CN114518182B - 布里渊散射谱图像中温度和应变信息同时提取方法及*** - Google Patents
布里渊散射谱图像中温度和应变信息同时提取方法及*** Download PDFInfo
- Publication number
- CN114518182B CN114518182B CN202210203784.2A CN202210203784A CN114518182B CN 114518182 B CN114518182 B CN 114518182B CN 202210203784 A CN202210203784 A CN 202210203784A CN 114518182 B CN114518182 B CN 114518182B
- Authority
- CN
- China
- Prior art keywords
- scattering spectrum
- brillouin scattering
- brillouin
- neural network
- convolutional neural
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 239000013307 optical fiber Substances 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000002902 bimodal effect Effects 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 19
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
- G01K11/322—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres using Brillouin scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
- G01B11/18—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge using photoelastic elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种布里渊散射谱图像中温度和应变信息同时提取方法及***,涉及分布式光纤传感领域。步骤如下:获取大有效面积光纤的双峰布里渊散射谱以及谱峰对应的布里渊频移温度系数和应变系数;将若干组双峰布里渊散射谱进行随机组合形成布里渊散射谱图像矩阵,布里渊散射谱图像矩阵作为卷积神经网络的训练集;采用训练集训练卷积神经网络,并利用误差反向传播算法迭代优化卷积神经网络的参数,得到训练完成的卷积神经网络;把实际测量的布里渊散射谱数据作为测试集,输入到训练完成的卷积神经网络中,在网络输出端同时得到温度和应变信息。本发明在保证测量精度的同时,实现了温度和应变同时测量,显著缩短数据处理时间,满足快速测量的需求。
Description
技术领域
本发明涉及分布式光纤传感技术领域,更具体的说是涉及一种布里渊散射谱图像中温度和应变信息同时提取方法及***。
背景技术
布里渊分布式光纤传感***已广泛应用于电力、石油、交通运输等领域大型建筑结构和设备的健康状态监测和故障诊断。该***通常是通过测量布里渊频移来获取传感信息,可以利用曲线拟合的方法找到布里渊散射谱的最大幅度对应的中心频率来确定布里渊频移,再根据布里渊频移与温度和应变的线性关系换算得到沿传感光纤分布的温度和应变信息。然而,由于布里渊频移同时对温度和应变敏感,当传感光纤沿线某位置处的温度和应变同时变化时,仅以单一的布里渊频移将无法同时对二者进行区分,即布里渊光纤传感***存在温度和应变测量的交叉敏感问题,限制了该***在特殊场合的应用。
目前,解决温度和应变测量的交叉敏感问题主要有两大类方法:布里渊散射结合拉曼散射的混合传感***和采用特殊光纤(如大有效面积光纤、保偏光纤、多芯光纤等)进行传感测量。其中,结合布里渊散射和拉曼散射的混合传感***结构复杂且成本较高,使其应用受限。采用特殊光纤的方法是依据测量得到的具有多个峰值的布里渊散射谱或不同光学模式对应的布里渊频移具有不同的温度和应变系数,利用求解方程组的方式实现温度和应变的同时测量。但是,采用特殊光纤实现测量时,仍存在以下问题:以大有效面积光纤为例,对于同一传感光纤来说,不同散射谱峰值处对应的布里渊频移的温度和应变系数很接近,在求解方程组过程中易产生较大误差,从而降低了温度和应变的测量精度。另外,目前采用的布里渊频移确定方法仍以曲线拟合法为主,这将需要较长的数据处理时间,会影响***测量速度。
因此,对本领域技术人员来说,如何在保证测量精度的同时,高效提取布里渊散射谱图像中温度和应变信息,是亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种布里渊散射谱图像中温度和应变信息同时提取方法及***,以解决背景技术中提出的问题。
为了实现上述目的,本发明采用如下技术方案:一方面,提供一种布里渊散射谱图像中温度和应变信息同时提取方法,具体步骤包括如下:
获取大有效面积光纤的双峰布里渊散射谱以及谱峰对应的布里渊频移温度系数和应变系数;
将若干组双峰布里渊散射谱进行随机组合形成布里渊散射谱图像矩阵,布里渊散射谱图像矩阵作为卷积神经网络的训练集;
采用训练集训练所述卷积神经网络,并利用误差反向传播算法迭代优化卷积神经网络的参数,得到训练完成的卷积神经网络;
把实际测量的布里渊散射谱数据作为测试集,输入到训练完成的卷积神经网络中,在网络输出端同时得到温度和应变信息。
通过数值仿真的方式获取所述双峰布里渊散射谱。
双峰布里渊散射谱的表示公式为:
其中,g(v)表示归一化的双峰布里渊散射谱,v表示入射光频率,和/>分别表示两个散射谱峰的增益;/>和/>分别表示两个散射谱峰对应的布里渊频移,/>和/>分别表示两个散射谱的谱宽。
可选的,每一个布里渊散射谱峰对应的频率,即布里渊频移,与温度和应变的变化量成线性关系。
另一方面,提供一种布里渊散射谱图像中温度和应变信息同时提取***,包括依次连接的数据获取模块、训练集构建模块、模型训练模块、数据处理模块;其中,
所述数据获取模块,用于获取大有效面积光纤的双峰布里渊散射谱以及谱峰对应的布里渊频移温度系数和应变系数;
所述训练集构建模块,用于将若干组所述双峰布里渊散射谱进行随机组合形成布里渊散射谱图像矩阵,所述布里渊散射谱图像矩阵作为卷积神经网络的训练集;
所述模型训练模块,用于采用所述训练集训练所述卷积神经网络,并利用误差反向传播算法迭代优化所述卷积神经网络的参数,得到训练完成的卷积神经网络;
所述数据处理模块,用于把实际测量的布里渊散射谱数据作为测试集,输入到所述训练完成的卷积神经网络中,在网络输出端同时得到温度和应变信息。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种布里渊散射谱图像中温度和应变信息同时提取方法及***,具有以下有益的技术效果:
(1)在现有技术中解决温度和应变测量的交叉敏感问题的技术方案是对布里渊散射谱的一维数据进行处理,如拟合等,而本发明将采用大有效面积光纤测量得到的布里渊散射谱数据视作二维的图像,对二维图像进行处理,是解决温度和应变信息同时高效提取的新思路;
(2)采用卷积神经网络的方法处理布里渊散射谱图像数据,既不需要采用耗时的曲线拟合法确定布里渊频移,也不需要逐点地处理多峰布里渊散射谱,可以一次性地处理传感光纤沿线的所有布里渊散射数据并同时提取温度和应变信息,在保证测量精度的同时,提高了***测量速度;可以实现温度和应变信息的高精度、同时提取,解决布里渊光纤传感***的交叉敏感问题,而且数据处理时间大大缩短,从而提升***性能,满足需要同时测量温度和应变的应用场合的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明的卷积神经网络模型结构图;
图3为本发明的卷积神经网络模型训练流程图;
图4为本发明的***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种布里渊散射谱图像中温度和应变信息同时提取方法,如图1所示,具体步骤包括如下:
S1、获取大有效面积光纤的双峰布里渊散射谱以及谱峰对应的布里渊频移温度系数和应变系数;
S2、将若干组双峰布里渊散射谱进行随机组合形成布里渊散射谱图像矩阵,将布里渊散射谱图像矩阵作为卷积神经网络的训练集;
S3、采用训练集训练卷积神经网络,并利用误差反向传播算法迭代优化卷积神经网络的参数,得到训练完成的卷积神经网络;
S4、把实际测量的布里渊散射谱数据作为测试集,输入到训练完成的卷积神经网络中,在网络输出端同时得到温度和应变信息。
在本实施例中,上述步骤具体为:
1)通过数值仿真的方式得到大有效面积光纤的布里渊散射谱,该散射谱具有两个布里渊散射谱峰,每个散射谱中布里渊频移、谱宽和信噪比等参数各不相同。其中,双峰布里渊散射谱采用以下公式表示:
其中,可取值为1;/>可以0.1的间隔取0.15-0.55;/>可以3MHz的间隔取30-60MHz;/>可以5MHz的间隔取40-75MHz;温度以2℃的间隔取30-70℃;应变以60με的间隔取0με~1800με。
每个布里渊散射谱峰对应的布里渊频移温度系数和布里渊频移应变系数都需要预先进行标定。通过实验标定,第一个谱峰的布里渊频移温度系数取值为1.12MHz/℃,布里渊频移应变系数/>取值为0.0385MHz/με;第二个谱峰的布里渊频移温度系数/>取值为0.96MHz/℃,布里渊频移应变系数/>取值为0.0383MHz/με。
2)分别选取1000组由上述步骤生成的布里渊散射谱随机生成图像矩阵。由于实验过程中,扫频范围为10.598GHz~10.964GHz,间隔为2MHz,则每一个图像矩阵的尺寸为1000×184。
3)构造卷积神经网络模型,卷积神经网络模型的结构如图2所示。
该卷积神经网络输入层大小为1000×184,输入数据首先经过一个具有64个3×3卷积核的卷积层后得到64个特征图,再经最大池化操作降低特征图的维度;然后,将特征图输入到基于残差网络原理构造的深层子网络中,该子网络结构为1×1-3×3-1×1,即包含3个卷积层,其对应的卷积核大小分别为1×1、3×3和1×1,并将该结构重复3次,共9层;最后,经7层普通深层网络得到同时包含温度和应变信息的输出。其中,残差网络结构能够解决深层网络的性能退化问题,使网络表达的能力更好,同时又加快了网络训练的速度。
4)利用误差反向传播算法迭代优化卷积神经网络参数,完成神经网络的训练,训练过程如图3所示。
因为每一组布里渊散射谱数据都对应着一组温度和应变的数值,所以经过有效训练得到的卷积神经网络实现了布里渊散射谱数据与温度和应变信息的映射。对于卷积神经网络来说,如果用N表示布里渊散射谱图像中散射谱的个数,M表示每个散射谱的采样点数,那么网络输入数据为N×M的布里渊散射谱图像矩阵,输出数据为N×2的温度和应变数值矩阵。
5)利用布里渊光时域反射(BOTDR)或布里渊光时域分析(BOTDA)***测量得到大有效面积光纤的布里渊散射谱数据作为卷积神经网络的输入,则在网络输出端可同时得到光纤沿线的温度和应变信息,实现二者的同时测量。
对结果进行分析:选择1000组布里渊散射谱数据组成的图像矩阵作为卷积神经网络的输入,分析温度和应变信息的提取结果。当布里渊散射谱信噪比为26dB时,温度和应变提取结果的误差(均方根误差RMSE和标准差SD)如表1所示。
表1
由此可见,与处理一维数据的方法相比,卷积神经网络只需通过设置网络输入矩阵的大小,就能够一次性处理传感光纤沿线若干多组布里渊散射谱数据,温度和应变信息的提取精度均优于解方程法,而且大大缩短了传感信息的提取时间,有效地减少了***测量时间,提升了布里渊光纤传感***的性能。
进一步的,为了更直观且详细的说明技术效果,现陈述如下:布里渊频移与温度和应变的变化量成线性关系,可表示为
vB(T,ε)=vB(T0,ε0)+CvT(T-T0)+Cvε(ε-ε0)=vB0+CvTΔT+CvεΔε
式中,T0和ε0分别表示初始温度和应变,vB0表示初始温度和应变情况下的布里渊频移,CvT表示布里渊频移的温度系数,Cvε表示布里渊频移的应变系数,ΔT和Δε分别表示温度和应变的变化量。因此,当光纤某位置处的温度和应变同时发生变化,则无法用单一的布里渊频移对二者进行区分。
以大有效面积光纤为例,该光纤的布里渊散射谱具有多个散射峰,设测量得到大有效面积光纤的布里渊散射谱中两个布里渊散射峰对应的布里渊频移变化量为:
式中,ΔBFS1和ΔBFS2分别表示两个谱峰对应的布里渊频移变化量,CvT1和CvT2分别表示两个谱峰对应的布里渊频移温度系数,Cvε1和Cvε2分别表示两个谱峰对应的布里渊频移应变系数。经整理后,可得到温度和应变的变化量分别为
因为同一传感光纤中两个布里渊散射峰对应的布里渊频移温度和应变系数很接近,所以在求解上述方程组时易产生较大误差,会降低温度和应变的测量精度。另外,若采用曲线拟合法提取布里渊频移,将需要较长的数据处理时间,影响***测量速度。因此,本发明可以避免耗时的曲线拟合确定布里渊频移的过程和求解方程组易产生较大误差的问题。
本发明实施例2公开了一种布里渊散射谱图像中温度和应变信息同时提取***,如图4所示,包括依次连接的数据获取模块、训练集构建模块、模型训练模块、数据处理模块;其中,
数据获取模块,用于获取大有效面积光纤的双峰布里渊散射谱以及谱峰对应的布里渊频移温度系数和应变系数;
训练集构建模块,用于将若干组双峰布里渊散射谱进行随机组合形成布里渊散射谱图像矩阵,布里渊散射谱图像矩阵作为卷积神经网络的训练集;
模型训练模块,用于采用训练集训练卷积神经网络,并利用误差反向传播算法迭代优化卷积神经网络的参数,得到训练完成的卷积神经网络;
数据处理模块,用于把实际测量的布里渊散射谱数据作为测试集,输入到训练完成的卷积神经网络中,在网络输出端同时得到温度和应变信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种布里渊散射谱图像中温度和应变信息同时提取方法,其特征在于,具体步骤包括如下:
获取大有效面积光纤的双峰布里渊散射谱以及谱峰对应的布里渊频移温度系数和应变系数;
将若干组所述双峰布里渊散射谱进行随机组合形成布里渊散射谱图像矩阵,所述布里渊散射谱图像矩阵作为卷积神经网络的训练集;
采用所述训练集训练所述卷积神经网络,并利用误差反向传播算法迭代优化所述卷积神经网络的参数,得到训练完成的卷积神经网络;N表示布里渊散射谱图像中散射谱的个数,M表示每个散射谱的采样点数,网络输入数据为N×M的布里渊散射谱图像矩阵,输出数据为N×2的温度和应变数值矩阵;
把实际测量的布里渊散射谱数据作为测试集,输入到所述训练完成的卷积神经网络中,在网络输出端同时得到温度和应变信息。
2.根据权利要求1所述的一种布里渊散射谱图像中温度和应变信息同时提取方法,其特征在于,通过数值仿真的方式获取所述双峰布里渊散射谱。
3.根据权利要求1所述的一种布里渊散射谱图像中温度和应变信息同时提取方法,其特征在于,所述双峰布里渊散射谱的表示公式为:
其中,g(v)表示归一化的双峰布里渊散射谱,v表示入射光频率,和/>分别表示两个散射谱峰的增益;/>和/>分别表示两个散射谱峰对应的布里渊频移,/>和分别表示两个散射谱的谱宽。
4.根据权利要求1所述的一种布里渊散射谱图像中温度和应变信息同时提取方法,其特征在于,每一个布里渊散射谱峰对应的频率,即布里渊频移,分别与温度变化量、应变变化量成线性关系。
5.一种布里渊散射谱图像中温度和应变信息同时提取***,其特征在于,包括依次连接的数据获取模块、训练集构建模块、模型训练模块、数据处理模块;其中,
所述数据获取模块,用于获取大有效面积光纤的双峰布里渊散射谱以及谱峰对应的布里渊频移温度系数和应变系数;
所述训练集构建模块,用于将若干组所述双峰布里渊散射谱进行随机组合形成布里渊散射谱图像矩阵,所述布里渊散射谱图像矩阵作为卷积神经网络的训练集;
所述模型训练模块,用于采用所述训练集训练所述卷积神经网络,并利用误差反向传播算法迭代优化所述卷积神经网络的参数,得到训练完成的卷积神经网络;N表示布里渊散射谱图像中散射谱的个数,M表示每个散射谱的采样点数,网络输入数据为N×M的布里渊散射谱图像矩阵,输出数据为N×2的温度和应变数值矩阵;
所述数据处理模块,用于把实际测量的布里渊散射谱数据作为测试集,输入到所述训练完成的卷积神经网络中,在网络输出端同时得到温度和应变信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203784.2A CN114518182B (zh) | 2022-03-02 | 2022-03-02 | 布里渊散射谱图像中温度和应变信息同时提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203784.2A CN114518182B (zh) | 2022-03-02 | 2022-03-02 | 布里渊散射谱图像中温度和应变信息同时提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114518182A CN114518182A (zh) | 2022-05-20 |
CN114518182B true CN114518182B (zh) | 2024-03-22 |
Family
ID=81598481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210203784.2A Active CN114518182B (zh) | 2022-03-02 | 2022-03-02 | 布里渊散射谱图像中温度和应变信息同时提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114518182B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105181152A (zh) * | 2015-08-28 | 2015-12-23 | 苏州光格设备有限公司 | 分布式布里渊散射光谱频移的计算方法 |
CN107402082A (zh) * | 2016-05-20 | 2017-11-28 | 北京自动化控制设备研究所 | 一种布里渊散射信号处理方法及其分布式光纤传感*** |
CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
CN112781634A (zh) * | 2021-04-12 | 2021-05-11 | 南京信息工程大学 | 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018119807A1 (zh) * | 2016-12-29 | 2018-07-05 | 浙江工商大学 | 一种基于卷积神经网络的时空一致性深度图序列的生成方法 |
US10713563B2 (en) * | 2017-11-27 | 2020-07-14 | Technische Universiteit Eindhoven | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering |
-
2022
- 2022-03-02 CN CN202210203784.2A patent/CN114518182B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105181152A (zh) * | 2015-08-28 | 2015-12-23 | 苏州光格设备有限公司 | 分布式布里渊散射光谱频移的计算方法 |
CN107402082A (zh) * | 2016-05-20 | 2017-11-28 | 北京自动化控制设备研究所 | 一种布里渊散射信号处理方法及其分布式光纤传感*** |
CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
CN112781634A (zh) * | 2021-04-12 | 2021-05-11 | 南京信息工程大学 | 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感*** |
Also Published As
Publication number | Publication date |
---|---|
CN114518182A (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108955734B (zh) | 一种光纤f-p温度/压力复合传感器的腔长解调方法 | |
CN107490397B (zh) | 高精度自适应滤波fbg光谱快速寻峰方法 | |
CN106017522B (zh) | 一种光纤f-p传感器的快速高精度信号解调方法 | |
CN108534811B (zh) | 一种短腔光纤法珀传感器的腔长解调算法 | |
CN102426198A (zh) | 一种基于匹配型光纤布拉格光栅的声发射信号传感*** | |
CN108562237B (zh) | 一种采用hcn气室在光频域反射传感***中进行光谱校准的装置和方法 | |
CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN105841723A (zh) | 基于小波奇异性检测的fbg传感解调寻峰方法 | |
CN103487074A (zh) | 利用三点寻峰算法处理fbg传感信号的方法 | |
CN101750024A (zh) | 硅钢绝缘涂层厚度近红外光谱检测方法 | |
CN104344890A (zh) | 微弱光信号光谱的快速测试装置及方法 | |
CN108225385A (zh) | 一种重叠fbg传感信号峰值定位方法 | |
CN106643835A (zh) | 光纤法珀腔解调方法及装置和光纤法珀干涉仪 | |
CN114518182B (zh) | 布里渊散射谱图像中温度和应变信息同时提取方法及*** | |
CN113465676B (zh) | 一种双阶段布里渊频移提取方法 | |
CN101236074A (zh) | 用光纤光栅测量应变分布的方法 | |
CN114034327B (zh) | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 | |
CN110361349B (zh) | 基于集成电路工艺的多通道红外光谱探测器及其制备方法 | |
CN115310304A (zh) | 一种基于改进svd的干式空心电抗器光纤传感降噪方法 | |
CN116105776A (zh) | 光纤法珀传感器腔长高精度原位标定与高速实时解调的方法与装置 | |
CN106872397A (zh) | 一种基于已有校正模型快速检测农产品化学组分的方法 | |
Yu et al. | Influence of light intensity distribution characteristics of light source on measurement results of canopy reflectance spectrometers | |
Harasim et al. | Accuracy improvement of Fiber Bragg Grating peak wavelength demodulation using wavelet transform and various center wavelength detection algorithms | |
CN111707303A (zh) | 一种光纤f-p传感器变步长快速高精度信号解调方法 | |
CN105651735A (zh) | 基于空间分辨漫反射光谱反演生物组织光学特性的方法 |
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 |