CN110186559B - 一种涡旋光束轨道角动量模态的检测方法及装置 - Google Patents
一种涡旋光束轨道角动量模态的检测方法及装置 Download PDFInfo
- Publication number
- CN110186559B CN110186559B CN201910317271.2A CN201910317271A CN110186559B CN 110186559 B CN110186559 B CN 110186559B CN 201910317271 A CN201910317271 A CN 201910317271A CN 110186559 B CN110186559 B CN 110186559B
- Authority
- CN
- China
- Prior art keywords
- vortex
- training
- diffraction pattern
- light
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 124
- 238000013528 artificial neural network Methods 0.000 claims abstract description 86
- 230000003287 optical effect Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 6
- 230000001902 propagating effect Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 4
- 238000004891 communication Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J1/4257—Photometry, e.g. photographic exposure meter using electric radiation detectors applied to monitoring the characteristics of a beam, e.g. laser beam, headlamp beam
Landscapes
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明提供的一种涡旋光束轨道角动量模态的检测方法及装置，所述方法包括：提取训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；提取任意一张待检测涡旋光衍射图的特征参数，将所述待检测涡旋光衍射图的特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态的二进制序列。训练后的前馈神经网络对图像有很强的识别能力，能够对涡旋光轨道角动量的模态进行快速且准确的检测，在光学OAM通信和量子通信等领域具有广阔的应用前景。
Description
技术领域
本发明涉及计算机视觉领域和光学技术领域，尤其涉及的是一种涡旋光束轨道角动量模态的检测方法及装置。
背景技术
近年来，携带轨道角动量(Orbital Angular Momentum，OAM) 的涡旋光束在光学捕获、光学成像和量子信息等方面具有广阔的应用前景，在通信中，涡旋光束可以作为独立的信号传输通道，能提高通信容量，涡旋光的环形强度分布形成的大梯度力可以将微粒推入涡旋光束的暗核中，因此可以采用涡旋光进行粒子操作，OAM模态应用于数字信息编码能够提高光子效率，并增强芯片上光互联的数据容量。
人工神经网络(Artificial Neural Network，ANN)在图像识别、语音识别、语言翻译、光通信等领域得到了广泛的研究。因此可以结合人工神经网络优秀的图像识别和分类能力来实现涡旋光束的OAM模态检测，已有研究采用神经网络直接对共轭模态的涡旋光的光强分布进行信息提取，实现OAM模态识别；但是，此方法传输的涡旋光必须由两个共轭的OAM模态组成，或者在接收端用共轭OAM模态进行干涉，这严重减少了可用的OAM模态。并且在自由光通信中，涡旋光因其独特的螺旋相位结构，很容易受到大气湍流影响发生畸变，一般的模态识别方法很难在湍流环境中准确的对OAM模态进行识别。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明提供了一种涡旋光束轨道角动量模态的检测方法及装置，旨在准确、快速地识别湍流环境中的涡旋光束的OAM模态。
本发明的技术方案如下：
一种涡旋光束轨道角动量模态的检测方法，所述方法包括：
提取训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；
提取任意一张待检测涡旋光衍射图的特征参数，将所述待检测涡旋光衍射图的特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态的二进制序列。
作为进一步的改进技术方案，所述提取训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练包括依次重复以下步骤：
将涡旋光调制成畸变涡旋光；
对所述畸变涡旋光进行衍射处理得到训练用涡旋光衍射图；
提取所述训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数训练前馈神经网络。
作为进一步的改进技术方案，所述将涡旋光调制成畸变涡旋光的步骤前还包括：
改变光源出射的高斯光束的偏振方向得到高斯光，并将所述高斯光调制成涡旋光。
作为进一步的改进技术方案，所述提取训练用涡旋光衍射图的特征参数的步骤包括：
从训练用涡旋光衍射图中选取i×i的衍射级作为训练用特征提取对象；
提取所述训练用特征提取对象中每个衍射级的最大值、平均值和方差作为训练用涡旋光衍射图的特征参数。
作为进一步的改进技术方案，所述使用所述训练用涡旋光衍射图的特征参数训练前馈神经网络的步骤包括：
将所述训练用涡旋光衍射图的特征参数输入到前馈神经网络，得到输出值，根据输出值计算出损失值；
将所述损失值反向传播到前馈神经网络，修改所述前馈神经网络的参数。
作为进一步的改进技术方案，所述训练用涡旋光衍射图为光斑呈阵列排布的衍射图，每个光斑所在位置对应一个衍射级。
本发明还提供了一种涡旋光束轨道角动量模态的检测装置，所述装置包括：CCD图像传感器和计算机设备；
所述CCD图像传感器包括：参数提取模块；
所述参数提取模块，用于提取训练用涡旋光衍射图的特征参数和提取任意一张待检测涡旋光衍射图的特征参数；
所述计算机设备包括：神经网络训练模块和模态检测模块；
所述神经网络训练模块，用于使用训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；
所述模态检测模块，用于将所述任意一张待检测涡旋光衍射图的特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态的二进制序列。
作为进一步的改进技术方案，所述装置还包括第一空间光调制器、第二空间光调制器和二维叉型光栅；
所述第一空间光调制器，用于将高斯光调制成涡旋光；
所述第二空间光调制器，用于将涡旋光调制成畸变涡旋光；
所述二维叉型光栅，用于对畸变涡旋光进行衍射处理，得到涡旋光衍射图。
作为进一步的改进技术方案，其特征在于，所述神经网络训练模块包括损失值计算单元和参数修改单元；
所述损失值计算单元，用于将训练用涡旋光衍射图的特征参数输入到前馈神经网络，得到输出值，根据输出值计算出损失值；
所述参数修改单元，用于将所述损失值反向传播到前馈神经网络，修改所述前馈神经网络的参数。
作为进一步的改进技术方案，所述参数提取模块包括：选取衍射级单元和提取特征参数单元；
选取衍射级单元，用于从训练用涡旋光衍射图中选取i×i的衍射级作为训练用特征提取对象；还用于从待检测涡旋光衍射图中选取 i×i的衍射级作为待检测特征提取对象；
提取特征参数单元，用于提取所述训练用特征提取对象中每个衍射级的最大值、平均值和方差作为训练用涡旋光衍射图的特征参数；还用于提取所述待检测特征提取对象中每个衍射级的最大值、平均值和方差作为待检测涡旋光衍射图的特征参数。
有益效果：本发明提供的一种涡旋光束轨道角动量模态的检测方法及装置，所述方法包括：提取训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；提取任意一张待检测涡旋光衍射图的特征参数，将所述待检测涡旋光衍射图的特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态的二进制序列。训练后的前馈神经网络对图像有很强的识别能力，能够对涡旋光轨道角动量的模态进行快速且准确的检测，在光学OAM通信和量子通信等领域具有广阔的应用前景。
附图说明
图1为本发明所述涡旋光束轨道角动量模态的检测方法的步骤流程图；
图2a为本发明的一个实施例中，在拓扑荷数为8的涡旋光照明下，经携带拓扑荷数为8的水平一维叉形光栅的衍射后得到的拓扑荷示意图；
图2b为本发明的一个实施例中，拓扑荷数为12的涡旋光照明下，经携带拓扑荷数为12的垂直一维叉形光栅的衍射后得到的拓扑荷示意图；
图2c为本发明的一个实施例中，拓扑荷数为8的涡旋光照明下，经携带拓扑荷数为12的二维叉形光栅的衍射后得到的拓扑荷示意图 9个不同拓扑荷的涡旋光阵列示意图；
图3为本发明所述涡旋光束轨道角动量模态的检测装置的结构框图；
图4为本发明的一个实施例中，所述装置的结构示意图。
具体实施方式
本发明提供一种涡旋光束轨道角动量模态的检测方法及装置，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种涡旋光束轨道角动量模态的检测方法，请参阅图1，所述方法包括以下步骤：
S1、提取训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；
具体的，所述述提取训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练包括依次重复以下步骤：
将涡旋光调制成畸变涡旋光；
对所述畸变涡旋光进行衍射处理得到训练用涡旋光衍射图；
提取所述训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数训练前馈神经网络。
具体的，所述将涡旋光调制成畸变涡旋光的步骤前还包括：
改变光源出射的高斯光束的偏振方向得到高斯光，并将所述高斯光调制成涡旋光。
首先需要得到涡旋光，本发明利用光源出射高斯光束，可选的，光源可以为波长1550nm的激光器；高斯光束再经过起偏器改变高斯光束的偏振方向得到高斯光，可选的，起偏器为X方向偏振的格兰棱镜；高斯光再经过第一空间光调制器实现光调制，得到涡旋光，可选的，所述第一空间光调制器为透射式相位型空间光调制器，调节所述第一空间光调制器的参数，可以得到拓扑荷数不同的涡旋光，如公式(1)所示，出射的涡旋光通过拉盖尔-高斯涡旋光表达式可近似表示为：
其中r为径向分量，φ为角向分量，w0为束腰半径，w(z)为z处的束腰大小，
为缔合拉盖尔多项式，l为拓扑荷大小，p为径向参数， zr为瑞利距离，z为光束传输距离，k为波矢，相位因子exp(-ilθ)表示该光束具有螺旋结构，i为虚数单位。
通过加载湍流相位屏为涡旋光加载大气湍流强度，得到畸变涡旋光，可选的，所述湍流相位屏为透射式相位型空间光调制器，本发明采用拓扑荷数不同的涡旋光对前馈神经网络进行训练，以提高前馈神经网络的分类能力，检测范围广，由涡旋光受湍流影响得到畸变涡旋光对前馈神经网络进行训练，使得本发明提供的涡旋光束轨道角动量模态检测方法具有较强的抗湍流能力；因此，涡旋光需要通过空间光调制器得到畸变涡旋光。
对所述畸变涡旋光进行衍射处理，畸变涡旋光经过用于产生衍射图样的二维叉型光栅，得到训练用涡旋光衍射图，所述二维叉型光栅由水平的一维叉型光栅和垂直的一维叉型光栅组成。
请参阅图2a、图2b和图2c，是经二维叉型光栅衍射后得到的不同的涡旋光照度的衍射图案和相应衍射级的拓扑荷数的示意图，水平一维叉型光栅的表达式如公式(2)所示，垂直一维叉型光栅的表达式如公式(3)所示：
G(x,l)＝lθ+2πx/Λ (2)
G(y,l)＝lθ+2πy/Λ (3)
其中(x,y)表示笛卡尔坐标系，l表示拓扑电荷，θ为方位角，Λ为光栅周期。
经过二值化处理后，二维叉光栅的相位可以表示为公式(4):
Φ2d＝mod(Φ(x,l1)+Φ(y,l2),2π) (4)
Φ表示一维叉型光栅的相位，Φ2d表示二维叉型光栅的相位，其中mod表示二维叉形光栅相位除以2π取余数。
具体的，所述提取训练用涡旋光衍射图的特征参数的步骤包括：
从训练用涡旋光衍射图中选取i×i的衍射级作为训练用特征提取对象；
提取所述训练用特征提取对象中每个衍射级的最大值、平均值和方差作为训练用涡旋光衍射图的特征参数。
每个畸变涡旋光都有一个已知的拓扑荷数，畸变涡旋光经过二维叉光栅得到的训练用涡旋光衍射图有不同的拓扑荷数。
可选的，利用CCD图像传感器提取训练用涡旋光衍射图的特征参数，所述CCD图像传感器可以是1550nmCCD相机，优选的，利用CCD相机从训练用涡旋光衍射图中选取3×3的衍射级作为训练用特征提取对象，如图2a所示，在拓扑荷数为8的涡旋光照明下，经过携带拓扑荷数l＝8的水平一维叉型光栅的衍射后，中间三个衍射级的涡旋光所携带的拓扑荷分别是l＝0,8,16；如图2b所示，在拓扑荷数为12的涡旋光照明下，经过携带l＝12的垂直一维叉形光栅的衍射后，中间三个衍射级的涡旋光所携带的拓扑荷分别是l＝0,12,24；水平一维叉形光栅和垂直一维叉形光栅组合构成的二维叉形光栅可以将涡旋光衍射成一个3×3的光斑阵列；如图2c所示，在拓扑荷为8的涡旋光照明下，经过携带l＝8的一维水平光栅和携带l＝12的一维垂直光栅组合成的二维叉型光栅的衍射后，产生的9个不同拓扑荷 (l＝-12,-4,0,4,8,12,16,20,28)的涡旋光阵列。
提取所述训练用特征提取对象中每个衍射级的最大值、平均值和方差作为训练用涡旋光衍射图的特征参数。
对涡旋光经过二维叉型光栅衍射后的9个衍射级分别取最大值、平均值和方差，得到27个训练用涡旋光衍射图的特征参数。
具体的，所述使用所述训练用涡旋光衍射图的特征参数训练前馈神经网络的步骤包括：
将所述训练用涡旋光衍射图的特征参数输入到前馈神经网络，得到输出值，根据输出值计算出损失值；
将所述损失值反向传播到前馈神经网络，修改所述前馈神经网络的参数。
具体的，所述训练用涡旋光衍射图为光斑呈阵列排布的衍射图，每个光斑所在位置对应一个衍射级。
将所述27个训练用涡旋光衍射图的特征参数作为前馈神经网络的输入，对前馈神经网络进行多次迭代训练；前馈神经网络的整体框架包括：输入层、隐藏层和输出层，其中隐藏层可以是一层也可以是多层，可选的，本发明采用一个输出层，七个隐藏层和一个输出层，模型训练的具体流程如下：
将27个训练用涡旋光衍射图的特征参数输入到输入层；七个隐藏层对前馈神经网络进行训练；从输出层得到代表OAM模态的长度为50的二进制序列；隐藏层使用Relu函数作为激活函数，最后的输出层使用softmax函数作为激活函数。神经网络中激活函数的使用，旨在加入非线性因素，使网络具有更好地解决较为复杂问题的能力。
OAM模态的识别相当于前馈神经网络的分类任务，相邻神经元之间的信息传递可以由公式(5)、公式(6)和公式(7)表示：
hi＝relu(zi)＝max(0,zi) (7)
其中，
表示神经网络第c层中的第i个神经元，有1到N个神经元，
表示神经网络第c层中第i个神经元的输入值，gc(·)表示神经网络第c层的非线性激活函数，即采用公式(7)中的relu函数为线性激活函数，
表示
和
之间的权重，
表示第c-1层中的第1个神经元和第c层中的第i个神经元之间的权重。
选择激活函数softmax，根据softmax函数，可以得到输出层中每个神经元的输出值
如公式(8)：
输出值
通过二进制序列表示；
对CCD图像传感器提取的27个训练用涡旋光衍射图的特征参数进行编码，得到代表真实值yi的二进制序列；采用交叉熵损失函数，通过真实值yi与输出值
可以得到损失值，如公式(9)所示：
将训练用涡旋光衍射图的特征参数输入到前馈神经网络后，从神经网络的输出层可以得到输出值，计算输出值和特征参数对应的真实值得到损失值，将损失值反向传播到前馈神经网络，对前馈神经网络进行训练；上述为一次训练的过程，每次训练输入的任意一束涡旋光的拓扑荷数不同，每次训练都会得到不同的损失值，用损失值的大小来表征模型训练的好坏，随着迭代次数的增加，要求损失值越小越好，最好接近于0，本发明训练样本数量为60,000个，训练后得到的前馈神经网络模型精度最高，效果最佳。
S2、提取任意一张待检测涡旋光衍射图的特征参数，将所述待检测涡旋光衍射图的特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态的二进制序列。
任意一束涡旋光经二维叉型光栅，得到所述任意一张待检测的涡旋光衍射图案，所述任意一束涡旋光为的任意拓扑荷数的涡旋光，所述任意一束涡旋光可以是受大气湍流影响的涡旋光，可以由光源、起偏器，第一空间光调制器得到所述任意一束涡旋光，设定第一空间光调制器的参数，得到与参数对应的拓扑荷数的涡旋光；
可选的，由CCD图像传感器提取待检测涡旋光衍射图的特征参数，输入到前馈神经网络。
具体的，所述提取待检测涡旋光衍射图的特征参数的步骤包括：
从待检测涡旋光衍射图中选取i×i的衍射级作为待检测特征提取对象，提取所述待检测特征提取对象中每个衍射级的最大值、平均值和方差作为待检测涡旋光衍射图的特征参数。
从前馈神经网络的输出层可以得到代表轨道角动量模态的二进制序列。
本发明测试样本为2,000个，测试表明本发明提供的一种涡旋光束轨道角动量模态的检测方法可以实现-25到+25的OAM模态识别。
基于上述方法，本发明还提供一种涡旋光束轨道角动量模态的检测装置，请参阅图4，所述装置包括：所述装置包括：CCD图像传感器10和计算机设备20；
所述CCD图像传感器10包括：参数提取模块101；
所述参数提取模块101，用于提取训练用涡旋光衍射图的特征参数和提取任意一张待检测涡旋光衍射图的特征参数；
所述计算机设备20包括：神经网络训练模块201和模态检测模块202；
所述神经网络训练模块201，用于使用训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；
所述模态检测模块202，用于将所述任意一张待检测的涡旋光衍射图的特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态的二进制序列。
具体的，所述装置还包括空间第一空间光调制器、第二空间光调制器和二维叉型光栅；
所述第一空间光调制器，用于将高斯光调制成涡旋光；
所述第二空间光调制器，用于将涡旋光调制成畸变涡旋光；
所述二维叉型光栅，用于对畸变涡旋光进行衍射处理，得到涡旋光衍射图。
具体的，所述神经网络训练模块201包括损失值计算单元和参数修改单元；
所述损失值计算单元，用于将训练用涡旋光衍射图的特征参数输入到前馈神经网络，得到输出值，根据输出值计算出损失值；
所述参数修改单元，用于将所述损失值反向传播到前馈神经网络，修改所述前馈神经网络的参数。
具体的，所述参数提取模块101包括：选取衍射级单元和提取特征参数单元；
选取衍射级单元，用于从训练用涡旋光衍射图中选取i×i的衍射级作为训练用特征提取对象；还用于从待检测涡旋光衍射图中选取 i×i的衍射级作为待检测特征提取对象；
提取特征参数单元，用于提取所述训练用特征提取对象中每个衍射级的最大值、平均值和方差作为训练用涡旋光衍射图的特征参数；还用于提取所述待检测特征提取对象中每个衍射级的最大值、平均值和方差作为待检测涡旋光衍射图的特征参数。
在一个实施例中，请参阅图4，所述装置还包括：光源70、起偏器60和第一空间光调制器50；
所述光源70，用于出射高斯光束；所述起偏器60，用于改变高斯光束的偏振方向得到高斯光，所述第一空间光调制器50，用于调制高斯光得到涡旋光，所述第一空间光调制器可以为透射式相位型空间光调制器，调节空间光调制器为透射式相位型空间光调制器的参数得到拓扑荷数不同的涡旋光作为训练用涡旋光，所述第二空间光调制器30调制所述训练用涡旋光为训练用畸变涡旋光，训练用畸变涡旋光经二维叉型光栅40得到训练用涡旋光衍射图，CCD图像传感器10 提取所述训练用涡旋光衍射图的特征参数，输入到计算机设备20对前馈神经网络进行训练。
综上所述，本发明提供的一种涡旋光束轨道角动量模态的检测方法，所述方法包括：利用CCD图像传感器提取涡旋光衍射图的特征参数，使用所述特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；利用CCD图像传感器提取任意一张待检测的涡旋光衍射图的特征参数，将所述特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态二进制序列。训练后的前馈神经网络对图像有很强的识别能力，能够对涡旋光轨道角动量的模态进行快速且准确的检测，在光学OAM通信和量子通信等领域具有广阔的应用前景。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种涡旋光束轨道角动量模态的检测方法，其特征在于，所述方法包括以下步骤：
提取训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；
提取任意一张待检测涡旋光衍射图的特征参数，将所述待检测涡旋光衍射图的特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态的二进制序列；
所述提取训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练包括依次重复以下步骤：
将涡旋光调制成畸变涡旋光；
所述将涡旋 光调制成畸变涡旋光包括：
通过加载湍流相位屏为涡旋光加载大气湍流强度，得到畸变涡旋光，其中，所述湍流相位屏为透射式相位型空间光调制器；
对所述畸变涡旋光进行衍射处理得到训练用涡旋光衍射图；
提取所述训练用涡旋光衍射图的特征参数，使用所述训练用涡旋光衍射图的特征参数训练前馈神经网络；
所述将涡旋光调制成畸变涡旋光的步骤前还包括：
改变光源出射的高斯光束的偏振方向得到高斯光，并将所述高斯光调制成涡旋光；
所述改变光源出射的高斯光束的偏振方向得到高斯光，并将所述高斯光调制成涡旋光包括：
所述高斯光再经过第一空间光调制器实现光调制，所述第一空间光调制器为透射式相位型空间光调制器，调节所述第一空间光调制器的参数，得到拓扑荷数不同的涡旋光。
2.根据权利要求1所述的方法，其特征在于，所述提取训练用涡旋光衍射图的特征参数的步骤包括：
从训练用涡旋光衍射图中选取i×i的衍射级作为训练用特征提取对象；
提取所述训练用特征提取对象中每个衍射级的最大值、平均值和方差作为训练用涡旋光衍射图的特征参数。
3.根据权利要求1所述的方法，其特征在于，所述使用所述训练用涡旋光衍射图的特征参数训练前馈神经网络的步骤包括：
将所述训练用涡旋光衍射图的特征参数输入到前馈神经网络，得到输出值，根据输出值计算出损失值；
将所述损失值反向传播到前馈神经网络，修改所述前馈神经网络的参数。
4.根据权利要求1所述的方法，其特征在于，所述训练用涡旋光衍射图为光斑呈阵列排布的衍射图，每个光斑所在位置对应一个衍射级。
5.一种涡旋光束轨道角动量模态的检测装置，其特征在于，所述装置包括：CCD图像传感器和计算机设备；
所述CCD图像传感器包括：参数提取模块；
所述参数提取模块，用于提取训练用涡旋光衍射图的特征参数和提取任意一张待检测涡旋光衍射图的特征参数；
所述计算机设备包括：神经网络训练模块和模态检测模块；
所述神经网络训练模块，用于使用训练用涡旋光衍射图的特征参数对前馈神经网络进行多次迭代训练，得到训练后的前馈神经网络；
所述模态检测模块，用于将所述任意一张待检测涡旋光衍射图的特征参数输入到训练后的前馈神经网络，得到代表轨道角动量模态的二进制序列；
所述装置还包括第一空间光调制器、第二空间光调制器和二维叉型光栅；
所述第一空间光调制器，用于将高斯光调制成涡旋光；
所述第一空间光调制器为透射式相位型空间光调制器，调节所述第一空间光调制器的参数，得到拓扑荷数不同的涡旋光；
所述第二空间光调制器，用于将涡旋光调制成畸变涡旋光；
所述第二空间光调制器为漩涡光加载大气 湍流强度，得到畸变漩涡光，所述第二空间光调制器为透射式相位型空间光调制器；
所述二维叉型光栅，用于对畸变涡旋光进行衍射处理，得到涡旋光衍射图。
6.根据权利要求5所述的一种装置，其特征在于，所述神经网络训练模块包括损失值计算单元和参数修改单元；
所述损失值计算单元，用于将训练用涡旋光衍射图的特征参数输入到前馈神经网络，得到输出值，根据输出值计算出损失值；
所述参数修改单元，用于将所述损失值反向传播到前馈神经网络，修改所述前馈神经网络的参数。
7.根据权利要求5所述的一种装置，其特征在于，所述参数提取模块包括：选取衍射级单元和提取特征参数单元；
选取衍射级单元，用于从训练用涡旋光衍射图中选取i×i的衍射级作为训练用特征提取对象；还用于从待检测涡旋光衍射图中选取i×i的衍射级作为待检测特征提取对象；
提取特征参数单元，用于提取所述训练用特征提取对象中每个衍射级的最大值、平均值和方差作为训练用涡旋光衍射图的特征参数；还用于提取所述待检测特征提取对象中每个衍射级的最大值、平均值和方差作为待检测涡旋光衍射图的特征参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910317271.2A CN110186559B (zh) | 2019-04-19 | 2019-04-19 | 一种涡旋光束轨道角动量模态的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910317271.2A CN110186559B (zh) | 2019-04-19 | 2019-04-19 | 一种涡旋光束轨道角动量模态的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110186559A CN110186559A (zh) | 2019-08-30 |
| CN110186559B true CN110186559B (zh) | 2021-07-06 |
Family
ID=67714750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910317271.2A Active CN110186559B (zh) | 2019-04-19 | 2019-04-19 | 一种涡旋光束轨道角动量模态的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110186559B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222538B (zh) * | 2019-11-22 | 2023-05-23 | 深圳大学 | 一种涡旋光束模态识别方法、智能终端及存储介质 |
| CN111045215A (zh) * | 2020-01-03 | 2020-04-21 | 佛山科学技术学院 | 一种多通道光学轨道角动量光束整形光学系统 |
| CN111985320A (zh) * | 2020-07-14 | 2020-11-24 | 深圳技术大学 | 一种基于前馈神经网络的多模涡旋光束模态识别系统 |
| CN112179506B (zh) * | 2020-08-17 | 2021-11-23 | 深圳大学 | 一种混合阶或分数阶涡旋光束模态识别装置及方法 |
| CN112508185B (zh) * | 2020-10-26 | 2022-03-22 | 深圳技术大学 | 基于衍射深度神经网络的光学轨道角动量模式光学系统 |
| CN112465137B (zh) * | 2020-10-26 | 2023-09-15 | 深圳技术大学 | 一种基于光子神经网络的涡旋光束模态识别系统及方法 |
| CN113447244A (zh) * | 2021-05-22 | 2021-09-28 | 西安电子科技大学 | 基于全息光栅可调单模态涡旋光束轨道角动量探测方法 |
| CN113340418B (zh) * | 2021-06-01 | 2022-06-28 | 北京理工大学 | 基于卷积神经网络的光束轨道角动量谱测量方法与系统 |
| CN113340211B (zh) * | 2021-08-03 | 2021-10-29 | 中国工程物理研究院激光聚变研究中心 | 一种基于深度学习的干涉图像相位解调方法 |
| CN114235151B (zh) * | 2021-12-06 | 2023-10-20 | 中山大学 | 一种基于非傍轴坐标变换的涡旋光模式检测方法及系统 |
| CN114675427B (zh) * | 2022-04-11 | 2023-04-25 | 北京理工大学 | 一种同时产生多路多轨道角动量态复用光束的方法与系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106896498A (zh) * | 2017-03-08 | 2017-06-27 | 华南师范大学 | 拉盖尔高斯涡旋光束的产生/三维重建装置及方法 |
-
2019
- 2019-04-19 CN CN201910317271.2A patent/CN110186559B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106896498A (zh) * | 2017-03-08 | 2017-06-27 | 华南师范大学 | 拉盖尔高斯涡旋光束的产生/三维重建装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| Adaptive Demodulator Using Machine Learning for Orbital Angular Momentum Shift Keying;Jin Lin 等;《IEEE PHOTONICS TECHNOLOGY LETTERS》;20170901;第29卷(第17期);正文第1-3节 * |
| Machine learning approach to OAM beam demultiplexing via convolutional neural networks;TIMOTHY DOSTER 等;《APPLIED OPTICS》;20170420;第56卷(第12期);正文第1-5节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110186559A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110186559B (zh) | 一种涡旋光束轨道角动量模态的检测方法及装置 | |
| Li et al. | Class-specific differential detection in diffractive optical neural networks improves inference accuracy | |
| Doster et al. | Machine learning approach to OAM beam demultiplexing via convolutional neural networks | |
| Zhao et al. | Multi-patch deep features for power line insulator status classification from aerial images | |
| US8649631B2 (en) | Optical pattern recognition technique | |
| Lian et al. | Benchmarking adversarial patch against aerial detection | |
| CN112465137B (zh) | 一种基于光子神经网络的涡旋光束模态识别系统及方法 | |
| CN111985320A (zh) | 一种基于前馈神经网络的多模涡旋光束模态识别系统 | |
| Manzur et al. | Optical correlator based target detection, recognition, classification, and tracking | |
| Wang et al. | Adaptive demodulation technique for efficiently detecting orbital angular momentum (OAM) modes based on the improved convolutional neural network | |
| Wang et al. | Convolutional neural network-assisted optical orbital angular momentum recognition and communication | |
| DaneshPanah et al. | Three dimensional object recognition with photon counting imagery in the presence of noise | |
| CN114330488A (zh) | 一种多模态数据处理方法、装置、设备及存储介质 | |
| CN114510960A (zh) | 一种分布式光纤传感器系统模式识别的方法 | |
| CN112179506B (zh) | 一种混合阶或分数阶涡旋光束模态识别装置及方法 | |
| CN110823812A (zh) | 基于机器学习的散射介质成像方法及系统 | |
| US20230368012A1 (en) | Systems and methods for metasurface smart glass for object recognition | |
| Shen et al. | Simcrosstrans: A simple cross-modality transfer learning for object detection with convnets or vision transformers | |
| Sai Charan et al. | Abifn: Attention‐based bi‐modal fusion network for object detection at night time | |
| CN111695645B (zh) | 基于深度神经网络的未知手写体数字识别方法 | |
| Chen et al. | Infrared object classification with a hybrid optical convolution neural network | |
| Meszmer et al. | AI surrogate models for error analysis in optical systems | |
| Alam et al. | Heteroassociative multiple-target tracking by fringe-adjusted joint transform correlation | |
| Berfanger et al. | All-digital ring-wedge detector applied to fingerprint recognition | |
| Mumimov et al. | Fourier-plane vortex laser holography for robust, small-brain machine learning and image classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |