基于数字孪生与迁移学习的结构光条纹图像分析（特邀）

近年来,深度学习技术广泛应用于计算光学三维成像的研究中。在条纹投影轮廓术中,通过训练深度学习网络,可从单幅条纹图像中恢复高精度的相位信息。然而,为了训练神经网络模型,通常需要耗费大量的时间成本和人力成本来采集训练数据集。为了解决该问题：首先,建立数字孪生条纹投影系统,并利用域随机化技术对虚拟照明光栅进行增强,使用计算机进行虚拟扫描,生成大量仿真光栅条纹图像;其次,利用仿真光栅图像对U-Net神经网络进行预训练;最后,引入迁移学习,采用少量真实光栅条纹图像对神经网络进行参数微调。由于U-Net的结构特殊性,提出并分析了“从左至右”“从上至下”“全局微调”等3种U-Net神经网络微调策略。实验结果表明,采用“从上至下”策略微调U-Net“瓶颈”网络模块的方法可获得最佳的迁移学习结果,神经网络的相位预测精度可得到显著提升。相比于使用大量真实数据进行训练,所述方法仅利用20%的数据就可训练神经网络获得高精度的相位重建结果。     

万瓦级激光光闸的热效应分析及处理

激光光闸可以将光纤激光器输出的单束激光通过多通道输出,实现激光器的“一机多用”,是现代化激光智能制造的关键性器件。由于光闸承载功率高达上万瓦,其耦合系统极易产生热效应,影响光闸使用性能。为解决万瓦级激光光闸热效应有效控制的难题,保证光闸的高效耦合与高质量光束输出,采用有限元分析法研究了光闸耦合系统的热效应物理机制,并提出一种基于水循环绕流冷却对光闸耦合系统进行热量管控的新方法。通过万瓦激光下的一系列实验验证,表明文中提出的热效应处理方法保证下,高功率激光光闸能长时间承载万瓦级功率,并保持98%以上的耦合效率,同时抑制了系统的热像差,保证了光闸输出激光的光束质量稳定性。该研究为高功率激光系统的热效应分析及处理提供了有效的手段。