光纤光栅滑触感知和分类训练的材质识别方法
0 引言
智能感知技术越来越多地运用到工业生产中,极大地提高了效率和准确率。其中,触觉传感器作为一种模仿人类触觉的器件,能够感知人体以及外界环境的运动、形变和压力等信息,在智能机器人和智慧医疗等领域具有广阔的应用前景[1-2]。目前常用的触觉传感器类型主要分为压阻式[3]、电容式[4]、压电式[5]等,用于传递所感知到的材质表面信息与温度信息等。然而这些传感器存在着一定的局限性[6]:电学传感器由于依赖电压电流变化进行感知,信号处理复杂,且易受振动、高频刺激、静电等外部因素影响,此外部分电学传感单元本身还需借助于电源(静态功耗),限制了应用范围并增加了不稳定性[7]。
相较于传统电信号类传感器,光纤布拉格光栅(Fiber Bragg Grating,FBG)具有抗电磁干扰、高灵敏度、良好的柔韧性等特点。FBG对满足布拉格条件的光信号产生反射,可实时精确测量微小的力或形变与温度变化,通过分析FBG中心波长变化,能够获得材质、接触力、温度等触感信息。北京航空航天大学许会超等[8]利用3×3的FBG阵列矩阵作为柔性传感元件设计的机器人柔性触觉传感器具有0.16 nm/N力灵敏度,验证了FBG在触觉感知上具有良好的线性度和重复性。PRASAD A等[9]提出一种基于FBG触觉传感器测量表面厚度和形状的新方法,通过多支点机械杠杆位移增强方法将表面特征传输到FBG,表面位移分辨率高达15.64 nm,验证了FBG传感器的高精度与快速响应的特点。
随着机器学习和神经网络等前沿技术的兴起,特征提取、模型训练方法与触觉感知相结合,已成为国内外科研热点之一。浙江大学陈稼宁[10]利用PDMS、导电橡胶、PET基底以及RTV,组成了柔性触觉传感阵列,进行滑移检测,并结合相位差算法和神经网络算法提取纹理表面信息来实现触觉传感。NASCIMENTO K P[11]利用FBG阵列传感器配合机器学习的Decision Tree分类算法和回归算法来估计水位,传感结果的均方根误差为3.56 cm。
目前基于FBG触觉感知的研究主要集中在利用采集的中心波长感知外部应变与压力,从而实现对滑移定位、冲击定位、表面粗糙检测等的测量。钱牧云等[12]利用FBG的温度传感特性与各材质之间热传递不同的特点实现了对铝、铁、塑料的分类标定,为FBG应用于材质识别铺垫了理论基础,但存在识别效率慢等问题。利用FBG的高灵敏性和快速响应特性,将大量谐振波长变化数据应用于神经网络模型,实现材质分类识别的研究相对较少。
本文利用接触表面材质粗糙度、粘滑[13]等特性的差异,设计搭建了FBG硅橡胶感知单元,并进行滑触感知分析,通过提取FBG中心波长的均值最大差、极差、标准差等数据特征,构建基于支持向量机(Support Vector Machine,SVM)算法的高识别率的分类模型,设计上位机实现滑移控制和在线识别。相比基于Transformer机器识别的材质识别[14],本文方法不受光线等客观因素影响,采用最直观的滑触感知,同时具有更好的分类识别效果。
1 FBG硅橡胶滑触感知平台
FBG硅橡胶滑触感知平台包括FBG硅橡胶感知单元和滑移机构,由于不同材质表面特性存在差异,通过滑移可使FBG获得不同程度的持续性应变。
1.1 FBG硅橡胶感知单元
硅橡胶感知单元为具有方形凹槽的基台,方形凹槽中浇灌有两层硅橡胶(透明流淌型卡夫特705透明有机硅密封胶),两层硅橡胶之间封装有FBG传感器,如
1.2 滑移机构设计
滑移机构还包括步进电机、滚珠丝杠、连接件,如
步进电机与滚珠丝杠通过丝杆滑台相连,步进电机通过连接件推动滑块在硅橡胶上经过FBG进行水平滑移,保证滑移时滑块速度的稳定和受力恒定。通过将接触材质作为唯一的变量,最后记录启动到结束时FBG中心波长的变化数据,作为材质识别的依据。
2 理论分析
2.1 FBG传感器原理
FBG属于波长调制型传感元件,光栅被刻入纤芯中,呈周期性排列,用于反射特定波长。基于菲涅耳反射原理,当一束宽带光源射入光纤光栅中,由于光纤的折射率不同会发生反射和透射现象,只有满足特定波长条件的光信号才会被反射回来,其余的光信号会透射出去,从而实现分光和滤波的功能。因此透射光谱上会产生凹陷,而在反射光谱上呈现一个波峰[15-16],如
反射光的中心波长
由
式中,
由此可知,1 pm解调精度的FBG解调仪下,FBG传感器可感知到最低0.82 με的应变。
2.2 滑触感知的材质分类原理
在FBG硅橡胶感知单元周围截取一小块基体微元,剖面变形分析如
式中,剪切弹性模量G为材料系数。剪切弹性模量由其他材料常数确定
根据角度关系可得
根据应变定义可得
根据式(
当
由于不同材质滑移受到的摩擦力
3 波长数据特征与分类
材质表面粗糙度、滑移等特征通过FBG中心波长表现出来,提取适当的数据特征值,形成数据集,用于分类训练。最后,通过建立的分类模型,实现材质的在线识别。
3.1 数据采集
在滑移感知研究中,以聚乳酸(Polylactic Acid,PLA)、粗布、800目砂纸三种材质为样本进行试验。PLA为3D打印滑块的耗材,直接用于滑移,粗布与800目砂纸则固定于滑块与FBG硅橡胶感知单元接触的一面。三种材质中,粗布质地较为柔软,滑移时与硅橡胶之间粘性最小,PLA与800目砂纸的触感相近。为保证被测材质接触面为滑移过程中唯一差异,将滑块的质量都设置为100 g,如
3.2 分类特征设定
常规提取特征的方法为计算中心波长变化的平均数(Ave)或中位数(Mid)。但该方法受FBG迟滞性[19]影响,导致每次滑移初始中心波长不相同,如
在滑移过程中,每次滑移将产生一组变化的中心波长,表面材质所具有的特征也将映射至这些数据中。三种材质在15 cm/s滑移速度下采集的中心波长数据如
由
在选取集中趋势数据特征时,考虑到FBG硅胶滑触感知单元存在迟滞性,所以不直接采用平均中心波长
将本文办法与直接采用中心波长数据作为特征和常规的平均数、中位数作为特征的方法进行对比。对比数据集设定为15、10、5 cm/s滑移速度下的中心波长数组以及三者的混合数组。一次15 cm/s滑移可采集约40个波长数据;一次10 cm/s滑移可采集约60个波长数据,一次5 cm/s滑移可采集120个波长数据。
即中心波长分类训练法所有波长(40~120个)都直接作为数据特征,常规分类训练法具有2个数据特征,本文采用的均值最大差、极差、标准差的分类训练法具有3个数据特征。
将以上三种特征提取方法统一采用三次SVM算法进行分类训练,训练好分类模型后,再使用交叉验证法进行准确度计算。最后进行准确度对比,其中混合是将三个滑移速度下的样本数据集混合后进行分类训练,结果如
表 1. 各数据特征三次SVM分类模型的准确度
Table 1. Accuracy of SVM classification models for each data feature three times
|
各分类特征方法训练效果如
直接选用波长数据作为识别特征,在相同特征个数下具有良好的分类效果。然而,进行不同速混合分类时,由于波长特征数量不同(即10 cm/s为60个特征,15 cm/s为40个特征,5 cm/s为120个特征),导致分类准确度大幅度下降,并且数据量过大,不适用于分类模型训练。同时,本文的三个特征分类训练法与常见的平均数与中位数分类训练法相比,具有更高的准确度,并且能更好地应对初始中心波长偏移和滑移速度改变带来的干扰。
4 材质分类算法及上位机控制方法
4.1 材质分类训练原理
使用支持向量机(SVM)[21]训练分类模型和设计预测函数。SVM本质是量化两类数据的差异,主要包括线性SVM、二次SVM和三次SVM以及高斯SVM四种分类方法。
本文的FBG滑触传感器在材质识别应用中,分类训练的目的是根据采集到的特征数据来区分不同的材质类型,以15 cm/s滑移速度的中心波长数组为例,提取特征后,78个(3种材质×26次数据)三维信息点情况如
提取三维特征作为映射材质差异特性的分类方法,其数据集可表示为n样本×3维度的矩阵
线性SVM通过设定线性超平面
对于粗布、PLA、砂纸800目三种材质的分类问题,SVM分类算法可以扩展到多分类问题。一种方法是使用一对多(One-vs-Rest)策略,文中为一对二,即为每个类别训练一个二分类SVM模型。本文是三种材质分类问题,因此需要建立三个支持向量机模型。训练中将该类别视为正例,而其他所有类别视为负例。然后,通过将验证样本传递给所有二分类模型,并选择具有最高置信度的类别作为预测结果。另一种方法是一对一(One-vs-One)策略,即为每对类别训练一个二分类SVM模型。训练完成后,可以通过预测新样本的类别来进行分类。
4.2 优化分类模型与材质识别
选择5、10、15 cm/s混合234次滑移共约17 160个中心波长作为原始数据,提取每次滑移中本文设计的三种数据特征。这些特征构成了234样本×3维度的矩阵数据集。
通过迭代算法和交叉验证技术,根据最小分类误差值进行模型评估,寻找最优的SVM分类模型。将训练后的模型用于后续的预测,材质识别提供了准确性和可靠性最优的解决方案。根据
4.3 上位机系统
利用MATLAB的App Designer进行上位机软件设计,作为控制系统,系统的硬件实物如
以单片机作为下位机,控制滑块的滑移。单片机发送脉冲信号驱动电机转动。上位机中输入的滑移速度
式中,
材质预判的上位机设计,主要功能为显示收集的中心波长,并提取三个数据特征保存至数组t_test,利用预测函数trainedModel.predictFcn(t_test)进行材质预判。
滑台控制与在线材质识别系统上位机如
4.4 验证测试结果
由于所有的数据集为5、10、15 cm/s滑移速度时的波长信息。验证测试时上位机随机设定5~15 cm/s的滑移速度进行触觉感知,即中心波长采集。同时为保证试验的科学性与合理性,选用滑移接触表面材质时,每种材质的测试样品选择三个,每个样品进行四次范围内的随机速度滑移,共计36次试验(3类材质×3个样品×4次滑移),预判结果如
表 2. 测试结果
Table 2. Results of the tests
|
5 结论
以FBG硅橡胶滑触感知单元为基础,实现了在线材质识别。针对粗布、PLA、砂纸800目三种材质,通过对接触表面材质的粗糙度、粘滑现象等差异特性的感知和数据特征提取,利用SVM算法进行分类训练并优化,建立具有96.6%准确度的分类模型,可实现对不同材质的准确识别。在5~15 cm/s随机滑速的36次验证测试中正确识别了34次,验证了本文方法在实际应用中的可行性和有效性。研究结果表明,FBG传感器在材质识别和触觉感知方面具有很大的应用潜力,可为智能感知机器人提供一种在线材质分类识别方法。
[1] CHEN Ningning, FANG Xinqiu, LIANG Minfu, et al. Research on hydraulic support attitude monitoring method merging FBG sensing technology and adaboost algorithm[J]. Sustainability, 2023, 15(3): 2239-2239.
IKECHUKWU I P, 黄仕宏, 李雨佳, 等. 光纤传感用激光光源技术[J]. 光电工程, 2018, 45(9): 5-15.
[3] 刘洋. 机器人手可穿戴的压阻式柔性触觉传感器结构设计及其研制[D]. 杭州: 浙江大学, 2020.
LIUYang. Structural design and fabrication of wearable piezoresistive flexible tactile sensor for robot hand[D]. Hangzhou: Zhejiang University, 2020.
[4] CHEN Zhao, SHU Kewei, WANG Caiyun, et al. Reduced graphene oxide and polypyrrole/reduced graphene oxide composite coated stretchable fabric electrodes for super capacitor application[J]. Electrochimica Acta, 2015, 172: 12-19.
[5] 王俊博, 高国伟. 压电式触觉传感器的优化与应用的研究进展[J]. 微纳电子技术, 2023, 60(2): 165-174.
WANG Junbo, GAO Guowei. Research progress in optimization and application of piezoelectric tactile sensors[J]. Micronanoelectronic Technology, 2023, 60(2): 165-174.
[6] 潘晓君, 鲍容容, 潘曹峰. 可穿戴柔性触觉传感器的研究进展[J]. 高等学校化学学报, 2021, 42(8): 2359-2373.
PAN Xiaojun, BAO Rongrong, PAN Caofeng. Research progress of flexible tactile sensors applied to wearable electronics[J]. Chemical Journal of Chinese Universities, 2021, 42(8): 2359-2373.
[7] 吴帅帅, 高国伟, 刘硕. 高灵敏度柔性电子皮肤的研究与应用进展[J]. 传感器与微系统, 2023, 42(7): 1-5.
WU Shuaishuai, GAO Guowei, LIU Shuo. Research and application progress of high sensitive flexible electronic skin[J]. Transducer and Microsystem Technologies, 2023, 42(7): 1-5.
[8] 许会超, 苗新刚, 汪苏. 基于FBG的机器人柔性触觉传感器[J]. 机器人, 2018, 40(5): 634-639.
XU Huichao, MIAO Xingang, WANG Su. A flexible tactile sensor for robot based on FBG[J]. Robot, 2018, 40(5): 634-639.
[9] PRASAD A, SEBASTIAN S, ASOKAN S. FBG tactile sensor for surface thickness and shape measurement[J]. IEEE Sensors Journal, 2021, 21(9): 10695-10702.
[10] 陈稼宁. 柔性触觉传感阵列的滑移检测力学建模及其表面识别研究[D]. 杭州: 浙江大学,2020.
CHENJianing. Study on slip detection modeling and surface recognition of flexible tactile sensor array[D]. Hangzhou: Zhejiang University, 2020.
[11] KATIUSKI P N, ANSELMO F, CARLOS M, et al. Machine learning techniques for liquid level estimation using FBG temperature sensor array[J]. Optical Fiber Technology, 2021, 65: 102612.
[12] 钱牧云, 张姣姣, 魏新园. 光纤光栅柔性触觉传感器的材质识别功能研究[J]. 仪器仪表学报, 2022, 43(4): 206-212.
QIAN Muyun, ZHANG Jiaojiao, WEI Xinyuan. Research on material recognition function of fiber Bragg grating flexible tactile sensor[J]. Chinese Journal of Scientific Instrument, 2022, 43(4): 206-212.
[13] PERSSON B N J, SPENCER N D. Sliding friction: physical principles and applications[J]. Physics Today, 1998, 52(1): 66.
[14] 杨晶, 靳雁霞, 刘亚变, 等. 基于改进Transformer的布料材质识别方法研究[J]. 中北大学学报, 2023, 44(2): 138-145.
YANG Jing, JIN Yanxia, LIU Yabian, et al. Research on fabric material recognition method based on improved transformer[J]. Journal of North University of China, 2023, 44(2): 138-145.
[15] 李天星, 李川, 孟磊. 光纤Bragg光栅传感器传感原理及常见结构[J]. 红外技术, 2010, 32(7): 392-394.
[16] 冯艳, 王飞文, 张华, 等. 光纤布拉格光栅滑觉感知单元[J]. 光子学报, 2019, 48(9): 0906001.
[17] KERSEY A D, DAVIS M A. Fiber grating sensors[J]. Journal of Lightwave Technology, 1997, 15(8): 1442-1463.
[18] ULA R K, HANTO D. Performance weight sensor using graded index optical fiber on static test with UTM[J]. Journal of Physics: Conference Series, 2017, 853(1): 012016.
[19] SHENG Wenjuan, DANG Haiqi, PENG Gangding. Hysteresis and temperature drift compensation for FBG demodulation by utilizing adaptive weight least square support vector regression[J]. Optics Express, 2021, 29(24): 40547-40558.
[20] ZIEGEL E R. Probability and statistics for engineering and the sciences[J]. Technometrics, 2004, 46(4): 497-498.
[21] BRUNTON N, TOMIHAMA R, HENKIN S. SVM Communications: Increasing awareness of vascular medicine as a specialty[J]. Vascular Medicine, 2023, 28(1): 97-98.
Article Outline
潘睿智, 冯艳, 刘贺祥, 王昊祥, 张洪溥, 张寅祥, 张华. 光纤光栅滑触感知和分类训练的材质识别方法[J]. 光子学报, 2024, 53(2): 0206006. Ruizhi PAN, Yan FENG, Hexiang LIU, Haoxiang WANG, Hongpu ZHANG, Yinxiang ZHANG, Hua ZHANG. Optical Fibre Bragg Based Sliding-tactile Sensing and Classification Training Method for Material Recognition[J]. ACTA PHOTONICA SINICA, 2024, 53(2): 0206006.