快143倍！基于深度学习的水中受激布里渊散射频移计算方法 | 光学学报·亮点文章

受激布里渊散射（SBS）激光雷达可通过水中布里渊频移、谱宽信息来反演温度、盐度等海洋环境参数，但传统二维环形干涉光谱处理方法常受计算量大、噪声敏感和信息降维损失限制。南昌航空大学史久林教授团队提出一种端到端卷积神经网络方法，直接从ICCD相机采集的二维光谱图像上回归布里渊频移，在保持高精度的同时，将单帧处理时间缩短至0.0046 s，为海洋环境实时监测提供了新的智能计算路径。相关成果发表在《光学学报》“AI光学：涉水光学”专题，并被选为亮点文章。

链接：郭耀村, 贾晓红, 史久林. 基于深度学习的水中受激布里渊散射频移高精度快速计算方法（特邀）[J]. 光学学报, 2026, 46(12): 1200009.

PART.01

研究背景

海洋温度、盐度、压力和声速的细微变化，都会影响水体中的声光相互作用；而对于受激布里渊散射（SBS）激光雷达系统来说，能否准确读出布里渊频移，关系到后续水体参数反演的可靠性。在典型SBS激光雷达中，F-P标准具和ICCD相机会把瑞利散射与布里渊散射记录为同心环状干涉光谱。传统方法通常需要先读取环几何参数，或把二维图像降维为一维光谱后再计算频移。这些流程不仅耗时，也容易在低对比度、强噪声或环形细节不完整时放大误差。因此，如何在保留二维光谱信息的同时、快速稳定地计算布里渊频移，成为SBS激光雷达走向实时海洋监测必须解决的关键问题。

PART.02

深度学习实现布里渊频移高精度快速回归

南昌航空大学史久林教授团队提出了基于深度学习的布里渊频移快速计算方法。该方法不再依赖人工提取圆心、半径或径向切片，而是把1024×256像素的二维灰度光谱图像直接送入卷积神经网络，由网络自动学习同心环的全局结构、局部纹理和亮度分布，并输出对应的布里渊频移。模型架构如图1所示。

图1 面向二维环形干涉光谱的卷积神经网络结构

实验数据来自SBS激光雷达系统在不同温度与压强条件下采集的环形干涉光谱。研究人员在16 ℃、19.5 ℃、22.4 ℃、25.4 ℃和29.4 ℃等温度点，以及0-5 MPa压强范围内获取图像样本，并按8:2的比例划分训练集与验证集。

结果显示，深度学习方法在速度和精度上均显著优于传统圆环拟合法。在计算效率方面，圆环拟合方法处理完整数据集耗时283.56 s，平均每帧0.6564 s；所提方法总耗时仅1.99 s，平均每帧0.0046 s，处理速度提升约143倍，平均帧率达到216.96 FPS。

图2 在16 ℃条件下，不同压强的布里渊频移计算结果对比

图2展示了圆环拟合方法和提出方法在16 ℃、不同压强（0-5MPa）下的布里渊计算值对比。从图中可以看出，圆环拟合方法在不同压强下计算得到的布里渊频移值波动较大，而本文提出的方法在压强变化下的波动较小，且更接近理论值。在0-5 MPa动态压强范围内，所提方法整体MAE为0.05126 GHz，而圆环拟合法为0.25084 GHz，误差降低约79.6%；RMSE同步降低约79.6%，MSE降低约94.4%。

图3 噪声鲁棒性分析：10 dB强噪声下仍保持可用精度

如图3所示，在强噪声测试中，即使向原始光谱叠加10 dB高斯白噪声，模型MAE仍为0.1192 GHz，相对误差约1.61%；这说明网络并非只记住理想样本，而是学到了较稳定的环形光谱判读规律。

PART.03

后续工作展望

后续研究可进一步优化网络结构与轻量化部署方式，使模型更适合嵌入式或现场实时计算平台；同时，可把频移预测与温度、盐度、声速等海洋参数反演进一步联动，形成从二维光谱采集到水体参数输出的端到端智能探测流程。在更复杂水体、更强散射噪声和更长时间序列条件下验证模型稳定性，也将有助于推动SBS激光雷达从实验验证走向工程应用。

作者简介

郭耀村，北京航空航天大学2024级博士研究生，主要研究方向包括布里渊光谱学、机器学习、计算机视觉与计算成像。

史久林，博士，教授，博士生导师。入选国家高层次青年人才、江西省“双千计划”科技创新高端人才等人才计划。现任江西省光学学会理事长、光电子与激光技术国家国防特色学科带头人、光电信息科学与工程国家一流本科专业及江西省高水平教学团队负责人。主要研究方向为布里渊散射与光学弹性成像技术。近年来作为项目负责人或执行人，承担国家重点研发计划重点专项、国家自然科学基金面上项目等科研项目11项；发表论文100余篇；授权国家发明专利13项、美国发明专利3项；主编/参编著作2部。以第一完成人获得江西省技术发明一等奖、江西省教学成果一等奖等多项荣誉与奖励。