【技术实现步骤摘要】
本专利技术涉及波前传感与校正，尤其是涉及一种深度学习的散焦散射波前传感方法。
技术介绍
1、大气湍流的存在使得激光在大气中传输的过程中会产生一定的像差，导致激光在传输的过程中激光传输能量由集中变分散，导致光学成像系统分辨率变差。自适应光学能够使得整个成像系统克服大气产生的动态扰动，进而改善成像能力。
2、自适应光学中的波前传感器价格昂贵且时效性低，难以在目前讲究实时性的系统中得到很好的应用。
3、从测得的光强分布信息中求出对应的相位信息，这样的一种映射方法叫做相位反演技术。相位反演技术或被称为相位恢复(pr),一般来讲是指所有的从光强信息恢复出相位信息的技术，但是有时也特指只有一副光强图恢复相位信息。但由于同一远场对于多个波前的多解问题，这种方法容易陷入局部极值，收敛的精度较低。如果使用俩幅光强图进行相位恢复时，一般都是其中一幅图像为焦平面的光强图，另一幅图像为离焦面光强图，这样的方法被称为相位差反演(pd)。由于整个方法只需要光强图，与其他的波前传感器相比，相位反演的方法具有光学硬件要求低的优点。
4、随着计算机的不断发展，深度学习的强大拟合能力在各个领域大放异彩。对自适应光学领域的传统的波前传感或无波前传感方法都有一定的结合，安徽农业大学的马慧敏等对alexnet进行改造，仿真生成了不同大气湍流参数下的焦面与离焦面图像，将这些图像作为输入，训练输出前35阶zernike系数(numerical study of adaptive opticscompensation based on co
5、日本大阪大学的nishizaki等提出采用当时领先的cnn模型直接从单幅光强图像估计zernike系数，还提出先对光强图像进行预处理，使得目标能量在图像传感器上展开，以此让图像传感器上更多的像素单元采集到信息。(详见nishizaki y,valdiviam,hori-saki r,et al.deep learning wavefront sensing[j].optics express,2019,27(1):240-251.)
6、因此，本专利技术提出了一种基于深度学习的散焦散射波前传感方法，并将其设计到了自适应光学系统中。
技术实现思路
1、本专利技术的目的是提供一种深度学习的散焦散射波前传感方法，使用深度学习的方法去实现自适应光学中的波前传感部分，利用相位差反演的方法去解决同一远场对于多个波前的多解问题，并利用散射预处理的方法使得目标激光的能量在图像传感器上展开，使图像传感器收集到更多的携带信息的像素，从而提高神经网络的拟合能力。
2、为实现上述目的，本专利技术提供了一种深度学习的散焦散射波前传感方法，包括以下步骤：
3、步骤1：基于kolmogorov湍流统计理论，得到符合统计理论的zernike多项式系数，作为给予制造像差的空间光调制器畸变波前；
4、步骤2：将532nm激光器发射的激光经过扩束系统进行扩束后，打到空间光调制器上获得畸变光斑；
5、步骤3：通过第一个5：5bs分束后形成矫正光路，收集光路；
6、步骤4：矫正光路经过第二个5：5bs分束后得到参照光路和矫正后光路；
7、步骤5：收集光路经过第三个5：5bs分束后得到散射光路和散焦散射光路；
8、步骤6：矫正后光路先照到变形镜上，对成像进行矫正，矫正后的光再次经过第二个5：5bs分束后经聚焦透镜成像至第一个cmos相机；
9、步骤7：散射光路的光通过一个成像透镜后成像至第二个cmos相机，其距离为成像透镜的焦距，并在焦距中点加入散射片，通过第二个cmos相机得到所需的散射畸变光斑；
10、步骤8：散焦散射光路的光通过成像透镜后成像至第三个cmos相机，调整其距离为非成像透镜的焦距，并在中间同样加入散射片，通过第三个cmos相机得到所需的散焦散射畸变光斑。
11、优选的，所述步骤1中得到符合统计理论的zernike多项式系数作为深度学习神经网络中的标签。
12、优选的，所述步骤6中的变形镜受pc端神经网路模块的输出控制。
13、优选的，所述神经网路模块使用前需要一定量的数据集进行学习，通过训练集和测试集数据满足图像对与标签相对应，神经网路模块学习到正确的图像与波前信息的映射关系，其残差分析的评价指标为残余波前的均方根值。
14、优选的，所述步骤7和所述步骤8中的散射畸变光斑和散焦散射畸变光斑作为一组图像对作为深度学习神经网路模块中的输入图片。
15、因此，本专利技术采用上述结构的一种深度学习的散焦散射波前传感方法，具有以下有益效果：
16、(1)本专利技术通过利用空间光调制器作为像差模拟系统，模拟生成具有大气湍流的畸变波前，使用得到的畸变光束经过cmos相机，利用cmos相机得到畸变光斑，得到的散焦散射光斑图像对经过计算机中波前控制器搭载的深度学习神经网路进行畸变信息的预测，预测得到的信息转换为变形镜对应的控制电压使用变形镜的改变对空间光调制器中加载的大气畸变信息进行抵消，从而实现无波前传感的作用。
17、(2)本专利技术通过散焦散射光斑图像对解决了单帧远场图片中由于zernik e系数的模糊性导致的存在的多解问题的同时通过收集散焦散射畸变光斑的图片使图片的特征放大，使网络模型更好的提取特征，同时也克服自适应光学系统中无波前传感的多次迭代问题从而提高整个系统的时效性。
18、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种深度学习的散焦散射波前传感方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种深度学习的散焦散射波前传感方法，其特征在于：所述步骤1中得到符合统计理论的Zernike多项式系数作为深度学习神经网络中的标签。
3.根据权利要求2所述的一种深度学习的散焦散射波前传感方法，其特征在于：所述步骤6中的变形镜受PC端神经网路模块的输出控制。
4.根据权利要求3所述的一种深度学习的散焦散射波前传感方法，其特征在于：所述神经网路模块使用前需要一定量的数据集进行学习，通过训练集和测试集数据满足图像对与标签相对应，神经网路模块学习到正确的图像与波前信息的映射关系，其残差分析的评价指标为残余波前的均方根值。
5.根据权利要求4所述的一种深度学习的散焦散射波前传感方法，其特征在于：所述步骤7和所述步骤8中的散射畸变光斑和散焦散射畸变光斑作为一组图像对作为深度学习神经网路模块中的输入图片。
【技术特征摘要】
1.一种深度学习的散焦散射波前传感方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种深度学习的散焦散射波前传感方法，其特征在于：所述步骤1中得到符合统计理论的zernike多项式系数作为深度学习神经网络中的标签。
3.根据权利要求2所述的一种深度学习的散焦散射波前传感方法，其特征在于：所述步骤6中的变形镜受pc端神经网路模块的输出控制。
4.根据权利要求3所述的一种深度学...
【专利技术属性】
技术研发人员：薛晋宇，秦成兵，胡建勇，陈瑞云，张国峰，肖连团，
申请(专利权)人：山西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。