[发明专利]一种基于双流特征融合网络的纠缠光量子图像目标识别方法

权利要求书

1.一种基于双流特征融合网络的纠缠光量子图像目标识别方法，其特征在于包括以下步骤：

步骤一、利用波长为405nm的半导体激光器产生高质量的连续泵浦光，利用半波片和四分之一波片将激光调制为线偏振光；

步骤二、利用焦距分别为100mm的透镜1和50mm的透镜2组成望远镜系统，对泵浦光进行缩束，使缩束压缩后的泵浦光能量更加集中；

步骤三、将泵浦光照射周期极化磷酸氧钛钾(Periodically Poled KTP,PPKTP)晶体进行自发参量下转换产生波长为810nm的纠缠双光子对，双光子纠缠态的波函数表示为：

其中，函数描述纠缠光子对的空间位置分布信息，态|0,0表示纠缠双光子对的初始态，和为信号光子和闲置光子的产生算符；

步骤四、利用透镜3和透镜4对纠缠光束进行扩束，通过波长为810nm的偏振分束器(Polarization Beam Splitter,PBS)将纠缠光子对分离，得到信号光束和闲置光束，它们的频幅函数F(Ω)为：

其中，Ω为纠缠光的中心频率，τ为信号光子和闲置光子通过PPKTP晶体产生的时间差；

步骤五、将信号光束经过成像透镜5照射放置在距离偏振分束器1米位置的待成像目标，透射过目标物体的信号光子经过透镜6和透镜7进行汇聚，然后通过中心波长为810nm的滤波片滤除非810nm的杂散光，得到高纯度的810nm纠缠信号光束，该光束进入光纤准直器经单模光纤传输入单光子探测器1被收集；

步骤六、闲置光束经反射棱镜入射到数字微镜装置(Digital Micromirror Device,DMD)上，经DMD扫描二维空间信息后通过透镜8和透镜9进行汇聚，然后通过中心波长为810nm的滤波片滤除非810nm的杂散光，得到高纯度的810nm纠缠闲置光束，进入光纤准直器经单模光纤传输入单光子探测器2被收集；

步骤七、将单光子探测器1和单光子探测器2收集到的信号光子和闲置光子进行符合计数，符合计数可以用光场二阶关联函数表示，即

其中，r₁和r₂分别表示信号光子和参考光子从透镜7和9到PBS的距离，t₁和t₂分别表示信号和参考光子的传播时间，E(r₁,t₁)和E(r₂,t₂)分别表示信号光路和参考光路的光场，然后根据符合计数测量结果即可实现量子成像；

步骤八、将MNIST手写数字图片数据集中每个数字的前500张图片进行成像，生成5000张像素为28×28的量子成像图，并将其随机分割为包含3500张图片的训练集和包含1500张图片的测试集，处理为深度学习网络的手写数字量子成像图数据集；

步骤九、将量子成像图输入构造的双流特征融合网络(Two-Stream Feature FusionConvolutional Network,TSFFCNet)，设置卷积模块1的卷积核个数为32，通过1层卷积核为5×5、步长为1的卷积变换，保持输入数据的尺寸不变；

步骤十、对步骤九的结果进行批标准化(Batch Normalization,BN)、步长为2的最大池化和修正线性单元(REctified Linear Unit,ReLU)激活操作，得到14×14大小的浅层特征图；

步骤十一、将浅层特征图输入TSFFCNet的S流中，提取量子成像目标的目标边缘轮廓、整体背景信息等浅层特征；

步骤十二、将浅层特征图输入TSFFCNet的D流中，提取量子成像目标的抽象语义信息等深层特征，得到4×4大小的特征图；

步骤十三、将步骤十一和步骤十二提取到的特征进行融合，并引入概率为0.4的Dropout层随机断开网络的连接，防止网络训练过拟合；

步骤十四、利用节点数分别为120和80的两层全连接层进一步聚合挖掘目标的特征信息，并将生成的特征向量输入到Softmax函数进行计算，得到当前输入样本属于每个数字类别的概率结果矩阵X＝[x₀ x₁ x₂ x₃ x₄ x₅ x₆ x₇ x₈ x₉]^T，矩阵X中的标量值x_i(i∈{0,1,…,9})表示量子成像目标被TSFFCNet判别为类别i的概率，标量值最大的角标表示目标量子成像图被判别为某一类数字的结果，从而实现目标的识别分类。