CN111652372B - 一种基于衍射光学神经网络的波前复原方法及*** - Google Patents

一种基于衍射光学神经网络的波前复原方法及*** Download PDF

Info

Publication number
CN111652372B
CN111652372B CN202010566367.5A CN202010566367A CN111652372B CN 111652372 B CN111652372 B CN 111652372B CN 202010566367 A CN202010566367 A CN 202010566367A CN 111652372 B CN111652372 B CN 111652372B
Authority
CN
China
Prior art keywords
phase modulation
neural network
wavefront
modulation plate
phase
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.)
Active
Application number
CN202010566367.5A
Other languages
English (en)
Other versions
CN111652372A (zh
Inventor
刘贺
吕品
徐帆江
李程
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.)
Institute of Software of CAS
Original Assignee
Institute of Software of CAS
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 Institute of Software of CAS filed Critical Institute of Software of CAS
Priority to CN202010566367.5A priority Critical patent/CN111652372B/zh
Publication of CN111652372A publication Critical patent/CN111652372A/zh
Application granted granted Critical
Publication of CN111652372B publication Critical patent/CN111652372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J9/00—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G06N3/0675—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means using electro-optical, acousto-optical or opto-electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Neurology (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Mechanical Light Control Or Optical Switches (AREA)

Abstract

本发明公开了一种基于衍射光学神经网络的波前复原方法及***。本方法为：1)选取或构建包含前N阶泽尼克的波前‑系数数据对组成的数据集；2)构建光学神经网络模型，对数据集进行拟合，得到模型中每块相位调制板的二维相位分布；根据每块相位调制板的二维相位分布、待测光波的波长、所需相位调制板的折射率和透过率确定对应相位调制板的厚度；3)根据步骤2)确定的各相位调制板的厚度制作对应的相位调制板，根据光学神经网络模型中的位置分别放置于待测波前之后，对光波复振幅进行调制，然后探测经过各相位调制板后的光强分布，根据光强分布进行波前复原。本发明避免了光电转换和对电子计算机的依赖，具有耗能低、速度快等优点。

Description

一种基于衍射光学神经网络的波前复原方法及***
技术领域
本发明涉及一种波前复原方法，尤其涉及一种基于衍射光学神经网络的波前复原方法及***。
背景技术
自适应光学(AO)旨在对造成光学***畸变的波前(以下“波前”与“相位”不做区分)进行矫正，从而提高光学***成像能力，广泛用于激光***、天文观测、医疗成像等领域。如果采用有波前探测的技术路线，就需要先对畸变波前进行探测，然后对其进行矫正。
由于光波的相位是无法直接探测的，通常是构建一个光学探测***探测光强，再由一定的波前复原算法反演出波前。波前复原算法目前有两种技术路线：一种是首先对光学***正向成像过程进行建模，再使用最优化算法，将畸变波前作为参数，对这个逆问题进行求解；另一种是在电子计算机上训练一个神经网络，拟合波前-光斑这一对数据构成的数据集，然后将神经网络作为复原算法使用。
衍射光学神经网络(D2NN)被证明可用于对一定复杂度的机器学习任务，其将输入编码为某个波段的光束，经过层层衍射，输出任务标签。
由于现有的波前复原需先进行光电转换(即光电探测)，再将数据输入电子计算机进行波前复原，因此存在耗能高、速度慢和中间的探测环节损失了相位信息的问题。
发明内容
针对现有技术中存在的技术问题，本发明的目的在于提供一种基于衍射光学神经网络的波前复原方法及***。本发明直接接收待测波前作为输入，输出由泽尼克系数表示的波前复原结果，避免了光电转换和对电子计算机的依赖，具有耗能低、速度快等优点。
本发明的技术方案为：
一种基于衍射光学神经网络的波前复原方法，其步骤包括：
1)选取或构建包含前N阶泽尼克的波前-系数数据对组成的数据集；
2)构建光学神经网络模型，对数据集进行拟合，得到该光学神经网络模型中每块相位调制板的二维相位分布；根据每块相位调制板的二维相位分布、待测光波的波长、所需相位调制板的折射率和透过率确定对应相位调制板的厚度；
3)根据步骤2)确定的各相位调制板的厚度制作对应的相位调制板，根据光学神经网络模型中的位置分别放置于待测波前之后，对光波复振幅进行调制，然后探测经过各相位调制板后的光强分布；然后根据探测的光强分布进行波前复原。
进一步的，步骤3)中，根据探测器像素和泽尼克阶数，将探测器的探测面上划分为不同区域，每个区域强度代表相应阶泽尼克系数；然后将探测器的每个区域光强总能量读出复原波前泽尼克系数，然后根据复原波前泽尼克系数合成波前，完成波前复原。
进一步的，相位调制板的厚度△＝λφ/2π(n-1)；其中，n为相位调制板的折射率，φ为训练得到的相位调制板的相位值，λ为光波长。
进一步的，在深度学习框架下，构建所述光学神经网络模型，设定好各相位调制板大小和间隔，以相位板相位分布为参数，对所述数据集进行训练；其中以数据集中相位为所述光学神经网络模型的输入，得到相应的输出，并用损失函数将输出与数据集中N阶泽尼克系数进行比较，根据比较结果调整相位调制板的相位值，使损失函数收敛到最小，最终得到各相位调制板的二维相位分布。
进一步的，生成所述数据集的方法为：将波前W分解为泽尼克多项式，然后在前N阶泽尼克内随机选择若干阶泽尼克生成混合波前，从而生成多个波前-系数数据对组成的数据集。
一种基于衍射光学神经网络的波前复原***，其特征在于，包括一由多个相位调制板构成的衍射光学神经网络和一探测器；其中，根据训练好的光学神经网络模型确定每个相位调制板的二维相位分布，然后根据每块相位调制板的二维相位分布、待测光波的波长、所需相位调制板的折射率和透过率确定对应相位调制板的厚度；利用包含前N阶泽尼克的波前-系数数据对组成的数据集训练该光学神经网络模型，得到该光学神经网络模型中每块相位调制板的二维相位分布；
所述衍射光学神经网络放置于待测波前之后，用于调制入射波前的复振幅分布；
所述探测器放置于所述衍射光学神经网络之后，用于接收经过各相位调制板后的光强分布；然后根据探测的光强分布进行波前复原。
进一步的，所述衍射光学神经网络与入射的待测波前之间设有一聚焦透镜，用于对待测波前进行汇聚后入射到所述衍射光学神经网络；所述衍射光学神经网络与所述探测器之间设有一聚焦透镜，用于将经所述衍射光学神经网络后的光束汇聚到所述探测器的探测面。
光学神经网络由相位调制板组成，每一相位调制板是针对特定波段而设计成有二维厚度分布的平板，待测光波经过M块相位调制板，整个过程无需消耗任何能源，最后由探测器探测光强分布。
由于任意畸变波前W可分解为泽尼克多项式
Figure BDA0002547767970000031
其中Z为泽尼克基函数，a代表相应泽尼克系数，i代表泽尼克阶数，r,θ构成极坐标坐标系。
根据探测器像素和泽尼克阶数，探测器的探测面上划分为不同区域，每个区域强度代表相应阶泽尼克系数。
首先，按照具体应用需要，构建包含前N阶泽尼克的波前-N阶系数数据对组成的数据集。
其次，在深度学习框架如Tensorflow下，构建光学神经网络模型，对数据集进行拟合，最终得到每块相位调制板的二维相位分布，根据折射率转化为相位调制板厚度，相位板材料根据波长、折射率、透过率选择。如相位板折射率为n，训练得相位值为φ，光波长为λ，厚度△等于λφ/2π(n-1)。
最后，制作相位调制板，放置于待测波前之后，探测经过相位调制板后的光强分布。根据每个区域光强总能量读出复原波前泽尼克系数，由系数合成波前。
本发明的有益效果是：
利用衍射光学神经网络本身的拟合能力，同时计算前移，直接接收待测波前作为输入，输出由泽尼克系数表示的波前复原结果，避免了光电转换和对电子计算机的依赖，耗能低，速度快，***简化。
附图说明
图1为基于衍射光学神经网络的波前复原***单阶实例示意图；
图2为基于衍射光学神经网络的波前复原***多阶实例示意图；
图3为探测器面区域划分示意图。
具体实施方式
下面结合附图和实施例对本发明提出一种基于衍射光学神经网络的波前复原方法进行介绍：
1、具体实施例1
实施例1的***图如图1所示，现结合附图1描述实施例1技术方案详细的实现过程。
首先，将波前W分解为泽尼克多项式，在前10阶泽尼克以内，随机选择3阶泽尼克，由
Figure BDA0002547767970000032
生成混合波前，该混合波前与相应系数构成一个数据对，重复上述过程从而生成一个约20000个波前-系数数据对组成的数据集。
其次，在深度学习框架如Tensorflow下，构建光学神经网络模型，设定好相位板大小和间隔，以相位板相位分布为参数，对数据集进行训练。以数据集中相位为神经网络输入，得到相应的输出，用损失函数将输出与数据集中N阶泽尼克系数进行比较，运用优化算法，不断调整相位板相位值，使损失函数收敛到最小，可得到训练出的相位板相位分布。训练过程可使用Tensorflow的成熟工具。最终将每块相位板的二维相位分布，根据折射率转化为相位板厚度。
最后，制作相位板，根据光学神经网络模型中的位置分别放置于待测波前之后，探测经过相位板后的光强分布。根据每个区域总强度读出复原波前泽尼克系数，由系数合成波前。
2、具体实施例2
实施例2的***图如图2所示，现结合附图2描述实施例2技术方案详细的实现过程。
首先，在前10阶泽尼克以内，随机选择3阶泽尼克，生成混合波前，从而生成一个约20000个波前-系数数据对组成的数据集。
此例中为克服多阶相位可能出现的光波传播过程中能量分布超过相位板大小的情况，前后放置聚焦镜，用于聚集光波。
其次，在深度学习框架如Tensorflow下，构建光学神经网络模型，对数据集进行训练，最终得到每块相位板的二维相位分布，根据折射率转化为相位板厚度。
最后，制作相位板，放置于待测波前之后，对光波复振幅进行调制，最后探测经过相位板后的光强分布。
根据每个区域总强度读出复原波前泽尼克系数，由上述
Figure BDA0002547767970000041
合成波前。
本发明未详细阐述部分属于本领域技术人员的公知技术。

Claims (9)

1.一种基于衍射光学神经网络的波前复原方法，其步骤包括：
1)选取或构建包含前N阶泽尼克的波前-系数数据对组成的数据集；
2)构建光学神经网络模型，对数据集进行拟合，得到该光学神经网络模型中每块相位调制板的二维相位分布；根据每块相位调制板的二维相位分布、待测光波的波长、所需相位调制板的折射率和透过率确定对应相位调制板的厚度；
3)根据步骤2)确定的各相位调制板的厚度制作对应的相位调制板，根据光学神经网络模型中的位置分别放置于待测波前之后，对光波复振幅进行调制，然后探测经过各相位调制板后的光强分布；然后根据探测的光强分布进行波前复原。
2.如权利要求1所述的方法，其特征在于，步骤3)中，根据探测器像素和泽尼克阶数，将探测器的探测面上划分为不同区域，每个区域强度代表相应阶泽尼克系数；然后将探测器的每个区域光强总能量读出复原波前泽尼克系数，然后根据复原波前泽尼克系数合成波前，完成波前复原。
3.如权利要求1或2所述的方法，其特征在于，相位调制板的厚度△＝λφ/2π(n-1)；其中，n为相位调制板的折射率，φ为训练得到的相位调制板的相位值，λ为光波长。
4.如权利要求1所述的方法，其特征在于，在深度学习框架下，构建所述光学神经网络模型，设定好各相位调制板大小和间隔，以相位板相位分布为参数，对所述数据集进行训练；其中以数据集中相位为所述光学神经网络模型的输入，得到相应的输出，并用损失函数将输出与数据集中N阶泽尼克系数进行比较，根据比较结果调整相位调制板的相位值，使损失函数收敛到最小，最终得到各相位调制板的二维相位分布。
5.如权利要求1所述的方法，其特征在于，生成所述数据集的方法为：将波前W分解为泽尼克多项式，然后在前N阶泽尼克内随机选择若干阶泽尼克生成混合波前，从而生成多个波前-系数数据对组成的数据集。
6.一种基于衍射光学神经网络的波前复原***，其特征在于，包括一由多个相位调制板构成的衍射光学神经网络和一探测器；其中，根据训练好的光学神经网络模型确定每个相位调制板的二维相位分布，然后根据每块相位调制板的二维相位分布、待测光波的波长、所需相位调制板的折射率和透过率确定对应相位调制板的厚度；利用包含前N阶泽尼克的波前-系数数据对组成的数据集训练该光学神经网络模型，得到该光学神经网络模型中每块相位调制板的二维相位分布；
所述衍射光学神经网络放置于待测波前之后，用于调制入射波前的复振幅分布；
所述探测器放置于所述衍射光学神经网络之后，用于接收经过各相位调制板后的光强分布；然后根据探测的光强分布进行波前复原。
7.如权利要求6所述的***，其特征在于，根据探测器像素和泽尼克阶数，将探测器的探测面上划分为不同区域，每个区域强度代表相应阶泽尼克系数；然后将探测器的每个区域光强总能量读出复原波前泽尼克系数，然后根据复原波前泽尼克系数合成波前，完成波前复原。
8.如权利要求6所述的***，其特征在于，所述相位调制板的厚度△＝λφ/2π(n-1)；其中，n为相位调制板的折射率，φ为训练得到的相位调制板的相位值，λ为光波长。
9.如权利要求6所述的***，其特征在于，所述衍射光学神经网络与入射的待测波前之间设有一聚焦透镜，用于对待测波前进行汇聚后入射到所述衍射光学神经网络；所述衍射光学神经网络与所述探测器之间设有一聚焦透镜，用于将经所述衍射光学神经网络后的光束汇聚到所述探测器的探测面。
CN202010566367.5A 2020-06-19 2020-06-19 一种基于衍射光学神经网络的波前复原方法及*** Active CN111652372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010566367.5A CN111652372B (zh) 2020-06-19 2020-06-19 一种基于衍射光学神经网络的波前复原方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010566367.5A CN111652372B (zh) 2020-06-19 2020-06-19 一种基于衍射光学神经网络的波前复原方法及***

Publications (2)

Publication Number Publication Date
CN111652372A CN111652372A (zh) 2020-09-11
CN111652372B true CN111652372B (zh) 2022-08-19

Family

ID=72348086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010566367.5A Active CN111652372B (zh) 2020-06-19 2020-06-19 一种基于衍射光学神经网络的波前复原方法及***

Country Status (1)

Country Link
CN (1) CN111652372B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180583B (zh) * 2020-10-30 2022-07-01 中国工程物理研究院激光聚变研究中心 一种基于全光神经网络的自适应光学***
CN114519309A (zh) * 2022-02-23 2022-05-20 中国科学院光电技术研究所 一种基于深度学习的畸变波前预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378473A (zh) * 2019-07-26 2019-10-25 清华大学 基于深度学习和随机图案的相位层析方法及装置
CN110929864A (zh) * 2019-12-05 2020-03-27 北京超放信息技术有限公司 光学衍射神经网络在线训练方法及***
CN111077085A (zh) * 2019-12-31 2020-04-28 哈工大机器人(中山)无人装备与人工智能研究院 基于深度学习的无波前探测器自适应点扫描成像方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378473A (zh) * 2019-07-26 2019-10-25 清华大学 基于深度学习和随机图案的相位层析方法及装置
CN110929864A (zh) * 2019-12-05 2020-03-27 北京超放信息技术有限公司 光学衍射神经网络在线训练方法及***
CN111077085A (zh) * 2019-12-31 2020-04-28 哈工大机器人(中山)无人装备与人工智能研究院 基于深度学习的无波前探测器自适应点扫描成像方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
All-optical machine learning using diffractive deep neural networks;XING LIN等;《Science》;20180726;第361卷(第6406期);1004-1008 *
Deep Learning Approach to Mode Demultiplexing of Laguerre-Gaussian Optical Beams and Transformation of Electromagnetic Fields from a Plane to an Arbitrary Surface;Amit Bekerman;《TEL AVIV UNIVERSITY》;20191130;1-60 *
Design of task-specific optical systems using broadband diffractive neural networks;Yi Luo等;《Light: Science & Applications》;20191202;1-14 *
Nonlinear wavefront reconstruction with convolutional neural networks for Fourier-based wavefront sensors;R. LANDMAN 等;《 2020 Optical Society of America under the terms of the OSA Open Access Publishing Agreement》;20200519;16644-1665 *
Optical phase retrieval with the image of intensity in the focal plane based on the convolutional neural networks;A P Dzyuba等;《Journal of Physics: Conference Series》;20191230;1-8 *
Phase recovery and holographic image reconstruction using deep learning in neural networks;Yair Rivenson;《Light: Science & Applications 》;20171013;1-9 *
一种基于光强图像深度学习的波前复原方法;马慧敏 等;《激光与光电子学进展》;20200430;第57卷(第8期);1-10 *

Also Published As

Publication number Publication date
CN111652372A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111652372B (zh) 一种基于衍射光学神经网络的波前复原方法及***
CN110334804B (zh) 基于空间部分相干光的全光深度衍射神经网络***及方法
CN111579097B (zh) 基于神经网络的高精度光学散射补偿方法
CN102422200A (zh) 以减小的像模糊对物进行成像的成像***和方法
CN110646100B (zh) 一种基于bp神经网络的倍频波前探测方法
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
CN111582435A (zh) 基于残差网络的衍射深度神经网络***
CN110309916B (zh) 多级空频域调制非线性全光学深度学习***及方法
He et al. A rapid hybrid wave front correction algorithm for sensor-less adaptive optics in free space optical communication
Barchers Closed-loop stable control of two deformable mirrors for compensation of amplitude and phase fluctuations
CN106526839A (zh) 一种基于模式的同步无波前自适应光学***
Benton et al. Emulating atmospheric turbulence effects on a micro-mirror array: assessing the DMD for use with free-space-to-fibre optical connections
CN105933060A (zh) 一种基于动力学反馈神经网络的波前重构方法
Monirabbasi et al. Adaptive control in an adaptive optics experiment
CN114693938A (zh) 基于残差注意力网络的波前畸变校正方法
CN111695676B (zh) 一种基于生成对抗网络的波前复原方法及***
CN112179506B (zh) 一种混合阶或分数阶涡旋光束模态识别装置及方法
Archinuk et al. Mitigating the nonlinearities in a pyramid wavefront sensor
Gavril'eva et al. Approaches to cross-talk noise reduction in modal holographic wavefront sensors
CN112099229A (zh) 基于远场的高速自适应光学闭环控制方法
Ding et al. Spatial phase retrieval of vortex beam using convolutional neural network
CN114460045B (zh) 散射介质光学传输矩阵的测量方法
Petković et al. RETRACTED: Adaptive neuro-fuzzy prediction of modulation transfer function of optical lens system
CN107861240A (zh) 曲面基底多层衍射光学元件的制作方法及装置
Hsu et al. Shack-Hartmann based wavefront and intensity sensing via U-Net

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
GR01 Patent grant