基于卷積神經網絡的增敏型光纖彎曲傳感器

譚中偉，楊婧雅，劉 艷，盧 順，張利偉，牛 慧

(北京交通大學，北京 100044)

1 引 言

光纖作為目前世界上被廣泛應用、傳輸速度最高的信息傳遞媒介，在通信領域的發展過程中占有非常重要的地位。激光和光纖的相繼問世推動了光傳感技術的迅速發展[1]。近年來，光纖曲率傳感器取得了大量研究成果，包括長周期光纖光柵型曲率傳感器、布拉格光纖光柵型曲率光纖傳感器、邁克爾遜干涉型曲率光纖傳感器等。其中，波長調制型曲率光纖傳感器[2-5]結構較為復雜、設備精密度要求較高；干涉式光纖曲率傳感器[6]具有較高的靈敏度但其系統復雜，設備昂貴且可測量范圍相對較窄。傳統的光強調制型曲率光纖傳感器，因表面未經處理相對于波長調制型和相位調制型曲率光纖傳感器靈敏度較低。1993年，Danisch在光纖表面加工出具有軸向細條紋的增敏型曲率傳感器，可連續、實時地測量彎曲曲率[7]。1994年，他申請了彎曲增敏光纖傳感器的專利[8]，提出了可用于測量彎曲結構的彎曲與位置傳感器。近兩年，陸續有學者報道了可以直接測量曲率的光強調制型曲率光纖傳感器。文獻[9]在基于側拋增敏理論及相關實驗的基礎上提出一種宏彎耦合系統，該系統在可判別彎曲方向的基礎上能同時基于不同彎曲角度的傳感特性實現光調制。2019年，Di等開發了基于光纖曲率傳感器的手勢監控系統[10]。

由于多模光纖(Multimode Fiber，MMF)自身的工藝缺陷、光纖彎曲、模間色散、各模式相速度不同等原因，耦合到多模光纖的光在輸出端形成散斑[11]。光在理想平直光纖中傳輸時，會以一定的模式進行傳輸。當光纖發生彎曲或者折射率分布變化時，模式耦合激勵出更多模式，且能量分布也會發生變化，散斑圖也隨之改變。作為散射介質的主要研究分支，基于散斑圖像的目標識別與分類在疾病診斷、內窺鏡下定向治療、建筑健康監測等方向具有重要意義。隨著深度學習的快速發展，目標識別和分類的準確性得到了極大的提高[12-13]。卷積神經網絡(Convolutional Neural Network，CNN)、遞歸神經網絡(RNN)、深度神經網絡(DNN)等都是目前廣泛使用的深度學習網絡模型。其中，CNN是深度學習的一個重要研究分支，Alex Krizhevsky[14]等將在CNN架構下改進的深度學習算法成功應用于ISVRC2012圖像識別大賽。之后，CNN逐漸成為圖像識別分類的主要模型。近兩年，國內外陸續有學者將深度學習的方法應用在多模光纖傳輸圖像領域，并取得了較好的研究成果。Wang等[15]將AlexNet和支持向量機結合起來用于識別人臉和非人臉圖像，將AlexNet模型最后一層softmax分類器改為支持向量機分類器提高了圖像分類的精度，分類準確率達到96%，但其訓練時長略大于支持向量機分類器。瑞士聯邦理工學院的一組研究人員利用U-NET和VGG對經過多模光纖傳輸的數字圖像進行重建分類，長度為0.1 m的光纖分類準確率達到了96%，長度為1 km的光纖分類準確率達到了90%[16]。

本文在前人研究的基礎上，對AlexNet模型的網絡結構進行了一定的調整和改進，并將該模型用于塑料光纖彎曲角度的識別分類。該方法具有較高的識別精度和效率，有望實現一種新型的簡單、高效的光纖彎曲傳感器。

2 光纖結構設計

實驗采用與石英光纖相比有著柔軟易彎曲不易折斷等優點的塑料光纖。為了提高塑料光纖對彎曲形變的靈敏度，在光纖的一側加工出敏感區，對塑料光纖的側面進行拋磨處理，加工過程如圖1所示。使用具有溝槽的模具將塑料光纖固定，并使用塑柄整形銼對其進行打磨。這里選取光纖中部的20 mm進行了增敏處理，剝離了其包層以及部分纖芯。通過調整光纖在模具上的位置(溝槽的深度)改變拋磨的深度，同時也保證了其準確性。側拋增敏型光纖如圖2所示。

圖1 側拋光纖加工示意圖Fig.1 Schematic of side-throwing sensitized fiber processing

光纖曲率傳感器靈敏度的極性化如圖3所示。在彎曲曲率固定的情況下，傳感器的響應是在彎曲方向上的余弦函數，正向彎曲(圖3中X軸方向)光的通過量會降低，負向彎曲(圖3中X軸反方向)光的通過量會增加[17]。

3 模型方法

3.1 AlexNet模型

CNN是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，主要由卷積層、池化層和全連接層組成。其中，AlexNet模型由5個卷積層、3個池化層以及3個全連接層組成。AlexNet網絡的基本結構如圖4所示。

3.2 網絡結構設計

本次實驗采用兩種卷積層數不同的神經網絡模型，對實驗的輸出結果進行對比。通過對AlexNet模型的輸入數據量、卷積核以及網絡層數進行調整。

圖2 具有敏感區域的光纖Fig.2 Fiber with a sensitive zone

圖3 傳感器靈敏度的極性化[15]Fig.3 Polarity of sensor sensitivity[15]

圖4 AlexNet網絡的基本結構Fig.4 Basic structure of AlexNet network

模型一(三層卷積神經網絡)由3個卷積層、3個池化層、2個全連接層和1層softmax分類器組成。模型二(四層卷積神經網絡)由4個卷積層、4個池化層、2個全連接層以及1層softmax 分類器構成。最后一層softmax分類器用來得到樣本屬于各個類別的概率分布情況。將所有卷積層的卷積核的大小設置為5×5代替AlexNet模型中11×11和3×3的卷積核。大的卷積核雖具有更大的感受野，每次可以獲取更多的像素點，但會增加計算量、降低計算性能。同時在每一個卷積層后都加入一個最大池化層，通過對散斑圖的一系列卷積、池化過程，提取散斑圖的深層信息，并進一步的縮小原散斑圖的尺寸，從而減小計算量。模型一的網絡結構如圖5所示。

圖5 模型一的網絡結構Fig.5 Network structure of model Ⅰ

模型一、模型二和網絡結構的配置信息和數據分別如表1、表2和表3所示。其中Conv為卷積層，Num_Filter為卷積核數量，stride為步長，FC為全連接層，Relu為激活函數。

表1 三層卷積神經網絡模型的結構配置和數據

表2 四層卷積神經網絡模型的結構配置和數據

表3 網絡結構配置信息和數據Tab.3 Configuration information and data of network structure

卷積核的計算公式為：

(1)

其中：f[n1，n2]是原始圖像中的一部分，g[n1，n2]是5×5的濾波器，n1和n2是卷積區域的卷積像素點，“×”代表的是每個像素點的相乘。

Relu作為卷積層的激活函數可以加速網絡訓練的速度，降低計算的復雜度，對各種干擾具有更強的魯棒性，并且在一定程度上避免了梯度消失問題。

f(x)=max(0，x)，

(2)

(3)

其中：xi和yi分別是網絡的輸入和輸出，wi是網絡的權重，b是激勵函數f(x)所加入的偏置量。

池化層在卷積層之后，對輸出特征圖進行下采樣操作，降低每個特征映射的維度，并保留最重要的信息。最后Softmax分類器進行光纖彎曲角度的識別分類。假如網絡輸出為z1，z2，…，zn，Softmax函數對輸出進行回歸處理，Softmax函數可表示為：

(4)

其中：i，j為類別索引(i=1，2，…，m)，m為分類數。

4 實驗與結果分析

4.1 實驗設備

用于收集數據的光學系統如圖6所示。560 nm的光源(紅色激光筆)從固定端入射進入塑料光纖，光纖遠端的出射光經焦距為40f的凸透鏡L1，匯聚至CCD檢測器上由成像光纖輸出。

圖6 增敏型光纖彎曲傳感器的光學系統Fig.6 Optical system of enhanced fiber optic bending sensor

4.2 實驗數據處理

數據集一根據光纖角度彎曲間隔不同分為7組，角度間隔分別為30°，20°，15°，10°，5°，3°，2°；角度間隔不同的每組又分為5小組，測量范圍分別為120°，80°，60°，40°，20°，12°，8°。數據集二根據光纖角度彎曲間隔不同分為7組，角度間隔分別為30°，20°，15°，10°，5°，3°，2°；角度間隔不同的每組又分為7小組，測量范圍分別為180°，120°，60°，30°，18°和12°。每小組采集200幅圖片，共采集5 800幅圖片。每小組隨機抽取10張作為測試集，剩余圖片作為訓練集和驗證集，其中數據集一包含4 600幅散斑圖，數據集二包含5 800幅散斑圖，每張圖片的像素均為320×240。為保證實驗的準確性和可靠性，將光纖彎曲的不同角度時的位置用記號筆標記并反復采集不同角度光纖輸出的散斑圖。圖7顯示了光纖不同彎曲角度CCD捕獲的散斑圖。

圖7 不同彎曲角度捕獲的散斑圖Fig.7 Speckle patterns captured at different bending angles

圖8(a)～8(c)為光纖彎曲30°，60°，90°時神經網絡輸出的特征圖，圖8(d)～8(f)為光纖彎曲-30°，-60°，-90°時神經網絡輸出的特征圖。

圖8 神經網絡輸出特征圖Fig.8 Output feature graph of neural network

4.3 結果分析

實驗程序是在單個NVIDIA GeForce RTX 2070圖形處理單元上使用TensorFlow 3.7 Python庫實現的。圖9所示是本次實驗采用的三層卷積神經網絡(模型一)結構和四層卷積神經網絡(模型二)結構，m是分類數。

(a)三層卷積神經網絡(a)Three layers convolutional neural network

(b)四層卷積神經網絡(b)Four layers convolutional neural network圖9 神經網絡結構Fig.9 Structure of neural network

圖10為數據集一和數據集二不同卷積層數的神經網絡模型實驗結果的對比。數據集一的三層和四層卷積神經網絡模型隨著迭代次數的增加識別準確率的變化情況如圖10(a)和10(b)所示。數據集二的三層和四層卷積神經網絡模型隨著迭代次數的增加識別準確率的變化情況如圖10(c)和10(d)所示。

(a)數據集一，三層卷積神經網絡(a)Data set 1， three layers convolutional neural network

(b)數據集一，四層卷積神經網絡(b)Data set 1， four layers convolutional neural network

(c)數據集二，三層卷積神經網絡(c)Data set 2， three layers convolutional neural network

(d)數據集二，四層卷積神經網絡 (d)Data set 2， four layers convolutional neural network

隨著迭代次數的增加，三層和四層卷積神經網絡模型的準確率不斷提高。經過100次迭代訓練后，間隔角度較大時模型一和模型二的識別準確率都很高，分別達到了98.5%和100%。角度間隔較小時，如數據集一角度間隔為5°時模型一的識別準確率達到了92%，模型二的識別準確率達到了96%。數據集二角度間隔為5°時，模型一和模型二的識別準確率也達到了88.5%，91%。由此表明，本文方法在光纖彎曲角度分類識別中具有較強的識別能力。模型二在識別準確率上要高于模型一，同時也需要更長的訓練時間。角度間隔為2°時，識別準確率較低可能是因為散斑攜帶特征不明顯。

表4是數據集一迭代100次不同彎曲角度三層和四層卷積神經網絡模型的識別準確率以及訓練時長的對比。

表4 數據集一不同層數的神經網絡訓練結果以及時間對比

表5是數據集二迭代100次不同彎曲角度三層和四層卷積神經網絡模型的識別準確率以及訓練時長的對比。

表5 數據集二不同層數的神經網絡訓練結果以及時間對比

5 結 論

本文提出了一種基于卷積神經網絡的增敏型光纖彎曲傳感器，采用光強調制型光纖傳感器，并在光纖一側加工出敏感區，提高傳感器的靈敏度。實驗設置兩個數據集，對比分析了數據集一和數據集二在卷積層輸出特征圖大小相等的情況下不同神經網絡層數的識別準確率。實驗結果表明：數據集一光纖彎曲的角度間隔為5°時分類準確率達到了96%，光纖彎曲的角度可以被神經網絡很好的識別，從而證實了該方法的可行性和優越性。該光纖系統搭建成本較為低廉、結構較為簡單，可以用于建筑結構健康監測，智能結構彎曲角度測量等場合，為進一步提高光纖傳感性能提供理論及實驗支持。