基于深度学习激光自混合干涉的直接位移重建方法研究

为解决激光自混合干涉(SMI)信号位移重建中传统方法流程复杂、误差累积的问题，研究人员设计了一种端到端的直接位移重建网络(DDR-Net)。该网络以原始SMI信号为输入，通过深度学习实现位移的精准回归，实验表明其相对测量误差低于1%，在噪声环境下仍保持强鲁棒性，为激光传感提供了创新解决方案。

　　

激光自混合干涉（Self-Mixing Interference, SMI）技术自20世纪70年代发展以来，因其结构紧凑、自对准特性，已成为位移、振动等参数测量的重要手段。传统SMI信号处理依赖条纹计数或相位解调，存在半波长分辨率限制和误差传递问题。尽管卷积神经网络（CNN）等深度学习方法被尝试用于SMI信号分析，但现有方案仍需通过相位或速度间接推算位移，流程复杂且易受噪声干扰。

针对这一瓶颈，中国的研究团队提出了一种革命性的直接位移重建网络（DDR-Net）。该网络创新性地将原始SMI信号与目标位移建立端到端映射，跳过了传统中间计算步骤。研究采用真实实验环境采集的数据进行训练，验证了DDR-Net在不同位移模式及噪声条件下的普适性。实验数据显示，其位移重建相对误差稳定控制在1%以内，对漫反射表面等复杂场景同样有效。相关成果发表在《Optics》上，为激光传感领域提供了高精度、低复杂度的新范式。

关键技术包括：1）构建基于深度学习的端到端回归架构DDR-Net；2）利用真实实验环境采集的SMI信号和对应位移标签进行训练；3）采用多组独立测试数据验证模型泛化能力；4）通过引入漫反射扬声器表面模拟复杂场景。

SMI-based displacement sensing principle
研究阐明了SMI的基本原理：激光输出功率P_t与反馈光相位φ_t的关系遵循Fabry–Perot腔干涉模型，其中相位变化通过含C（反馈强度因子）和α（线宽增强因子）的非线性方程描述，为DDR-Net提供了物理基础。

Feasibility and accuracy
实验证实DDR-Net能直接从噪声SMI信号中学习位移映射规律。在独立测试集上，模型对相同参数下重复采集的信号表现出高度一致性，验证了其抗干扰能力。

Discussion and conclusion
相比间接预测相位或速度的方法，DDR-Net的端到端架构显著降低了误差累积风险。该方法省略了传统信号处理中的多步骤运算，在保持精度的同时大幅提升效率，尤其适用于实时监测场景。

该研究的核心突破在于将深度学习与SMI物理模型深度融合，开创了位移测量的新路径。第一作者Qinyu Li与通讯作者Dongmei Guo团队的成果不仅推动了激光传感技术的智能化发展，更为复杂环境下的光学测量提供了普适性框架。值得注意的是，研究所有实验数据均来自真实物理系统，确保了结论的工程适用性，这对工业级应用具有重要参考价值。