CN111814405A - 一种基于深度学习的照明***设计方法及*** - Google Patents
一种基于深度学习的照明***设计方法及*** Download PDFInfo
- Publication number
- CN111814405A CN111814405A CN202010716100.XA CN202010716100A CN111814405A CN 111814405 A CN111814405 A CN 111814405A CN 202010716100 A CN202010716100 A CN 202010716100A CN 111814405 A CN111814405 A CN 111814405A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- loss function
- point set
- design
- network model
- 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.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 171
- 238000013135 deep learning Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000005286 illumination Methods 0.000 claims abstract description 88
- 230000003287 optical effect Effects 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims description 132
- 238000013528 artificial neural network Methods 0.000 claims description 71
- 238000003384 imaging method Methods 0.000 claims description 57
- 238000004134 energy conservation Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 17
- 238000012821 model calculation Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 41
- 230000009897 systematic effect Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012938 design process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 101000927793 Homo sapiens Neuroepithelial cell-transforming gene 1 protein Proteins 0.000 description 1
- 101001124937 Homo sapiens Pre-mRNA-splicing factor 38B Proteins 0.000 description 1
- 101000643391 Homo sapiens Serine/arginine-rich splicing factor 11 Proteins 0.000 description 1
- 101000631937 Homo sapiens Sodium- and chloride-dependent glycine transporter 2 Proteins 0.000 description 1
- 101000639975 Homo sapiens Sodium-dependent noradrenaline transporter Proteins 0.000 description 1
- 102100028886 Sodium- and chloride-dependent glycine transporter 2 Human genes 0.000 description 1
- 102100024991 Tetraspanin-12 Human genes 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明公开了一种基于深度学***的下限;此外,减少了由于人的因素而导致的***误差,增加了客户预期的准确性。
Description
技术领域
本发明涉及照明***设计领域,尤其涉及一种基于深度学习的照明***设计方法。
背景技术
照明***设计是光学设计上的一个重要分支,可以通过照明设计去解决生活,工业中的种种不同需求。现有的照明光学***主要由LightTools等照明设计软件辅助进行完成,在LightTools等照明设计软件中通过对***搭建,评价函数的编写,最终优化出一个接近初始需求的照明***。但是这种设计方式受限于初始结构的选择,如果初始结构选择合理,则会大大降低设计难度,降低优化时间,反之则会增加优化与设计的难度。同时,光学***设计也受限于设计者的经验与水平,一个优秀的设计师可以很快的设计出符合需求的光学***,而新手则存在一定的难度。
除此之外,还可以使用Matlab,通过计算,方程求解得出透镜本身面型,最终实现照明设计,但是实践过程中,由于该方法计算量大,并且只能基于点光源进行计算,而实际使用过程中光源都具有一定的尺寸,导致最终设计结果在实际生产/使用中无法到达预期的效果。
专利CN201810068255.X公开了一种镜头光学***的设计方法、装置、设备及存储介质;该方案可以实现镜头的自动化光学***设计,但是由于镜头与照明***在设计需求以及使用上具有本质上的差别,因此不能直接将该技术方案直接适用于照明光学***的设计之中。
故市场亟需一种可以实现自动化的照明用光学透镜设计的技术方案。
发明内容
为解决上述技术问题,本发明提供一种基于深度学习的照明***设计方法,包括:获取照明***的设计参数;将设计参数导入到深度学习网络模型中进行训练并获得照明***的曲面点集;将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;拟合所述曲面获得所述照明***的面型方程。
上述技术方案中,首先要明确客户的需求,要得知客户到底要一个什么样的照明设备,然后再将从用户处获取的设计参数导入到预先训练好的深度学***的下限,增加了客户预期的准确性,克服了传统的透镜设计领域中所存在的涉及人的不可控因素过多,设计难度过大,计算量过高的技术问题。
进一步地,基于深度学习的照明***设计方法所述将设计参数导入到深度学习网络模型中进行训练并获得照明***的曲面点集包括:初始化所述深度学习网络模型;所述深度学习网络模型包括第一神经网络;对所述深度学习网络模型进行训练,将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集;所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度;根据所述高度集计算出二维面型曲线交点集;确定所述深度学习网络模型的目标损失函数;根据所述目标损失函数计算损失值,并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后继续训练;将所述二维面型曲线交点集作为曲面点集输出。
在该种进一步的方案中,先将深度学习网络模型初始化,将发射角度集导入到第一神经网络中,输出高度集,通过高度集计算二维面型曲线交点集,通过二维面型曲线交点集得到相应的损失函数与损失值,经过损失值评估,判断是否调整神经网络的结构继续训练,实现了对于深度学习网络模型的准确构建,相对于传统的如CN201810068255.X所描述适用传统的卷积神经网络的构建方式而言,其根据透镜设计的具体实际要求,对在传统的卷积神经网络中增添了适应于照明用光学透镜设计的技术特征,通过交点计算、法线计算、光路成像计算、能量成像计算等步骤对传统的卷积神经网络进行了适应性的修改,使其能够更好地适应于照明光源设计的具体需求。
进一步地,所述目标损失函数包括第一损失函数;确定所述深度学习网络模型的目标损失函数具体包括:根据所述二维面型曲线交点集计算出法线角度集;所述法线角度集中的法线角度与所述发射角度集中对应的发射角度之间满足斯涅耳定律;根据所述法线角度集和所述发射角度集计算得到光路成像点集;根据所述发射角度集得到能量守恒成像点集;所述发射角度集与所述能量守恒成像点集之间满足能量守恒定律;根据所述光路成像点集和所述能量守恒成像点集计算第一损失函数。
在该种进一步的技术方案中,需要具体确认在神经网络的构建过程中与实际的情况之间存在多少的误差,才能衡最终量训练的结果,进而有针对性调整神经网络的结构,从而使训练结果与实际结果相接近。具体而言,利用能量守恒定律计算能量守恒成像点集作为实际的判断标准,与经过神经网络输出后通过几何计算得到的光路成像点集进行对比,从而得到第一损失函数,进而计算损失值。
进一步地,所述深度学习网络模型还包括第二神经网络;所述目标损失函数还包括第二损失函数;确定所述深度学习网络模型的目标损失函数具体还包括:将所述二维面型曲线交点集输入所述第二神经网络中,通过所述第二神经网络拟合得到透镜二维面型曲线函数;根据所述透镜二维面型曲线函数与所述二维面型曲线交点集得到第二损失函数;将所述第一损失函数和所述第二损失函数加权相加得到目标损失函数。
在该种进一步的技术方案中,由于第一神经网络的输出实际上是曲面点集,而曲面点集无法用于加工,需要将曲面点集拟合为相应的二维曲面函数才能真正用于加工,理想而言,曲面点集中所有的点都应当在相应的二维曲面函数上,但是实际上并不如此,拟合过程同样也会产生损失,故需要将拟合过程所产生的损失也一并计算,具体而言,将二维面型曲线交点集导入到第二神经网络中,便是通过构建一个神经网络模拟拟合过程,将然后将得到的透镜二维面型曲线函数与二维面型曲线交点集进行比较,从而得到由于拟合过程所产生损失函数,进而计算损失值,从而判断由于拟合过程所导致的损失情况。
进一步地,步骤判断所述损失值是否小于预定阈值具体包括:判断所述损失值在预定的时间段内下降幅度是否小于幅度阈值,或者所述损失值是否发散;若是,则调整所述深度学习网络模型的结构参数后继续训练。
在实际的运行过程中,需要判断什么时候需要继续训练,什么时候需要结束训练,什么时候仅仅继续训练即可,什么时候需要进行神经网络的结构的调整,在该种进一步的方案中,通过对于损失值的监控来判断是否需要调整神经网络,在调整完神经网络之后再进行训练。
进一步地,还包括:将所述面型方程导入光学软件中,比较所述设计参数与所述光学软件的模拟结果。
在实际的运行过程中,虽然深度神经网络输出了关于透镜形状的面型方程,可以通过该面型方程进行加工作业,但是在实际的运行过程中,在真的加工出来之前,无法得知加工出来之后是不是真的满足需求参数,一旦将透镜加工出来之后才发现无法满足需求参数,那么一方面浪费了人力物力,另一方面也会导致设计师信誉降低。故在加工之前,要通过光学软件进行验证,验证其是否满足设计参数,避免在加工出来光学透镜之后才发现不能满足需求参数的尴尬情形。
优选地,所述设计参数包括目标参数、选型参数,所述目标参数包括照明区域大小、照明距离、目标平面均匀照明区域大小;所述选型参数包括LED灯型、光源发散角度大小、光源到透镜距离、透镜半径、光源到目标平面距离、目标平面匀光区域大小。
在该种优选的方案中,需要客户选择的只有照明区域大小、照明距离、目标平面均匀照明区域大小,适应于非专业客户,其仅对照明区域大小、照明距离、目标平面均匀照明区域大小等目标参数有要求,但对于具体的LED灯型以及如光源发散角度、光源到透镜距离、透镜半径等偏向于具体的光源设计的产品则并无要求,即客户给予了极大的自由度,供设计师自由发挥,在实际的应用过程中,可根据客户的实际的需求对具体的LED灯型以及如光源发散角度、光源到透镜距离、透镜半径等参数进行填充,当然也可作为深度学***面均匀照明区域大小等绝对必要的参数之外,还需要客户对LED灯型进行输入,设计师需要,该种方案一般适用于具有一定的专业能力的客户,一般情况下该种客户对成本有一定的要求,其向设计师提出成本的要求,并将LED灯型限定在某几种甚至是某一种,从而控制其成本;通过增加了关于LED灯型的参数,一方面增加了成本的可控性,另一方面也增加了输出的一致性,相对于只提供如明区域大小、照明距离、目标平面均匀照明区域大小等基本需求参数而言,增加了关于LED灯型的要求,进一步的限定了设计师在设计时的选择范围,减少了设计师设计的随意性,一方面提高了光源设计过程的下限,另一方面也为客户提供了更为准确的预期。除了如照明区域大小、照明距离、目标平面均匀照明区域大小等绝对必要的参数之外,涉及成本的LED灯型参数进行输入外,还需要客户输入光源发散角度大小、光源到透镜距离、透镜半径、光源到目标平面距离、目标平面匀光区域大小等更为具体的偏向于设计的参数,在传统的光源设计过程中,一般这些参数由设计师自行确定,但是在某些情况下,也可由客户提出,该种方案一般适用于具有高度专业素养的客户,对于该种客户,该种方案可以进一步的限定了设计师在设计时的选择范围,减少了设计师设计的随意性,一方面提高了光源设计过程的下限,另一方面也为客户提供了更为准确的预期,同时也使得客户可以积极参与到光源本身的具体设计之中,提高了客户的参与度。
本发明还提供了一种基于深度学习的照明***设计***,包括:设计参数获取模块,用于获取所述照明***的设计参数;模型计算模块,用于根据所述设计参数,通过预先训练好的深度学习网络模型获得所述照明***的曲面点集;曲面拟合模块,用于将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;最后拟合所述曲面获得所述照明***的面型方程。
优选地,还包括:所述模型计算模块包括:初始化模块,用于初始化所述深度学习网络模型,所述深度学习网络模型包括第一神经网络;2D光路计算模块,用于将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集;所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度;根据所述高度集计算出二维面型曲线交点集;损失函数确定模块,用于确认确定所述深度学习网络模型的目标损失函数;迭代训练模块,用于根据所述目标损失函数计算并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后继续训练。
进一步优选地,所述损失函数确定模块包括第一损失函数模块,所述第一损失函数模块用于根据所述二维面型曲线交点集计算出法线角度集,根据所述法线角度集和所述发射角度集计算得到光路成像点集,根据所述发射角度集得到能量守恒成像点集,根据所述光路成像点集和所述能量守恒成像点集计算第一损失函数;其中,所述法线角度集中的法线角度与所述发射角度集中对应的发射角度之间满足斯涅耳定律;所述发射角度集中的发射角度与所述能量守恒成像点集中对应的能量守恒成像点之间满足能量守恒定律
进一步优选地,所述深度学习网络模型还包括第二神经网络;所述损失函数确定模块还包括第二损失函数模块,所述第二损失函数模块用于将所述二维面型曲线交点集输入所述第二神经网络中,通过所述第二神经网络拟合得到透镜二维面型曲线函数,根据所述透镜二维面型曲线函数与所述二维面型曲线交点集得到第二损失函数;其中,所述第一损失函数和所述第二损失函数加权相加得到目标损失函数。
优选地,还包括:模拟验证模块;用于根据所述设计参数,通过光学软件验证所述面型方程。
本发明至少包括以下一项技术效果:
1、通过参数的获取到获得面型方程等步骤,实现了照明用光学透镜从参数到设计的自动化作业过程;
2、通过深度学***的下限;
3、通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性;
4、通过多样性的损失函数的设定,从不同的角度对因为机器学习的过程所产生的损失进行了计算,从而提高了模型的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于深度学习的照明***设计方法实施例1的流程示意图;
图2为本发明基于深度学习的照明***设计方法实施例1的二维面型曲线旋转示意图;
图3为本发明基于深度学习的照明***设计方法实施例1的曲面拟合示意图;
图4为本发明基于深度学习的照明***设计方法的实施例4的流程示意图;
图5为本发明基于深度学习的照明***设计方法的实施例4的损失值产生示意图;
图6为本发明基于深度学习的照明***设计方法的实施例2的迭代训练示意图;
图7为本发明基于深度学习的照明***设计方法的实施例3的光路计算过程示意图;
图8为本发明一种基于深度学习的照明***设计方法的实施例6的流程示意图;
图9为本发明一种基于深度学习的照明***设计***的实施例8的结构示意图;
图10为本发明一种基于深度学习的照明***设计***的实施12的结构示意图。
在上述附图中,各图号标记分别表示:
设计参数获取模块1;
模型计算模块2;
初始化模块2-1;
2D光路计算模块2-2;
第一损失函数模块2-3-1;
第二损失函数模块2-3-2;
迭代训练模块2-4;
曲面拟合模块3;
模拟验证模块4。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘出了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
本发明可以通过从客户处获取的相关设计参数导入到深度学习网络模型中,输出曲面点集,进而输出相应的面型方程,面型方程描述了透镜的形状,客户可通过面型方程对透镜进行加工,进而完成整个过程。本发明的具体判断***及方法参见下述实施例:
实施例1:
如图1一种基于深度学习的照明***设计方法实施例1的流程示意图;具体包括:
S1:获取照明***的设计参数;
S2:将设计参数导入到深度学习网络模型中进行训练并获得照明***的曲面点集;
S3:将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;
S4:拟合所述曲面获得所述照明***的面型方程。
明确设计需求的过程一般通过人机交互界面实现,在人机交互界面上,显示相应的界面,用户在人机交互界面的指引下填写设计参数,点击确认后提交相关参数,当然,设计参数的输入也可以通过人工填写实现,可以通过人工填写来实现相关的过程,给客户相应的表单,然后人工将客户需求输入到计算机***里,从而完成设计参数的导入;当设计参数采集完成后,将设计参数导入到深度学习网络模型中进行训练从而产生曲面点集,曲面点集用于描述使用深度学习网络模型产生的透镜曲面的形状,但是该曲面点集并不能直接用于透镜加工,故需要将去转化为可以用于透镜加工的数据结构,具体而言将曲面点集通过多项式拟合得到二维面型曲线,然后将该二维面型曲线进行旋转,获得对应的曲面。图2示出了将二维面型曲线旋转成为曲面的示意图,最后将曲面用多项式进行拟合从而得出面型方程,曲面拟合多项式示意图如图3所示,最后根据面型方程完成最后的加工过程。
本实施例通过参数的获取到获得面型方程等步骤,实现了照明用光学透镜从参数到设计的自动化作业过程;通过深度学***的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性。
实施例2:
本实施例包括:
S1:获取照明***的设计参数;
S2-1:初始化所述深度学习网络模型;所述深度学习网络模型包括第一神经网络;
S2-2:对所述深度学习网络模型进行训练,将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集;所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度;
S2-3:根据所述高度集计算出二维面型曲线交点集;
S2-4:确定所述深度学习网络模型的目标损失函数;
S2-5:根据所述目标损失函数计算损失值,并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后回到S2-2;
S2-6:将所述二维面型曲线交点集作为曲面点集输出;
S3:将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;
S4:拟合所述曲面获得所述照明***的面型方程。
首先先通过预设的参数初始化第一神经网络,然后如图7的光路计算过程示意图所示,构建发射角度集,发射角度集中包含多种不同的出射角度,其中的元素均匀的分布在光源到透镜的出射范围内,然后将发射角度集导入到第一神经网络中,第一神经网络根据发射角度集产生相应的高度集,其中包含的元素的意义为以发射角度集中的元素αn为出射角度出射的光线经折射后与透镜曲面的交点到透镜平面的垂直距离hn,在已知垂直距离hn、光源到透镜距离和出射角度αn的情况下,很容易便可以计算得到αn为出射角度出射的光线经折射后与透镜曲面的交点pn,从而得到二维面型曲线交点集,进而确定深度学习网络模型的目标损失函数,进而得到相应的损失值,并根据损失值对是否继续训练进行指导,如图6的迭代训练示意图所示,判断损失值是否小于预定阈值,若是则结束训练,输出所述深度学习网络模型,否则调整深度学习网络模型的结构参数后回到S2-2并继续进行训练,整个的训练过程。
本实施例通过对于深度学***的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性。
实施例3:
本实施例包括:
S1:获取照明***的设计参数;
S2-1:初始化所述深度学习网络模型;所述深度学习网络模型包括第一神经网络;
S2-2:对所述深度学习网络模型进行训练,将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集;所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度;
S2-3:根据所述高度集计算出二维面型曲线交点集;
S2-4-1:根据所述二维面型曲线交点集计算出法线角度集;所述法线角度集中的法线角度与所述发射角度集中对应的发射角度之间满足斯涅耳定律;
S2-4-2:根据所述法线角度集和所述发射角度集计算得到光路成像点集;
S2-4-3:根据所述发射角度集得到能量守恒成像点集;所述发射角度集与所述能量守恒成像点集之间满足能量守恒定律;
S2-4-4:根据所述光路成像点集和所述能量守恒成像点集计算第一损失函数;
S2-5:根据所述目标损失函数计算损失值,并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后回到S2-2;
S2-6:将所述二维面型曲线交点集作为曲面点集输出;
S3:将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;
S4:拟合所述曲面获得所述照明***的面型方程。
本实施例中,图7示出了本实施例的光路计算过程,与实施例2相比,通过计算光路成像点集和能量守恒成像点集来获得第一目标函数来计算损失函数值;其根据发射角度集,利用斯涅耳定律:n1×sinθ1=n2×sinθ2,n为折射率,θ为入射角,计算得到相应的法线集,法线集中的元素βn为出射角度出射的光线经折射后与透镜曲面的交点处的法线与折射光的夹角,在已知发射角度集、高度集、二维面型曲线交点集、法线集的情况下,很容易便可以计算得到相应的以发射角度集中的角度出射的光线在目标平面的位置tn所组成的集合,前述过程的本质是模拟了从光源发射出多种不同出射角度的光线经透镜折射之后在目标平面成像的光路过程;然后根据能量守恒定律:tn’×sin(αn)=T×sinθ,其中tn’为能量守恒成像点在目标平面上到光源在目标平面上投影的距离,T为发光角为αn时能量守恒成像点在目标平面上到光源在目标平面上投影的距离,从而得到tn’的值,即能量守恒成像点集,然后将能量守恒成像点集合光路成像点集之间相减并作MSE均方误差分析,从而得到相应的第一损失函数,从而判断经过光路模拟过程的点与经过能量守恒模拟的点之间的差距,并用该差距来衡量神经网络部分所产生的损失值。
本实施例通过对比光路模拟过程的点与经过能量守恒模拟的点之间的区别,来评价机器学***的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性。
实施例4:
本实施例的照明***设计方法如图4所示,在上述实施例3方法实施例的基础上,为了提升深度学习网络模型的精度,本实施例增加了第二损失函数的确定,具体的,本实施例的深度学习网络模型的构建步骤包括:
S2-1:初始化所述深度学习网络模型;所述深度学习网络模型包括第一神经网络;
S2-2:对所述深度学习网络模型进行训练,将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集;所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度;
S2-3:根据所述高度集计算出二维面型曲线交点集;
S2-4-1:根据所述二维面型曲线交点集计算出法线角度集;所述法线角度集中的法线角度与所述发射角度集中对应的发射角度之间满足斯涅耳定律;
S2-4-2:根据所述法线角度集和所述发射角度集计算得到光路成像点集;
S2-4-3:根据所述发射角度集得到能量守恒成像点集;所述发射角度集与所述能量守恒成像点集之间满足能量守恒定律;
S2-4-4:根据所述光路成像点集和所述能量守恒成像点集计算第一损失函数;
S2-4-5:将所述二维面型曲线交点集输入所述第二神经网络中,通过所述第二神经网络拟合得到透镜二维面型曲线函数;
S2-4-6:根据所述透镜二维面型曲线函数与所述二维面型曲线交点集得到第二损失函数;
S2-4-7:将所述第一损失函数和所述第二损失函数加权相加得到目标损失函数;
S2-5:根据所述目标损失函数计算损失值,并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后回到S2-2;
S2-6:将所述二维面型曲线交点集作为曲面点集输出。
本实施例中,与实施例3相比,增加了通过第二神经网络来计算由于曲线拟合过程所产生的误差,从而产生第二损失函数,最后将第一损失函数和第二损失函数加权相加得到最终的目标损失函数来计算损失值;具体而言,如图5一种基于深度学习的照明***设计方法的实施例4的损失值产生示意图所示,发射角度集中的元素αn输入到第一神经网络NET1中,输出高度集,在通过高度集中的元素hn进而得到二维面型曲线交点集,通过二维面型曲线交点集中的元素pn,再进一步得到法线集,在通过法线集中的元素βn,进而得到光路成像点集,其中的元素为tn,再计算能量守恒成像点集,其中的元素tn’,为然后tn-tn’得到etn,再将etn组成的集合进行MSE均方误差分析,通过第二神经网络NET2对获得的二维面型曲线交点集进行拟合,得到相应的拟合函数,即K次透镜二维面型曲线函数f,其中K可以事先假定,然后计算该曲线函数和交点集的MSE作为第二损失函数,即ecn,第二损失函数表示了在经过拟合之后会对原有的精度产生多大的影响;最后将第一损失函数和第二损失函数加权相加,从而形成最终的损失函数LOSS。
本实施例中,通过第二损失函数,实现了对于曲线拟合过程所产生的误差的计算,进一步提高了照明***设计的准确性,降低了照明用光学透镜的设计难度,并且提高了照明用光学透镜设计水平的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性
实施例5:
本实施例在上述实施例2和实施例3的基础上,对结束训练的判断进行了细化,具体的,上述实施例2或实施例3中步骤S2-5中判断所述损失值是否小于预定阈值具体包括:
S2-5-1:判断所述损失值在预定的时间段内下降幅度是否小于幅度阈值,或者所述损失值是否发散;若是,则调整所述深度学习网络模型的结构参数后回到S2-2继续训练。
本方案中增添了关于损失值变化趋势的判断;在实际的运行过程中,需要判断什么时候需要继续训练,什么时候需要结束训练,什么时候仅仅继续训练即可,什么时候需要进行神经网络的结构的调整,在该种进一步的方案中,除了简单的判断损失值是否变小之外,还可以对损失值的变化趋势进行判断,从而判断是否应当结束训练或者调整神经网络的结构,若损失值在一定的时间段内下降幅度过小甚至于出现了损失值发散的情况,则说明神经网络的构造存在缺陷,应当调整神经网络再进行训练。
实施例6:
本实施例的基于深度学习的照明***设计方法,如图8所示,包括:
S1:获取照明***的设计参数;
S2:将设计参数导入到深度学习网络模型中进行训练并获得照明***的曲面点集;
S3:将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;
S4:拟合所述曲面获得所述照明***的面型方程。
S5:将所述面型方程导入光学软件中,比较所述设计参数与所述光学软件的模拟结果。
本实施例相对于实施例1,增加了使用光学软件进行模拟验证的过程,在实际的运行过程中,虽然深度神经网络输出了关于透镜形状的面型方程,可以通过该面型方程进行加工作业,但是在实际的运行过程中,在真的加工出来之前,无法得知加工出来之后是不是真的满足需求参数,一旦将透镜加工出来之后才发现无法满足需求参数,那么一方面浪费了人力物力,另一方面也会导致设计师信誉降低。故在加工之前,要通过光学软件进行验证,验证其是否满足设计参数,避免在加工出来光学透镜之后才发现不能满足需求参数的尴尬情形,具体而言,一般使用Lighttools,Zemax等光学软件进行模拟验证。
实施例7:
本实施例基于实施例1,对设计参数做出了进一步限定:所述设计参数包括目标参数、选型参数,所述目标参数包括照明区域大小、照明距离、目标平面均匀照明区域大小;所述选型参数包括LED灯型、光源发散角度大小、光源到透镜距离、透镜半径、光源到目标平面距离、目标平面匀光区域大小。
本实施例中,具体参数的类型可根据实际情况进行选择,一般而言,至少要包括照明区域大小、照明距离、目标平面均匀照明区域大小等需求参数,如果客户不能提供这些参数,那么基本的设计目标便未知,更遑论实现设计需求;同时为了适应客户对于照明光源成本上的需求,还应当提供与成本控制有关的进一步的参数,具体而言,在实际的成本构成中,照明光源的成本主要来自与LED灯,不同的LED灯型可能会对成本产生较大的影响,故可通过直接控制LED灯型来控制成本,故对于成本有较大的敏感性的客户,应当让其提供具体的LED灯型,而不是让设计师自由发挥,选择自己认为合适的灯型;进一步的,存在部分客户对于照明光源本身的设计有自己的想法,想要积极参与到照明光源本身的设计之中,故在实际的操作过程中,可向客户要求提供进一步的设计层面上的参数,如光源发散角度大小、光源到透镜距离、透镜半径、光源到目标平面距离、目标平面匀光区域大小等,一方面满足了客户参与到具体的光源的设计的需要,另一方面可以有针对性的对不同类型的客户提供不同类型的服务,更有利于提高设计的下限。
实施例8
本实施例的基于深度学习的照明***设计***如图9所示,包括:
设计参数获取模块1,用于获取所述照明***的设计参数;
模型计算模块2,用于根据所述设计参数,通过预先训练好的深度学习网络模型获得所述照明***的曲面点集;
曲面拟合模块3,用于将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;最后拟合所述曲面获得所述照明***的面型方程。
本实施例中,通过设计参数获取模块1完成了获取照明***的设计参数,通过模型计算模块2完成了将设计参数导入到深度学习网络模型中进行训练并获得照明***的曲面点集;通过曲面拟合模块3完成了将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面,拟合所述曲面获得所述照明***的面型方程,从而实现了照明***透镜的自动化设计过程。
本实施例通过参数的获取到获得面型方程,实现了照明用光学透镜从参数到设计的自动化作业过程;通过深度学***的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性
实施例9
如图10所示,本实施例基于实施例8,还包括:所述模型计算模块包括:
初始化模块2-1,用于初始化所述深度学习网络模型,所述深度学习网络模型包括第一神经网络;
2D光路计算模块2-2,用于将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集,所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度,根据所述高度集计算出二维面型曲线交点集;
损失函数确定模块,用于确认确定所述深度学习网络模型的目标损失函数;
迭代训练模块2-4,用于根据所述目标损失函数计算并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后继续训练。
本实施例通过初始化模块2-1,实现了完成了初始化所述深度学习网络模型;2D光路计算模块2-2,实现了将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集;所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度;根据所述高度集计算出二维面型曲线交点集;损失函数确定模块,实现了对所述深度学习网络模型进行训练,确定所述深度学习网络模型的目标损失函数;迭代训练模块2-4,根据所述目标损失函数计算损失值,并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后继续训练。
本实施例通过对于深度学***的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性。
实施例10:
本实施例基于实施例9,进一步限定所述损失函数确定模块;具体的该损失函数确定模块具体包括:
第一损失函数模块2-3-1,所述第一损失函数模块2-3-1用于根据所述二维面型曲线交点集计算出法线角度集,根据所述法线角度集和所述发射角度集计算得到光路成像点集,根据所述发射角度集得到能量守恒成像点集,根据所述光路成像点集和所述能量守恒成像点集计算第一损失函数;
其中,所述法线角度集中的法线角度与所述发射角度集中对应的发射角度之间满足斯涅耳定律;所述发射角度集中的发射角度与所述能量守恒成像点集中对应的能量守恒成像点之间满足能量守恒定律。
在本实施例中,第一损失函数模块2-3-1实现根据所述二维面型曲线交点集计算出法线角度集,根据所述法线角度集和所述发射角度集计算得到光路成像点集,根据所述发射角度集得到能量守恒成像点集,所述发射角度集与所述能量守恒成像点集之间满足能量守恒定律,根据所述光路成像点集和所述能量守恒成像点集计算第一损失函数。
本实施例通过对比光路模拟过程的点与经过能量守恒模拟的点之间的区别,来评价机器学***的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性。
实施例11:
本实施例基于实施例10,进一步限定所述深度学习网络模型还包括第二神经网络;所述损失函数确定模块还包括第二损失函数模块2-3-2,所述第二损失函数模块2-3-2用于将所述二维面型曲线交点集输入所述第二神经网络中,通过所述第二神经网络拟合得到透镜二维面型曲线函数,根据所述透镜二维面型曲线函数与所述二维面型曲线交点集得到第二损失函数;
其中,所述第一损失函数和所述第二损失函数加权相加得到目标损失函数。
本实施例中,第二损失函数模块2-3-2实现了将所述二维面型曲线交点集输入所述第二神经网络中,通过所述第二神经网络拟合得到透镜二维面型曲线函数;根据所述透镜二维面型曲线函数与所述二维面型曲线交点集得到第二损失函数;将所述第一损失函数和所述第二损失函数加权相加得到目标损失函数。
本实施例中,通过第二损失函数,实现了对于曲线拟合过程所产生的误差的计算,进一步提高了照明***设计的准确性,降低了照明用光学透镜的设计难度,并且提高了照明用光学透镜设计水平的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性。
实施例12:
本实施例基于实施例8-11中任一一种实施例,还包括:模拟验证模块4;用于根据所述设计参数,通过光学软件验证所述面型方程。
当基于实施例11时,如图10一种基于深度学习的照明***设计***的实施12在基于实施例11时的结构示意图所示,在本实施例中,模拟验证模块4实现了将所述面型方程导入光学软件中,比较所述设计参数与所述光学软件的模拟结果。
本实施例通过前述方式,验证产生面型方程是否满足设计参数,避免在加工出来光学透镜之后才发现不能满足需求参数的尴尬情形。
本发明基于深度学***的下限;通过自动化的照明***设计,减少了由于人的因素而导致的***误差,增加了客户预期的准确性。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种基于深度学习的照明***设计方法,其特征在于,包括:
获取照明***的设计参数;
将设计参数导入到深度学习网络模型中进行训练并获得照明***的曲面点集;
将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;
拟合所述曲面获得所述照明***的面型方程。
2.根据权利要求1所述的一种基于深度学习的照明***设计方法,其特征在于,所述将设计参数导入到深度学习网络模型中进行训练并获得照明***的曲面点集包括:
初始化所述深度学习网络模型;所述深度学习网络模型包括第一神经网络;
对所述深度学习网络模型进行训练,将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集;所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度;
根据所述高度集计算出二维面型曲线交点集;
确定所述深度学习网络模型的目标损失函数;
根据所述目标损失函数计算损失值,并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后继续训练;
将所述二维面型曲线交点集作为曲面点集输出。
3.根据权利要求2所述的一种基于深度学习的照明***设计方法,其特征在于,所述目标损失函数包括第一损失函数;所述确定所述深度学习网络模型的目标损失函数包括:
根据所述二维面型曲线交点集计算出法线角度集;所述法线角度集中的法线角度与所述发射角度集中对应的发射角度之间满足斯涅耳定律;
根据所述法线角度集和所述发射角度集计算得到光路成像点集;
根据所述发射角度集得到能量守恒成像点集;所述发射角度集与所述能量守恒成像点集之间满足能量守恒定律;
根据所述光路成像点集和所述能量守恒成像点集计算第一损失函数。
4.根据权利要求3所述的一种基于深度学习的照明***设计方法,其特征在于,所述深度学习网络模型还包括第二神经网络;所述目标损失函数还包括第二损失函数;所述确定所述深度学习网络模型的目标损失函数还包括:
将所述二维面型曲线交点集输入所述第二神经网络中,通过所述第二神经网络拟合得到透镜二维面型曲线函数;
根据所述透镜二维面型曲线函数与所述二维面型曲线交点集得到第二损失函数;
将所述第一损失函数和所述第二损失函数加权相加得到目标损失函数。
5.根据权利要求2所述的一种基于深度学习的照明***设计方法,其特征在于,所述损失值判断还包括:判断所述损失值在预定的时间段内下降幅度是否小于幅度阈值,或者所述损失值是否发散;若是,则调整所述深度学习网络模型的结构参数后继续训练。
6.根据权利要求1所述的一种基于深度学习的照明***设计方法,其特征在于,所述设计参数包括目标参数、选型参数;其中:
所述目标参数包括照明区域大小、照明距离、目标平面均匀照明区域大小;
所述选型参数包括LED灯型、光源发散角度大小、光源到透镜距离、透镜半径、光源到目标平面距离、目标平面匀光区域大小。
7.根据权利要求1所述的一种基于深度学习的照明***设计方法,其特征在于,还包括:将所述面型方程导入光学软件中,比较所述设计参数与所述光学软件的模拟结果。
8.一种基于深度学习的照明***设计***,其特征在于,包括:
设计参数获取模块,用于获取所述照明***的设计参数;
模型计算模块,用于根据所述设计参数,通过预先训练好的深度学习网络模型获得所述照明***的曲面点集;
曲面拟合模块,用于将所述曲面点集进行拟合得到二维面型曲线,并将所述二维面型曲线旋转成为曲面;最后拟合所述曲面获得所述照明***的面型方程。
9.根据权利要求8所述的一种基于深度学习的照明***设计***,其特征在于,所述模型计算模块包括:
初始化模块,用于初始化所述深度学习网络模型,所述深度学习网络模型包括第一神经网络;
2D光路计算模块,用于将模拟光线的发射角度集输入所述第一神经网络,所述第一神经网络输出高度集;所述高度集中的元素为所述模拟光线在所述照明***的曲面上的出射点的高度;根据所述高度集计算出二维面型曲线交点集;
损失函数确定模块,用于确定所述深度学习网络模型的目标损失函数;
迭代训练模块,用于根据所述目标损失函数计算并判断所述损失值是否小于预定阈值;若是,则结束训练;否则,调整所述深度学习网络模型的结构参数后继续训练。
10.根据权利要求9所述的一种基于深度学习的照明***设计***,其特征在于,所述损失函数确定模块包括:第一损失函数模块;
所述第一损失函数模块,用于根据所述二维面型曲线交点集计算出法线角度集,根据所述法线角度集和所述发射角度集计算得到光路成像点集,根据所述发射角度集得到能量守恒成像点集,根据所述光路成像点集和所述能量守恒成像点集计算第一损失函数;
其中,所述法线角度集中的法线角度与所述发射角度集中对应的发射角度之间满足斯涅耳定律;所述发射角度集中的发射角度与所述能量守恒成像点集中对应的能量守恒成像点之间满足能量守恒定律。
11.根据权利要求10所述的一种基于深度学习的照明***设计***,其特征在于,所述深度学习网络模型还包括第二神经网络;所述损失函数确定模块还包括:第二损失函数模块;其中:
所述第二损失函数模块,用于将所述二维面型曲线交点集输入所述第二神经网络中,通过所述第二神经网络拟合得到透镜二维面型曲线函数,根据所述透镜二维面型曲线函数与所述二维面型曲线交点集得到第二损失函数;
其中,所述第一损失函数和所述第二损失函数加权相加得到目标损失函数。
12.根据权利要求10或者11所述的一种基于深度学习的照明***设计***,其特征在于,还包括:
模拟验证模块;用于根据所述设计参数,通过光学软件验证所述面型方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716100.XA CN111814405B (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的照明***设计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716100.XA CN111814405B (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的照明***设计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814405A true CN111814405A (zh) | 2020-10-23 |
CN111814405B CN111814405B (zh) | 2024-02-27 |
Family
ID=72862287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010716100.XA Active CN111814405B (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度学习的照明***设计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814405B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239615A (zh) * | 2021-04-21 | 2021-08-10 | 西北工业大学 | 一种基于机器学习的飞行视觉显示***设计方法 |
CN113419342A (zh) * | 2021-07-01 | 2021-09-21 | 重庆邮电大学 | 一种基于深度学习的自由照明光学设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104879711A (zh) * | 2015-06-02 | 2015-09-02 | 江南大学 | 一种基于三次样条的双自由曲面led匀光透镜设计方法 |
CN107976804A (zh) * | 2018-01-24 | 2018-05-01 | 郑州云海信息技术有限公司 | 一种镜头光学***的设计方法、装置、设备及存储介质 |
US20190385047A1 (en) * | 2018-06-19 | 2019-12-19 | Hong Kong Applied Science and Technology Research Institute Company, Limited | Semiconductor Device Modeling Using Input Pre-Processing and Transformed Targets for Training a Deep Neural Network |
-
2020
- 2020-07-23 CN CN202010716100.XA patent/CN111814405B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104879711A (zh) * | 2015-06-02 | 2015-09-02 | 江南大学 | 一种基于三次样条的双自由曲面led匀光透镜设计方法 |
CN107976804A (zh) * | 2018-01-24 | 2018-05-01 | 郑州云海信息技术有限公司 | 一种镜头光学***的设计方法、装置、设备及存储介质 |
US20190385047A1 (en) * | 2018-06-19 | 2019-12-19 | Hong Kong Applied Science and Technology Research Institute Company, Limited | Semiconductor Device Modeling Using Input Pre-Processing and Transformed Targets for Training a Deep Neural Network |
Non-Patent Citations (7)
Title |
---|
ADIGA, C等: "Application of neural networks in lighting system design: an evaluation of the utilization factor", ENGINEERING INTELLIGENT SYSTEMS FOR ELECTRICAL ENGINEERING AND COMMUNICATIONS, vol. 12, no. 3, pages 145 - 149 * |
HESAMIAN, MH等: "Designing the Network Topology of Feedforward Neural Network for Scene Illumination Classification", ADVANCED SCIENCE LETTERS, vol. 23, no. 6, pages 5269 - 5272 * |
VOSNIAKOS, GC: "Multi-disciplinary design optimisation of mechanical parts with freeform surfaces: Case study encompassing manufacturing criteria", PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART B-JOURNAL OF ENGINEERING MANUFACTURE, vol. 229, no. 2, pages 306 - 320 * |
杨通等: "自由曲面成像光学***设计:理论、发展与应用", 光学学报, vol. 41, no. 1, pages 1 - 29 * |
潘浩;陈国庆;杜伯钧;: "基于三次样条的双自由曲面LED匀光透镜设计", 激光与光电子学进展, no. 03, pages 203 - 210 * |
王钰;张新;王灵杰;王超;: "基于人工神经网络方法的自由曲面光学***装调", 光学学报, no. 12, pages 89 - 94 * |
邱鹏: "混合光室内照明***的研究与设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 3, pages 27 - 30 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239615A (zh) * | 2021-04-21 | 2021-08-10 | 西北工业大学 | 一种基于机器学习的飞行视觉显示***设计方法 |
CN113419342A (zh) * | 2021-07-01 | 2021-09-21 | 重庆邮电大学 | 一种基于深度学习的自由照明光学设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111814405B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814405B (zh) | 一种基于深度学习的照明***设计方法及*** | |
EP2629139A1 (en) | Method of designing progressive lenses | |
CN110875790A (zh) | 基于生成对抗网络的无线信道建模实现方法 | |
CN109451304A (zh) | 一种摄像头模组批量对焦测试方法及*** | |
CN108961184A (zh) | 一种深度图像的校正方法、装置及设备 | |
US20190179734A1 (en) | User assisted automated test case generation | |
CN107329233B (zh) | 一种基于神经网络的微滴式pcr仪自动对焦方法 | |
CN109376699A (zh) | 一种基于卷积神经网络的指纹识别方法 | |
CN112365177A (zh) | 一种基于vr的汽车维修实训的评价方法 | |
CN112133440A (zh) | 一种剂量计算***、剂量质量保证***及存储介质 | |
CN112050167B (zh) | 一种用于产生定制光斑的机器视觉照明透镜及其设计方法 | |
Mohammadikaji | Simulation-based planning of machine vision inspection systems with an application to laser triangulation | |
JP2007507815A (ja) | 導光板パターンの自動化された設計方法およびそのシステム | |
CN110457746A (zh) | 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法 | |
CN110072431B (zh) | 使用多焦点角膜曲率测量法确定眼睛表面轮廓 | |
CN107942510A (zh) | 一种基于散焦的红外成像***非均匀校正分析方法 | |
CN109870803B (zh) | 一次光学自由曲面结构的制作方法 | |
Salecker et al. | EFForTS-LGraf: A landscape generator for creating smallholder-driven land-use mosaics | |
Sengupta et al. | Uncertainty modulated exploration in the trade-off between sensing and acting | |
Marsh | Generative and performative design: a challenging new role for modern architects | |
CN113782174A (zh) | Ct机的校验方法、装置、电子设备及可读存储介质 | |
CN111241725A (zh) | 基于条件生成对抗网络的结构响应重构方法 | |
CN117542462B (zh) | 一种实测数据驱动的空间目标光学散射特性模拟方法 | |
CN105281977B (zh) | 一种基于二叉树算法的智能性能测试方法及*** | |
CN117292068B (zh) | 一种多重散射分布生成网络训练方法、渲染方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210830 Address after: 046011 Building 1, Huaihai science and Technology Industrial Park, No. 102, luyangmen South Road, economic development zone, Changzhi City, Shanxi Province Applicant after: Zhenzhun Bioengineering (Shanxi) Co.,Ltd. Address before: 200233 room 807, building 6, 333 Guiping Road, Xuhui District, Shanghai Applicant before: ZHENZHUN BIO-TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |