[发明专利]一种涡旋光束模态识别方法、智能终端及存储介质

权利要求书

1.一种涡旋光束模态识别方法，其特征在于，包括：

获取待识别涡旋光束的衍射图样；

将所述衍射图样输入已训练的涡旋光束模态识别模型中，通过所述涡旋光束模态识别模型得到所述待识别涡旋光束模态数；所述涡旋光束模态识别模型是基于所述衍射图样与所述涡旋光束模态数的对应关系训练而成；

所述涡旋光束模态识别模型的训练步骤包括：

获取待训练和待测试的涡旋光束衍射图样；

将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型进行迭代训练，得到初始训练的涡旋光束模态识别模型；

将所述待测试的涡旋光束衍射图样输入初始训练的涡旋光束模态识别模型中，得到所述待测试的涡旋光束的模态识别结果，并判断所述模态识别结果是否满足预设第一阈值；

若是，则得到已训练的涡旋光束模态识别模型；

所述获取待训练和待测试的涡旋光束衍射图样的步骤包括：

将激光器产生的杂偏基模高斯光转变为水平偏振的涡旋光束；

对所述水平偏振的涡旋光束进行湍流相位加载和远场衍射，得到待训练和待测试的涡旋光束衍射图样；

所述将激光器产生的杂偏基模高斯光转变为水平偏振的涡旋光束的步骤包括：

将激光器产生的杂偏基模高斯光转变为水平偏振方向的高斯光；

将所述水平偏振方向的高斯光转变为水平偏振的涡旋光束；

所述对所述水平偏振的涡旋光束进行湍流相位加载和远场衍射，得到待训练和待测试的涡旋光束衍射图样的步骤包括：

对所述水平偏振的涡旋光束进行湍流相位加载，得到相位畸变的涡旋光束；

对所述相位畸变的涡旋光束进行远场衍射，得到待训练和待测试的涡旋光束衍射图样；

所述水平偏振的涡旋光束的远场分布表示为：

其中，所述ω₀为高基光束的束腰，所述r为柱坐标系下的径向分量，所述l为OAM模式的拓扑电荷，所述θ为柱坐标系中的角向分量，所述i为虚数单位；

所述将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型进行迭代训练，得到初始训练的涡旋光束模态识别模型之前，还包括：

预先构建待训练的卷积神经网络模型，所述卷积神经模型依次包括输入层、卷积层、最大池化层、全连接层及输出层；

其中，所述输入层用于对输入的衍射图样进行处理，所述卷积层用卷积核对输入的衍射图样进行特征提取，所述池化层用于对卷积层输出的特征图进行特征压缩来提高卷积神经网络模型的泛化能力，所述全连接层将二维特征映射成一维特征并作为输出层的输入，所述输出层用于输出涡旋光束模态数的预测值。

2.根据权利要求1所述的涡旋光束模态识别方法，其特征在于，所述将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型进行迭代训练，得到初始训练的涡旋光束模态识别模型的步骤具体包括：

将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型中，经过信息前向传播过程得到涡旋光束模态数的预测值；

根据所述涡旋光束模态数的预测值和所述涡旋光束模态数的真实值得到损失值，并判断所述损失值是否小于预设第二阈值；

若否，则通过误差反向传播过程对所述卷积神经网络模型的参数进行更新直到所述损失值小于预设第二阈值，得到初始训练的涡旋光束模态识别模型。

3.根据权利要求1所述的涡旋光束模态识别方法，其特征在于，所述将所述待测试的涡旋光束衍射图样输入初始训练的涡旋光束模态识别模型中，得到所述待测试的涡旋光束的模态识别结果，并判断所述模态识别结果是否满足预设第一阈值；若是，则得到已训练的涡旋光束模态识别模型的步骤还包括：

将待测试的涡旋光束衍射图样输入初始训练的涡旋光束模态识别模型中，获取待测试的涡旋光束模态数的预测值；

将所述待测试的涡旋光束模态数的预测值与所述待测试的涡旋光束模态数的真实值进行比较，判断初始训练的涡旋光束模态识别模型的模态识别误差是否在预设第一阈值内；

若是，则将初始训练的涡旋光束模态识别模型作为已训练的涡旋光束模态识别模型。