首页 > 资讯 > 消息正文

具有深度学习网络的多模光纤传输

发布:laserline    |    2018-10-08 16:50    阅读:428
分享:
      

多模光纤(MMF)是高散射介质的一个例子,它对在其中传播的相干光进行加扰产生看似随机的图案,称为斑点。尽管看似随机性,但由输入模式、通过MMF传播和探测器组成的系统表现得具有确定性。许多研究已经表明,通过MMF可以进行图像传输或成像,例如,通过模拟相位共轭、数字迭代方法,数字相位共轭或实验测量每个输入模式对应的输出模式的幅度和相位,以构造复数矩阵,将输入传递到输出。因此,对于诸如通过MMF的成像和图像投影的应用,需要仔细测量光纤的输入和输出之间的关系。该实验需要将外部参考光束带到光纤的输出端以产生干涉图案,从该干涉图案可以提取复杂的光场(幅度和相位)。需要仔细的相位跟踪来校正相位漂移,这进一步使实现复杂化。

图1幅度——幅度反演。当用手写拉丁字母表训练CNN时,神经网络在从输出幅度散斑图案重建输入幅度时的性能。使用系统的传输矩阵获得每个字母图像的散斑图案。计算训练/校验数据集(a)均方方差和(b)二维相关;(c)散斑图案的输出幅度和通过CNN重建的光纤输入幅度图案的示例,每个重建图像相对于其相应灰度标签的保真度数被示出。

图2 迁移学习。当用手写拉丁字母训练CNN时,神经网络在迁移学习中从输出幅度散斑图重构输入幅度/相位的性能。a重建的幅度输入模式和b重建的数字图像的相位输入模式。c其他图像的重建幅度输入模式的示例。

作为概念验证,瑞士洛桑联邦理工学院的科学家演示了深度神经网络可以在0.75米长的MMF中学习输入——输出关系。具体地,作者证明深度卷积神经网络(CNN)可以学习在光纤输出处获得的散斑图案的幅度(相位信息丢失)与光纤输入处的相位或幅度之间的非线性关系。实际上,网络执行非线性反演任务。与利用以复杂测量矩阵为特征的系统传输知识恢复的图像相比,MMF中最终获得了重建图像保真度(相关性)高达~98%和图像投影保真度高达~94%的效果。此外,进一步表明,网络可以被训练用于迁移学习,即它可以通过MMF传输图像,MMF属于另一个不用于训练/测试的类。相关内容以《Multimode optical fiber transmission with a deep learning network》为标题,发表在《Light: Science & Applications》杂志上。

图3 通过光纤传输光的实验装置的示意图。由SLM创建的图案通过MMF输入处的中继系统(镜头L1和物镜OBJ1)成像。相同的中继系统(OBJ2和L2)放大通过光纤传输的图像并将其投影到摄像机平面上。

来源: Light: Science & Applications

本文受译者委托,享有该文的专有出版权,其他出版单位或网站如需转载,请与本站联系,联系email::mail#opticsjournal.net。(为防止垃圾邮件,请将#换为@)否则,本站将保留进一步采取法律手段的权利。

免责声明

网站内容来源于互联网、原创,由网络编辑负责审查,目的在于传递信息,提供专业服务,不代表本网站及新媒体平台赞同其观点和对其真实性负责。如对文、图等版权问题存在异议的,请于20个工作日内与我们取得联系,我们将协调给予处理(按照法规支付稿费或删除),联系方式:021-69918579。网站及新媒体平台将加强监控与审核,一旦发现违反规定的内容,按国家法规处理,处理时间不超过24小时。最终解释权归《中国激光》杂志社所有。