劳易测：AI赋能，让光学距离传感更精准

面对严苛的工业应用场景，劳易测借助人工智能（AI）技术，大幅提升了光学距离传感器的测量精度。这项创新不仅将测量不确定性减半，更实现了运行时无额外计算资源消耗的高效表现——而这一切的核心，正是神经网络技术的深度应用。

对采用飞行时间（TOF）技术的光学距离传感器而言，物体表面特性一直是影响测量的关键挑战。不过这类传感器本身优势显著：测量速度快、无需接触被测物体，还能实现远距离检测，同时对环境光线不敏感，可实时输出连续的距离数据。其工作原理很直观：记录发射光抵达物体表面并反射回来的时间，以此换算出距离，工业中常用激光或LED脉冲完成这一过程。

直接脉冲TOF法: 直接利用发射光脉冲和接收到的光脉冲之间的时延来计算距离。

间接脉冲TOF法：采用连续的正弦或余弦波对信号进行调制，利用发射光和接受光之间的相位差来计算出光的飞行时间，从而得到光源和目标之间的距离。

但飞行时间技术的精度瓶颈也很明确：结果准不准，很大程度上要看物体表面的“脸色”。深色表面会削弱反射信号，导致脉冲变窄，回波检测也会滞后；光亮表面则会产生强信号宽脉冲，能被更早检测到。也就是说，表面亮度不同，返回信号的检测时间就有差异，进而产生需要补偿的测量误差。

过去，行业多采用基于固定算法的数学模型修正这类误差——通过计算不同表面、不同距离下的特定修正值，再自动应用到测量中，核心是依赖多项式函数。这种方式能实现稳定连续的误差曲线，有一定效果，但局限性也很突出：面对复杂环境（比如表面反射率剧烈变化）时，成像精度会明显不足。毕竟模型参数是固定的，没法自动适配动态变化的环境条件。

劳易测给出了更精准、更灵活的解决方案：不用固定公式，转而用神经网络技术计算修正值。神经网络是模仿人类大脑工作模式的AI技术，核心由输入层、隐藏层、输出层三层节点（神经元）构成。信息处理时，输入数据会逐层传递，神经元会对相关结果进行加权汇总，再通过特定函数转换，最终输出精准结果。这里的激活函数很关键，它决定了神经元的“活跃程度”，也就是传递给下一层的信号强度。借助激活函数，神经网络能学习复杂的非线性关系，远比简单计算模式更强大。对比来看，神经网络算出的修正值精度更高，标准偏差直接降低了一半以上。

多项式函数（左）与神经网络（右）的修正值对比。使用神经网络可以更精确地确定修正值。标准偏差减少一半以上。

这套AI方案的核心优势，在于靠真实数据“学习”环境影响——通过分析亮度、表面纹理对测量结果的作用，轻松完成测量值修正。神经网络的训练数据很有讲究：输入参数是原始距离值和脉冲宽度，输出则是对应的标准化修正值。这些数据都来自实际生产过程：收集不同亮度、不同纹理表面，以及不同距离下的测量值，再传送到生产设施的控制系统，由系统中的神经网络计算出传感器所需的修正值。正因为前期已经完成了充分学习，传感器在实际运行时，完全不需要额外的计算资源。

劳易测的神经网络采用五层结构，每层的所有神经元都完全互联，确保所有信息都能顺畅汇入计算流程。激活函数的选择也经过了针对性设计：中间层采用ReLU（修正线性单元），它就像一个“正向信号过滤器”，会把负值归零，只处理正值，让学习过程更稳定可靠。这带来两个明显好处：一是网络运行速度更快，二是避免了其他方法可能出现的计算问题。

到了最后一层的输出层，則选用tanh（双曲正切函数）作为激活函数，确保计算出的修正值始终限定在-1到+1之间。之后系统会对这个值进行转换，直接对应传感器获得精准结果所需的距离修正量——整个过程精准且高效。

在需要高精度测量的工业自动化场景中，这套基于AI修正技术的飞行时间距离传感器格外实用，典型应用涵盖五大类：

借助AI技术，劳易测成功将光学距离传感器的精度提升到了新高度。测试数据显示，这套AI校准方法能把系统测量误差（也就是测量结果对表面和距离的依赖性）降低一半以上。即便面对复杂表面，客户在实际运行中也能轻松获得更可靠、更精准的测量结果，让这类传感器成为严苛工业应用的理想之选。

核心优势总结：

◀劳易测光纤传感器——专业的检测帮手

◀传感器未来三年的14个发展趋势

◀劳易测ODT 3CL1-2M 测量与检测的合二为一