基于嵌入式技术的光电信号自动检测研究

董明星， 肖鹤， 陈鑫

(西安交通工程学院 1.中兴通信学院;2.人文与经济管理学院， 陕西 西安 710300)

0 引言

嵌入式技术应用于由计算机控制的系统或者设备。用户使用嵌入式系统一般是由于特定需求和特定任务，针对性较强。但是经总体分析后可知，嵌入式系统通常组成模块是相同的，几乎都是微控制器或者计算机，字节长度没有特殊限制。自行编写设计轻量式的嵌入操作系统，通过非挥发性只读存储器保存固件，挥发性随机访问存储器保存程序数据，并添加按钮、开关、传感器等硬件设备[1-3]。嵌入式系统的核心是专门的单片机控制器，在单个芯片上集成数个关键系统，共同组成嵌入式部分，获得仅需极少操作的计算机。近年嵌入式技术得到飞速发展，在人类生活的各个角落都包含嵌入式系统的使用[4]。将该技术应用于微弱信号的检测系统中能够提高系统的准确性，同时该技术具有携带方便、成本低、检测准确率高等特点，应用前景广阔[5]。

对光电信号实行检测是结合电子学和光学的一种新型检测技术，通过电子技术监测光学信号，为实现后续的存储、传递、计算、控制以及显示等功能奠定基础[6-7]。近年来，光纤传感信号检测技术应用越来越广泛，从前检测光纤传感信号时一般使用光谱扫描仪或者单色仪等传统检测设备，这种检测方式误差较大，已经不适用于现在的技术研究[8]。微弱光电信号往往被外界存在的大量干扰信号中包含的背景噪音所覆盖，对微弱光电信号检测是目前相关研究的研究重点。有学者提出基于对数放大器的微弱信号检测系统[9]，该系统使用对称晶体管分立原件组成的对数放大器解决微弱光信号被噪声覆盖的问题，能够减小检测误差。但是该系统信号的输入频率和范围存在要求，有较强的限制性。还有学者提出基于眼轴长度测量的弱光信号检测系统[10]，从眼轴长度起点和终点开展计算，消除噪声干扰，将信号的峰值提取出来，使用I-V转换电路搭建微弱光检测系统并完成增益控制，该系统具有增益高、噪声低等特点，但是该系统计算过程过于复杂，系统构建成本要求较高，不适合广泛使用。

本文将嵌入式技术作为基础设计微弱光电信号自动检测系统，实现低误差的微弱光电信号自动检测。

1 基于嵌入式技术的微弱光电信号自动检测系统设计

1.1 系统整体结构

本文所设计的微弱光电信号自动检测系统由数据采集模块、ARM控制模块、光电信号检测模块、信号调理模块等模块组成，系统整体结构如图1所示。

图1 系统整体结构

在本文系统中，数据采集模块主要包括FIFO(First Input First Output，先入先出)存储器、ADC(汇编指令)电路，通过这些硬件相互协作采集需检测的光电信号，将采集到的信号传递至微弱光电信号检测模块，该模块使用小波分析算法构建检测模型，经神经网络优化处理检测出微弱光电信号，检测完成后经微弱光电信号调理模块优化放大信号，将调理后的信号传至ARM(Advanced RISC Machines，微处理器)控制模块，该模块是这个系统的核心部分，将ARM处理器作为核心构建一个嵌入式的最小系统，控制整个系统的运行，在该模块的控制下才能完成整个系统的微弱光电信号的检测工作，电源通过该模块为整个系统提供动力，同时该模块也将检测的结果通过串行通信传递至PC控制端，控制端接受指令并实现系统控制，再将控制结果传输回ARM控制模块，最终将检测结果在界面中呈现出来。

1.2 ARM控制模块

整个微弱光电信号自动检测系统的核心部分便是ARM控制模块，核心处理器为ARM，主要组成部分如下。

(1) ARM处理器。该处理器以ARM920T核作为核心，使用32位CMOS微控制器S3C2440，该微控制器是16/32RISC(精简指令集)微处理器，该处理器具有性能高、价格低、消耗小的特点，能够符合本文系统的设计需求[11]。

(2) SDRAM。SDRAM和S3C2440的位宽分别为16位和32位，所用系统内存需要使用两块256M、16 bit位宽的HY57V561620芯片并联。ARM选择SDRAM芯片的4BANK时使用地址线ADDR[24：25]。地址线的起始点为ADDR2，跳过ADDR0与ADDR1，对一个32位内存单元的4个字节实行区分时使用mWBE[3:0]4个引脚[12]。

(3) Flash。整个系统使用Flash芯片的数量为两块。由于NorFlash能够实行片内执行，所以无需复制到RAM中便能实现应用程序在NorFlash内运行。在NorFlash内存储引导程序U-boot，系统的文件和内核存储在NandFlash[13]。NorFlash的芯片容量为2MB，使用EN29LV160B，共有16位数据线和20根地址线，从NorFlash启动系统，可直接将U-boot程序运行。NandFlash选择使用K9F2G08U0A，芯片容量和数据页分别为256MB和2KB，传递数据时仅有8位I/O口连接ARM的DATA[0:7]，通过分时复用，既能够作为数据引脚也可以作为地址引脚。

(4) 串口。整个系统的开发调试都需要通过串口，串口也可以实现上下位机的通信。PC机和ARM分别使用RS232电平和TTL/CMOS电平，为实现二者的转换，所以需要在系统中使用MAX3232芯片[14]。

(5) 以太网网口。串口通信过程中存在速率较慢的情况，ARM服务器和客户端之间的信道为以太网，以太网的控制芯片选用DM9000，连接RJ45网络接口使用网络变压器H1102，以便传输介质接收数据。分时复用DM9000的数据信号和地址信号，这些信号与DM9000的CMD引脚连接通过ARM中的ADDR2实现，同时也以此区分数据信号和地址信号。DM9000的中断信号由EINT7接收[15]。

1.3 微弱光电信号检测模块

(1) 构建微弱光电信号检测模型

系统中的微弱光电信号检测模块使用小波分析算法，将数据采集模块采集到的包含背景噪声的微弱光电信号实行小波系数转化，经神经网络优化处理，获得实际输出的微弱光电信号y(k)，理想输出微弱光电信号为d(k)，实际输出微弱光电信号和理想输出微弱光电信号之间的方差使用e(k)表示。在该模块中，调节e(k)的取值大小，控制实际输出微弱光电信号y(k)更接近理想输出微弱光电信号d(k)，由此获得小波分析算法转换尺度与权值的最优解。神经网络权值式如式(1)。

w(k+1)=w(k)-μe(k)y(k)

(1)

式中，μ代表神经网络权值的迭代次数;w代表权重;e(k)=d(k)-y(k)。

假设φ(x)和ψ(x)分别为尺度函数和小波函数，与之对应的低通滤波器和高通滤波器分别使用H(w)和G(w)表示。把数据采集模块采集的经背景噪音覆盖的微弱光电信号实行小波分析优化处理，获得双尺度方程式为式(2)。

(2)

对式(2)实行Fourier转换得式(3)。

(3)

(2) 小波神经网络优化算法实现

在对微弱光电信号实行小波神经网络检测的过程中，通过神经网络优化处理，获取被干扰噪声覆盖的微弱光电信号小波转化系数，以下为具体过程。

假设φLk(x)是尺度函数φ(x)单元，φLk(x)表示在低频率L的情况下，实际输出光电信号y(k)与理想输出微弱光电信号d(k)无限接近。

将2-L作为单位长度，微弱光电信号采样已经输入到神经网络的F(x)信号。假如微弱光电信号的分辨率与最大分辨率无限接近时，获取单位范围的权值系数,为式(4)。

(4)

其中,a表示权值系数。

假设采集的微弱光电信号既具有均匀性又具有稳定性，使用Mallat算法，获得在神经网络空间均匀分布的微弱光电信号的输入和输出之间存在的非线性关系,如式(5)。

(5)

其中,Ci与θi分别表示神经网络的权值系数和小波分析的激活函数。假设本文使用的神经网络模型是由m个数据和n个单元格共同组成，与之对应的矩阵算式为式(6)。

(6)

依据F=AC关系式，获取C的最小二乘解为式(7)。

(7)

经归纳总结得出式(8)。

(8)

正交归一化处理非线性函数θi(x)，经计算得出ATA=In×n和C=ATF。经小波分析的激活函数存在局限性，使得计算结果存在有关对角线的对称特性，经过计算得出实际输出和理想输出微弱光电信号的均方误差为式(9)。

(9)

根据式(9)可知，获得微弱光电信号的多次采样提取，实现采集信号的降噪目的，得到任意信号的初始数据信息。

2 系统实现

通过仿真实验验证本文系统的有效性，使用MATLAB软件构建仿真平台，模拟微弱光电信号，使用本文系统对这些微弱光电信号检测。数据样本为信噪比、带宽和脉冲宽度分别为-4 dB、10 MHz和20 us的光电信号，该光信号是在平台中仿真叠加高斯白噪声和计算机本身的噪声后的光电信号，以此模拟出自然环境中淹没在噪声干扰中的微弱光电信号。为对比出系统的性能，同时在仿真平台中使用基于对数放大器的微弱信号检测系统和用于眼轴长度测量的弱光信号检测系统对样本数据实行检测，这2个对比系统分别来自参考文献[9]和参考文献[10]。原始包含噪声光电信号和使用3种系统检测出的微弱光电信号如图2所示。

通过图2能够看出，在-4 dB信噪比条件下，文献[9]系统的检测微弱光电信号结果不稳定，且存在部分检测结果失真的情况；文献[10]系统检测微弱光电信号结果失真情况较严重，检测结果不佳；使用本文系统检测出的微弱光电信号趋势较平缓，微弱光电信号未出现失真情况，说明本文系统能够准确检测出在噪声干扰下的微弱光电信号。

3种系统对于仿真平台中的微弱光电信号检测准确率对比情况如表1所示。

表1 三种系统检测准确率

从表1能够看出，随着时间的增加，文献[10]系统保持着上升趋势，但是总体检测准确性较低；文件[9]系统检测微弱光信号的准确率高于文献[10]系统的检测结果，但是变化不规律，波动变化较大；本文系统随着时间的增加检测微弱光信号的准确率始终保持在98%以上，说明本文系统具有较好的微弱光电信号检测准确率。

(a) 原始包含噪声光电信号

(b) 文献[9]系统检测结果

(c) 文献[10]系统检测结果

(d) 本文系统检测结果

3种系统在不同并发人数情况下，响应时间对比情况如表2所示。

表2 响应时间对比

分析表2可知，随着并发人数的增加，文献[9]系统和文献[10]系统的响应时间不断上升，其中文献[10]系统的响应时间稳定性较差，出现明显波动，且系统响应时间较长，文献[9]系统所需花费的响应时间最长，当并发人数达到100人时，需要10 s以上才能做出响应，用户体验感较差，本文系统响应时间始终保持在3 s以下，变化较稳定，能够提供良好的用户体验。

3种系统的检测误差对比结果如表3所示。

表3 检测误差对比结果

分析表3可知，3种系统在检测微弱光电信号时均存在误差，但是其中本文系统的误差最小，经过15次反复实验后，本文系统的误差平均值为0.002 nm，而两种对比系统的检测误差分别达到0.010 nm和0.008 nm，远高于本文系统的检测误差。由此进一步证明本文系统在检测微弱光电信号时具有极佳的准确性。

3 总结

本文采用嵌入式技术作为基础，设计微弱光电信号自动检测系统。该系统使用嵌入式技术构建系统的硬件部分，该部分充分发挥ARM处理器的优良性能，具有成本低、稳定性好等特点，提高系统数据采集的能力和调试能力，通过小波神经网络检测模型实现微弱光电信号的自动检测。该系统在包含噪声的光电信号中能够准确完成微弱光电信号的识别，与同类系统相比，检测准确性更高，误差更低，且效率更高，具有良好的检测性能。