Vision Transformers verbessern Temperaturvorhersage bei Specklegram‑Sensoren

Faser‑Specklegram‑Sensoren (FSS) gelten als hochpräzise Instrumente zur Umweltüberwachung, insbesondere zur Messung von Temperaturänderungen. Die spektrale Nichtlinearität der Specklegram‑Daten erschwert jedoch die genaue Vorhersage von Temperaturen, was die Entwicklung neuer Analyseverfahren dringend erforderlich macht.

In einer aktuellen Studie wurden verschiedene transformerbasierte Architekturen – darunter Vision Transformers (ViTs), Swin‑Transformers sowie neuere Modelle wie LINA‑ViT und MAP‑ViGAT – eingesetzt, um Temperaturwerte im Bereich von 0 bis 120 °C aus Specklegram‑Daten zu prognostizieren. Die Modelle wurden auf denselben Datensatz trainiert und verglichen, um die Leistungsfähigkeit der unterschiedlichen Ansätze zu bewerten.

Die Ergebnisse zeigen, dass klassische ViTs einen mittleren absoluten Fehler (MAE) von 1,15 °C erreichten und damit traditionelle CNN‑Modelle deutlich übertrafen. Varianten wie GAT‑ViT und MAP‑ViGAT demonstrierten ebenfalls konkurrenzfähige Genauigkeiten, was die Bedeutung adaptiver Aufmerksamkeitsmechanismen und graphbasierter Strukturen bei der Erfassung komplexer Modalinteraktionen und Phasenverschiebungen in Specklegram‑Daten unterstreicht.

Zusätzlich wurden Explainable‑AI‑Techniken – darunter Aufmerksamkeits‑ und Salienz‑Maps – integriert, um die Entscheidungsprozesse der Transformer‑Modelle transparent zu machen. Diese Kombination aus hoher Genauigkeit und erklärbarer Modellinterpretation legt den Grundstein für den Einsatz von Transformer‑Architekturen in industriellen Überwachungs- und Strukturgut‑Bewertungsanwendungen.