基于深度学习加速计算的大视场全息投影方法及系统与流程

技术特征：
1.基于深度学习加速计算的大视场全息投影方法，其特征在于，包括如下步骤：s1、通过盖师贝格-撒克斯通算法计算无透镜投影系统中生成的全息图，制作u形神经网络训练的数据集；s2、构建基于u形神经网络的卷积神经网络结构；s3、将所述数据集输入所述u形神经网络进行训练并保存训练得到的u形神经网络模型。2.根据权利要求1所述的基于深度学习加速计算的大视场全息投影方法，其特征在于，步骤s1中，所述无透镜投影系统包括激光器、显微物镜(2)、针孔(7)、数字微镜器件(4)、tir棱镜(8)、衍射光学元件(5)和投影面(6)；所述激光器、显微物镜(2)、针孔(7)依次机械连接，光路保持共轴，所述tir棱镜(8)用于接收所述针孔(7)发出的发散的球面波并将其发射到到所述数字微镜器件(4)上，所述数字微镜器件(4)与所述针孔(7)处点光源(3)的最小距离是80mm，所述数字微镜器件(4)平面与所述衍射光学元件(5)平面距离为400mm，所述投影面(6)用于接收所述衍射光学元件(5)发射过来的球面波并显示图像；所述激光器发出的激光经过所述显微物镜(2)和所述针孔(7)后成为发散的球面波；所述球面波依次经过数字微镜器件(4)的振幅调制、衍射光学元件(5)的相位调制，实时地在投影处产生图像。3.根据权利要求2所述的基于深度学习加速计算的大视场全息投影方法，其特征在于，所述无透镜投影系统包括所述球面波依次经过所述数字微镜器件(4)平面、所述衍射光学元件(5)平面后到达所述投影面(6)的正向衍射过程；所述正向衍射过程为菲涅尔衍射，衍射场的精确解可根据以下公式计算得到：衍射场的精确解可根据以下公式计算得到：其中x和y分别表示成像平面内两个垂直方向坐标，u(x，y)表示投影面(6)的复振幅分布，u1(x1，y1)表示数字微镜器件(4)平面的复振幅分布，exp是以自然常数e为底的指数函数，i为虚数，d是衍射距离，a表示振幅，φ
doe
表示衍射光学元件5上的相位，δx是投影面上的采样间距，δx1是数字微镜器件4平面上的采样间距，δx2是衍射光学元件5平面上的采样间距，sasm表示角谱法，k为波数。4.根据权利要求3所述的基于深度学习加速计算的大视场全息投影方法，其特征在于，所述无透镜投影系统还包括所述球面波依次经过所述投影面(6)、所述衍射光学元件(5)平面到达所述数字微镜器件(4)平面的逆向衍射过程；所述逆向衍射过程为夫琅禾费衍射，衍射场的精确解根据以下公式计算：u1(x1，y1)＝sasm-1
[d2，δx，δx2]
×
a
t
exp(iφ
u
)
×
sasm-1
[d1，δx2，δx1]
×
exp(-iφ
doe
)所述投影面(6)的采样间隔δx应根据以下公式计算：δx＝λd/nδx0其中λ是波长，d是衍射距离，n是取样数，δx0是全息图的采样间隔。5.根据权利要求4所述的基于深度学习加速计算的大视场全息投影方法，其特征在于，
所述盖师贝格-撒克斯通算法的具体流程包括：s1-1、对初始相位和事先给定的入射光场分布进行所述正向衍射的变换，得到目标平面光场分布；s1-2、在目标平面上引入约束，即在保持相位分布不变的同时用所需目标平面光场的振幅分布替换所述正向衍射计算后的目标面光场的振幅分布；s1-3、执行所述逆向衍射的变换以获得衍射面的光场分布；s1-4、在衍射面引入约束，即用给定的入射光场振幅分布替换所述逆向衍射得到的光场振幅分布，同时保持相位不变，由此得到经过一次迭代后的值，同时将其作为下一次迭代的初始分布；s1-5、再次进行所述正向衍射的变换，并继续断迭代循环直到迭代精度达到事先设定的迭代退出条件：迭代的结果达到设定的精度或者达到最大迭代次数，最后获得全息面上的振幅全息图。6.根据权利要求1所述的基于深度学习加速计算的大视场全息投影方法，其特征在于，步骤1中所述数据集包括训练集和测试集。7.根据权利要求1所述的基于深度学习加速计算的大视场全息投影方法，其特征在于，步骤s2中，所述u形神经网络的原理包括：经过一次所述降采样后，图像的长度和宽度将减少一半，经过四次所述降采样处理即可实现输入图像的几何特征提取；经过四次所述上采样过程后，将还原解码得到重构的原始大小图像输出；为了避免梯度在网络训练过程中消失，增加了残差连接来实现梯度的跨层传递；每次卷积后进行批处理归一化，避免过拟合。8.根据权利要求7所述的基于深度学习加速计算的大视场全息投影方法，其特征在于，所述u形神经网络是用tensorflow来编程实现卷积网络的，具体过程包括：s2-1、定义卷积层，继承于keras中的layer类的python类，包括s2-1-1、用初始化函数_init_初始化参数：卷积核数量、卷积核大小、训练状态、采样状态(上采样或是下采样)、是否使用bn算法；s2-1-2、使用构建函数build表示具体的卷积操作(同步卷积、下采样卷积、反卷积)和bn算法；s2-1-3、使用call函数描述一个卷积层中若干卷积操作之间的执行关系；s2-2、定义模型类，继承于keras中的model类，包括：s2-2-1、使用_init_函数完成u形神经网络模型的构建；s2-2-2、使用call函数则描述了图片张量在u形神经网络模型中的流动过程。9.根据权利要求8所述的基于深度学习加速计算的大视场全息投影方法，其特征在于，步骤3中所述u形神经网络训练的过程如下：s3-1、将所述训练集的图片作为输入图像，用盖师贝格-撒克斯通算法在全息面上计算出的振幅全息图作为输出图像；s3-2、用均方根误差作为损失函数，初始学习率为l，每次训练使用16张图像；s3-3、当均方根误差不再持续下降时，降低学习率，当学习率变为l/100时，训练停止。10.一种基于深度学习加速计算的大视场全息投影系统，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-9任一项所述的方法。

技术总结
本发明提出一种基于深度学习加速计算的大视场全息投影方法及系统，包括如下步骤：S1、通过盖师贝格-撒克斯通算法、角谱法计算无透镜投影系统中生成的全息图，制作U形神经网络训练的数据集；S2、构建基于U形神经网络的卷积神经网络结构；S3、将所述数据集输入所述U形神经网络进行训练并保存训练得到的U形神经网络模型。本发明可解决传统迭代算法收敛速度慢等问题，提高神经网络成像的质量，计算的全息图具有良好的性能，实现动态实时投影，并且具有一定的泛用性。一定的泛用性。一定的泛用性。


技术研发人员：苏萍 蔡超 汪郡容 马建设
受保护的技术使用者：清华大学深圳国际研究生院
技术研发日：2021.10.08
技术公布日：2022/2/6