利用神经网络实现多模光纤传输散斑的识别

卢顺; 谭中伟; 刘艳; 杨婧雅; 张利伟; 牛慧

doi:doi:10.3788/AOS202040.1306001

光学学报, 2020, 40 (13): 1306001, 网络出版: 2020-07-09

利用神经网络实现多模光纤传输散斑的识别下载： 946次

Realization of Recognition for Multi-Mode Optical Fiber Transmission Speckle Using Neural Network

卢顺谭中伟 ^*刘艳杨婧雅张利伟牛慧

作者单位

北京交通大学光波技术研究所全光网络与现代通信网教育部重点实验室, 北京 100044

图 & 表

图 1. 实验系统结构

Fig. 1. Structure of experimental system

下载图片查看原文

图 2. 光纤输入端的图片

Fig. 2. Pictures at input end of optical fiber

下载图片查看原文

图 3. 光纤输出端采集到的散斑图

Fig. 3. Speckle patterns collected at output end of optical fiber

下载图片查看原文

图 4. 神经网络输出的特征图

Fig. 4. Feature pictures of neural network output

下载图片查看原文

图 5. 图片卷积计算原理图

Fig. 5. Schematic of picture convolution calculation

下载图片查看原文

图 6. CNN原理图

Fig. 6. Schematic of CNN

下载图片查看原文

图 7. SVM计算原理图

Fig. 7. Schematic of SVM calculation

下载图片查看原文

图 8. SVM多分类原理图。(a)分类前;(b)分类后

Fig. 8. Schematic of SVM multi-classification. (a) Before classification; (b) after classification

下载图片查看原文

图 9. 光斑图RGB颜色像素统计直方图。(a)红色分量;(b)绿色分量;(c)蓝色分量

Fig. 9. Statistical histograms of RGB color pixels in speckle patterns. (a) Red component; (b) green component; (c) blue component

下载图片查看原文

图 10. 散斑图映射到HSV通道的色彩图。(a)HSV空间;(b)色调分量;(c)饱和度分量;(d)明度分量

Fig. 10. Color maps obtained by speckle patterns mapped to HSV channel. (a) HSV space; (b) hue component; (c) saturation component; (d) lightness component

下载图片查看原文

图 11. 神经网络结构图。(a)4层卷积;(b)3层卷积

Fig. 11. Structures of neural network. (a) Four-layer convolution; (b) three-layer convolution

下载图片查看原文

图 12. 使用SVM的神经网络结构图

Fig. 12. Neural network structure diagram using SVM

下载图片查看原文

表 1不同色彩分量输入网络时的训练性能及时间

Table1. Training performance and time of each color component when inputted into network

Content	RGB channel	HSV channel	H component	S component	V component
Accuracy /%	94.6	92	65	82	95
Time /s	164	164	125	126	126

查看原文

表 2神经网络的训练性能及时间

Table2. Training performance and time of neural networks

Number of training pictures	Neural network with convolution of three layers		Neural network with convolution of four layers		CNN+SVM		SVM
Number of training pictures	Accuracy /%	Time /s	Accuracy /%	Time /s	Accuracy /%	Time /s	Accuracy /%	Time /s
200	34	10	45	12	70	18	84	7
500	55	13	71	23	74	26	88	7
1000	64	19	83	40	77	53	96	8
2000	75	36	91	96	88	76	96	13
3500	84	53	94	120	94	121	99	18
4420	88	77	95	127	98	136	100	24

查看原文

卢顺, 谭中伟, 刘艳, 杨婧雅, 张利伟, 牛慧. 利用神经网络实现多模光纤传输散斑的识别[J]. 光学学报, 2020, 40(13): 1306001. Shun Lu, Zhongwei Tan, Yan Liu, Jingya Yang, Liwei Zhang, Hui Niu. Realization of Recognition for Multi-Mode Optical Fiber Transmission Speckle Using Neural Network[J]. Acta Optica Sinica, 2020, 40(13): 1306001.

利用神经网络实现多模光纤传输散斑的识别下载： 946次

图 1. 实验系统结构

Fig. 1. Structure of experimental system

图 2. 光纤输入端的图片

Fig. 2. Pictures at input end of optical fiber

图 3. 光纤输出端采集到的散斑图

Fig. 3. Speckle patterns collected at output end of optical fiber

图 4. 神经网络输出的特征图

Fig. 4. Feature pictures of neural network output

图 5. 图片卷积计算原理图

Fig. 5. Schematic of picture convolution calculation

图 6. CNN原理图

Fig. 6. Schematic of CNN

图 7. SVM计算原理图

Fig. 7. Schematic of SVM calculation

图 8. SVM多分类原理图。(a)分类前;(b)分类后

Fig. 8. Schematic of SVM multi-classification. (a) Before classification; (b) after classification

图 9. 光斑图RGB颜色像素统计直方图。(a)红色分量;(b)绿色分量;(c)蓝色分量

Fig. 9. Statistical histograms of RGB color pixels in speckle patterns. (a) Red component; (b) green component; (c) blue component

图 10. 散斑图映射到HSV通道的色彩图。(a)HSV空间;(b)色调分量;(c)饱和度分量;(d)明度分量

Fig. 10. Color maps obtained by speckle patterns mapped to HSV channel. (a) HSV space; (b) hue component; (c) saturation component; (d) lightness component

图 11. 神经网络结构图。(a)4层卷积;(b)3层卷积

Fig. 11. Structures of neural network. (a) Four-layer convolution; (b) three-layer convolution

图 12. 使用SVM的神经网络结构图

Fig. 12. Neural network structure diagram using SVM

表 1不同色彩分量输入网络时的训练性能及时间

Table1. Training performance and time of each color component when inputted into network

表 2神经网络的训练性能及时间

Table2. Training performance and time of neural networks

关于本站 Cookie 的使用提示

全站搜索

利用神经网络实现多模光纤传输散斑的识别 下载： 946次

图 1. 实验系统结构

Fig. 1. Structure of experimental system

图 2. 光纤输入端的图片

Fig. 2. Pictures at input end of optical fiber

图 3. 光纤输出端采集到的散斑图

Fig. 3. Speckle patterns collected at output end of optical fiber

图 4. 神经网络输出的特征图

Fig. 4. Feature pictures of neural network output

图 5. 图片卷积计算原理图

Fig. 5. Schematic of picture convolution calculation

图 6. CNN原理图

Fig. 6. Schematic of CNN

图 7. SVM计算原理图

Fig. 7. Schematic of SVM calculation

图 8. SVM多分类原理图。(a)分类前;(b)分类后

Fig. 8. Schematic of SVM multi-classification. (a) Before classification; (b) after classification

图 9. 光斑图RGB颜色像素统计直方图。(a)红色分量;(b)绿色分量;(c)蓝色分量

Fig. 9. Statistical histograms of RGB color pixels in speckle patterns. (a) Red component; (b) green component; (c) blue component

图 10. 散斑图映射到HSV通道的色彩图。(a)HSV空间;(b)色调分量;(c)饱和度分量;(d)明度分量

Fig. 10. Color maps obtained by speckle patterns mapped to HSV channel. (a) HSV space; (b) hue component; (c) saturation component; (d) lightness component

图 11. 神经网络结构图。(a)4层卷积;(b)3层卷积

Fig. 11. Structures of neural network. (a) Four-layer convolution; (b) three-layer convolution

图 12. 使用SVM的神经网络结构图

Fig. 12. Neural network structure diagram using SVM

表 1不同色彩分量输入网络时的训练性能及时间

Table1. Training performance and time of each color component when inputted into network

表 2神经网络的训练性能及时间

Table2. Training performance and time of neural networks

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

利用神经网络实现多模光纤传输散斑的识别下载： 946次