面向具有大面积均性外的高性能极度计:对穆勒矩阵和深度学习算法所能实现的偏振检测精度进行比较研究
Optics express
|June 11, 2024
概括
这项研究引入了一种新型的宽带极化仪,使用奇拉外和深度学习来进行高精度的极化检测. 它克服了传统方法的局限性,在各种应用中提供了卓越的准确性.
科学领域:
- 光学和光子学 在光学和光子学.
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 传统的极度计在波段和精度上面临限制,因为它们依赖于极化敏感材料和固定的映射关系.
- 制造和检测错误进一步限制了现有的极化检测技术的性能.
研究的目的:
- 为了展示一个高度精确,稳定,宽带的全斯托克斯极极度计.
- 通过利用大面积均的性外和后续建立的映射关系来克服传统极度计的局限性.
主要方法:
- 通过银沉积在微球单层上制造均的性外.
- 使用深度学习算法 (DLA) 或穆勒矩阵理论建立后映射关系.
- 在宽波段 (500-750 nm) 系统地调查状外特性,映射关系和检测精度.
主要成果:
- 获得了~0.15的光学度 (圆形二重化) 和~1.7.7的异构性.
- 深度学习算法表现出卓越的检测精度,平均平方误差 (MSE) 低至0.10% (S1),0.41% (S2) 和0.24% (S3) 在710nm.
- 与穆勒矩阵理论 (0.45%S1,1%S2,39.8%S3) 相比,宽带平均的DLA的MSE显著较低 (0.16%S1,0.46%S2,0.61%S3).
结论:
- 开发的极相仪提供了高精度,稳定性和宽带操作.
- 深度学习显著提高了检测精度和稳定性,特别是在具有挑战性的条件下,例如弱光照明.
- 使用奇拉贝和DLA的新方法代表了极化检测和成像技术的重大进步.
