CN115327771A - 一种涡旋光信息压缩感知的装置与方法 - Google Patents
一种涡旋光信息压缩感知的装置与方法 Download PDFInfo
- Publication number
- CN115327771A CN115327771A CN202210972352.8A CN202210972352A CN115327771A CN 115327771 A CN115327771 A CN 115327771A CN 202210972352 A CN202210972352 A CN 202210972352A CN 115327771 A CN115327771 A CN 115327771A
- Authority
- CN
- China
- Prior art keywords
- light beam
- vortex
- sequence
- vortex light
- sampling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003287 optical effect Effects 0.000 title claims description 39
- 238000005070 sampling Methods 0.000 claims abstract description 81
- 238000007906 compression Methods 0.000 claims abstract description 45
- 238000003384 imaging method Methods 0.000 claims abstract description 44
- 230000006835 compression Effects 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 16
- 238000012821 model calculation Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000013527 convolutional neural network Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000010587 phase diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/09—Beam shaping, e.g. changing the cross-sectional area, not otherwise provided for
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/501—Structural aspects
- H04B10/503—Laser transmitters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/516—Details of coding or modulation
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B2207/00—Coding scheme for general features or characteristics of optical elements and systems of subclass G02B, but not including elements and systems which would be classified in G02B6/00 and subgroups
Landscapes
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Optical Communication System (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种涡旋光信息压缩感知的装置与方法,对于激光器发出的光束经准直、扩束处理后入射到涡旋光束生成装置;涡旋光束生成装置加载光栅,对入射光束进行调制得到K帧不同拓扑荷数的涡旋光束序列;所述涡旋光束序列经第一成像系统成像在编码装置平面,经编码装置加载编码信息对K帧涡旋光束序列进行编码调制输出K帧编码涡旋光束序列;K帧编码涡旋光束序列经第二成像系统成像在采样装置平面,采样装置按照预设的采集帧率对K帧编码涡旋光束序列进行压缩采集得到涡旋光束的压缩采样测量信息;压缩采样测量信息输入到卷积神经网络中进行计算,重构出原K帧涡旋光束信息或分类识别出原K帧涡旋光束的拓扑荷数,实现对涡旋光信息的压缩感知。
Description
技术领域
本发明涉及光学中的编码成像的技术领域,特别涉及一种涡旋光信息压缩感知的方法及装置。
背景技术
自光电成像技术迅速发展以来,光学系统和探测器共同成为了光电成像系统的核心部件,然而光学系统的设计、探测器的像元尺寸及灵敏度也同时成为了限制光电成像系统分辨率的局限所在,这些局限性使得在有限系统容量下完成高质量高速的光电信息传输成为了难题。尤其对于涡旋光束而言,由于涡旋光束的轨道角动量模态具备相互正交且理论数量多达无穷的特性和优势,使得涡旋光束可在光通信领域发挥极大作用,然而随着当下信息量的飞速增长,轨道角动量虽可大幅提升通信容量,但在应对极大通信容量的同时,系统的信源存储容量、信道传输效率等也同样面临着巨大挑战。此外,由于涡旋光束的相位变化呈涡旋状,在经过一定的传输距离后,将不可避免地受到信道传输中如大气湍流、散射介质等其它影响,使得轨道角动量所携带的信息难以被准确探测。总而言之,当下在有限系统容量下仍然无法满足大容量数据的高效传输和精准接收。因此若能提升涡旋光通信时的传输效率并保证信息传输的准确度,将极大地促进未来光通信领域的高速、精准、抗干扰的发展。
近年来兴起的压缩感知理论为解决上述问题提供了新的理论和方法。压缩感知理论提出在对信号进行采样和压缩后,从压缩测量值中无失真地重建出原始信号。目前众多研究者已将压缩感知理论应用于光学成像中,然而少有发明和研究关注于将压缩感知理论应用于涡旋光束的编码成像中。
发明内容
本发明要解决的技术问题是如何有限系统容量下无法满足大容量数据的高效传输和精准接收。
本发明采用了如下技术方案:一种涡旋光信息压缩感知的装置,包括沿光线传播方向设置的激光器、准直扩束装置、时序涡旋光束生成装置、第一成像系统、编码装置、第二成像系统、采样装置、模型计算装置;激光器发出的光源经准直扩束装置后形成准直光束入射到时序涡旋光束生成装置;所述时序涡旋光束生成装置加载光栅对入射光束进行调制得到K帧不同拓扑荷数的时序涡旋光束序列;所述第一成像系统将所述时序涡旋光束序列成像在编码装置平面;所述编码装置加载编码掩膜,对时序涡旋光束序列进行编码调制输出K帧时序编码涡旋光束序列;所述第二成像系统将时序编码涡旋光束序列成像在采样装置平面;所述采样装置按照预设的采样帧率对K帧时序编码涡旋光束序列进行压缩采集得到压缩采样测量信息;所述模型计算装置从涡旋光束的压缩采样信息中重构出原K帧时序涡旋光束序列或识别分类出原K帧时序涡旋光束序列的拓扑荷数,最终实现对时序涡旋光信息的压缩感知,其中K为正整数。
优选地,所述时序涡旋光束生成装置包括空间光调制器,所述空间光调制器具有平面内光斑所覆盖的中心区域作为有效调控区域,且能够随机依次加载K帧光栅至有效调控区域并输出输出K帧不同拓扑荷数的时序涡旋光束序列。
优选地,所述第一成像系统为用于扩大或缩小时序涡旋光束序列的光斑大小,同时滤除时序涡旋光束生成装置输出的除第一衍射级之外的光场信息和环境噪声。
优选地,所述编码装置包括一空间调制器,所述空间调制器具有平面内光斑所覆盖的中心区域作为有效编码区域,且能够顺序加载K帧编码掩膜至有效编码区域,对时序涡旋光束生成装置输出的K帧时序涡旋光束序列进行编码,最后输出K帧时序编码涡旋光束序列。
优选地,所述第二成像系统能够使得编码装置的成像大小与采样装置成像相同。
优选地,所述采样装置包括一光电探测器,所述光电探测器用于对多帧编码涡旋光束序列进行单帧曝光来进行采集。
一种应用如上所述的涡旋光信息压缩感知的装置进行涡旋光信息压缩感知的方法,其特征在于,所述采样装置的采样方式包括如下步骤:
(a)设定采样装置工作帧率为G2 Hz,所述时序涡旋光束生成装置、编码装置工作帧率设定皆为G1 Hz,则时序涡旋光束生成装置、编码装置与采样装置之间的工作帧率形成的比例关系,即形成时序涡旋光信息的采样率;(b)采用了以下数学模型获得采样测量值时序涡旋光束生成装置生成K帧不同拓扑荷数的时序涡旋光束序列其中R为实数集合,经由编码装置加载编码掩膜生成K帧时序编码涡旋光束序列,相应的采集装置对时序编码涡旋光束序列进行采样测量,则采样测量值为
优选地,包括如下步骤:将上述所获得的多组单帧压缩采样测量值和与之对应的K帧原涡旋光束信息或K个拓扑荷数作为网络模型的输入,该网络模型从这多组数据中重建出原K帧涡旋光束信息或计算出其拓扑荷数的预测值后,由误差函数计算预测值和真值之间的误差来评估网络模型的准确率;当误差函数收敛至阈值,保存网络模型权重参数,得到重建原始涡旋光束信息或预测原光束拓扑荷数的网络模型。
优选地,包括如下步骤:加载所述网络模型参数,将未探测的多组单帧压缩采样测量值输入至所述模型计算装置中,由探测后的网络模型重建原始涡旋光束信息或计算拓扑荷数,由误差函数计算预测值和真值之间的误差,从而评估训练模型的预测准确率。
本发明具有如下有益效果:1.原有的涡旋光束编码成像技术仅关注于对涡旋光束的模式识别,本发明基于压缩感知理论从少量的采样信息中重构出涡旋光束的原始信息或完成模式识别,拓展了涡旋光束在光通信领域的广泛应用。2.现有的压缩感知技术多应用于图像的空间序列上,本发明将压缩感知理论应用于涡旋光束的时间序列,从第三个维度上对涡旋光束压缩采样、计算重构,为压缩感知应用于高维度信息计算提供了可行技术方案。3.本发明凭借压缩感知理论,特别地应用于涡旋光束的时间序列,有效结合了压缩感知理论与涡旋光束的轨道角动量所具备地优势与特性,不仅提升了涡旋光光通信的效率,同时也有效规避了因涡旋光束轨道角动量因受干扰而带来的传输准确性的问题。4.本发明利用卷积神经网络,构建了时序涡旋光信息的压缩感知模型,实现从少量测量值中精准重建出原时序涡旋光信息或分类识别原时序涡旋光束的拓扑荷数,为未来涡旋光在光通信领域结合人工智能技术的发展提供了有效技术手段。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为一种时序涡旋光信息压缩感知的方法流程图;
图2为一种时序涡旋光信息压缩感知的装置示意图;
图3为本发明实施例1中一种时序涡旋光信息压缩感知的装置示意图;
图4为本发明实施例1中编码压缩采样的方法流程图;
图5为本发明实施例1中密集网络(DenseNet)卷积神经网络模型方法流程图;
图6为本发明实施例1中时序涡旋光束序列的生成、编码、压缩采样实验结果图;
图7为本发明实施例1中密集网络(DenseNet)卷积神经网络模型训练阶段误差函数曲线图;
图中:1-激光器、2-准直扩束系统、3-时序涡旋光束生成装置、4-第一成像系统、5-编码装置、6-第二成像系统、7-采样装置、8-压缩采样测量值、9-模型计算装置、10、卷积神经网络预测值、11-激光器A、12-准直扩束系统A、13-第一空间光调制器A、14-第一成像系统A、15-第二空间光调制器A、16-第二成像系统A、17-相机、18-压缩采样测量值A、19-DenseNet卷积神经网络、20-DenseNet卷积神经网络模型预测的原十帧涡旋光束的拓扑荷数、21-涡旋相位图、22-编码掩膜、23-第一空间光调制器B、24-时序涡旋光束序列、25-第二空间光调制器B、26-压缩采样测量值B。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示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一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,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“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,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。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。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
实施例
以下仅是本发明的优选实施方式,本发明的保护范围并不仅局限于下述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。
参考说明书附图1-2,本发明提供了一种基于深度学习的时序涡旋光信息压缩感知的装置及方法,包括激光器1、准直扩束系统2、时序涡旋光束生成装置3、第一成像系统4、编码装置5、第二成像系统6、采样装置7、模型计算装置9(具体采用神经网络计算模型);其中采样装置区7获得压缩采样测量值8后通过模型计算装置9计算卷积神经网络预测值10。本发明利用压缩感知理论,基于深度学习对涡旋光束序列在时间维度上实现压缩感知,具体地包括对时序涡旋光束序列的随机编码、压缩采样、计算重构、分类识别,即实现从压缩采样测量信息中恢复出原时序涡旋光束序列或识别分类出原时序始涡旋光束序列的拓扑荷数。本发明有望拓展涡旋光束未来在光通信领域与人工智能领域的交叉应用,为涡旋光应用于光通信、光学成像、编码成像等领域提供有效技术手段。
实施例1
如图3所示,本实施例中所用的时序涡旋光信息压缩感知的方法及装置,包括激光器A11、准直扩束系统A12、时序涡旋光束生成装置A、第一成像系统A14、编码装置A、第二成像系统A16、采样装置、神经网络计算模型;准直扩束系统包括第一透镜、第二透镜;涡旋光束时序复合生成装置为第一空间光调制器A13;第一成像系统包括第三透镜、圆孔滤波器、第四透镜;编码装置为第二空间光调制器A15;第二成像系统包括第五透镜、第六透镜;采样装置为相机;神经网络模型为基于DenseNet的卷积神经网络模型。本实例中所用的时序涡旋光束信息压缩感知的装置的工作原理为:激光器发出的激光经准直扩束系统入射到时序涡旋光束生成装置;时序涡旋光束生成装置加载光栅对入射光进行调制得到K帧不同拓扑荷数的时序涡旋光束序列;所述第一成像系统将时序涡旋光束序列成像在编码装置平面;所述编码装置加载掩膜对时序涡旋光束序列进行编码调制输出K帧时序编码涡旋光束序列;所述第二成像系统将K帧时序编码涡旋光束序列成像在采样装置平面;所述采样装置按照预设的采样帧率对K帧时序编码涡旋光束序列进行单帧采集得到压缩采样测量信息;所述神经网络计算模型从压缩采样测量信息中分类识别出原K帧时序涡旋光束序列的拓扑荷数,最终实现对时序涡旋光信息的压缩感知。
本实施例中时序涡旋光束生成装置通过第一空间光调制器加载涡旋相位图对入射光束进行调制生成涡旋光束。其工作原理为:第一空间光调制器的有效光学区域为一个1920×1080的二维微镜阵列,其中单个微镜的尺寸为10.8μm×10.8μm,其最高帧频可达23KHz,该器件通过电信号来控制微镜的旋转,打开时微镜沿其对角线倾斜12度,关闭时倾斜-12度,从而改变原码光源信息的透过率。其具体工作方法为预先生成10种用于生成拓扑荷数为1,2,3……10的涡旋相位图,其中光栅分辨率大小为64×64;设定第一空间光调制器工作帧率为100Hz,工作模式为加载图像模式,选定第一空间光调制器平面内光斑所覆盖的64×64中心区域为有效调控区域;编写LabVIEW程序控制第一空间光调制器随机加载10帧涡旋相位图至有效调控区域,最后由第一空间光调制器输出10帧不同拓扑荷数的时序涡旋光束序列。
本实施例中第一成像系统中的第三透镜、第四透镜焦距分别为50mm,100mm用于对时序涡旋光束序列的扩束处理,圆孔滤波器放置于第三透镜与第四透镜之间用于滤除第一衍射级之外的光束信息和环境噪声信息。
本实施例中编码装置第二空间调制器加载二进制随机掩膜,对不同拓扑荷数的涡旋光束进行振幅编码调制。其工作原理同上述第一空间光调制器工作原理相同。其具体工作方法为:预先生成10帧二维二进制随机掩膜,其中掩膜分辨率大小为128×128;设定第二空间光调制器工作帧率为100Hz,选定第二空间光调制器平面内光斑所覆盖的128×128中心区域为有效编码区域;使用上述LabVIEW程序同时控制第二空间光调制器依次随机加载10帧随机掩膜至有效编码区域,最后由第二空间光调制器输出10帧不同拓扑荷数的编码时序涡旋光束序列。在这里需要强调的是,当第一空间光调制器加载一张涡旋相位图生成单帧涡旋光的同时,第二空间光调制器加载一张随机掩膜,对涡旋光束进行编码调制,即通过LabVIEW程序时序同步地完成了对涡旋光束的生成与编码过程。
本实施例中第二成像系统包括的第五透镜与第六透镜分别为焦距为150mm与75mm的透镜,该焦距是根据编码装置中第二空间光调制器与采样装置中的相机的像素尺寸比设定,目的是为了使编码装置与采样装置的成像为近似1:1的对应关系。
本实施例中采样装置为相机17,通过相机在特定帧率设定下对10帧编码涡旋光束进行单帧采集,对涡旋光束的随机编码、压缩采样的方法示意图如图4所示;该相机分辨率为1920×1080,像元尺寸为5.04μm,其工作方法为:使用上述Lab VIEW程序控制相机,设定相机的曝光时间为100ms,相机的触发模式为连续触发,以及相机画面的预览。在这里需要强调设定相机的曝光时间设定为100ms,同时如上文所述第一、二空间光调制器工作帧率设定皆为100Hz,则第一、第二空间光调制器与相机之间的工作帧率形成10:1的比例关系,即形成时序涡旋光信息10:1的采样率。同时需要指出的是,LabVIEW程序同时控制第一、二空间光调制器与相机,具体地第一空间光调制器每加载十帧涡旋相位图21生成十类不同拓扑荷数的涡旋光束序列时,第二空间光调制器加载十帧二进制随机掩膜对十帧涡旋光束编码调制,同时相机完成一次单帧采集,从而得到一张时序涡旋光束序列的压缩测量值。在这里我们通过设定第一、二空间光调制器与相机的工作帧率比为10便完成了压缩比为10的编码压缩采样过程,实验中涡旋光束的随机编码与压缩采样信息如图5所示。该编码压缩采样过程具体地采用了以下数学模型:第一空间光调制器B23生成的10帧涡旋光束经由第二空间光调制器B24的编码模式调制,相应的得到测量值为
本实施例中神经网络计算模型为基于DenseNet卷积神经网络模型,该网络模型通过建立原涡旋光束的拓扑荷数与压缩采样测量值之间的关系从而实现对压缩测量值的拓扑荷数识别分类任务。该网络模型如图6所示,其计算过程共分为训练和测试两大部分:(1)训练阶段旨在让基于DenseNet的网络模型不断从压缩采样测量值和原涡旋光束序列的拓扑荷数之间的对应关系中建立网络模型。该阶段的具体工作方法为:将上述所获得单帧压缩采样测量值和与之对应的十帧原涡旋光束的拓扑荷数作为网络模型的输入,由该网络模型输出对拓扑荷数的预测值,由误差函数计算预测值和真值之间的误差来评估网络模型的学习准确率;在大量的数据集训练下,直至误差函数收敛至阈值,保存网络模型权重参数,得到预测原始涡旋光束拓扑荷数的计算模型,实验中训练阶段的误差函数曲线图如图7所示;(2)测试阶段旨在测试训练阶段保存的网络模型的预测准确度。该阶段的具体工作方法为:加载训练阶段保存的网络模型参数,将未经训练过的单帧压缩采样测量值输入,由训练后的网络模型输出对压缩测量值的拓扑荷数的预测值,由误差函数计算预测值和真值之间的误差,从而来衡量训练模型的预测准确率。
实施例2
与实施例1不同的是,本实施例中时序涡旋光束生成装置为基于空间光调制器加载其它特定用于生成涡旋光束的特定光栅或其它调控方法生成涡旋光束。
实施例3
与实施例1不同的是,本实施例中神经网络计算模型为基于其它卷积神经网络的模型用于建立原始涡旋光束的拓扑荷数与压缩采样测量值之间的关系从而实现对压缩测量值的拓扑荷数识别分类任务。
实施例4
与实施例1不同的是,本实施例中神经网络计算模型通过建立原始涡旋光束信息与压缩采样测量值之间的关系从而实现对原始涡旋光束信息的重建任务。该网络模型的计算过程共分为训练和测试两大部分:(1)训练阶段旨在让网络模型不断从压缩采样测量值和原始涡旋光束信息之间的对应关系中建立网络模型。该阶段的具体工作方法为:将上述所获得压缩采样测量值和与之对应的K帧原涡旋光束信息作为网络模型的输入,由该网络模型输出对原始涡旋光束的重建信息,由误差函数计算预测信息和真值信息之间的误差来评估网络模型的学习准确率;在大量的数据集训练下,直至误差函数减小至阈值,保存网络模型权重参数,得到重建原始涡旋光束信息的模型;(2)测试阶段旨在测试训练阶段保存的网络模型的预测准确度。该阶段的具体工作方法为:加载训练阶段保存的网络模型参数,将未经训练过的压缩采样测量值输入,由训练后的网络模型输出对原始涡旋光束的重建信息,由误差函数计算预测信息和真值信息之间的误差,从而来评估训练模型的预测准确率。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种涡旋光信息压缩感知的装置,其特征在于,包括沿光线传播方向设置的激光器、准直扩束装置、时序涡旋光束生成装置、第一成像系统、编码装置、第二成像系统、采样装置、模型计算装置;激光器发出的光源经准直扩束装置后形成准直光束入射到时序涡旋光束生成装置;所述时序涡旋光束生成装置加载光栅对入射光束进行调制得到K帧不同拓扑荷数的时序涡旋光束序列;所述第一成像系统将所述时序涡旋光束序列成像在编码装置平面;所述编码装置加载编码掩膜,对时序涡旋光束序列进行编码调制输出K帧时序编码涡旋光束序列;所述第二成像系统将时序编码涡旋光束序列成像在采样装置平面;所述采样装置按照预设的采样帧率对K帧时序编码涡旋光束序列进行压缩采集得到压缩采样测量信息;所述模型计算装置从涡旋光束的压缩采样信息中重构出原K帧时序涡旋光束序列或识别分类出原K帧时序涡旋光束序列的拓扑荷数,最终实现对时序涡旋光信息的压缩感知,其中K为正整数。
2.根据权利要求1所述的涡旋光信息压缩感知的装置,其特征在于,所述时序涡旋光束生成装置包括空间光调制器,所述空间光调制器具有平面内光斑所覆盖的中心区域作为有效调控区域,且能够随机依次加载K帧光栅至有效调控区域并输出输出K帧不同拓扑荷数的时序涡旋光束序列。
3.根据权利要求1所述的涡旋光信息压缩感知的装置,其特征在于,所述第一成像系统为用于扩大或缩小时序涡旋光束序列的光斑大小,同时滤除时序涡旋光束生成装置输出的除第一衍射级之外的光场信息和环境噪声。
4.根据权利要求1所述的涡旋光信息压缩感知的装置,其特征在于,所述编码装置包括一空间调制器,所述空间调制器具有平面内光斑所覆盖的中心区域作为有效编码区域,且能够顺序加载K帧编码掩膜至有效编码区域,对时序涡旋光束生成装置输出的K帧时序涡旋光束序列进行编码,最后输出K帧时序编码涡旋光束序列。
5.根据权利要求1所述的涡旋光信息压缩感知的装置,其特征在于,所述第二成像系统能够使得编码装置的成像大小与采样装置成像相同。
6.根据权利要求1所述的涡旋光信息压缩感知的装置,其特征在于,所述采样装置包括一光电探测器,所述光电探测器用于对多帧编码涡旋光束序列进行单帧曝光来进行采集。
7.一种应用如权利要求1-6之一所述的涡旋光信息压缩感知的装置进行涡旋光信息压缩感知的方法,其特征在于,所述采样装置的采样方式包括如下步骤:
(a)设定采样装置工作帧率为G2Hz,所述时序涡旋光束生成装置、编码装置工作帧率设定皆为G1Hz,则时序涡旋光束生成装置、编码装置与采样装置之间的工作帧率形成的比例关系,即形成时序涡旋光信息的采样率;(b)采用了以下数学模型获得采样测量值时序涡旋光束生成装置生成K帧不同拓扑荷数的时序涡旋光束序列其中R为实数集合,经由编码装置加载编码掩膜生成K帧时序编码涡旋光束序列,相应的采集装置对时序编码涡旋光束序列进行采样测量,则采样测量值为
其中⊙表示哈达玛乘积,G表示系统噪声。
8.根据权利要求7所述的涡旋光信息压缩感知的方法,其特征在于,包括如下步骤:将上述所获得的多组单帧压缩采样测量值和与之对应的K帧原涡旋光束信息或K个拓扑荷数作为网络模型的输入,该网络模型从这多组数据中重建出原K帧涡旋光束信息或计算出其拓扑荷数的预测值后,由误差函数计算预测值和真值之间的误差来评估网络模型的准确率;当误差函数收敛至阈值,保存网络模型权重参数,得到重建原始涡旋光束信息或预测原光束拓扑荷数的网络模型。
9.根据权利要求8所述的涡旋光信息压缩感知的方法,其特征在于,包括如下步骤:加载所述网络模型参数,将未探测的多组单帧压缩采样测量值输入至所述模型计算装置中,由探测后的网络模型重建原始涡旋光束信息或计算拓扑荷数,由误差函数计算预测值和真值之间的误差,从而评估训练模型的预测准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210972352.8A CN115327771A (zh) | 2022-08-15 | 2022-08-15 | 一种涡旋光信息压缩感知的装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210972352.8A CN115327771A (zh) | 2022-08-15 | 2022-08-15 | 一种涡旋光信息压缩感知的装置与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115327771A true CN115327771A (zh) | 2022-11-11 |
Family
ID=83924015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210972352.8A Pending CN115327771A (zh) | 2022-08-15 | 2022-08-15 | 一种涡旋光信息压缩感知的装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327771A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861252A (zh) * | 2017-11-29 | 2018-03-30 | 苏州蛟视智能科技有限公司 | 一种成像装置及方法 |
CN111157114A (zh) * | 2019-12-26 | 2020-05-15 | 西安电子科技大学 | 基于波长转换的长波红外多光谱成像方法及装置 |
CN111192197A (zh) * | 2019-12-26 | 2020-05-22 | 西安电子科技大学 | 基于涡旋光源波长转换的中波红外多光谱成像方法及装置 |
CN111656482A (zh) * | 2018-02-01 | 2020-09-11 | 株式会社日立高新技术 | 进行了空间相位调制的电子波的发生装置 |
CN112147359A (zh) * | 2020-09-16 | 2020-12-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于涡旋光的非合作目标转速和位姿测量方法 |
CN113589436A (zh) * | 2021-09-29 | 2021-11-02 | 首都师范大学 | 闭合轨迹光延迟模组、太赫兹系统及光电系统 |
-
2022
- 2022-08-15 CN CN202210972352.8A patent/CN115327771A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861252A (zh) * | 2017-11-29 | 2018-03-30 | 苏州蛟视智能科技有限公司 | 一种成像装置及方法 |
CN111656482A (zh) * | 2018-02-01 | 2020-09-11 | 株式会社日立高新技术 | 进行了空间相位调制的电子波的发生装置 |
CN111157114A (zh) * | 2019-12-26 | 2020-05-15 | 西安电子科技大学 | 基于波长转换的长波红外多光谱成像方法及装置 |
CN111192197A (zh) * | 2019-12-26 | 2020-05-22 | 西安电子科技大学 | 基于涡旋光源波长转换的中波红外多光谱成像方法及装置 |
CN112147359A (zh) * | 2020-09-16 | 2020-12-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于涡旋光的非合作目标转速和位姿测量方法 |
CN113589436A (zh) * | 2021-09-29 | 2021-11-02 | 首都师范大学 | 闭合轨迹光延迟模组、太赫兹系统及光电系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Higham et al. | Deep learning for real-time single-pixel video | |
CN111047681B (zh) | 基于深度学习的单像素三维端到端重建方法及装置 | |
US11532071B2 (en) | Creating super-resolution images | |
US20100310176A1 (en) | Apparatus and Method for Measuring Depth and Method for Computing Image Defocus and Blur Status | |
CN103472256A (zh) | 基于面阵ccd空间滤波器的流动二维速度场测量方法及装置 | |
CN106405546A (zh) | 基于压缩散斑的快速关联成像系统及方法 | |
CN112881308B (zh) | 一种基于宽光谱编码和深度学习的光谱相机 | |
Ermolli et al. | The prototype RISE-PSPT instrument operating in Rome | |
Moriwaki et al. | Deep learning for intensity mapping observations: component extraction | |
Kim et al. | Volumetric monitoring of airborne particulate matter concentration using smartphone-based digital holographic microscopy and deep learning | |
CN117274759A (zh) | 一种基于蒸馏-融合-语义联合驱动的红外与可见光图像融合系统 | |
Sergiyenko et al. | Developing and applying optoelectronics in machine vision | |
Liu et al. | Deep self-supervised hyperspectral image reconstruction | |
Chukalina et al. | Algorithm for post-processing of tomography images to calculate the dimension-geometric features of porous structures | |
CN115327771A (zh) | 一种涡旋光信息压缩感知的装置与方法 | |
Zhang et al. | Deep learning-enabled anti-ambient light approach for fringe projection profilometry | |
CN109557070A (zh) | 一种基于空间编码光的拉曼成像系统 | |
Smith et al. | Enhanced adaptive optics control with image to image translation | |
CN113340418A (zh) | 基于卷积神经网络的光束轨道角动量谱测量方法与系统 | |
Guo et al. | High-speed planar imaging of OH radicals in turbulent flames assisted by deep learning | |
Townsend et al. | Static compressive tracking | |
CN113758952B (zh) | 基于动量编码的x射线衍射成像装置及方法 | |
CN114964527B (zh) | 一种部分相干分数阶涡旋光束拓扑荷数测量方法及装置 | |
Ben Salah et al. | Tomographic reconstruction of 3D objects using marked point process framework | |
Fu et al. | Convolutional neural network aided chemical species tomography for dynamic temperature imaging |
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 |