Como um computador encontra o pico mais preciso em meio a uma confusão de formas de onda?
No sistema de demodulação de sensores de fibra de grade de Bragg (FBG) e análise espectral, o Algoritmo de Busca de Pico (Peak-Finding Algorithm) é a tecnologia central de processamento digital de sinais (DSP) utilizada pelos demoduladores para processar dados espectrais discretos e extrair o comprimento de onda central de reflexão de Bragg (\lambda_B).
Devido às limitações na taxa de amostragem do hardware e na resolução de pixels do espectrômetro, os pontos espectrais discretos coletados geralmente contêm ruído, desvio de linha de base e distorção de forma. Em vez de simplesmente procurar o “ponto de dados único com o maior valor numérico”, o computador realiza um posicionamento de pico de alta precisão através de um processo de três etapas: filtragem e redução de ruído, localização aproximada do pico e ajuste sub-amostral:
1. Pré-processamento e Redução de Ruído do Sinal (Remover o Grosso e Manter o Fino)
O espectro coletado na prática frequentemente contém ruído do detector fotossensível (ruído térmico, ruído de shot) e desvio de linha de base causado por flutuações na potência da fonte de luz. O algoritmo primeiro pré-processa os dados discretos brutos:
- Filtragem de Limiar Dinâmico (Threshold Filter): Um limiar de intensidade de reflexão é definido para descartar a luz de fundo e o ruído de baixa amplitude abaixo do limiar, retendo apenas as regiões válidas que podem conter o pico de reflexão da grade.
- Suavização por Filtro Digital (Smoothing Filter): Utiliza-se filtragem por média móvel (Moving Average) ou filtragem de suavização por convolução Savitzky-Golay. O filtro Savitzky-Golay é capaz de filtrar o ruído de alta frequência enquanto preserva ao máximo a largura do pico, a altura do pico e a simetria, evitando distorções de alargamento no topo do pico.
2. Localização Aproximada (Determinar a Região Candidata do Pico)
Na curva espectral suavizada, o computador localiza a região aproximada do pico usando critérios matemáticos:
- Critério do Método da Derivada: Calcula-se a primeira diferença (aproximação da primeira derivada) e a segunda diferença da sequência espectral. Quando a primeira derivada muda de positiva para negativa e cruza o zero (\frac{dI}{d\lambda} = 0), e a segunda derivada é menor que zero (\frac{d^2I}{d\lambda^2} < 0), esse ponto de extremidade é identificado como um pico de reflexão candidato.
3. Ajuste Fino Sub-amostral (Sub-pixel / Sub-grid Peak Detection)
Se o ponto de amostragem discreto com o valor máximo da localização aproximada for usado diretamente como o valor do comprimento de onda, a resolução do sistema será completamente limitada pelo intervalo de amostragem do hardware (por exemplo, se o passo de amostragem for 10\ \text{pm}, o erro estará na ordem de 10\ \text{pm}). Para atingir alta resolução de 1\ \text{pm} ou 0.1\ \text{pm}, o computador usa modelos matemáticos para ajustar os pontos de dados contínuos próximos ao topo do pico:
(1) Método do Centroide / Centro de Massa de Energia (Centroid Algorithm)
Calcula o centro de média ponderada usando a distribuição de energia espectral dentro da região válida do pico de reflexão:
\lambda_c = \frac{\sum_{i=1}^{N} \lambda_i \cdot I_i}{\sum_{i=1}^{N} I_i}
Onde \lambda_i é o comprimento de onda amostrado e I_i é a intensidade da luz refletida no comprimento de onda correspondente. O método do centroide é extremamente rápido e estável contra ruído, sendo adequado para demodulação dinâmica de alta frequência.
(2) Ajuste Quadrático Polinomial (Polynomial / Parabolic Fitting)
Seleciona o ponto de pico de localização aproximada e seus pontos de transição simétricos adjacentes (por exemplo, 3 \sim 5 pontos) para estabelecer uma equação parabólica quadrática:
I(\lambda) = a\lambda^2 + b\lambda + c
A derivada sob a condição de extremidade permite obter diretamente o comprimento de onda teórico de extremidade:
\lambda_{peak} = -\frac{b}{2a}
Este método é computacionalmente simples e pode efetivamente superar as limitações da grade de amostragem discreta.
(3) Ajuste Não Linear Gaussiano (Gaussian Curve Fitting)
A linha teórica de reflexão de uma fibra de grade de Bragg uniformemente distribuída é altamente consistente com a distribuição Gaussiana:
I(\lambda) = I_0 \exp\left( -\frac{(\lambda - \lambda_B)^2}{2\sigma^2} \right)
Ao linearizar a intensidade da luz tomando o logaritmo e aplicando o ajuste de mínimos quadrados, ou usando o algoritmo iterativo não linear de Levenberg-Marquardt. O ajuste Gaussiano possui altíssima precisão de reconstrução de comprimento de onda e capacidade de resistir a ruídos assimétricos, sendo um dos algoritmos padrão para alcançar resolução de comprimento de onda sub-picômetro (Sub-picometer).
Aplicação Colaborativa de Hardware e Algoritmo
Na engenharia prática, os algoritmos acima são geralmente implementados no DSP/FPGA ou no software host do sistema de demodulação. Por exemplo, quando usado com o OFSCN® Fiber Bragg Grating Interrogator, o demodulador adquire o espectro de reflexão na faixa de 1525 \sim 1565\ \text{nm} através de uma interface de aquisição espectral de alta precisão e, em seguida, combina com o algoritmo de busca de pico integrado, permitindo que o sistema padrão atinja uma resolução de comprimento de onda estável de 1\ \text{pm} ou 0.1\ \text{pm}.
