看到一篇用Velostat於壓力感測器的文章，所以來簡單介紹這個材料。
Velostat，（一種具有壓阻特性的導電添加劑的彈性聚合物）是一種包裝材料，由浸漬有炭黑以使其具有導電性的聚合箔（聚烯烴）製成。 它用於保護易受靜電放電損壞的物品或設備。 由 Custom Materials 開發，現在是 3M 的一部分。
由於其通過彎曲或壓力改變其電阻的特性，可以用於製造微控制器實驗的廉價傳感器。感覺是一個很好拿來實驗玩玩看的材料！
先舉一篇介紹Velostat怎麼應用在pressure sensor上的文章
原文link：
I.Introduction
（極其廢話：））
壓力傳感器主要可分為以下類型
- 電容式：電容式壓力傳感器具有高靈敏度、低溫依賴性和低雜音（low noise floor），這有助於具有高精度和惡劣環境的應用。
- 壓電式：壓電材料由於其雙重能量流而在可穿戴電子產品中發現了有前景的應用 — — 既可以用作傳感元件，也可以用作能量產生元件。在這個特定領域，各種具有自供電能力的摩擦電器件已被積極嘗試，儘管此類材料和器件的製造過程通常與標準技術不兼容。
- 光學式：光學壓力傳感器具有高靈敏度和出色的抗干擾能力等重要特性。然而，它們龐大的系統配置阻礙了它們在許多需要部署靈活性的領域的應用 。
- 壓阻式：壓阻式壓力傳感器採用多種形式的材料和結構用於大量應用。由於其整體易於製造、低成本、簡單的信號處理電路和標準的數據採集過程，壓阻式傳感器一直穩定地成為壓力傳感領域的主導類別 。與基於矽和金屬的壓阻傳感器以及用於過程控制和監測的strain gain相反，一些柔性壓阻材料在easy development表現出巨大的優勢，這對於生物醫學和人機交互系統尤其重要。
稍微介紹幾個基於 Velostat的各種壓力傳感器開發
- 物體抓取機器人的觸覺手套，其中使用卷積神經網絡 (CNN) 通過集成在機器人中的 Velostat 傳感器提供的信號來識別物體的類型並判斷機器人的回覆手勢。
- 壓力傳感器鞋墊，以協助慣性測量單元 (IMU) 進行室內人體定位。
- 床墊中使用了 Velostat 壓力傳感器，旨在檢測躺著的人的位置，以防止褥瘡。
- 頭盔中的柔性壓力傳感器陣列獲取的數據評估運動頭盔的舒適度和穩定性水平。
缺點：重複性差、滯後和非線性（源於聚合物材料的某些塑性變形程度，材料複合材料和紋理的不均勻性）
本文的貢獻是：
- 在 Velostat 中對聚合物複合材料進行系統的材料研究，了解導電材料的電氣和機械特性。
II. VELOSTAT 傳感器當前面臨的挑戰
我們的研究發現，帕斯卡的使用對於 Velostat 傳感器來說是不合適的測量單位。眾所周知，例如，當用作力傳感器時，Velostat 材料與某些電極接觸作為測量儀器，Velostat 傳感器電阻的變化是以下因素的函數：Velostat 材料特性、施加的力和施加時間、接觸面積測量儀與 Velostat 傳感器之間、導線交點的面積、測量儀中心與導線交點的相對位置等。
串擾是影響圖像識別精度的關鍵問題。它源於傳感器的機械和電氣響應。機械串擾是由柔性材料在壓力下的非理想力擴散引起的。本研究將重點關注電氣串擾，電串擾可分為兩種類型，即A型和B型電串擾。
A型串擾是由隨機電流流過傳感器或傳感器陣列中相關區域的Velostat電阻引起的，該電阻元件引起的傳感誤差相對較小小，因此可以忽略不計。
B 型電氣串擾是由於電流總是流經電阻較小的路徑，具體B型電氣串擾的原因是在計算目標壓阻傳感器元件（交叉點）的電阻時，電流不僅流過這個目標壓阻傳感器，而且還流過相鄰的傳感器。相當於多個壓阻式傳感器並聯。
除了物理傳感元件外，圖像處理對於這項工作中展示的力和壓力圖像系統也是必不可少的。以前的大多數研究人員在生成壓力圖像時使用了傳統的線性縮放（歸一化）方案 ，其中無法有效管理由串擾和電噪聲以及壓力信號尖峰在算法中引起的低 SNR。使用 CNN 識別和分類觸覺圖像已被證明是一種有效的方法 。對於現實世界的觸覺感知應用，例如抓握、坐姿、步態等的識別和分析，分類任務是動態和連續的。
本文的目的是根據我們展示的 Velostat 壓力傳感器陣列的特定特性以及一些主要干擾（如串擾）開發解決方案。 在我們的設計中，基於 CNN 的對比度增強用於抵消串擾和電噪聲的影響，並消除信號尖峰。根據壓力圖像的大小和分辨率，本文演示了基於 ResNet18 的修改版本 ResNet-PI 來識別物體。使用 ResNet-PI 實現了總共 12 種不同的對比度增強（3 種增強，每種增強 4 個可能的係數），具有最佳精度。
III. METHODOLOGIES
A. Velostat 材料
當施加壓力時，間隙變小，導電元件之間的有效距離減小，因此材料的整體電導率增加。
複合材料在任何施加壓力時間 t 的相對阻力可以表示為：
其中 R(t) 是複合材料在應用時間 t 的瞬時電阻； R0 是原始阻力，σ 是外加壓力，D 是填料顆粒的直徑，θ 是填料體積比例，φ 是位能高度（potential barrier height），ε0 是原始應變，ψ 和 n 是與潛變（creep）相關的常數。 當這些因素固定時，相對阻力只與t有關，相對阻力隨著t的增加而減小。 在我們的實驗中，還需要考慮作為物體重量的施加壓力σ。 我們將其他因素固定不變，並將 σ 和 t 分別視為自變量。 同時，將聚合物複合材料的電阻 R 而不是相對電阻作為因變量進行研究。 等式（1）可以重寫為：
Velostat 在我們的傳感器陣列設計中用作壓阻電阻器。 除了壓力之外，還有一些相似之處，例如張力和機械彎曲也會降低 Velostat 的電阻率。 圖 2 顯示了當壓力、張力和機械彎曲作用於 Velostat 時，Velostat 內部間隙（黑色區域）和導電碳顆粒（白點）的變化示意圖。
B. 測試設置
為了測試施加壓力σ和施加時間t對Velostat阻力的影響，本研究設計了一個帶有推拉力計（Max Load 500 N Stand Tester）的裝置，Velostat 的電阻值可以通過下式計算：
其中 RVelostat 是 Velostat 的電阻值，RKnown是已知的電阻值，Vout 是輸出電壓，Vcc 是電源電壓。 推拉力計用於施加不同的壓力和不同的時間
C. 傳感器陣列製造
為了使用壓阻式電阻材料 Velostat 來獲取物體的壓力信息。 我們製作了一個 27 行 27 列的觸覺傳感器陣列。 共有 729 個傳感器由壓阻式 Velostat 組成，R(i, j) 是 Velostat 製造的壓阻式電阻傳感器陣列的第 i 行第 j 列的傳感器元件。 Velostat 傳感器陣列有七層結構，是一種對稱結構。頂層和第七層是保護層( PVC 保護膜)。這種保護膜是透明的、柔軟的、薄的、便宜的。它既保持了傳感器陣列的robustness，又不削弱物體的壓力信號。第二層和第六層為粘合層，保證保護層的牢固性和導電線與Velostat的相對位置。第三層和第五層為列導電層和行導電層，採用不銹鋼纖維製成的導電線，柔軟、易於製作、電阻率低。第四層是 Velostat 材料。傳感器陣列結構圖如圖5所示。
D. 準靜態響應
Velostat 傳感器陣列的每個元素對應於壓力圖像上的每個像素。
準靜態響應被定義為表達 t 和電導 G 之間的關係。（電導數值上等於電阻的倒數，符號是G）在向 Velostat 施加壓力的過程中，元件電導的增加速度會減慢。在足夠長的時間後，元件電導將達到穩定狀態。首先，我們定義穩態電導三種狀態的值：
其中 state 代表三種可能的狀態。 Gunl 表示空載狀態下的電導，Gload 表示加載狀態下的電導，Grel 表示釋放狀態下的電導。 Tstate 表示連續收集到的單個狀態的總時間，對於每個狀態我們使用相同的公式，但每個狀態的 Tstate 不同。 Gstate(i) 表示連續收集的元素電導中的第 i 個電導值。
元件在加載前後是否發生塑性變形也值得關注。 卸載狀態和釋放狀態之間的差異差異定義為：
我們感興趣的是元素的電導需要多長時間才能達到可接受的值。可接受的電導值是穩態值的百分比，用 μ 表示。 在我們的實驗中，μ = 80%（或 90%）被用作百分比。 元件電導從加載開始到上升到可接受的電導值的上升瞬態 tr 定義為：
類似地，元件電導從釋放開始到下降到可接受的電導值的下降瞬態 t f 定義為：
E. 對比度增強
我們假設像素電導的輸出跨度分為低輸出跨度和高輸出跨度。隨著壓力的增加，像素電導增加並從低輸出跨度移動到高輸出跨度。同時，電噪聲的分佈保持不變。我們可以預料的是，在低輸出跨度中存在大量的電噪聲和少量的信號。相反，在高輸出跨度中存在大量信號和少量噪聲。設計對比度增強的本質是增加高輸出跨度，同時保持或削弱低輸出跨度。
作為增加對比度的最簡單方法，閾值化是我們的首要任務。閾值化公式可以表示為：
G’’thld (i) 是傳感器陣列在第 i 個時刻的閾值對比度增強電導矩陣。
γ 是要測試的最佳結果的自定義閾值係數。 如果像素值大於 γ 為信號，若小於 γ 則為噪音。 冪和指數作為常用的非線性標度函數，直接計算 G 。 功率公式可以表示為：
其中 α 是要測試的最佳結果的自定義功率係數。 指數的公式可以表示為：
其中 β 是一個自定義指數係數，用於測試以獲得最佳結果。
F. 卷積神經網絡--ResNet-PI
(詳細配置見原文)
卷積神經網絡 (CNN) 已廣泛應用於計算機視覺中的物體識別。在我們的實驗中，我們還將CNN應用於壓力圖像，因為CNN可以提取壓力圖像中的特徵向量來計算圖像類別匹配的概率。我們選擇了 10 個對象進行測試，之所以選擇它們，是因為它們的剛性、可區分的輪廓和低表面積的特性。結合三個實驗設置，通過將這些對像以不同的旋轉角度放置在 Velostat 傳感器陣列中的不同位置來收集壓力圖像數據集。
IV. EXPERIMENTS AND RESULTS
為了獲得高質量的壓力圖像數據集，我們對影響 Velostat 阻力的兩個重要參數對象壓力 σ 和應用時間 t 進行了實驗。 對於σ，分別測量SISO傳感器和傳感器陣列中單個元件的電阻靈敏度，求得理想物體重量。 對於 t，測量傳感器陣列的準靜態響應，並找到合適的收集時間和釋放時間。 這三個實驗設置用於構建原始壓力圖像數據集。 使用3種對比度增強處理原始壓力圖像數據集，結合ResNet-PI找到精度最好的對比度增強，識別10個物體。
A. 電阻靈敏度
對於電阻敏感性的研究，應盡可能消除施加時間t的影響。 記錄時間固定為施加壓力後延遲一秒。
我們將傳感器陣列中單個元件的電阻定義為有效電阻，將不受串擾影響的 SISO 傳感器的電阻定義為實際電阻。比較實際電阻和有效電阻，觀察串擾對傳感器陣列的影響。圖 10(a) 表明，隨著 σ 的增加，實際電阻在兩條指數曲線中呈指數下降，第一條曲線會更快，第二條曲線會更慢。這兩條指數曲線的實際電阻交點為 65 牛頓，這意味著 Velostat 傳感器的實際電阻對小於 65 牛頓的壓力更敏感。同時，在相同壓力下，有效阻力幾乎等於實際阻力的十分之一。
圖 10（b）顯示了相同的有效電阻特性。當 σ 增加時，有效阻力在兩條指數曲線中呈指數下降，交點為 55 牛頓。根據這兩個交點，物體的理想重量約為 60 牛頓。如果物體太輕而無法識別，則需要施加額外的重量（最多 60 牛頓）以使傳感器陣列電阻降至可識別的值。這導致了第一個實驗設置。
實驗設置 1（物體重量）：理想物體重量約為 60 牛頓，以實現高精度。
B. 準靜態響應（Quasi-Static Response）
根據實驗設置：物體重量，當所選物體重量確定且物體形狀獨立時，我們將注意力轉向應用時間 t，即 Velostat 傳感器元件的準靜態響應。
實驗設置 2（採集時間）：僅應連續記錄前 10 秒的壓力圖像。
實驗設置 3（發佈時間）：每次連續採集圖像後，需要 5 秒才能發布。 收集 30 分鐘後，必須再釋放 100 秒。
C. 對比度增強
為了對壓力圖像應用對比度增強，我們首先需要初始化像素電導。由於傳感器製造和電噪聲的原因，傳感器陣列上的每個像素電導均值在136到149區間內分佈不均勻。這種不均勻分佈和高偏差會影響壓力圖像的靈敏度和識別精度。用上述介紹的閥値法處理數據，CNN 針對每個增強的每個可能係數進行訓練，以比較它們的準確性，如表 V 所示。
低輸出跨度
D. ResNet-PI 訓練和分類結果
我們收集了 10 個物體的 8066 幀原始壓力圖像。以下實驗設置：物體重量，這 10 個物體已添加額外壓力以達到 60 牛頓。此外，原始數據集通過旋轉和平移擴展了四倍。按7:3的比例分為訓練數據集（22584幀）和測試數據集（9680幀）。
為了研究第 IV-C 節中討論的 3 種對比度增強方法的有效性，ResNet-PI 用於訓練由這三種對比度增強處理的壓力圖像。
表 V 顯示，在對原始壓力圖像數據集執行三種替代對比度增強後，ResNet-PI 分類的準確性和confidence。我們選擇了一些具有代表性的係數來顯示準確性和置信度的變化。
- 閾值增強係數γ增大，低輸出跨度變大，高輸出跨度變小。
- 功率增強特性與指數相同，但功率增強受α影響太大，不易確定。此外，功率增強不僅會在有限程度上增強弱信號，而且在強信號時也不會像指數增強那樣陡峭。
- 指數增強是最好的對比度增強，在這個設計中使用的準確性和信心最好。在指數增強和 β = 0.4 下，模型的準確率達到了 0.9854。
V. DISCUSSIONS AND FUTURE WORK
A. 串擾
電串擾可以通過對比度增強來解決，然而，機械串擾也是造成低對比度壓力圖像的重要原因之一。機械串擾是由放置在 Velostat 上的物體的壓力引起的機械變形傳遞到相鄰元件，同時周圍元件的電阻減小。這種機械變形和力傳遞效應是由 Velostat 材料的不良機械性能引起的。傳感器陣列可以分離成獨立的元件來抑制電串擾，避免機械串擾，但這種方法增加了生產難度，可能會削弱整個系統的Robustics。
B. 自適應係數 β
儘管在本文中我們嘗試了幾種對比度增強-尋找最準確的函數和係數，但在不同織物傳感器陣列、不同形狀的物體、不同質量的壓力圖像數據集等因素的影響下，係數β的最優值可能不同每個傳感器陣列。我們未來的工作之一是開發一種自適應調整係數 β 的方法，考慮到與係數β為輸出跨度、平均值、方差、峰值等與圖12中紅黑陰影分佈相關的數學量。
