基于卷积神经网络的大气中光路气流扰动实验研究 下载: 1375次
1 引言
气流扰动对空间光通信和激光测距等都会产生严重的影响[1-5] ,因此对气流扰动的实时检测具有重要价值。气流扰动表现为多种形式,本文主要研究对风速的监测。传统方法采用风速仪测量风速,即利用风吹动叶片旋转来测量。这种方法需要将风速仪放置在风场中,且风速仪测量速度较慢,使用限制较大。另一种方法是采用激光雷达技术对风速进行测量,通过风场对返回光束信号的扰动计算风速等信息[6-10]。但这种技术需要较高的硬件成本和较复杂的后端处理。还有基于闪烁法进行测量等方法[11]。低成本、无接触、快速的测量方法对气流扰动监测具有重要意义。王钰茹等[12]和张少迪等[13]采用图像处理的方式,通过对激光光斑畸变的分析表征气流扰动,激光在空气中传播,由于气流扰动,接收端光屏上光斑发生畸变,通过对这种光斑畸变的研究,分析光束传播路径上的气流扰动情况。该方案相比风速仪具有测量距离远的特点,相比激光雷达测风的方案具有后端处理简单、成本低的特点。然而,已有报道主要采用光斑质心分析方法,即通过分析光斑质心在一段时间内的变化来表征光路中的气流扰动。实际上,光斑作为二维图像具有非常丰富的特征,其畸变也远不止质心移动一种。因此,如果能进一步挖掘光斑畸变中的信息,有望实现一种性能更佳的气流扰动表征方法。
本文提出了一种基于激光光斑畸变和卷积神经网络(CNN)技术实现对光路上气流扰动的检测方法。将激光器光束发射到空气中,通过CNN技术对接收端光斑畸变与光路中的气流扰动信息进行学习,建立两者之间的映射关系,从而可以根据光斑图案,快速得到光路中的气流扰动信息。实验表明,通过CNN输出的评估参数与光路中的气流扰动(风速)具有强相关,可以很好地反映扰动强弱。并且光斑畸变与扰动在光路中的发生位置也具有相关性,在后续研究中有望实现对气流扰动强度和位置的同时表征。
2 基本原理
2.1 实验原理及装置
空气中的光束受复杂气流的影响表现为接收端的光斑漂移和光斑闪烁[14]。湍流对光束的扰动主要有两种形式:当空间传播的光束直径
图 1. 受湍流影响的空间光光束示意图。(a) D?L;(b) D?L
Fig. 1. Schematic of space beam affected by turbulence. (a) D?L; (b) D?L
湍流较强时,可用接收端的光斑漂移程度衡量湍流强度。常用的方法是通过光斑质心位置描述光斑漂移,进而表征湍流强弱。假设光斑的质心在水平方向上的漂移
基于光斑质心偏移估计湍流强弱的原理是基于理想条件下Kolmogorov湍流中光束的传输,整体漂移方差为[16]
式中:
实验整体思路如
图 2. 基于光斑畸变和CNN模型的湍流研究原理图
Fig. 2. Schematic of turbulence analysis based on spot distortion and CNN model
实验装置如
采用Matlab对图像进行预处理,随后采用开源的CNN Tensorflow库对数据集进行训练和测试。相比于质心法,这种方法充分利用了图像整体信息,可以同时提取图像质心的漂移特征、闪烁特征和其他潜在特征(如环状的干涉条纹),因此能够通过图像整体的畸变描述气流对光束传播的影响。
表 1. CNN方法与传统质心法的比较
Table 1. Comparison between CNN-based method and traditional gravity center-based method
|
将绿光激光器安装在一个三维调架上,可以实现任意角度转向。激光光束的发散角约为125 μrad,采用多模光束。多模光束的光斑具有更多的明暗变化,可以提供更丰富的图像信息。
接收端的白屏尺寸约为10 cm×10 cm,CCD相机为300万像素,镜头通光孔径为12 mm。CCD相机镜头到白屏的距离约为12 cm,预先手动调节焦距至最清晰。白屏采用玻璃板上覆盖具有一定透光性的白纸制成。CCD相机由Labview通过网口进行程序控制,采样图片存到本地。为了定量分析气流对光束传播的影响,本实验在环境气流扰动较弱的条件下,采用风扇在光束传播路径上的不同位置施加扰动,风扇的风速可调,并采用商用风速仪标定。
图 5. 光束受到气流扰动时的远场光斑图案演化,对应风速大小为(a)小于5 km/h;(b)约10 km/h;(c)约15 km/h;(d)大于20 km/h
Fig. 5. Far-field spot evolution when the beam propagation is affected by the turbulence. Corresponding wind speed: (a) below 5 km/h; (b) near 10 km/h; (c) near 15 km/h; (d) over 20 km/h
2.2 光斑图像预处理
在将CCD采集到的光斑图像数据进行CNN处理前,需要对图像进行预处理。预处理主要包括:减小图像背景占比和图像压缩。
由CCD采集到的原始光斑图像具有较大的黑色背景区域,这些区域会对后续的CNN训练造成干扰,并占据额外的图像存储空间。因此,需要去除这部分黑色背景。笔者采用的是基于阈值分割的方法[17]。
图 6. 基于阈值的图像主要部分提取流程。(a)原图;(b)灰度图;(c)二值轮廓图;(d)原图边界确定;(e)背景裁剪后的图像
Fig. 6. Extraction process of main part of the image based on threshold. (a) Original image; (b) gray-scale image; (c) binary image; (d) image border; (e) image after background removed
图像预处理的另一个内容是图像缩小。CNN计算中,计算开销正比于单个数据量的平方[19],减小图像尺寸可以有效提高计算速度。另一方面,减小图像(对图像降采样)会丢失图像信息,过小的图像会导致训练结果不佳。在尝试了64 pixel×64 pixel、32 pixel×32 pixel和16 pixel×16 pixel等多种图像尺寸后,最终选择32 pixel×32 pixel 的图像尺寸,以兼顾训练速度和训练效果。图像压缩直接采用线性的降采样处理。
图 7. 压缩到32 pixel×32 pixel的光斑图案。(a)弱湍流;(b)强湍流
Fig. 7. Beam spot patterns compressed to 32 pixel×32 pixel. (a) Weak turbulence; (b) strong turbulence
2.3 基于Tensorflow的湍流分析
对光斑图像进行预处理后,采用CNN进行进一步处理,采用Tensorflow[20]作为平台。Tensorflow是一款开源的人工智能学习系统,基于CNN技术[21],由谷歌于2015年发布。图像识别方面,输入图像的维度较大,且需要对大量图片进行训练,尤其对于研究湍流影响的图片,由于湍流本身较为复杂,手动提取图片特征尤为困难。传统的机器学习方法如支持向量机(SVM)[22]只能进行低维度的信号分析[23]。作为对比,CNN含多隐层,通过卷积最大化提取图的信息,在计算收敛的情况下表现较好。但CNN的模型结构一般较为复杂,使用C++编程开发效率较低。而利用Tensorflow平台,科研工作者可以使用Python语言(Keras接口)高效率地开发,只需提供数据、指定所用库函数和节点,而大部分的内核还是用C++编写,确保了程序运行速度[24]。
对本文采用的CNN处理流程进行描述。模型流程如
更进一步地,定义
3 实验过程与结果分析
3.1 实验过程
为了验证本模型对光斑图像数据处理的稳健性,训练集和测试集图片来自不同的测试日期,相对独立。训练集共8组2000余张图片,以一个月为间隔,共采集3次。每次实验以5 s为间隔进行光斑图像记录,连续采集约1 h。测试集图片共3组2272张图片,在训练集测试完成后的一个月后测试,每组采集时间间隔约为一周。风扇位于光束发送端。风扇放置在光束路径其他位置的实验结果将在后续讨论中陈述。
在训练过程中,定义一个光斑图的评估系数
式中:
3.2 过拟合分析
完成训练后,首先需要验证训练得到分类空间无过拟合的情况[26],即中等湍流扰动强度下的光斑图案不应被计算出过高或过低的
将3种不同扰动强度的光斑输入训练后的CNN,根据输出的评估值
将
图 9. 弱湍流,强湍流,及中等强度湍流扰动下的光斑及三维能量分布。(a)(b)(c)光斑;(d)(e)(f)三维能量分布
Fig. 9. Light spot pattern and three-dimensional energy distribution under weak turbulence, strong turbulence, and moderate-intensity turbulence disturbances. (a)(b)(c) Light spot; (d)(e)(f) three-dimensional energy distribution
随后,用500组新的光斑图案数据对该网络进行了验证。如
图 10. 连续测量的约500组光斑图案数据的评估情况。(a) 0~500 s;(b) 0~40 s
Fig. 10. Evaluation of near 500 continuously measured beam spot image data. (a) 0-500 s; (b) 0-40 s
3.3 气象数据以及模型计算结果比对
验证模型为非过拟合后,即可利用训练的CNN通过对光斑畸变的识别研究气流扰动特性。如前所述,采用风扇对光束传播进行人为扰动,模拟局部气流扰动信息,风扇放置在靠近发送端的位置。风扇产生的风速采用商用风速仪标定。测试结果如
式中:
图 11. 风速仪数据与CNN模型计算结果对比。(a)风速仪测量风速每16 s平均值与最大值比较;(b) CNN模型结果计算值P2 16 s平滑前后
Fig. 11. Comparisons between anemometer data and CNN model calculation results. (a) Comparison of the average and maximum wind velocity data from the anemometer every 16 s; (b) calculated values of CNN model results before and after 16 s smoothing
为进一步验证技术的可行性,对另外两次测量结果进行了比较,如
此外可以发现,当风速达到一定强度时,评估参数
图 12. 两测量风速和评估值P2的比较。(a) 2018年9月18日;(b) 2018年9月22日
Fig. 12. Comparison between wind speed and evaluation value P2. (a) On 18th September, 2018; (b) on 22nd September, 2018
3.4 扰动位置分析
以上分析中,风扇放置在靠近激光器发射端的位置,显然,当风扇放置在不同位置时,气流扰动对光斑的畸变有差别。比较扰动加在光路的不同位置时光斑的畸变情况。整条光路长度为100 m,风扇分别放置在距离激光发射端0,33,67,100 m处,施加的风速约为20 km/h,即强扰动。
图 13. 强扰动下不同扰动位置处的评估值P2
Fig. 13. Evaluation value P2 when strong turbulence is applied at different locations
此外,需要说明的是,本文CNN模型主要针对强扰动的情况进行训练,和光斑图像一起输入CNN模型训练的评估系数
4 结论
利用CNN技术,通过对激光光斑畸变的分析,实现了对光路中气流扰动的估计。采用Tensorflow深度学习模型,通过定义光斑畸变评估参数
[12] 王钰茹, 梅海平. 湍流大气折返路径成像光斑与光强起伏实验研究[J]. 大气与环境光学学报, 2018, 13(4): 241-249.
[13] 张少迪, 孙宏海. 远距离激光光斑位置高精度测量方法[J]. 中国激光, 2012, 39(7): 0708003.
[14] 黄健, 张鹏, 邓科, 等. 星地相干激光通信中的自适应光学系统边界参数设计[J]. 光学精密工程, 2014, 22(5): 1204-1211.
[15] Andrews LC, Phillips RL. Laser beam propagation through random media[M]. Bellingham: SPIE, 2005.
[16] 付强, 姜会林, 王晓曼. 激光在大气中传输特性的仿真研究[J]. 空军工程大学学报(自然科学版), 2011, 12(2): 57-61, 80.
[20] AbadiM, BarhamP, ChenJ, et al. TensorFlow: a system for large-scale machine learning[C]// 12th USENIX Conference on Operating Systems Design and Implementation, November 2-4, 2016, Savannah, GA, USA. CA, USA: USENIX Association Berkeley, 2016, 16: 265- 283.
[21] KrizhevskyA, SutskeverI, Hinton GE. ImageNet classification with deep convolutional neural networks[C]//25th International Conference on Neural Information Processing Systems, December 3-6, 2012, Lake Tahoe, Nevada. USA: Curran Associates Inc., 2012, 1: 1097- 1105.
[22] SchuldtC, LaptevI, CaputoB. Recognizing human actions: a local SVM approach[C]//Proceedings of the 17th International Conference on Pattern Recognition, August 26-26, 2004, Cambridge, UK. New York: IEEE, 2004: 32- 36.
[23] 吕洁, 朱文越, 青春, 等. 支持向量机估算成都近地面大气光学湍流[J]. 中国激光, 2018, 45(4): 0404001.
[24] WangL, GjoreskiaH, MuraoK, et al. Summary of the Sussex-Huawei locomotion-transportation recognition challenge[C]//2018 ACM International Joint Conference and 2018 International Symposium on Pervasive and Ubiquitous Computing and Wearable Computers, October 8-12, 2018, Singapore. New York: ACM, 2018: 1521- 1530.
[26] Schaffer C. Overfitting avoidance as bias[J]. Machine Learning, 1993, 10(2): 153-178.
[28] BenestyJ, Chen JD, Huang YT, et al. Pearson correlation coefficient[M] //Cohen I, Huang Y T, Chen J D, et al. Noise reduction in speech processing. Berlin, Heidelberg: Springer, 2009: 1- 4.
Article Outline
刘一琛, 吴侃, 邱高峰, 陈建平. 基于卷积神经网络的大气中光路气流扰动实验研究[J]. 光学学报, 2019, 39(8): 0801002. Yichen Liu, Kan Wu, Gaofeng Qiu, Jianping Chen. Atmospheric Optical Path Airflow Disturbance Analysis Method Based on Convolutional Neural Network[J]. Acta Optica Sinica, 2019, 39(8): 0801002.