JP2022163926A - 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル - Google Patents

光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル Download PDF

Info

Publication number
JP2022163926A
JP2022163926A JP2021069073A JP2021069073A JP2022163926A JP 2022163926 A JP2022163926 A JP 2022163926A JP 2021069073 A JP2021069073 A JP 2021069073A JP 2021069073 A JP2021069073 A JP 2021069073A JP 2022163926 A JP2022163926 A JP 2022163926A
Authority
JP
Japan
Prior art keywords
light
correction coefficient
distribution
intensity distribution
light correction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021069073A
Other languages
English (en)
Inventor
誠史 福原
Masashi Fukuhara
優 橋本
Masaru Hashimoto
和也 鈴木
Kazuya Suzuki
知子 兵土
Tomoko HYODO
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hamamatsu Photonics KK
Original Assignee
Hamamatsu Photonics KK
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hamamatsu Photonics KK filed Critical Hamamatsu Photonics KK
Priority to JP2021069073A priority Critical patent/JP2022163926A/ja
Priority to DE112022002148.9T priority patent/DE112022002148T5/de
Priority to PCT/JP2022/000967 priority patent/WO2022219865A1/ja
Priority to US18/285,967 priority patent/US20240184103A1/en
Priority to CN202280027821.7A priority patent/CN117120821A/zh
Priority to TW111110803A priority patent/TW202242801A/zh
Publication of JP2022163926A publication Critical patent/JP2022163926A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G02OPTICS
    • G02BOPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B27/00Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
    • G02B27/0012Optical design, e.g. procedures, algorithms, optimisation routines
    • GPHYSICS
    • G02OPTICS
    • G02BOPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00Microscopes
    • G02B21/36Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
    • G02B21/365Control or image processing arrangements for digital or video microscopes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G01M11/02Testing optical properties
    • GPHYSICS
    • G02OPTICS
    • G02BOPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00Microscopes
    • G02B21/06Means for illuminating specimens
    • G02B21/08Condensers
    • G02B21/082Condensers for incident illumination only
    • GPHYSICS
    • G02OPTICS
    • G02BOPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B27/00Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
    • G02B27/0025Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00 for optical correction, e.g. distorsion, aberration
    • GPHYSICS
    • G02OPTICS
    • G02BOPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B27/00Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
    • G02B27/10Beam splitting or combining systems
    • G02B27/1006Beam splitting or combining systems for splitting or combining different wavelengths
    • G02B27/102Beam splitting or combining systems for splitting or combining different wavelengths for generating a colour image from monochromatic image signal sources
    • G02B27/1046Beam splitting or combining systems for splitting or combining different wavelengths for generating a colour image from monochromatic image signal sources for use with transmissive spatial light modulators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • G06N3/0442Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Microscoopes, Condenser (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

【課題】光学収差の補正を短い演算時間で効率的に行うことが可能な光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデルを提供する。【解決手段】制御装置11は、ゼルニケ係数を基に空間光変調器9を用いて補正された光によって生じた作用を観察した強度画像を対象に、強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得する取得部201と、強度分布の目標分布との比較結果を算出し比較データを生成する生成部202と、強度分布の基となったゼルニケ係数と比較データを学習モデル207に入力することにより、強度分布が目標分布に近づくように光に関して収差補正するためのゼルニケ係数を予測する予測部204と、を備える。【選択図】図3

Description

実施形態の一側面は、光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデルに関する。
従来から、対物レンズ等の光学系によって生じた収差の補正を行う技術が知られている。例えば、下記特許文献1には、対物レンズに存在する収差を補正するために、波面変調素子に付与する位相パターンを設定するための波面形状を与えるZernike係数を、仮想像におけるレーザ光のスポットの径が最も小さくなるような係数に変化させる技術が記載されている。また、下記特許文献2には、レーザ顕微鏡等の光学系で発生する収差を補正する際に、収差の補正量をZernike多項式の各関数の位相分布として表現し、各関数の相対的な位相変調量を変化させることで位相変調プロファイルを求め、その位相変調プロファイルを位相変調素子に設けられた電極に電圧を印加することで発生させる技術が記載されている。また、下記特許文献3には、眼底検査において被検眼の収差を補正する技術に関して、波面センサで測定した波面をZernike関数にモデル化して各次数にかかる係数を算出し、その係数を基に波面補正デバイスの変調量を算出することが記載されている。
特開2011-133580号公報 国際公開2013/172085号公報 特開2012-235834号公報
上述したような従来の技術においては、収差補正を行うための係数を導く際の演算量が多くなる傾向にあり、演算時間も長くなる傾向にある。そこで、収差補正を実現する際の演算時間を短くすることが求められる。
そこで、実施形態の一側面は、かかる課題に鑑みてなされたものであり、光学収差の補正を短い演算時間で効率的に行うことが可能な光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデルを提供することを課題とする。
実施形態の一側面に係る光補正係数予測方法は、光補正係数を基に光変調器を用いて補正された光によって生じた作用を観察した強度画像を対象に、強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得するステップと、強度分布の目標分布との比較結果を算出し比較データを生成するステップと、強度分布の基となった光補正係数と比較データを学習モデルに入力することにより、強度分布が目標分布に近づくように光に関して収差補正するための光補正係数を予測するステップと、を備える。
あるいは、実施形態の他の側面に係る光補正係数予測装置は、光補正係数を基に光変調器を用いて補正された光によって生じた作用を観察した強度画像を対象に、強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得する取得部と、強度分布の目標分布との比較結果を算出し比較データを生成する生成部と、強度分布の基となった光補正係数と比較データを学習モデルに入力することにより、強度分布が目標分布に近づくように光に関して収差補正するための光補正係数を予測する予測部と、を備える。
あるいは、実施形態の他の側面に係る機械学習方法は、光補正係数を基に光変調器を用いて補正された光によって生じた作用を観察した強度画像を対象に、強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得するステップと、強度分布の目標分布との比較結果を算出し比較データを生成するステップと、強度分布の基となった光補正係数と比較データを学習モデルに入力することにより、強度分布が目標分布に近づくように光に関して収差補正するための光補正係数を出力するように、学習モデルをトレーニングするステップと、を備える。
あるいは、実施形態の他の側面に係る機械学習の前処理方法は、上記側面の機械学習方法に用いる学習モデルに入力するデータを生成する機械学習の前処理方法であって、光補正係数を基に光変調器を用いて補正された光によって生じた作用を観察した強度画像を対象に、強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得するステップと、強度分布の目標分布との比較結果を算出し比較データを生成するステップと、強度分布の基となった光補正係数と比較データとを連結するステップと、を備える。
あるいは、実施形態の他の側面に係る学習済みの学習モデルは、上記側面の機械学習方法を用いたトレーニングによって構築された学習モデルである。
上記一側面あるいは他の側面のいずれかによれば、光変調器を用いて波面が補正された光によって生じた作用を観察した強度画像から、強度画像上の複数の注目領域における強度分布が取得され、その強度分布と目標分布との間の比較データが生成され、光変調器による補正の基となった光補正係数とその比較データが学習モデルに入力される。これにより、複数の注目領域の間における強度の分布が目標分布に近づくような補正を実現できる光補正係数を予測する学習モデルに対して、強度画像からデータ量が圧縮されたデータであって、複数の注目領域の間における強度の分布を的確に捉えたデータを入力できる。その結果、学習モデルの学習時あるいは光補正係数の予測時の演算時間を短くでき、かつ、精度の高い収差補正を実現することができる。
上記一側面あるいは他の側面のいずれかにおいては、光補正係数は、光の波面の形状を与えるZernike多項式の係数である、ことが好適である。この場合、学習モデルによって予測された光補正係数を基にした補正によって、精度の高い収差補正を実現できる。
また、上記一側面あるいは他の側面のいずれかにおいては、強度分布を、複数の注目領域毎の画素の輝度値の総和を計算することにより、輝度分布として取得する、ことも好適である。この場合、光補正係数を予測する学習モデルに対して、強度画像を基に複数の注目領域の間における強度の分布をより的確に捉えたデータを入力できる。その結果、より精度の高い収差補正を実現することができる。
さらに、上記一側面あるいは他の側面のいずれかにおいては、強度分布を、予め定められた方向に沿って強度画像上を順にシフトして設定した複数の注目領域における分布として取得する、ことが好適である。この場合、光補正係数を予測する学習モデルに対して、強度画像を基に所定方向に沿った強度分布をより的確に捉えたデータを入力できる。その結果、より精度の高い収差補正を実現することができる。
またさらに、上記一側面あるいは他の側面のいずれかにおいては、光補正係数と比較データに加えて光に関する収差に影響するパラメータを学習モデルに入力する、ことも好適である。かかる構成によれば、光補正係数を予測する学習モデルに対して、光に関する収差に影響するパラメータをさらに入力できる。その結果、さらに精度の高い収差補正を実現することができる。
さらにまた、上記一側面あるいは他の側面のいずれかにおいては、学習モデルを用いて、光に関する収差に影響する調整可能なパラメータをさらに予測する、ことも好適である。この場合、光補正係数を予測する学習モデルによって、光に関する収差に影響するパラメータがさらに予測される。そして、予測されたパラメータを基に光学系等を調整することにより、さらに精度の高い収差補正を実現することができる。
本発明の一側面によれば、光学収差の補正を短い演算時間で効率的に行うことができる。
第1実施形態にかかる光学システム1の概略構成図である。 図1の制御装置11のハードウェア構成の一例を示すブロック図である。 図1の制御装置11の機能構成を示すブロック図である。 図1の撮像素子7から入力された強度画像の一例を示す図である。 図3の取得部201によって取得された強度分布のデータによって表される強度分布のグラフである。 光学システム1における学習処理の手順を示すフローチャートである。 光学システム1における観察処理の手順を示すフローチャートである。 第2実施形態に係る制御装置11Aの機能構成を示すブロック図である。 第3実施形態に係る制御装置11Aの機能構成を示すブロック図である。 変形例にかかる光学システム1Aの概略構成図である。 変形例にかかる光学システム1Bの概略構成図である。 変形例にかかる光学システム1Cの概略構成図である。 変形例にかかる光学システム1Dの概略構成図である。 変形例にかかる光学システム1Eの概略構成図である。 変形例にかかる光学システム1Fの概略構成図である。 変形例において撮像素子7から入力された強度画像の一例を示す図である。 変形例において取得された強度分布のデータによって表される強度分布のグラフである。 変形例において撮像素子7から入力された強度画像の一例を示す図である。 変形例において取得された強度分布のデータによって表される強度分布のグラフである。
以下、添付図面を参照して、本発明の実施形態について詳細に説明する。なお、説明において、同一要素又は同一機能を有する要素には、同一符号を用いることとし、重複する説明は省略する。
[第1実施形態]
図1は、第1実施形態に係る光学システム1の構成図である。この光学システム1は、試料の観察の用途で試料に対して光を照射する光学系である。図1に示されるように、光学システム1は、レーザ光等のコヒーレントな光を発生する光源3と、光源3から照射された光を集光する集光レンズ5と、集光レンズ5の焦点位置に配置され、光源3からの光の作用によって生じる二次元的な強度分布を検出(観察)してその強度分布を示す強度画像を出力するCCD(Charge Coupled Device)カメラ、CMOS(Complementary Metal Oxide Semiconductor)カメラ等の撮像素子7と、光源3と集光レンズ5との間の光の光路上に配置され、光の位相の空間分布を変調する空間光変調器9と、撮像素子7及び空間光変調器9と接続された制御装置11とを備えて構成されている。上記構成の光学システム1においては、撮像素子7の出力する強度画像を基にした制御装置11による収差補正に関する設定処理が完了した後に、実際の観察のために、観察対象の試料が、撮像素子7に代えて集光レンズの5の焦点位置に配置される。
光学システム1に備えられる空間光変調器9は、例えば、半導体基板上に液晶を配置した構造を持つ装置であり、半導体基板上の画素毎に印加電圧が制御可能とされることにより、入射する光の位相を空間的に変調して、位相が変調された光を出力することができる光学素子である。この空間光変調器9は、制御装置11から位相画像を受信可能に構成されており、その位相画像における輝度分布に対応した位相変調を行うように動作する。
本実施形態では、空間光変調器9は、例えば光源3から照射されたレーザ光の波面をらせん波面に変調することによって、光渦を生成する役割を有する。光渦とは、光の伝搬軸を中心にしたらせん状の波面を有する光である。詳細には、空間光変調器9は、ラゲールガウス(Laguerre-Gauss)モードビームを生成する。このラゲールガウスモードビームは、伝搬軸に垂直な方向においてリング状の強度分布を持つビームである。理想的なラゲールガウスモードビームは、伝搬軸を中心とした円周方向において均一な強度を有する。ただし、光学システム1で生成される光渦は光学システム1の光学系の収差に強く影響される。そのため、光学システム1における理想的な強度分布、すなわち、均一な強度分布の実現には収差補正が必須となる。
制御装置11は、本実施形態の光補正係数予測装置であり、例えばPC(Personal Computer)等のコンピュータである。図2は、制御装置11のハードウェア構成を示している。図2に示すように、制御装置11は、物理的には、プロセッサであるCPU(Central Processing Unit)101、記録媒体であるRAM(Random Access Memory)102又はROM(Read Only Memory)103、通信モジュール104、及び入出力モジュール106等を含んだコンピュータ等であり、各々は電気的に接続されている。なお、制御装置11は、入力装置及び表示装置として、ディスプレイ、キーボード、マウス、タッチパネルディスプレイ等を含んでいてもよいし、ハードディスクドライブ、半導体メモリ等のデータ記録装置を含んでいてもよい。また、制御装置11は、複数のコンピュータによって構成されていてもよい。
図3は、制御装置11の機能構成を示すブロック図である。制御装置11は、取得部201、生成部202、学習部203、予測部204、制御部205、及びモデル格納部206を備える。図3に示す制御装置11の各機能部は、CPU101及びRAM102等のハードウェア上にプログラムを読み込ませることにより、CPU101の制御のもとで、通信モジュール104、及び入出力モジュール106等を動作させるとともに、RAM102におけるデータの読み出し及び書き込みを行うことで実現される。制御装置11のCPU101は、このコンピュータプログラムを実行することによって制御装置11を図3の各機能部として機能させ、後述する光補正係数予測方法、機械学習方法、および機械学習の前処理方法に対応する処理を順次実行する。なお、CPUは、単体のハードウェアでもよく、ソフトプロセッサのようにFPGAのようなプログラマブルロジックの中に実装されたものでもよい。RAMやROMについても単体のハードウェアでもよく、FPGAのようなプログラマブルロジックの中に内蔵されたものでもよい。このコンピュータプログラムの実行に必要な各種データ、及び、このコンピュータプログラムの実行によって生成された各種データは、全て、ROM103、RAM102等の内蔵メモリ、又は、ハードディスクドライブなどの記憶媒体に格納される。
また、制御装置11には、CPU101によって読み込まれることによって、モデル格納部206に、光補正係数予測方法および機械学習方法の実行に用いる学習モデル207が予め格納されている。学習モデル207は、機械学習によって後述する光補正係数を予測する学習モデルである。機械学習には、教師あり学習、深層学習(ディープラーニング)、或いは強化学習、ニューラルネットワーク学習などがある。本実施形態では、学習モデルを実現するディープラーニングのアルゴリズムの一例として、畳み込みニューラルネットワークが採用される。畳み込みニューラルネットワークは、入力層、畳み込み層、プーリング層、全結合層、ドロップアウト層、出力層等を含む構造を有する深層学習の一例である。ただし、学習モデル207としては、再帰型ニューラルネットワークである、RNN(Recurrent Neural Network)、LSTM(Long Short-Term Memory)等のアルゴリズムが採用されてもよい。学習モデル207は、制御装置11にダウンロードされた後に制御装置11内での機械学習によって構築されて学習済みの学習モデルに更新される。
以下、制御装置11の各機能部の機能の詳細について説明する。
取得部201は、撮像素子7から入力された強度画像を対象に、複数の注目領域(ROI:Region of Interest)を順に設定する。例えば、取得部201は、強度画像における輝度分布を円によってフィッティングし、円の中心の画像上の座標(中心座標)を特定する。そして、取得部201は、その中心座標を中心とした所定の中心角(例えば、5度)の扇形のROIを設定する。さらに、取得部201は、ROIを中心座標を基準に反時計方向(所定の方向)に所定の角度(例えば、5度)ずつ360度まで順次回転(シフト)させることにより、複数のROIを順次設定する。次に、取得部201は、設定した複数のROI内の画素の輝度値の総和を集計し、複数のROI間の輝度値の総和の分布(プロファイル)を強度分布のデータとして取得する。その際、取得部201は、輝度値の総和の平均値および標準偏差を計算し、強度分布のデータの平均値が0となり、そのデータの標準偏差が1となるように複数のROIの分布(輝度)を規格化してもよい。あるいは、取得部201は、輝度値の総和の最大値を特定し、複数のROIの分布をその最大値で規格化してもよい。
図4は、撮像素子7から入力された強度画像の一例を示す図であり、図5は、取得部201によって取得された強度分布のデータによって表される強度分布のグラフである。このように、強度画像においては、例えば、光学システム1によってリング状の強度分布を持つ光渦に形成されたレーザ光の強度分布が得られる。取得部201により、この強度画像上において輝度分布の中心C1を中心とした中心角δθの扇形のROIが設定され、ROIの中心を通る基準線からの回転角θを0度から360度までシフトさせることにより複数のROIが設定される。さらに、取得部201により、図5に示すような回転角θ(0度≦θ<360度)に対応する複数のROI間の強度分布のデータが、一次元的に配列されたデータとして得られる。
図3に戻って、生成部202は、取得部201によって取得された強度分布のデータと、予め設定された強度分布の目標データと、を比較した比較データである差分データを計算する。例えば、強度分布の目標データとしては、リング状の強度分布を有する光渦に関する理想的な回転角θ間の強度分布、すなわち、回転角θに対する一定の強度分布が予め設定される。生成部202は、強度分布のデータと強度分布の目標データとの間で回転角θ毎の差分値を計算し、計算した差分値を1次元的に並べた差分データを生成する。例えば、強度分布の目標データが、回転角θに対して一定の規格化後の強度“0”を持つように設定されている場合には、生成部202は、差分データを取得部201によって取得された強度分布のデータと等しくなるように生成する。なお、生成部202は、比較データとして、差分データの代わりに、強度分布の連結データと強度分布の目標データとの間で回転角θ毎の除算値を計算してもよい。
なお、生成部202による差分データの生成に用いられる目標データは、様々な強度分布に対応するデータに設定されていてよい。例えば、ガウシアン分布を有する1点で集光されたレーザ光の強度分布に対応するデータであってもよいし、多点で集光されたレーザ光の強度分布に対応するデータであってもよいし、縞模様のパターンのレーザ光の強度分布に対応するデータであってもよい。
制御部205は、制御装置11による光補正係数予測方法、機械学習方法、および機械学習の前処理方法に対応する処理が実行される際に、空間光変調器9による位相変調を制御する。すなわち、制御部205は、光補正係数予測方法に対応する処理が実行される際には、空間光変調器9による位相変調を、光学システム1の光学系によって生じる収差を打ち消すようにその収差と逆の位相変調を加えるように制御する。光補正係数予測方法、機械学習方法、および機械学習の前処理方法に対応する処理の実行時には、制御部205は、収差補正のために空間光変調器9に与える位相画像を、ゼルニケ(Zernike)多項式を用いて計算した波面の形状に基づいて設定する。ゼルニケ多項式は単位円上で定義された直交多項式であり、単色収差として知られるザイデルの5収差と対応する項があるという特徴から、収差の補正に利用される多項式である。より詳細には、制御部205は、ゼルニケ多項式の複数のゼルニケ係数(例えば、6つのゼルニケ係数)を、光補正係数として設定し、それらのゼルニケ係数を基に波面の形状を計算し、その形状に対応した位相画像を用いて空間光変調器9を制御する。
学習部203は、機械学習方法およびその機械学習の前処理方法に対応する処理の実行時に、次の処理を行う機能を有する。すなわち、学習部203は、制御部205による位相変調の制御に用いる複数のゼルニケ係数の値の組み合わせを異なる値の組み合わせに連続的に変化させて、その値の組み合わせで位相変調の制御が行われるように制御部205による制御を設定する。そして、学習部203は、制御部205の位相変調の制御に応じて生成部202によって生成された差分データを、ゼルニケ係数の値の組み合わせ毎に取得する。さらに、学習部203は、差分データに対してその差分データに対応するゼルニケ係数の値の組み合わせを一次元的に連結した入力データを複数生成し、複数の入力データをモデル格納部206に格納された学習モデル207に対する学習データおよび教師データとして用いることにより、機械学習(トレーニング)によって学習モデル207を構築する。詳細には、学習部203は、差分データをゼロ値の連続データに近づけるような、すなわち、強度分布を目標の強度分布に近づけるようなゼルニケ係数を予測するように、学習モデル207における重み付け係数等のパラメータを更新する。このような学習モデルの構築により、目標データまでの遷移に必要と予測された光補正係数と実際に必要であった光補正係数との比較を繰り返すことで、目標の強度分布への遷移を可能とする光補正係数を予測する学習済みの学習モデルが構築できる。
予測部204は、光補正係数予測方法に対応する処理の実行時に、次の処理を行う機能を有する。すなわち、予測部204は、制御部205による位相変調の制御に用いる複数のゼルニケ係数の値の組み合わせを、予め設定された所定値あるいは制御装置11のオペレータ(ユーザ)によって入力された値に設定し、その値の組み合わせで位相変調の制御が行われるように制御部205による制御を設定する。そして、予測部204は、制御部205の位相変調の制御に応じて生成部202によって生成された差分データを取得する。さらに、予測部204は、差分データに対して制御部205による位相変調の制御に用いられたゼルニケ係数の値の組み合わせを一次元的に連結した入力データを生成し、その入力データをモデル格納部206に格納された学習済みの学習モデル207に入力することにより、学習モデル207にゼルニケ係数の値の組み合わせの予測値を出力させる。すなわち、予測部204は、学習モデル207を用いることにより、強度分布を目標の強度分布に近づけるようなゼルニケ係数の値の組み合わせを予測する。さらに、予測部204は、実際の試料の観察時には、予測したゼルニケ係数の値の組み合わせで位相変調の制御が行われるように、制御部205による制御を設定する。
次に、本実施形態に係る光学システム1における学習処理の手順、すなわち、本実施形態に係る機械学習方法および機械学習の前処理方法の流れについて説明する。図6は、光学システム1による学習処理の手順を示すフローチャートである。
まず、制御装置11によって、オペレータから学習処理の開始の指示が受け付けられると、空間光変調器9による位相変調の制御用のゼルニケ係数の値の組み合わせが初期値に設定される(ステップS1)。次に、制御装置11の制御部205によって、設定されたゼルニケ係数の値の組み合わせを基にして空間光変調器9による位相変調が実行されるように制御される(ステップS2)。
さらに、制御装置11の取得部201によって、位相変調された光の強度画像を基に、強度分布のデータが取得される(ステップS3)。その後、制御装置11の生成部202により、強度分布のデータと目標データとの間で差分値が計算されることにより、差分データが生成される(ステップS4)。
さらに、制御装置11の学習部203により、差分データに対して、その差分データの生成時の位相変調の制御に用いられた現在のゼルニケ係数の値の組み合わせを連結した入力データが生成される(ステップS5)。次に、学習部203により、ゼルニケ係数の値の組み合わせの次の設定値が存在するかが判定される(ステップS6)。判定の結果、次の設定値が存在すると判定された場合は(ステップS6;YES)、ステップS1~S5の処理が繰り返されて、次のゼルニケ係数の値の組み合わせに関して入力データが生成される。そして、所定の組み合わせ数のゼルニケ係数の値の組み合わせについて入力データが生成された場合(ステップS6;NO)、学習部203により、生成した複数の入力データを学習データ及び教師データとして用いて学習モデル207が構築される(ステップS7:トレーニングの実行)。ただし、例えば、事前に熟練者がゼルニケ係数とその係数に対応する強度画像を取得していた場合は、上記ステップS2における空間光変調器9による位相変調の実行、及びステップS3における取得部201による強度画像の取得を省略し、その代わりに、事前に取得された上記ゼルニケ係数と強度画像の組み合わせを利用することも可能である。
次に、本実施形態に係る光学システム1における観察処理の手順、すなわち、本実施形態に係る光補正係数予測方法の流れについて説明する。図7は、光学システム1による観察処理の手順を示すフローチャートである。
まず、制御装置11によって、オペレータから観察前の事前設定処理の開始の指示が受け付けられると、空間光変調器9による位相変調の制御用のゼルニケ係数の値の組み合わせが所定値に設定される(ステップS101)。次に、制御装置11の制御部205によって、設定されたゼルニケ係数の値の組み合わせを基にして空間光変調器9による位相変調が実行されるように制御される(ステップS102)。
さらに、制御装置11の取得部201によって、位相変調された光の強度画像を基に、強度分布のデータが取得される(ステップS103)。その後、制御装置11の生成部202により、強度分布のデータと目標データとの間で差分値が計算されることにより、差分データが生成される(ステップS104)。
さらに、制御装置11の予測部204により、差分データに対して、その差分データの生成時の位相変調の制御に用いられた現在のゼルニケ係数の値の組み合わせを連結した入力データが生成される(ステップS105)。次に、予測部204により、生成した入力データを学習済みの学習モデル207に入力することにより、強度分布を目標の強度分布に近づけるようなゼルニケ係数の値の組み合わせが予測される(ステップS106)。予測の精度を上げるために、必要に応じて、上記ステップS101~S106の処理が複数回繰り返されてもよい。
その後、制御装置11の制御部205により、予測されたゼルニケ係数の値の組み合わせを基にした空間光変調器9による位相変調の制御が行われる(ステップS107)。最後に、観察対象の試料が光学システム1にセットされて、位相変調が施された光を用いた試料の観察が行われる(ステップS108)。
以上説明した光学システム1によれば、空間光変調器9を用いて波面が補正された光渦を観察した強度画像から、複数のROI間の強度分布が取得され、その強度分布と目標分布との差分データが生成され、光変調器による補正の基となった光補正係数とその差分データが学習モデルに入力される。これにより、複数のROI間の強度分布が目標の強度分布に近づくような波面の補正を実現できるゼルニケ係数を予測する学習モデル207に対して、強度画像からデータ量が圧縮されたデータであって、複数のROI間の強度分布を的確に捉えたデータを入力できる。その結果、学習モデル207の学習時あるいはゼルニケ係数の予測時の演算時間を短くでき、かつ、精度の高い収差補正を実現することができる。すなわち、画像を学習モデルの入力とする従来の手法においては、学習時間の増大、予測時間の増大、学習時および予測時に要求される演算リソースの増大を招く傾向にある。これに対して本実施形態では、学習時および予測時の演算時間の短縮化、および演算リソースの削減を実現できる。
また、光学システム1においては、位相変調の制御に用いられる光補正係数として、光の波面の形状を与えるZernike多項式の係数が用いられている。この場合、学習モデルによって予測されたゼルニケ係数を基にした補正によって、精度の高い収差補正を実現できる。
また、光学システム1においては、強度分布が、複数のROI毎の画素の輝度値の総和を計算することにより、輝度分布として取得されている。この場合、ゼルニケ係数を予測する学習モデルに対して、強度画像を基に複数のROI間の強度分布をより的確に捉えたデータを入力できる。その結果、より精度の高い収差補正を実現することができる。
特に、光学システム1においては、強度分布が、予め定められた方向に沿って強度画像上を順にシフトして設定した複数のROI間の分布として取得されている。この場合、ゼルニケ係数を予測する学習モデルに対して、強度画像を基に所定方向に沿った強度分布をより的確に捉えたデータを入力できる。その結果、より精度の高い収差補正を実現することができる。
さらに、光学システム1においては、連続データである差分データと、現在の光補正係数とを単純に一次元的に連結したデータを学習モデルの入力としている。このようなシンプルなデータの入力手法によって、目標の強度分布に近づけるような光補正係数を、短い演算時間で予測することができる。特に、本実施形態では、学習モデル207として、畳み込みニューラルネットワークのアルゴリズムのモデルが採用されている。このような学習モデル207によれば、入力されるデータの意味合いの違い(異なる種類のデータの区切り)が自動で認識され、効率的な学習モデルの構築が実現できる。
[第2実施形態]
次に、制御装置11の他の形態について説明する。図8は、第2実施形態に係る制御装置11Aの機能構成を示すブロック図である。第2実施形態に係る制御装置11Aにおいては、取得部201A、学習部203A、および予測部204Aの機能が第1実施形態と異なる。以下、第1実施形態との相違点のみ説明する。
取得部201Aは、光学システム1の光学系によって生じる収差に寄与するパラメータをさらに取得する。このとき、取得部201Aは、パラメータを光学システム1に設けられたセンサから取得してもよいし、制御装置11のオペレータからの入力を受け付けることによって取得してもよい。例えば、取得部201Aは、このようなパラメータとして、光学系を構成するレンズ等の位置、倍率、焦点距離、屈折率、および、光源3の照射する光の波長等の直接的な要因に関するパラメータ、温度、湿度、時刻、任意の時点からの経過時間等の間接的な要因に関するパラメータ等を取得する。この場合、取得部201Aは、1種類のパラメータを取得してもよいし、複数種類のパラメータを取得してもよい。
学習部203Aは、学習モデル207の構築時に、複数の入力データのそれぞれに、取得部201Aによって取得されたパラメータを連結して、パラメータが連結された複数の入力データを用いて学習モデル207を構築する。予測部204Aは、入力データに取得部201Aによって取得されたパラメータを連結して、パラメータが連結された入力データを学習済みの学習モデル207に入力することにより、ゼルニケ係数の値の組み合わせを予測する。
このような第2実施形態に係る制御装置11Aによれば、光学システム1における環境等の要因の変化に強い頑強な学習モデルを構築できる。第1実施形態で使用する学習データに含まれる強度分布と光補正係数との関係には学習データを取得した際の光学系の収差の情報が含まれているが、その収差は光学系の光軸ずれ等の要因の変化によって変化しうる。その結果、学習モデルの構築時(学習時)と収差補正の実施時(観察処理時)との間には、要因の変化により光学系の持つ収差に差が生じる可能性がある。そして、このような収差の差はゼルニケ係数の予測精度の低下を招きうる。第2実施形態によれば、光学系の収差の変化要因となるパラメータを学習データおよび入力データに連結することにより、学習時と観察処理時との間の収差補正のずれを低減することができる。その結果、目標の強度分布に近づけるようにさらに精度の高い収差補正を実現することができる。
特に、本実施形態では、学習モデル207として、畳み込みニューラルネットワークのアルゴリズムのモデルが採用されている。このような学習モデル207によれば、パラメータが連結された入力データの意味合いの違い(連結されたパラメータとのデータの区切り)が自動で認識され、効率的な学習モデルの構築が実現できる。さらには、補正に影響を与えると考えられるパラメータを入力データに連結することが可能であり、人間が関連性を見出せなかったパラメータの影響を考慮した収差補正を実現できる。
[第3実施形態]
次に、制御装置11のさらなる他の形態について説明する。図9は、第3実施形態に係る制御装置11Bの機能構成を示すブロック図である。第3実施形態に係る制御装置11Bにおいては、学習部203B、予測部204B、および制御部205Bの機能が第2実施形態と異なる。以下、第2実施形態との相違点のみ説明する。
制御部205Bは、空間光変調器9に制御に加えて、光学システム1における光学系の収差に寄与する追加パラメータを調整する機能も有する。例えば、制御部205Bは、そのような追加パラメータとして、光学系のレンズの位置を、光学システム1に設けられた位置調整機能を介して調整する機能を有する。この追加パラメータは、光学系のレンズの位置以外に、収差に寄与するパラメータとして、光学系を構成する部品の配置、光学系を構成するレンズの倍率、焦点距離、屈折率、光源3の照射する光の波長等の光学システム1において調整可能なパラメータであってよい。また、追加パラメータは、1種類には限定されず、複数種類含まれていてもよい。
学習部203Bは、学習モデル207Bの構築時に、第2実施形態と同様にして追加パラメータを含むパラメータが連結された複数の入力データを用いて、ゼルニケ係数の値の組み合わせに加えて、収差を補正可能な追加パラメータの予測値も出力可能な学習モデル207Bを構築する。このとき入力データに用いるパラメータには、追加パラメータと異なる種類のものを含んでいてもよい。また、学習時には、追加パラメータを積極的に変化させながら入力データを取得することが好適である。
予測部204Bは、入力データに追加パラメータを含むパラメータを連結して、パラメータが連結された入力データを学習済みの学習モデル207Bに入力することにより、ゼルニケ係数の値の組み合わせに加えて、収差を補正するための追加パラメータを予測する。
このような第3実施形態に係る制御装置11Bによれば、調整可能な追加パラメータの予測値も得ることにより、光学システム1における環境等の要因の変化に強い頑強な学習モデルを構築できる。すなわち、光学系の収差の変化を生じさせる他のパラメータを使って光学系の収差を補正できる。これにより、ゼルニケ係数だけでは補正が難しい収差の補正を実現することができる。
以上、本発明の種々の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、各請求項に記載した要旨を変更しない範囲で変形し、又は他のものに適用したものであってもよい。
上述した第1~第3実施形態に係る光学システム1は、以下のような構成に変更されてもよい。図10~15は、変形例に係る光学システム1A~1Fの概略構成図である。
図10に示す光学システム1Aは、光源3からの光の作用によって生じる反射光を撮像する光学系の例である。光学システム1Aにおいては、光学システム1と比較して、撮像素子7の位置に配置されたミラー15と、空間光変調器9と集光レンズ5との間に配置されたハーフミラー13と、ミラー15およびハーフミラー13を経由した反射光を撮像素子7に向けて集光する集光レンズ17とを備える点が異なっている。このような構成によっても、反射光の強度画像を基に精度の高い収差補正を実現することができる。
図11に示す光学システム1Bは、光学システム1Aに比較して、学習モデルの構築時および観察前の事前設定処理時にミラー15の光源3側に隣接して観察対象の試料Sを配置した点が異なる。このような構成によれば、屈折率が大きい試料の内部を観察する用途において、試料の内部によって生じる収差を補正可能とすることで、観察等における解像度を向上させることができる。
図12に示す光学システム1Cは光源3からの光の作用によって励起された蛍光の観察に適用可能な光学系の例である。光学システム1Cは、励起光の光学系に関しては光学システム1と同様の構成を有し、蛍光観察用の光学系として、ダイクロイックミラー19、励起光カットフィルタ21、集光レンズ17を含む。ダイクロイックミラー19は、空間光変調器9と集光レンズ5との間に設けられ、励起光を透過し蛍光を反射する性質を有する。励起光カットフィルタ21はダイクロイックミラー19によって反射された蛍光を透過し、励起光の成分をカットする。集光レンズ17は、励起光カットフィルタ21と撮像素子7との間に設けられ、励起光カットフィルタ21を透過した蛍光を撮像素子7に向けて集光する。このような構成の光学システム1Cにおいては、学習モデルの構築時および観察前の事前設定処理時に、励起光に対して均一な蛍光を発する標準試料S0が、集光レンズ5の焦点位置に配置される。このような構成により、試料において生じる蛍光を観察する光学系における精度の高い収差補正を実現することができる。
図13に示す光学システム1Dは、光源3からの光の作用によって生じた干渉像を観察可能な光学系の例であり、フィゾー干渉計の光学系の構成を有する。詳細には、光学システム1Dは、光源3からのレーザ光の光路上に設けられた空間光変調器9およびビームスプリッタ23と、空間光変調器9およびビームスプリッタ23を通過するレーザ光の光路上に配置される基準板25および標準試料S0と、基準板25の参照面25aおよび標準試料S0の表面によって生じる2つの反射光によって生じる干渉像を、ビームスプリッタ23を介して観察するための集光レンズ17および撮像素子7とを備える。標準試料S0としては、平面反射基板を使用できる。このような光学システム1Dにより、干渉像を観察する光学系における精度の高い収差補正を実現することができる。
図14に示す光学システム1Eは、光学系の収差補正のために波面計測で得られる画像を利用する光学系の例である。ここでは、光源3からの光の作用によって生じる多点像を得るために撮像素子7の前面にマイクロレンズアレイ27を配置したシャックハルトマン波面センサが利用されている。このように、波面計測で得られる画像を取得可能な光学系によっても、精度の高い収差補正を実現することができる。
図15に示す光学システム1Fは、レーザ光の観察ではなく、光源3からのレーザ光の照射によって引き起こされた現象(作用)を反映した画像データを利用する光学系の例である。例えば、レーザ光の照射によって引き起こされる現象の例として、ガラス等の物質の表面にレーザ光を集光することで物質を加工(切断、穴あけ等)するレーザ加工現象が挙げられる。レーザ加工現象によって生じるレーザ加工痕にも光学系の収差が生じうるため、収差補正を行うことは目的のレーザ加工を行うためには有益である。光学システム1Fは、光学システム1Cと同様な構成に加え、ガラス板等の標準試料S0の加工面の反対側から観察光を照射する観察用光源29を備えている。このような構成により、標準試料S0のレーザ加工痕を、観察光によって生じた散乱光を撮像素子7で画像として検出することにより、観察することができる。このように、レーザ加工現象を画像として観察可能な光学系によっても、加工に用いるレーザ光に関して精度の高い収差補正を実現することができる。また、レーザ加工に関しては、試料の断面形状を散乱光あるいはSEM(電子走査顕微鏡)等で観察した結果得られた画像データを、収差補正のための学習データとして利用してもよい。このような収差補正が可能な光学システムにより、目的の断面形状を得ることができるレーザ加工を実現できる。
また、上述した第1~第3実施形態に係る光学システム1においては、取得部201,201Aは、次のようにして強度分布のデータを取得してもよい。すなわち、取得部201,201Aは、強度画像上の複数のROIを、予め設定された形状および配置で順番に設定し、各ROIにおける画素の輝度値の総和の分布を、強度分布のデータとして取得してもよい。その際、取得部201,201Aは、輝度値の総和の平均値および標準偏差を計算し、強度分布のデータの平均値が0となり、そのデータの標準偏差が1となるようにROI間の分布を規格化してもよいし、ROI間の分布を最大値で規格化してもよい。
図16は、撮像素子から入力された強度画像の一例を示す図であり、図17は、取得部201,201Aによって取得された強度分布のデータによって表される強度分布のグラフである。このように、取得部201,201Aにより、強度画像上に、予め設定された矩形状の形状を有する5つのROI1~ROI5が、予め設定された座標位置に配置され、この強度画像が取得部201,201Aによって処理されることにより、ROIを識別するインデックスごとの強度データが一次元的に配列された強度分布のデータが得られる。
同様に、取得部201,201Aは、強度画像上の複数のROIを、予め設定された関数によって規定される曲線に沿った方向にシフトすることにより順に複数のROIの位置を設定し、各ROIにおける画素の輝度値の総和の分布を、強度分布のデータとして取得してもよい。その際、取得部201,201Aは、輝度値の総和の平均値および標準偏差を計算し、強度分布のデータの平均値が0となり、そのデータの標準偏差が1となるようにROI間の分布を規格化してもよいし、ROI間の分布を最大値で規格化してもよい。
図18は、撮像素子から入力された強度画像の一例を示す図であり、図19は、取得部201,201Aによって取得された強度分布のデータによって表される強度分布のグラフである。このように、取得部201,201Aにより、強度画像上において、予め設定された関数によって規定される曲線F1(例えば、カージオイド曲線)上に沿って所定形状(例えば、曲線の接線に直交する直線形状)を有するROIの位置が順次シフトされることにより、複数のROIが設定される。さらに、取得部201,201Aにより、この強度画像が処理されることにより、シフトされたROIの位置ごとの強度データが一次元的に配列された強度分布のデータが得られる。
これらの変形例によっても、学習モデル207の学習時あるいはゼルニケ係数の予測時の演算時間を短くでき、かつ、精度の高い収差補正を実現することができる。
また、上述した第1~第3実施形態に係る光学システム1においては、学習モデルの構築時(学習処理時)には、既に構築済みの学習済みの学習モデルを流用して、学習データの削減および学習時間の短縮を図ってもよい。例えば、前回構築した時間からある程度の期間が経過していた場合には、光学系の光軸のずれの発生等により、わずかにゼルニケ係数と光強度の分布の関係が異なることが想定される。この場合、転移学習という手法を用いれば、試料の観察時の学習データを再学習させることで、より少ないデータセットを用いて、より短い学習時間で観察時に有効な学習モデルを再構築できる。例えば、学習モデル207における出力結果に対する、光学系の光軸に関するパラメータの影響が、ニューラルネットワークの一部の層のチューニングで吸収できる場合は、学習部203Aは、学習モデル207の構築時に全ての層の重み付けを再学習することなく、一部の層の重み付けのみを再学習する。このような変形例によれば、学習モデルの出力値の誤差の収束を早めることができ、学習を効率化することができる。
1,1A,1B,1C,1D,1E,1F…光学システム、3…光源、7…撮像素子、9…空間光変調器、11,11A,11B…制御装置、201,201A…取得部、202…生成部、203,203A,203B…学習部、205,205B…制御部、204,204A,204B…予測部、207,207B…学習モデル。

Claims (15)

  1. 光補正係数を基に光変調器を用いて補正された光によって生じた作用を観察した強度画像を対象に、前記強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得するステップと、
    前記強度分布の目標分布との比較結果を算出し比較データを生成するステップと、
    前記強度分布の基となった前記光補正係数と前記比較データを学習モデルに入力することにより、前記強度分布が前記目標分布に近づくように前記光に関して収差補正するための光補正係数を予測するステップと、
    を備える光補正係数予測方法。
  2. 前記光補正係数は、前記光の波面の形状を与えるZernike多項式の係数である、
    請求項1に記載の光補正係数予測方法。
  3. 前記強度分布を、前記複数の注目領域毎の画素の輝度値の総和を計算することにより、輝度分布として取得する、
    請求項1または2に記載の光補正係数予測方法。
  4. 前記強度分布を、予め定められた方向に沿って前記強度画像上を順にシフトして設定した前記複数の注目領域における分布として取得する、
    請求項1~3のいずれか1項に記載の光補正係数予測方法。
  5. 前記光補正係数と前記比較データに加えて前記光に関する収差に影響するパラメータを前記学習モデルに入力する、
    請求項1~4のいずれか1項に記載の光補正係数予測方法。
  6. 前記学習モデルを用いて、前記光に関する収差に影響する調整可能なパラメータをさらに予測する、
    請求項1~5のいずれか1項に記載の光補正係数予測方法。
  7. 光補正係数を基に光変調器を用いて補正された光によって生じた作用を観察した強度画像を対象に、前記強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得する取得部と、
    前記強度分布の目標分布との比較結果を算出し比較データを生成する生成部と、
    前記強度分布の基となった前記光補正係数と前記比較データを学習モデルに入力することにより、前記強度分布が前記目標分布に近づくように前記光に関して収差補正するための光補正係数を予測する予測部と、
    を備える光補正係数予測装置。
  8. 前記光補正係数は、前記光の波面の形状を与えるZernike多項式の係数である、
    請求項7に記載の光補正係数予測装置。
  9. 前記強度分布を、前記複数の注目領域毎の画素の輝度値の総和を計算することにより、輝度分布として取得する、
    請求項7または8に記載の光補正係数予測装置。
  10. 前記強度分布を、予め定められた方向に沿って前記強度画像上を順にシフトして設定した前記複数の注目領域における分布、
    請求項7~9のいずれか1項に記載の光補正係数予測装置。
  11. 前記光補正係数と前記比較データに加えて前記光に関する収差に影響するパラメータを前記学習モデルに入力する、
    請求項7~10のいずれか1項に記載の光補正係数予測装置。
  12. 前記学習モデルを用いて、前記光に関する収差に影響する調整可能なパラメータをさらに予測する、
    請求項7~11のいずれか1項に記載の光補正係数予測装置。
  13. 光補正係数を基に光変調器を用いて補正された光によって生じた作用を観察した強度画像を対象に、前記強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得するステップと、
    前記強度分布の目標分布との比較結果を算出し比較データを生成するステップと、
    前記強度分布の基となった前記光補正係数と前記比較データを学習モデルに入力することにより、前記強度分布が前記目標分布に近づくように前記光に関して収差補正するための光補正係数を出力するように、前記学習モデルをトレーニングするステップと、
    を備える機械学習方法。
  14. 請求項13に記載の機械学習方法に用いる前記学習モデルに入力するデータを生成する機械学習の前処理方法であって、
    光補正係数を基に光変調器を用いて補正された光によって生じた作用を観察した強度画像を対象に、前記強度画像上の所定範囲の複数の注目領域における強度の分布である強度分布を取得するステップと、
    前記強度分布の目標分布との比較結果を算出し比較データを生成するステップと、
    前記強度分布の基となった前記光補正係数と前記比較データとを連結するステップと、
    を備える機械学習の前処理方法。
  15. 請求項13に記載の機械学習方法を用いたトレーニングによって構築された学習済みの学習モデル。
JP2021069073A 2021-04-15 2021-04-15 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル Pending JP2022163926A (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2021069073A JP2022163926A (ja) 2021-04-15 2021-04-15 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル
DE112022002148.9T DE112022002148T5 (de) 2021-04-15 2022-01-13 Lichtkorrekturkoeffizient-vorhersageverfahren, lichtkorrekturkoeffizient-vorhersagevorrichtung, maschinenlernverfahren, vorverarbeitungsverfahren beim maschinellen lernen, und trainiertes lernmodell
PCT/JP2022/000967 WO2022219865A1 (ja) 2021-04-15 2022-01-13 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル
US18/285,967 US20240184103A1 (en) 2021-04-15 2022-01-13 Light correction coefficient prediction method, light correction coefficient prediction device, machine learning method, pre-processing method in machine learning, and trained learning model
CN202280027821.7A CN117120821A (zh) 2021-04-15 2022-01-13 光修正系数预测方法、光修正系数预测装置、机械学习方法、机械学习的前处理方法及学习完毕的学习模型
TW111110803A TW202242801A (zh) 2021-04-15 2022-03-23 光修正係數預測方法、光修正係數預測裝置、機械學習方法、機械學習之前處理方法及預學習之學習模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021069073A JP2022163926A (ja) 2021-04-15 2021-04-15 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル

Publications (1)

Publication Number Publication Date
JP2022163926A true JP2022163926A (ja) 2022-10-27

Family

ID=83639508

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021069073A Pending JP2022163926A (ja) 2021-04-15 2021-04-15 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル

Country Status (6)

Country Link
US (1) US20240184103A1 (ja)
JP (1) JP2022163926A (ja)
CN (1) CN117120821A (ja)
DE (1) DE112022002148T5 (ja)
TW (1) TW202242801A (ja)
WO (1) WO2022219865A1 (ja)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4020714B2 (ja) * 2001-08-09 2007-12-12 オリンパス株式会社 顕微鏡
JP2011133580A (ja) 2009-12-22 2011-07-07 Olympus Corp ホログラム像投影方法およびホログラム像投影装置
JP5835938B2 (ja) 2011-05-10 2015-12-24 キヤノン株式会社 収差補正方法、および該方法を用いた眼底撮像方法、および眼底撮像装置
CN104303090B (zh) 2012-05-17 2017-08-15 西铁城时计株式会社 像差校正器件及激光显微镜
JP6047325B2 (ja) * 2012-07-26 2016-12-21 浜松ホトニクス株式会社 光変調方法、光変調プログラム、光変調装置、及び光照射装置
WO2019043682A1 (en) * 2017-09-04 2019-03-07 Ibrahim Abdulhalim SPECIFIC AND PHASE MODULATING TUNABLE BIREFRINGENCE DEVICES
CN111507049B (zh) * 2020-06-01 2024-01-30 中国计量大学 一种镜头像差仿真及优化方法

Also Published As

Publication number Publication date
US20240184103A1 (en) 2024-06-06
DE112022002148T5 (de) 2024-01-25
WO2022219865A1 (ja) 2022-10-20
TW202242801A (zh) 2022-11-01
CN117120821A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
JP6628835B2 (ja) 角度分解反射率測定における走査および回折の光計測からのアルゴリズム的除去
US6827442B2 (en) Ophthalmic wavefront measuring devices
Wissel et al. Data-driven learning for calibrating galvanometric laser scanners
TWI452442B (zh) 量測光學系統的方法
US8888283B2 (en) Aberration correction method and aberration correction apparatus
AU2002313824A1 (en) Ophthalmic wavefront measuring devices
WO2014073611A1 (ja) 位相変調方法および位相変調装置
WO2022219864A1 (ja) 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル
JP2016200818A (ja) 投影レンズの少なくとも1つのマニピュレータを制御するための制御デバイス
JP2016200818A5 (ja)
US11054305B2 (en) Method and device for beam analysis
WO2022219865A1 (ja) 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル
CN111884019B (zh) 一种三维多光束激光参数调控方法及系统
Gutman et al. Optical testing of bifocal diffractive-refractive intraocular lenses using Shack-Hartmann wavefront sensor
TWI831592B (zh) 量測方法及其非接觸式位移感測裝置
JP2017036937A (ja) 測色装置、測色システム、および測色方法
WO2020065841A1 (ja) 光走査装置、撮像装置、光走査装置の調整装置及び光走査装置の調整方法
CN111772574A (zh) 一种波前像差测量时消除离焦的方法和装置
US12016797B2 (en) Iris registration method for ophthalmic laser surgical procedures
CN118019609A (zh) 空间光调制设备和用于运行空间光调制器的方法
JP2006263300A (ja) 眼光学特性測定方法及び眼光学特性測定装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231025