Derin öğrenme ile görüntü işlemeye dayalı konik fiber sensör geliştirilmesi

Abstract

Konik fiber sensörler, hassas algılama ve ölçüm gerektiren birçok uygulama alanında kullanılmaktadır. Konik fiber sensörlerde algılama, optik spektrum analizör aracılığıyla gerçekleştirilmektedir. Geleneksel yöntemlerin aksine bu tez çalışmasında, derin öğrenme teknikleri kullanılarak görüntü işlemeye dayalı konik fiber sensörler geliştirilmiş ve deneysel olarak algılama yapabileceği gösterilmiştir. Çok modlu fiberlerde kılavuzlanan yüzlerce mod, fiber çıkışında benek deseni adı verilen bir girişim deseni oluşturmaktadır. Fiber sonuna yerleştirilen bir CCD kamera ile gözlemlenen benek desenleri, ölçülecek fiziksel büyüklüğün değişimine bağlı olarak farklılaşmaktadır. Benek deseni görüntülerindeki değişim analiz edilerek algılama işlemi gerçekleştirilebilir. Bu tez çalışmasında üretilen konik fiber sensörler ile kırılma indisi, gerilme ve sıcaklık olmak üzere üç farklı fiziksel büyüklüğün, geniş bir ölçüm aralığında, yüksek çözünürlüklü ve hassas şekilde algılaması gerçekleştirilmiştir. Algılama işlemi için korelasyon analizi ve bir derin öğrenme yöntemi olan evrişimli sinir ağları yöntemi kullanılmıştır. Deneysel çalışmalarda basamak ve dereceli indisli sınıfta yer alan dört farklı çok modlu fiber kullanılmıştır. Farklı öz ve kılıf çaplarına sahip fiberlerin sensör duyarlılığına etkisi incelenmiş ve iki farklı dalga boyunda (635 nm ve 1550 nm) çalışılarak dalga boyunun sensör performansa etkileri araştırılmıştır. Ölçülebilen en düşük fiziksel büyüklük değişimi kırılma indisi ölçümlerinde 1.34x10-5, gerilme ölçümlerinde 12.5 µɛ ve sıcaklık ölçümlerinde 0.5 ºC olarak gösterilmiştir. Bu tez çalışmasında ayrıca konik fiber sensörlerde benek deseni görüntüleme kullanılarak derin öğrenme tabanlı algılama yapılabileceği gösterilmiş ve literatüre yeni bir yaklaşım kazandırılmıştır.