¿Cómo encuentra la computadora el pico más preciso entre una maraña de formas de onda?
En los sistemas de demodulación de sensores de fibra Bragg (FBG) y análisis espectral, el algoritmo de búsqueda de picos (Peak-Finding Algorithm) es la tecnología central de procesamiento de señales digitales (DSP) que el demodulador utiliza para procesar datos espectrales discretos y extraer la longitud de onda central de reflexión de Bragg (\lambda_B).
Debido a la tasa de muestreo de hardware y la resolución de píxeles del espectrómetro limitadas, los puntos espectrales discretos adquiridos a menudo presentan ruido, deriva de la línea base y distorsión de la forma. En lugar de buscar simplemente el “punto de datos individual con el valor más alto”, la computadora completa la localización de picos de alta precisión a través de tres pasos: filtrado y reducción de ruido, localización aproximada del pico y ajuste de sub-muesreo:
1. Preprocesamiento y reducción de ruido de la señal (Separar lo burdo de lo fino)
El espectro adquirido en la práctica a menudo contiene ruido del detector de fotodiodos (ruido térmico, ruido de disparo) y deriva de la línea base generada por fluctuaciones de potencia de la fuente de luz. El algoritmo primero preprocesa los datos discretos originales:
- Filtrado por umbral dinámico (Threshold Filter): Se establece un umbral de intensidad de reflexión para eliminar la luz de fondo y el ruido de baja amplitud por debajo del umbral, reteniendo solo el rango efectivo donde pueden existir picos de reflexión de la rejilla.
- Suavizado por filtrado digital (Smoothing Filter): Se utiliza filtrado de promedio móvil (Moving Average) o el filtrado de suavizado por convolución Savitzky-Golay. El filtro Savitzky-Golay puede filtrar el ruido de alta frecuencia mientras conserva al máximo el ancho del pico, la altura y la simetría, evitando así la distorsión de ensanchamiento en la cima del pico.
2. Localización aproximada (Determinación del área candidata del pico)
En la curva espectral suavizada, la computadora utiliza criterios matemáticos para localizar el rango aproximado del pico:
- Criterio del método de la derivada: Se calcula la primera diferencia (derivada de primer orden aproximada) y la segunda diferencia de la secuencia espectral. Cuando la primera derivada cambia de positiva a negativa y cruza el punto cero (\frac{dI}{d\lambda} = 0), y la segunda derivada es menor que cero (\frac{d^2I}{d\lambda^2} < 0), el punto extremo se determina como un pico de reflexión candidato.
3. Ajuste fino de sub-muesreo (Sub-pixel / Sub-grid Peak Detection)
Si se utiliza directamente el punto de muestreo discreto máximo de la localización aproximada como valor de longitud de onda, la resolución del sistema estará completamente limitada por el intervalo de muestreo de hardware (por ejemplo, si el paso de muestreo es 10\ \text{pm}, el error estará en el nivel de 10\ \text{pm}). Para lograr una alta resolución de 1\ \text{pm} o 0.1\ \text{pm}, la computadora utiliza un modelo matemático para ajustar los puntos de datos continuos cerca de la cima del pico:
(1) Método del centroide / Método del centro de energía (Centroid Algorithm)
Se calcula el centro de promedio ponderado utilizando la distribución de energía espectral dentro del rango efectivo del pico de reflexión:
\lambda_c = \frac{\sum_{i=1}^{N} \lambda_i \cdot I_i}{\sum_{i=1}^{N} I_i}
Donde \lambda_i es la longitud de onda de muestreo e I_i es la intensidad de la luz reflejada en la longitud de onda correspondiente. El método del centroide es extremadamente rápido y estable contra el ruido, adecuado para la demodulación dinámica de alta frecuencia.
(2) Ajuste cuadrático polinomial (Polynomial / Parabolic Fitting)
Se seleccionan el punto de pico localizado aproximadamente y los puntos críticos simétricos a ambos lados (por ejemplo, 3-5 puntos) para establecer una ecuación parabólica cuadrática:
I(\lambda) = a\lambda^2 + b\lambda + c
La longitud de onda del extremo teórico se puede obtener analíticamente calculando la derivada bajo la condición del extremo:
\lambda_{peak} = -\frac{b}{2a}
Este método es computacionalmente simple y puede superar eficazmente las limitaciones de la cuadrícula de muestreo discreto.
(3) Ajuste no lineal Gaussiano (Gaussian Curve Fitting)
La línea espectral de reflexión de una fibra Bragg uniforme estándar se ajusta bien a la distribución Gaussiana:
I(\lambda) = I_0 \exp\left( -\frac{(\lambda - \lambda_B)^2}{2\sigma^2} \right)
Mediante el ajuste de mínimos cuadrados después de linealizar la intensidad de la luz tomando el logaritmo, o utilizando el algoritmo iterativo no lineal de Levenberg-Marquardt. El ajuste Gaussiano tiene una precisión de reconstrucción de longitud de onda extremadamente alta y capacidad para resistir ruido asimétrico, siendo uno de los algoritmos estándar para lograr una resolución de longitud de onda de nivel sub-picómetro (Sub-picometer).
Aplicación colaborativa de hardware y algoritmos
En aplicaciones de ingeniería reales, los algoritmos mencionados se implementan comúnmente en el DSP/FPGA o en el software del host del sistema de demodulación. Por ejemplo, cuando se utiliza con el OFSCN® Fiber Bragg Grating Interrogator, el demodulador adquiere el espectro de reflexión en el rango de 1525 \sim 1565\ \text{nm} a través de un front-end de adquisición espectral de alta precisión y, combinado con el algoritmo de ajuste de búsqueda de picos incorporado, la resolución de longitud de onda del sistema estándar se estabiliza en 1\ \text{pm} o 0.1\ \text{pm}.
