基于象限探测器的计算鬼成像系统检测模型与校正方法研究报告

一、作者与发表信息
本研究由Siyuan Wang、Zijian Yu和Lijing Li（通讯作者）合作完成，作者单位均为北京航空航天大学仪器科学与光电工程学院。研究成果发表于IEEE Sensors Journal（2024年7月15日，第24卷第14期），文章标题为《Detection Model and Correction Method for Quadrant Detector-Based Computational Ghost Imaging System》。

二、学术背景
本研究属于光电传感与计算成像交叉领域，聚焦于象限探测器（Quadrant Detector, QD）在计算鬼成像（Computational Ghost Imaging, CGI）系统中的性能优化问题。QD作为一种高灵敏度位置传感器，广泛应用于自由空间光通信、激光制导武器等领域，但其在CGI系统中面临两大核心挑战：
1. 透镜离焦和探测器盲区导致激光强度检测失真，增加定位误差并降低图像重建质量；
2. 传统校正方法难以同时解决位置预测与强度校正的非线性问题。
研究目标是通过建立检测模型并开发神经网络校正方法，提升QD-CGI系统的定位精度与成像质量，为雷达、制导等应用提供技术支撑。

三、研究流程与方法
1. 检测模型建立
- 光斑分布建模：基于高斯点扩散函数（PSF）理论，推导离焦条件下的光斑能量分布公式（式5），并通过实验校准高斯半径r（实测值0.8034 mm）。
- 探测器响应建模：考虑QD盲区（实测半宽g=0.055 mm），建立四通道输出与真实光强间的积分关系（式7），量化盲区导致的能量损失。
- 仿真平台构建：在PyCharm中模拟不同r（0.7–0.9 mm）和g（0.035–0.075 mm）组合下的强度波动，生成1711组训练数据（表II）。

1. 神经网络校正方法开发

   • 网络结构：设计三层全连接神经网络（图9），输入为归一化四通道电压，输出为光斑坐标(x̂, ŷ)和强度校正系数μ̂（式11）。隐藏层采用10个ReLU神经元，损失函数为MSE。
     
   • 训练与验证：基于PyTorch框架，使用NVIDIA GTX3060Ti GPU训练1000轮，数据按70:15:15划分训练/验证/测试集。Levenberg-Marquardt算法优化权重，最终损失低于10⁻⁶（图10）。

2. 性能验证实验

   • 硬件系统：搭建半实物仿真平台（图14），包含DMD调制激光源（1064 nm）、QD探测器（First Sensor QA4000-10）和STM32F407嵌入式处理器。
     
   • 实验设计：通过平移台模拟1024个随机光斑位置，对比经典算法与神经网络在定位误差（式9）和图像信噪比（SNR，式10）上的表现。

四、主要结果
1. 定位精度提升
- 仿真显示，经典算法最大定位误差达0.366 mm，而神经网络预测误差降低98.0%（图11a）。实验验证中，平均误差从0.270 mm降至0.00538 mm（图15a）。
- 泛化测试表明，网络在r=0.7–0.9 mm和g=0.07–0.15 mm范围内均保持优于传统方法的性能（图13）。

1. 成像质量改善

   • 强度校正后，归一化光强波动范围从[0.8145, 0.9254]压缩至接近理论值（图11b）。图像SNR从13.66 dB提升至53.03 dB（仿真，图12b），实验系统SNR提高31.94 dB（图15d）。

2. 模型匹配效应
   实验性能略低于仿真，源于实际光斑分布与训练参数的微小偏差，印证了系统参数标定的重要性。

五、结论与价值
1. 科学价值：首次系统建立了QD-CGI系统的检测模型，揭示了光斑分布与盲区对强度编码的耦合影响机制，为复杂光电传感系统的误差分析提供范式。
2. 技术突破：提出的神经网络校正方法实现了位置-强度联合优化，突破传统算法非线性局限，定位误差进入微米级，图像SNR达工业应用标准。
3. 应用前景：可直接应用于半主动激光制导（SAL）系统（图3），提升动态目标追踪与抗干扰能力；方法普适性也为其他多通道探测器系统提供参考。

六、研究亮点
1. 方法创新：将计算鬼成像与QD位置传感功能复用，通过单次检测同步实现定位与成像。
2. 技术融合：首次将神经网络引入QD强度校正，利用仿真数据训练解决实际系统标定难题。
3. 工程意义：嵌入式实现（STM32F407）验证了算法的实时性，满足制导系统高动态需求。

七、其他发现
研究指出，未来可结合目标历史跟踪信息（如文献29的Hydro-3D方法）进一步优化抗遮挡能力，为后续研究指明方向。