-
公开(公告)号：CN114022730B
公开(公告)日：2023-08-15
申请号：CN202111260725.0
申请日：2021-10-28
Applicant: 中国科学院光电技术研究所
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于自监督学习神经网络的点目标相位检索方法，利用的系统包括：成像探测器与自监督学习神经网络模块。在训练过程中，自监督学习神经网络将输入的光斑图像的数据样本映射到Zernike系数，然后通过光学成像系统利用Zernike系数计算出光斑图像，根据输入与输出光斑图像之间的相似度计算损失函数实现自监督学习。测试过程中，成像探测器采集的单幅离焦光斑图像输入到自监督学习神经网络中，根据映射关系输出系统所需的波前参数，实现相位检索。该方法不依赖任何标签值，仅通过畸变光斑数据的内在特征，建立采集光斑样本之间的映射关系；有效地避免了传统监督学习需要大量标签样本的技术瓶颈，有利于神经网络相位检索方法的实际应用。
-
公开(公告)号：CN115019125A
公开(公告)日：2022-09-06
申请号：CN202210570531.9
申请日：2022-05-24
Applicant: 中国科学院光电技术研究所
IPC: G06V10/774 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的自监督扩展目标像差探测方法，首先，利用物理模型提取出扩展目标中的像差信息，然后将提取的像差信息输入卷积神经网络中，利用其非线性拟合的能力建立图像与Zernike系数的映射关系，然后利用Zernike系数与光学成像模型重建像差信息，并依据输入像差特征与光学模型输出像差特征之间的相似度计算损失函数实现自监督学习。测试过程中，可采集已知离焦量的系统中的在焦面与离焦面扩展目标的图像输入到已经训练好的无监督网络中，输出所需要的相位信息。该种方法在物理模型阶段消除了原目标特征，可实现对多种目标的普适性探测，在扩展目标种类变换与实际应用过程中无法获得准确标签的情况下具有更好的实用性。
-
公开(公告)号：CN114859552B
公开(公告)日：2023-09-19
申请号：CN202210633536.1
申请日：2022-06-07
Applicant: 中国科学院光电技术研究所
IPC: G02B27/00 , G06V10/82 , G06V10/766 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的离轴望远镜低阶像差校正方法。所述方法包括：步骤一：建立光学系统模型；步骤二：构建神经网络数据集，所述数据集包括训练集和测试集；步骤三：训练神经网络模型；步骤四：求解失调量并指导装调。本方法无需使用波前传感器获取光学系统的像差，有效降低系统的复杂度以及避免像差探测环节带来的累积误差，从而提高系统低阶像差校正的效率和系统的成像质量。本方法适用于各种复杂系统的镜片失调量求解，并具备高精度和实时性，在工程实践中将其应用于离轴望远镜的像差校正具有重要指导意义。
-
公开(公告)号：CN116202487A
公开(公告)日：2023-06-02
申请号：CN202310181016.6
申请日：2023-02-28
Applicant: 中国科学院光电技术研究所
Abstract: 本发明提供了一种基于三维建模的实时目标姿态测量方法，包括：根据近景拍摄或其他先验条件，建立飞行目标的三维模型；以航迹预测提供姿态初值，以姿态初值驱动三维模型，获得初始模拟图像；通过射影几何关系，建立三维模型与真实图像的3D‑2D特征关联；通过EPnP算法求解试探性的目标姿态，依据代理损失进行粗匹配阶段的迭代寻优；定义基于泛轮廓点的重合偏差距离，进行精匹配阶段的迭代寻优，输出飞行目标相对于相机坐标系的姿态最佳值；并进一步得到飞行目标在测站坐标系下的姿态信息。本发明给出了求解无标注飞行目标的三维姿态的数学模型，具有精度高、实时性强、鲁棒性高的特性，将本方法从单目视觉拓展到双目或多目时，将得到更高精度的姿态信息。
-
公开(公告)号：CN116755239A
公开(公告)日：2023-09-15
申请号：CN202310726829.9
申请日：2023-06-19
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于光斑图像矩特征的望远镜主次镜校准方法，属于望远镜计算机辅助装调领域。该校准方法的具体步骤如下，首先，随机给定望远镜系统次镜各自由度失调量，利用无偏有限脉冲响应矩提取望远镜失调状态下合理范围内多视场的光斑图像特征；然后利用全连接神经网络构建次镜各自由度失调量和多视场光斑图像特征矩阵之间的模型；在实际使用中，将CCD相机采集的多视场光斑图像利用无偏有限脉冲响应矩提取特征矩阵后输入训练好的神经网络模型求解出次镜的失调量，从而指导望远镜系统的装调。本方法旨在无波前传感器作为望远镜的像质评价基准的情况下，并且无需多次迭代，从而提高系统主次镜对准的效率和系统的成像质量。
-
Patent Agency Ranking
公开(公告)号：CN116699838A
公开(公告)日：2023-09-05
申请号：CN202310726752.5
申请日：2023-06-19
Applicant: 中国科学院光电技术研究所
IPC: G02B27/00 , G02B23/00 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于点扩散函数的望远镜像差校正方法。所述方法分为建立模型和实际使用两个部分，先搭建望远镜系统，随机给定镜片相对于理想位置的各自由度失调量，探测此时系统的泽尼克多项式系数和点扩散函数，分别利用深度学习算法构建点扩散函数和泽尼克多项式系数以及泽尼克多项式系数和镜片各自由度失调量之间的两个模型；在实际使用过程，无需使用波前传感设备，将CCD相机采集的光斑图像直接输入将两个模型权重参数叠加的新模型求解出镜片的失调量，从而校正系统因镜片位置失调而产生的低阶像差。本方法适用于各种复杂系统的镜片失调量求解，高精度和一定的实时性具有工程应用价值。
-
公开(公告)号：CN114859552A
公开(公告)日：2022-08-05
申请号：CN202210633536.1
申请日：2022-06-07
Applicant: 中国科学院光电技术研究所
IPC: G02B27/00 , G06V10/82 , G06V10/766 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的离轴望远镜低阶像差校正方法。所述方法包括：步骤一：建立光学系统模型；步骤二：构建神经网络数据集，所述数据集包括训练集和测试集；步骤三：训练神经网络模型；步骤四：求解失调量并指导装调。本方法无需使用波前传感器获取光学系统的像差，有效降低系统的复杂度以及避免像差探测环节带来的累积误差，从而提高系统低阶像差校正的效率和系统的成像质量。本方法适用于各种复杂系统的镜片失调量求解，并具备高精度和实时性，在工程实践中将其应用于离轴望远镜的像差校正具有重要指导意义。
-
公开(公告)号：CN118857162A
公开(公告)日：2024-10-29
申请号：CN202411091031.2
申请日：2024-08-09
Applicant: 中国科学院光电技术研究所
Abstract: 本发明提供一种差分相位中寄生倾斜误差的抑制装置和方法，装置包括：双频激光光源模块，包括：1064nm激光器、隔离器、第一分光棱镜、第一声光调制器、第二声光调制器、第一楔形片、第二楔形片；光路干涉模块，包括：第一光阑、第二光阑、第一线偏振片、第二线偏振片、压电快反镜、反射棱镜、第二分光棱镜；精密测控模块，包括：四象限探测器、锁相计、控制器；数据处理模块，位于锁相计与控制器之间，用于执行数据处理，从而抑制差分相位中寄生倾斜误差。根据本发明，使DWS技术拓展到两个光束未对准时的光束夹角测量，以及倾斜传播模式下的光斑横向偏移测量，广泛地适用于基于DWS技术的光学精密测量系统。
-
公开(公告)号：CN115423881A
公开(公告)日：2022-12-02
申请号：CN202211082364.X
申请日：2022-09-06
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于神经网络和光斑形态的主次镜快速校准方法，首先搭建望远镜模型，然后对其次镜施加随机的X、Y轴平移失调量，记录此时系统CCD成像。如此往复循环得到光斑图‑失调量数据集，用Swin‑Transformer网络进行光斑形态的提取和学习。网络训练完成后，将待测系统的光斑图作为网络输入，从而得到次镜在X、Y方向的补偿量，驱动六自由度平台或者三自由度平台等空间自由度满足校正和系统需求的位移平台完成校准，本方法适用于多种类型的望远镜系统，仅使用次镜的两个空间自由度便可对离轴系统除离焦以外的因系统失调所引起的像差，如慧差和像散等像差进行校正。在不便于使用激光干涉仪等波前探测设备的情况下对离轴系统可以进行较为快速的校准。
-
公开(公告)号：CN114022730A
公开(公告)日：2022-02-08
申请号：CN202111260725.0
申请日：2021-10-28
Applicant: 中国科学院光电技术研究所
IPC: G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于自监督学习神经网络的点目标相位检索方法，利用的系统包括：成像探测器与自监督学习神经网络模块。在训练过程中，自监督学习神经网络将输入的光斑图像的数据样本映射到Zernike系数，然后通过光学成像系统利用Zernike系数计算出光斑图像，根据输入与输出光斑图像之间的相似度计算损失函数实现自监督学习。测试过程中，成像探测器采集的单幅离焦光斑图像输入到自监督学习神经网络中，根据映射关系输出系统所需的波前参数，实现相位检索。该方法不依赖任何标签值，仅通过畸变光斑数据的内在特征，建立采集光斑样本之间的映射关系；有效地避免了传统监督学习需要大量标签样本的技术瓶颈，有利于神经网络相位检索方法的实际应用。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.03 seconds)
