Синтез линзовых видеообъективов тема диссертации и автореферата по ВАК РФ 05.11.07, кандидат технических наук Прытков, Антон Сергеевич

• Прытков, Антон Сергеевич
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Прытков, Антон Сергеевич

ОГЛАВЛЕНИЕ.

ВВЕДЕНИЕ.

ГЛАВА 1 МЕТОДЫ СОЗДАНИЯ ОПТИЧЕСКИХ СИСТЕМ.

ГЛАВА 2. СОЗДАНИЕ НАЧАЛЬНОГО НАБОРА ПРОТОТИПОВ.

ГЛАВА 3. ПОИСК ПОЛЕЗНЫХ ПРИЗНАКОВ В НАБОРЕ ПРОТОТИПОВ.

ГЛАВА 4. ПРЕДУПРЕЖДЕНИЕ СХОДИМОСТИ

К ЛОКАЛЬНОМУ ОПТИМУМУ.

ГЛАВА 5. ПРИМЕНЕНИЕ РАЗРАБОТАННОГО МЕТОДА СИНТЕЗА

К РАСЧЁТУ ЛИНЗОВЫХ ВИДЕООБЪЕКТИВОВ.

Введение диссертации (часть автореферата) на тему «Синтез линзовых видеообъективов»

Одним из наиболее развивающихся в настоящее время направлений в оптическом приборостроении является проектирование видеообъективов — оптических систем, работающих совместно с различными видами электронных приёмников изображения. Данное обстоятельство обусловлено значительными улучшениями технических и потребительских качеств изделий; в которых применяются данные детекторы.

В то же время следует отметить, что наряду с новыми возможностями, предоставляемыми появляющимися приёмниками, их характеристики и области применения существенно повышают требования к оптическим системам, работающим совместно с ними. К данным требованиям можно отнести существенно возросший диапазон ахроматизации, постоянно уменьшающиеся размеры элементов разрешения, повышающиеся светосилу и поле зрения, габаритные характеристики.

В настоящее время расчёт оптических схем видеообъекгавов, как правило, ведётся на основании уже существующих конструкций фотографических объективов, обладающих по возможности близкими характеристиками. Реализация же заданных требований осуществляется путём усложнения системы через введение дополнительных компонентов. При этом получение оптимальных характеристик практически невозможно без применения вычислительной техники. В настоящее время это применение выражается в использовании программ автоматизированной коррекции (оптимизации). Все такие программы до настоящего времени основаны на принципе итерационного изменения конструктивных параметров в направлении, приводящем на каждом шаге к улучшению характеристик системы. Таким образом, полученная схема находится в точке локального оптимума, т. е. в ближайшей от исходного положения точке в пространстве поиска, где в любом направлении изменения параметров невозможно улучшение характеристик системы. Как следствие, не исследуются принципиально отличающиеся варианты построения схемы в рамках заданного количества компонентов, что зачастую приводит к существенному переусложнению системы или даже заставляет сделать вывод о невозможности реализации технического задания.

Вследствие этого, в настоящее время наблюдается острая необходимость в переходе на качественно новые методы автоматизированного проектирования видеообъективов, обладающие возможностью исследования максимально широкого пространства поиска, т. е. возможностью нахождения глобального оптимума, и результат работы которых не зависит от начального приближения в виде готовой оптической системы — т. е. на методы автоматизированного синтеза видеообъективов.

Разработке подобного метода и посвящена данная диссертация. В процессе работе по её теме были проанализированы существующие методы создания прототипов оптических систем. Выявлены их особенности и недостатки. Проанализированы способы обработки таких прототипов с целью получения окончательных вариантов схем. Исследованы новейшие методы поиска глобального оптимума многомодальных функций. В результате анализа было принято решение основывать разрабатываемый метод синтеза на концепции появившегося относительно недавно математического метода поиска глобального оптимума оценочной функции — генетических алгоритмов.

В первой главе диссертационной работы описывается типичный процесс расчёта оптических систем. Приведены методы построения прототипов оптических систем, не требующих для применения начальной схемы и позволяющих путём дальнейшей их обработки получать системы с заданными характеристиками. Показан принцип работы современных методов оптимизации оптических систем. Указаны их особенности и недостатки.

Также в первой главе диссертационной работы описывается принцип работы генетических алгоритмов. Обоснована целесообразность его использования в качестве прототипа для исследованного способа синтеза оптических систем.

Во второй главе описываются способы реализации первого этапа работы программы синтеза — создания начального набора прототипов целевой оптической системы.

В третьей главе диссертации исследован метод выделения в наборе прототипов оптической системы параметров, позволяющих реализовать заданные целевые характеристики.

В четвёртой главе выявлен способ предупреждения сходимости исследованного процесса синтеза к локальной области в пространстве поиска.

В пятой главе диссертационной работы приводятся результаты расчёта нескольких оптических систем, призванные доказать применимость разработанного метода синтеза на практике.

В заключении диссертационной работы приведены её основные результаты и выводы.

Заключение диссертации по теме «Оптические и оптико-электронные приборы и комплексы», Прытков, Антон Сергеевич

Результаты работы программы, помимо подтверждения применимости разработанного метода синтеза на практике, могут также служить косвенным доказательством эффективности прочих методик расчёта оптических систем.

Так, можно заметить, что объектив, схема которого приведена на рис. 23, может быть разделён на две части — практически афокальный компонент, имеющий малые апертуры на входе и выходе, и компонент, реализующий заданную апертуру объектива. При этом коэффициенты аберраций третьего порядка для данных двух частей практически равны по абсолютному значению и противоположны по знаку. Схожая схема построения системы изложена проф. Л. Н. Андреевым в его методе расчёта объективов микроскопов «по частям». Таким образом, можно заключить, что данная методика может быть эффективной и в применении к расчёту высокоапертурных видеообъективов.

Среди прочих результатов расчёта разработанной программы синтеза можно также выделить сверхсветосильный проекционный объектив со значительным полем зрения. Причиной появления задания на разработку данного объектива послужило требование заказчика к ужесточению характеристик объектива, применяемого для переноса изображения с экрана на светочувствительный слой ПЗС-приёмника. В основном это требование выражалось в необходимости уменьшения габаритов объектива, упрощения конструкции и улучшения качества изображения и освещённости по полю зрения. Требование к уменьшению габаритов было продиктовано сложностью изготовления и сборки объектива, а требование к упрощению конструкции продиктовано высокой стоимостью оптических компонентов, так как большинство линз в схеме изготавливались из стёкол марок СТК19 и ТФЮ.

Для проверки возможности реализации заданных требований также была применена программа, реализующая разработанный метод синтеза. Результаты её работы показали, что заданные характеристики объектива могут быть получены в рамках более простой схемы и с применением более простых марок стёкол. Как следствие, габариты схемы уменьшились по длине с 310 до 190 мм, а по световым диаметрам со 138 до 62 мм при уменьшении количества линз в объективе с 14 до 11. При этом остальные характеристики остались на прежнем уровне или были улучшены.

Рис. 24, Объектив, рассчитанный программой синтеза Схема полученного объектива приведена на рис. 24, его характеристики — в табл. 3, а более подробные данные — приложении 8.

ЗАКЛЮЧЕНИЕ

Результаты выполненных исследований могут быть сведены к следующим основным положениям.

1. Впервые произведена полная адаптация принципов, заложенных в генетических алгоритмах, к процессу автоматизированного синтеза оптических схем линзовых видеообъекгивов.

2. Разработан автоматизированный способ создания прототипов оптических схем линзовых видеообъективов.

3. Выявлен оптимальный вид кодирования переменных параметров при работе исследованного метода автоматизированного синтеза.

4. Исследован метод выделения полезных признаков в наборе прототипов оптических схем линзовых видеообъективов.

5. Выявлен способ предупреждения сходимости разработанного метода автоматизированного синтеза к локальному оптимуму.

6. Разработаны алгоритмы, математическое и программное обеспечение, реализующее новый метод синтеза оптических систем.

7. Рассчитан ряд оптических систем с недостижимыми ранее характеристиками.

На основании приведённых исследований можно смело утверждать, что разработанный метод автоматизированного синтеза линзовых видеообъективов является весьма эффективным средством расчёта оптических систем, позволяющим создавать схемы с недостижимыми ранее характеристиками. Как следствие, разработанное программное обеспечение можно рекомендовать к использованию в производственном процессе на этапе разработки принципиальной оптической схемы прибора.

В то же время, полученные результаты позволяют рекомендовать методы синтеза, основанные на концепции, заложенной в генетических алгоритмах, к изучению в учебных заведениях по дисциплинам, связанным с методами расчёта оптических систем.

Список литературы диссертационного исследования кандидат технических наук Прытков, Антон Сергеевич, 2004 год

1. Волосов Д.С. Фотографическая оптика. — М.: Искусство, 1971.

2. Вычислительная оптика: справочник. / Под общ. ред. Русинова М.М. — Л.: Машиностроение, 1976.

3. Гловацкая А.П. Методы и алгоритмы вычислительной математики. — М.: Радио и связь, 1999.

4. Лесин В.В., Лисовец Ю.П. Основы методов оптимизации. — М.: Издательство МАИ, 1998.

5. Прытков А.С. Оптимальное кодирование при синтезе оптических систем с помощью генетических алгоритмов. II Современные технологии: сборник научных статей / Под ред. С.А.Козлова и В.О.Никифорова, СПб.: СПбГИТМО(ТУ), 2002.

6. Прытков А.С. Применение современных методов поиска к синтезу оптических систем. // Сборник трудов V Международной конференции «Прикладная оптика» (15—17 октября 2002 г), СПб.:, 2002.

7. Прытков А.С. Сравнение эффективности различных методов синтеза оптических систем. II Научно-технический вестник СПбГИТМО(ТУ). Выпуск 9 / Под ред. Ю.А.Гатчина, СПб.: СПбГИТМО(ТУ), 2003.

8. Родионов С.А. Автоматизация проектирования оптических систем. — Л.: Машиностроение, 1982.

9. Русинов М.М. Композиция оптических систем.— Л.: Машиностроение, 1989.

10. П.Слюсарев Г.Г. Методы расчёта оптических систем.— Л.:1. Машиностроение, 1969.

11. Сшосарев Г.Г. Расчёт оптических систем.— Л.: Машиностроение, 1975.

12. Angeline, Peter J. Genetic programming and the emergence of intelligence. In Kinnear, К. E. Jr. (editor). Advances in Genetic Programming. Cambridge, MA: The MIT Press. 1994.

13. Angeline, Peter J. and Kinnear, Kenneth E. Jr. (editors). Advances in Genetic Programming 2. Cambridge, MA: The MIT Press. 1996.

14. Angeline, Peter J. and Pollack, Jordan B. Coevolving high-level representations. In Langton, Christopher G. (editor). Artificial Life III, SFI Studies in the Sciences of Complexity. Volume XVH Redwood City, CA: Addison-Wesley. 1994.

15. Back, Т. The interaction of mutation rate, selection, and self-adaptation within a genetic algorithm. Parallel Problem Solving from Nature, П, 85-94.1992.

16. Back, T. Self-adaptation. Handbook of Evolutionary Computation. New York: Oxford University Press. 1997.

17. Back, Thomas, Fogel, David В., and Michalewicz, Zbigniew (editors). Handbook of Evolutionary Computation. Bristol, UK: Institute of Physics Publishing and New York: Oxford University Press. 1997.

18. Back, Thomas, (editor). Genetic Algorithms: Proceedings of the Fifth International Conference. San Francisco, CA: Morgan Kaufmann. 1997.

19. Banzhaf, Wolfgang, Nordin, Peter, Keller, Robert E., and Francone, Frank D. Genetic Programming An Introduction. San Francisco, CA: Morgan Kaufmann and Heidelberg: dpunkt. 1997.

20. Bauer, R. J., Jr. Genetic Algorithms and Investment Strategies. John Wiley. 1994.

21. Beyer, H.-G. Toward a theory of evolution strategies. Evolutionary Computation. 1995.

22. Beyer, H.-G. Toward a theory of evolution strategies: Self-adaptation. Evolutionary Computation. 1996.

23. BhaniL, Bir and Lee, Sungkee. Genetic Learning for Adaptive Image Segmentation. Boston: Kluwer Academic Publishers. 1994.

24. Biethahn, Jorg and Nissen, Volker (editors). Evolutionary Algorithms in Management Applications. Berlin: Springer-Verlag. 1995.

25. Brave, Scott. Using genetic programming to evolve recursiveprograms for tree search. Proceedings of the Fourth Golden West Conference on intelligent Systems. Raleigh, NC: International Society for Computers and Their Applications. 1995.

26. Chambers, Lance (editor). Practical Handbook of Genetic Algorithms: Applications: Volume I. Boca Raton, FL: CRC Press. 1995.

27. Dasgupta, D. and Michalewicz, Z. (editors). Evolutionary Algorithms in Engineering Applications. Berlin: Springer-Verlag. 1997.

28. Davidor, Yuval. Genetic Algorithms and Robotics. Singapore: World Scientific. 1991.

29. Davis, Lawrence (editor). Genetic Algorithms and Simulated Annealing. London: Pittman. 1987.

30. Davis, Lawrence. Handbook of Genetic Algorithms. New York: Van Nostrand Reinhold. 1991.

31. Deb, K. and Agrawal, R. B. Simulated binary crossover for continuous search space. Complex Systems. 1995

32. Deb, K. and Goyal, M. A robust optimization procedure for mechanical component design based on genetic adaptive search. Transactions of the ASME: Journal of Mechanical Design. 1998.

33. Eshelman, L. J. and Schaffer, J. D. Real-coded genetic algorithms and interval schemata. Foundations of Genetic Algorithms, П (pp. 187-202). (1993).

34. Fogarty, Terence С. (editor). Evolutionary Computing: AISB Workshop, Sheffield, U. K., April 1995, Selected Papers. Lecture Notes in Computer Science, Volume 993. Berlin: Springer-Verlag. 1995.

35. Fogel, D. B. and Beyer, H.-G. A note on the empirical evaluation of intermediate recombination. Evolutionary Computation. 1996.

36. Fogel, L. J., Angeline, P. J., and Fogel, D. B. An evolutionary programming approach to self-adaptation on finite state machines. Proceedings of the Fourth International Conference on Evolutionary Programming. 1995.

37. Gen, Mitsuo and Cheng, Runwei. Genetic Algorithms and Engineering Design. New York: John Wiley and Sons. 1997.

38. Goldberg, D. E., Deb, K., and Clark, J. H. Genetic algorithms, noise, and the sizing of populations. Complex Systems. 1992.

39. Goldberg, David E. Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, MA: Addison-Wesley. 1989.

40. Goodman, Erik D. (editor). Proceedings of the First International Conference on Evolutionary Computation and Its Applications. Moscow: Presidium of the Russian Academy of Sciences. 1996.

41. Gruau, Frederic. Genetic micro programming of neural networks. In Kinnear, Kenneth E. Jr. (editor). 1994. Advances in Genetic Programming. Cambridge, MA: The MIT Press. 1994.

42. Hansen, N. and Ostermeier, A. Adapting arbitrary normal mutation distributions in evolution strategies: The covariance matrix adaptation. Proceedings of the IEEE International Conference on Evolutionary Computation. 1996.

43. Hansen, N. and Ostermeier, A. Convergence properties of evolution strategies with the derandomized covariance matrix adaptation.N

44. EuropeanCongress on Intelligent Techniques and Soft Computing. 1997.

45. Herdy, M. Reproductive isolation as strategy parameter in hierarhically organized evolution strategies. Parallel Problem Solving from Nature, II. 1992.

46. Higuchi, Tetsuya, Iwata, Masaya, and Lui, Weixin (editors). Proceedings of International Conference on Evolvable Systems: From Biology to Hardware (ICES-96). Lecture Notes in Computer Science, Volume 1259. Berlin: Springer-Verlag. 1997.

47. Iba, Hitoshi. Multiple-agent learning for a robot navigation task by genetic programming. In Koza, John R., Deb, Kalyanmoy, Dorigo, Marco,

48. Fogel, David В., Garzon, Max, Iba, Hitoshi, and Riolo, Rick L. (editors). Genetic Programming 1997: Proceedings of the Second Annual Conference, July 13-16, 1997, Stanford University. San Francisco, С A: Morgan Kaufmann. 1997.

49. IEE. Proceedings of the First International Conference on Genetic Algorithms in Engineering Systems: Innovations and Applications (GALESIA). London: Institution of Electrical Engineers. 1995.

50. IEEE. Proceedings of the Fourth IEEE Conference on Evolutionary Computation. IEEE Press. 1997.

51. Kinnear, Kenneth E. Jr. (editor). Advances in Genetic Programming. Cambridge, MA: MIT Press. 1994.

52. Koza, John R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge, MA: The MIT Press. 1992.

53. Koza, John R. Genetic Programming П: Automatic Discovery of Reusable Programs. Cambridge, MA: The МГГ Press. 1994.

54. Koza, John R. Genetic Programming П Videotape: The Next Generation. Cambridge, MA: MIT Press. 1994.

55. Koza, John R. and Andre, David. Evolution of iteration in genetic programming. In Evolutionary Programming V: Proceedings of the Fifth Annual Conference on Evolutionary Programming. Cambridge, MA: MIT Press. 1996.

56. Koza, John R. and Andre, David. Automatic discovery of protein motifs using genetic programming. In Yao, Xin (editor). Evolutionary Computation: Theory and Applications. Singapore: World Scientific. 1996.

57. Koza, John R., and Rice, James P. Genetic Programming: The Movie. Cambridge, MA: MIT Press. 1992.

58. Koza, John R., Bennett Ш, Forrest H, Andre, David, Keane, Martin A, and Dunlap, Frank. Automated synthesis of analog electrical circuits by means of genetic programming. IEEE Transactions on Evolutionary Computation. 1997.

59. Man, K. F., Tang, K. S., Kwong, S., and Halang, W. A. Genetic Algorithms for Control and Signal Processing. London: Springer-Verlag. Michalewicz, Z. 1992. Genetic Algorithms + Data Structures = Evolution Programs. Berlin: Springer-Verlag. 1997.

60. Mitchell, Melanie. An Introduction to Genetic Algorithms. Cambridge, MA: The MIT Press. 1996.

61. Nordin, Peter. A compiling genetic programming system that directlymanipulates the machine code. In Kinnear, Kenneth E. Jr. (editor). 1994. Advances in Genetic Programming. Cambridge, MA: The MIT Press. 1994.

62. Ohno, Susumu. Evolution by Gene Duplication. New York: Springer-Verlag. 1970.

63. Ono, I. and Kobayashi, S. A real-coded genetic algorithm for function optimization using unimodal normal distribution crossover. Proceedings of the Seventh International Conference on Genetic Algorithms. 1997.

64. Pal, Sankar K. and Wang, Paul P. Genetic Algorithms and Pattern Recognition. Boca Raton, FL: CRC Press. 1996.

65. Pearson, D. W., Steele, N. C., and Albrecht, R. F. Artificial Neural Nets and Genetic Algorithms. Vienna: Springer-Verlag. 1995.

66. Pollack, Jordan B. and Blair, Alan D. Coevolution of a backgammon player. In Artificial Life V: Proceedings of the Fifth International Workshop on the Synthesis and Simulation of Living Systems. Cambridge, MA: The MIT Press. 1996.

67. Rechenberg, I. Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. Stuttgart: Frommann-Holzboog Verlag. 1973.

68. Rechenberg, I. Evolutionsstrategie,94. Stuttgart: Frommann-Holzboog Verlag. 1994:

69. Samuel, Arthur L. Some studies in machine learning using the game of checkers. IBM Journal of Research and Development. 1959.

70. Sanchez, Eduardo and Tomassini, Marco (editors). Towards Evolvable Hardware. Lecture Notes in Computer Science, Volume 1062. Berlin: Springer-Verlag. 1996.

71. Saravanan, N., Fogel, D. В., and Nelson, К. M. A comparison of methods for self-adaptation in evolutionary algorithms. BioSystems. 1995.

72. Schraudolph, N. N. and Belew, R. K. Dynamic parameter encoding for genetic algorithms. Technical Report No. LAUR90-2795. Los Alamos: Los Alamos National Laboratory. 1990.

73. Schwefel, H.-P. Numerische Optimierung von Computer-Modellen mittels der Evolutionsstrategie(Interdisciplinary Systems Research 26) Basel: Birkhauser. 1977.

74. Schwefel, H.-P. Collective phenomena in evolutionary systems. Problems of Constancy and Change—the Complementarity of Systems Approaches to Complexity. 1987.

75. Shaefer, C. G. The ARGOT strategy: Adaptive representation genetic optimizer technique. Proceedingsof the Second International Conference on Genetic Algorithms. 1987.

76. Spector, Lee. Simultaneous evolution of programs and their control structures. In Angeline, Peter J. and Kinnear, Kenneth E. Jr. (editors). 1996. Advances in Genetic Programming 2. Cambridge, MA: The MIT Press. 1996.

77. Stender, Joachim (editor). Parallel Genetic Algorithms. Amsterdam: IOS Publishing. Stender, Joachim, Hillebrand, and Kingdon, J. (editors). 1994. Genetic Algorithms in Optimization, Simulation, and Modeling. Amsterdam:1.S Publishing. 1993.

78. Teller, A. Turing completeness in the language of genetic programming with indexed memory. Proceedings of The First IEEE Conference on Evolutionary Computation. IEEE Press. Volume 1.1994.

79. Teller, Astro and Veloso Manuela. PADO: A new learning architecture for object recognition. In Ikeuchi, Katsushi and Veloso, Manuela (editors). Symbolic Visual Learning. Oxford University Press. 1996.

80. Voigt, Hans-Michael, Ebeling, Werner, Rechenberg, Ingo, and Schwefel, Hans-Paul (editors). Parallel Problem Solving from Nature PPSN IV. Berlin: Springer-Verlag. 1996.

81. Wang, Paul P. (editor). Proceedings of Joint Conference of Information Sciences. 1997.

82. Yao, Xin, Kim, J.-H. and Furuhashi, T. (editors). Simulated Evolution and Learning. Lecture Notes in Artificial Intelligence, Volume 1285. Heidelberg: Springer-Verlag. 1997.