Progrès dans les capteurs portables à base de fibres avec l'apprentissage automatique
Le développement rapide de l’intelligence artificielle (IA) au cours de la dernière décennie a considérablement amélioré la capacité des appareils portables à traiter des données complexes. Parmi eux, l’apprentissage automatique (une catégorie majeure d’algorithmes d’IA) et sa branche importante, l’apprentissage profond (deep learning), constituent l’axe principal de cette vague d’IA.
L'apprentissage automatique élimine le coût de main-d'œuvre nécessaire à l'extraction manuelle des caractéristiques des données, et sa branche d'apprentissage profond offre des informations précieuses sur les caractéristiques cachées. Leur forte demande de données correspond à l'énorme quantité d'informations apportées par cette ère d'explosion de l'information.
Une étude récente résume tous les algorithmes d'apprentissage automatique qui ont été utilisés en conjonction avec des capteurs à fibre optique, divisés en deux catégories : les algorithmes d'apprentissage automatique traditionnels et les algorithmes d'apprentissage profond. Les algorithmes d'apprentissage automatique traditionnels incluent la régression linéaire (LR), les k voisins les plus proches (KNN), la machine à vecteurs de support (SVM), la forêt aléatoire, XGBoost et le clustering K-means.
L'article est publié dans la revue Appareils et instrumentation avancés.
Après avoir acquis une compréhension générale des algorithmes d'apprentissage automatique, cet article classe et résume les capteurs à fibre optique en fonction de leurs principes de fonctionnement et de la taille des fibres. Les principes de fonctionnement sont principalement divisés en deux catégories : optique et électrique. L'optique comprend le FBG, l'interféromètre Fabry-Pérot, le Specklegram et l'intensité lumineuse, et l'électrique comprend le piézorésistif, le triboélectrique, l'EMG et la puce dans la fibre.
Les capteurs à fibre optique sont une alternative viable aux appareils électroniques rigides à porter au quotidien. Associés à l'apprentissage automatique, ils peuvent servir de vêtements intelligents au quotidien. Mais il reste encore de nombreux domaines à améliorer.
Premièrement, la plupart des capteurs à fibre optique actuels qui utilisent l'apprentissage automatique ne collectent qu'un seul type de signal, qui correspond généralement à une force mécanique ou à une déformation, comme la reconnaissance des gestes basée sur la pression dans les gants. D'autres informations, telles que l'intensité lumineuse, la couleur de la lumière, la température, l'humidité, la rugosité de la surface et d'autres informations très significatives, ne sont pas intégrées.
Deuxièmement, les algorithmes d’apprentissage automatique progressent de jour en jour. Les algorithmes les plus récents, tels que l’apprentissage par renforcement, le réseau antagoniste génératif (GAN), l’apprentissage auto-supervisé et le mécanisme d’attention (GPT), ont très peu d’applications dans ce domaine.
On pense qu'à mesure que les directions mentionnées ci-dessus seront étudiées plus en détail, les appareils portables basés sur des capteurs à fibre optique et l'IA deviendront plus intelligents, confortables et efficaces, et entreront dans la vie quotidienne de chacun.
Fourni par Advanced Devices & Instrumentation
