Interférométrie self-mixing pour la détection des conditions givrantes

Self-mixing interferometry for icing condition detection

• Auteur / Autrice : Robin Matha
• Direction : Stéphane Barland
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance le 28/05/2024
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées (Nice ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Institut de Physique de Nice
• Jury : Président / Présidente : Alejandro Giacomotti
• Jury : Examinateurs / Examinatrices : Stéphane Barland, Alejandro Giacomotti, Julien Perchoux, François Gustave, Aurélie Jullien, Delphine Wolfersberger, Jean Rinkel
• Jury : Rapporteurs / Rapporteuses : Alejandro Giacomotti, Julien Perchoux

Mots clés

Mots clés contrôlés

Contrôle non destructif

Réseaux neuronaux (informatique)

Mesures optiques

Lasers à semi-conducteur

Mots clés libres

Laser à semiconducteur

Interférométrie non-linéaire

Mesure optique

Contrôle non destructif

Réseaux de neurones

Rétroaction optique

Semiconductor laser

Non-linear interferometry

Optical measure

Non-destructive test

Neural network

Optical feedback

Résumé

Nous proposons ici une méthode permettant d'effectuer la détection de gouttelettes d'eau en condition atmosphérique de façon fiable et robuste. Pour cela, nous avons choisi de tester l'application de l'interférométrie self-mixing à cette problématique. Cette technique optique complexe consiste à extraire une information d'un signal d'interférométrie non-linéaire obtenu aux bornes d'une diode laser soumise à une rétro-injection optique sur une scène. C'est cette scène qui génère et contient l'information. Le cas d'étude représentatif est celui d'une surface solide en déplacement longitudinal dans l'axe du faisceau laser ; le signal se compose de franges d'interférométrie qui se forment dans le milieu non-linéaire qu'est le laser, chaque frange correspond à un déplacement de λ/2 de la surface (λ étant la longueur d'onde du laser) et l'orientation donne le sens du déplacement de cette surface. L'interféromètre self-mixing, une simple diode laser équipée d'une alimentation et d'une amplification en sortie, est connue pour offrir une grande versatilité dans la nature des mesures faisables (mesure de vitesse, détection de micro particules, imagerie 3D, etc) mais il offre également des avantages importants dans la conception d'un capteur : compacité, éléments robustes, peu consommateur en énergie, système auto-aligné et intrinsèquement simple. Cependant, la disponibilité de la mesure dans le signal est très dépendante de la quantité de lumière réinjectée dans la cavité laser. Dans le cadre d'une surface rugueuse cela se traduit par le renouvellement de la figure de speckle générée par la réflexion du faisceau laser sur cette surface. Nous démontrons que la disponibilité de la mesure peut être assurée en extrayant l'information depuis trois canaux d'interférométrie self-mixing (alimentation, système optique et amplification du signal) indépendants mais également en traitant ces signaux à l'aide d'un réseau de neurones pré-entrainé dans ce cadre représentatif de la surface en déplacement. Ainsi, tant qu'au moins un canal présente une information disponible le réseau neuronal est capable de reconstruire la vitesse de déplacement de la surface avec précision. De plus, l'analyse parallèle de plusieurs canaux permet d'augmenter la précision de cette reconstruction. Après avoir effectué ces travaux d'augmentation de la robustesse de l'obtention d'une mesure, ceux-ci ont été adapté à la détection de gouttes d'eau micrométriques. Après avoir adapté le réseau de neurone pour classifier les signaux ; nous parvenons à détecter avec un très faible taux d'erreur la présence de gouttelettes devant le faisceau. De plus, nous sommes également parvenus à classifier des signaux d'interférométrie issus de trois scènes différentes : un nuage de gouttes d'eau micrométriques et le même nuage dans lequel sont injectées de plus grosses gouttelettes dont le diamètre est supérieur à 100 µm avec deux distributions de tailles différentes. Finalement, nous sommes parvenus à allier intelligence artificielle avec un phénomène optique complexe pour faire la démonstration de principe d'un capteur simple, robuste, compact et fiable capable de détecter la présence de gouttelettes dans l'atmosphère ainsi que de distinguer des variations de taille de ces gouttelettes composant le nuage.

Here we propose a method allowing the detection of water droplets in atmospheric conditions in a reliable and robust manner. For this, we chose to test the application of self-mixing interferometry to this problem. This complex optical technique consists of extracting information from a non-linear interferometry signal obtained at the terminals of a laser diode subjected to optical feedback onto a scene. It is this scene that generates and contains the information. The representative case study is that of a solid surface moving longitudinally in the axis of the laser beam; the signal is composed of interferometry fringes which form in the non-linear medium which is the laser, each fringe corresponds to a displacement of λ/2 of the surface (λ being the wavelength of the laser) and l The orientation gives the direction of movement of this surface. The self-mixing interferometer, a simple laser diode equipped with a power supply and output amplification, is known to offer great versatility in the nature of the measurements possible (speed measurement, detection of micro particles, 3D imaging, etc) but it also offers important advantages in the design of a sensor: compactness, robust elements, low energy consumption, self-aligned and intrinsically simple system. However, the availability of the measurement in the signal is very dependent on the quantity of light reinjected into the laser cavity. In the context of a rough surface this results in the renewal of the speckle pattern generated by the reflection of the laser beam on this surface.We demonstrate that the availability of the measurement can be ensured by extracting information from three independent self-mixing interferometry channels (power supply, optical system and signal amplification) but also by processing these signals using a network of neurons pre-trained in this framework representative of the moving surface. Thus, as long as at least one channel presents available information, the neural network is able to reconstruct the speed of movement of the surface with precision. In addition, the parallel analysis of several channels makes it possible to increase the precision of this reconstruction. After carrying out this work to increase the robustness of obtaining a measurement, they were adapted to the detection of micrometric water drops. After adapting the neural network to classify the signals; we manage to detect the presence of droplets in front of the beam with a very low error rate. In addition, we also managed to classify interferometry signals from three different scenes: a cloud of micrometric water drops and the same cloud into which larger droplets with a diameter greater than 100 µm are injected with two distributions of different sizes. Finally, we managed to combine artificial intelligence with a complex optical phenomenon to demonstrate in principle a simple, robust, compact and reliable sensor capable of detecting the presence of droplets in the atmosphere as well as distinguishing variations in size of these droplets making up the cloud.