[發明專利]基于深度學習的無波前探測器自適應點掃描成像方法

有效

• 申請號: 201911416906.0
• 申請日: 2019-12-31
• 公開（公告）號: CN111077085B
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 王偉波;譚久彬;李曉君
• 申請（專利權）人: 哈工大機器人（中山）無人裝備與人工智能研究院
• 主分類號: G01N21/17
• 分類號: G01N21/17;G01N21/41;G01N21/84;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;麥小嬋

本發明公開了一種基于深度學習的無波前探測器自適應點掃描成像方法，通過采集激光的第一聚焦光斑光強分布信息，將第一聚焦光斑光強分布信息輸入至預設的學習模型中，輸出第一像差澤尼克系數，然后將由第一像差澤尼克系數構成的第一波前相位分布加載到光路中，從而采集得到第二聚焦光斑光強分布信息，再將第二聚焦光斑光強分布信息輸入至預設的學習模型中，輸出第二像差澤尼克系數，最后將由第一像差澤尼克系數與第二像差澤尼克系數之和構成的第二波前相位分布加載至光路中，就可以提升生物立體顯微成像的成像分辨力與對比度，縮短像差自適應矯正的時間，提高點掃描顯微成像系統的成像深度。

技術領域

本發明涉及生物顯微成像技術領域，尤其涉及一種基于深度學習的無波前探測器自適應點掃描成像方法及裝置。

背景技術

針對點掃描顯微成像系統應用的自適應光學技術按波前探測方式分可分為有波前探測器的直接波前探測技術和無波前探測器的間接波前探測技術。直接波前探測技術因引入波前傳感器增加了光學系統的成本及系統設計的復雜度，且對光源能量要求很高。而間接波前探測技術不需要引入波前傳感器，無這些缺點。間接波前探測技術主要有基于模型的模式法等及無模型的隨機搜索算法。模式法等基于模型的算法矯正速度快，但矯正范圍小。隨機搜索算法矯正范圍大，但矯正速度慢，樣品容易受光毒性等影響。因此，以上方法均不能在較低的系統設計成本下同時獲得較高的像差矯正速度與較好的像差矯正效果。

發明內容

本發明實施例提供了一種基于深度學習的無波前探測器自適應點掃描成像方法及裝置，可以提升生物立體顯微成像的成像分辨力與對比度，縮短像差自適應矯正的時間，提高點掃描顯微成像系統的成像深度。

為了解決上述技術問題，本發明實施例提供了一種基于深度學習的無波前探測器自適應點掃描成像方法，包括：

采集激光的第一聚焦光斑光強分布信息；

將所述第一聚焦光斑光強分布信息輸入至預設的學習模型中，輸出第一像差澤尼克系數；

將由所述第一像差澤尼克系數構成的第一波前相位分布加載到光路中，從而采集得到第二聚焦光斑光強分布信息；

將所述第二聚焦光斑光強分布信息輸入至預設的學習模型中，輸出第二像差澤尼克系數；

將由所述第一像差澤尼克系數與所述第二像差澤尼克系數之和構成的第二波前相位分布加載至光路中。

進一步的，所述預設的學習模型通過以下方式構建：

獲取多個像差澤尼克系數，分別將所述多個像差澤尼克系數構成的波前相位分布加載到光路中，從而采集得到多組聚焦光斑光強分布信息；

以所述多個像差澤尼克系數和所述多組聚焦光斑光強分布信息作為訓練集，以聚焦光斑光強分布信息作為輸入，以像差澤尼克系數作為輸出，采用卷積神經網絡進行訓練，構建學習模型。

進一步的，所述學習模型以輸出的澤尼克系數與實際澤尼克系數的均方誤差為目標函數，并通過隨機梯度下降算法最小化所述目標函數。

進一步的，所述實際澤尼克系數通過像差表征公式得到，所述像差表征公式為：

其中，r，θ為光瞳面的歸一化極坐標，i為澤尼克多項式階數，ψ(r,θ)為波前相位分布函數，Z_i(r,θ)為第i階澤尼克基函數，a_i為第i階澤尼克像差的系數。

進一步的，所述預設的學習模型采用卷積神經網絡；

所述卷積神經網絡包括5個卷積層和3個全連接層；

所述5個卷積層依次順序連接，在第1個卷積層和第5個卷積層后面分別緊連一個池化層，兩個池化層后面均緊連一個丟掉層；

所述5個卷積層的卷積核大小均為3×3，所述5個卷積層的激活函數均為線性整流函數；