新闻详情

新闻详情

首页 / 资讯中心 / 详情

邪修之一篇搞定zemax的基本操作原理及用法

发布时间:2026/11/16 17:31:16来源:尧图网络
邪修之一篇搞定zemax的基本操作原理及用法
1 首先按照需求计算相关F值、焦距、视场工作距离、分辨率等2. 打开ZEMAX设置F/#、波长、视场关于视场可设置全视场的0、0.7、1陪的视场)4. 关于处置结构可以PW相差理论计算但工程实现和开发时间成本来看选择现有结构可查找相关专利或者文献可拿到初始结构参数5. 初始结构导入进来后可按照相关焦距焦距进行缩放调整孔径等6. 查看分析下的像差分析中的赛德系图查看像差值的分布情况和以及需要重点处理的像差是哪些7. 再查看点列图以及光瞳像差查看曲线从而判断需要改善的像差像差完善的方法如图所示其中消色差的常见透镜组合8. 接下来为了基本性能进行优化首先设置曲率半径为可变量9. 打开评价函数先约束玻璃厚度以及空气厚度常见操作数模板可参考一些模板也可建立自己的独立优化模板库详细可参考https://mp.weixin.qq.com/s/tL0CW7SLej38L2bZaj0coA?scene1提示DMFS 位置铁律:所有自定义约束(EFFL、MNDT、SPHA、MTFT等)全部写在DMFS的上方;DMFS只生成默认光斑/波前像质项放在MFE靠下位置否则重新生成默认评价函数会覆盖你的约束设置评价函数时候避免无法收敛或者提前陷入某个解边优化边参加操作数优化过中查看评价函数值是否在梯度下降及时调整优化过程10.对于优化向导的内容光斑型评价函数里Reference(参考点)选项决定光斑半径从哪里开始量。两个选项:Centroid(质心)和Chief Ray(主光线)质心是所有光线落点的加权平均位置。主光线是光束中心那条光线的落点。两者通常不重合一-因为像差会让光斑形状不对称质心会偏移。选质心意味着优化器会尽量让光斑”聚拢在质心周围允许整体偏移。选主光线则要求光斑必须围绕主光线对称分布。对于有明确对准要求的系统(比如激光耦合)选主光线更合理。对于普通成像镜头质心更实用。11.最终像差的评价标准12.公差分析制造公差这是加工厂能控制的参数:曲率半径(TFRN):用光圈数(Fringes)表示。比如[3个圈」就是允许偏差3个干涉条纹。折射率(TIND):材料折射率的批次波动。厚度(TTHI):镜片中心厚度偏差单位mm。表面不规则度(TIRR):镜片表面局部不平整通常用RMS或PV值。阿贝数(TABB):色散系数的偏差。装配公差这是装配过程中引入的偏差:偏心(TEDX/TEDY):镜片光轴偏离机械轴单位mm。倾斜(TETX/TETY):镜片绕X或Y轴旋转单位度或弧度。空气间隔(TTHI):镜片之间的间距偏差。用户自定义公差有些特殊参数比如非球面系数、二元面系数可以用1ex或nc0来定义。Zemax支持用宏语言写自定义公差灵活性很高。灵敏度分析:哪个公差最要命?操作步骤很简单:灵敏度分析就是逐个检查每个公差对性能的影响。Zemax会帮你算出一个[灵敏度系数」–这个公差变化一点点MTF掉多少?打开 Tolerance Data Editor(公差数据编辑器)。添加你关心的公差操作数。设置Criteria(评价标准)比如MTF平均值、RMS波前差。运行 Sensitivity Analysis。结果会生成一个表格告诉你每个公差的「最坏情况」和[均方根贡献提示如有错误地方欢迎大家指正或有侵权地方马上联系即可删除谢谢大家让我们一起学习一起进
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉