一种基于深度学习和干涉测量法的完美涡旋光束识别系统

本发明专利涉及深度学习和自由空间光通信领域，特别是一种基于深度学习和干涉测量法的完美涡旋光束识别系统。

背景技术：

1、oam(orbital angular momentum,oam，轨道角动量)在自由空间光学领域被证明具有扩大通信系统信道容量的潜力。但传统涡旋光束oam值越大，光斑直径越大，中空区域越大的这一特性使得其在光镊技术、光通信技术等领域的应用十分受限。完美涡旋光束作为一种特殊的oam光束，是一种光斑直径与oam模式值无关的涡旋光束。测量完美涡旋光束的oam模式值是将完美涡旋光应用在光通信领域的一项重要理论基础。传统涡旋光束的测量方法对完美涡旋光束并不完全适用。现有的对完美涡旋光束的oam模式值的测量方法有干涉测量法和衍射测量法。

2、然而，在真实的自由空间光通信场景中，通过空气传播的波束可能会被大气湍流所扭曲，这给oam状态的检测和决策带来了困难。为了缓解湍流引起的畸变，现有的补偿方法如自适应光学补偿方法、基于算法的补偿方法，和自对准系统方法等已被证明可以有效的恢复变形的oam模式，以提高模式的纯度，便于oam模式值的检测，但缺乏实时补偿特性限制了其应用，需要新的oam模式值识别解决方案。

3、因此，针对上述缺陷，现有技术还有待发展和改进。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于深度学习和干涉测量法的完美涡旋光束识别系统，有效利用干涉测量法将完美涡旋光束相位特征转换到光强图中，利用深度残差网络进行oam模式值的识别，有效提升了在大气湍流中完美涡旋光束oam模式值的识别准确率。

2、本发明提出的解决方法采用的技术方案为：

3、一种基于深度学习和干涉测量法的完美涡旋光束识别系统，其中，所述系统包括：

4、光束产生装置，用于将基模高斯光束通过加载在空间光调制器上的相位掩膜转换成不同模式值的完美涡旋光束，并通过大气湍流屏，经过指定距离传输得到传输后的完美涡旋光束；

5、同轴干涉装置，用于将产生的完美涡旋光束与通过光束扩展装置后的基模高斯光束进行同轴干涉，得到干涉后呈花瓣状的完美涡旋光束样本；如图3所示。

6、数据集制备装置，用于将光屏上接收的通过不同强度大气湍流的不同模式值的完美涡旋光束样本制作成可供神经网络学习训练的样本集，并将样本集划分为训练集和测试集。

7、深度残差网络训练和识别装置，用于将测试数据集输入训练好的最优深度残差网络中，求得完美涡旋光的轨道角动量模式值，并计算获得识别的准确率；

8、深度残差网络实验装置，用于对输入的测试光强样本图进行卷积运算和残差运算，实现对完美涡旋光束模式值的识别。

9、所述光束产生装置包括：用于产生基模高斯光束的激光器光源laser；设置在激光器光源后方的第一分束器bs，用于将经过准直透镜col后的基模高斯光束分成两束，其中一束用于生成完美涡旋光束，另一束用于扩展基模高斯光束并与完美涡旋光束干涉；设置在分束器后方的空间光调制器slm，用于通过空间光调制器slm上加载的不同相位掩膜生成具有不同oam模式值的完美涡旋光束；设置在空间光调制器后方的大气湍流相位加载模块at，用于模拟自由空间中的大气湍流，将不同oam模式值的完美涡旋光束转换成经过大气湍流畸变后的完美涡旋光束；设置在大气湍流相位加载模块at后方的传输模块，用于得到经过不同距离传输后的完美涡旋光束。

10、所述同轴干涉装置包括：

11、设置在分束器bs另一侧后方的光束扩展模块(l4、ph和l5组成的透镜组)，用于将分束器分束后的一束基模高斯光束进行尺寸扩展，使其束腰半径大于光束产生装置产生的完美涡旋光半径；设置在光束扩展模块后方的第二分束器bs，用于将扩展后的基模高斯光束与完美涡旋光束进行同轴干涉。

12、所述数据集制备装置包括：

13、设置在同轴干涉装置后方的采集光强图样模块ccd，用于采集同轴干涉后的花瓣状光强图样；同时在采集光强图样模块后方设置数据集制作模块，用于将采集的干涉后的花瓣状光强图样制作成可用于学习训练的数据集。

14、所述深度残差网络训练和识别装置包括：

15、设置在数据集制作模块后方的深度残差网络输入模块，用于接收数据集制作模块制作的由干涉后花瓣状光强图组成的数据集，并提取样本图像中的特征参量；设置在深度残差网络输入模块后方的深度残差网络训练模块，用于对提取的特征参量进行迭代训练，并通过识别准确率选择出最优深度残差网络模型。

16、所述深度残差网络实验装置包括：

17、用于将实验测试样本的干涉后花瓣状光强图输入训练好的深度残差网络模型的网络实验输入模块，并提取实验样本图像中的特征参量；设置在网络实验输入模块后方的网络运算模块，用于对输入的特征参量进行矩阵运算和残差运算；设置在网络运算模块后方的网络输出模块，用于输出实验测试样本图通过网络运算后的预测oam模式值。

18、与现有技术相比，本发明的有益效果为：(1)本发明将深度学习应用于完美涡旋光束的oam模式值识别中，实现识别的自动化和实时化，识别效率高，训练好的模型可以自动提取实验输出光强图中的特征，实时输出完美涡旋光束的预测oam模式值；(2)干涉测量法与深度学习识别法的有效结合，通过同轴干涉将完美涡旋光束相位中的oam模式值特征转换到光强图中，为深度学习识别oam模式值模块提供更多可训练和学习的特征，从而提高识别准确率；(3)本发明中运用的深度残差网络作为一种优化后的卷积神经网络，具有较强的特征提取能力，有效提高了强大气湍流下的识别精度。

19、本发明有效利用了干涉测量法，在产生完美涡旋光的光路中加入了干涉路径结构，以干涉后的光强图作为深度学习模型的输入，实现了对完美涡旋光的高准确率识别。

技术特征：

1.一种基于深度学习和干涉测量法的完美涡旋光束识别系统，其特征在于，所述系统包括：

2.根据权利要求1所述的一种基于深度学习和干涉测量法的完美涡旋光束识别系统，其特征在于，所述光束产生装置包括：

3.根据权利要求2所述的一种基于深度学习和干涉测量法的完美涡旋光束识别系统，其特征在于，所述同轴干涉装置包括光束扩展模块和第二分束器：

4.根据权利要求1所述的一种基于深度学习和干涉测量法的完美涡旋光束识别系统，其特征在于，所述数据集制备装置包括采集光强图样模块和数据集制作模块：采集光强图样模块，设置在同轴干涉装置后方，用于采集同轴干涉后的花瓣状光强图样；数据集制作模块，设置在采集光强图样模块后方，用于将采集的花瓣状光强图样制作成可用于学习训练的数据集。

5.根据权利要求3所述的一种基于深度学习和干涉测量法的完美涡旋光束识别系统，其特征在于，所述深度残差网络训练和识别装置包括深度残差网络输入模块和深度残差网络训练模块：设置在数据集制作模块后方的深度残差网络输入模块，用于接收数据集制作模块制作的由干涉后花瓣状光强图组成的数据集，并提取样本图像中的特征参量；设置在深度残差网络输入模块后方的深度残差网络训练模块，用于对提取的特征参量进行迭代训练，并通过识别准确率选择出最优深度残差网络模型。

6.根据权利要求3所述的一种基于深度学习和干涉测量法的完美涡旋光束识别系统，其特征在于，所述深度残差网络实验装置包括网络实验输入模块、网络运算模块和网络输出模块：用于将实验测试样本的干涉后花瓣状光强图输入训练好的深度残差网络模型的网络实验输入模块，并提取实验样本图像中的特征参量；设置在网络实验输入模块后方的网络运算模块，用于对输入的特征参量进行矩阵运算和残差运算；设置在网络运算模块后方的网络输出模块，用于输出实验测试样本图通过网络运算后的预测oam模式值。

技术总结本发明公开了一种基于深度学习和干涉测量法的完美涡旋光束识别系统。本发明包括：光束产生装置用于生成完美涡旋光；同轴干涉装置用于将完美涡旋光与基模高斯光束干涉，用于将完美涡旋光束的相位特征转换到光强图上；数据集制备装置，用于处理得到训练神经网络所需的数据集；深度残差网络训练和识别装置：用于迭代训练并将测试数据集输入训练好的深度学习模型，识别完美涡旋光在不同的湍流情况和不同的传输距离下的轨道角动量模式值，并计算获得识别准确率。本发明有效利用了干涉测量法，在产生完美涡旋光的光路中加入了干涉路径结构，以干涉后的光强图作为深度学习模型的输入，实现了对完美涡旋光的高准确率识别。技术研发人员：潘彦茜,欧军,池灏受保护的技术使用者：杭州电子科技大学技术研发日：技术公布日：2024/8/1