深度学习实现光纤光束超快且精确的 M^2 评价
图像与视频处理
2019-07-16 v2 光学
摘要
据我们所知，我们首次引入深度学习技术来预测少模光纤出射激光光束的束传播因子 M^2。深度卷积神经网络（CNN）以模拟近场光束图样及其计算的 M^2 值配对数据训练，旨在学习从前者到后者的快速且精确的映射。训练好的深度 CNN 随后可用于从单张光束图样评价光纤光束的 M^2。模拟测试样本的结果表明，即使光纤中涉及多达 10 个本征模，我们的方案也能实现小于 2% 的平均预测误差。当输入光束图样加入强噪声时，误差略增但仍小于 2.5%，进一步证明了我们方法的准确性与鲁棒性。此外，对准备好的光束图样进行一次前向传播，M^2 估计仅耗时约 5 ms，可借助单一 Charge-Coupled Device（CCD）用于实时 M^2 测定。实验结果进一步证明了我们方案的可行性。而且，只要有充足的训练样本，我们提出的方法可自信地推广到其他类型光束。深度学习为以极低的实验代价实现超快且精确的 M^2 评价铺平了道路。
引用
@article{arxiv.1904.11983,
title = {Deep learning enabled superfast and accurate M^2 evaluation for fiber beams},
author = {Yi An and Jun Li and Liangjin Huang and Jinyong Leng and Lijia Yang and Pu Zhou},
journal= {arXiv preprint arXiv:1904.11983},
year = {2019}
}
备注
12 pages, 10 figures