一种角向滤波重构神经网络的多模涡旋光束相位调控方法

本发明涉及光电，具体涉及一种角向滤波重构神经网络的多模涡旋光束相位调控方法。

背景技术：

1、携带有轨道角动量（orbital angular momentum，oam）的涡旋光束作为一种新型的激光光场，由于其oam自由度正交性所带来的高维特性，在光通信、量子信息、精密探测与光学操控等领域具有广泛的应用前景。在涡旋光场的生成方式中，纯相位调控是最简单、最直接、最常用的技术手段之一。然而，多模涡旋光束的调控相位设计复杂度高，迭代计算需求量大，难以获取标准参考相位分布，导致多模涡旋光束的相位调控在实际应用中受限。

2、近年来，神经网络等深度学习技术被应用于光学场调控，通过输入目标光场的复振幅视觉信息，直接生成用于空间光调制的纯相位图样。然而，在基于图像卷积的深度学习基本技术框架下，经过特征提取和特征融合的神经网络输出相位分布往往含有局部噪声、随机性或不连续性，像素间卷积带来的大量冗余信息没有考虑到多模涡旋光束调制相位的角向一致性，这会严重影响光束调制效率及其oam模式谱表征的准确性。

3、为了提升神经网络生成纯相位调控光栅的质量，现有方法往往需要通过大量的数据训练来提升特征图的质量，依赖卷积网络学习图像空间中的局部像素相关性，而未充分利用多模oam光束在角向分布上的物理结构特性。因此，如何在神经网络训练过程中引入符合oam物理规律的约束机制，在保证网络表达能力的同时提高调控相位的连续性和模式谱保真度，成为亟待解决的技术问题。

技术实现思路

1、有鉴于此，本发明公开了一种基于角向滤波重构的神经网络多模涡旋光束相位调控方法。

2、本发明的一种基于角向滤波重构的神经网络多模涡旋光束相位调控方法，其特征在于，包括如下步骤：s1. 获取目标多模涡旋光束对应的复振幅信息，并输入相位调控神经网络，经特征提取得到相位分布；s2. 对所述相位分布进行角向滤波，得到角向-相位序列；s3. 根据所采集的角向-相位序列进行二维相位重构，获得重构后的相位分布，并对其计算对应调制光场的轨道角动量谱；s4. 根据所述轨道角动量模式谱与目标轨道角动量模式谱确定损失函数，并依据所述损失函数更新所述神经网络参数。具体来说，获取目标多模涡旋光束对应的复振幅信息，将所述复振幅信息输入相位调控神经网络，通过相位调控光栅生成神经网络对多模涡旋光束复振幅光场进行卷积特征提取和动态加权融合得到基于视觉信息的深度学习模型输出二维相位分布。在此基础上，所述二维调控相位分布进行角向滤波处理，引入物理信息。将神经网络输出的二维相位分布由直角坐标系转换至极坐标系，在预设半径对应的圆周上沿角度方向进行相位采样，获取不同角度位置对应的相位信息，形成角度-相位序列，从而提取二维相位分布中的角向结构信息，实现基于oam角向对称性的物理先验约束。再根据所述角度-相位序列进行二维相位重构。具体地，根据角度-相位序列建立极角映射关系，对所述角度-相位序列进行插值计算，获得极坐标下的二维相位分布，并进一步依据极坐标与直角坐标之间的转换关系，将重构后的相位映射至全局二维平面，得到角向滤波重构后的调控相位分布。最后，根据所述角向滤波重构后的调控相位分布计算对应调制光场的轨道角动量模式谱，并将所述模式谱与目标轨道角动量模式谱进行比较，根据二者之间的误差构建网络训练损失函数，通过反向传播更新神经网络参数，实现多模涡旋光束调控相位的优化生成。

3、所述相位调控光栅生成神经网络由卷积特征提取模块和动态加权融合模块组成，其中，卷积提取模块由三个多层感知机构成，每个感知机的结构为一个3×3大小的卷积层连接relu激活函数后再经过一个3×3大小的卷积层，能够对输入的复振幅图像信息实现像素级的非线性特征提取；所述动态加权融合模块使用一组包含n个动态变换模块的并行分支来融合不同尺度下的特征输出，每个分支都配备了一个1×1大小的感知机，即两个1×1大小的卷积层经由relu激活函数连接组合而成，用于进行特征融合。初始化各动态变换模块的权重系数，将其随网络训练，最后将其与各尺度下的特征融合输出进行加权求和即可得到动态的特征融合结果；

4、所述角向滤波重构模块位于相位调控光栅生成神经网络后，由角向滤波和相位重构两部分组成，所述角向滤波包括：将所述相位分布转换为极坐标表示；在预设半径对应圆周上沿角度方向采集相位数据；根据采集得到的相位数据形成角度-相位序列，能够在神经网络训练中显式引入基于角向采样的滤波重构来显著提升用于监督约束的多模涡旋光束谱信息有效性。所述二维相位重构包括根据所述角度-相位序列建立极角映射关系；对所述角度-相位序列进行插值计算得到极坐标相位分布；根据极坐标与直角坐标之间的坐标映射关系获得重构后的相位分布，保留角向主特征的同时有效抑制了冗余信息。

5、本发明的有益效果包括：

6、1、本发明提供的一种角向滤波重构的神经网络多模涡旋光束相位调控方法在神经网络训练中显式引入了调控相位的角向一致性先验，是一种具有物理一致性约束的信息滤波机制，相比于现有技术，其获得的优化参数初值更有效，进而提升生成的相位调控精度。

7、2、通过角向滤波重构，即将神经网络生成的二维相位信息进行角向采样与重构，有效抑制了卷积带来的局部噪声和不连续性，通过谱测量证明其能够最大限度去除冗余信息，改善了oam模式谱初值信息的有效性。

8、3、本发明无需增加网络复杂度，即可显著提升生成光束oam模式谱精度，提高网络训练收敛速度。

1.一种基于角向滤波重构的神经网络多模涡旋光束相位调控方法，其特征在于，包括如下步骤：s1. 获取目标多模涡旋光束对应的复振幅信息，并输入相位调控神经网络，经特征提取得到相位分布；s2. 对所述相位分布进行角向滤波，得到角向-相位序列；s3. 根据所采集的角向-相位序列进行二维相位重构，获得重构后的相位分布，并对其计算对应调制光场的轨道角动量谱；s4. 根据所述轨道角动量模式谱与目标轨道角动量模式谱确定损失函数，并依据所述损失函数更新所述神经网络参数。

2.根据权利要求1所述的方法，其特征在于，所述角向滤波包括：将所述相位分布转换为极坐标表示；在预设半径对应圆周上沿角度方向采集相位数据；根据采集得到的相位数据形成角度-相位序列，能够在神经网络训练中显式引入基于角向采样的滤波重构来显著提升用于监督约束的多模涡旋光束谱信息有效性。

3.根据权利要求1所述的方法，其特征在于，所述二维相位重构包括根据所述角度-相位序列建立极角映射关系；对所述角度-相位序列进行插值计算得到极坐标相位分布；根据极坐标与直角坐标之间的坐标映射关系获得重构后的相位分布，保留角向主特征的同时有效抑制了冗余信息。