结构光场由于其空间维度与多自由度的耦合能够实现信息容量的大幅提升。近年来，结构光场与图像信息和机器智能相结合在通信、探测等领域展现出了蓬勃的发展潜力。

结构光场最显著的特征为其振幅信息的二维及三维分布，该特征能够与发展成熟的图像处理技术有效融合，还可进一步借助目前正在引发深刻变革的机器学习技术实现信息的跨介质传输。基于相干叠加态的复杂结构光场能够携带丰富的空间振幅信息，进一步结合空间非线性变换能够实现信息量的显著提升。

北理工6163银河net163am光电子技术研究所的张子龙长聘副教授和赵长明教授及其团队成员提出了基于复杂模式相干叠加态及其空间非线性变换的信息容量提升新方法，并结合机器视觉与深度学习技术实现了低误码率的大角度一对多信息传输。研究工作还联合了新加坡南洋理工大学的Yijie Shen教授团队。

以下为相关研究成果展示：

图1 非线性变换的复杂结构光场具有更高的信息容量。

在该模型中，利用高斯光束通过空间光调制器获得结构光的空间非线性（SNC）转换。卷积神经网络（CNN）被用来识别光束的强度分布。通过比较基础叠加态模式和SNC模式，可以看出，随着组成基础模式的本征模式阶数的增加，HG叠加态模式的编码能力明显优于LG模式，且空间结构非线性转换后的模式编码容量能够显著提高。

图2 结合深度学习能够实现数据在大气湍流条件下的低误码率传输。

为了验证基于以上模型的编-解码性能，实验传输了50×50像素的彩色图像。图像的三色维度RGB分别被分为5个色度级，共构成125种色度信息，分别由125种HG模式相干叠加态进行编码。同时，还将大气湍流带来的不同程度的相位抖动通过DMD空间光调制器一并加载至这125种模式上，并通过深度学习技术加以训练形成数据集。图2 I~IV分别为原始图像、接收图像、误差分布（用黄色方块标记）和对应的串扰矩阵。

图3 实验实现非线性变换结构光场准确生成与高精度识别。

进一步采用非线性变换模式开展更高容量的解码效果分析，选取了530种SNC模式来实验测量卷积神经网络对这些模式的混淆矩阵，实验结果表明，SNC模式由于更为明显的结构特征能够在大幅提升数据容量后依然保证同样低的误码率，数据识别正确率可达99.5%。此外，实验还验证了在漫反射条件下的机器视觉模式识别能力，能够同时实现多台接收相机的同时高精度解码，相机的观测角度能够高达70°。

相关研究工作发表于光电子学领域著名期刊Laser & Photonics Reviews第18卷第6期上，并被选为Back Cover文章。

图4 论文被选为Laser Photon. Rev. 期刊第18卷第6期的Back Cover文章。

文章链接如下：

https://onlinelibrary.wiley.com/doi/10.1002/lpor.202470039