Menu 

Menu
  1. 首页
  2. 行业新闻
  3. 基于深度学习的大气湍流波前传感和像差矫正

基于深度学习的大气湍流波前传感和像差矫正

Image
撰稿人 | 邸江磊

 

论文题目 | Deep learning wavefront sensing and aberration correction in atmospheric turbulence

作者 | 王凯强，张蒙蒙，唐雎，王灵珂，胡流森，吴小龑，李巍，邸江磊，刘国栋，赵建林

完成单位 | 西北工业大学物理科学与技术学院，中国工程物理研究院流体物理研究所

论文导读

 

      2021年6月2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PhotoniX (DOI: 10.1186/s43074-021-00030-4)。

 

研究背景

 

      大气湍流或生物组织等介质会引起光场波前畸变，从而导致成像系统对目标物体的成像质量严重下降。为消除这种波前畸变的影响，通常需要首先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，通常使用的波前传感器成本昂贵，并且往往需要额外的引导光源。

 

技术突破

 

      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发生畸变的光场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。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。

 

Image
图1  基于深度学习的波前传感方法示意图。

 

Image
图2  实验光路图。ISLM：强度型空间光调制器，PSLM：相位型空间光调制器，TL：远心镜头。

 

      为了进一步验证该方法的可行性，研究团队借助实验室湍流池模拟大气湍流，采用数字全息光路记录波前畸变相位作为神经网络的输出标准，同时记录加载在强度型空间光调制器上的图像作为神经网络的输入。训练后的神经网络便可以直接从变形的强度图中恢复波前畸变相位，并使用相位型空间光调制器进行矫正（见图2）。矫正后，波前相位的标准差降为之前的1/4，凸透镜聚焦光斑的最大值增加到之前的2.5倍（见图3）。最后，研究团队在丽江天文台进行了初步的外场实验，并得到较为满意的结果。

 

Image
图3  (a)矫正前后波前相位的标准差；(b)矫正前的聚焦光斑；(c)矫正后的聚焦光斑；(d)矫正前后聚焦光斑的划线图。

 

结论

 

      在该项研究中，研究团队针对单个和多个目标物体验证了利用深度学习进行波前畸变相位传感的可行性，发现与单个固定目标相比，多个目标的网络性能会有所降低。进而比较了通过神经网络直接重构波前畸变相位或重构泽尼克系数两种方式，发现前者对于复杂畸变相位更准确。此外，研究团队在湍流池环境中验证了该方法的矫正效果，并在真实大气湍流环境中验证了该方法的可行性。该项研究结果表明，深度学习技术完全有可能替代传统的波前传感器，成为改进和优化自适应光学系统的一种有效手段。

 

通讯作者介绍

 

      赵建林，西北工业大学物理科学与技术学院教授，物理学及光学工程学科博士生导师，陕西省教学名师，超常条件材料物理与化学教育部重点实验室、陕西省光信息技术重点实验室主任。兼任中国光学学会全息与光信息处理专业委员会主任、高速摄影与光子学专业委员会副主任，中国仪器仪表学会光机电系统与集成分会副理事长，陕西省物理学会、光学学会副理事长，《光学学报》执行主编等。主要从事光信息技术及应用研究，研究内容涵盖光场调控及应用、数字全息术与计算光学成像、微纳光子技术与器件、光纤传感技术等领域。

 

本文注明来源为其他媒体或网站的文/图等稿件均为转载，如涉及版权等问题，请作者在20个工作日之内联系我们，我们将协调给予处理。最终解释权归旭为光电所有。

深度学习赋能下的光学计量：让“老司机”搭上“顺风车”深度学习赋能下的光学计量：让“老司机”搭上“顺风车” Default Thumbnail现代大气光学及其在光电工程应用中的问题分析与展望（特邀） 智能成像，助力探索新型光学显微成像模式智能成像，助力探索新型光学显微成像模式 Light | 基于深度学习的去散射技术Light | 基于深度学习的去散射技术 “虚拟”的平面，加速生成计算全息图“虚拟”的平面，加速生成计算全息图 空间光调制器Santec空间光调制器-高功率高稳定性高精度 Default Thumbnail穿越时空的湍流之旅