استخراج مشخصه یک حسگر ضریب شکست مبتنی بر لکه خروجی فیبر نوری چند مد با ناحیه حساس باریک شده با استفاده از یادگیری عمیق

در این مقاله، مشخصات حسگری ضریب شکست مبتنی بر تصویر لکه خروجی تار نوری چند مد با استفاده از ساختار تار باریک شده همراه با یک روش نرم افزاری یادگیری عمیق استخراج داده شده است. این ساختار حسگری از یک تار نوری چند مد باریک شده متصل به دو تار نوری چند مد استاندارد تشکیل شده است. با وجود امواج میراشونده پیرامون بخش باریک شده، شرایط موجبری ساختار در بخش خروجی به ضریب شکست محیط، وابسته و از این رو، مدهای انتشاری و تصویر حاصل از تداخل آنها حساس به تغییرات محیط می شوند. بر این اساس، پردازش تصویر حاصل از تداخل مدهای انتشاری ساختار چند مدی و آنالیز کمی تغییرات آنها مبنای حسگری است. به منظور بهبود دقت سنجش، از الگوریتم های یادگیری عمیق و به طور مشخص از شبکه عصبی عمیق ResNet در پردازش تصاویر لکه خروجی تار نوری استفاده شده است. با استفاده از این الگوریتم، مجموعه ای از تصاویر لکه خروجی تار با قرارگیری بخش تار باریک شده در 9 محلول سنجش مختلف در بازه ضریب شکستی 1.33 تا 1.368 برای یادگیری و سپس تعدادی از تصاویر ثبت شده برای سنجش تعریف شده اند و درنهایت، دقت تشخیص ضریب شکست محلول ها تا 95% به دست آمده است.