基于元学习的四象限探测器高精度光斑定位方法技术

本发明专利技术提出一种基于元学习的四象限探测器高精度光斑定位方法，包括：1）根据四象限探测器的测量原理生成充足的仿真样本数据；2）构建光斑半径估计网络，用生成的仿真数据进行训练，再将真实的小样本数据输入到训练好的光斑半径估计网络中进行预测，用得到估计的半径值生成更接近真实光斑分布的仿真样本数据；3）构建光斑位置预测网络，引入元学习的策略用更接近真实光斑分布的仿真样本进行预训练，固定网络的部分参数后再用真实的小样本数据对光斑位置预测网络进行微调，通过微调后的神经网络实现高精度的光斑定位。使得该方法在仅有少量真实样本的情况下也能获得较高精度的光斑定位能力。位能力。位能力。

【技术实现步骤摘要】
基于元学习的四象限探测器高精度光斑定位方法


[0001]本专利技术属于非接触式激光测量和光电探测
，尤其涉及一种基于元学习的四象限探测器高精度光斑定位方法。

技术介绍

[0002]四象限探测器(Four
‑
quadrant detector，4QD)是把四个性能完全相同的光电二极管按照笛卡尔坐标系排列而成的光电探测器件，由于其具有体积小、灵敏度高、响应速度快、动态范围广等优点，因此常被用于自由空间激光通信、激光制导、激光准直、生物科学、航空航天、工业生产等诸多领域。当光束入射到四象限探测器光敏面上的时候会形成光斑，根据光生伏特效应，探测器能够将光信号转换成四路电信号输出，通过定位算法对这些不同大小的信号进行处理就可以确定光敏面上入射光斑的质心位置。四象限探测器光斑定位算法的本质是根据输出的四路光电流信号解算出当前光斑的质心位置，但随着光斑偏离探测器中心越远，四象限探测器输出的信号偏移量与真实的光斑位置之间呈现出非线性的变化，所产生的定位误差也越大，从而导致其定位精度下降。因此，如何快速准确地拟合这种非线性关系是提高四象限探测器定位精度的关键。
[0003]现有的四象限探测器光斑定位算法主要可以分为基于数据驱动和基于模型驱动两类。传统的数据驱动算法利用线性插值或多项式来拟合探测器输出信号偏移量与光斑真实位置之间的非线性关系，这类方法需要依赖大量的真实样本数据，而且光斑定位精度受到多项式的级数限制，对后端硬件的信号处理能力要求较高。为了减少对样本数据量的依赖，模型驱动的方法通过构建基于四象限探测器的测量模型来检测光斑位置。申请号(CN201610301117.2)的中国专利文献利用高斯模型等效激光光斑在光敏面上的光强分布，提出了一种四象限探测器基于高斯分布的光斑定位方法，先根据光能量与光电流的对应关系得到光斑位置坐标的关系式，再建立标准正态分布表，通过查询法解算出光斑中心坐标。该方法在提高测量精度的同时降低了计算量，但上述模型驱动的方法在实际场景中有时难以拟合复杂的光斑能量分布。近年来，也有一些文献提出了改进神经网络的方法来提高四象限探测器的光斑定位精度，但是这种监督学习的方式在小样本的情况下性能欠佳。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种基于元学习(meta
‑
learning)的四象限探测器高精度光斑定位方法。为了提升在小样本情况下的定位精度，本专利技术首次将元学习引入到四象限探测器的光斑定位算法中，元学习的核心思想是使模型获取调整超参数的能力，并在获取已有知识的基础上快速学习新的任务。
[0005]为实现上述目的，本专利技术的基本思路是：首先根据四象限探测器的测量原理生成大量的仿真样本数据，从而减少算法对真实样本的依赖；构建光斑半径估计网络，用生成的仿真数据进行训练，再将真实的小样本数据输入到训练好的半径估计网络中进行预测，得到估计的半径值用来生成更接近真实光斑分布的仿真数据；最后构建位置预测网络，引入
元学习的策略用更接近真实光斑分布的仿真数据进行预训练，固定网络的部分参数后再用真实的小样本数据对位置预测网络进行微调，通过微调后的神经网络实现高精度的光斑位置预测。
[0006]其设计的方法步骤包括：1)根据四象限探测器的测量原理生成充足的仿真样本数据；2)构建光斑半径估计网络，用生成的仿真数据进行训练，再将真实的小样本数据输入到训练好的光斑半径估计网络中进行预测，用得到估计的半径值生成更接近真实光斑分布的仿真样本数据；3)构建光斑位置预测网络，引入元学习的策略用更接近真实光斑分布的仿真样本进行预训练，固定网络的部分参数后再用真实的小样本数据对光斑位置预测网络进行微调，通过微调后的神经网络实现高精度的光斑定位。该方法首次将元学习引入到四象限探测器的光斑定位算法中，并且利用生成的仿真样本数据提升了网络的表达能力和非线性拟合能力，使得该方法在仅有少量真实样本的情况下也能获得较高精度的光斑定位能力。
[0007]本专利技术解决其技术问题采用的技术方案是：
[0008]步骤S1：根据四象限探测器的测量原理生成仿真样本数据；
[0009]步骤S2：构建光斑半径估计网络，采用生成的仿真数据进行训练，再将真实的小样本数据输入到训练好的光斑半径估计网络中进行预测，采用得到估计的半径值生成更接近真实光斑分布的仿真样本数据；
[0010]步骤S3：构建光斑位置预测网络，采用元学习进行分层训练并利用训练好的网络实现光斑位置坐标的精准预测。
[0011]进一步的，步骤S1中生成仿真样本数据的方法为：设定一个光斑半径R，首先定义一个仿真光斑模型，再根据所选四象限探测器的规格信息构建4QD模型，然后在4QD上沿着x轴模拟光斑的运动生成仿真样本，根据计算得到如下的样本集合G
R
：
[0012]G
R
＝{(σ
x(k)
，X
(k)
)|k∈[1,n]}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]其中σ
x
为归一化后的信号偏移量，R表示光斑的半径，n表示当前设置的半径所生成的仿真样本数量，X
(k)
和表示第k个样本的光斑位置和信号偏移量。
[0014]进一步的，归一化后的信号偏移量σ
x
的计算公式如下：
[0015][0016]其中I1、I2、I3、I4表示激光照射到四象限探测器时每个象限所产生的电流大小。
[0017]进一步的，步骤S2中的光斑半径估计网络采用BP神经网络作为基础框架，共设置t个隐层，每个隐层设置c个神经元，采用步骤S1生成的仿真样本数据G
R
对光斑半径估计网络进行训练，在训练时加入噪声扰动以防止过拟合。
[0018]进一步的，为了更准确地进行真实光斑半径的估计，采用真实的小样本数据输入到训练好的光斑半径估计网络中进行测试，得到估计的光斑半径利用估计值重复步骤S1生成更接近真实光斑能量分布的仿真样本数据以模拟实际场景中复杂的光斑分布。
[0019]进一步的，步骤S3中构建的光斑位置预测网络输入层为真实的σ
x
，输出层为预测的光斑位置为了提升光斑定位算法的实时性，光斑位置预测网络的隐层数设置为l层，l
＜t。
[0020]进一步的，采用元学习的思想训练光斑位置预测网络的具体方法如下：先利用仿真样本数据集G
R
和训练网络的前几个隐层，得益于步骤S2的光斑半径估计网络，仿真样本数据集与真实样本数据的分布高度相似，充足的仿真样本数据提高了网络的非线性拟合能力；接着固定前几层的参数，再利用训练网络后面的隐层，然后用m个真实的小样本数据对后面的隐层进行微调，得到训练后的光斑位置预测网络。
[0021]与现有技术相比，本专利技术及其优选方案具有以下有益效果：
[0022](1)所设计的光斑半径估计网络可以根据真实的小样本数据得到光斑半径的估计值，在生成仿真样本数据时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的四象限探测器高精度光斑定位方法，其特征在于：包括以下步骤：步骤S1：根据四象限探测器的测量原理生成仿真样本数据；步骤S2：构建光斑半径估计网络，采用生成的仿真数据进行训练，再将真实的小样本数据输入到训练好的光斑半径估计网络中进行预测，采用得到估计的半径值生成更接近真实光斑分布的仿真样本数据；步骤S3：构建光斑位置预测网络，采用元学习进行分层训练并利用训练好的网络实现光斑位置坐标的精准预测。2.根据权利要求1所述的基于元学习的四象限探测器高精度光斑定位方法，其特征在于：步骤S1中生成仿真样本数据的方法为：设定一个光斑半径R，首先定义一个仿真光斑模型，再根据所选四象限探测器的规格信息构建4QD模型，然后在4QD上沿着x轴模拟光斑的运动生成仿真样本，根据计算得到如下的样本集合G
R
：其中σ
x
为归一化后的信号偏移量，R表示光斑的半径，n表示当前设置的半径所生成的仿真样本数量，X
(k)
和表示第k个样本的光斑位置和信号偏移量。3.根据权利要求1所述的基于元学习的四象限探测器高精度光斑定位方法，其特征在于：归一化后的信号偏移量σ
x
的计算公式如下：其中I1、I2、I3、I4表示激光照射到四象限探测器时每个象限所产生的电流大小。4.根据权利要求1所述的基于元学习的四象限探测器高精度光斑定位方法，其...

【专利技术属性】
技术研发人员：陈丽琼，杨祥昆，吴桐，陈振华，
申请(专利权)人：福州大学，
类型：发明
国别省市：