光通信研究
2024, 50(2): 22007301
1 苏州大学光电科学与工程学院&苏州纳米科技协同创新中心,江苏 苏州 215006
2 江苏省先进光学制造技术重点实验室&教育部现代光学技术重点实验室,江苏 苏州 215006
在非球面零位干涉检测中,待测面检测误差分布与实际误差分布间存在干涉投影畸变。针对目前投影畸变校正方法计算复杂、通用性差等问题,提出一种基于卷积神经网络(CNN)的投影畸变校正方法。该方法首先在待测面上加入井字形柔性遮挡物,并根据投影畸变系数范围合成干涉图像作为CNN的数据集;然后选择合适的网络结构基于该数据集来训练网络;最后将实际干涉图像输入该网络以预测畸变系数,从而实现投影畸变的标定与校正。实验结果表明,该方法的理论校正误差小于1 pixel,实际误差校正精度优于传统标记点法,证明了该方法高效可行。
干涉检测 畸变校正 深度学习 卷积神经网络 系统标定 激光与光电子学进展
2024, 61(8): 0805001
1 中国科学院上海光学精密机械研究所精密光学制造与检测中心,上海 201800
2 中国科学院上海光学精密机械研究所高功率激光材料重点实验室,上海 201800
3 中国科学院大学材料科学与光电子工程中心,北京 100049
随着激光脉冲宽度极限的不断突破以及峰值功率的不断提高,脉宽压缩光栅的尺寸需要进一步增大。但反射式曝光系统所需大口径长焦距离轴镜的高精度加工检测成为制约大口径光栅制作的难题。采用计算全息补偿检测不需要复杂的设计和装调,但同样会引入非回转对称和复杂的二维投影畸变。传统的畸变校正方法由于精度受限或计算复杂不利于工程应用。提出基于数值计算的畸变校正方法,该方法具有简单通用易于编程的优点。利用800 mm口径折反镜在直径为18 m光学平台上搭建了面形检测光路,通过系统误差标定去除以及畸变校正的方法实现了高精度面形测量,经磁流变迭代加工后,面形精度RMS可收敛至0.013λ(λ=632.8 nm),这为后续大口径反射式曝光系统的建立奠定了基础。
离轴抛物面镜 计算全息图 误差标定 投影畸变校正 中国激光
2023, 50(23): 2304002
1 北京信息科技大学仪器科学与光电工程学院,北京 100192
2 北京信息科技大学光电测试技术及仪器教育部重点实验室,北京 100192
3 长春理工大学光电工程学院,吉林 长春 130022
采用摄影测量方法对航天器天线面形进行在轨高精度测量,需对大视场角相机内外参数进行实时在轨标定。恒星可作为不变基准辅助在轨相机标定,但需对所拍星图中的星点进行识别得到其星点矢量信息。提出了一种针对大视场角相机所拍星图的快速识别方法:首先,结合标定结果的星图识别策略,提高匹配准确性;然后,基于四颗星星间角距的标签搜索匹配方法,将复杂度减小至线性,实现快速准确匹配;最后,基于反投误差分析的匹配检验方法,避免误识别。实测实验表明:对采集到的2000张星图进行识别,相比于传统三角形星图识别算法,所提方法兼顾了识别速度和识别率,识别率达到99.5%,识别时间减少75%,证明此方法合理有效,可节省存储空间,提高星图识别速度,提高星图识别率,具有很好的实用价值。
大视场角相机 相机内外参数 畸变校正 快速星图识别 在轨标定 激光与光电子学进展
2023, 60(22): 2210004
强激光与粒子束
2023, 35(4): 041001
1 西安理工大学机械与精密仪器工程学院,陕西 西安 710048
2 陕西科技大学机电工程学院,陕西 西安 710021
3 西安理工大学经济与管理学院,陕西 西安 710054
针对孔内表面缺陷尺寸测量难的问题,提出一种内窥图像校正方法以实现孔内表面尺寸测量。根据内窥成像原理,在考虑应用场景几何约束的情况下,将图像畸变分解为周向畸变和轴向畸变,将校正模型中的参数简化为图像中心坐标和一个非线性增长函数,进而提高了内窥镜图像边缘区域的校正精度。采用Hough变换和图像像素标定的方法得到相关参数,为克服轴向校正对标定结果的依赖,采用神经网络算法拟合包含像素相对位置和孔径的轴向校正函数。实验结果表明,基于像素标定的6组实验的平均测量误差为1.95%,准确度高。对于不具备标定条件的孔内表面缺陷,采用轴向校正函数进行校正和测量,3组实验的平均测量误差为6.75%,结果较为理想。所提出的校正方法通用性好、准确率高,可用于孔类零件及管道的自动化检测和智能检测。
测量 畸变校正 内窥图像 尺寸测量 孔内表面 图像处理
1 重庆邮电大学 通信与信息工程学院,重庆 400065
2 信号与信息处理重庆市重点实验室,重庆 400065
为了改善传统随机并行梯度下降(Stochastic Parallel Gradient Descent, SPGD)算法收敛速度慢且容易陷入局部极值的问题,提出了一种元启发式随机并行梯度下降(Meta-Heuristic SPGD, MHSPGD)算法。该算法将SPGD算法和元启发式算法的开发与探索两步结合,首先利用SPGD算法的梯度下降搜索得到局部最优解,然后进行邻域搜索得到局部最优区域以外的可能最优解,通过所有解性能指标的比较来确定新的迭代起点。随着搜索范围的自适应扩展,该算法能够避免陷入局部极值并趋向收敛于全局最优。同时,为了避免重复搜索,建立了记忆表来记录迭代过程中产生的次最优解。搭建了无波前探测器自适应光学系统模型,运用所提算法对不同湍流强度下的波前畸变进行了仿真校正,并针对不同Zernike阶数的像差进行了仿真实验。在三种湍流强度下,MHSPGD算法所能达到的斯特列尔比(Strehl Ratio, SR)分别为0.7621、0.6554、0.3749,相比于SPGD算法分别提升了0.1%、2%和18.6%。此外,当畸变中含有较多高阶成分时,文中所提优化算法相比传统的SPGD算法,SR收敛到0.6所需的迭代次数减少了约47%,且SR收敛极限值也提升了约9.4%。结果表明:与三种主流优化算法相比,MHSPGD在保持较快收敛速度的同时,能够在各种湍流强度下达到更高的收敛极限,有效地解决了算法的局部收敛问题。
自适应光学 波前畸变校正 随机并行梯度下降算法 元启发式算法 adaptive optics wavefront distortion correction stochastic parallel gradient descent algorithm meta-heuristic algorithm 红外与激光工程
2022, 51(7): 20210759