نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه علم و صنعت ایران

2 هییت علمی دانشکده فیزیک علم و صنعت ایران

چکیده

باریکه های نور کارپت شعاعی، نوع جدیدی از نور ساختاریافته هستند که در گروه باریکه‏ های نوری شبه بسلی دسته‏ بندی می‏ شوند. در این مقاله، باریکه نور کارپت شعاعی به عنوان بستری برای انتقال اطلاعات و راهکاری برای افزایش درجات آزادی در کدگذاری اطلاعات معرفی شده است و روش شبکه‏ عصبی پیچشی به عنوان رویکرد پایه در آشکارسازی و دسته بندی این باریکه‏ ها مورد استفاده قرار گرفته است. برای این منظور، یک مجموعه داده شامل 16 رسته مختلف از مدهای کارپت شعاعی پس از انتشار در فاصله 120 سانتیمتری در شرایط تلاطم زیر آب تهیه و شبکه عصبی پیچشی مورد نظر بر پایه معماری معروف DenseNet-201 و با تکیه بر روش انتقال یادگیری، آموزش داده شده است که نشان دهنده دقت 97% در آشکارسازی و دسته بندی مدها است. سپس، عملکرد مدل مذکور، از طریق ارسال و دریافت یک نمونه تصویر خاکستری 4 بیتی با ابعاد 150×200 پیکسل از طریق یک مسیر ارتباطی زیر آب بر مبنای مدهای کارپت شعاعی مورد آزمون واقع شده است. نتایج ارزیابی، به وضوح تأیید کننده امکان دستیابی به درجات آزادی جدید در کدگذاری اطلاعات بر مبنای باریکه ‏های کارپت شعاعی و همچنین توانایی روش شبکه عصبی پیچشی به عنوان رویکردی بهینه در آشکارسازی و دسته بندی باریکه‏ های نور ساختاریافته است. این روش، دشواری های ناشی از به کارگیری عناصر و قطعات نوری متعدد در روش های آشکارسازی همدوس به کمک توری های پراش را حذف می‏ کند و علاوه بر ساده سازی تنظیمات سامانه اپتیکی، حجم و هزینه پیاده سازی را به ویژه در کاربردهای ارتباط نوری کاهش می‏ دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Encoding and transmission of information based on Radial Carpet beams and convolutional neural network detection

نویسندگان [English]

  • Mahdi Khodadadi Karahroudi 1
  • Mohammad Reza Jafarfard 2

1 Iran University of Science and Technology

2 Assistant professor/physics dep/IUST Iran

چکیده [English]

Radial carpet beams are a novel form of structured light that falls under the category of combined half-integer Bessel-like beams. This study introduces the radial carpet beam as a means of information transmission and a solution for expanding the information encoding freedoms. The method employed for detecting and classifying these beams is the convolutional neural network (CNN). To conduct the study, a dataset consisting of 16 different classes of radial carpet modes was prepared. These modes were propagated through underwater turbulence conditions over a distance of 120 cm. The convolutional neural network used in the study was based on the widely recognized DenseNet-201 architecture, utilizing transfer learning techniques. The trained model achieved a 97% accuracy in mode detection and classification. Subsequently, the performance of the proposed model was evaluated by transmitting and receiving a 4-bit grayscale image measuring 150 x 200 pixels through an underwater communication link based on radial carpet modes. The evaluation results clearly demonstrate the potential for achieving new encoding options with radial carpet beams. Moreover, the convolutional neural network method proves to be an optimal approach for detecting and classifying structured light beams. This method alleviates the challenges associated with using multiple optical components in coherent detection techniques, which traditionally rely on diffraction gratings. In addition to simplifying optical system configuration, it also reduces implementation costs and volume, particularly in optical communication applications.

کلیدواژه‌ها [English]

  • Structured light
  • Convolutional Neural Network (CNN)
  • Optical Communication
  • Inhomogeneous optical detection

تحت نظارت وف ایرانی