本发明涉及光学
技术领域：
，尤其涉及一种光源模组及投影系统。
背景技术：
随着投影技术的发展，对于一些热爱电影，家庭空间宽裕的家庭，构建一个家庭影院不再是一个梦想。纵观投影仪市场，投影发光源主要分为三类，分别是灯泡光源、led光源以及激光光源。目前，不同形态的光源在投影机领域实现了不同的发展：(1)传统灯泡光源，例如超高压汞灯或者氙灯，目前的适用面很广，市场比重还很大，在商用和家用领域占据不小份额。但是，这类光源的使用寿命较短，只有一千甚至几百小时，传统灯泡光源发出的白光的光色参数是固定的，无法进行实时的光色参数和色温调整；(2)发光二极管(led，lightemittingdiode)光源主要应用于娱乐、微型随身投影设备等领域，通常这类led光源发出的白光的光色参数也是固定的，无法进行实时的光色参数和色温调整；(3)激光(ld，laserdiode)光源可以做到超高亮度，用于数字电影等专业领域和工程领域，例如，采用先进激光荧光粉显示技术的光源作为影院放映机的投影光源，这类光源的使用寿命在2万小时以上，但是，这类光源一则成本较高，二则光色参数和色温会随功率的变化而变化，无法进行实时的光色参数和色温调整；(4)led光源与ld光源混合光源，能够使其亮度达到需求，而且成本比单纯使用半导体激光器阵列具有优势，但是这类光源同样具有光色参数和色温会随功率的变化而变化，无法进行实时的光色参数和色温调整的缺点。当投影装置应用在不同的投影场合，例如，对光源发出的白光的dci(digitalcopyrightidentifier，数字版权唯一标识符)有不同的需求时，对光源发出的混合光的色坐标、光强、色温等光色参数需要进行调整时，或者对光源发出的白光的光色参数的波动范围需要稳定在较小的范围值内时，由于现有的投影装置的光源都无法对射出的光线的光色参数调整，从而需要更换对应的照明装置，成本非常高，且操作也比较麻烦；尤其是影院机，同一家电影院，因为不同的放映需求，可能要更换不同的照明装置。因此，有必要提供一种新的光源模组及投影系统来解决上述技术问题。技术实现要素：本发明的主要目的在于提供一种射出光线的光色参数可以实时控制和调整的光源模组及投影系统。为实现上述目的，本发明提供一种光源模组，包括：激发光源，包括用于发出不同波长的激发光的至少两个子光源；光致激发部件，设置于所述激发光源的出光光路上，所述光致激发部件吸收所述激发光源发出的激发光后产生受激光，其中，所述光致激发部件受到激发产生的受激光以及未被所述光致激发部件吸收的激发光合成的混合光经所述光源模组的出光侧射出所述光源模组；光源控制电路，用于根据所述至少两个子光源的出光功率与所述出光侧射出的白光的光色参数之间的函数关系，控制所述至少两个子光源的出光功率，以使所述出光侧射出的白光的光色参数保持在预设范围内；其中，所述函数关系为对预先获得的样本训练数据，基于神经网络模型的进行训练，得到的所述至少两个子光源的出光功率与所述出光侧射出的白光的光色参数之间的函数关系。可选的，所述光源控制电路通过控制所述子光源的电流的大小，来控制所述子光源的出光功率；或者所述子光源包括多个发光器件，所述光源控制电路通过控制所述每个子光源的发光器件的开启个数，来控制所述子光源的出光功率。可选的，所述至少两个子光源的光源类型为选自led、激光光源中的至少一种。可选的，所述对预先获得的样本训练数据，基于神经网络模型的进行训练，得到所述至少两个子光源的出光功率与所述出光侧射出的白光的光色参数之间的函数关系的过程，包括：基于前馈神经网络模型、反馈神经网络模型或者自组织神经网络模型，通过梯度下降算法、牛顿算法、共轭梯度算法、柯西-牛顿算法或者levenberg-marquardt算法，通过样本训练得到所述至少两个子光源的出光功率与所述出光侧射出的混合光的光色参数之间的函数关系。可选的，所述对预先获得的样本训练数据，基于神经网络模型的进行训练，得到的所述至少两个子光源的出光功率与所述出光侧射出的白光的光色参数之间的函数关系的过程，还包括：通过调用基于梯度下降的权值和阈值学习函数或者基于带动量的梯度下降的权值和阈值学习函数，对所述训练得到的神经网络模型的神经元的权值和阈值进行修正，从而更新所述至少两个子光源的出光功率与所述出光侧射出的混合光的光色参数之间的函数关系。可选的，所述光致激发部件为设置有波长转换材料的色轮或者设置有波长转换材料的基板。可选的，所述激光光源与所述光致激发部件之间还设有合光装置，用于将所述至少两个子光源发射的激发光汇入同一条出光路后射出到所述光致激发部件上。可选的，所述激发光源的子光源的个数为两个，所述两个子光源分别为第一子光源和第二子光源；所述合光装置包括合光装置，所述合光装置包括：透镜部，与所述第一子光源对应的设置，用于将所述第一子光源发出的第一激发光部分或者全部折射汇入所述出光光路上；反射部，与所述第二子光源对应的设置，用于将所述第二子光源发出的第二激发光部分或者全部反射汇入至所述出光光路上。可选的，所述反射部设置于所述透镜部上，所述第一子光源发出的部分光从所述透镜部上除所述反射部所遮蔽的位置以外的有效透光区透过，并经折射后汇入出光光路上，所述第一子光源发出的部分光被所述反射部遮挡；其中，所述反射部对第一子光源发出的激发光的阻碍面积小于所述透光部的有效透光区的面积的1/5。本发明还提供一种投影系统，包括上述任一项所述的光源模组。在本发明中的光源模组，通过预先获得样本训练数据，然后基于神经网络模型通过样本训练得到光源模组的至少两个子光源的出光功率与最终射出的混合光的光色参数之间的函数关系，其中，所述最终射出的混合光是光致激发部吸收所述激发光源发出的激发光后产生受激光以及未被所述光致激发部件吸收的激发光合成的混合光；然后通过该函数关系来实时调整所述激发光源中的至少两个子光源的出光功率，以调节最终射出的混合光的色坐标、色温、光强、色域等光色参数，既可以满足用户不同的混合光需求，又不需更换光源模组，节约了更换成本，并使得调节过程简单易操作。比如，该光源模组应用于投影机时，不同的放映需求，需要不同的混合光，此时，只需要调节不同子光源的出光功率，即可调节所述光致激发部件受到激发产生的受激光与未被所述光致激发部件吸收的激发光之间的比例，进而调节合成的混合光的光色参数。另外，本发明中通过预先设计的神经网络模型训练得到光源模组的至少两个子光源的出光功率与最终射出的混合光的光色参数之间的函数关系，来实时控制和调整所述激发光源中的至少两个子光源的出光功率，相比于通过手动调节、预设值调取或者查表法等有限参数来控制所述子光源的出光功率的方式，基于神经网络得到的子光源的出光功率与最终射出的混合光的光色参数之间的函数关系可以适用于子光源的任何功率值控制，达到快速、精准和高效的有益效果。附图说明图1为本发明第一实施例中的光源模组的结构示意图；图2为图1中的光致激发部件的结构示意图；图3为本发明第二实施例中的光源模组的结构示意图；图4为本发明一实施例中的光源模组的光源控制方法的流程图。附图标号说明：标号名称标号名称100光源模组11激发光源12光致激发部13光源控制电路14出光侧111第一子光源112第二子光源120波长转换材料121色轮122基板200光源模组22光致激发部23光源控制电路24出光侧211第一子光源212第二子光源25合光装置261透镜部262反射部27光学器件本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后、横向、径向、水平、垂直……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。如图1所示，为本发明第一实施例中的光源模组100的结构示意图。该光源模组100包括激发光源11，光致激发部12，光源控制电路13以及出光侧14。光源模组100最后发出的混合光经出光侧14射出光源模组100的外部。其中，激发光源11包括用于发出不同波长的激发光的至少两个子光源；光致激发部件12设置于激发光源11的出光光路上，光致激发部件12吸收激发光源11发出的激发光后产生受激光，其中，光致激发部件12受到激发产生的受激光以及未被光致激发部件12吸收的激发光合成的混合光经光源模组100的出光侧14射出光源模组100；光源控制电路13，可以与所述激发光源11电连接，所述光源控制电路13用于根据所述至少两个子光源的出光功率与出光侧14射出的混合光的光色参数之间的函数关系，控制所述至少两个子光源的出光功率，以使出光侧14射出的混合光的光色参数保持在预设范围内；其中，所述函数关系为对预先获得的样本训练数据，基于神经网络模型的进行训练，得到的所述至少两个子光源的出光功率与所述出光侧射出的白光的光色参数之间的函数关系。具体的，在本实施例中，以所述子光源所示出的个数为两个为例来说明本申请中的光源模组100的工作原理：所述两个子光源具体为第一子光源111以及第二子光源112，所述第一子光源111射出的为第一激发光，所述第二子光源112射出的为第二激发光；所述光致激发部件12吸收所述第一子光源111射出的第一激发光产生第一受激光，所述光致激发部件12吸收所述二子光源112射出的第二激发光产生第二受激光；通过预先收集样本训练数据，其中，样本训练数据可以是包含第一子光源111的出光功率、第二子光源112的出光功率以及对应的出光侧14射出的白光的光色参数的记录数据；其中，所述混合光根据光源模组100的应用场景，可以是白光；所述光色参数可以包括色坐标、色温、色域、光强等参数中的一个或者多个，在本具体示例中，所述光色参数为色坐标；基于神经网络模型和预先收集到的样本训练数据，通过样本训练得到第一子光源111的出光功率以及第二子光源112的出光功率与出光侧14射出的白光的色坐标之间的函数关系；光源控制电路13根据所述函数关系，控制两个子光源的出光功率，以使所述光致激发部件12受到所述第一子光源111射出的第一激发光产生第一受激光，受到所述第二子光源112射出的第二激发光产生第二受激光，以及未被所述光致激发部件12吸收的第一激发光和第二激发光，合成的白光的色坐标保持在预设范围内，并经所述光源模组100的出光侧14射出所述光源模组100外部。例如，上述的样本训练数据的收集可以采用以下方式得到：步骤一，选定第一子光源111的出光功率p1，其中，可以是将第一子光源111的出光功率依次从该第一子光源111的最小出光功率至最大出光功率进行选择；步骤二，将第二子光源112的出光功率进行调整，使用照度计测量此时光源模组100发出并投影到屏幕上的白光的光色参数进行测量，当所述白光的光色参数在预设范围内时，例如色坐标处于数字版权唯一标识符(dci，digitalcopyrightidentifier)标准范围内，获取第二子光源112的出光功率p2，此时记录该(p1，p2)作为一个样本训练数据；步骤三，选定第二子光源112的出光功率p3，其中，可以是将所述第二子光源112的出光功率依次从该第一子光源112的最小出光功率至最大出光功率进行选择；步骤四，将第一子光源111的出光功率进行调整，使用照度计测量此时光源模组100发出并投影到屏幕上的混合光的光色参数进行测量，当所述混合光的光色参数在预设范围内时，预设范围例如dci标准范围，获取第一子光源111的出光功率p4，此时记录该(p4，p3)作为一个样本训练数据；步骤五，将得到所述记录(p1，p2)以及记录(p4，p3)的集合作为所述样本训练数据。可以理解的是，在其他实施方式中，所述步骤一和步骤二中选定固定第一子光源111的出光功率p1，来获取匹配的第二子光源112的出光功率p2的次数可以进行多次，以尽量减小实验误差和人工误差，增大样本训练数据的完整性。例如，至少三次将第一子光源111的出光功率选定10瓦，将第二子光源112的出光功率进行调整，例如当调整到12.2瓦、12瓦、12.4瓦时，使用照度计测量此时光源模组发出并投影到屏幕上的混合光的光色参数均在预设范围内即dci标准范围内，此时将记录(10w，12.2w)、(10w，12w)、(10w，12.4w)均作为样本训练数据。同样的，所述步骤三和步骤四中的数据也可以是多次反复获取的样本训练数据。另外，在获取所述样本训练数据时，可以选定一个子光源的光功率和色坐标在所述预设范围内的一个具体值，通过选取在所述预设范围内的不同的具体色坐标值来获取另一个子光源的光功率值，从而获取多组训练样本数据。具体的，例如使用照度计测量此时光源模组100发出并投影到屏幕上的混合光的色坐标时，由于色坐标只要达到预设范围内即可符合dci标准，因此，在选定第一子光源111的出光功率p1，来获取匹配的第二子光源112的出光功率p2时，可以选定在所述预设范围内的不同的具体色坐标值，例如5个符合dci范围的色坐标值c1，c2，c3，c4以及c5，进行多次的实验，从而获得多组记录(p1，p2)，以增大样本训练数据的完整性。同样的，所述步骤三和步骤四中的数据也可以是多次反复获取的样本训练数据。本领域技术人员应当知道，所述混合光可以是白光，也可以是其他颜色的混合光，例如，提供偏黄色的暖色系混合光、偏蓝色的冷色调混合光等，本领域技术人员可以根据需要进行调整，在此不做具体限制。另外，所述光色参数还可以是包括色坐标、光强、色温、色域等其他参数中的一个或者多个。在样本训练数据获取时，每组样本记录均能够满足最终的射出光的光色参数符合预设范围，只需要通过事先实验获得足够数量的样本训练数据，然后经过神经网络进行样本训练得到子光源的出光功率与最终射出的混合光的光色参数之间的函数关系；然后通过光源控制电路13控制所述至少两个子光源的出光功率，以使所述出光侧14射出的混合光的光色参数保持在预设范围内即可，在此不作具体限制。在本实施例中，通过预先获得样本训练数据，然后基于神经网络模型通过样本训练得到光源模组100的至少两个子光源的出光功率与最终射出的混合光的光色参数之间的函数关系，其中，所述最终射出的混合光是光致激发部吸收所述激发光源发出的激发光后产生受激光以及未被所述光致激发部件吸收的激发光合成的混合光；然后通过该函数关系来实时调整激发光源11中的至少两个子光源的出光功率，以调节最终射出的混合光的色坐标、色温、光强、色域等光色参数，既可以满足用户不同的混合光需求，又不需更换光源模组，节约了更换成本，并使得调节过程简单易操作。比如，该光源模组100应用于投影机时，不同的放映需求，需要不同的混合光，此时，只需要调节不同子光源的出光功率，即可调节所述光致激发部件12受到激发产生的受激光与未被所述光致激发部件12吸收的激发光之间的比例，进而调节合成的混合光的光色参数。另外，本申请中通过预先设计的神经网络模型训练得到光源模组100的至少两个子光源的出光功率与最终射出的混合光的光色参数之间的函数关系来来实时控制和调整所述激发光源11中的至少两个子光源的出光功率，相比通过手动调节、预设值调取或者查表法等有限参数来控制所述子光源的出光功率的方式，基于神经网络得到的子光源的出光功率与最终射出的混合光的光色参数之间的函数关系可以适用于子光源的任何功率值控制，达到快速、精准和高效的有益效果。进一步地，在一较佳的实施例中，在预先获取到足够数量的样本训练数据之后，对预先获得的样本训练数据，基于神经网络模型的进行训练，得到的所述至少两个子光源的出光功率与所述出光侧射出的白光的光色参数之间的函数关系的过程，包括基于前馈神经网络模型、反馈神经网络模型或者、卷积神经网络或自组织神经网络模型通过梯度下降算法、牛顿算法、共轭梯度算法、柯西-牛顿算法、坐标下降算法或者levenberg-marquardt算法，预先通过样本训练得到的权值和阈值，从而得出至少两个子光源的出光功率与出光侧射出的混合光的光色参数之间的函数关系。具体的，样本训练数据为多条可以调节光源模组100的射出的混合光的光色参数符合预设范围的记录(p1，p2…pm)，(p12，p22…pm2)……(p1n，p2n…pmn)，其中，所述p1，p2…pm表示光源模组100的激光光源10的m个子光源所各自对应的出光功率。经过预先选定的神经网络模型和优化算法，预设选定的神经网络模型的神经元的权值和阈值，经样本训练进行输出结果函数的建立和所述权值和阈值的分配，以及经优化算法对所述权值和阈值进行优化，得到最终输出结果函数其中，px为激发光源11中的第x子光源的出光功率，wx为激发光源11中的第x子光源的出光功率的权重。其中，光源控制电路13根据基于神经网络模型预先通过样本训练得到的至少两个子光源的出光功率与出光侧14射出的混合光的光色参数之间的函数关系的过程中，还包括：通过调用基于梯度下降的权值和阈值学习函数或者基于带动量的梯度下降的权值和阈值学习函数等，对训练得到的神经网络模型的神经元的权值和阈值进行修正，从而更新至少两个子光源的出光功率与出光侧射出的混合光的光色参数之间的函数关系。具体的，学习函数的调用即对样本训练数据的错误率进行优化，对训练获得的权值和阈值进行修正，从而更新至少两个子光源的出光功率与出光侧射出的混合光的光色参数之间的函数关系；通过学习函数的调用，可以训练得到局部最佳的神经元权值和阈值，也就是说这是一个误差的一个极小值，从而可以停止神经网络模型的迭代训练，获得修正后的输出结果函数。可以理解的是，在一可选的实施例中，光源控制电路13控制至少两个子光源的出光功率的方式，可以是控制子光源的电流的大小，进而来控制子光源的出光功率，例如通过脉冲宽度调制的方式；或者是在子光源包括多个发光器件时，光源控制电路13通过控制每个子光源的发光器件的开启个数，进而来控制每个子光源的出光功率。可以理解是，光源控制电路13还可以是控制子光源中的每个发光器件的电流，从而达到精准控制子光源的整体出光功率的目的。本领域技术人员可以知道，任何可替代的控制子光源的整体出光功率的实施方式均在发明的设计范围之内，在此不做赘述和具体限制。进一步地，在一可选的实施例中，至少两个子光源的光源类型可以为相同的也可以为不同的。具体的，激发光源11的至少两个子光源的光源类型可以为选自led、激光光源中的至少一种。例如，激发光源11的子光源可以全部选用为led光源，这种光源模组可以用于亮度要求适中，但是对体积和散热要求较高的娱乐、微型随身投影设备等领域；激发光源11的子光源也可以全部选用激光光源，可以做到超高亮度，用于数字电影等专业领域和工程领域；激发光源11的子光源还可以采用led光源和激光光源的组合，以达到既能提高超高亮度，又能降低光源成本的要求。进一步地，请一并结合图2a，在一实施例中，光致激发部件12可以为设置有波长转换材料120的色轮121；请一并结合图2b，在另一实施例中，光致激发部件12可以为设置有波长转换材料120的基板122。可以理解是，根据光源模组100的出光要求和应用的环境、领域，可以根据需要设计光致激发部件12的结构，只需要达到对激发光源11发出的激发光进行转换，并与未被光致激发部件12吸收的激发光合并形成符合要求的混合光即可，在此不做具体限制。可以理解是，本一实施例中，激发光源11的至少两个子光源可以为发射蓝光的led或者激光器；进一步地，激发光源11的至少两个子光源发出的为具有不同波长的激发光，其中，部分激发光可以为440nm或455nm波长的蓝光，其他部分的激发光可以为465nm波长的蓝光。在一实施例中，波长转换材料可以为黄色荧光粉；黄色荧光粉受到至少两个子光源发出的不同波长的激发光的激发所产生的受激光也是不同波长的黄光的混合光。在另一实施例中，光致激发部件12上设置的波长转换材料可以包括两种波长转换材料，例如，在需要合成的混合光为白光时，这两种波长转换材料可以为红色荧光粉和绿色荧光粉。红色荧光粉受到至少两个子光源发出的不同波长的激发光的激发，所产生的受激光为红光混合光，不同波长的激发光所激发出的红光的波长不同；绿色荧光粉受到至少两个子光源发出的不同波长的激发光的激发，所产生的受激光为绿光混合光，不同波长的激发光所激发出的绿光的波长也不同。可以理解的是，在其他实施方式中，光致激发部件12的波长转换材料可以包括黄色荧光粉、红色荧光粉以及绿色荧光粉，以使光致激发部件12产生的受激光为黄光、红光与绿光的混合光。请再次结合图1，在一具体的实施例中，以激发光源11包括用于发出不同波长的激发光的两个子光源为例，来说明本发明的具体工作原理。具体的，在本实施例中，子光源所示出的个数为两个，具体为第一子光源111以及第二子光源112，第一子光源111射出的为第一激发光，第二子光源112射出的为第二激发光；第一子光源111以及第二子光源112均为led蓝光光源，光致激发部件12为色轮结构，色轮上设置的波长转换材料包括两种波长转换材料，这两种波长转换材料为红色荧光粉和绿色荧光粉。光致激发部件12吸收第一子光源111射出的第一激发光产生第一受激红光和第一受激绿光，光致激发部件12吸收第二子光源112射出的第二激发光产生第二受激红光和第二受激绿光。其中，由于第一激发光和第二激发光为波长不同的蓝光，因此，二者激发荧光粉的激发效率也不同，所得到的红光或者绿光的波长也不同。预先收集样本训练数据，其中，样本训练数据的收集方法，已如前所述，在此不再赘述；基于神经网络模型通过样本训练得到的第一子光源111的出光功率、第二子光源112的出光功率与出光侧14射出的混合光的光色参数之间的函数关系；光源控制电路13根据所述函数关系，控制第一子光源111和第二子光源112的出光功率，以使光致激发部件12受到第一子光源111射出的第一激发光产生的第一受激红光和第一受激绿光，受到二子光源112射出的第二激发光产生第二受激红光和第二受激绿光，以及未被光致激发部件12吸收的第一激发光和第二激发光，所合成的混合光的光色参数保持在预设范围内，并经光源模组100的出光侧14射出光源模组100外部。可以理解的是，在其他实施方式中，激发光源11的子光源的个数也可以为3个、4个或者更多，其实现方式与第一实施例相同，再次不再做具体赘述。请一并结合图3，为本发明第二实施例中的光源模组200的结构示意图。在该第二实施例中，光源模组200的结构与第一实施例中的光源模组100相似，包括激发光源(图未标示)，光致激发部22，光源控制电路23以及出光侧24。光源模组200最后发出的混合光经出光侧24射出光源模组200的外部。其中，激发光源包括用于发出不同波长的激发光的两个子光源；其中，第一子光源211为led蓝光光源，第二子光源212为激光蓝光光源。光致激发部件22设置于激发光源的出光光路上，光致激发部件22吸收激发光源发出的激发光后产生受激光，其中，光致激发部件22受到激发产生的受激光以及未被光致激发部件22吸收的激发光合成的混合光经光源模组200的出光侧24射出光源模组200；光源控制电路23，可以与激发光源电连接，光源控制电路23用于根据基于神经网络模型预先通过样本训练得到的第一子光源211的出光功率、第二子光源212的出光功率与出光侧24射出的混合光的光色参数之间的函数关系，控制第一子光源211以及第二子光源212的出光功率，以使出光侧24射出的混合光的光色参数保持在预设范围内。其不同在于，激光光源20与光致激发部件22之间还设有合光装置25，用于将激发光源的至少两个子光源发射的激发光汇入同一条出光路后射出到光致激发部件22上。具体的，在本实施例中，该合光装置25可以对两个子光源发射的激发光的光路路径进行整合，以使第一子光源211和第二子光源212发出的激发光以更集中的角度入射到光致激发部件22上。进一步地，在本实施例中，合光装置25包括：透镜部261，与第一子光源211对应的设置，用于将第一子光源211发出的第一激发光部分或者全部折射汇入出光光路上；反射部262，与第二子光源212对应的设置，用于将第二子光源212发出的第二激发光部分或者全部反射汇入至出光光路上。具体的，第一子光源211与第二子光源212分别设置于合光装置25上相对设置的第一侧(图未标示)和第二侧(图未标示)，其中，第一子光源211与第二子光源212的出光方向相互垂直的设置。其中，透镜部261为平面板状，反射部262设置于透镜部261的中心位置，反射部262的体积小于透镜部261的体积。第一子光源211发出的部分光从合光装置25的透镜部261上反射部262所遮蔽的以外的部分透过，并经折射汇入出光光路上；第一子光源211发出的部分光则被反射部262遮挡，不进入出光光路。第二子光源212发出的光线中入射到反射部262的光线，则被反射部262反射汇入至出光光路上。透光部261的有效透光区的面积与反射部262的面积之比越大，则来自第一子光源211的光被反射部262反射而损耗的光的比例越小，从而合光的效果越好。具体的，反射部262对第一子光源211发出的激发光的阻碍面积以小于有效透光区的面积的1/5为宜，具体可以根据第二发光源的光学扩展量来定。通常led的光学扩展量大，而ld的光学扩展量小，因此，在本实施例中，第一子光源211的光学扩展量大于第二子光源212的光学扩展量，则可以尽量缩小反射部262的面积。此外，光源模组200还包括光学器件27，设置于第二子光源212与合光装置25之间，用来将ld发光的发散角调整为与led发光的发散角接近，这样可以更大度地减小反光装置330的面积来使合光效果更好。进一步的，透光部261可以为透光玻璃板，单色向/双色向滤光片等；反射部262可以是反光板、反射片、反射镜、弧形反射罩或者棱镜等。在本实施例中，激发光源11的至少两个子光源可以不再并列紧挨的设置，增大了子光源之间的间距和散热效果。可以理解的是，以上的合光装置25仅仅是一具体的实现示例，在其他实施例中，还可以通过其他光学器件对子光源的光路进行调整，使多条光路汇聚到一束光路中，然后进行传输；本领域技术人员应当可以知道，只需要达到对激发光源11发出的激发光进行合并和汇聚作用的光学元件均可以达到本发明的目的，在此不做具体限制。本发明还提供一种投影系统，所述投影系统的光源采用如前述任一实施例中的光源模组。请一并结合图4，本发明还提供一种光源模组的光源控制方法，应用于如前述任一实施例中的光源模组，光源控制方法包括：步骤s10，预先获得样本训练数据，所述样本训练数据为多条包含每个子光源的出光功率以及光源模组对应射出的混合光的光色参数的记录数据；步骤s20，对预先获得的样本训练数据，基于神经网络模型的进行训练，得到的所述至少两个子光源的出光功率与所述光源模组射出的混合光的光色参数之间的函数关系；步骤s30，根据所述函数关系，控制光源模组的至少两个子光源的出光功率，以使出光侧射出的混合光的光色参数保持在预设范围内。其中，控制至少两个子光源的出光功率的过程包括：通过控制子光源的电流的大小，来控制子光源的出光功率；或者子光源包括多个发光器件，光源控制电路通过控制每个子光源的发光器件的开启个数，来控制子光源的出光功率。进一步地，步骤s20，可以包括：步骤s21，基于前馈神经网络模型、反馈神经网络模型或者自组织神经网络模型，通过梯度下降算法、牛顿算法、共轭梯度算法、柯西-牛顿算法或者levenberg-marquardt算法，通过样本训练得到所述至少两个子光源的出光功率与所述出光侧射出的混合光的光色参数之间的函数关系。具体的，样本训练数据为多条可以调节光源模组100的射出的混合光的光色参数符合预设范围的记录(p1，p2…pm)，(p12，p22…pm2)……(p1n，p2n…pmn)，其中，所述p1，p2…pm表示光源模组100的激光光源10的m个子光源所各自对应的出光功率。经过预先选定的神经网络模型和优化算法，预设选定的神经网络模型的神经元的权值和阈值，经样本训练进行输出结果函数的建立和所述权值和阈值的分配，以及经优化算法对所述权值和阈值进行优化，得到最终输出结果函数其中，px为激发光源11中的第x子光源的出光功率，wx为激发光源11中的第x子光源的出光功率的权重。其中，步骤s20，还包括：步骤s22，通过调用基于梯度下降的权值和阈值学习函数或者基于带动量的梯度下降的权值和阈值学习函数，对所述训练得到的权值和阈值进行修正，从而更新所述至少两个子光源的出光功率与所述出光侧射出的混合光的光色参数之间的函数关系。具体的，学习函数的调用即对样本训练数据的错误率进行优化，对训练获得的权值和阈值进行修正，从而更新至少两个子光源的出光功率与出光侧射出的混合光的光色参数之间的函数关系；通过学习函数的调用，可以训练得到局部最佳的神经元权值和阈值，也就是说这是一个误差的一个极小值，从而可以停止神经网络模型的迭代训练，获得修正后的输出结果函数。可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第n实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的
技术领域：
均包括在本发明的专利保护范围内。当前第1页12