利用神经网络实现多模光纤传输散斑的识别

发布时间：2021-09-29 00:55

　　搭建实验平台,把26个字母的图像传入光纤,并在输出端采集散斑图。把散斑图展开到HSV色彩空间中,单使用V分量进行分类能达到不错的分类准确率,且能缩减训练时长。在预处理后,分别使用具有不同层数卷积结构的神经网络、卷积神经网络和支持向量机（CNN+SVM）算法、SVM算法对散斑图进行分类。测试结果发现,使用4420张散斑图作为训练集,3层卷积结构的神经网络的识别准确率为88%,4层卷积结构的神经网络的识别准确率为95%,CNN+SVM算法的识别准确率为98%,而SVM算法的识别准确率达到了100%。实验结果表明,把机器学习算法应用在光信号上,同样可以对多模光纤散斑图进行分类,当图像特征相对明显时,直接使用SVM算法对光纤输出散斑进行识别,可以大大提升多模光纤输出散斑图的识别准确率。 

【文章来源】：光学学报. 2020,40(13)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

实验系统结构

CNN是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一[8],可以对输入图像信号进行特征提取,图4为CNN提取到的不同多模光纤输出散斑的特征。CNN由卷积层、池化层、全连接层构成,图5为一次卷积操作的过程。输入端输入一张大小为64×64的图片和5×5×n的卷积核,其中5×5是卷积核的大小,n为卷积核的个数,为保证卷积后图片大小不变,在卷积前加入Padding层对图片进行补0操作。卷积后图片大小的计算公式为图3 光纤输出端采集到的散斑图

光纤输出端采集到的散斑图


本文编号：3412879