相关实验视频
Updated: Sep 16, 2025

08:21
Wideband Optical Detector of Ultrasound for Medical Imaging Applications
Published on: May 11, 2014
11.4K
一个深度学习框架,用于增强来自低采样率FBG审讯器的高频光纤振动传感.
Mentari Putri Jati1,2, Cheng-Kai Yao1, Yen-Chih Wu1
1Department of Electro-Optical Engineering, National Taipei University of Technology, Taipei 10608, Taiwan.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
一个新的深度神经网络 (DNN) 框架克服了纤维布拉格格 (FBG) 传感器的低采样率限制. 这使得从原始信号中精确识别高频振动,进步光学传感和状态监测.
科学领域:
- 光子学和传感技术
- 在工程领域的人工智能.
- 信号处理和机器学习
背景情况:
- 纤维布拉格格 (FBG) 传感器对于振动分析至关重要.
- 低功率的FBG询问器的采样率较低,导致采样不足和关键光谱数据的丢失.
- 准确的高频振动识别对于复杂环境中的条件监测至关重要.
研究的目的:
- 开发一种新的深度神经网络 (DNN) 框架,以克服低功耗FBG审讯器的抽样限制.
- 为了能够准确地识别来自原始时间域信号的高频振动和紧密间隔的光谱元件.
- 推进智能光学振动传感和紧的低功耗状态监控解决方案.
主要方法:
- 一个新的深度神经网络 (DNN) 框架被设计用于处理来自FBG传感器的原始时间域信号.
- 经过训练,DNN模型能够学习和识别高频和相距较近的振动元件.
- 该框架使用模拟和实验数据集进行了验证.
主要成果:
- 拟议的DNN框架成功地突破了低速率FBG审讯器固有的抽样限制.
- 该模型在广泛的振动频谱中在频率歧视方面表现出卓越的性能.
- 实现了对高频和非常接近的振动元件的准确识别.
结论:
- 新的DNN框架为使用FBG传感器与低采样率询问器的高频振动识别提供了重大进展.
- 这种方法可以在复杂的环境中使用紧且节能的光学传感解决方案进行有效的条件监测.
- 该研究强调了人工智能在克服光学传感应用中的硬件限制方面的潜力.

