使用基于神经网络方法的单个密封式胡须式传感器进行形状分类

科学领域:

• 生物模拟学和传感器技术
• 水力动力学和流体力学
• 人工智能和机器学习

背景情况:

• 像海这样的水生动物使用胡须来识别和追踪目标.
• 这种生物机制为开发先进,低功耗,便携和环保的传感器提供了灵感.
• 现有的传感技术可能缺乏生物系统的灵敏度和适应性.

研究的目的:

• 设计和测试一种类似海胡须的圆柱形传感器,用于检测水下目标.
• 训练和评估一个卷积神经网络 (CNN) 使用来自传感器的力信号.
• 确定这种仿生方法在物体识别中的有效性,并分析关键信号特征.

主要方法:

• 一个模仿海胡须的单个气的制造.
• 用九个不同的上游目标对气的力 (升力和阻力) 进行实验测量.
• 使用收集的力信号数据集开发和测试一个卷积神经网络 (CNN) 模型.
• 应用福里埃分析来理解信号特征和模型性能.

主要成果:

• 在大多数测试案例中,海胡须传感器与CNN相结合,成功识别了水下物体.
• 某些目标造成了混乱,表明了当前模型的局限性.
• 增加信号样本长度提高了准确性,但并没有完全解决目标混.
• 发现高频率 (>5 Hz) 对CNN模型的性能无关.
• 升降信号提供了比拖动信号更具特色的特征,用于目标分化.
• 模型有效性与升降信号中的光谱特征差异有很强的相关性.

结论:

• 一个以海胡须为灵感的仿生传感器,加上一个CNN,显示了水下物体识别的巨大潜力.
• 升降信号分析,特别是其光谱特征,对于区分不同目标至关重要.
• 可能需要进一步的研究来解决与特定目标的混,并优化传感器性能.