | 2014-11-04 | 2015-02-18 | 北京邮电大学 | 基于最优像质评价函数的自适应光学轨道角动量光束波前修复方案 |
CN107592157A (zh) * | 2017-08-30 | 2018-01-16 | 西安理工大学 | 矫正光学逆向调制中波前畸变的装置及矫正方法 |
CN110133845A (zh) * | 2019-04-26 | 2019-08-16 | 中国科学院上海光学精密机械研究所 | 一种用于激光系统的自由曲面波前补偿元件的设计方法 |
US20230384735A1 (en) * | 2022-05-31 | 2023-11-30 | Electronics And Telecommunications Research Institute | Apparatus and method for generating hologram |
CN117451189A (zh) * | 2022-07-18 | 2024-01-26 | 中国人民解放军国防科技大学 | 基于哈特曼探测器的波前探测方法 |
-
2024
- 2024-04-01 CN CN202410382679.9A patent/CN117977356B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030062464A1 (en) * | 2001-09-28 | 2003-04-03 | Byren Robert W. | System and method for effecting high-power beam control with outgoing wavefront correction utilizing holographic sampling at primary mirror, phase conjugation, and adaptive optics in low power beam path |
US20030062468A1 (en) * | 2001-09-28 | 2003-04-03 | Byren Robert W. | System and method for effecting high-power beam control with adaptive optics in low power beam path |
CN1804711A (zh) * | 2006-01-16 | 2006-07-19 | 中国科学院光电技术研究所 | 利用腔内自适应光学技术改善固体激光器光束质量的装置 |
CN104360482A (zh) * | 2014-11-04 | 2015-02-18 | 北京邮电大学 | 基于最优像质评价函数的自适应光学轨道角动量光束波前修复方案 |
CN107592157A (zh) * | 2017-08-30 | 2018-01-16 | 西安理工大学 | 矫正光学逆向调制中波前畸变的装置及矫正方法 |
CN110133845A (zh) * | 2019-04-26 | 2019-08-16 | 中国科学院上海光学精密机械研究所 | 一种用于激光系统的自由曲面波前补偿元件的设计方法 |
US20230384735A1 (en) * | 2022-05-31 | 2023-11-30 | Electronics And Telecommunications Research Institute | Apparatus and method for generating hologram |
CN117451189A (zh) * | 2022-07-18 | 2024-01-26 | 中国人民解放军国防科技大学 | 基于哈特曼探测器的波前探测方法 |
Non-Patent Citations (1)
Title |
---|
KATSUAKI AKAOKA, ET AL.: ""Development of wavefront control system using cleformable mirror for solid state lasers"", 《SPIE》, vol. 2986, 31 March 1997 (1997-03-31), pages 55 - 61 * |
Also Published As
Publication number | Publication date |
---|---|
CN117977356B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7274442B2 (en) | Closed-loop wavefront sensor using field programmable gate array | |
CN101701847B (zh) | 基于光栅和ccd成像探测器的宽动态范围成像系统 | |
JP2008310828A (ja) | 電気光学画像システムのエンドツーエンド設計 | |
CN109802291B (zh) | 基于深度学习的光纤激光分孔径相干合成相位控制方法 | |
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 | |
CN111551129A (zh) | 大口径平面镜的中、低阶面形检测装置、系统及存储介质 | |
Wang et al. | Single-shot wavefront sensing with deep neural networks for free-space optical communications | |
US20220171204A1 (en) | Light field-based beam correction systems and methods | |
CN115031856A (zh) | 基于子光斑筛选的夏克-哈特曼波前传感器波前复原方法 | |
Li et al. | Generative adversarial network for superresolution imaging through a fiber | |
US20070093993A1 (en) | End-to-end design of electro-optic imaging systems using backwards ray tracing from the detector to the source | |
CN114693938A (zh) | 基于残差注意力网络的波前畸变校正方法 | |
CN117977356B (zh) | 用于提高大孔径激光器光束质量的装置和方法 | |
CN112099229B (zh) | 基于远场的高速自适应光学闭环控制方法 | |
CN113327271A (zh) | 基于双光孪生网络决策级目标跟踪方法、系统及存储介质 | |
CN116091640A (zh) | 一种基于光谱自注意力机制的遥感高光谱重建方法及系统 | |
Zhang et al. | Deep-learning-enhanced digital holographic autofocus imaging | |
KR102073712B1 (ko) | 센서리스 적응광학 시스템, 이를 적용한 이미지 장치 및 통신 장치 | |
Ge et al. | Target-independent dynamic wavefront sensing method based on distorted grating and deep learning | |
Chen et al. | Convolutional neural network to identify cylindrical vector beam modes | |
US12025793B1 (en) | Wavefront correction system based on RUN optimization algorithm | |
US20240126953A1 (en) | Arithmetic operation system, training method, and non-transitory computer readable medium storing training program | |
Gu et al. | In situ fast measurement of the radius of curvature for the plano-convex lens with deep-learning based on the point spread functions | |
Yang et al. | Quantitative Analysis of Improvement on Wavefront Aberration Correction with Scattering Preconditioner |
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 |