混合线宽FBG传感器网络的光谱解调使用基于云的深度学习用于土地监测.

科学领域:

• 光电学和光子学的光学电子和光子学.
• 人工智能在感知中的作用
• 用于光学网络的信号处理.

背景情况:

• 纤维布拉格格网 (FBG) 传感系统与光谱重叠作斗争,限制传感器密度和网络可扩展性.
• 现有的方法在解决重叠的签名方面面临挑战,特别是在双向漂移条件下.
• 高密度的FBG网络对于土地监测和基础设施监控等应用至关重要.

研究的目的:

• 开发一种基于变压器的新型神经网络架构,用于解决FBG传感器阵列中的光谱重叠.
• 通过将双线宽配置与反射和传输模式融合相结合,提高解调精度和传感能力.
• 为了实现可扩展的部署和近乎实时的推断大规模的FBG传感网络使用云计算.

主要方法:

• 实现变压器神经网络架构用于光谱签名分辨率.
• 整合双线宽FBG配置和反射/传输模式的融合.
• 利用云计算进行可扩展的部署和实时推断能力.
• 整合了自愈功能,以便在光纤断裂时切换动态模式.

主要成果:

• 在双向漂移下,在均和混合线宽的FBG传感器阵列中,光谱重叠的有效分辨率.
• 即使在严重的光谱重叠条件下,它也表现出了卓越的解调性能.
• 实现了对光谱拥堵的增强弹性,并支持了自我愈合功能.
• 在12个不同的漂移场景中验证了性能,超过了传统的峰值查找算法.

结论:

• 拟议的基于变压器的方法为高密度的分布式FBG传感建立了新的范式.
• 这一突破显著提高了FBG传感系统的可扩展性和准确性.
• 该技术适用于关键监测任务,包括土地,土壤,地下水,海上监测和智能农业.