CN117147024A - 一种力传感触头及光纤末端力传感装置与三维力解算方法 - Google Patents
一种力传感触头及光纤末端力传感装置与三维力解算方法 Download PDFInfo
- Publication number
- CN117147024A CN117147024A CN202311120759.9A CN202311120759A CN117147024A CN 117147024 A CN117147024 A CN 117147024A CN 202311120759 A CN202311120759 A CN 202311120759A CN 117147024 A CN117147024 A CN 117147024A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- force
- multimode optical
- multimode
- force sensing
- 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.)
- Granted
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008878 coupling Effects 0.000 claims abstract description 37
- 238000010168 coupling process Methods 0.000 claims abstract description 37
- 238000005859 coupling reaction Methods 0.000 claims abstract description 37
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 230000007935 neutral effect Effects 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 238000013136 deep learning model Methods 0.000 claims abstract description 4
- 239000000835 fiber Substances 0.000 claims description 41
- 239000007788 liquid Substances 0.000 claims description 40
- 239000004205 dimethyl polysiloxane Substances 0.000 claims description 34
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 claims description 34
- 239000011248 coating agent Substances 0.000 claims description 15
- 238000000576 coating method Methods 0.000 claims description 15
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 13
- 239000000843 powder Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001808 coupling effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 2
- 235000013870 dimethyl polysiloxane Nutrition 0.000 claims 10
- CXQXSVUQTKDNFP-UHFFFAOYSA-N octamethyltrisiloxane Chemical group C[Si](C)(C)O[Si](C)(C)O[Si](C)(C)C CXQXSVUQTKDNFP-UHFFFAOYSA-N 0.000 claims 10
- 238000004987 plasma desorption mass spectroscopy Methods 0.000 claims 10
- 230000035945 sensitivity Effects 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 239000011259 mixed solution Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- -1 Polydimethylsiloxane Polymers 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000013590 bulk material Substances 0.000 description 1
- 230000000747 cardiac effect 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
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000002324 minimally invasive surgery Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/24—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet
- G01L1/242—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet the material being an optical fibre
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
- G01L5/166—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force using photoelectric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Force Measurement Appropriate To Specific Purposes (AREA)
Abstract
本发明提供了一种力传感触头及光纤末端力传感装置与三维力解算方法，所述力传感触头由末端触头、多模光纤和光纤接头组成；所述光纤末端力传感装置由力传感触头、Y型多模光纤耦合器、光纤连接器、激光器、中性密度滤光片、耦合透镜、成像透镜、相机和计算机组成，通过采用深度学习模型提取受扰动的多模光纤的散斑图中复杂的特征，能实现三维力的解算，输出的散斑图对光纤末端力具有很高的灵敏度和分辨力，大大提高微操作的准确性，并且该方法允许力传感触头灵活弯曲，大大提高了使用的灵活度，弥补了现有光纤式力传感器不易实现三维力测量、结构复杂、成本高的不足。
Description
技术领域
本发明涉及力学传感领域，尤其是一种力传感触头及光纤末端力传感装置与三维力解算方法。
背景技术
随着仪器小型化的发展，微操作越来越引起人们的重视，微系统、生物样品检测、微装配和微创手术等微操作领域需要高灵敏度、小体积的力传感器。例如心脏导管术中，需要准确了解导管和血管壁之间的接触力，以避免穿孔事故；生物样品检测中，需要准确测量探针与生物组织接触力，避免样品损坏，提高检测正确率。
传统光纤式传感器通过测量光信号的强度、波长或者相位等参数来实现对外界物理量变化的感知。光强调制型传感器结构简单且响应速度快，但其对微小信号的探测能力较弱，较难实现高精度的物理量测量。波长调制型传感器灵敏度较高，力分辨力能够达到几个毫牛量级，但解调设备昂贵、算法复杂，需要额外设置温度补偿光纤来抵消温度影响。相位调制型传感器对于连续和静态信号的测量均具有较高的灵敏度和精度，但一般的结构只适合于轴向力的测量且重复性较差，同时存在对相位噪声敏感和测量范围限制等问题。此外，以上三种方法中单根光纤能够感知的物理量有限，实现多维力测量时需要采用多根光纤，导致传感器结构复杂、不易集成化，为了实现更高分辨力的测量需要依赖更精巧的弹性体设计或者性能更好的探测器。
与上述三种传统光纤式传感器相比，基于光纤散斑图的传感器结构简单、制作工艺简单、配套设备成本低，仅需单根多模光纤便能够对外界的微小力激励输出包含大量力学信息的散斑图，存在能够实现高灵敏度与高分辨力的潜能。此外，该传感器所输出的散斑图与三维力之间存在着复杂的非线性关系，找到有效的解算算法能够利用该传感器实现三维力的测量。近年来人工智能技术在图像处理技术方面日趋成熟，能够实现图像分割、图像特征提取等功能。利用深度卷积神经网络，用大量标记好的数据集对模型进行训练，能够确定散斑图和三维力间的非线性关系，并取得较高的准确率与较强的鲁棒性。
现有技术中CN113520617A公开了一种无源式三维力传感测头及光学式力传感器，可以实现微型化，且采用核磁共振兼容性和生物相容性更好的光学式力传感器技术路线，以高分辨力实现三维接触力的180°感知。其原理为依靠刚性触点形成的压痕图像实现力的测量，测头涉及多层结构，尤其是将刚性触点颗粒附着在呈球面的反射涂层外，曲面上微结构的制造难度较高；同时测头和光纤传输系统需要设计所述圆柱形延伸结构进行装配，且光纤传输系统结构复杂，装配存在一定困难。
发明内容
本发明所要解决的技术问题在于提供一种力传感触头。
本发明所要解决的另一技术问题在于提供一种安装有上述力传感触头的光纤末端力传感装置。
本发明所要解决的另一技术问题在于提供一种基于上述装置的三维力解算方法。
为解决上述技术问题，本发明的技术方案是：
一种力传感触头，由末端触头、多模光纤和光纤接头组成，所述多模光纤的一端被液滴状末端触头包裹，另一端为光纤接头，所述末端触头由弹性层和反射层组成，弹性层的主体材料为PDMS（全称聚二甲基硅氧烷，Polydimethylsiloxane），该弹性层外部覆盖有反射涂层，反射涂层的材料为PDMS和纳米银粉混合物，所述混合物中PDMS和纳米银粉的质量比为3:1。末端触头受外力后发生形变，导致反射涂层对光的反射情况发生变化，进一步导致输出的散斑场发生变化。
优选的，上述力传感触头，所述多模光纤长度1-2m，可发生灵活弯曲，以延伸到所需狭窄测量空间内。
上述力传感触头的制备方法，具体步骤如下：
（1）在容器中配置PDMS液体，将多模光纤竖直向下移动，使其末端浸入到PDMS液体中50μm，浸入1s；将多模光纤竖直缓慢拉起，待PDMS液体固化形成弹性层；
（2）在容器中配置PDMS液体和纳米银粉的混合液体，将末段有弹性层的多模光纤竖直向下移动，使其末端浸入到混合液体中，观察混合液将弹性层完全包裹后，将多模光纤竖直缓慢拉起，待混合液固化，从而在弹性层外形成反射层。
优选的，上述力传感触头的制备方法，容器中装入配置液体，所述配置液体为PDMS液体或者PDMS和纳米银粉混合液，将多模光纤固定在光纤卡具中，并露出末端，光纤卡具通过转接件固定在位移台上，从而实现多模光纤的末端可以在竖直方向上下移动，同时在侧面有显微相机拍摄多模光纤的末端，辅助观察多模光纤和PDMS液体或混合液体的液面接触情况以及在其末端形成的弹性层和反射层的情况。
一种光纤末端力传感装置，主要由上述力传感触头，Y型多模光纤耦合器、光纤连接器、激光器、中性密度滤光片、耦合透镜、成像透镜、相机和计算机组成，其中，所述Y型多模光纤耦合器具有三条多模光纤支路，分别为输入路、耦合路和输出路，力传感触头的光纤接头和Y型多模光纤耦合器的耦合路上的光纤接头安装在光纤连接器上，以实现两者多模光纤的紧密连接，同时方便更换力传感触头；所述Y型多模光纤耦合器的输入路的端口前方间隔设置有耦合透镜、中性密度滤光片和激光器，所述耦合透镜、中性密度滤光片和激光器位于同一直线上；所述Y型多模光纤耦合器的输出路的端口前方间隔设置有成像透镜和相机，所述成像透镜和相机位于同一直线上，所述相机与计算机线路连接或信号连通。
对于上述Y型多模光纤耦合器具有三条多模光纤支路，光从输入路进入耦合路实现光源输入，光从耦合路进入输出路实现散斑场输出，每条多模光纤支路端口有光纤接头，便于连接和固定；Y型多模光纤耦合器的输入路和输出路端口的光纤接头便于这两端的固定，以保证激光耦合和散斑图获取的稳定性。
优选的，上述光纤末端力传感装置，所述激光器的功率为1-2mW，功率较低，以减小光热效应导致PDMS形变。
优选的，上述光纤末端力传感装置，所述激光器发出的激光经中性密度滤光片衰减，通过耦合透镜进入Y型多模光纤耦合器的输入路，通过耦合作用光进入耦合路，然后进入力传感触头的多模光纤中，正向传输至末端触头内；反射层将光反射，使得光在多模光纤内反向，而后进入耦合路，又通过光纤耦合作用进入Y型多模光纤耦合器的输出路；成像透镜将输出路端口出射的散斑场成像在相机上，相机将获取的散斑图传输至计算机，计算机对散斑图进行处理，解算传感模块所受三维力。
基于上述装置的三维力解算方法，主要包括数据集构建、散斑图分割、模型训练和模型使用，具体步骤如下：
（1）数据集构建：将驱动器布置在力传感触头中多模光纤四周，推动多模光纤使其弯曲状态处于动态变化之中，同时，采用标准力传感器对力传感触头中末端触头进行三维力加载，并收集三维力对应的散斑图，从而实现构建光纤处于扰动状态下的力-散斑数据集；
（2）散斑图分割：将散斑图归一化处理后，采用四个同心圆分割为一个圆区域和三个圆环区域，同心圆最大半径为散斑图的半径，各同心圆半径为等差数列，从而得到四个子散斑图；
（3）模型训练：构建注意力机制卷积神经网络深度学习模型，模型具有四路输入，依次为散斑图分割处理后的四个子散斑图，模型中具有通道注意力机制模块对子散斑图的特征进行加权融合，模型输出为归一化的三维力，采用所构建的力-散斑数据集对模型进行训练，模型将学习多模光纤处于扰动过程中散斑图和三维力的关系，训练结束后保存训练结果，得到散斑—三维力转换模型；
（4）模型使用：在实际使用时，将获取的散斑图进行散斑图分割操作后，输入到散斑—三维力转换模型中，则可获取模型输出的归一化的三维力信息，然后进行反归一化，得到实际的三维力信息。
有益效果
上述力传感触头，结构紧凑简洁、尺寸小，具有电无缘和非铁磁，耐腐蚀性和安全性高，抗干扰能力强，具备良好的生物体内环境兼容性，成本低，可更换，可以作为耗材使用，便于集成在各种微操作器械中，例如集成在介入式手术导管中，由于传感结构外径小，大大减小了导管尺寸，提高了手术的安全性和精准度以及减轻了病人痛苦；其所构建的光纤末端力传感装置，基于多模光纤散斑图的光纤末端力方法，采用深度学习算法，通过多模光纤输出的散斑图解算光纤末端所受三维力。
与现有技术（CN113520617A）相比，所述力传感触头由末端触头、多模光纤和光纤接头组成，末端触头由弹性层和反射涂层组成，该多模光纤既为末端触头提供光源又接收反射涂层反射光。其原理为依靠反射涂层反射光在光纤中传输模式干涉形成的散斑图并实现力的测量，光的干涉一般具有较高灵敏度和分辨力，触头即使发生纳米量级的形变也会造成传输模式相位差发生变化，从而导致所形成散斑图的改变。因此，可通过较为简易的制备方法在多模光纤末端直接制备末端触头，即末端触头与多模光纤之间没有任何机械结构，不存在系统装配问题。且由于多模光纤的外径一般为125微米左右，因此力传感触头直径可以轻易实现微型化。
上述装置的三维力解算方法，采用深度学习模型提取受扰动的多模光纤的散斑图中复杂的特征，能实现三维力的解算，输出的散斑图对光纤末端力具有很高的灵敏度和分辨力，大大提高微操作的准确性，并且该方法允许力传感触头灵活弯曲，大大提高了使用的灵活度，弥补了现有光纤式力传感器不易实现三维力测量、结构复杂、成本高的不足。
附图说明
图1是本发明中整体装置图；
图2是本发明中末端触头局部示意图图；
图3是本发明中末端触头的制造装置示意图；
图4是本发明中散斑图分割处理方法的示意图；
图5是本发明中神经网络结构示意图。
图中：1末端触头 2多模光纤 3 光纤接头 4光纤连接器
5 Y型多模光纤耦合器 6耦合透镜 7中性密度滤光片
8激光器 9成像透镜 10相机 11计算机 12反射层
13弹性层 14容器 15配置的液体 16 光纤卡具
17转接件 18位移台 19显微相机
P1 （Y型多模光纤耦合器的）输入路
P2 （Y型多模光纤耦合器的）耦合路
P3 （Y型多模光纤耦合器的）输出路
实施方式
下面结合实施例和附图对本发明的力传感触头、光纤末端力传感装置、三维力解算方法做出说明。
实施例1
如图1所示，一种基于多模光纤散斑图的光纤末端力传感装置，由力传感触头和其他部分组成，所述力传感触头由末端触头1、多模光纤2和光纤接头3组成，其他部分有光纤连接器4、Y型多模光纤耦合器5、成像透镜9、中性密度滤光片7、激光器8、耦合透镜6、相机10、计算机11组成。其中，
如图2所示，所述力传感触头的多模光纤长度1-2m，可发生灵活弯曲，以延伸到所需狭窄测量空间内，所述多模光纤的一端被液滴状末端触头1包裹，另一端为光纤接头，所述末端触头由弹性层13和反射层12组成，弹性层的主体材料为PDMS（全称聚二甲基硅氧烷，Polydimethylsiloxane），该弹性层外部覆盖有反射涂层，反射涂层的材料为PDMS和纳米银粉混合物，所述混合物中PDMS和纳米银粉的质量比为3:1。末端触头受外力后发生形变，导致反射涂层对光的反射情况发生变化，进一步导致输出的散斑场发生变化。
所述末端触头的制造过程如图3所示。容器14中装有配置的液体15，即PDMS液体或者PDMS和纳米银粉混合液，将多模光纤2固定在光纤卡具16中，并露出末端，光纤卡具16通过转接件17固定在位移台18上，从而实现多模光纤2的末端的竖直上下移动，同时在侧面有显微相机19拍摄多模光纤2的末端，辅助观察多模光纤2和配置的液体15液面接触情况以及在其末端形成的弹性层13和反射层12情况。末端触头的具体制备过程为：在容器14中配置PDMS液体，将多模光纤竖直向下移动，使其末端浸入到PDMS液体中500μm；将多模光纤缓慢拉起，待PDMS液体固化形成弹性层13；在容器中配置PDMS和纳米银粉的混合液（PDMS和纳米银粉的质量比为3:1），将末段有弹性层的多模光纤2竖直向下移动，使其末端浸入到混合液中，观察混合液将弹性层完全包裹，且从末端无光泄露后，将多模光纤缓慢拉起，待混合液固化，从而在弹性层外形成反射层12。
所述Y型多模光纤耦合器具有三条多模光纤支路，分别为输入路P1、耦合路P2和输出路P3，力传感触头的光纤接头和Y型多模光纤耦合器的耦合路上的光纤接头安装在光纤连接器4上，从而实现力传感触头与Y型光纤耦合器5的连接，这种连接方式的优点是力传感触头可随时更换；所述Y型多模光纤耦合器的输入路的端口前方间隔设置有耦合透镜6、中性密度滤光片7和激光器8，所述耦合透镜、中性密度滤光片和激光器位于同一直线上；所述Y型多模光纤耦合器的输出路的端口前方间隔设置有成像透镜9和相机10，所述成像透镜和相机位于同一直线上，所述相机10与计算机11线路连接或信号连通。所述Y型光纤耦合器5的三个多模光纤支路，从输入路P1进入耦合路实现光源输入，光从耦合路P2进入输出路实现散斑场输出，每条多模光纤支路端口有光纤接头。输入路P1和输出路P3端口的光纤接头便于这两端的固定，以保证激光耦合和散斑图获取的稳定性。
激光器8的功率为1-2mW，功率较低，以减小光热效应导致PDMS形变。激光器8发出的激光，被中性密度滤光片7衰减，经过耦合透镜6，进入Y型多模光纤耦合器5的输入路P1中，通过光纤耦合作用进入耦合路P2。耦合路P2中传输的光进入到多模光纤2正向传输，在末端触头1中被反射涂层12反射回来，在多模光纤2中反向传输，通过光纤耦合作用进入输出路P3。激光在光纤中激发的模式相互干涉叠加，因此在输出路P3的端口出射的为散斑场，该散斑场经成像透镜9成像至相机10上，形成散斑图，散斑图传输至计算机11。外力作用使得末端触头1形状变化，反射层12对光的反射情况改变，从而导致多模光纤中产生新的导模，且传输的大量导模的干涉情况发生变化，多模光纤内导模的干涉导致出射光场为散斑场。该物理过程对于反射涂层的形变十分敏感，因此，基于多模光纤散斑图的光纤末端力传感装置具有很好的灵敏度。
实施例2
实施例1所述光纤末端力传感装置基于多模光纤散斑图的抗光纤扰动的三维力解算方法的步骤，包括数据集构建、散斑图分割、模型训练和模型使用，说明如下：
数据集构建：将驱动器布置在力传感触头中的多模光纤2四周，驱动器可以随机推动多模光纤使其发生弯曲，使其弯曲状态处于动态变化之中，从而模拟力传感触头在实际使用过程中所受的弯曲扰动。采用标准力传感从不同方向对末端触头1进行力加载，同时在计算机11上获取散斑图，并记录此时标准力传感器输出的三维力，从而构建多模光纤2处于受扰动状态下的力-散斑数据集。
散斑图分割：根据多模光纤模式理论，传输模式阶数越高，其在多模光纤端面的分布往往越接近边缘，即越接近散斑图的边缘。不同阶的传输模式对外界扰动的响应特性不同，因此，对不同阶数传输模式形成的散斑进行特征提取的方式是不同的。采用圆环分割法对散斑图进行分割，得到子散斑图，再分别对多个子散斑图进行特征提取，可以提高三维力解算的灵敏度和动态范围。首先将散斑图归一化处理，并下采样至128×128大小。散斑图分割方式如图4所示，散斑图的半径为R，以散斑中心为圆心做四个同心圆，半径依次为R 0=0.25R，R 1=0.5R，R 2=0.75R，R 3=R，得到一个圆区域和三个圆环区域依次为S0，S1，S2，S3，从而得到子散斑图1，子散斑图2，子散斑图3，子散斑图4。
模型训练：所构建的一种基于注意力机制的卷积神经网络模型的结构如图5所示，包括卷积层、2×2最大池化层、全局平均池化层、全局最大池化层、全连接层。模型具有四个输入，对应四个子散斑图，先采用卷积层分别提取四个子散斑图的特征，然后将其拼接，得到具有256个通道的特征图F 128×128×256。注意力机制模块先采用全局平均池化层和全局最大池化层将特征图F 128×128×256各个通道压缩，然后分别通过全连接层学习通道之间的相关性，之后将两个全连接层的输出逐元素相加，使用Sigmod函数为各通道生成权重值，最后使用通道权重值对特征图F 128×128×256的各个通道进行加权，即逐元素相乘，从而实现子散斑图的特征融合。将融合后的特征采用卷积层进一步提取更高维、更抽象的特征。接下来采用全局平均池化层去除冗余信息，压缩特征。最后，通过两个全连接层组合特征后，进行输出。归一化的三维力作为模型的输出。采用Adma优化器，使用所构建的-散斑数据集对模型进行训练，损失函数采用均方误差。在训练过程中，模型将逐渐拟合多模光纤处于扰动过程中散斑图和三维力之间的复杂函数关系。保存最优模型的参数，从而得到散斑—三维力转换模型。
模型使用：在实际使用时，将获取的散斑图进行散斑图分割，然后将得到的子散斑图输入到散斑—三维力转换模型中，则可获取模型输出的归一化三维力，最后进行反归一化，即可获散斑图对应的三维力。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种力传感触头，其特征在于：由末端触头、多模光纤和光纤接头组成，所述多模光纤的一端被液滴状末端触头包裹，另一端为光纤接头，所述末端触头由弹性层和反射层组成，弹性层的主体材料为PDMS，该弹性层外部覆盖有反射涂层，反射涂层的材料为PDMS和纳米银粉混合物，所述混合物中PDMS和纳米银粉的质量比为3:1。
2.根据权利要求1所述的力传感触头，其特征在于：所述多模光纤长度1-2m，可发生灵活弯曲，以延伸到所需狭窄测量空间内。
3.权利要求1所述力传感触头的制备方法，其特征在于：具体步骤如下：
（1）在容器中配置PDMS液体，将多模光纤竖直向下移动，使其末端浸入到PDMS液体中50μm，浸入1s；将多模光纤竖直缓慢拉起，待PDMS液体固化形成弹性层；
（2）在容器中配置PDMS液体和纳米银粉的混合液体，将末段有弹性层的多模光纤竖直向下移动，使其末端浸入到混合液体中，观察混合液将弹性层完全包裹后，将多模光纤竖直缓慢拉起，待混合液固化，从而在弹性层外形成反射层。
4.根据权利要求3所述的力传感触头的制备方法，其特征在于：容器中装入配置液体，所述配置液体为PDMS液体或者PDMS和纳米银粉混合液，将多模光纤固定在光纤卡具中，并露出末端，光纤卡具通过转接件固定在位移台上，从而实现多模光纤的末端可以在竖直方向上下移动，同时在侧面有显微相机拍摄多模光纤的末端，辅助观察多模光纤和PDMS液体或混合液体的液面接触情况以及在其末端形成的弹性层和反射层的情况。
5.一种光纤末端力传感装置，其特征在于：主要由权利要求1所述力传感触头、Y型多模光纤耦合器、光纤连接器、激光器、中性密度滤光片、耦合透镜、成像透镜、相机和计算机组成，其中，所述Y型多模光纤耦合器具有三条多模光纤支路，分别为输入路、耦合路和输出路，力传感触头的光纤接头和Y型多模光纤耦合器的耦合路上的光纤接头安装在光纤连接器上；所述Y型多模光纤耦合器的输入路的端口前方间隔设置有耦合透镜、中性密度滤光片和激光器，所述耦合透镜、中性密度滤光片和激光器位于同一直线上；所述Y型多模光纤耦合器的输出路的端口前方间隔设置有成像透镜和相机，所述成像透镜和相机位于同一直线上，所述相机与计算机线路连接或信号连通。
6.根据权利要求5所述的光纤末端力传感装置，其特征在于：光从所述Y型多模光纤耦合器的输入路进入耦合路实现光源输入，光从耦合路进入输出路实现散斑场输出，每条多模光纤支路端口有光纤接头，便于连接和固定；Y型多模光纤耦合器的输入路和输出路端口的光纤接头便于这两端的固定，以保证激光耦合和散斑图获取的稳定性。
7.根据权利要求5所述的光纤末端力传感装置，其特征在于：所述激光器的功率为1-2mW。
8.根据权利要求5所述的光纤末端力传感装置，其特征在于：所述激光器发出的激光经中性密度滤光片衰减，通过耦合透镜进入Y型多模光纤耦合器的输入路，通过耦合作用光进入耦合路，然后进入力传感触头的多模光纤中，正向传输至末端触头内；反射层将光反射，使得光在多模光纤内反向，而后进入耦合路，又通过光纤耦合作用进入Y型多模光纤耦合器的输出路；成像透镜将输出路端口出射的散斑场成像在相机上，相机将获取的散斑图传输至计算机，计算机对散斑图进行处理，解算传感模块所受三维力。
9.基于权利要求5所述装置的三维力解算方法，其特征在于：主要包括数据集构建、散斑图分割、模型训练和模型使用，具体步骤如下：
（1）数据集构建：将驱动器布置在力传感触头中多模光纤四周，推动多模光纤使其弯曲状态处于动态变化之中，同时，采用标准力传感器对力传感触头中末端触头进行三维力加载，并收集三维力对应的散斑图，从而实现构建光纤处于扰动状态下的力-散斑数据集；
（2）散斑图分割：将散斑图归一化处理后，采用四个同心圆分割为一个圆区域和三个圆环区域，同心圆最大半径为散斑图的半径，各同心圆半径为等差数列，从而得到四个子散斑图；
（3）模型训练：构建注意力机制卷积神经网络深度学习模型，模型具有四路输入，依次为散斑图分割处理后的四个子散斑图，模型中具有通道注意力机制模块对子散斑图的特征进行加权融合，模型输出为归一化的三维力，采用所构建的力-散斑数据集对模型进行训练，模型将学习多模光纤处于扰动过程中散斑图和三维力的关系，训练结束后保存训练结果，得到散斑—三维力转换模型；
（4）模型使用：在实际使用时，将获取的散斑图进行散斑图分割操作后，输入到散斑—三维力转换模型中，则可获取模型输出的归一化的三维力信息，然后进行反归一化，得到实际的三维力信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311120759.9A CN117147024B (zh) | 2023-09-01 | 2023-09-01 | 一种光纤末端力传感装置与三维力解算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311120759.9A CN117147024B (zh) | 2023-09-01 | 2023-09-01 | 一种光纤末端力传感装置与三维力解算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117147024A true CN117147024A (zh) | 2023-12-01 |
| CN117147024B CN117147024B (zh) | 2024-07-16 |
Family
ID=88909505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311120759.9A Active CN117147024B (zh) | 2023-09-01 | 2023-09-01 | 一种光纤末端力传感装置与三维力解算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117147024B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0818084D0 (en) * | 2007-10-15 | 2008-11-05 | Schlumberger Holdings | Measuring a characteristic of a multimode optical fiber |
| US20110087112A1 (en) * | 2005-08-01 | 2011-04-14 | Giovanni Leo | Medical apparatus system having optical fiber load sensing |
| US20120307254A1 (en) * | 2011-06-06 | 2012-12-06 | Picokinetix Llc | Modal-domain optical fiber sensor system |
| WO2015157272A1 (en) * | 2014-04-07 | 2015-10-15 | North Carolina State University | Electrodes and sensors having nanowires |
| EP3599730A1 (en) * | 2018-07-25 | 2020-01-29 | Vrije Universiteit Brussel | Space division multiplexing method and system using speckle pattern recognition in multi-mode optical fibres |
| WO2020020991A1 (en) * | 2018-07-25 | 2020-01-30 | Vrije Universiteit Brussel | Space division multiplexing method and system using speckle pattern recognition in multi-mode optical fibres |
| WO2020080944A1 (en) * | 2018-10-19 | 2020-04-23 | Stichting Vu | Multimode waveguide imaging |
| WO2020086591A1 (en) * | 2018-10-23 | 2020-04-30 | The Johns Hopkins University | Deep learning based image enhancement |
| US20200394791A1 (en) * | 2019-06-12 | 2020-12-17 | University Of Central Florida Research Foundation, Inc. | Fiber imaging apparatus, methods, and applications |
| US20200397269A1 (en) * | 2019-06-19 | 2020-12-24 | Nichia Corporation | Image-capturing device and image processing method |
| CN112129438A (zh) * | 2020-08-15 | 2020-12-25 | 天津大学 | 一种基于仿生复眼的大角度高分辨力触觉传感装置及方法 |
| WO2021042124A1 (en) * | 2019-08-28 | 2021-03-04 | Visualize K.K. | Methods and systems for predicting pressure maps of 3d objects from 2d phots using deep learning |
| CN112862077A (zh) * | 2021-02-25 | 2021-05-28 | 燕山大学 | 多模光纤结合深度学习网络替代传统光谱仪的系统及方法 |
| CN113520617A (zh) * | 2021-07-21 | 2021-10-22 | 天津大学 | 一种无源式三维力传感测头及光学式力传感器 |
| US20220054001A1 (en) * | 2020-08-20 | 2022-02-24 | Washington University | Devices, systems and methods for diagnosis and assessment of rectal cancer treatment response |
| KR20220114314A (ko) * | 2021-02-08 | 2022-08-17 | 부산대학교 산학협력단 | 이산 분포된 광섬유 브래그 격자를 이용한 연속 분포 외력 측정 시스템 및 방법 |
| US20220284558A1 (en) * | 2020-10-10 | 2022-09-08 | University Of Science And Technology Of China | Method for Measuring Full-Field Strain of an Ultra-High Temperature Object Based on Digital Image Correlation Method |
| CN115061274A (zh) * | 2022-07-01 | 2022-09-16 | 苏州大学 | 一种基于稀疏照明的超分辨内窥镜的成像方法及其装置 |
| WO2022248967A1 (en) * | 2021-05-24 | 2022-12-01 | Ramot At Tel-Aviv University Ltd. | Shape sensing of multimode optical fibers |
| CN115919456A (zh) * | 2022-12-07 | 2023-04-07 | 北京航空航天大学 | 一种能感知接触压力的光纤消融探针 |
| CN116468821A (zh) * | 2023-04-26 | 2023-07-21 | 上海理工大学 | 一种基于深度学习和多模光纤散斑的抗扰动成像方法 |
-
2023
- 2023-09-01 CN CN202311120759.9A patent/CN117147024B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110087112A1 (en) * | 2005-08-01 | 2011-04-14 | Giovanni Leo | Medical apparatus system having optical fiber load sensing |
| GB0818084D0 (en) * | 2007-10-15 | 2008-11-05 | Schlumberger Holdings | Measuring a characteristic of a multimode optical fiber |
| US20120307254A1 (en) * | 2011-06-06 | 2012-12-06 | Picokinetix Llc | Modal-domain optical fiber sensor system |
| WO2015157272A1 (en) * | 2014-04-07 | 2015-10-15 | North Carolina State University | Electrodes and sensors having nanowires |
| EP3599730A1 (en) * | 2018-07-25 | 2020-01-29 | Vrije Universiteit Brussel | Space division multiplexing method and system using speckle pattern recognition in multi-mode optical fibres |
| WO2020020991A1 (en) * | 2018-07-25 | 2020-01-30 | Vrije Universiteit Brussel | Space division multiplexing method and system using speckle pattern recognition in multi-mode optical fibres |
| WO2020080944A1 (en) * | 2018-10-19 | 2020-04-23 | Stichting Vu | Multimode waveguide imaging |
| WO2020086591A1 (en) * | 2018-10-23 | 2020-04-30 | The Johns Hopkins University | Deep learning based image enhancement |
| US20200394791A1 (en) * | 2019-06-12 | 2020-12-17 | University Of Central Florida Research Foundation, Inc. | Fiber imaging apparatus, methods, and applications |
| US20200397269A1 (en) * | 2019-06-19 | 2020-12-24 | Nichia Corporation | Image-capturing device and image processing method |
| WO2021042124A1 (en) * | 2019-08-28 | 2021-03-04 | Visualize K.K. | Methods and systems for predicting pressure maps of 3d objects from 2d phots using deep learning |
| CN112129438A (zh) * | 2020-08-15 | 2020-12-25 | 天津大学 | 一种基于仿生复眼的大角度高分辨力触觉传感装置及方法 |
| US20220054001A1 (en) * | 2020-08-20 | 2022-02-24 | Washington University | Devices, systems and methods for diagnosis and assessment of rectal cancer treatment response |
| US20220284558A1 (en) * | 2020-10-10 | 2022-09-08 | University Of Science And Technology Of China | Method for Measuring Full-Field Strain of an Ultra-High Temperature Object Based on Digital Image Correlation Method |
| KR20220114314A (ko) * | 2021-02-08 | 2022-08-17 | 부산대학교 산학협력단 | 이산 분포된 광섬유 브래그 격자를 이용한 연속 분포 외력 측정 시스템 및 방법 |
| CN112862077A (zh) * | 2021-02-25 | 2021-05-28 | 燕山大学 | 多模光纤结合深度学习网络替代传统光谱仪的系统及方法 |
| WO2022248967A1 (en) * | 2021-05-24 | 2022-12-01 | Ramot At Tel-Aviv University Ltd. | Shape sensing of multimode optical fibers |
| CN113520617A (zh) * | 2021-07-21 | 2021-10-22 | 天津大学 | 一种无源式三维力传感测头及光学式力传感器 |
| CN115061274A (zh) * | 2022-07-01 | 2022-09-16 | 苏州大学 | 一种基于稀疏照明的超分辨内窥镜的成像方法及其装置 |
| CN115919456A (zh) * | 2022-12-07 | 2023-04-07 | 北京航空航天大学 | 一种能感知接触压力的光纤消融探针 |
| CN116468821A (zh) * | 2023-04-26 | 2023-07-21 | 上海理工大学 | 一种基于深度学习和多模光纤散斑的抗扰动成像方法 |
Non-Patent Citations (2)
| Title |
|---|
| XU WANG, ET AL.: "An Ultrasensitive Fiber-End Tactile Sensor With Large Sensing Angle Based on Specklegram Analysis", IEEE SENSORS JOURNAL, vol. 23, no. 24, 3 November 2023 (2023-11-03), XP011956060, DOI: 10.1109/JSEN.2023.3327512 * |
| 蔡露等: "基于D型光纤光斑图的折射率传感特性研究", 仪器仪表学报, vol. 43, no. 10, 31 October 2022 (2022-10-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117147024B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shin et al. | Bioresorbable optical sensor systems for monitoring of intracranial pressure and temperature | |
| CN208621784U (zh) | 一种柔性介入式医用导管空间弯曲检测的光栅光波导器件 | |
| Roriz et al. | Review of fiber-optic pressure sensors for biomedical and biomechanical applications | |
| Yang et al. | A review of recent developed and applications of plastic fiber optic displacement sensors | |
| CN103604777B (zh) | 正交偏振光纤生物折射率传感器及其检测方法 | |
| Liang et al. | Multi-component FBG-based force sensing systems by comparison with other sensing technologies: A review | |
| EP2877096B1 (en) | Accurate and rapid mapping of points from ultrasound images to tracking systems | |
| CN106840226B (zh) | 基于微光纤结构的柔性可穿戴健康传感器及其制备和测量方法 | |
| Liu et al. | Specialty optical fibers for advanced sensing applications | |
| CN109141292B (zh) | 一种光纤包层spr微弯曲传感器及其标定装置 | |
| CN109342377A (zh) | 一种基于荧光激发原理的pH光纤传感器系统 | |
| EP2341813B1 (en) | An optical probe having a position measuring system | |
| CN118078240B (zh) | 一种光纤迈克尔逊干涉型心率传感器及心率监控系统 | |
| CN217932165U (zh) | 一种柔性微纳光纤耦合器及微应变传感应用系统 | |
| CN117147024B (zh) | 一种光纤末端力传感装置与三维力解算方法 | |
| CN113520617B (zh) | 一种无源式三维力传感测头及光学式力传感器 | |
| Harun et al. | Fiber optic displacement sensors and their applications | |
| Spillman Jr | Fiber optic biosensors | |
| Wang et al. | A reflective multimode fiber vector bending sensor based on specklegram | |
| CN114098837B (zh) | 基于光干涉及长光栅啁啾效应的力-形自感知穿刺针 | |
| CN113376095B (zh) | 一种信号集成光微流传感器 | |
| CN108814689B (zh) | 一种差动式膜片光纤压力传感系统 | |
| Zhang et al. | An MR compatible vascular stenosis method based on fiber Bragg grating | |
| CN117547254B (zh) | 一种用于膝关节角度检测的光纤传感器及制备方法 | |
| CN218098876U (zh) | 一种基于法布里-珀罗干涉结构的折射率传感系统 |
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 |