第三章 点源透过率(PST)测试:从原理到实战
点源透过率,圈里人通常叫它PST。这玩意儿是衡量光学系统杂散光抑制能力最核心的指标之一。说白了,PST就是告诉你:系统对离轴光到底有多敏感?
我刚开始做杂散光测试那会儿,总觉得PST就是个比值,测起来应该不难。结果第一次上手就栽了跟头——测出来的曲线跟仿真差了整整一个数量级。后来才发现,问题出在测试原理的理解上。嗯,咱们今天就把这块彻底讲透。
一、PST的定义
PST的全称是Point Source Transmittance,中文叫点源透过率。它的定义很简单:
PST(θ) = 离轴角为θ的点源在像面产生的辐照度 / 该点源在入瞳处的辐照度
注意,这里有个关键点——PST是角度θ的函数。θ越大,说明光源离光轴越远,PST值应该越小。理想情况下,我们希望PST在所有离轴角下都趋近于零,但现实嘛...你懂的。
我个人习惯把PST理解成「系统的杂散光传递函数」。它跟MTF有点像,但MTF描述的是成像质量,PST描述的是杂散光抑制能力。
| 参数 | 含义 | 理想值 |
|---|---|---|
| PST(0°) | 轴上点源透过率 | 1(系统透过率) |
| PST(θ) | 离轴角θ的透过率 | 越小越好 |
| PST(90°) | 侧向杂散光抑制 | 通常要求<10⁻⁶ |
二、PST测试原理
测试原理其实不复杂。你想想看,我们需要测量两个量:
- 入瞳处的辐照度——用探测器直接对着光源测
- 像面的辐照度——把光源放在不同离轴角,测系统输出
两个值一除,就是PST。
但这里有个坑——入瞳处的辐照度怎么测?我见过不少新手直接把探测器放在光源前面测,结果测出来的值偏大。为什么?因为探测器本身有角度响应,直接测会引入误差。
我的经验:用积分球配合标准探测器来测入瞳辐照度。积分球能提供均匀的朗伯光源,这样测出来的值更准。我曾经在某个项目中用这个方法,把PST测试重复性从±20%提高到了±5%。
测试系统的核心光路是这样的:
三、PST测试步骤
好了,原理搞清楚了,咱们说说具体怎么测。我总结了一套标准流程,你照着做基本不会出大问题。
步骤1:搭建测试光路
- 把光源、准直镜、光阑装到旋转台上
- 确保光轴对准被测系统的入瞳中心
- 探测器放在像面位置,固定好
注意:整个测试环境必须是暗室。我曾经在没完全遮光的环境下测PST,结果背景噪声比信号还大,数据完全没法用。暗室等级建议优于10⁻⁹ W/cm²。
步骤2:测量入瞳辐照度
- 把探测器移到光源前方(或使用参考探测器)
- 记录探测器读数E_in
- 注意:探测器要加衰减片,防止饱和
步骤3:测量像面辐照度
- 把探测器放回像面位置
- 从θ=0°开始,逐步旋转光源组件
- 每个角度记录探测器读数E_out(θ)
- 角度步长建议:小角度用1°,大角度用5°
步骤4:计算PST
PST(θ) = E_out(θ) / E_in
# 注意:如果用了衰减片,要修正
PST(θ) = E_out(θ) * T_atten / E_in
其中 T_atten 是衰减片的透过率
四、PST数据处理与曲线解读
数据测出来了,怎么处理?我一般分三步走:
1. 原始数据修正
首先要扣除暗电流和背景噪声。这个步骤很多人会忽略,但影响很大。我习惯在每个角度测完信号后,马上挡住光源测一次背景,然后做差值。
2. 归一化处理
把PST值归一化到轴上值。有时候系统透过率本身有波动,归一化后能更清楚地看到杂散光的贡献。
3. 曲线绘制与分析
横轴是离轴角θ,纵轴是PST(通常用对数坐标)。典型的PST曲线长这样:
这张图里,我标了几个关键区域:
- 小角度区(0°~10°):PST下降缓慢,主要是系统本身的散射和衍射
- 拐点区(10°~20°):PST快速下降,这是遮光罩和挡光环起作用的地方
- 大角度区(>30°):PST趋于平缓,进入噪声平台
避坑指南:我曾经遇到过一个案例,PST曲线在20°附近出现了一个小凸起。一开始以为是测量误差,反复测了三次都一样。后来拆开系统检查,发现是遮光罩内壁有个螺丝没拧紧,产生了二次反射。所以,曲线上的任何异常都不要放过,它可能指向一个实际的杂散光路径。
五、PST测试的常见问题
| 问题 | 可能原因 | 解决方法 |
|---|---|---|
| PST值整体偏高 | 背景噪声未扣除、探测器饱和 | 加强暗室、加衰减片 |
| 曲线有毛刺 | 光源不稳定、探测器噪声大 | 多次测量取平均、提高积分时间 |
| 小角度PST异常 | 光轴对准偏差 | 重新校准光路 |
| 大角度PST不下降 | 系统存在直接漏光路径 | 检查遮光罩和密封结构 |
最后说一句,PST测试不是一次性工作。我习惯在系统装配完成后测一次,环境试验(振动、热循环)后再测一次。两次数据对比,能发现很多装配应力导致的问题。嗯,这就是实战经验的价值所在。
公众号:蓝海资料掘金营,微信deep3321