一种基于深度学习的自由照明光学设计方法与流程

1.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：

2.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、轻便和高效的照明系统，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系统中的应用，自由光学系统的设计策略就变得尤为重要。
3.在照明系统设计中，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。
4.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。


技术实现要素：

5.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。
6.为达到上述目的，本发明提供如下技术方案：
7.一种基于深度学习的自由照明光学设计方法，包括以下步骤：
8.s1：用画图软件绘制出所需的光斑形状，保存为训练样本；
9.s2：基于unet网络构建网络模型；
10.s3：搭建环境，设置模型的初始参数进行调试；
11.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；
12.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
13.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。
14.进一步，步骤s2具体包括以下步骤：
15.s21：建立全卷积unet网络；
16.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。
17.s22：在一定的光学条件下，将透镜成像过程进行编程实现；
18.s23：引入新的函数，作为损失计算函数。
19.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。
20.进一步，步骤s23中定义的损失函数为：
21.两个矩阵的相关程度函数corr2：
[0022][0023]
为矩阵a的平均值，为矩阵b的平均值。
[0024]
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。
[0025]
本发明的有益效果在于：
[0026]
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。
[0027]
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
[0028]
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：
[0029]
图1为本发明所述全卷积unet示意图；
[0030]
图2为本发明所述网络模型原理示意图；
[0031]
图3为操作流程示意图。
具体实施方式
[0032]
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。
[0033]
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。
[0034]
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。
[0035]
请参阅图1～图3，本发明各部分具体实施细节如下：
[0036]
一种基于深度学习的自由照明光学设计方法，包括：
[0037]
(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。
[0038]
(2)建立全卷积unet网络。
[0039]
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。
[0040]
(3)在一定的光学条件下，将透镜成像过程进行编程实现。
[0041]
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。
[0042]
(4)引入新的函数，作为损失计算函数。
[0043]
两个矩阵的相关程度函数corr2：
[0044][0045]
为矩阵a的平均值，为矩阵b的平均值。
[0046]
(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。
[0047]
(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。
[0048]
(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。
[0049]
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。