一种基于干涉图像机器学习的激光模式识别方法

本发明属于激光，涉及一种基于干涉图像机器学习的激光模式识别方法，该方法可以应用于各种激光器的工作状态识别。

背景技术：

1、激光作为一种重要的光源，在许多领域中得到了广泛应用，如通信、光纤传感、医学诊断、高精度测量等。激光器工作在单纵模状态时的高稳定输出和窄光谱宽度在需要精确控制的应用中具有重要意义。评估激光单纵模状态方法传统有两种：方便的方法是直接使用光谱分析仪。不过这样需要引入高指标的测量仪器，只适合用于实验、测试等场景，在需要大量应用的场合，从成本和效率的角度无法实现每个需要确认激光模式的都进行直接测量。另一种常用方法是结合使用扫描干涉仪、光电探测电路和示波器。扫描干涉仪基本原理是两个曲率半径相同的凹面镜组成的共焦腔，通过压电传感器来调节腔长，进而调节峰值频率，使激光能够在某个腔长下能通过干涉仪，被其后的光电探测器探测到，然后产生电信号在示波器上进行显示出来。但这个传统方法需要对示波器上的显示进行判读来分辨输入激光的模式状态，没有直接结果来方便地用于后续的控制和处理。

技术实现思路

1、针对现有技术的上述不足，本发明提供了一种基于干涉图像机器学习的激光模式识别方法，使用机器学习算法处理激光干涉图像数据，通过实际采样数据进行特征提取，训练后生成分类模型，可以有效地评估激光器工作在单纵模状态还是多纵模状态。本发明对激光模式分类具有较高的准确性和可靠性，可以应用在需要单纵模激光光束的精密光谱应用中，尤其适用于在线调节激光器并无法进行人工识别激光的模式状态的情况。

2、本发明的技术方案如下：

3、1)获取干涉图像；

4、1-1)使用干涉装置使激光器发出的激光产生干涉，使用两个预设有角度的反射平面，其中前表面是部分反射，后表面是全反射，两个反射光束叠加产生干涉条纹；

5、1-2)用线列ccd或coms探测器在水平方向上采集干涉条纹，得到干涉条纹一维数字图像；

6、2)采集训练用原始数据；

7、2-1)调整激光器的工作参数，记录激光器发出激光束状态，所述状态为单纵模或多纵模，并同时采集激光的干涉条纹一维数字图像；

8、3)提取频域特征；

9、3-1)对干涉条纹一维数字图像数据进行快速傅里叶变换，得到其幅度谱；

10、3-2)计算各组数据幅度谱的特征量，所述特征量包括：

11、max_value：幅值的最大值；

12、main_freq：幅值最大值所对应的空间频率值；

13、fwhm：幅值最大值所对应的空间频率半高宽；

14、power：所有频率幅值绝对值的总和；

15、ratio：max_value/(power-max_value)，即最大幅值在总能量中的占比；

16、4)构建机器学习分类模型；

17、4-1)使用支持向量机(supportvectormachine,svm)机器学习算法作为对激光模式状态进行分类的算法；

18、4-2)用各组特征量和对应的激光束是单纵模还是多纵模标签作为训练样本集合训练svm，svm采用线性核函数，并对输入特征进行归一化处理，训练得到针对所用激光器的激光束模式状态分类模型；

19、5)评价分类效果；

20、5-1)采集不同工作情况下激光器发出激光的干涉条纹一维数字图像，并同时记录激光束状态，作为测试分类效果用的原始图像数据；

21、5-2)提取测试用干涉条纹图像的频域特征量后输入到训练好的分类模型，得到激光模式的识别结果；

22、5-3)评估分类效果的指标包括：

23、准确率(accuracy)：分类正确的样本数/总样本数；

24、精确率(precision)：正确分类的正样本数/所有被分类为正样本的样本数；

25、召回率(recall)：正确分类的正样本数/所有实际为正样本的样本数；

26、f1值(f1-score)：2*(精确率*召回率)/(精确率+召回率)，f1值是精确率和召回率的调和平均值，用于衡量分类器的综合效果。

27、与现有技术相比，基于干涉图像机器学习的激光模式识别方法具有以下优点：

28、一、与直接使用光谱分析仪方法相比，本方法使用的是通用的光学楔和线列照相机，成本较低，多处大量使用更为经济。

29、二、与扫描干涉仪、光电探测电路和示波器传统方法相比，本方法利用了计算机技术的发展，结合了数字图像技术、信号处理技术和机器学习技术，在计算机上运行的识别模型可以直接输出激光模式识别结果，无需人工干预，更适合于在线自动处理。

30、三、本方法采集了激光器本身不同工作情况下的实际激光干涉条纹数据作为训练识别模型的样本，因此本方法可以用于任何激光器个体而不需要作调整或适配，具有很好的通用性。

31、综上，本方法基于机器学习算法，可以有效地评估激光器工作在单纵模状态还是多纵模状态，尤其适用于需要在线调节激光器并进行自动识别激光模式状态的情况。

技术特征：

1.一种基于干涉图像机器学习的激光模式识别方法，其特征在于，所述方法包含以下步骤：

技术总结本发明公开了一种基于干涉图像机器学习的激光模式识别方法。本方法使用机器学习算法处理激光干涉图像数据，通过实际采样数据进行特征提取，训练后生成分类模型，可以有效地评估激光器工作在单纵模状态还是多纵模状态。本发明对激光模式分类具有较高的准确性和可靠性，可以应用在需要单纵模激光光束的精密光谱应用中，尤其适用于在线调节激光器并进行自动识别激光模式状态的情况。技术研发人员：杨帆,周建斌,鄢朋朋,邱晓庆,郑洪波,涂步华受保护的技术使用者：中国科学院上海技术物理研究所技术研发日：技术公布日：2024/9/26