《Optics and Lasers in Engineering》：Development of a cost-effective optical fiber non-contact object classification system using machine learning techniques
编辑推荐：
光纤多波长非接触检测系统结合机器学习模型实现材料分类，验证GRU在时序数据分类中的最优表现，系统具备低成本、便携、可扩展特性，适用于工业质检与机器人传感。
作者：?ekip Esat Hayber、Serkan Keser、Yunus G?rkem
土耳其布尔萨乌卢达大学电气电子工程系，邮编16059
摘要
材料特定的光谱反射率为识别和分类提供了可靠的基础。基于这一原理，我们开发了一种低成本、三波长的距离扫描光纤系统，非常适合在受限或难以进入的工业环境中进行材料识别、表面缺陷检测和质量控制。在这项研究中，我们使用三种不同的波长开发了一种紧凑型、经济高效的光纤非接触式物体分类（OF-NOC）系统。从十个物体收集的反射数据被用来训练和测试各种机器学习和深度学习分类器，包括多层神经网络（NL-NN）、双层神经网络（BL-NN）、三层神经网络（TL-NN）、加权K最近邻（WKNN）、支持向量机（SVM）、卷积神经网络（CNN）、门控循环单元（GRU）和长短期记忆网络（LSTM）。这十个物体被重新划分为四个基于材料的类别，以评估其泛化性能。在十个物体中，GRU模型取得了最高的平均准确率（0.939），其次是TL-NN（0.919）和立方SVM（0.913）。所提出的OF-NOC系统表现出强大的分类性能，并具有便携性、可扩展性和硬件简单等优点。由于其紧凑的结构、低成本的设计和经过验证的性能，该系统为工业质量控制、机器人感知和精确物体分类应用提供了可扩展的解决方案。
引言
物体分类有广泛的应用，包括材料表征和自主系统的发展[[1], [2], [3]]。准确识别表面特征对于物体分类至关重要，这对于操作效率、安全性和质量控制过程都是必不可少的。传统的表面检测方法在分辨率、速度以及在恶劣环境条件下的操作能力方面存在局限性；因此，需要更先进的方法和技术[4,5]。
在物体识别过程中，物体表面的结构特性非常重要。确定表面特性在各个领域都至关重要，包括汽车[6]、航空航天[7]、制造[8]、医疗保健[9,10]、电子[11]、建筑[12]、能源[13,14]和农业[15]。
文献中提供了基于笔式[16]、声学[17]、热学[18,19]和电学[[20], [21], [22]]原理的表面特性分析方法。这些传统方法通常分为两类：接触式和非接触式方法。接触式技术具有高灵敏度，但存在测量速度慢和表面损坏/标记的风险[16]；而非接触式方法在分辨率-速度-稳定性平衡方面存在局限性，因为它们对环境变量敏感、成本较高或需要严格的实验控制[20]。
光纤传感可以缓解这些局限性，具有高灵敏度、抗电磁干扰、紧凑且可扩展的架构以及本质上的非接触式操作等优点。然而，以往的光纤研究大多依赖于单一波长[23]，需要复杂或专业的生产设置[24]，或者仅依赖于简单的统计特征处理进行分类[25]。
在Hu等人的研究中，虽然使用了深度卷积神经网络（CNN）来分类五种细胞类型，但随着检测深度的增加，准确率会下降。捕捉图像所需的电荷耦合器件（CCD）相机和光机械装置，以及记录和对齐图像的步骤，增加了额外的复杂性，并在实际应用中需要更高的精度[26]。尽管各种非接触式物体分类系统（包括使用高分辨率激光扫描、高光谱成像[27]和电容式接近传感器[21]的系统）显示出了有希望的结果，但它们通常需要复杂的硬件、高度控制的环境或详细的校准程序。
本研究提出了一种可以分析三种不同波长的光纤非接触式物体分类（OF-NOC）系统。该低成本系统的光学硬件组件包括发射三种波长的光源、能够感知这些波长的光电探测器以及双排光纤（POF）。电子组件包括控制光源时序的驱动电路和从探测器收集电信号并将其传输到计算机的数据采集单元（DAU）。获取的数据随后通过特征提取进行处理，从而从距离的时间依赖变化中提取特征。分类采用了机器学习（加权K最近邻（WKNN）、支持向量机（SVM））、深度学习（CNN、门控循环单元（GRU）和长短期记忆网络（LSTM）以及人工神经网络（ANN）方法（多层神经网络（NL-NN）、双层神经网络（BL-NN）、三层神经网络（TL-NN））。已知GRU在分类时间序列特征方面能够取得成功的结果[28,29]。由于本研究中使用了时间依赖特征，因此将GRU与其他分类器结合使用，并在测试阶段获得了最高的准确率。为了更全面地评估分类器的性能，计算了F1分数和准确率等指标。这项工作提出了一种结合多波长光纤反射率测量和基于机器学习的决策模型的低成本、非接触式分类方法，以解决这些不足。
本文的后续部分将在第二节介绍OF-NOC系统的设计和物体分类，在第三节介绍实验结果和讨论。第四节给出了结论。
OF-NOC系统设计
OF-NOC系统的设计
图1展示了OF-NOC系统的检测组件和分类模块的示意图。图中显示了一条从LED驱动器开始并依次为三个光源输出供电的线路。这些输出通过1 × 3塑料光纤（POF）耦合器传输到一个加固的双工探针。探针的发射光纤照亮表面，而接收单光纤将反射信号传送到光电探测器。十个表面点...
数据采集
本研究中要分类的物体图像如图9所示。该研究使用了一个从十个物体收集的数据集，这些物体代表了不同的光谱反射率特征。数据集包含五种金属物体：金（抛光板）、铝（刷涂层，Al-6061合金）、铜（电解级）、镀锌钢（锌涂层，哑光表面）和玫瑰金属（铋合金）。其余五种物体表现出各种非金属和复杂的特性...
结论
本研究介绍了一种新型且经济高效的光纤非接触式物体分类（OF-NOC）系统，该系统基于能够检测三种不同波长光线的传感器结构。实验验证表明，该系统使用低成本塑料光纤和易于获得的LED光源即可正常工作，从而证明了其成本效益（见第二节A）。在十类材料识别任务中，GRU分类器取得了最高的平均准确率0.939，当材料被分组后，准确率进一步提高到0.946...
作者贡献声明
?ekip Esat Hayber：撰写 – 审稿与编辑、初稿撰写、验证、监督。Serkan Keser：初稿撰写、软件开发、数据整理。Yunus G?rkem：初稿撰写、验证、资源准备、方法论设计。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究使用了布尔萨乌卢达大学电气电子工程系光学实验室的基础设施和设施，得到了项目FPDD-2025–2230的支持。
?ekip Esat Hayber于2004年在梅尔辛大学获得学士学位，2014年获得硕士学位，2018年在埃尔吉耶斯大学获得博士学位。所有学位均来自电气电子工程领域。Hayber目前是布尔萨乌卢达大学工程学院电气电子工程系的副教授。他的研究方向包括光学和光纤检测、光纤传感系统以及光子传感器，同时他也致力于系统能效研究。
