CN114323105B - 一种光纤光栅光谱分析方法、系统、存储介质 - Google Patents
一种光纤光栅光谱分析方法、系统、存储介质 Download PDFInfo
- Publication number
- CN114323105B CN114323105B CN202111592164.4A CN202111592164A CN114323105B CN 114323105 B CN114323105 B CN 114323105B CN 202111592164 A CN202111592164 A CN 202111592164A CN 114323105 B CN114323105 B CN 114323105B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- preprocessing
- inputting
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000000835 fiber Substances 0.000 title claims abstract description 35
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 209
- 238000007781 pre-processing Methods 0.000 claims abstract description 112
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000010191 image analysis Methods 0.000 claims abstract description 27
- 238000011176 pooling Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 13
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000004611 spectroscopical analysis Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种光纤光栅光谱分析方法、系统、存储介质，其中，方法包括：获取第一训练数据，其中，所述第一训练数据用于表征通过光纤光栅传感器获得的全光谱数据；本发明通过对全光谱数据进行处理，能够使测量结果不受峰值探测的影响，提高解调效果；对所述第一训练数据进行第一数据预处理，确定第一预处理数据；将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，其中，所述第一训练网络用于训练一维数据；将被测参量输入所述解调模型经过光谱分析得到传感参量。另外，本发明无需人为标记特征，减少硬件分辨率的限制，减低了硬件成本，可广泛应用于光谱分析技术领域。
Description
技术领域
本发明涉及光谱分析技术领域，尤其是一种光纤光栅光谱分析方法、系统、存储介质。
背景技术
近年来，以光纤光栅传感器为代表的光学传感系统发展迅速。由于光纤光栅传感器具有良好的可弯折性、耐腐蚀性、抗电磁干扰、灵敏度高、结构简单、易于集成等诸多良好的特性，其在环境保护、结构监测、损伤识别等多个领域均得到了广泛的应用。由于光纤光栅的被测量会引起其中心波长波峰的偏移，因此，传统技术方案主要通过多次探测其波峰的偏移量，将其与对应的被测量进行拟合，以此求出被测量与波长偏移量之间的关系。但是传统技术方案在调解系统的硬件分辨率不高的情况下，不能对被测量进行有效的评估，具有较大的误差，并且仅针对峰值进行探究，并不能充分地利用光谱信息，解调效果较差。
发明内容
有鉴于此，本发明实施例提供一种光纤光栅光谱分析方法、系统、存储介质，以实现对全光谱数据的分析，提高了解调效果。
一方面，本发明提供了一种光纤光栅光谱分析方法，包括：
获取第一训练数据，其中，所述第一训练数据用于表征通过光纤光栅传感器获得的全光谱数据；
对所述第一训练数据进行第一数据预处理，确定第一预处理数据；
将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，其中，所述第一训练网络用于训练一维数据；
将被测参量输入所述解调模型经过光谱分析得到传感参量。
可选地，所述对所述第一训练数据进行第一数据预处理，确定第一预处理数据，包括：
对所述第一训练数据进行降噪处理，确定第一预处理数据。
可选地，所述将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，包括：
将所述第一预处理数据输入第一训练网络，其中，所述第一训练网络包括一维卷积层、一维最大池化层和全连接层；
通过所述一维卷积层提取第一预处理数据在波长维度上的特征，对提取得到的特征进行回归预测，根据回归预测结果调整所述第一训练网络的参数，得到第一训练模型；
确定解调模型为所述第一训练模型。
可选地，所述将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，还包括：
将所述第一预处理数据输入第一训练网络训练得到第二训练数据；
对所述第二训练数据进行第二数据预处理，确定第二预处理数据；
将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，其中，所述第二训练网络用于训练二维数据。
可选地，所述对所述第二训练数据进行第二数据预处理，确定第二预处理数据，包括：
对所述第二训练数据进行数据升维，确定第二预处理数据。
可选地，所述将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，包括：
将所述第二预处理数据输入第二训练网络，其中，所述第二训练网络包括二维卷积层、二维最大池化层、dropout层、线性整流函数层、全局最大池化层和全连接层；
通过二维卷积层提取第二预处理数据在波长功率维度上的特征，确定提取特征；
对所述提取特征进行回归预测，根据回归预测结果调整所述第二训练网络的参数，得到第二训练模型；
确定解调模型为第二训练模型。
可选地，所述对所述第二训练数据进行数据升维，确定第二预处理数据，包括：
根据第二训练数据中不同波长的功率值在二维图像中进行定位，并逐步递减至零，得到第二预处理数据，其中，所述第二预处理数据的横轴为波长，纵轴为功率。
可选地，在所述将被测参量输入所述解调模型经过光谱分析得到传感参量之前，还包括：
获取光谱数据；
对所述光谱数据进行降噪处理，得到被测参量。
另一方面，本发明实施例还公开了一种光纤光栅光谱分析系统，包括：
第一模块，用于获取第一训练数据，其中，所述第一训练数据用于表征通过光纤光栅传感器获得的全光谱数据；
第二模块，用于对所述第一训练数据进行第一数据预处理，确定第一预处理数据；
第三模块，用于将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，其中，所述第一训练网络用于训练一维数据；
第四模块，用于将被测参量输入所述解调模型经过光谱分析得到传感参量。
可选地，所述第二模块包括：
第一子模块，用于对所述第一训练数据进行降噪处理，确定第一预处理数据。
可选地，所述第三模块包括：
第二子模块，用于将所述第一预处理数据输入第一训练网络，其中，所述第一训练网络包括一维卷积层、一维最大池化层和全连接层；
第三子模块，用于通过所述一维卷积层提取第一预处理数据在波长维度上的特征，对提取得到的特征进行回归预测，根据回归预测结果调整所述第一训练网络的参数，得到第一训练模型；
第四子模块，用于确定解调模型为所述第一训练模型。
可选地，第三模块还包括：
第五子模块，用于将所述第一预处理数据输入第一训练网络训练得到第二训练数据；
第六子模块，用于对所述第二训练数据进行第二数据预处理，确定第二预处理数据；
第七子模块，用于将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，其中，所述第二训练网络用于训练二维数据。
可选地，第六子模块还包括：
第一单元，用于对所述第二训练数据进行数据升维，确定第二预处理数据。
可选地，第七子模块还包括：
第二单元，用于将所述第二预处理数据输入第二训练网络，其中，所述第二训练网络包括二维卷积层、二维最大池化层、dropout层、线性整流函数层、全局最大池化层和全连接层；
第三单元，用于通过二维卷积层提取第二预处理数据在波长功率维度上的特征，确定提取特征；
第四单元，用于对所述提取特征进行回归预测，根据回归预测结果调整所述第二训练网络的参数，得到第二训练模型；
第五单元，用于确定解调模型为第二训练模型。
可选地，第一单元还包括：
第一子单元，用于根据第二训练数据中不同波长的功率值在二维图像中进行定位，并逐步递减至零，得到第二预处理数据，其中，所述第二预处理数据的横轴为波长，纵轴为功率。
可选地，所述在执行第四模块之前，还包括：
第五模块，用于获取光谱数据；
第六模块，用于对所述光谱数据进行降噪处理，得到被测参量。
另一方面，本发明实施例还公开了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
另一方面，本发明实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
另一方面，本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：获取第一训练数据，其中，所述第一训练数据用于表征通过光纤光栅传感器获得的全光谱数据；本发明通过对全光谱数据进行处理，能够使测量结果不受峰值探测的影响，提高解调效果；对所述第一训练数据进行第一数据预处理，确定第一预处理数据；将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，其中，所述第一训练网络用于训练一维数据；将被测参量输入所述解调模型经过光谱分析得到传感参量。本发明无需人为标记特征，可减少硬件分辨率的限制，减低了硬件成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种光纤光栅光谱分析流程图；
图2为本发明实施例的一种传感系统结构图；
图3为本发明实施例的另一种传感系统结构图；
图4为本发明实施例的一种光谱分析系统结构图；
图5为本发明实施例的一种通过倾斜光栅传感器获得的一维图像；
图6为本发明实施例的一种第二预处理数据的二维图像；
图7为本发明实施例的一种通过光纤布拉格光栅获得的一维图像。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本发明实施例提供一种光纤光栅光谱分析方法，包括：
S101、获取第一训练数据，其中，所述第一训练数据用于表征通过光纤光栅传感器获得的全光谱数据；
S102、对所述第一训练数据进行第一数据预处理，确定第一预处理数据；
S103、将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，其中，所述第一训练网络用于训练一维数据；
S104、将被测参量输入所述解调模型经过光谱分析得到传感参量。
其中，本发明实施例可应用于多种光纤光栅传感器，包括反射型光纤光栅传感器和透射型光纤光栅传感器，参照图2、图3、图5和图7，本发明实施例通过激光器输出波长范围为1460-1620nm的激光至光电探测器，通过光电探测器有效地探测激光器发射波长范围内的光信号，并将其转换为电信号进行传输，最终输入光谱分析系统进行光谱分析，得到传感参量。其中，图2中的光电探测器用于收集光纤布拉格光栅传感器的反射光谱，图7为通过光纤布拉格光栅传感器收集的一维数据光谱，图3中的光电探测器用于收集倾斜光栅传感器的透射光谱，图5为通过倾斜光栅传感器收集的一维数据光谱。需要说明的是，本发明实施例对光电探测器的硬件分辨率无硬性要求。结合图4，本发明实施例中的光谱分析系统采集训练数据，对训练数据进行数据预处理后输入第一训练网络进行图像分析处理，得到解调模型。接着实时输入光谱数据，对数据进行降噪处理后输入解调模型经过光谱分析得到传感参量。
进一步作为优选的实施方式，上述步骤S102中，所述对所述第一训练数据进行第一数据预处理，确定第一预处理数据，包括：
对所述第一训练数据进行降噪处理，确定第一预处理数据。
其中，本发明实施例对第一训练数据进行第一数据预处理，通过对第一训练数据进行降噪处理，检查数据之间的长度是否一致以及数据与数据标签个数是否一致，得到第一预处理数据。
进一步作为优选的实施方式，上述步骤S103中，所述将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，包括：
将所述第一预处理数据输入第一训练网络，其中，所述第一训练网络包括一维卷积层、一维最大池化层和全连接层；
通过所述一维卷积层提取第一预处理数据在波长维度上的特征，对提取得到的特征进行回归预测，根据回归预测结果调整所述第一训练网络的参数，得到第一训练模型；
确定解调模型为所述第一训练模型。
其中，第一预处理数据为一维数据，其格式为(N,L)的矩阵，其中，N为样本数，L为输入长度。将第一预处理数据输入第一训练网络中，第一训练网络包括一维卷积层、一维最大池化层和全连接层。其中，一维卷积层的的原理公式如下：
式中，Input为输入，Output为输出，Ni为第i个样本，i为正整数，Cin和分别为输入和输出的通道数，Weight为卷积层的权重，Bias为卷积层的偏置，k为卷积核大小，*为互相关算子。
通过一维卷积之后输出信号的长度如下式所示：
其中，Lin为输入信号长度，Lout为输出信号长度，p为填充，d为扩张，s为步幅。
通过第一训练网络中一维卷积层从频谱中提取特征，通过一维最大池化层突出提取得到的特征，并通过具有线性激活函数的全连接层将特征向量映射到表示对应光谱数据的最终输出。对光谱数据进行线性或非线性回归预测，根据回归预测结果调整所述第一训练网络的参数，得到第一训练模型。可将此时得到的第一训练模型作为解调模型，对实时获取的光谱数据进行解调。
进一步作为优选的实施方式，所述将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，还包括：
将所述第一预处理数据输入第一训练网络训练得到第二训练数据；
对所述第二训练数据进行第二数据预处理，确定第二预处理数据；
将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，其中，所述第二训练网络用于训练二维数据。
其中，本发明实施例还可以进一步提高调节效率，将通过第一训练网络得到的数据作为第二训练数据，对第二训练数据进行第二数据预处理，将光谱用渐进法进行变换，使之转为二维图像数据，得到二维的第二预处理数据。通过将二维的第二预处理数据输入第二训练网络进行图像分析处理，最终得到解调模型。此时解调模型为最终得到的解调模型。与本解调模型相比，当获取待测量参量为温度时，经过传统峰值算法进行检测时，其均方误差为1.1800℃而本发明实施例的均方误差为0.0916℃。并且当采样率下降为1/20时，传统方法均方误差为3.4303℃，本方法的均方误差则为0.0746℃。本解调模型采用了均方误差函数作为损失函数，通过决定系数评价模型的回归精度。需要说明的是，训练数据包括第一训练数据和第二训练数据，其中，将训练数据分为两部分，75％的数据集用于训练模型，其余部分用于验证模型是否过拟合。
进一步作为优选的实施方式，所述对所述第二训练数据进行第二数据预处理，确定第二预处理数据，包括：
对所述第二训练数据进行数据升维，确定第二预处理数据。
其中，参照图5和图6，图5为本发明实施例的通过倾斜光栅传感器获取的一种一维数据图像，图6为对一维数据图像升维后得到的二维数据图像，本发明实施例通过对第二训练数据进行数据升维后得到第二预处理数据。
进一步作为优选的实施方式，所述将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，包括：
将所述第二预处理数据输入第二训练网络，其中，所述第二训练网络包括二维卷积层、二维最大池化层、dropout层、线性整流函数层、全局最大池化层和全连接层；
通过二维卷积层提取第二预处理数据在波长功率维度上的特征，确定提取特征；
对所述提取特征进行回归预测，根据回归预测结果调整所述第二训练网络的参数，得到第二训练模型；
确定解调模型为第二训练模型。
其中，第二训练网络包括二维卷积层、二维最大池化层、dropout层、线性整流函数层、全局最大池化层和全连接层，第二预处理数据的数据格式为(N,C,H,W)的矩阵。其中，N为样本数，C为输入通道数，H为图像高度，W为图像宽度)，通过二维卷积层进行计算：
式中，input为输入，out为输出，Ni为第i个样本，i为正整数，Cin和分别为输入和输出的通道数，weight为卷积层的权重，bias为卷积层的偏置，k为卷积核大小，*为一维互相关算子。
输出信号的高度Hout和宽度Wout分别为：
式(4)和式(5)中，p为填充，d为扩张，s为步幅，k为卷积核大小，[0]代表第一维度数据，[1]代表第二维度数据，Hin为输入图像高度，Win为输入图像宽度。
通过二维卷积层提取第二预处理数据在波长功率维度上的特征，得到提取特征；接着对所述提取特征进行回归预测，根据回归预测结果调整所述第二训练网络的参数，得到第二训练模型；最终确定解调模型为第二训练模型。
进一步作为优选的实施方式，所述对所述第二训练数据进行数据升维，确定第二预处理数据，包括：
根据第二训练数据中不同波长的功率值在二维图像中进行定位，并逐步递减至零，得到第二预处理数据，其中，所述第二预处理数据的横轴为波长，纵轴为功率。
其中，参照图5和图6，第二训练数据为传感器收集的一维光谱数据，将一维光谱数据根据波长值和功率值在二维图像中进行定位，并逐步递减至零，得到二维的第二预处理数据。
进一步作为优选的实施方式，在所述将被测参量输入所述解调模型经过光谱分析得到传感参量之前，还包括：
获取光谱数据；
对所述光谱数据进行降噪处理，得到被测参量。
其中，通过光纤光栅传感器获取实时的光谱数据，对光谱数据进行降噪处理，但无需对其进行人为审查或核对，也无需以额外的传感器监控光栅传感器的实时状态，最终得到被测参量。
另一方面，本发明实施例还公开了一种光纤光栅光谱分析系统，包括：
第一模块，用于获取第一训练数据，其中，所述第一训练数据用于表征通过光纤光栅传感器获得的全光谱数据；
第二模块，用于对所述第一训练数据进行第一数据预处理，确定第一预处理数据；
第三模块，用于将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，其中，所述第一训练网络用于训练一维数据；
第四模块，用于将被测参量输入所述解调模型经过光谱分析得到传感参量。
进一步作为优选的实施方式，所述第二模块包括：
第一子模块，用于对所述第一训练数据进行降噪处理，确定第一预处理数据。
进一步作为优选的实施方式，所述第三模块包括：
第二子模块，用于将所述第一预处理数据输入第一训练网络，其中，所述第一训练网络包括一维卷积层、一维最大池化层和全连接层；
第三子模块，用于通过所述一维卷积层提取第一预处理数据在波长维度上的特征，对提取得到的特征进行回归预测，根据回归预测结果调整所述第一训练网络的参数，得到第一训练模型；
第四子模块，用于确定解调模型为所述第一训练模型。
进一步作为优选的实施方式，第三模块还包括：
第五子模块，用于将所述第一预处理数据输入第一训练网络训练得到第二训练数据；
第六子模块，用于对所述第二训练数据进行第二数据预处理，确定第二预处理数据；
第七子模块，用于将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，其中，所述第二训练网络用于训练二维数据。
进一步作为优选的实施方式，第六子模块还包括：
第一单元，用于对所述第二训练数据进行数据升维，确定第二预处理数据。
进一步作为优选的实施方式，第七子模块还包括：
第二单元，用于将所述第二预处理数据输入第二训练网络，其中，所述第二训练网络包括二维卷积层、二维最大池化层、dropout层、线性整流函数层、全局最大池化层和全连接层；
第三单元，用于通过二维卷积层提取第二预处理数据在波长功率维度上的特征，确定提取特征；
第四单元，用于对所述提取特征进行回归预测，根据回归预测结果调整所述第二训练网络的参数，得到第二训练模型；
第五单元，用于确定解调模型为第二训练模型。
进一步作为优选的实施方式，第一单元还包括：
第一子单元，用于根据第二训练数据中不同波长的功率值在二维图像中进行定位，并逐步递减至零，得到第二预处理数据，其中，所述第二预处理数据的横轴为波长，纵轴为功率。
进一步作为优选的实施方式，所述在执行第四模块之前，还包括：
第五模块，用于获取光谱数据；
第六模块，用于对所述光谱数据进行降噪处理，得到被测参量。
与图1的方法相对应，本发明实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如前面所述的方法。
与图1的方法相对应，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
综上所述，本发明实施例具有以下优点：
(1)本发明可适用于多类不同的光栅传感器，如光纤布拉格光栅、相移光栅、啁啾光栅和倾斜光栅等，具有较强的普适性。
(2)本发明测量结果不受峰值探测的影响，针对频移、包络形变的光谱仍能有效解调被测量，且测量误差较小。
(3)本发明不受硬件分辨率的限制，当采样率降低时，本发明所得结果仍能保证较高准确率，可有效降低硬件成本。
(4)本发明无需要求使用者拥有充足的背景知识即可使用，降低了使用门槛。由于本方法采取了深度学习的方式进行解调，其可以自动分析光谱数据，并从中提取特征，而无需人为标定特征，从而可直接将光谱数据转化为被测参量。
(5)本发明所探测的对象为全光谱，故能充分利用光谱信息，而非只结合峰值进行探测。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种光纤光栅光谱分析方法，其特征在于，包括：
获取第一训练数据，其中，所述第一训练数据用于表征通过光纤光栅传感器获得的全光谱数据；
对所述第一训练数据进行第一数据预处理，确定第一预处理数据；
将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，其中，所述第一训练网络用于训练一维数据；
将被测参量输入所述解调模型经过光谱分析得到传感参量；
所述将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，包括：
将所述第一预处理数据输入第一训练网络训练得到第二训练数据；
对所述第二训练数据进行第二数据预处理，确定第二预处理数据；
将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，其中，所述第二训练网络用于训练二维数据；
所述将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，包括：
将所述第二预处理数据输入第二训练网络，其中，所述第二训练网络包括二维卷积层、二维最大池化层、dropout层、线性整流函数层、全局最大池化层和全连接层；
通过二维卷积层提取第二预处理数据在波长功率维度上的特征，确定提取特征；
对所述提取特征进行回归预测，根据回归预测结果调整所述第二训练网络的参数，得到第二训练模型；
确定解调模型为第二训练模型；
所述对所述第二训练数据进行第二数据预处理，确定第二预处理数据，包括：
对所述第二训练数据进行数据升维，确定第二预处理数据；
所述对所述第二训练数据进行数据升维，确定第二预处理数据，包括：
根据第二训练数据中不同波长的功率值在二维图像中进行定位，并逐步递减至零，得到第二预处理数据，其中，所述第二预处理数据的横轴为波长，纵轴为功率。
2.根据权利要求1所述的一种光纤光栅光谱分析方法，其特征在于，所述对所述第一训练数据进行第一数据预处理，确定第一预处理数据，包括：
对所述第一训练数据进行降噪处理，确定第一预处理数据。
3.根据权利要求1所述的一种光纤光栅光谱分析方法，其特征在于，所述将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，包括：
将所述第一预处理数据输入第一训练网络，其中，所述第一训练网络包括一维卷积层、一维最大池化层和全连接层。
4.根据权利要求1所述的一种光纤光栅光谱分析方法，其特征在于，在所述将被测参量输入所述解调模型经过光谱分析得到传感参量之前，还包括：
获取光谱数据；
对所述光谱数据进行降噪处理，得到被测参量。
5.一种光纤光栅光谱分析系统，其特征在于，包括：
第一模块，用于获取第一训练数据，其中，所述第一训练数据用于表征通过光纤光栅传感器获得的全光谱数据；
第二模块，用于对所述第一训练数据进行第一数据预处理，确定第一预处理数据；
第三模块，用于将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，其中，所述第一训练网络用于训练一维数据；
第四模块，用于将被测参量输入所述解调模型经过光谱分析得到传感参量；
所述第三模块，用于将所述第一预处理数据输入第一训练网络进行图像分析处理，确定解调模型，包括：
将所述第一预处理数据输入第一训练网络训练得到第二训练数据；
对所述第二训练数据进行第二数据预处理，确定第二预处理数据；
将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，其中，所述第二训练网络用于训练二维数据；
所述将所述第二预处理数据输入第二训练网络进行图像分析处理，确定解调模型，包括：
将所述第二预处理数据输入第二训练网络，其中，所述第二训练网络包括二维卷积层、二维最大池化层、dropout层、线性整流函数层、全局最大池化层和全连接层；
通过二维卷积层提取第二预处理数据在波长功率维度上的特征，确定提取特征；
对所述提取特征进行回归预测，根据回归预测结果调整所述第二训练网络的参数，得到第二训练模型；
确定解调模型为第二训练模型；
所述对所述第二训练数据进行第二数据预处理，确定第二预处理数据，包括：
对所述第二训练数据进行数据升维，确定第二预处理数据；
所述对所述第二训练数据进行数据升维，确定第二预处理数据，包括：
根据第二训练数据中不同波长的功率值在二维图像中进行定位，并逐步递减至零，得到第二预处理数据，其中，所述第二预处理数据的横轴为波长，纵轴为功率。
6.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592164.4A CN114323105B (zh) | 2021-12-23 | 2021-12-23 | 一种光纤光栅光谱分析方法、系统、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592164.4A CN114323105B (zh) | 2021-12-23 | 2021-12-23 | 一种光纤光栅光谱分析方法、系统、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114323105A CN114323105A (zh) | 2022-04-12 |
| CN114323105B true CN114323105B (zh) | 2024-02-27 |
Family
ID=81053904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111592164.4A Active CN114323105B (zh) | 2021-12-23 | 2021-12-23 | 一种光纤光栅光谱分析方法、系统、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114323105B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109282837A (zh) * | 2018-10-24 | 2019-01-29 | 福州大学 | 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 |
| CN110532901A (zh) * | 2019-08-12 | 2019-12-03 | 北京邮电大学 | 基于多目标检测的深度学习智能光谱分析方法及系统 |
| CN110715726A (zh) * | 2018-07-12 | 2020-01-21 | 中国移动通信集团设计院有限公司 | 可见光探测装置及方法 |
| CN113222959A (zh) * | 2021-05-26 | 2021-08-06 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
| CN113313059A (zh) * | 2021-06-16 | 2021-08-27 | 燕山大学 | 一种一维光谱分类方法及系统 |
| CN113484257A (zh) * | 2021-06-24 | 2021-10-08 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
-
2021
- 2021-12-23 CN CN202111592164.4A patent/CN114323105B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110715726A (zh) * | 2018-07-12 | 2020-01-21 | 中国移动通信集团设计院有限公司 | 可见光探测装置及方法 |
| CN109282837A (zh) * | 2018-10-24 | 2019-01-29 | 福州大学 | 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 |
| CN110532901A (zh) * | 2019-08-12 | 2019-12-03 | 北京邮电大学 | 基于多目标检测的深度学习智能光谱分析方法及系统 |
| CN113222959A (zh) * | 2021-05-26 | 2021-08-06 | 马翔 | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 |
| CN113313059A (zh) * | 2021-06-16 | 2021-08-27 | 燕山大学 | 一种一维光谱分类方法及系统 |
| CN113484257A (zh) * | 2021-06-24 | 2021-10-08 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114323105A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
| Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
| US9135492B2 (en) | Image based dial gauge reading | |
| CN100573193C (zh) | 高光谱小目标探测方法及装置 | |
| CN109799199B (zh) | 一种叶绿素a浓度的协同反演方法 | |
| CN102590247A (zh) | 一种基于x光图像处理技术的钢丝绳损伤检测方法 | |
| CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| CN102809494A (zh) | 数字x射线成像系统调制传递函数的刀口法测量方法 | |
| CN105841723A (zh) | 基于小波奇异性检测的fbg传感解调寻峰方法 | |
| CN113866102A (zh) | 一种基于光谱的土壤健康调查监测方法 | |
| CN116046692A (zh) | 一种基于高光谱的土壤重金属污染监测方法和装置 | |
| CN117147532B (zh) | 基于物联网的微型化学发光法氮氧化物气体传感器 | |
| CN113819932B (zh) | 一种基于深度学习和数学拟合的布里渊频移提取方法 | |
| CN114323105B (zh) | 一种光纤光栅光谱分析方法、系统、存储介质 | |
| CN117288705B (zh) | 基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器 | |
| CN115265609A (zh) | 一种诊断结构健康监测系统中传感器状态的方法 | |
| Jiang et al. | Extracting sensitive spectrum bands of rapeseed using multiscale multifractal detrended fluctuation analysis | |
| CN106404016A (zh) | 光纤采样信号的滤波方法及装置、光纤传感系统 | |
| CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
| CN115184281A (zh) | 一种基于二维光谱的溶液组分浓度确定方法及系统 | |
| CN113567357B (zh) | 一种光谱数据的融合方法、以及装置 | |
| CN115656063A (zh) | 基于高光谱数据的目标污染物含量分析方法及装置 | |
| CN111639763B (zh) | 一种液压油污染度的检测模型训练方法、检测方法及装置 | |
| CN114324294A (zh) | 多探头气体拉曼光谱系统及混合气体定量分析方法 | |
| CN114170145A (zh) | 基于多尺度自编码的异质遥感图像变化检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |