来源：期刊VIP网 时间：
作者：张尘;吕宏;王鲲鹏;刘艺柯;吴彤桥;邵睿康;黄钉劲;
单位：西安工业大学光电工程学院;
摘要：为提高结构化涡旋光束轨道角动量（OAM）的检测效率，提出结合深度学习与FPGA加速的OAM模式识别方法。利用功率谱反演法生成随机相位屏，通过空间光调制器模拟五种大气湍流环境，采集涡旋光束经过随机相位屏后的光斑数据图像，构建包含10000组样本的数据集，采用ResNet18卷积神经网络（CNN），对比分析不同湍流强度对涡旋光束OAM模式识别精度的影响，并对模型的识别性能进行全面评估，最终将训练后的ResNet18神经卷积网络模型载入可编程门阵列（FPGA）硬件平台实现OAM模式识别。结果表明：在弱、中湍流环境下的三种OAM模式识别准确率达100%，强湍流环境下的两种OAM模式识别准确率仍保持99%，相较于弱、中湍流环境下的OAM模式识别准确率略有下降。通过将CNN模型载入FPGA硬件平台，实现了耗能2.844/W、能效比2.19GOPS/W、推理时间0.58s的涡旋光束OAM模式识别。
关键词：光学测量;;涡旋光束;;轨道角动量;;大气湍流;;卷积神经网络
基金资助：陕西省自然科学基础研究计划资助项目（2024JC-YBMS-536）
