基于卷积神经网络的增敏型光纤弯曲传感器

为了提高光纤弯曲传感器的灵敏度,增大线性范围,降低成本,本文提出一种基于深度神经网络分类塑料光纤弯曲角度及方向的方法.使用进行侧抛增敏处理的塑料光纤,在光纤输出端采集不同弯曲角度的散斑图.制作了包含五类弯曲角度的数据集一以及包含七类弯曲角度的数据集二,在预处理图像数据之后,利用多层卷积神经网络对散斑图像进行卷积和池化处理,得到散斑图像的特征图,softmax分类器用来得到分类准确率,最后对两种不同卷积神经网络模型的分类效果进行对比.结果 显示:数据集一光纤弯曲的角度间隔为5°时分类准确率达到了96％,理论和实际分析结果表明该方案识别率较高,基于该方法有望实现一种简单、高效的光纤弯曲传感器.