CN116524278B 一种基于散斑模式的人工智能辅助锁模及脉冲分类的方法 （四川大学）

一种基于散斑模式的人工智能辅助锁模及本发明公开了一种基于散斑模式的人工智能辅助锁模及脉冲分类的方法。在NPR锁模激光器中将CCD获得的散斑图案输入训练好的神经网明在工业和学术上利用散斑图案的强度和样貌完全取代传统光谱仪和自相关仪判断是否锁模2包括非线性偏振旋转(Nonlinearpolarizationrotation,NPR)激光器的装置、散斑产生装所述各种脉冲状态的散斑采集过程是通过左右微调波片产生3种脉冲状所述利用卷积神经网络分类各种脉冲类型的过程是将采集的3个状态(以及未锁模的状态)的2000张散斑图利用旋转和平移的方法得到6000张图的数据量，然后将4000张图利用CNN网络训练，1000张图利用CNN网络测试，剩下1000张图利用CNN网络验所述人工智能辅助锁模状态判断的方法是指在调节HWP1、QWP1和QW将微调时产生的散斑图案输入训练好的神经网络进行判断直到实现锁模，然后进行第3步2.根据权利要求1所述的一种基于散斑模式的人工智能辅助锁模及脉冲分类的方法，偏振光经过QWP2后变为椭圆偏振光(椭圆偏振光是由相互垂直且强度不同的S光和P光组成的)，而当组成椭圆偏振光的两个线偏振光在光纤中传播时由于强度不同会累计不同的非3.根据权利要求1所述的一种基于散斑模式的人工智能辅助锁模及脉冲分类的方法，然后重复旋转HWP1，我们再次发现与前面角度基本一致的4快锁模区域下依然可以实现锁34.根据权利要求1所述的一种基于散斑模式的人工智能辅助锁模及脉冲分类的方法，为含有6个62像素x62像素大小的池化特征图，然后将池化特征图展平到1像素x23064像5.根据权利要求4所述的一种基于散斑模式的人工智能辅助锁模及脉冲分类的方法，卷积神经网络自动旋转实现锁模以达到自动6.一种权利要求1_5任一所述的一种基于散斑模式的人工智能辅助锁模及脉冲分类的度上完全取代了利用光谱仪和自相关仪器去判断是否锁模以及4[0003]由于不同偏振状态的解空间较小，手动控制锁模激光器达到所需状态变得困准包括脉冲计数和某些特殊参数的检测。虽然在巨大的参数空间上基于遍历算法的AML激谱仪和光谱仪)来获取反馈数据非常耗时且昂贵。而本发明利用散斑图案的强度和样貌可5[0004]本发明的发明目的是提供一种基于散斑模式的人工智能辅助锁模及脉冲分类的[0005]本发明实现其发明目的所采取的技术方法是一种基于散斑模式的人工智能辅助[0008]本发明所述各种脉冲状态的散斑采集过程是通过左右微调波片产生3种脉冲状态[0009]本发明所述利用卷积神经网络分类各种脉冲类型的过程是将采集的3个状态(单脉冲、多脉冲以及未锁模的状态)的2000张散斑图利用旋转和平移的方法得到6000张图的度同时，使用CCD探测激光通过散射介质后的散斑强度和样貌。具体方法是首先依次调节进行第3步操作，将锁模时的散斑图案再一次输入训练好的神经网络进行判断是否是单脉[0011]本发明所述NPR激光器的原理是光经过法拉第磁光旋转器后被调制成线偏振光，线偏振光经过QWP2后变为椭圆偏振光(椭圆偏振光是由相互垂直且强度不同的S光和P光组成的)，而当组成椭圆偏振光的两个线偏振光在光纤中传播时由于强度不同会累计不同的[0012]本发明锁模状态判断的方法是在输出功率与Pump功率的比值在15％以上时才开6们再次发现与前面角度基本一致的4块锁模区域斑和卷积神经网络自动旋转实现锁模以达到自动锁模的目的，并且自动判断是脉冲类型像变为含有6个62像素×62像素大小的池化特征图，然后将池化特征图展平到1像素×[0022]如图1所示为NPR实验装置宁HI1060)和0.3米的掺镱增益光纤(LEIKKI1200_4/125)组成。增益光纤在976nm处吸收系强度不同的S光和P光组成的)，而当组成椭圆偏振光的两个线偏振光在光纤中传播时由于7强度不同会累计不同的非线性相移，最终导致偏振态发生旋转且脉冲峰值处的旋转最大，[0024]将采集的3个状态(单脉冲、多脉冲以及未锁模的状态)的2000张散斑图利用旋转[0025]用人工智能辅助锁模状态判断的方法是指在调节HWP1、QWP1和QWP2的角度同时，使用CCD探测激光通过散射介质后的散斑强度和样貌。具