概括
一种新的深度学习方法在生产过程中准确地检测数字全息传感器中的振动. 这种振动检测方法实现了高精度,提高了工业环境中的测量质量.
科学领域:
- 光学计量学 在光学计量学
- 机器学习 机器学习
- 工业传感器 工业传感器
背景情况:
- 数字全息传感器系统对于生产线的质量控制至关重要.
- 多轴系统 (机器人,机床) 中的复杂振动会降低测量精度.
- 早期检测振动对于保持传感器性能至关重要.
研究的目的:
- 开发一种深度学习方法来检测数字全息传感器系统中的振动.
- 提高工业环境中全息测量的可靠性和准确性.
- 在全息图重建过程中实现实时振动监控.
主要方法:
- 一个深度神经网络被训练来预测全息相的标准偏差.
- 该模型使用培训数据和模拟生产环境的数据进行了评估.
- 性能与经典机器学习算法进行了比较.
主要成果:
- 深度学习模型在训练类数据上实现了96.0%的准确性.
- 在模拟生产环境的数据上,获得了97.3%的准确性.
- 该模型表现出与经典机器学习方法相比或超过的性能.
- 单个预测在35微秒内在GPU上进行处理.
结论:
- 深度学习为数字全息传感器中振动检测提供了强大的解决方案.
- 拟议的方法提高了工业生产中的测量质量和可靠性.
- 基于GPU的快速预测能够在动态制造设置中实时应用.


