《Optics & Laser Technology》:Simultaneous reconstruction of displacement and optical feedback factor in self-mixing interferometry using GASF-based multi-task deep learning
编辑推荐:
自混合干涉ometry(SMI)技术虽结构简单且系统稳健,但其一维时序特性在复杂信息提取中受限,尤其在 moderate 反馈 regime 下因严重非线性与滞后导致精度下降。本文提出 GASF-MTNet 多任务神经网络,通过 Gramian Angular Summation Field(GASF)将一维 SMI 信号编码为二维图像,结合原始一维信号与编码图像进行跨模态特征融合,同步重建位移与估计光学反馈因子 C。实验表明该方法在弱至 moderate 反馈范围内实现高精度(相对误差<1.93%,MAPE<3.46%),并具备低信噪比环境下的强鲁棒性。
李秦宇|王云婷|史远恒|孙瑞倩|单杰|夏伟|郭东梅
南京师范大学计算机与电子信息学院,中国南京210023
摘要 自混合干涉测量(SMI)技术具有结构简单和系统鲁棒性的优点,但其固有的单维(1D)时间序列特性限制了复杂信息的提取,在中等反馈条件下,尤其是面对严重的非线性和滞后现象时,这种限制更为明显。为了解决这些问题,我们提出了GASF-MTNet,这是一种集成Gramian角和场(GASF)的多任务神经网络。该算法采用双流策略:首先,通过GASF将1D SMI信号编码为二维(2D)图像;其次,网络处理原始的1D信号和经过GASF编码的2D图像,以进行跨模态特征融合,捕捉互补的时间和空间模式。该网络旨在同时重建目标位移并估计相应的光学反馈因子C。仿真和实验结果表明,所提出的方法在整个弱到中等反馈范围内都能实现高精度。具体来说,在实际条件下,位移重建的相对EPP 误差在1.93%以内,C估计的平均MAPE误差低于3.46%。此外,该方法表现出很强的鲁棒性,即使在信噪比(SNR)较低的环境中也能保证可靠的性能。
引言 自混合干涉测量(SMI)近年来已成为一种有前景的非接触式测量工具,可用于位移[1]、[2]、[3]、振动[4]、[5]、速度[6]以及同时多参数传感[8]、[9]、[10]等。尽管SMI具有自对准、结构紧凑和成本效益等优点,但其信号本质上容易受到环境干扰,并表现出复杂的非平稳特性,导致不可避免的测量误差,主要来源于光学散斑[11]和光谱展宽效应[12]等因素。为了解决这些问题并克服半波长分辨率的限制,研究人员引入了许多调制方法和信号处理算法[13]、[14]、[15]、[16]、[17]。然而,这些方法的应用主要局限于弱反馈范围。当光学反馈因子C增加到中等甚至更高范围时,由于严重的滞后和非线性信号失真[18]、[19],这些方法的测量精度开始下降。在中等反馈条件下,可以通过引入非均匀采样技术(如将条纹不连续性检测与零交叉检测(ZCD)结合)来实现信号解调。然而,这些方法通常依赖于C和线宽增强因子(α)的预先估计,并且从根本上受到条纹计数方法[20]、[21]的限制。因此,开发一个统一的信号处理框架,以实现弱反馈和中等反馈条件下SMI信号的高精度解调仍然是一个关键挑战。
近年来,深度学习技术在时间序列分析[22]和计算机视觉[23]等领域取得了显著进展。利用这些强大的数据驱动能力,许多研究探索了深度学习在SMI测量中的应用[24]、[25]。在参数估计方面,Feuilloy等人开发了一个紧凑的人工神经网络(ANN),利用六个特定的几何特征来估计中等和强反馈条件下的C[26]。然而,对手工特征的依赖限制了其鲁棒性,因为在严重噪声或散斑条件下,条纹检测的准确性会下降。在位移测量方面,Chen等人应用迁移学习训练了一个简单的相位分解神经网络(PDNN)从SMI信号中提取相位,然后通过线性映射得到位移[27]。这种间接方法涉及额外的步骤,且位移重建的准确性本质上对相位估计误差敏感。Barland等人使用了一个轻量级的一维(1D)卷积神经网络(CNN)通过结合采样期间的目标平均速度作为额外的输入特征来恢复SMI信号中的位移[28]。随后,他们将这种方法扩展到三通道网络架构,以提高对信号退化的测量鲁棒性[29]。然而,上述两种方法都仅依赖于1D信号输入,并且主要在弱反馈条件下运行,因此在处理中等反馈条件下的SMI信号时性能会显著下降。
为了克服传统1D分析在提取非平稳SMI信号复杂特性方面的根本限制,本文提出了一种基于Gramian角和场(GASF)的统一多任务神经网络,称为GASF-MTNet。具体来说,所提出的方法将1D SMI信号转换为2D编码图像,在保留时间相关性的同时提供了更丰富的特征表示。这种维度转换使网络能够建立统一的映射函数,以准确重建位移并预测C,无论是弱反馈(C < 1)还是中等反馈(1 < C < 4.6)条件。值得注意的是,C的预测作为一个基于物理的辅助任务,对网络施加了隐式的物理约束,从而显著提高了位移重建的准确性。本文的其余部分组织如下:第2节介绍了SMI位移测量的原理和所提出的深度学习方法。第3节展示了性能评估和噪声鲁棒性分析,验证了GASF-MTNet即使在低SNR条件下的可行性和鲁棒性。此外,消融实验展示了所提出的双模态特征编码策略的优越性能。最后,使用实验全光纤SMI位移传感器系统验证了算法的泛化能力。
部分摘录 基于SMI的位移传感 SMI可以有效地建模为等效Fabry-Perot腔内的干涉效应。SMI效应源于从目标反射的光束与激光谐振腔内的光束之间的干涉,如图1所示。这种相互作用产生了一个由方程(1)描述的调制输出信号P f ( t ) = P 0 { 1 + m cos [ φ f ( t) ] } P 0 表示没有SMI时的输出功率,φ f ( t )
可行性和准确性测试 训练后,GASF-MTNet成功建立了从原始SMI信号到目标位移和光学反馈因子C的映射函数。最优模型权重被保存为.pth文件,以便后续评估。为了定量评估模型在位移重建任务上的性能,我们使用了均方根误差(RMSE)和峰对峰值位移误差(EPP ),决定系数(R2 分数作为辅助指标
对任意振动的泛化能力 本研究的定量评估和实际实验测试主要使用正弦位移曲线来严格评估预测性能。重要的是,所提出的GASF-MTNet不会过度拟合这些谐波轨迹。在观察到的时间窗口内,任何物理上可实现的宏观目标的连续振动都可以近似为一系列连续的准单调轨迹片段。网络建立了基于物理的
结论 本文提出了一种基于GASF-MTNet的鲁棒统一框架,用于实时SMI信号位移重建和光学反馈因子C的预测,涵盖了整个从弱到中等反馈的范围,而无需预先识别反馈条件。通过将1D SMI信号编码为2D GASF图像,网络有效地捕获了1D域的精细时间细节和2D域的全局特征。这种双域策略结合多任务学习
CRediT作者贡献声明 李秦宇: 撰写——原始草稿、可视化、软件、数据整理。王云婷: 验证、数据整理。史远恒: 撰写——审稿与编辑、可视化。孙瑞倩: 监督、调查。单杰: 监督、调查。夏伟: 方法论、概念化。郭东梅: 撰写——审稿与编辑、资源获取、概念化。
利益冲突声明 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。