-
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：CN116222612A
公开(公告)日：2023-06-06
申请号：CN202211455976.9
申请日：2022-11-21
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于核权函数估计的望远镜非线性指向误差修正方法。具体步骤为：首先在运动平台上跟踪观测多颗恒星，通过观测数据和指向误差修正方法，计算各恒星在惯导系中的方位角和俯仰角，并计算指向误差修正方法校正后望远镜对各恒星的残余非线性方位指向误差和俯仰指向误差。然后建立目标的非线性方位指向误差和俯仰指向误差的核权函数估计模型，并用广义交叉核实法确定核权函数估计所需的窗宽参数。最后根据目标的位置信息，在指向误差修正方法校正线性指向误差的基础上，用建立的核权函数估计模型估计对目标的非线性方位指向误差和俯仰指向误差，进而得到进一步修正之后的引导值，引导望远镜快速高精度地指向目标。本发明修正精度高。
-
公开(公告)号：CN114022728B
公开(公告)日：2023-04-07
申请号：CN202111255579.2
申请日：2021-10-27
Applicant: 中国科学院光电技术研究所
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度强化学习的合成孔径共相检测方法，包括：合成孔径成像探测模块负责采集或者模拟多个子孔径的共相图像，为深度强化学习网络提供学习环境和状态；深度强化学习网络模块主要由环境、状态、奖赏和动作组成。在强化学习过程中，Agent选择一个动作用于环境，环境接受该动作后状态发生变化，同时产生一个强化信号(奖或惩)反馈给Agent，Agent根据强化信号和环境当前状态再选择下一个动作，选择的原则是使受到正强化(奖)的概率增大，最终实现合成孔径的共相检测。该方法不需要采集大量的样本数据进行训练，而是通过实时在线学习的方式建立输入与输出之间的映射关系，有利于深度强化学习网络共相检测方法的实际应用。
-
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。
-
Patent Agency Ranking
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。
-
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：CN114022728A
公开(公告)日：2022-02-08
申请号：CN202111255579.2
申请日：2021-10-27
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深度强化学习的合成孔径共相检测方法，包括：合成孔径成像探测模块负责采集或者模拟多个子孔径的共相图像，为深度强化学习网络提供学习环境和状态；深度强化学习网络模块主要由环境、状态、奖赏和动作组成。在强化学习过程中，Agent选择一个动作用于环境，环境接受该动作后状态发生变化，同时产生一个强化信号(奖或惩)反馈给Agent，Agent根据强化信号和环境当前状态再选择下一个动作，选择的原则是使受到正强化(奖)的概率增大，最终实现合成孔径的共相检测。该方法不需要采集大量的样本数据进行训练，而是通过实时在线学习的方式建立输入与输出之间的映射关系，有利于深度强化学习网络共相检测方法的实际应用。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.042 seconds)
