相比于传统振动传感器,光纤光栅传感器具有响应快、带宽宽的优点,其中的解调部分是影响整体检测速率的一个关键因素。使用光纤光栅传感器可以对物体的振动进行检测,本文通过将一组光纤光栅固定在一根空芯铁管上,对铁管进行敲击实现振动环境的模拟。作为对比,解调部分分别使用bayspec的光纤光栅解调模块和研制的基于宽带锯齿形滤波器的光纤光栅解调器,以解调出振动信号,并对结果进行分析。两者都可检测出振动的幅度,但基于宽带锯齿形滤波器的光纤光栅解调器的响应频率可达200 kHz, 能实现高速振动信号的检测。

为了提高光纤弯曲传感器的灵敏度, 增大线性范围, 降低成本, 本文提出一种基于深度神经网络分类塑料光纤弯曲角度及方向的方法。使用进行侧抛增敏处理的塑料光纤, 在光纤输出端采集不同弯曲角度的散斑图。制作了包含五类弯曲角度的数据集一以及包含七类弯曲角度的数据集二, 在预处理图像数据之后, 利用多层卷积神经网络对散斑图像进行卷积和池化处理, 得到散斑图像的特征图, softmax分类器用来得到分类准确率, 最后对两种不同卷积神经网络模型的分类效果进行对比。结果显示: 数据集一光纤弯曲的角度间隔为5°时分类准确率达到了96%, 理论和实际分析结果表明该方案识别率较高, 基于该方法有望实现一种简单、高效的光纤弯曲传感器。

搭建实验平台,把26个字母的图像传入光纤,并在输出端采集散斑图。把散斑图展开到HSV色彩空间中,单使用V分量进行分类能达到不错的分类准确率,且能缩减训练时长。在预处理后,分别使用具有不同层数卷积结构的神经网络、卷积神经网络和支持向量机(CNN+SVM)算法、SVM算法对散斑图进行分类。测试结果发现,使用4420张散斑图作为训练集,3层卷积结构的神经网络的识别准确率为88%,4层卷积结构的神经网络的识别准确率为95%,CNN+SVM算法的识别准确率为98%,而SVM算法的识别准确率达到了100%。实验结果表明,把机器学习算法应用在光信号上,同样可以对多模光纤散斑图进行分类,当图像特征相对明显时,直接使用SVM算法对光纤输出散斑进行识别,可以大大提升多模光纤输出散斑图的识别准确率。