前沿背景
随着人工智能和深度学习技术的飞速发展，它们在光学设计和图像处理领域的应用变得越来越广泛和深入。光学设计，作为一门古老而又充满活力的学科，正面临着由传统设计方法向智能化、自动化转变的重大机遇。深度学习，尤其是其在图像识别、自然语言处理等领域的成功应用，为光学设计提供了新的思路和工具。这种技术革新不仅极大地提高了设计效率和精度，还使得光学设计能够应对更为复杂的挑战，如高维度、多参数的系统优化问题。深度学习的核心优势在于其通过大量数据进行模式识别和特征提取的能力，这为光学设计中的精确计算和创新提供了强大的支持。
深度学习光学设计
深度学习光学成像
光学设计课程目标
本课程旨在为学生提供深度学习在光学设计中的应用理论与实践技能。通过系统的学习，学生将掌握光学设计的基本原理，理解如何利用深度学习模型来优化光学系统性能。课程将涵盖从数据准备、模型选择、训练与优化到应用于实际光学设计问题的整个流程，培养学生在光学设计中创新性地应用深度学习技术的能力。此外，本课程还将帮助学生提高解决复杂光学设计问题的能力，使他们能够在未来的研究或行业实践中有效应用深度学习技术进行光学系统的设计和优化。主要包括：
1.掌握光学设计基础：理解光学设计的基本概念、发展历程以及在不同领域的应用，包括相机镜头、显微镜、望远镜等。
2.学习几何光学和波动光学原理：深入理解光的直线传播、反射、折射以及光的波动性质，包括干涉、衍射和偏振现象。
3.熟悉计算光学工具：学会使用光线追踪技术和傅里叶光学方法，以及如何运用Zemax等仿真软件进行光学系统设计。
4.理解深度学习基础：了解人工智能和机器学习的历史，掌握监督学习、无监督学习等基本概念，以及深度学习与传统机器学习的区别。
5.掌握神经网络基础：学习神经元模型、激活函数、前向传播等基础知识，并理解多层感知器等深度网络架构。
6.学习损失函数与优化算法：了解损失函数的作用和常见类型，以及优化算法如SGD、Adam等的基本原理。
7.熟练使用深度学习框架：快速掌握TensorFlow或PyTorch的基本操作，包括张量操作、自动微分、模型定义与训练。
8.构建和理解卷积神经网络（CNN）：学习卷积层、池化层的原理，以及如何搭建和训练CNN模型进行图像分类。
9.探索循环神经网络和Transformer模型：了解RNN、LSTM、GRU和Transformer的结构和应用。
10.实践生成对抗网络（GAN）：理解GAN的基本原理，探索其在图像生成和修复中的应用。
11.进行光学图像处理与光谱分析的深度学习项目：通过实战演练，学会图像复原、去噪、超分辨率技术，以及光谱数据分析和高光谱成像技术。
12.完成光学图像分类网络的搭建：从数据准备到模型训练和评估，实践构建用于光学图像分类的深度学习模型。
13.掌握目标检测技术：学习目标检测的基本概念、传统方法和深度学习方法，并通过实操演练掌握YOLO系列模型的应用。
14.了解目标检测最新技术：通过讲解和部分代码复现，了解最新技术的创新点和应用。
15.培养批判性思维和创新能力：通过课程学习，鼓励学生对现有技术进行批判性分析，并探索新的解决方案。
光学设计培训老师
主讲老师来自国内顶尖985高校实验室，擅长深度学习/人工智能与光学设计研究，已在该领域有多年研究经验，近些年发表SCI论文已有十几篇之多，擅长各类光学设计研究，人工智能中的光学设计研究方法，几何光学，波动光学，卷积神经网络以及各类软件等操作。
深度学习光学设计课程目录
第一天、光学设计基础与深度学习
一、光学基础
1. 光学设计
定义与历史：光学设计的基本定义及其发展历程。
应用领域：介绍光学设计在相机镜头、显微镜、望远镜、激光系统、光学通信、光学仪器等领域中的应用。
2. 几何光学
光线与光线传播：讨论光的直线传播、反射和折射定律。
光学系统与透镜：单透镜、复合透镜、光学镜片及其成像特性。
成像系统：焦距、视场、景深、像差（如球差、色差、像散、彗差、场曲等）。
光学组件的设计：光学系统中光阑、光圈、遮光罩等的作用和设计原则。
3. 波动光学
光的波动性质：光的电磁波理论，波长、频率、相位、波速等基本概念。
干涉与衍射：光的干涉现象（如双缝实验），单缝衍射、光栅衍射。
偏振：光的偏振现象及其在光学系统中的应用。
光学仪器中的波动效应：讨论在显微镜、光谱仪等仪器中的波动效应。
4. 计算光学
计算光学简介：引入计算光学的基本概念及其在现代光学设计中的重要性。
光线追踪：介绍光线追踪技术在光学设计中的应用，基本算法与实现。
傅里叶光学：傅里叶变换在光学中的应用，如在成像和滤波系统中的应用。
5. 仿真软件设计辅助软件
Zemax 软件
Zemax 软件的界面
Zemax 软件的基本操作
二、深度学习
1.人工智能与机器学习
人工智能的历史与发展：从符号主义到机器学习的发展历程。
机器学习的分类：监督学习、无监督学习、半监督学习、强化学习。
深度学习与传统机器学习的区别：特征工程、自动特征提取、多层次表示。
常见应用领域：图像识别、自然语言处理、推荐系统、语音识别等。
2.神经网络：神经元、激活函数、前向传播
神经元模型：仿生神经元模型与数学表述（加权求和、偏置、激活函数）。
激活函数：Sigmoid、Tanh、ReLU、Leaky ReLU等常用激活函数及其特点。
前向传播：输入层、隐藏层、输出层的计算过程。
深度网络架构：多层感知器（MLP）的结构及扩展。
3.损失函数与优化算法概述
损失函数的作用：用于评估模型的预测误差。
常见损失函数：均方误差（MSE）、交叉熵损失、Hinge损失等。
优化算法的基本原理：梯度下降法及其变种。
常见优化算法：随机梯度下降（SGD）、动量法、Adam、RMSprop等。
4.TensorFlow/PyTorch框架快速上手
框架简介：TensorFlow与PyTorch的历史与发展、特点对比。
基本操作：张量的创建与操作、自动微分机制。
模型定义与训练：如何定义模型、设置损失函数和优化器。
调试与可视化：使用TensorBoard进行训练过程的可视化和调试。
第二天、深度学习经典网络架构基础及搭建（实操演练）
一、CNN（卷积神经网络）详解
1.卷积层：
卷积操作的基本原理
卷积核、滤波器、步幅、填充等概念
局部感受野与权值共享的优势
2. 池化层：
最大池化（Max Pooling）和平均池化（Average Pooling）
池化的作用：特征降维与平移不变性
3.常见的CNN架构：
LeNet、AlexNet、VGG、ResNet等经典模型
卷积神经网络在图像分类中的应用案例
4.高级特性：
批量归一化（Batch Normalization）
Dropout等正则化技术
转置卷积（Deconvolution）与上采样
二、RNN/LSTM/Transformer（循环神经网络,长短期记忆网络,自注意力机制）
1.RNN：
序列数据处理的原理
RNN的结构：隐藏状态的循环计算
RNN的局限性：梯度消失与梯度爆炸
2. LSTM：
LSTM的结构：输入门、遗忘门、输出门
LSTM的优势：长时间依赖问题的解决
LSTM的应用：序列预测、语言模型等
3. GRU：
GRU的结构与LSTM的对比
应用场景与优势
4. Transformer：
自注意力机制的基本原理
编码器-解码器架构
Transformer的优势：并行化、长距离依赖的处理
Transformer的应用：机器翻译、文本生成等
三、GAN（生成对抗网络）
1. GAN的基本原理：
生成器与判别器的对抗过程
Minimax优化问题
2. 常见的GAN架构：
DCGAN（Deep Convolutional GAN）
WGAN（Wasserstein GAN）
CycleGAN、Pix2Pix等特殊应用
3. GAN的应用：
图像生成与修复
图像到图像的翻译
数据增强与隐私保护
四、深度学习简单网络模型搭建
1.环境搭建
硬件环境：GPU与CPU的选择
软件环境：操作系统与依赖安装（如CUDA、cuDNN）、常用的深度学习框架（TensorFlow、PyTorch等）的安装
开发环境：集成开发环境（IDE）：如PyCharm、VSCode
2.深度学习模型设计与训练
数据集准备：数据收集与数据集划分（训练集、验证集、测试集）、数据标注与预处理（如归一化、标准化、数据增强）
模型构建：网络结构设计：输入层、隐藏层、输出层的确定
训练过程：前向传播与反向传播、损失函数的计算与优化器的选择、训练循环、动态学习率调整策略
3.模型调优与超参数优化
超参数的定义：学习率、批大小、网络深度、激活函数等
过拟合与欠拟合：正则化方法：L1、L2正则化，Dropout等
4.模型评估与验证
评估指标：分类问题、回归问题、混淆矩阵的解读
验证与测试：验证集与测试集的区别
五、实战演练：从数据到模型训练（包括数据预处理、模型训练、结果分析）项目实战流程：
数据集选择与下载（如MNIST、CIFAR-10）
数据预处理：数据清洗、特征工程、数据增强
模型定义与搭建：从简单到复杂的网络结构
训练与调优：实时监控训练过程（如损失、准确率曲线）
模型评估：测试集上的最终性能评估
结果分析与总结：模型优缺点分析、改进方向探讨
第三天、深度学习驱动的光学图像处理与光谱分析（实操演练）
一、深度学习与光学图像处理
1.图像复原与去噪
图像复原简介以及典型应用场景（如失焦图像恢复、运动模糊校正）
图像去噪技术：
传统去噪方法：均值滤波、高斯滤波、维纳滤波
深度学习去噪模型：自编码器（Autoencoder）去噪、卷积神经网络（CNN）在去噪中的应用、GAN在图像去噪中的应用
经典案例分析：
BM3D算法与深度学习方法的比较
DnCNN、FFDNet等去噪网络（实战演练）
2.图像超分辨率
图像超分辨率简介及典型应用场景（如卫星图像增强、医学影像）
深度学习超分辨率模型：
SRCNN（Super-Resolution Convolutional Neural Network）
VDSR（Very Deep Super Resolution）
EDSR（Enhanced Deep Residual Networks）
GAN在超分辨率中的应用（如SRGAN）
评估指标：PSNR（峰值信噪比）、SSIM（结构相似性）等常用评估指标
二、深度学习与光谱分析
1.光谱数据分析基础
光谱的基本概念：反射光谱、吸收光谱、发射光谱
光谱数据的特性：高维度性、连续性
光谱预处理方法：数据标准化与归一化、光谱平滑与降噪（如Savitky-Golay滤波）、光谱特征提取（如主成分分析、二次导数）
数据表示与降维：线性与非线性降维技术（如t-SNE）
2.高光谱成像技术
高光谱成像原理
高光谱成像系统的基本结构
高光谱数据的获取与表示
深度学习在高光谱图像分类中的应用
高光谱图像融合与超分辨率
应用领域：农业监测、环境监测、医学成像：皮肤病诊断、癌症检测
三、实战演练：DnCNN 与 FFDNet 去噪网络实战演练流程
项目实战流程：
1. 数据准备：数据集选择、数据预处理、数据加载
2. 模型搭建：DnCNN模型、FFDNet模型、设置损失函数和优化器
3. 模型训练：训练设置、训练步骤、模型保存
4. 模型测试与评估：测试数据集、评估
5. 结果分析：结果展示、总结与改进
第四天、实操演练：光学图像分类网络搭建
1. 数据准备
数据集选择：选择合适的光学图像分类数据集，如ImageNet、CIFAR-10、MNIST等。
数据预处理：
数据清洗：处理缺失数据、异常值。
图像预处理：归一化、缩放、数据增强（如旋转、翻转、裁剪）。
数据集划分：划分为训练集、验证集和测试集。
数据加载：
使用PyTorch的DataLoader或TensorFlow的tf.data.Dataset加载数据，支持批量处理和数据增强。
2. 模型搭建
选择模型架构：选择适合的网络架构，如简单的卷积神经网络（CNN）或预训练的模型（如ResNet、VGG、Inception）。
构建网络：
输入层：定义输入图像的尺寸和通道数。
隐藏层：添加卷积层、激活函数（ReLU）、池化层（Max Pooling）等。
全连接层：用于将特征映射到类别标签。
输出层：使用Softmax激活函数进行多分类。
设置损失函数和优化器：
使用交叉熵损失（Cross-Entropy Loss）作为损失函数。
选择优化器（如Adam、SGD），并设置学习率等超参数。
3. 模型训练
训练设置：定义训练周期数（epochs）和批大小（batch size）。
训练步骤：
前向传播：计算模型的预测输出。
损失计算：使用损失函数计算预测结果与真实标签的差异。
反向传播：计算梯度并更新模型参数。
迭代训练：多次迭代训练数据，优化模型。
模型保存：定期保存模型的参数（checkpoint），以防止数据丢失。
4. 模型测试与评估
模型测试：使用测试集评估模型的性能。
评估指标：
准确率（Accuracy）：模型预测正确的比例。
精确率（Precision）、召回率（Recall）和F1-score：评估模型分类性能的常用指标。
混淆矩阵：分析分类错误情况。
5. 结果分析与改进
结果可视化：
可视化损失和准确率随训练过程的变化。
显示分类正确和错误的示例图像。
模型性能总结：
分析模型在不同类别上的表现。
讨论潜在的过拟合或欠拟合问题。
改进方向：
调整网络结构（如增加卷积层、池化层）。
使用数据增强、正则化技术（如Dropout、L2正则化）防止过拟合。
结合迁移学习，使用预训练模型进一步提升性能。
第五天、实战演练：光学元件缺陷检测实操演练课程
一、目标检测算法概述
1.目标检测简介：
定义与应用：目标检测的基本概念和在各领域的应用。
挑战与难点：多尺度、多类目标的检测挑战。
2.传统目标检测方法：
滑窗法与Selective Search：早期目标检测方法。
HOG + SVM：基于特征和分类器的检测方法。
3.深度学习目标检测方法：
R-CNN系列
YOLO系列
二、实操演练：光学元件缺陷检测
1.环境准备与安装：
配置Python环境，安装必要的库（如PyTorch、OpenCV）。
下载并安装YOLOv5代码库及其依赖。
2.数据准备：
数据集收集：获取光学元件缺陷数据集，包括不同种类的缺陷（如刮痕、斑点、裂纹）。
数据标注：使用LabelImg或VIA等工具对数据进行标注，生成YOLO格式的标注文件。
数据集划分：将数据集划分为训练集、验证集和测试集。
3.模型训练：
配置文件设置：修改YOLOv5的配置文件，包括类别数、输入尺寸等。
预训练模型加载：选择合适的预训练模型（如yolov5s、yolov5m、yolov5l、yolov5x）。
训练模型：运行训练脚本，调整训练参数（如学习率、批大小、训练轮数）。
监控训练过程：通过日志和TensorBoard监控训练中的损失和精度变化。
4.模型测试与评估：
测试模型：在测试集上运行模型，检测光学元件的缺陷。
评估指标：计算mAP、Precision、Recall等指标，评估模型性能。
5.模型优化：
超参数调整：根据评估结果调整超参数，如学习率、锚框大小。
数据增强：增加数据集的多样性，提升模型的泛化能力。
模型微调：进一步优化模型架构，提升检测精度。
6.结果分析与应用：
结果可视化：展示检测结果，包括检测框、置信度等。
案例分析：分析模型在不同类型缺陷上的表现，找出改进空间。
三、目标检测最新前沿YLOLv8讲解和部分复现
YOLOv8的创新点
YOLOv8部分代码的复现
深度学习光学成像课程目标
课程目标：
1. 理论与实践相结合：使学员深入理解并掌握深度学习算法的原理，能够将这些理论知识应用于光学成像系统的设计与优化，实现理论与实践的深度融合。
2. 技能培养：通过顶尖期刊论文的复现和手把手操作，培养学员在光学成像领域的科研能力，使学员能够熟练掌握顶刊论文的写作思路和方法。
3. 项目实战：通过讲解多个典型案例，提升学员在科研项目中的实际操作能力，使学员能够独立开展自己的科研工作，解决实际问题。
4. 技术应用与创新：引导学员运用深度学习技术对光学成像系统进行创新设计和优化，推动光学成像技术在医学、遥感、工业视觉等领域的应用创新。
深度学习光学成像培训老师
主讲老师来自国内顶尖高校课题组，擅长深度学习/机器学习与光学成像研究，已在该领域研究有很多年经验，近些年发表SCI，Nture论文已有十几篇之多，擅长深度学习建模研究，光学成像中的深度学习方法，逆向光学，
计算成像，医学成像，超分网络以及各类软件等操作。
深度学习光学成像课程目录
第一天：光学成像基础
1. 光学成像概述
✓ 什么是光学成像？（光学显微镜成像、数码相机成像）
✓ 光学成像的发展历程（从古代的透镜到现代的数字成像技术）
2. 光学成像重要概念
✓ 分辨率（举例说明如何通过提高镜头质量提升图像分辨率）
✓ 视场和景深（以风景摄影为例，阐述视场和景深对画面效果的影响）
✓ 像差（介绍常见的像差类型，如球差、彗差等，及其对成像质量的影响）
3. 成像质量评价指标
✓ 全参考评价（以均方误差（MSE）为例，介绍如何评价成像质量）
✓ 半参考评价（以结构相似性指数（SSIM）为例，说明其评价方法）
✓ 无参考评价（以自然图像质量评价（NIQE）为例，阐述无参考评价的应用）
4. 光学成像发展趋势
✓ 功能提升（举例说明光学成像在生物医学、航空航天等领域的应用）
✓ 性能提升（如光场相机、计算成像等新技术的发展）
第二天：经典光学成像技术
1. 高动态范围成像
✓ 动态范围的概念（以人眼与相机对比为例，说明动态范围的重要性）
✓ 合并多曝光图像生成 HDR（介绍具体操作步骤）
✓ 色调映射（以不同的色调映射算法为例，展示效果差异）
2. 融合技术
✓ 可见光与红外成像机理（分别介绍两种成像机理及其特点）
✓ 异源图像融合（以可见光与红外图像融合为例，说明融合方法）
✓ 图像融合质量评价（介绍评价指标，如互信息、边缘保持指数等）
3. 像素分辨率提升
✓ 离散采样理论（以采样定理为例，阐述采样对成像质量的影响）
✓ 成像系统分辨率限制因素（介绍光学系统、探测器等方面的限制）
✓ 图像超分辨技术（以单图像超分辨为例，介绍具体算法及应用）
第三天：深度学习基础
1. 深度学习概述
✓ 机器学习与深度学习的关系（以神经网络为例，说明深度学习在机器学习中的地位）
✓ 深度学习的应用领域（如计算机视觉、自然语言处理等）
✓ 深度学习的发展历史与里程碑（如深度信念网络（DBN）、卷积神经网络（CNN）等）
2. Python 编程基础
✓ Python 语言特点（简洁、易学、丰富的库支持）
✓ 基本语法与数据结构（以列表、字典、元组为例，介绍基本用法）
✓ 常用库与函数（如 NumPy、Pandas、Matplotlib 等）
3. 深度学习环境搭建
✓ Anaconda 与 VScode 的使用（介绍安装与配置方法）
✓ pip 库的管理（如何安装、更新和卸载 Python 库）
✓ 虚拟环境的创建与管理（以创建一个 Torch 环境为例，说明操作步骤）
第四天：超分网络实战
1. 超分辨率神经网络
✓ 对偶监督网络（介绍网络结构及其在超分辨率中的应用）
✓ 网络结构介绍（以 SRCNN、FSRCNN 为例，阐述网络设计原理）
2. DRN 超分网络
✓ 论文概要（简要介绍 DRN 网络的创新点）
✓ 数据集准备与参数介绍（以 DIV2K 数据集为例，说明数据预处理方法）
✓ 核心创新点（如残差模块、深度可分离卷积等）
3. 网络复现实战
✓ 阅读代码文档（以 PyTorch 代码为例，介绍如何阅读文档）
✓ 代码执行思路（以训练一个超分网络为例，阐述执行步骤）
✓ 终端命令执行（演示如何使用命令行工具进行训练和测试）
第五天：完整复现超分网络
1. 环境准备与代码测试
✓ 搭建 DRN 网络环境（详细说明环境配置过程）
✓ 代码测试流程（以一个简单的测试用例为例，说明测试步骤）
✓ 参数对网络测试和训练的影响（分析不同参数对网络性能的影响）
2. 代码训练实战
✓ 了解 DF2K 数据集（介绍数据集的特点及预处理方法）
✓ 网络训练步骤
✓ 制作并使用自己的数据集进行训练
课程时间安排
深度学习光学设计：
2024.10.26-----2024.10.27全天授课（上午9:00-11:30下午13:30-17:00）
2024.10.28-----2024.10.29晚上授课（晚上19:00-22:00）
2024.11.02-----2024.11.03全天授课（上午9:00-11:30下午13:30-17:00）
腾讯会议 线上授课（共五天授课时间 提供全程回放视频）
深度学习光学成像：
2024.11.02-----2024.11.03全天授课（上午9:00-11:30下午13:30-17:00）
2024.11.04-----2024.11.05晚上授课（晚上19:30-22:30）
2024.11.09-----2024.11.10全天授课（上午9:00-11:30下午13:30-17:00）
腾讯会议 线上授课（共五天授课时间 提供全程回放视频）
课程费用安排
报名费用
深度学习光学设计/深度学习光学成像
费用：每人每班￥4980元 （含报名费、培训费、资料费）
优惠政策
优惠一: 两门同报9080元
优惠二：提前报名缴费学员+转发到朋友圈或者到学术交流群可享受每人300元优惠（仅限15名）
报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销
课程培训福利
课后学习完毕提供全程录像视频回放，针对与培训课程内容 进行长期答疑，微信解疑群永不解散，参加本次课程的学员可免费再参加一次本单位后期组织的相同的 专题培训班（任意一期都可以）
培训答疑与互动
在培训中进行答疑和问题互动，以帮助学员深入理解课程内容和解决实际问题。
学员可以提出疑问，讲师将提供详细解答，特别是针对技术难点和复杂算法。
通过小组讨论和案例分享，学员将有机会交流经验，获得实时反馈，并进行实践操作演示。
展示学员的学习成果，并提供进一步的提升建议和资源支持，为学员在未来的学习和工作中提供帮助和指导。
课程授课方式
授课方式：通过腾讯会议线上直播，从零基础开始讲解，1300余页电子PPT和教程＋预习视频提前发送给学员，所有培训使用软件都会发送给学员，附赠安装教程和指导安装，培训采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师针对与培训内容长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高
报名咨询
联系人｜刘老师
咨询电话：13937166645（微信同号）
