物理压力测量在可穿戴电子、机器人等领域非常重要。采用柔性压力传感器阵列可以监测人体与外界环境之间的物理压力,也可以作为柔性机器人皮肤,感知机器与外界环境之间的物理压力。基于柔性传感器阵列的压力测量技术,受到广泛关注。目前压力测量存在着局限:(1)柔性传感器及其连接易损坏:目前研究者对数据采集多采用点阵传感器和面阵传感器的方式,会直接受到外力挤压和冲击,导致传感器内部结构遭到破坏以及传感器间连接断裂,造成传感器阵列使用时间短;并且点与面阵传感器都采用以点压力代替局部的面压力,导致不能获得完整的压力面分布信息。(2)成像重构算法局限性:目前采用电阻抗成像技术中的重构算法大多数是传统的牛顿类迭代算法,该算法对初始值比较敏感,对于不同的压力区域,初始值需要多次调整,可重复性差;并且该算法对含有噪声的压力图像重构精度差,无法在算法重构中去除噪声的影响,导致成像结果精度不高;最后迭代算法近似求解方法导致成像物体边界不分明。(3)神经网络成像重构区域种类单一:近来研究者将神经网络算法作为电阻抗成像技术的重构算法,但是采用的神经网络大多是浅层网络结构,浅层神经网络无法描述压力区域中有效的边界信息,并且无法成像含有尖锐形状(比如三角形)的压力区域。本文针对这些关键问题进行了以下工作:(1)设计了压敏导电泡棉和压敏导电织物两种柔性传感器阵列作为数据采集载体,并且分析其压阻曲线和验证柔性压力传感器阵列的电阻分布均匀性;设计多通道数据采集系统,描述数据选通模块和控制模块的选通机制,并采用相邻驱动模式采集电压数据。(2)结合电阻抗成像技术,实现了基于Tikhonov正则化的Gauss-Newton压力成像算法,探索了采集数据的预处理和成像结果衡量标准,最后将电压数据重构为成像物体的压力面分布图像,并在压力图像中的均方误差(MSE)平均达到0.35,真实图像和重构图像之间的图像相关系数(ICC)平均达到82.8%,真实图像和重构图像之间的图像结构相似度(SSIM)平均达到了85%,真实图像压力中心点和重构图像中心点平均达到了0.43。该结果证明了基于Tikhonov正则化的Gauss-Newton压力成像算法在含有噪声的压力分布测量的有效性和准确性。(3)针对传统迭代算法以及浅层神经网络算法的缺点,本文设计了由全卷积层构成的深度学习U＿SEnet压力算法,该算法在压力图像中的均方误差(MSE)平均达到0.236,真实图像和重构图像之间的图像相关系数(ICC)平均达到85.8%,真实图像和重构图像之间的图像结构相似度(SSIM)平均达到了90%,该结果证明此算法在电阻抗成像技术重构算法的可行性与优越性。该算法丰富了重构压力区域的形状,提升了压力重构图像的精度,重构出了受力区域的尖锐形状,区别出了成像形状边界,提高了压力成像区域的多样性、准确性。本文所结合深度学习和电阻抗成像技术实现基于柔性传感器阵列的端到端的压力分布成像,有效改善物理压力测量方式,提高电压分布成像的精度,为推动基于柔性传感器阵列的压力测量技术发展提供了一种新思路。