CN113419342A - 一种基于深度学习的自由照明光学设计方法 - Google Patents
一种基于深度学习的自由照明光学设计方法 Download PDFInfo
- Publication number
- CN113419342A CN113419342A CN202110746595.5A CN202110746595A CN113419342A CN 113419342 A CN113419342 A CN 113419342A CN 202110746595 A CN202110746595 A CN 202110746595A CN 113419342 A CN113419342 A CN 113419342A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- deep learning
- illumination optical
- light spot
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003287 optical effect Effects 0.000 title claims abstract description 25
- 238000005286 illumination Methods 0.000 title claims abstract description 23
- 238000013461 design Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013041 optical simulation Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Lenses (AREA)
Abstract
本发明涉及一种基于深度学习的自由照明光学设计方法,属于深度学习、自由光学领域,包括以下步骤:S1:用画图软件绘制出所需的光斑形状,保存为训练样本;S2:基于Unet网络构建网络模型;S3:搭建环境,设置模型的初始参数进行调试;S4:将训练样本输入网络,通过不断优化,调整模型参数,得到良好收敛的网络模型;S5:将目标光斑图像输入网络,经过多次迭代拟合,生成透镜数据txt文件,将此数据进行光学仿真验证最终效果。本发明对于解决自由照明光学设计中的反问题,能够达到较好的效果。
Description
技术领域
本发明属于深度学习、自由光学领域,涉及一种基于深度学习的自由照明光学设计方法。
背景技术
自由曲面光学是指其表面形状围绕垂直于平均平面的轴缺乏平移或旋转对称的光学。以自由曲面光学构成的新技术使得设计师和工程师能够从光学表面几何的限制中脱离出来,实现紧凑、轻便和高效的照明***,并具有优异的光学性能。随着自由光学在光学设计中的优势得到越来越广泛的认识以及自由光学在光学***中的应用,自由光学***的设计策略就变得尤为重要。
在照明***设计中,采用自由曲面进行设计可有效的实现对光源的二次配光,得到所需要的照明光斑,同时提高能量利用率。自由照明光学的设计可以表述为:给定一个光源和一个规定的照明,一个或多个自由曲面,从光源发出的光线经自由曲面被重新定向以产生规定的照明。这其实是一个反问题,即根据需求的照明效果去设定自由曲面。当可以忽略光源的空间范围或角度范围的影响时,可以将光源视为理想光源(点光源或平行光束),将此反问题转化为定义明确的数学问题,进行复杂的求解计算,得出自由曲面的数据。
神经网络层数很多,宽度很广,理论上可以映射到任意函数,所以能解决很复杂的问题。神经网络高度依赖数据,利用大量的数据自适应学习,数据量越大,它的表现就越好。因此将神经网络模型用于解决自由照明光学设计中的反问题是亟待研究的。
发明内容
有鉴于此,本发明的目的在于提供一种基于深度学习的自由照明光学设计方法,避免了复杂的求解计算,具有更好的通用性。
为达到上述目的,本发明提供如下技术方案:
一种基于深度学习的自由照明光学设计方法,包括以下步骤:
S1:用画图软件绘制出所需的光斑形状,保存为训练样本;
S2:基于Unet网络构建网络模型;
S3:搭建环境,设置模型的初始参数进行调试;
S4:将训练样本输入网络,通过不断优化,调整模型参数,得到良好收敛的网络模型;
S5:将目标光斑图像输入网络,经过多次迭代拟合,生成透镜数据txt文件,将此数据进行光学仿真验证最终效果
进一步,步骤S1中,光斑图像为灰度图,光斑为白色背景为黑色,且光斑四周留有黑边,将光斑图像保存为256x256像素大小,任意图像格式。
进一步,步骤S2具体包括以下步骤:
S21:建立全卷积Unet网络;
Unet整体的流程是编码和解码,利用卷积层提取特征,获取每个像素点的信息,通过重叠结果,可以完美对任意大小图分隔,也可以通过镜像图片,对图片的边界上的元素进行预测。下采样可以增加对输入图像的一些小扰动的鲁棒性,比如图像平移,旋转等,减少过拟合的风险,降低运算量,和增加感受野的大小。上采样最大的作用是把抽象的特征再还原解码到原图的尺寸,最终得到分割结果。较浅的高分辨率层用来解决像素定位的问题,较深的层用来解决像素分类的问题。
S22:在一定的光学条件下,将透镜成像过程进行编程实现;
S23:引入新的函数,作为损失计算函数。
进一步,步骤S22中,忽略光源的空间范围或角度范围的影响,将光源视为理想光源,进行nurbs曲面的推导,即利用曲面数据计算出光线数据,并通过编程将其实现。
进一步,步骤S23中定义的损失函数为:
两个矩阵的相关程度函数corr2:
进一步,步骤S2所述网络模型为全卷积Unet+透镜成像+损失函数,数据流为光斑数据-透镜数据-光斑数据,将透镜数据进行保存。
本发明的有益效果在于:
提出新的损失函数corr2,在本模型中,相较于传统的损失函数,corr2表现出的效果更好。将透镜成像过程编程实现与Unet结合,形成光斑数据-透镜数据-光斑数据的数据流循环过程,在损失函数的限制下经过多次迭代,可使Unet计算过程接近透镜成像过程的逆计算过程。本发明是一种基于深度学习的自由照明光学设计方法,将全卷积Unet、nurbs曲面成像、自定义损失函数融合成一个全新的网络模型,对于解决自由照明光学设计中的反问题,能够达到较好的效果。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述全卷积Unet示意图;
图2为本发明所述网络模型原理示意图;
图3为操作流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图3,本发明各部分具体实施细节如下:
一种基于深度学习的自由照明光学设计方法,包括:
(1)利用画图软件按照要求绘制出所需的光斑形状,按照特定要求,将其保存为训练样本。
(2)建立全卷积Unet网络。
Unet整体的流程是编码和解码,利用卷积层提取特征,获取每个像素点的信息,通过重叠结果,可以完美对任意大小图分隔,也可以通过镜像图片,对图片的边界上的元素进行预测。下采样可以增加对输入图像的一些小扰动的鲁棒性,比如图像平移,旋转等,减少过拟合的风险,降低运算量,和增加感受野的大小。上采样最大的作用是把抽象的特征再还原解码到原图的尺寸,最终得到分割结果。较浅的高分辨率层用来解决像素定位的问题,较深的层用来解决像素分类的问题。
(3)在一定的光学条件下,将透镜成像过程进行编程实现。
当可以忽略光源的空间范围或角度范围的影响时,可以将光源视为理想光源(点光源或平行光束),进行nurbs曲面的推导,即利用曲面数据计算出光线数据,并通过编程将其实现。
(4)引入新的函数,作为损失计算函数。
两个矩阵的相关程度函数corr2:
(5)将各部分代码结合,形成整体的网络模型。整体的网络模型为全卷积Unet+透镜成像+损失函数,数据流为光斑数据-透镜数据-光斑数据,将透镜数据进行保存。
(6)将训练样本输入网络,通过不断优化,调整模型参数,得到良好收敛的网络模型。
(7)将目标光斑图像输入网络,经过多次迭代拟合,生成透镜数据txt文件,将此数据进行光学仿真验证最终效果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于深度学习的自由照明光学设计方法,其特征在于:包括以下步骤:
S1:用画图软件绘制出所需的光斑形状,保存为训练样本;
S2:基于Unet网络构建网络模型;
S3:搭建环境,设置模型的初始参数进行调试;
S4:将训练样本输入网络,通过不断优化,调整模型参数,得到良好收敛的网络模型;
S5:将目标光斑图像输入网络,经过多次迭代拟合,生成透镜数据txt文件,将此数据进行光学仿真验证最终效果。
2.根据权利要求1所述的基于深度学习的自由照明光学设计方法,其特征在于:步骤S1中,光斑图像为灰度图,光斑为白色背景为黑色,且光斑四周留有黑边,将光斑图像保存为256x256像素大小,任意图像格式。
3.根据权利要求1所述的基于深度学习的自由照明光学设计方法,其特征在于:步骤S2具体包括以下步骤:
S21:建立全卷积Unet网络;
S22:在一定的光学条件下,将透镜成像过程进行编程实现;
S23:引入新的函数,作为损失计算函数。
4.根据权利要求3所述的基于深度学习的自由照明光学设计方法,其特征在于:步骤S22中,忽略光源的空间范围或角度范围的影响,将光源视为理想光源,进行nurbs曲面的推导,即利用曲面数据计算出光线数据,并通过编程将其实现。
6.根据权利要求3所述的基于深度学习的自由照明光学设计方法,其特征在于:步骤S2所述网络模型为全卷积Unet+透镜成像+损失函数,数据流为光斑数据-透镜数据-光斑数据,将透镜数据进行保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746595.5A CN113419342A (zh) | 2021-07-01 | 2021-07-01 | 一种基于深度学习的自由照明光学设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746595.5A CN113419342A (zh) | 2021-07-01 | 2021-07-01 | 一种基于深度学习的自由照明光学设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113419342A true CN113419342A (zh) | 2021-09-21 |
Family
ID=77720071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110746595.5A Pending CN113419342A (zh) | 2021-07-01 | 2021-07-01 | 一种基于深度学习的自由照明光学设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113419342A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121665A (zh) * | 2010-12-31 | 2011-07-13 | 北京航空航天大学 | 一种用于户外led照明的自由曲面透镜结构设计方法 |
CN104317053A (zh) * | 2014-11-18 | 2015-01-28 | 重庆邮电大学 | 基于led台灯照明的自由曲面透镜构造方法 |
CN108345107A (zh) * | 2017-01-24 | 2018-07-31 | 清华大学 | 自由曲面照明***的设计方法 |
US20190041634A1 (en) * | 2016-02-04 | 2019-02-07 | Digilens, Inc. | Holographic Waveguide Optical Tracker |
CN109712081A (zh) * | 2018-11-14 | 2019-05-03 | 浙江大学 | 一种融合深度特征的语义风格迁移方法和*** |
WO2019094562A1 (en) * | 2017-11-08 | 2019-05-16 | Google Llc | Neural network based blind source separation |
CN109870803A (zh) * | 2017-12-01 | 2019-06-11 | 乐达创意科技股份有限公司 | 一次光学自由曲面结构的制作方法 |
CN110161682A (zh) * | 2019-05-31 | 2019-08-23 | 北京理工大学 | 一种自由曲面离轴反射***初始结构生成方法 |
CN110349095A (zh) * | 2019-06-14 | 2019-10-18 | 浙江大学 | 基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法 |
US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
CN111487769A (zh) * | 2020-04-25 | 2020-08-04 | 复旦大学 | 一种用于定制照明的全内反射透镜设计方法 |
US20200281460A1 (en) * | 2019-03-07 | 2020-09-10 | eyeBrain Medical, Inc. | Integrated progressive lens simulator |
CN111814405A (zh) * | 2020-07-23 | 2020-10-23 | 臻准生物科技(上海)有限公司 | 一种基于深度学习的照明***设计方法及*** |
US20200340901A1 (en) * | 2019-04-24 | 2020-10-29 | The Regents Of The University Of California | Label-free bio-aerosol sensing using mobile microscopy and deep learning |
US20210063730A1 (en) * | 2018-05-11 | 2021-03-04 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Efficient optical system design and components |
-
2021
- 2021-07-01 CN CN202110746595.5A patent/CN113419342A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121665A (zh) * | 2010-12-31 | 2011-07-13 | 北京航空航天大学 | 一种用于户外led照明的自由曲面透镜结构设计方法 |
CN104317053A (zh) * | 2014-11-18 | 2015-01-28 | 重庆邮电大学 | 基于led台灯照明的自由曲面透镜构造方法 |
US20190041634A1 (en) * | 2016-02-04 | 2019-02-07 | Digilens, Inc. | Holographic Waveguide Optical Tracker |
CN108345107A (zh) * | 2017-01-24 | 2018-07-31 | 清华大学 | 自由曲面照明***的设计方法 |
WO2019094562A1 (en) * | 2017-11-08 | 2019-05-16 | Google Llc | Neural network based blind source separation |
CN109870803A (zh) * | 2017-12-01 | 2019-06-11 | 乐达创意科技股份有限公司 | 一次光学自由曲面结构的制作方法 |
US20210063730A1 (en) * | 2018-05-11 | 2021-03-04 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Efficient optical system design and components |
US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
CN109712081A (zh) * | 2018-11-14 | 2019-05-03 | 浙江大学 | 一种融合深度特征的语义风格迁移方法和*** |
US20200281460A1 (en) * | 2019-03-07 | 2020-09-10 | eyeBrain Medical, Inc. | Integrated progressive lens simulator |
US20200340901A1 (en) * | 2019-04-24 | 2020-10-29 | The Regents Of The University Of California | Label-free bio-aerosol sensing using mobile microscopy and deep learning |
CN110161682A (zh) * | 2019-05-31 | 2019-08-23 | 北京理工大学 | 一种自由曲面离轴反射***初始结构生成方法 |
CN110349095A (zh) * | 2019-06-14 | 2019-10-18 | 浙江大学 | 基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法 |
CN111487769A (zh) * | 2020-04-25 | 2020-08-04 | 复旦大学 | 一种用于定制照明的全内反射透镜设计方法 |
CN111814405A (zh) * | 2020-07-23 | 2020-10-23 | 臻准生物科技(上海)有限公司 | 一种基于深度学习的照明***设计方法及*** |
Non-Patent Citations (2)
Title |
---|
YANG T 等: "direct generation of starting points for freeform off-axis three-mirror imaging system design using neural network based deep-learning", 《OPTICS EXPRESS》 * |
张斌等: "基于卷积神经网络的手势识别算法设计与实现", 《微型机与应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10884495B2 (en) | Light field display, adjusted pixel rendering method therefor, and vision correction system and method using same | |
US11257272B2 (en) | Generating synthetic image data for machine learning | |
US9519144B2 (en) | System, method, and computer program product to produce images for a near-eye light field display having a defect | |
EP2963464B1 (en) | Design of a refractive surface | |
Asayama et al. | Fabricating diminishable visual markers for geometric registration in projection mapping | |
CN114255197A (zh) | 一种红外与可见光图像自适应融合对齐方法及*** | |
CN112862736A (zh) | 一种基于点的实时三维重建与优化方法 | |
CN114787828A (zh) | 利用具有有意受控畸变的成像器进行人工智能神经网络的推理或训练 | |
Yaldiz et al. | Deepformabletag: End-to-end generation and recognition of deformable fiducial markers | |
Song et al. | Weakly-supervised stitching network for real-world panoramic image generation | |
CN114565508B (zh) | 虚拟换装方法及装置 | |
Luo et al. | Latr: 3d lane detection from monocular images with transformer | |
Zhou et al. | NeRFLix: High-quality neural view synthesis by learning a degradation-driven inter-viewpoint mixer | |
EP3529654B1 (en) | Optic, luminaire and method for fabricating optic | |
CN113419342A (zh) | 一种基于深度学习的自由照明光学设计方法 | |
CN112634456A (zh) | 基于深度学习的复杂三维模型的实时高真实感绘制方法 | |
CN116934972A (zh) | 一种基于双流网络的三维人体重建方法 | |
CN114022529B (zh) | 一种基于自适应双目结构光的深度感知方法和装置 | |
Lu et al. | Multi-view based neural network for semantic segmentation on 3D scenes | |
Evdokimova et al. | Meta-Learning Approach in Diffractive Lens Computational Imaging | |
JP2010066327A (ja) | ソフトウェアマスク算定プログラムおよび投影システム | |
CN114326323B (zh) | 一种反射式积分照明***中复眼匹配方法 | |
CN110276825A (zh) | 一种基于模版形变的三维人脸重建方法 | |
Li et al. | Hybrid Feature based Pyramid Network for Nighttime Semantic Segmentation. | |
CN113409436B (zh) | 一种菱形像素排列的体绘制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |
|
RJ01 | Rejection of invention patent application after publication |