《计测技术》推荐文章｜哈尔滨工程大学刘彬团队：法布里-珀罗游标光谱信号的深度学习解调

导读

本团队围绕法布里-珀罗传感器游标光谱信号的解调技术，提出了一种基于深度学习的直接解调方法。通过将光谱数据预处理后引入CNN与CNN-LSTM模型进行训练与测试，实现了对光谱特征的高效提取与精确解调。实验表明，该方法仅需少量采样点即可实现高准确率，具备快捷、高效的优势。研究成果为智能光学传感系统的构建提供了新路径，也为光谱信号处理技术的发展注入了新动能。

法布里⁃珀罗游标光谱信号的深度学习解调

作者：王桧¹，赵起超²，王昊琦¹，邵志强³，肖爽¹，刘彬^1*

作者单位：1. 哈尔滨工程大学；2. 上海机电工程研究所；3. 中国电子科技集团公司第四十九所

摘  要：为提升法布里⁃珀罗（Fabry⁃Pérot，F⁃P）传感器游标光谱信号解调的准确性，提出基于深度学习的光谱数据直接解调方法。首先对光谱数据进行预处理，将复杂的游标光谱信息转化为卷积神经网络（Convolutional Neural Network，CNN）可以处理的数据格式，然后采用深度学习模型对预处理后的完整光谱数据进行训练和测试，并利用卷积神经网络对光谱数据进行特征提取和分类，最终实现待测信号的准确解调。使用灵敏度为112.5 nm / MPa的双腔法布里⁃珀罗传感器采集光谱数据，并开展信号解调实验，结果表明：CNN模型对未知光谱进行10折（fold）交叉验证的平均准确率为92.49%，均方根误差R_RMSE（Root Mean Square Error， RMSE）为0.039 2 MPa，相对误差的平均值为3.31%；卷积神经网络⁃长短期记忆（Convolutional Neural Network⁃Long Short Term Memory， CNN⁃LSTM）模型对未知光谱进行10折交叉验证的平均准确率为96.98%，R_RMSE为0.039 0 MPa，相对误差的平均值为3.28%。基于CNN⁃LSTM模型的方法仅通过解调256个采样点的数据就实现了较高准确度，具有便捷、高效的优点，为推动光谱信号解调领域发展提供了有效的技术途径，为开发智能光学传感系统提供了重要参考。

关键词：光纤传感器；法布里⁃珀罗干涉仪；光谱解调；深度学习；游标效应

文章主要内容

光学传感器技术因其非接触、高精度和抗电磁干扰等优势，已成为现代测量技术的重要组成部分。法布里⁃珀罗传感器是一种典型的光学传感器，具有体积小、灵敏度高、抗电磁干扰能力强等优点，在温度、压力、应变等多参量检测中展现出显著优势^［1-3］，已广泛应用于医疗、气体检测、水声探测等领域^［4-9］。F⁃P传感器的核心结构由膜片和光纤端面构成，当外界压力作用于膜片时，膜片发生形变，导致反射光谱发生变化，根据反射光谱的变化测量微小物理量。通过串联2个初始腔长略有不同的F⁃P传感器，可以产生游标效应，通过叠加2个周期性信号的差异，能够提升传感器对微小物理量的测量灵敏度。

为提升F⁃P传感器游标光谱信号解调的准确性，本文提出基于深度学习的光谱数据解调方法，利用卷积神经网络进行光谱数据的特征提取和分类，实现对待测信号的直接解调。使用灵敏度为112.5 nm / MPa^［15］的双腔F⁃P传感器实现256个采样点的光谱数据采集，利用CNN模型和CNN⁃LSTM模型开展光谱信号解调实验，并进行10折交叉验证，对上述方法的应用效果进行评判。

蓝色为输入光谱点，黄色与绿色为不同卷积核提取的通道特征，浅蓝色为展平后的向量节点，灰色为预测结果节点。输入为长度为256的一维归一化光谱数据，首先由4个卷积模块提取局部与全局特征，每个模块包括卷积层、批量归一化、ReLU激活与最大池化操作，卷积核大小为1 × 8，步长为1，确保保留完整光谱信息。卷积输出通道数逐层增加，尺寸分别为16 × 124、64 × 60、256 × 28和512 × 13。然后，通过Adaptive Avgpool层将特征压缩为一维向量，结合全连接层进行回归预测。

为进一步提取谱间的潜在依赖关系，引入LSTM结构对卷积特征进行序列建模，其输出经展平后与全连接层连接，最终输出单一压力值。

图6　压力解调模型搭建

Fig.6  Construction of the pressure demodulation model

CNN⁃LSTM模型在分类任务中表现出色，其准确率和泛化能力均优于CNN模型，平均准确率达到96.98%。改变最终输出函数，直接得到解调压力值，结果表明：CNN⁃LSTM模型的R_RMSE为0.039 0 MPa；相对误差的平均值为3.28%。尽管CNN⁃LSTM模型的损失值略高于CNN模型，但在追求高准确率的应用场景中，损失值的略微增加是可以接受的。

表3　压力解调模型实验结果对比

Tab.3  Comparison of experimental results of pressure demodulation models

图9   CNN与CNN⁃LSTM测试结果对比

Fig.9  Comparison of CNN and CNN⁃LSTM test results

CNN模型的R_RMSE波动较大，在Fold为0 ~ 2时出现显著峰值。CNN模型的整体测试表现不够稳定，不同轮次间误差变化范围较宽。CNN⁃LSTM模型的R_RMSE整体波动较小，表现更为稳定。在多数轮次中，CNN⁃LSTM模型的R_RMSE低于CNN模型，这表明CNN⁃LSTM模型的预测精度更高。

结论

作者简介

王桧，主要研究方向为深度学习及光谱信号解调分析。

刘彬，副教授，主要研究方向为MEMS光纤传感技术。

研究所介绍

哈尔滨工程大学 光电智能感知技术研究所，以光电信息智能处理技术团队为主体。现有教师14人，其中教授3人，副教授5人。研究所成员曾获省科学技术奖一等奖1项、二等奖2项，全国计算成像挑战赛三等奖、省高校科学技术一等奖和二等奖各1项；承担或结题国家重大科学仪器专项子项，国家自然科学基金等多项，具有较强的基础创新研究和工程应用技术能力。

全文链接

（点击查看）

引用格式：王桧，赵起超，王昊琦，等. 法布里⁃珀罗游标光谱信号的深度学习解调［J］. 计测技术， 2025， 45（3）： 70-77.

Citation：WANG H，ZHAO Q C， WANG H Q， et al. Deep learning⁃based demodulation of Fabry⁃Pérot vernier spectral signals［J］. Metrology & Measurement Technology， 2025， 45（3）： 70-77.

往期文章推荐

（点击查看）

作者：唐嘉晨, 张夙彗, 胡春光

关键词：光谱测量技术；超表面；计算重建；微型化

（点击查看）

作者：王莉, 申雅峰 

关键词：大数据量；实时处理；FPGA

（点击查看）

作者：王国名, 郝灿, 石俊凯, 高超, 王博, 周维虎, 高豆豆

关键词：激光跟踪仪；合作目标靶球检测；深度学习；YOLOv2

供稿：王桧

编辑：刘圣晨、刘宇轩

排版：马鹤伟

审核：韩冰