[发明专利]基于深度学习加速计算的大视场全息投影方法及系统

权利要求书

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：

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_texp(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。