基于深度学习的无波前探测器自适应点扫描成像方法技术

本发明专利技术公开了一种基于深度学习的无波前探测器自适应点扫描成像方法，通过采集激光的第一聚焦光斑光强分布信息，将第一聚焦光斑光强分布信息输入至预设的学习模型中，输出第一像差泽尼克系数，然后将由第一像差泽尼克系数构成的第一波前相位分布加载到光路中，从而采集得到第二聚焦光斑光强分布信息，再将第二聚焦光斑光强分布信息输入至预设的学习模型中，输出第二像差泽尼克系数，最后将由第一像差泽尼克系数与第二像差泽尼克系数之和构成的第二波前相位分布加载至光路中，就可以提升生物立体显微成像的成像分辨力与对比度，缩短像差自适应矫正的时间，提高点扫描显微成像系统的成像深度。

Adaptive point scanning imaging method based on depth learning without wavefront detector

【技术实现步骤摘要】
基于深度学习的无波前探测器自适应点扫描成像方法
本专利技术涉及生物显微成像
，尤其涉及一种基于深度学习的无波前探测器自适应点扫描成像方法及装置。
技术介绍
针对点扫描显微成像系统应用的自适应光学技术按波前探测方式分可分为有波前探测器的直接波前探测技术和无波前探测器的间接波前探测技术。直接波前探测技术因引入波前传感器增加了光学系统的成本及系统设计的复杂度，且对光源能量要求很高。而间接波前探测技术不需要引入波前传感器，无这些缺点。间接波前探测技术主要有基于模型的模式法等及无模型的随机搜索算法。模式法等基于模型的算法矫正速度快，但矫正范围小。随机搜索算法矫正范围大，但矫正速度慢，样品容易受光毒性等影响。因此，以上方法均不能在较低的系统设计成本下同时获得较高的像差矫正速度与较好的像差矫正效果。
技术实现思路
本专利技术实施例提供了一种基于深度学习的无波前探测器自适应点扫描成像方法及装置，可以提升生物立体显微成像的成像分辨力与对比度，缩短像差自适应矫正的时间，提高点扫描显微成像系统的成像深度。为了解决上述技术问题，本专利技术实施例提供了一种基于深度学习的无波前探测器自适应点扫描成像方法，包括：采集激光的第一聚焦光斑光强分布信息；将所述第一聚焦光斑光强分布信息输入至预设的学习模型中，输出第一像差泽尼克系数；将由所述第一像差泽尼克系数构成的第一波前相位分布加载到光路中，从而采集得到第二聚焦光斑光强分布信息；将所述第二聚焦光斑光强分布信息输入至预设的学习模型中，输出第二像差泽尼克系数；将由所述第一像差泽尼克系数与所述第二像差泽尼克系数之和构成的第二波前相位分布加载至光路中。进一步的，所述预设的学习模型通过以下方式构建：获取多个像差泽尼克系数，分别将所述多个像差泽尼克系数构成的波前相位分布加载到光路中，从而采集得到多组聚焦光斑光强分布信息；以所述多个像差泽尼克系数和所述多组聚焦光斑光强分布信息作为训练集，以聚焦光斑光强分布信息作为输入，以像差泽尼克系数作为输出，采用卷积神经网络进行训练，构建学习模型。进一步的，所述学习模型以输出的泽尼克系数与实际泽尼克系数的均方误差为目标函数，并通过随机梯度下降算法最小化所述目标函数。进一步的，所述实际泽尼克系数通过像差表征公式得到，所述像差表征公式为：其中，r，θ为光瞳面的归一化极坐标，i为泽尼克多项式阶数，ψ(r,θ)为波前相位分布函数，Zi(r,θ)为第i阶泽尼克基函数，ai为第i阶泽尼克像差的系数。进一步的，所述预设的学习模型采用卷积神经网络；所述卷积神经网络包括5个卷积层和3个全连接层；所述5个卷积层依次顺序连接，在第1个卷积层和第5个卷积层后面分别紧连一个池化层，两个池化层后面均紧连一个丢掉层；所述5个卷积层的卷积核大小均为3×3，所述5个卷积层的激活函数均为线性整流函数；所述5个卷积层后面顺序连接3个全连接层，第1、2个全连接层的激活函数为线性整流函数，第3个全连接层的激活函数为线性激活函数。进一步的，所述训练集中的像差泽尼克系数和聚焦光斑光强分布信息，通过多种激光光强进行获取。进一步的，所述训练集中的像差泽尼克系数为因变量，所述聚焦光斑光强分布信息为自变量。进一步的，所述采集激光的第一聚焦光斑光强分布信息，是通过图像传感器进行采集。进一步的，所述将由所述第一像差泽尼克系数与所述第二像差泽尼克系数之和构成的第二波前相位分布加载至光路中，具体为：通过变形镜或空间光调制器将所述第一像差泽尼克系数与所述第二像差泽尼克系数之和构成的第二波前相位分布加载至光路中。相应地，本专利技术还提供一种基于深度学习的无波前探测器自适应点扫描成像装置，包括：第一光强信息采集模块，用于采集激光的第一聚焦光斑光强分布信息；第一像差泽尼克系数获取模块，用于将所述第一聚焦光斑光强分布信息输入至预设的学习模型中，输出第一像差泽尼克系数；第二光强信息采集模块，用于聚焦光斑光强分布信息获取模块，用于将由所述第一像差泽尼克系数构成的第一波前相位分布加载到光路中，从而采集得到第二聚焦光斑光强分布信息；第二像差泽尼克系数获取模块，用于将所述第二聚焦光斑光强分布信息输入至预设的学习模型中，输出第二像差泽尼克系数；成像模块，用于将由所述第一像差泽尼克系数与所述第二像差泽尼克系数之和构成的第二波前相位分布加载至光路中。实施本专利技术实施例，具有如下有益效果：本专利技术实施例提供的基于深度学习的无波前探测器自适应点扫描成像方法，通过采集激光的第一聚焦光斑光强分布信息，将第一聚焦光斑光强分布信息输入至预设的学习模型中，输出第一像差泽尼克系数，然后将由第一像差泽尼克系数构成的第一波前相位分布加载到光路中，从而采集得到第二聚焦光斑光强分布信息，再将第二聚焦光斑光强分布信息输入至预设的学习模型中，输出第二像差泽尼克系数，最后将由第一像差泽尼克系数与第二像差泽尼克系数之和构成的第二波前相位分布加载至光路中，就可以提升生物立体显微成像的成像分辨力与对比度，缩短像差自适应矫正的时间，提高点扫描显微成像系统的成像深度。附图说明图1是本专利技术提供的基于深度学习的无波前探测器自适应点扫描成像方法的第一实施例的流程示意图；图2是本专利技术提供的深度学习训练光路示意图；图3是本专利技术提供的成像光路示意图；图4是本专利技术提供的基于深度学习的无波前探测器自适应点扫描成像装置的第二实施例的结构示意图；其中，说明书附图中的附图标记如下：a、激光器；b、第一整形扩束透镜；c、第二整形扩束透镜；d、变形镜；e、聚焦透镜；f、阵列探测器；1、激光器；2、准直扩束系统；3、分束镜；4、XY扫描振镜；5、扫描透镜；6、管镜；7、变形镜；8、显微物镜；9、载物台；10、收集透镜；11、阵列探测器。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为了解决共焦显微镜或其他点扫描成像技术在深层样品成像时折射率失配引起的波前相位畸变问题，获得更大的像差矫正范围、更快的像差矫正速度、更好的像差矫正效果，本专利技术提出一种基于深度学习的无波前探测器自适应点扫描成像方法，其具体实施方案如下：由于波前相位分布可以被表示为一系列泽尼克基函数之和，所以波前探测的问题就可以转化为求解像差泽尼克系数的问题，本专利技术也将以此展开说明。请参见图1，是本专利技术提供的基于深度学习的无波前探测器自适应点扫描成像方法的一种实施例的流程示意图。如图1所示，该方法包括步骤S1-S5，各步骤具体如下：步骤S1：采集激光的第一聚焦光斑光强分布信息。在本专利技术实施例中，采集方式包括图像传本文档来自技高网...

【技术保护点】
1.一种基于深度学习的无波前探测器自适应点扫描成像方法，其特征在于，包括：/n采集激光的第一聚焦光斑光强分布信息；/n将所述第一聚焦光斑光强分布信息输入至预设的学习模型中，输出第一像差泽尼克系数；/n将由所述第一像差泽尼克系数构成的第一波前相位分布加载到光路中，从而采集得到第二聚焦光斑光强分布信息；/n将所述第二聚焦光斑光强分布信息输入至预设的学习模型中，输出第二像差泽尼克系数；/n将由所述第一像差泽尼克系数与所述第二像差泽尼克系数之和构成的第二波前相位分布加载至光路中。/n

【技术特征摘要】
1.一种基于深度学习的无波前探测器自适应点扫描成像方法，其特征在于，包括：
采集激光的第一聚焦光斑光强分布信息；
将所述第一聚焦光斑光强分布信息输入至预设的学习模型中，输出第一像差泽尼克系数；
将由所述第一像差泽尼克系数构成的第一波前相位分布加载到光路中，从而采集得到第二聚焦光斑光强分布信息；
将所述第二聚焦光斑光强分布信息输入至预设的学习模型中，输出第二像差泽尼克系数；
将由所述第一像差泽尼克系数与所述第二像差泽尼克系数之和构成的第二波前相位分布加载至光路中。


2.如权利要求1所述的基于深度学习的无波前探测器自适应点扫描成像方法，其特征在于，所述预设的学习模型通过以下方式构建：
获取多个像差泽尼克系数，分别将所述多个像差泽尼克系数构成的波前相位分布加载到光路中，从而采集得到多组聚焦光斑光强分布信息；
以所述多个像差泽尼克系数和所述多组聚焦光斑光强分布信息作为训练集，以聚焦光斑光强分布信息作为输入，以像差泽尼克系数作为输出，采用卷积神经网络进行训练，构建学习模型。


3.如权利要求2所述的基于深度学习的无波前探测器自适应点扫描成像方法，其特征在于，所述学习模型以输出的泽尼克系数与实际泽尼克系数的均方误差为目标函数，并通过随机梯度下降算法最小化所述目标函数。


4.如权利要求3所述的基于深度学习的无波前探测器自适应点扫描成像方法，其特征在于，所述实际泽尼克系数通过像差表征公式得到，所述像差表征公式为：
其中，r，θ为光瞳面的归一化极坐标，i为泽尼克多项式阶数，ψ(r,θ)为波前相位分布函数，Zi(r,θ)为第i阶泽尼克基函数，ai为第i阶泽尼克像差的系数。


5.如权利要求2所述的基于深度学习的无波前探测器自适应点扫描成像方法，其特征在于，所述预设的学习模型采用卷积神经网络；
所述卷积神经网络包括5个卷积层和3个全连接层；
所述5个卷积层依次顺序连接，在第1个卷积层和第5个卷积层后面分别紧连一个池化层，两个池化层后面...

【专利技术属性】
技术研发人员：王伟波，谭久彬，李晓君，
申请(专利权)人：哈工大机器人中山无人装备与人工智能研究院，
类型：发明
国别省市：广东;44