基于深度学习的Hermite-Gaussian光束模式分析方法研究.pdfVIP

第53卷第5期河北工业大学学报2024年10月

Vol.53No.5JOURNALOFHEBEIUNIVERSITYOFTECHNOLOGYOctober2024

文章编号：1007-2373（2024）05-0013-09DOI：10.14081/ki.hgdxb.2024.05.002

基于深度学习的Hermite-Gaussian光束模式分析方法研究

1，21，21，21，21，2

张杰辉，白振旭，安嘉硕，王雨雷，吕志伟

（1.河北工业大学电子信息工程学院，天津300401；2.河北省先进激光技术与装备重点实验室，天津300401）

摘要提出了一种基于深度学习的Hermite-Gaussian（HG）光束模式分解方案，利用仿真生成的具有多个

模式的模拟样本训练卷积神经网络，并通过训练好的模式识别网络采用迁移学习技术加速模式分解网络

的训练过程。通过单次发射的强度图像，训练后的神经网络能够对四模以内所有模式的HG光束实现高效

准确的模式分解，获取HG光束的模式振幅和相位信息。实验结果表明，该方法在不同模式数量的识别和

分解任务中均表现出较高的精度和稳定性，有望在光通信、光学成像、激光加工等领域得到广泛应用。

关键词深度学习；Hermite-Gaussian光束；模式分解；迁移学习；模式识别

中图分类号O439文献标志码A

ResearchonHermite-Gaussianbeammodalanalysismethod

basedondeeplearning

ZHANGJiehui1,2,BAIZhenxu1,2,ANJiashuo1,2,WANGYulei1,2,LÜZhiwei1,2

（1.SchoolofElectronicsandInformationEngineering,HebeiUniversityofTechnology,Tianjin300401,China;2.HebeiKey

LaboratoryofAdvancedLaserTechnologyandEquipment,Tianjin300401,China）

AbstractAdeeplearning-basedschemeisdemonstratedforthemodedecompositionofHermite-Gaussian(HG)

beams.Aconvolutionalneuralnetwork(CNN)istrainedwithsimulatedsamplesofmultiplemodes.Toexpeditethetrain⁃

ingprocess,transferlearningisemployed.ThetrainedneuralnetworkcanefficientlyandaccuratelydecomposeHG

beamsacrossfourmodesusingtheintensityimageofasingleemission,providingbothmodeamplitudeandphaseinfor⁃

mation.Experimentalresultsdemonstratethatthismethodachieveshighaccuracyandstabilityinrecognizingandde⁃

composin