結構光將先進的圖像處理與機器學習相結合，在創(chuàng)新實驗中實現(xiàn)了高數(shù)據容量和準確性，從而增強了信息傳輸能力。

結構光通過整合多自由度的空間維度，具有極大提高信息容量的潛力。最近，結構光模式與圖像處理和人工智能的融合已在通信和檢測等領域展現(xiàn)出強大的發(fā)展?jié)摿Α?/p>

結構光場最顯著的特征之一是其振幅信息的二維和三維分布。這一特點不僅能與成熟的圖像處理技術有效結合，還能借助當前推動深刻變革的機器學習技術實現(xiàn)跨媒介信息傳輸�；�于相干疊加態(tài)的復雜結構光場可以攜帶豐富的空間振幅信息。通過進一步結合空間非線性轉換，可以實現(xiàn)信息容量的顯著提升。

結構光技術通過空間維度和機器智能得到增強，促進了信息傳輸和檢測。

北京理工大學的Zilong Zhang和南洋理工大學的Yijie Shen及其團隊成員提出了一種基于復模相干疊加態(tài)及其空間非線性轉換的增強信息容量的新方法。通過整合機器視覺和深度學習技術，他們實現(xiàn)了低誤碼率的大角度點對多點信息傳輸。

在該模型中，高斯光束通過空間光調制器獲得結構光的空間非線性轉換（SNC）。卷積神經網絡（CNN）用于識別光束的強度分布。通過比較基本疊加模式和 SNC 模式，可以發(fā)現(xiàn)隨著基本模式的組成特征模式階數(shù)的增加，HG 疊加模式的編碼能力明顯優(yōu)于 LG 模式，空間結構非線性轉換后的模式編碼能力可以得到顯著提高。

驗證編碼和解碼性能

為了驗證基于上述模式的編碼和解碼性能，我們傳輸了一幅 50×50 像素的彩色圖像。圖像的 RGB 維度被分為 5 個色度等級，共包含 125 種色度信息，每種信息由 125 個 HG 相干疊加態(tài)編碼。此外，還通過 DMD 空間光調制器將大氣湍流造成的不同程度的相位抖動加載到這 125 種模式上，并利用深度學習技術進行訓練，形成數(shù)據集。

非線性轉換產生的復雜結構光具有更高的信息容量

進一步利用非線性轉換，實現(xiàn)了對更高容量解碼效果的分析，其中選擇了 530 個 SNC 模式，通過卷積神經網絡對這些模式的混淆矩陣進行實驗測量，如圖 2 所示。實驗結果表明，由于結構特征更加明顯，SNC 模式在顯著提高數(shù)據容量的同時，仍能確保類似的低誤碼率，數(shù)據識別準確率高達 99.5%。此外，實驗還驗證了機器視覺在漫反射條件下的模式識別能力，實現(xiàn)了多臺接收攝像機同時進行高精度解碼，觀察角度可達 70°。

論文鏈接：https://doi.org/10.1002/lpor.202470039