一种基于卷积神经网络的光纤传感器光斑分析方法与流程

1.本发明涉及一种光纤传感器光斑分析方法，特别是一种基于卷积神经网络的光纤传感器光斑分析方法。


背景技术：

2.光在光纤传输时会根据光纤的折射率与几何形状以一定的模型进行传播，并在光纤的末端呈现出一定形状的光斑图，当有外界因素改变光纤的折射率与几何形状时，光传播的能量分布将会被打破，能量被重新分布，光纤末端的光斑也会因此而改变，也是光纤传感器的基本原理，如位移、温度、压力等传感器，光纤的输出光斑变化则反映外界因素的变化，因此，对光纤传感器输出光斑的分析，直接影响传感器的应用效果，过去对光斑的分析大多是依赖人工观测或传统的图像处理，依赖人工观测的方式不够客观，具有强烈的主观臆想，传统的图像处理过程复杂且缺乏精确性，不利于推广和应用。


技术实现要素：

3.为了克服现有技术的不足，本发明提供一种基于卷积神经网络的光纤传感器光斑分析方法。
4.本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络的光纤传感器光斑分析方法，包括以下步骤：（1）、通过光纤传感器获取随压力、温度和位移变化而输出的光斑对应图；（2）、以光斑对应图制作光斑数据集；（3）、基于vgg构建光纤光斑分析神经网络；（4）、通过光斑数据集训练光纤光斑分析神经网络，将光纤光斑分析神经网络训练收敛为光纤光斑分析模型，建立光纤光斑分析模型输出的对应回归值与光斑对应图的映射关系；（5）、将光纤传感器输出的光斑分析图输入光纤光斑分析模型，获取以光斑分析图为数据源的分析回归值。
5.所述步骤2的光纤光斑分析神经网络包括由依次相连的输入层、十三个卷积层和全连接层构成，且全连接层的神经元数量为1，并去除该层的激活函数。
6.所述输入层的尺寸为640x640x3，卷积层的激活函数为relu6。
7.所述步骤4将光纤光斑分析神经网络训练收敛为光纤光斑分析模型所采用的损失函数为smooohl1，光纤光斑分析模型优化方法为随机梯度下降法。
8.本发明的有益效果是：本发明是通过光纤传感器获取各类的光斑对应图以制作光斑数据集，并以光斑数据集训练光纤光斑分析神经网络，将光纤光斑分析神经网络训练收敛为光纤光斑分析模型，只需将待分析的光斑分析图输入光纤光斑分析模型便可获取分析回归值，预测分析光斑分析图的压力、温度和位移，依赖卷积神经网络强大的特征提取能力建立光纤输出光斑与压力、温度、位移变化的映射关系，可根据光斑准确预测压力、温度、位
移的变化值，实现定量分析，极为快速便捷，且具有客观、预测精度高、抗干扰能力强的优点。
附图说明
9.下面结合附图和实施例对本发明进一步说明。
10.图1是本发明的方法流程图。
具体实施方式
11.参照图1，一种基于卷积神经网络的光纤传感器光斑分析方法，包括以下步骤：（1）、通过光纤传感器获取随压力、温度和位移变化而输出的光斑对应图，需要说明的是光斑对应图包括三个变化系列，一系列的光斑对应图只对应一个变量的改变，如改变温度时，是光纤受温度影响导致折射率发生变化从而影响光斑的改变，获得基于温度改变的一系列光斑对应图，这也是光纤温度传感器的基础原理，同理，通过压力与位移的变化而获得一系列的光斑对应图，压力、温度、位移的改变应缓慢，不应剧烈。
12.（2）、以光斑对应图制作光斑数据集；（3）、基于vgg构建光纤光斑分析神经网络，光纤光斑分析神经网络是由依次相连的输入层、十三个卷积层和全连接层构成，与vgg网络的主要区别在于全连接层的神经元数量为1，且全连接层只有一层，并去除该层的激活函数，且所述输入层的尺寸为640x640x3，卷积层的激活函数为relu6，这也使得光纤光斑分析神经网络更为适合应用于光斑的分析，且降低训练的时间和难度。
13.（4）、通过光斑数据集训练光纤光斑分析神经网络，将光纤光斑分析神经网络训练收敛为光纤光斑分析模型，建立光纤光斑分析模型输出的对应回归值与光斑对应图的映射关系；由于预测压力、温度、位移的对应回归值是一个回归问题，所以将光纤光斑分析神经网络训练收敛为光纤光斑分析模型所采用的损失函数为smooohl1，预测的对应回归值与真实的压力、温度、位移值构成损失和优化，光纤光斑分析模型优化方法为随机梯度下降法。
14.（5）、将光纤传感器输出的光斑分析图输入光纤光斑分析模型，获取以光斑分析图为数据源的分析回归值，预测分析光斑分析图的压力、温度和位移，依赖卷积神经网络强大的特征提取能力建立光纤输出光斑与压力、温度、位移变化的映射关系，可根据光斑准确预测压力、温度、位移的变化值，实现定量分析，极为快速便捷，且具有客观、预测精度高、抗干扰能力强的优点。
15.以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。