光学设计基础(一)

简介: 笔记

一. 光学设计概念


1.何为光学设计: 光学设计所要完成的工作应该包括光学系统设计和光学系统结构设计。

2. 光学设计步骤:一般分为以下两个阶段

1.初步设计阶段。根据光学仪器总体的技术要求,如性能指标、外形等,从光学仪器的总体出发,拟定光学系统的原理图,并初步计算光学系统的外形尺寸,确定结构类型,以及分配个光组之间光焦度等。


2.像差设计阶段。根据初步设计结果,确定每个透镜组的具体结构参数,如曲率半径、厚度、间隔和材料等,以满足系统光学特性和成像质量的要求。


二. 光学设计的过程与步骤


1.具体步骤:

1查资料库,找到光学系统特性与所设计任务最为接近的初始结构

2物镜选型, 在同类结构中选择高级像差最小的结构

3缩放焦距,把查出的结构参数乘以所要设计系统的焦距来进行缩放

4更换玻璃,国内外玻璃的牌号不同,价格也不同

5估计高级像差,如高级球差、高级慧差、场曲等

6检测边界条件,优化公差,参数样板处理化

7像质满足设计要求任务后输出CAD图


三. 仪器对光学设计的要求


1. 对光学系统外形尺寸的要求

1.系统的孔径、视场、分辨率、出瞳直径和位置等

2.几何尺寸,既光学系统的轴向和径向尺寸、整体结构的布局等

3.成像质量、孔径和视场的权重等


2. 对光学系统成像质量的要求

1.信息传递的真实性(如无畸变)和有效性(如是否清晰)

2.像差、球差、慧差、色差要小


3. 对光学系统使用条件的要求

1.物理稳定性,化学稳定性,力学稳定性,热力学稳定性


4. 对光学系统经济性的要求

价值工程公式:

V=F/C


V是价值,F是功能,C是成倍。为了使V提供,有一下几种策略


1.增加功能,降低成倍

2.增加功能,成本基本不变

3.大大增加功能,但成本略微增加

4.略微降低功能,但成本大大降低

5.功能基本不变,但成本降低


光学设计实例:单透镜设计


1. 设计任务:

设计一个焦距为80mm,相对孔径为0.25的单透镜系统,全视场2ω为8°,物距为无限远,在可见光下工作,选有K9玻璃,光阑设置在入射光线遇到的透镜第一个光学表明。


1.输入入瞳直径值:焦距×相对孔径

2.png

2.输入视场,这里选择的5个视场分别为:ω,0.707ω,0.5ω,0.3ω,0.

3.png

3.输入波长范围,直接选择F,d,C,以d为主波长

4.png

4.输入透镜数据

5.png

5.查看外形

image.png

6.很显然没有聚焦,这里进行优化设置

image.png

7.优化,点击Automatic即可自动优化

image.png

8.查看优化后的外形

image.png

此单透镜设计任务到此就完成了。

thank for your reading !


公众号:FPGA之旅

目录
相关文章
|
7天前
光学雨量计:高精度测量降水量的理想解决方案
光学雨量计:高精度测量降水量的理想解决方案
光学雨量计:高精度测量降水量的理想解决方案
|
4天前
|
数据中心
DWDM和CWDM光学技术的区别
【4月更文挑战第21天】
14 1
DWDM和CWDM光学技术的区别
|
4天前
|
传感器
光学雨量计的工作机制可以简单概括
光学雨量计的工作机制可以简单概括
光学雨量计的工作机制可以简单概括
|
12天前
|
传感器 数据采集
光学雨量计技术的优势与应用范围
光学雨量计技术的优势与应用范围
光学雨量计技术的优势与应用范围
|
5月前
|
传感器 算法 Shell
[工业3D] 主流的3D光学视觉方案及原理
[工业3D] 主流的3D光学视觉方案及原理
41 0
|
10月前
|
调度
混合动力电动车优化调度与建模(发动机,电机,电池组等组件建模)(Matlab代码实现)
混合动力电动车优化调度与建模(发动机,电机,电池组等组件建模)(Matlab代码实现)
|
机器学习/深度学习 移动开发 异构计算
|
机器学习/深度学习 传感器 编解码
毫米波雷达在多模态视觉任务上的近期工作及简析(上)
在近些年,2D检测任务在自动驾驶的热度递减,取而代之的是3D任务,毕竟现在的实际场景一直多是基于3D场景。但是在3D检测或者分割等任务中,雷达赋予了一个不一样的角色,在之前FOV视角中,毫米波点云大多为了与FOV特征融合,都是通过投影这一种方法,而放到3D场景中,分为两个流派:一个是点云流派:由于lidar和radar具有天然的相似性(当然是处理后的点云),自然就有lidar的相关角色赋予毫米波雷达,相应的,毫米波的角色从FOV到了BEV,它的下游任务,也从辅助为主到BEV下的分割、深度估计、生成密集点云等。
毫米波雷达在多模态视觉任务上的近期工作及简析(上)
|
传感器 数据采集 机器学习/深度学习
毫米波雷达在多模态视觉任务上的近期工作及简析(下)
在近些年,2D检测任务在自动驾驶的热度递减,取而代之的是3D任务,毕竟现在的实际场景一直多是基于3D场景。但是在3D检测或者分割等任务中,雷达赋予了一个不一样的角色,在之前FOV视角中,毫米波点云大多为了与FOV特征融合,都是通过投影这一种方法,而放到3D场景中,分为两个流派:一个是点云流派:由于lidar和radar具有天然的相似性(当然是处理后的点云),自然就有lidar的相关角色赋予毫米波雷达,相应的,毫米波的角色从FOV到了BEV,它的下游任务,也从辅助为主到BEV下的分割、深度估计、生成密集点云等。
毫米波雷达在多模态视觉任务上的近期工作及简析(下)
|
存储 传感器
高效学习传感器|浅谈CCD的工作原理以及常用波
高效学习传感器|浅谈CCD的工作原理以及常用波
656 0
高效学习传感器|浅谈CCD的工作原理以及常用波