切换到宽版
  • 广告投放
  • 稿件投递
  • 繁體中文
  • 西工大在人工智能自适应光学方面取得重要进展

    作者:邸江磊 来源:西北工业大学 时间:2021-06-08 15:42 阅读:1381 [投稿]
    提出了一种基于深度学习的波前传感方法,使用卷积神经网络直接从畸变的强度图中恢复波前畸变相位,再使用空间光调制器等进行矫正,极大地简化了自适应光学系统结构。

    大气湍流或生物组织等介质会引起光场波前畸变,从而导致成像系统性能严重下降。为消除波前畸变影响,通常需要使用波前传感器获取波前畸变信息,并使用变形镜或空间光调制器对波前畸变进行矫正,以获得清晰的目标图像。这种自适应光学技术被广泛应用于天文观测、自由空间光通信、眼底成像等。然而,波前传感器成本高昂,且往往需要额外的引导光源。

    近日,西北工业大学物理科学与技术学院赵建林教授团队,与中国工程物理研究院流体物理研究所合作,在基于深度学习的自适应光学技术方面取得重要研究进展。相关成果以“Deep learning wavefront sensing and aberration correction in atmospheric turbulence”为题在线发表于中国光学工程学会会刊《PhotoniX》(DOI: 10.1186/s43074-021-00030-4)。


    图1. 基于深度学习的波前传感方法示意图

    研究团队提出了一种基于深度学习的波前传感方法,使用卷积神经网络直接从畸变的强度图中恢复波前畸变相位,再使用空间光调制器等进行矫正,极大地简化了自适应光学系统结构(见图1)。首先,通过数值模拟对不同复杂度的样品进行了对比分析,发现对于单一不变样品,神经网络的重建性能最高,随着样品复杂度的增加,神经网络性能逐渐下降;使用某类样品训练的神经网络对于与之相似的另一类样品具有很好的泛化能力。随后,对直接预测波前畸变相位和先预测泽尼克系数的两种重建方式进行了对比分析,发现对于简单波前畸变相位,两种方式的精度一致;对于复杂波前畸变相位,前者的精度更高。


    图2. 实验光路图

    分享到:
    扫一扫,关注光行天下的微信订阅号!
    【温馨提示】本频道长期接受投稿,内容可以是:
    1.行业新闻、市场分析。 2.新品新技术(最新研发出来的产品技术介绍,包括产品性能参数、作用、应用领域及图片); 3.解决方案/专业论文(针对问题及需求,提出一个解决问题的执行方案); 4.技术文章、白皮书,光学软件运用技术(光电行业内技术文档);
    如果想要将你的内容出现在这里,欢迎联系我们,投稿邮箱:service@opticsky.cn
    文章点评