基于使用Hartmann-Shack传感器用于视觉光学应用的深度学习模型的实验波传感技术
Juan Sebastián Ramírez-Quintero1, Andres Osorno-Quiroz2, Walter Torres-Sepúlveda3,4
1Grupo de Óptica y Fotónica, Instituto de Física, Facultad de Ciencias Exactas y Naturales, Universidad de Antioquia UdeA, Calle 70 No. 52-21, Medellín, Colombia. juan.ramirez114@udea.edu.co.
Scientific reports
|March 21, 2025
概括
一种使用修改后的ResNet卷积神经网络 (CNN) 的新深度学习方法显著改善了波面传感. 这种AI方法提高了视觉光学中光学质量评估的准确性和速度.
科学领域:
- 视觉光学 视觉光学 视觉光学
- 光学工程是指光学工程.
- 在光学领域的人工智能.
背景情况:
- 波面传感对于评估像人类眼睛这样的系统中的光学质量至关重要.
- 传统的哈特曼-沙克波面传感器 (HSS) 在精度,动态范围和速度方面存在局限性.
- 深度学习提供了潜在的解决方案,以克服现有的波浪前线传感挑战.
研究的目的:
- 通过深度学习开发一种新的方法来提高哈特曼-沙克波浪前传感器 (HSS) 的性能.
- 调查修改后的ResNet卷积神经网络 (CNN) 对于波面偏差重建的有效性.
- 与传统方法相比,评估拟议的CNN模型对准确性,速度和动态范围的影响.
主要方法:
- 一个修改的ResNet卷积神经网络 (CNN) 架构被开发用于波面传感.
- 使用定制单眼视觉模拟器生成实验数据集,包括无噪声和斑点噪声条件.
- 该CNN模型是通过来自哈特曼-沙克波面传感器 (HSS) 的图像进行训练和测试的.
主要成果:
- 拟议的CNN模型在处理HSS图像方面表现出卓越的准确性.
- 与传统方法相比,波面偏差重建时间减少了300%至400%.
- 使用CNN方法,波面传感的动态范围增加了315.6%.
结论:
- 经过修改的ResNet CNN模型显著提高了波浪前线传感能力.
- 这种深度学习方法为改善光学质量评估提供了实用和高效的解决方案.
- 这些发现对推进视觉光学和相关领域的应用有意义.
