Deep Learning-Based Multimode Fiber Distributed Temperature Sensing

doi:10.3390/s25092811

Deep Learning-Based Multimode Fiber Distributed Temperature Sensing

2025-04-29

0

OA

AI

DOI：10.3390/s25092811

原文链接

原文求助

摘要

En 中文

亮点主要发现是什么？我们开发了一种基于卷积神经网络（CNNs）的光纤温度传感方法。通过将散斑图案输入CNN，可以同时确定光纤不同位置的温度；网络训练分为三个步骤：首先，进行温度预测训练；其次，进行加热位置预测训练；最后，使用所有数据集对温度和加热位置进行联合训练；我们使用两种类型的光纤测试了该模型，并达到了令人满意的预测精度。主要发现的意义是什么？该方法解决了传统光纤温度传感技术成本高、安装复杂、精度有限的问题。它简化了测量过程，无需复杂的物理模型，为光纤传感提供了一种新的高效解决方案；适用于危险环境和其他复杂场景，该方法无需与目标物体直接接触即可准确获取温度和位置信息。亮点主要发现是什么？我们开发了一种基于卷积神经网络（CNNs）的光纤温度传感方法。通过将散斑图案输入CNN，可以同时确定光纤不同位置的温度；网络训练分为三个步骤：首先，进行温度预测训练；其次，进行加热位置预测训练；最后，使用所有数据集对温度和加热位置进行联合训练；我们使用两种类型的光纤测试了该模型，并达到了令人满意的预测精度。主要发现的意义是什么？该方法解决了传统光纤温度传感技术成本高、安装复杂、精度有限的问题。它简化了测量过程，无需复杂的物理模型，为光纤传感提供了一种新的高效解决方案；适用于危险环境和其他复杂场景，该方法无需与目标物体直接接触即可准确获取温度和位置信息。摘要作为激光束通过多模光纤（MMF）时，会产生对温度敏感的散斑图案，从而使MMF成为温度传感元件。采用深度学习技术应用于基于MMF的温度传感器，以实现高精度温度传感。我们设计了一种基于MMF的温度传感配置，并开发了一种双输出卷积神经网络（CNN），用于预测温度和加热点的位置，并构建了数据集。结果表明，位置预测精度达到100%，温度预测精度（在±1°C误差范围内）在两个实验中分别达到100%和95.12%。预测加热点的精度小于1厘米。在温度测量中使用了不同类型的MMF，显示精度仍然很高。这种由深度学习驱动、非接触式、高精度的基于MMF的温度测量方法，适用于危险环境中的应用。

Keyword:

convolutional neural networks

multimode fibers

temperature prediction

position prediction

speckle imaging

distributed sensing

Deep Learning-Based Multimode Fiber Distributed Temperature Sensing

摘要

期刊

机构

引用论文