CN111103120A - 一种基于深度学习的光纤模式分解方法及可读介质 - Google Patents

一种基于深度学习的光纤模式分解方法及可读介质 Download PDF

Info

Publication number
CN111103120A
CN111103120A CN201811253932.1A CN201811253932A CN111103120A CN 111103120 A CN111103120 A CN 111103120A CN 201811253932 A CN201811253932 A CN 201811253932A CN 111103120 A CN111103120 A CN 111103120A
Authority
CN
China
Prior art keywords
spot image
light spot
mode
analyzed
sample
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.)
Granted
Application number
CN201811253932.1A
Other languages
English (en)
Other versions
CN111103120B (zh
Inventor
黄良金
安毅
李俊
周朴
潘志勇
姚天甫
冷进勇
肖虎
许将明
粟荣涛
李磊
侯天悦
常琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201811253932.1A priority Critical patent/CN111103120B/zh
Publication of CN111103120A publication Critical patent/CN111103120A/zh
Application granted granted Critical
Publication of CN111103120B publication Critical patent/CN111103120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G01M11/30—Testing of optical devices, constituted by fibre optics or optical waveguides
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Optics & Photonics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的光纤模式分解方法及可读介质，方法包括：获取待测光学系统输出的待分析光斑图像，并将所述待分析光斑图像输入预先构建并训练好的基于深度学习的分析模型进行分析，得到所述待分析光斑图像的模式参数；所述分析模型由预先生成的训练样本进行训练，所述训练样本包括样本光斑图像及其对应的样本标签。有分析速度快，效率高，分析准确性好等优点。

Description

一种基于深度学习的光纤模式分解方法及可读介质
技术领域
本发明涉及光纤模式分解领域，尤其涉及一种基于深度学习的光纤模式分解方法及可读介质。
背景技术
在激光的众多应用场合，都需要对激光图像进行精确的模式分解，以获得各个模式的比例和相位等信息。
但现有技术中：空间-光谱分辨成像法(J.W.Nicholson,et al.,Opt.Express 16,7233-7243(2008).)通过测量宽谱光源经过光纤传输后在光纤输出端不同位置处的光谱并进行傅里叶变换得到各个模式的模式比例和相位以及本征模式的模场分布，但此种方法要求激光的谱宽较宽，无法应用于窄线宽的光纤激光器的模式分解；
光学相关分析法(T.Kaiser,et al.,Opt.Express 17,9347-9356(2009).)通过对滤波器做特殊处理，使本征模式的模式含量和相位对应的透过率函数包含其中，进而根据滤波器不同位置透射光远场光强的强弱判断对应模式的含量，但此种方法需要依据待测光纤和特定光学系统确定相应的滤波器，待测光纤和光学系统的改变均需要更换不同的滤波器，实用性不强；
环形腔法(N.Andermahr,et al.,Appl.Phys.B 91,353-357(2008).)利用了光纤的本征模式与拉盖尔-高斯光束模式相似的特点，通过压电陶瓷改变腔长并测量透射光强度从而推断模式含量的多少，缺点是无法得到各个模式的相位，而且高阶模的测量效果不理想；
波前测量法(M.Paurisse,et al.,Opt.Express 20,4074-4084(2012).)通过波前测量仪测量光纤输出光斑的波前和光强分布，若将测得的波前视为光场的相位，结合光强分布则可得到完整的光场信息，通过对测得的光场与理想本征模式电场的共轭作乘积即可得出各本征模式的模式系数，此种方法要求消除光学系统本身的像差，对实验操作要求较高；
基于数值算法的光纤模式分解方法(R.Brüning,et al.,Appl.Opt.52,7769-7777(2013).)在已知待测光纤本征模式模场分布的情况下，测量光纤输出的近场或者远场光强分布，然后对各模式系数赋值重构输出电场，通过数值算法得到使重构的光强分布与测量的光强分布最大程度地吻合的模式系数。相较于其他类型的光纤模式分解方法，具有实验设置简单易行、对实验仪器要求较低、分解精度高且速度快等优点。自该技术提出以来，已在多个领域得到了应用，比如光纤激光模式增益系数测量、高功率光纤激光模式不稳定性模式特性测量等。
Gerchberg–Saxton算法(O.Shapira,et al.,Phys.Rev.Lett.94,143902(2005).)实现了基于数值算法的模式分解方法，但该算法需要对光场的近远场传输进行迭代，不仅计算效率低，收敛速度慢，而且计算精度较差。
搜索算法也可以实现基于数值算法的模式分解方法(R.Brüning,et al.,Appl.Opt.52,7769-7777(2013).)，其基本过程是枚举不同模式系数的组合找到使得重构的光强分布与测量的光强分布差别最小的模式系数，存在容易陷入局部最优、对初值敏感和收敛时间随本征模式增加而急剧增加等缺陷。
随机梯度并行下降算法(L.Huang,et al.,Opt.Express 23,4620-4629(2015).)能够部分克服Gerchberg–Saxton算法和搜索算法的缺陷，但仍存在容易陷入局部最优、收敛时间随本征模式增加而增加等缺陷。
此外，现有技术的模式分解方法均忽视了噪声的影响，当系统中的噪声较强时，对模式分解结果将产生较大影响。本发明将利用深度学习算法，解决现有技术中存在的问题，并且实现对含有噪声的光斑进行快速实时模式分解。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种分析速度快，效率高，分析准确性高，鲁棒性高的基于深度学习的光纤模式分解方法及可读介质。
为解决上述技术问题，本发明提出的技术方案为：一种基于深度学习的光纤模式分解方法，包括：获取待测光学系统输出的待分析光斑图像，并将所述待分析光斑图像输入预先构建并训练好的基于深度学习的分析模型进行分析，得到所述待分析光斑图像的模式参数；所述分析模型由预先生成的训练样本进行训练，所述训练样本包括样本光斑图像及其对应的样本标签。
进一步地，所述样本光斑图像包括近场光斑图像，其对应的样本标签包括各本征模式的模式比例和相位余弦值组成的一维向量；
或者：所述样本光斑图像包括近场光斑图像，其对应的样本标签包括x方向光束传播因子
Figure BDA0001842118510000021
和y方向光束传播因子
Figure BDA0001842118510000022
组成的一维向量；
或者：所述样本光斑图像包括近场光斑图像和远场光斑图像，其对应的样本标签包括各本征模式的模式比例和相位组成的一维向量；
所述分析模型对所述待分析光斑进行分析得到的模式参数所包含的参数类型及结构与样本标签的参数类型及结构相同。
进一步地，所述分析模型为卷积神经网络模型，包括网络卷积层、网络激活层、网络池化层和全连接层；
所述网络卷积层包括多个滤波器，滤波器对输入图像做卷积运算后得到多个特征图谱并输出至下一个处理层；
所述网络激活层对输入的特征图谱按照数值大小以预设的激活函数进行变换，并将变换后的特征图谱输出至下一个处理层；
所述网络池化层对所述输入图谱的不同位置，分别按照所述池化层的滤波器的窗口大小确定区域，对所述区域按照预设计算方式计算确定特征值作为该位置的新值，并输出变换后的图谱；所述全连接层将图谱转换成与所述样本标签长度相等的一维向量输出。
进一步地，所述预设计算方式为：计算所述区域内特征图谱的最大值作为该位置的新值；或者，计算所述区域内特征图谱的平均值作为该位置的新值；
所述全连接层将图谱转换成与所述样本标签长度相等的一维向量输出。
进一步地，所述待分析光斑图像与所述样本光斑图像的类型一致，包括近场光斑图像和/或远场光斑图像。
进一步地，所述训练样本通过依据待测光学系统的参数而构建的仿真模型仿真生成。
进一步地，所述待测光学系统的参数包括光纤类型、纤芯半径、光纤数值孔径、激光工作波长、透镜焦距。
进一步地，所述样本光斑图像中的远场光斑图像是由所述近场光斑图像进行傅里叶变换后得到的图像。
进一步地，在通过所述分析模型分析得到所述待分析光斑图像的模式参数后，还包括根据所述模式参数中的相位余弦值重构光斑，并确定所述待分析光斑中各模式的相位的过程，具体包括：根据所述相位余弦值推测所有可能的相位组合，为每个所述相位组合生成一个重构光斑，并选择所述重构光斑中与所述待分析光斑最相近的重构光斑中各模式的相位作为所述待分析光斑中各模式的相位。
一种存储介质，所述存储介质中存储有可实现如上任一项所述基于深度学习的光纤模式分解方法的程序。
与现有技术相比，本发明的优点在于：
1、本发明通过训练好的神经网络分析模型对待分析图像进行分析，确定待分析光斑的模式比例和相位或光束传播因子等，能够很好地抑制噪声和像差等因素造成的不利影响，而且时间开销小，速度快，效率高；并且能够很好地克服常规的基于近、远场图像的模式分解中，每轮迭代中都需要计算远场光斑需要耗费大量时间的不足。
2、本发明通过根据待测光纤和光学系统参数而构建的仿真模型，通过仿真生成大量的训练样本，样本生成速度快，光斑与模式参数之间的一致性好，准确性高，可以方便、快速地生成满足训练需求的大量样本。
3、本发明充分利用了近场光斑图像和远场光斑图像之间具有内在的互为傅里叶变换的关系，并充分利用神经网络的优点，针对光斑图像采集中可能发生的中心偏离现象等对模式系数测算的影响，通过大量的训练样本输入分析模型进行训练，能够对具有平稳不变性的特征进行准确的分析与提取，使得即便待分析图像的近场光斑图像和远场光斑图像都发生较大偏离的情况下，仍然能够准确分析出模式系数及相位，具有很高的容错性和鲁棒性，从而也降低了对待分析图像的采集精度等要求。
附图说明
图1为本发明具体实施例的流程示意图。
图2为本发明具体实施例的光学系统结构图。
图3为本发明实施例中对近场光斑进行模式分解所用的网络结构图。
图4为本发明实施例中对近场和远场光斑组合进行模式分解所用的网络结构图。
图5为本发明实施例中预测光束传播因子所用的网络结构图。
图6为本发明实施例中对近场光斑进行模式分解后依据分解系数重构光斑与输入光斑的对比结果图。
图7为本发明具体实施例中对近场和远场光斑组合进行模式分解后依据分解系数重构光斑与输入光斑的对比以及预测模式系数值与标签模式系数值的对比图。
图8为本发明具体实施例中光束传播因子的预测值与标签值的对比图。
图9为本发明具体实施例中对含有噪声的近场光斑进行模式分解后依据模式系数重构光斑与输入光斑的对比结果图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例的基于深度学习的光纤模式分解方法，获取待测光学系统输出的待分析光斑图像，并将待分析光斑图像输入预先构建并训练好的基于深度学习的分析模型进行分析，得到待分析光斑图像的模式参数；分析模型由预先生成的训练样本进行训练，训练样本包括样本光斑图像及其对应的样本标签。本实施例中，模式指的是本征横向模式。
在本实施例中，训练样本通过依据待测光学系统的参数而构建的仿真模型仿真生成。待测光学系统的参数包括光纤类型、光纤纤芯半径、光纤数值孔径、激光工作波长、透镜焦距。在本实施例中，现实的实体光学系统如图2所示，以待测光学系统的参数为光纤类型为阶跃折射率光纤，纤芯直径25微米、数值孔径0.08、激光工作波长1064nm。多模光纤输出的激光通过4f系统(由一对透镜构成)，再通过一个分光镜分成两路，一路进入CCD1采集得到近场光斑图像，另一路通过傅立叶透镜后进入CCD2，得到远场光斑图像。如果通过实体光学系统来获取作为训练样本的光斑图像，一方面难以确定光斑图像对应的模式参数，即样本标签，因为无法直接从光学系统中获取该模式参数，而是需要通过传统方法对光学系统生成的光斑进行模式分解计算，需要耗费大量的时间；另一方面，通过获取光学系统的光斑图像，再通过模式分解计算方法来确定其模式参数，受计算精度的影响，精度不高。而本实施例中，通过构建仿真模型，先确定模式参数，再由仿真模型根据该模式参数仿真生成对应的光斑图像，可以极大的提高生成作为训练样本的光斑图像的速度，大大节省时间。
在实验中，无法直接测量得到光纤输出光场的电场分布，只能得到光强分布。而在理论上，光纤输出的任意光场均可表示为所有本征模式的线性叠加，光场模的平方即是光强分布。本实施例中，也是基于该原理，来构建仿真模型，通过设定的模式参数来生成理论上的光强分布，即生成训练样本。
具体地，通过仿真模型，以随机给定的模式比例和相位生成大量的，具有不同模式参数的近场光斑图像和/或远场光斑图像作为分析模型的训练样本。在本实施例，选取的训练样本数量为100000个。远场光斑图像是对近场光斑图像进行傅立叶变换而得到的光斑图像。以样本光斑图像及对应的标签作为分析模型的输入，以分析模型的输出值与标签之间的均方误差值作为损失函数，对分析模型进行训练。
进一步地，样本光斑图像包括近场光斑图像，其对应的样本标签包括各本征模式的模式比例和相位余弦值组成的一维向量；
或者：样本光斑图像包括近场光斑图像，其对应的样本标签包括x方向光束传播因子
Figure BDA0001842118510000051
和y方向光束传播因子
Figure BDA0001842118510000052
组成的一维向量；
或者：样本光斑图像包括近场光斑图像和远场光斑图像，其对应的样本标签包括各本征模式的模式比例和相位组成的一维向量；
分析模型对待分析光斑进行分析得到的模式参数所包含的参数类型及结构与样本标签的参数类型及结构相同。
在具体的实施过程中，可以根据实际的需求，选择上述三种样本中的一种对分析模型进行训练，通过训练好的模型，可以对相应类型的待测光斑图像进行分析，得到具有与对应样本标签相同参数项和格式的模式参数。如以近场光斑图像，和其对应的各本征模式的模式比例和相位余弦值组成的一维向量作为样本标签，对分析模型进行训练。在训练好分析模型后，获取光学系统输出的近场光斑图像作为待测光斑图像，输入分析模型，通过分析模型的计算处理后，输出该待测光斑图像对应的各本征模式的模式比例和相位余弦值。同样的道理，以近场光斑图像，和其对应的x方向光束传播因子
Figure BDA0001842118510000053
和y方向光束传播因子
Figure BDA0001842118510000054
组成的一维向量作为样本标签，对分析模型进行训练，训练好的分析模型可以对待分析的近场光斑图像进行分析处理，得到待分析的近场光斑图像的x方向光束传播因子
Figure BDA0001842118510000061
和y方向光束传播因子
Figure BDA0001842118510000062
进一步地，在本实施例中，分析模型为卷积神经网络模型，包括网络卷积层、网络激活层、网络池化层和全连接层；网络卷积层包括多个滤波器，滤波器对输入图像做卷积运算后得到多个特征图谱并输出至下一个处理层；网络激活层对输入的特征图谱按照数值大小以预设的激活函数进行变换，并将变换后的特征图谱输出至下一个处理层；网络池化层对输入图谱的不同位置，分别按照池化层的滤波器的窗口大小确定区域，对区域按照预设计算方式计算确定特征值作为该位置的新值，并输出变换后的图谱；全连接层将图谱转换成与样本标签长度相等的一维向量输出。预设计算方式为：计算区域内特征图谱的最大值作为该位置的新值；或者，计算区域内特征图谱的平均值作为该位置的新值；全连接层将图谱转换成与样本标签长度相等的一维向量输出。待分析光斑图像与样本光斑图像的类型一致，包括近场光斑图像和/或远场光斑图像。卷积神经网络模型中的网络卷积层、网络激活层、网络池化层和全连接层的数量以及各层的连接关系可以根据需要设置，如本实施例中的图3、图4、图5所示，包括多个网络卷积层和多个网络池化层。
在本实施例中，对近场光斑图像进行模式分解，计算近场光斑图像中各本征模式的模式比例和相位余弦值的分析模型的结构如图3所示，分析模型在训练过程中将输入的近场光斑图像多次通过网络卷积层处理后，再通过网络池化层进行处理，重复多次后，由全连接层转换成与样本标签长度相等一维列向量输出，并以预设的损失函数来衡量输出向量与输入的标签向量之间的差异并计算梯度，通过反向传播方式将梯度计算逐层传递，依据分析模型所设计的学习率和反向传播计算得到的梯度调节网络各层参数进而使损失函数变小，从而对神经网络分析模型的参数进行更新。通过大量的训练样本进行训练后，即可以通过分析模型对实体待分析光学系统输出的近场光斑图像进行分析。其分析过程是将待分析光学系统输出的待分析近场光斑图像输入分析模型，通过分析模型的计算处理，输出该待分析近场光斑图像的各本征模式的模式比例和相位余弦值组成的一维向量。
在本实施例中，在通过分析模型分析得到待分析光斑图像的模式参数后，还包括根据模式参数中的相位余弦值重构光斑，并确定待分析光斑中各模式的相位的过程，具体包括：根据相位余弦值推测所有可能的相位组合，为每个相位组合生成一个重构光斑，并选择重构光斑中与待分析光斑最相近的重构光斑中各模式的相位作为待分析光斑中各模式的相位。通过研究，对于仅以近场光斑图像作为样本光斑图像时，当采用相位作为标签时，分析模型无法收敛，因为仅仅依靠近场光斑图像作为输入，模式比例相同且相位互为共轭的两组光场的光强分布是完全一致的，在训练过程中，就会出现一个输入图像，可能对应两组相位的情况，这种解的不唯一性会影响神经网络的收敛。因此，本实施例中，采用包含有近场光斑图像的相位余弦值作为样本标签对分析模型进行训练，得到收敛的分析模型。为了使得分析模型能够更快的收敛，达到更好的分析效果，本实施例以近场光斑图像，和其对应的各本征模式的模式比例和相位余弦值组成的一维向量作为样本标签来训练分析模型。因此，在通过分析模型对待测近场光斑图像进行分析时，不能直接得到待测近场光斑图像的各本征模式相位，需要通过上述方法进行重构光斑，才可进一步确定待测近场光斑图像中模式的相位。
在本实施例中，对近场光斑图像和远场光斑图像的组合进行模式分解，计算其中各本征模式的模式比例和相位的分析模型的结构如图4所示。对近场光斑图像进行模式分解，计算其光束传播因子(包括x方向光束传播因子
Figure BDA0001842118510000071
和y方向光束传播因子
Figure BDA0001842118510000072
)的分析模型的结构如图5所示。这两种情况下对分析模型进行训练的过程与图3所示的分析模型的训练原理相同。都是输入神经网络分析模型的光斑图像通过多个网络卷积层、网络池化层计算处理后，得到最终的特征图谱，再由全连接层将最终的特征图谱转换成与标签长度相等的一维列向量输出。
在本实施例中，在神经网络分析模型的训练过程中，将全连接层输出的一维列向量与输入的标签之间的均方误差值作为损失函数，通过损失函数来衡量输出向量与输入的标签向量之间的差异并计算梯度，通过反向传播方式将梯度计算逐层传递，依据分析模型所设计的学习率和反向传播计算得到的梯度调节网络各层参数进而使损失函数变小，从而对神经网络分析模型的参数进行更新。通过大量的训练样本对神经网络分析模型进行训练直至损失函数不再减小，固定神经网络分析模型的网络参数，分别得到收敛后的用于近场光斑模式分解的分析模型、用于近远场光斑组合模式分解的分析模型、用于近场光斑预测光束传播因子的分析模型，这些分析模型即可用于对相应待测光学系统输出的光斑图像的分析。
在本实施例中，收敛后的神经网络模型不仅可以对待测光学系统输出的普通光斑进行分析，还可以用于含有较强噪声的光斑图像的分析，本实施例将以利用所述神经网络分析模型对含有较强噪声的近场光斑图像进行模式分解的结果对此进行说明。
在本实施例中，图6、图7、图8、图9分别给出了近场光斑用于模式分解、近远场光斑组合用于模式分解、近场光斑用于预测光束传播因子以及含有噪声的近场光斑进行模式分解的几组典型分析结果，通过两种方式评估分解结果的准确性：(1)根据预测模式系数重构光斑，和输入光斑作对比，定义相关系数来表征两者的相似性，其计算方式为两组光斑对应的减去均值的像素的乘积的积分的绝对值除以各自光斑对应减去均值的像素的平方的积分的乘积的二次算术平方根，其具体表达式为
Figure BDA0001842118510000073
其中，x和y分别为坐标轴的两个互相垂直的方向，ΔIi(i＝1，2)由第i个光斑的各个像素减去光斑所有像素的均值得到，即
Figure BDA0001842118510000081
其中I1代表输入分析模型的光斑，
Figure BDA0001842118510000082
代表输入光斑的像素均值，I2代表依据分析模型输出系数重构的光斑，
Figure BDA0001842118510000083
代表重构光斑的像素均值，C为相关系数，表示光斑的相似度。相关系数最大的两个光斑即为最接近的光斑。相关系数在两个光斑完全相同时其值为1，相关系数的数值越大，代表两组光斑的相似程度越高，说明结果越准确；(2)预测模式参数与标签模式参数作对比，两组参数越接近，说明结果越准确，采用绝对误差来表征两组参数的接近程度，绝对误差为两组参数的差值的绝对值。
图6给出了待测近场光斑(由理论模拟产生)经收敛后的相应神经网络模型进行模式分解后，依据预测模式系数重构的光斑与输入分析模型的光斑的六组典型对比结果，其相关系数均大于0.98，平均值为0.9943，从中可以看出重构光斑与输入光斑之间均具有很好的相似性，说明实施例的结果具有很好的准确性。
图7给出了待测近场光斑和远场光斑的组合(由理论模拟产生)经收敛后的相应神经网络模型进行模式分解后，依据预测模式系数重构的光斑与输入分析模型的光斑的三组典型对比结果以及预测的模式比例和相位与标签比例和相位的对比结果，其相关系数均大于0.98，平均值为0.9935，从中可以看出重构的近场和远场光斑与输入的近场和远场光斑之间具有很好的相似性，而预测的模式比例和相位与相应的标签比例和相位也很接近，对应的比例和相位平均绝对误差仅为0.016和0.082，说明实施例的结果具有很好的准确性。
图8给出了待测近场光斑图像(由理论模拟产生)经收敛后的相应神经网络模型进行分析后，预测的x方向光束传播因子
Figure BDA0001842118510000084
和y方向光束传播因子
Figure BDA0001842118510000085
与相应标签值的四组典型对比结果，从中可以看出预测的光束传播因子无论是在x方向上还是y方向上均与标签值非常接近，其平均绝对误差仅为0.018，说明实施例的结果具有很好的准确性。
图9给出了含有较强噪声的待测近场光斑(由理论模拟产生的近场标准光斑图像加上较高强度的高斯白噪声生成)经收敛后的相应神经网络模型进行模式分解后，依据预测模式系数重构的光斑与输入分析模型的含噪光斑以及含噪光斑对应的标准光斑的六组典型对比结果，重构光斑与标准光斑的相似程度越高说明分析模型对含噪光斑的处理能力越强。计算得到的重构光斑与标准光斑之间的相关系数均大于0.98，平均值为0.9919，从中可以看出在噪声较强的情况下重构光斑与输入光斑之间依然具有较好的相似性，说明实施例的结果具有较好的准确性，验证了对应分析模型较强的鲁棒性，克服了传统技术方法中较强噪声对模式分解结果产生较大影响的缺点。若要进一步提高分析模型对含有较强噪声的光斑进行分析的准确性，也可以用含有较强噪声的样本对分析模型依照本实施例所述的训练方法进行训练以得到新的分析模型。
通过图6、图7、图8、图9所示的结果可以看到本技术方案的分析模型的准确性很高，对于四种情况，对单幅图像的分析耗时均在毫秒量级，所用计算机的显卡配置为GTX1080,CPU为i7-8700，可见分析模型的响应速度亦很快。
本实施例的一种存储介质，存储介质中存储有可实现如上任一项基于深度学习的光纤模式分解方法的程序。通过计算机来执行存储介质中所存储的程序，即可以实现如上的分析方法，对光学系统输出的光斑进行分析。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种基于深度学习的光纤模式分解方法，其特征在于：
获取待测光学系统输出的待分析光斑图像，并将所述待分析光斑图像输入预先构建并训练好的基于深度学习的分析模型进行分析，得到所述待分析光斑图像的模式参数；
所述分析模型由预先生成的训练样本进行训练，所述训练样本包括样本光斑图像及其对应的样本标签。
2.根据权利要求1所述的基于深度学习的光纤模式分解方法，其特征在于：所述样本光斑图像包括近场光斑图像，其对应的样本标签包括各本征模式的模式比例和相位余弦值组成的一维向量；
或者：所述样本光斑图像包括近场光斑图像，其对应的样本标签包括x方向光束传播因子
Figure FDA0001842118500000011
和y方向光束传播因子
Figure FDA0001842118500000012
组成的一维向量；
或者：所述样本光斑图像包括近场光斑图像和远场光斑图像，其对应的样本标签包括各本征模式的模式比例和相位组成的一维向量；
所述分析模型对所述待分析光斑进行分析得到的模式参数所包含的参数类型及结构与样本标签的参数类型及结构相同。
3.根据权利要求2所述的基于深度学习的光纤模式分解方法，其特征在于：所述分析模型为卷积神经网络模型，包括网络卷积层、网络激活层、网络池化层和全连接层；
所述网络卷积层包括多个滤波器，滤波器对输入图像做卷积运算后得到多个特征图谱并输出至下一个处理层；
所述网络激活层对输入的特征图谱按照数值大小以预设的激活函数进行变换，并将变换后的特征图谱输出至下一个处理层；
所述网络池化层对所述输入图谱的不同位置，分别按照所述池化层的滤波器的窗口大小确定区域，对所述区域按照预设计算方式计算确定特征值作为该位置的新值，并输出变换后的图谱；所述全连接层将图谱转换成与所述样本标签长度相等的一维向量输出。
4.根据权利要求3所述的基于深度学习的光纤模式分解方法，其特征在于：所述预设计算方式为：计算所述区域内特征图谱的最大值作为该位置的新值；或者，计算所述区域内特征图谱的平均值作为该位置的新值；
所述全连接层将图谱转换成与所述样本标签长度相等的一维向量输出。
5.根据权利要求1至4任一项所述的基于深度学习的光纤模式分解方法，其特征在于：所述待分析光斑图像与所述样本光斑图像的类型一致，包括近场光斑图像和/或远场光斑图像。
6.根据权利要求5所述的基于深度学习的光纤模式分解方法，其特征在于：所述训练样本通过依据待测光学系统的参数而构建的仿真模型仿真生成。
7.根据权利要求6所述的基于深度学习的光纤模式分解方法，其特征在于：所述待测光学系统的参数包括光纤类型、光纤纤芯半径、光纤数值孔径、激光工作波长、透镜焦距。
8.根据权利要求7所述的基于深度学习的光纤模式分解方法，其特征在于：所述样本光斑图像中的远场光斑图像是由所述近场光斑图像进行傅里叶变换后得到的图像。
9.根据权利要求8所述的基于深度学习的光纤模式分解方法，其特征在于：在通过所述分析模型分析得到所述待分析光斑图像的模式参数后，还包括根据所述模式参数中的相位余弦值重构光斑，并确定所述待分析光斑中各模式的相位的过程，具体包括：
根据所述相位余弦值推测所有可能的相位组合，为每个所述相位组合生成一个重构光斑，并选择所述重构光斑中与所述待分析光斑最相近的重构光斑中各模式的相位作为所述待分析光斑中各模式的相位。
10.一种存储介质，其特征在于：所述存储介质中存储有可实现如权利要求1至9任一项所述基于深度学习的光纤模式分解方法的程序。
CN201811253932.1A 2018-10-25 2018-10-25 一种基于深度学习的光纤模式分解方法及可读介质 Active CN111103120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811253932.1A CN111103120B (zh) 2018-10-25 2018-10-25 一种基于深度学习的光纤模式分解方法及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811253932.1A CN111103120B (zh) 2018-10-25 2018-10-25 一种基于深度学习的光纤模式分解方法及可读介质

Publications (2)

Publication Number Publication Date
CN111103120A true CN111103120A (zh) 2020-05-05
CN111103120B CN111103120B (zh) 2022-02-18

Family

ID=70418643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811253932.1A Active CN111103120B (zh) 2018-10-25 2018-10-25 一种基于深度学习的光纤模式分解方法及可读介质

Country Status (1)

Country Link
CN (1) CN111103120B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862035A (zh) * 2020-07-17 2020-10-30 平安科技（深圳）有限公司 光斑检测模型的训练方法、光斑检测方法、设备及介质
CN112180591A (zh) * 2020-10-12 2021-01-05 中国人民解放军国防科技大学 基于光纤激光阵列产生涡旋光束的光束质量评价方法
CN112561898A (zh) * 2020-12-22 2021-03-26 电子科技大学中山学院 一种基于卷积神经网络的光纤传感器光斑分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004094966A2 (en) * 2003-04-16 2004-11-04 Duke University Methods and systems for static multimode multiplex spectroscopy
WO2014064636A2 (en) * 2012-10-24 2014-05-01 Csir Modal decomposition of a laser beam
CN105571826A (zh) * 2015-12-14 2016-05-11 中国人民解放军国防科学技术大学 低数值孔径大模场面积光纤激光光束质量评价方法
CN106644409A (zh) * 2016-12-19 2017-05-10 华中科技大学 一种光纤特征参数测量仪器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004094966A2 (en) * 2003-04-16 2004-11-04 Duke University Methods and systems for static multimode multiplex spectroscopy
WO2014064636A2 (en) * 2012-10-24 2014-05-01 Csir Modal decomposition of a laser beam
CN105571826A (zh) * 2015-12-14 2016-05-11 中国人民解放军国防科学技术大学 低数值孔径大模场面积光纤激光光束质量评价方法
CN106644409A (zh) * 2016-12-19 2017-05-10 华中科技大学 一种光纤特征参数测量仪器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIANGJIN HUANG 等: "《Real-time mode decomposition for few-mode fiber based on numerical method》", 《OPTICS EXPRESS》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862035A (zh) * 2020-07-17 2020-10-30 平安科技（深圳）有限公司 光斑检测模型的训练方法、光斑检测方法、设备及介质
CN111862035B (zh) * 2020-07-17 2023-07-28 平安科技（深圳）有限公司 光斑检测模型的训练方法、光斑检测方法、设备及介质
CN112180591A (zh) * 2020-10-12 2021-01-05 中国人民解放军国防科技大学 基于光纤激光阵列产生涡旋光束的光束质量评价方法
CN112180591B (zh) * 2020-10-12 2022-02-08 中国人民解放军国防科技大学 基于光纤激光阵列产生涡旋光束的光束质量评价方法
CN112561898A (zh) * 2020-12-22 2021-03-26 电子科技大学中山学院 一种基于卷积神经网络的光纤传感器光斑分析方法

Also Published As

Publication number Publication date
CN111103120B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
KR102213730B1 (ko) 반도체 애플리케이션을 위한 신경망 및 순방향 물리적 모델을 포함하는 방법 및 시스템
Brescia et al. Photometric redshifts for quasars in multi-band surveys
CN111103120B (zh) 一种基于深度学习的光纤模式分解方法及可读介质
US7388676B2 (en) Image processing apparatus and refractive index distribution measuring apparatus
CN112484968B (zh) 用于光学量测的方法、系统、计算设备和存储介质
Qiao et al. A single-shot phase retrieval method for phase measuring deflectometry based on deep learning
CN113158487B (zh) 一种基于长短期记忆深度网络的波前相位差探测方法
Bergström et al. Dual-wavelength digital holography: single-shot shape evaluation using speckle displacements and regularization
Fan et al. Investigation of sparsity metrics for autofocusing in digital holographic microscopy
Wong et al. Machine learning for wavefront sensing
Sun et al. High-accuracy simultaneous phase extraction and unwrapping method for single interferogram based on convolutional neural network
Wang et al. Unsupervised CNN-based DIC method for 2D displacement measurement
CN117057235B (zh) 基于激光器的光纤测温点部署系统
CN116958553B (zh) 基于无参注意力和点级卷积的轻量级植物点云分割方法
Zhou et al. Application of machine learning in optical fiber sensors
CN110967948B (zh) 对准误差测量方法
Wu et al. CNN-based method for chromatic confocal microscopy
Lee et al. AI-guided optical-model-based superresolution for semiconductor CD metrology
Huang et al. SCPNet-based correction of distorted multi-spots for three-dimensional surface measurement of metal cylindrical shaft parts
Li et al. Real-time 3D shape measurement of dynamic scenes using fringe projection profilometry: lightweight NAS-optimized dual frequency deep learning approach
CN108205514A (zh) 基于优化稀疏算法的多目标光纤光谱二维模型抽谱方法
CN109932818B (zh) 一种对未知结构参数的光纤进行非简并模式功率分解方法
Li et al. Optimization of the GPU-based data evaluation for the low coherence interferometry
Kanev et al. Analysis of accuracy of optical vortex detection algorithms
Wang et al. PEENet for phase unwrapping in fringe projection profilometry

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