نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده فیزیک، دانشگاه علم و صنعت ایران، تهران

چکیده

باریکه های نور فرشی (کارپت) شعاعی، نوع جدیدی از نور ساختاریافته هستند که در گروه باریکه‏‌های نوری شبه بسلی دسته‏‌بندی می‏شوند. در این مقاله، باریکۀ نور فرشی شعاعی به عنوان بستری برای انتقال اطلاعات و راهکاری برای افزایش درجات آزادی در کدگذاری اطلاعات معرفی شده است و روش شبکۀ‏ عصبی هم‌گشت به عنوان رویکرد پایه در آشکارسازی و دسته بندی این باریکه‏‌ها مورد استفاده قرار گرفته است. برای این منظور، یک مجموعۀ داده شامل 16 کلاس مختلف از مدهای فرشی شعاعی پس از انتشار در فاصلۀ 120 سانتی‌متری در شرایط تلاطم زیر آب تهیه و شبکۀ عصبی هم‌گشت مورد نظر بر پایۀ معماری معروف DenseNet-201 و با تکیه بر تکنیک انتقال یادگیری، آموزش داده شده است که نشان دهندۀ دقت 97% در آشکارسازی و دسته‌بندی 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 لینک ارتباطی زیر آب بر مبنای مدهای فرشی شعاعی مورد آزمون واقع شده است. نتایج ارزیابی، به وضوح تأیید کنندۀ امکان دستیابی به درجات آزادی جدید در کدگذاری اطلاعات بر مبنای باریکه‏‌های فرشی شعاعی و همچنین توانایی تکنیک شبکۀ عصبی هم‌گشت به عنوان روشی بهینه در آشکارسازی و دسته‌بندی باریکه‏‌های نور ساختاریافته است. این روش، دشواری‌های ناشی از به‌کارگیری اجزای اپتیکی متعدد در تکنیک‌های آشکارسازی همدوس به کمک توری‌های پراش را حذف می‏کند و علاوه بر ساده‌سازی تنظیمات سامانۀ اپتیکی، حجم و هزینۀ پیاده‌سازی را به ویژه در کاربردهای ارتباط نوری کاهش می‏دهد.

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
  • Mohammad Reza Jafarfard

Physics Department, Iran University of Science and Technology, Tehran, 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 of  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
  1. Y Ren et al., Lett. 39 (2014) 2845.
  2. A Forbes, Laser & Photonics Reviews 13 (2019) 1900140.
  3. G Gbur and R K Tyson, JOSA A 25 (2008) 225.
  4. S A Arpali and Y K Baykal, PIERS Online 5 (2009) 633.
  5. J Wang and Y Liang, Phys. 9 (2021) 688284.
  6. T Lei, M Zhang, Y Li, P Jia, G N Liu, X Xu, Z Li, C Min, J Lin, C Yu, and H Niu, Light Sci. Appl. 4 (2015) e257.
  7. A Trichili, C B Issaid, B S Ooi, and M S Alouini, IEEE Internet of Things Journal 7 (2020) 10038.
  8. M Krenn et al., Proceedings of the National Academy of Sciences 113 (2016) 13648.
  9. Z Wang, M Chen, M Wan, J Ren, and J Ding, Commun. 534 (2023) 129316.
  10. D Hebri and S Rasouli, Rev. A 98 (2018) 043826.
  11. S Rasouli, A M Khazaei, and D Hebri, Physical Review A 97 (2018) 033844.
  12. N Gong, F Xu, J Yang, Y Shi, Y Qian, and Z Ren, Results Phys. 39 (2022) 105698.
  13. S Rasouli and A M Khazaei, Rep. 9 (2019) 12472.

تحت نظارت وف ایرانی