基于深度学习的分布式光纤振动传感智能安全监测方法与流程

本发明涉及周界安全监测，特别是一种基于深度学习的分布式光纤振动传感智能安全监测方法。

背景技术：

分布式光纤振动传感安全监测技术，是周界安全监测领域近年的研究重点。得益于抗电磁干扰、安装方便、传感范围大、定位精度高、探测能力强等优势，分布式光纤振动传感技术在诸多领域的安全监测和入侵探测方面得到了广泛应用，如：铁路沿线的违法施工监测、人员入侵监测，国家重大设施、工程的周界安全防范监测，重要场所、区域的周界安全防范，长距离油气管线的安全监测等。这些应用对分布式光纤振动传感安全监测技术的智能识别提出了非常高的要求。

现有技术一【郑印,段发阶,涂勤昌,韦波,光子学报,44(1):0106004,2015】综合单独采用前后时刻数据差值判断、时间域单点振动判断、空间域相邻点振动判断、特征量峰值比例判断等方法，实现了入侵事件的识别和精确定位。但是，该方法无法实现对不同入侵事件的分类识别，无法满足周界安全监测的当前需求。

现有技术二【王照勇,潘政清,叶青,蔡海文,瞿荣辉,方祖捷,用于光纤围栏入侵告警的频谱分析快速模式识别,中国激光,42(4):0405010,2015】提出了基于分布式光纤振动传感φ-otdr的快速模式识别，可以通过频谱特征有效实现不同入侵类型的实时识别和定位。在具有复杂环境噪声和分类类别较多的情况下，该方法的误报率有所增加，大检测范围情况下的误报量较大，难以单纯依靠该技术实现长距离、大规模组网对识别率的需求。

现有技术三【metinaktas,toygarakgun,mehmetumutdemircin,duygubuyukaydin,deeplearningbasedmulti-threatclassificationforphase-otdrfiberopticdistributedacousticsensingapplications,proc.ofspie,vol.10208,102080g,2017】将扰动点的时频特性作为样本，对5层卷积神经网络进行训练，实现扰动信号的分类识别。然而，扰动的时间特性受人为因素影响较大(如连续挖掘与间歇性挖掘)，难以确保网络模型的鲁棒性。同时，该技术不具备在线优化能力，无法满足复杂环境下的安全监测需求。

技术实现要素：

为了克服上述在先技术的缺点，本发明的目的在于提出一种基于深度学习的分布式光纤振动传感智能安全监测方法，以期突破目前分布式光纤安全监测领域发展所面临的识别率低、分类数量受限、无法在线优化等关键问题。

本发明的技术解决方案如下：

一种基于深度学习的分布式光纤振动传感智能安全监测方法，其特点在于，该方法包括下列步骤：

1)利用短时通带能量变换对分布式光纤振动传感解调信号进行处理，实现扰动定位：

由分布式光纤振动传感系统获取解调的扰动信息的时间-空间分布表示为v(z,t)，通过短时通带能量方法对所述扰动信息进行变换，得到短时通带能量所述的短时通带能量变换的时间尺度为2τ0，与系统脉冲宽度有关，其中，ω1、ω2分别为所述短时通带能量变换所选取的上截止频率、下截止频率，其数值根据系统应用所针对的扰动频率特征确定；

根据所述的短时通带能量的空间分布情况，沿线搜索扰动点位置，在空间维度上寻找短时通带能量大于预设阈值eth的位置为扰动点位置，扰动点位置zg满足zg＝find(e(z,t)＞eth)，所述的预设阈值eth的数值，根据系统应用情况的经验确定；

2)提取扰动点附近区域的信号分布，并利用短时傅里叶变换获取“频率—空间”图像，构建扰动样本：

从解调扰动信息中提取出所述扰动点附近区域的信号vs(z,t)＝v(z-d:z+d,t)，空间区域范围2d，根据所述扰动信号的空间特性确定；利用短时傅里叶变换，获取信号的“频率—空间”分布为将该“频率—空间”分布s(z,f)绘制成彩色图样，并转换为特定尺寸图片，形成图像样本构建该扰动样本；

3)开展现场实验，获取不同类型的所述的图像样本构建扰动样本库，利用深层卷积网络进行模型训练，生成网络模型：

针对系统应用场景，确定可能存在的外界扰动类型，包括挖掘机作业、人工挖掘、人员入侵，开展现场实验，采集各类扰动的系统解调数据，按照前述步骤构建各类扰动的图像样本，并根据现场实验情况对各类扰动的图像样本添加标签构成各类扰动的标签样本，基于各类扰动的标签样本，构建样本库，选择合适的深层卷积网络，利用所述的样本库对网络模型进行训练，达到既定要求，包括网络模型的事件识别率和泛化能力；

4)将所述的网络模型应用于所述的分布式光纤振动传感系统，对处理得到的图像样本进行实时在线识别、分类，根据分类结果，向相关用户终端和服务器发送相应报警信息；

5)根据所述终端用户的实时反馈情况，获取所述样本的真实标签，构建在线标签样本，结合迁移学习方法，对所述的网络模型进行在线训练，持续优化网络模型，提升识别效果和泛化能力。

所述步骤1)中，在扰动范围较大和多个扰动点的情况下，所获取的扰动点位置zg为一维数组，需对其进行处理提取出一个或多个扰动的中心位置；多扰动点的情况可以采用位置差值判断、聚类等方法实现各扰动位置的划分；扰动范围较大情况下，采用重心法、平均值法获取中心位置。

所述的深度卷积网络包括lenet、alexnet、残差网络resnet、双路径网络dpn或其他深层网络。

所述的样本库随机分为训练集和测试集，所述的训练集用于网络训练和网络模型的识别效果评估，所述的测试集用于网络模型泛化能力的评估。

所述的通过增大样本数量来提升网络模型泛化能力的方法包括对所述的图像样本采用随机翻转、模糊处理或添加噪声方法，增大样本数量。

本发明的特点和优点如下：

(1)创新性地提出了利用扰动信号的频谱空间特性进行分布式光纤智能安全监测的思想，使得系统不仅具备了扰动识别能力，更具备了在复杂环境下进行扰动分类的能力，提升了分布式光纤安全监测系统的可靠性，为有效识别安全事件提供了有效的手段和工具。

(2)充分利用分布式光纤振动传感的分布式传感优势，结合深度网络对扰动进行识别，复杂环境下的扰动识别率得到大幅度提升，有利于减少长距离、大范围线路的安全警报信息管理成本及现场确认成本。

(3)综合利用扰动信号的频率、时间和空间域特征，识别率与泛化能力得到同步提升，可实现较多类型扰动的分类识别。

(4)结合迁移学习方法，具备在线优化能力，可以满足复杂环境下的安全监测需求。

附图说明

图1是本发明基于深度学习的分布式光纤振动传感智能安全监测方法实施例的流程图；

图2是本发明的实施例的扰动定位流程图；

图3是本发明的实施例的网络训练流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但不限于此。根据本发明的思想，可以采用若干实施方法。如下几种方案仅作为该发明思想的解释说明，具体方案并不局限于此。此外，为了便于描述，附图中仅示出了与本发明有关的部分，而非全部过程。

本发明基于深度学习的分布式光纤振动传感智能安全监测方法实施例一，如图1所示，该方法主要包括：

(1)利用短时通带能量变换对分布式光纤振动传感解调信号进行处理，从而实现扰动定位，如图2所示。

由分布式光纤振动传感系统获取解调的扰动信息的时间-空间分布表示为v(z,t)。通过短时通带能量方法对所述扰动信息进行变换，得到短时通带能量所述的短时通带能量变换的时间尺度为2τ0，与系统脉冲宽度有关。其中，ω1、ω2分别为所述短时通带能量变换所选取的上、下截止频率，其数值根据系统应用所针对的扰动频率特征确定。

根据所述短时通带能量的空间分布情况，沿线搜索扰动点位置，在空间维度上寻找短时通带能量大于预设阈值eth的位置，即扰动点位置zg满足zg＝find(e(z,t)＞eth)。所述预设阈值的数值根据系统应用情况的经验确定。

对所述的位置数组zg进行多扰动点分割。计算所述位置数组内各元素的差分，dzg(i)＝zg(i+1)-zg(i)。当差分值出现大于预设阈值时，如20米，认为前后两位置属于不同扰动点。

对所述扰动区域进行中心定位，确定扰动位置。采用重心法，对同一扰动点的多个数据进行处理，按下式计算获取扰动点中心位置，

(2)提取扰动点附近区域的信号分布，并利用短时傅里叶变换获取“频率—空间”图像，构建扰动样本。

从解调扰动信息中提取出所述扰动点附近区域的信号，vs(z,t)＝v(z-d:z+d,t)。空间区域范围2d，根据所述扰动信号的空间特性确定。利用短时傅里叶变换，获取信号的“频率—空间”分布

将所述的“频率—空间”分布s(z,f)绘制成为彩色图样，以提升其视觉可辨性，并转换为特定尺寸图片，形成图像样本，以提供给网络模型训练或分类识别进行后续处理。

(3)开展现场实验，获取不同类型的所述图像样本构建样本库，利用深层卷积网络进行模型训练，生成网络模型，如图3所示。

针对系统应用场景，确定可能存在的外界扰动类型，如挖掘机作业、人工挖掘、人员入侵等。开展现场实验，采集各类扰动的系统解调数据，按照前述步骤构建所述图像样本，并根据现场实验情况对各样本添加标签。基于各类扰动的标签样本，构建样本库。选择合适的深层卷积网络，利用所述的样本库对网络模型进行训练，直至达到既定要求。

所述的网络架构选用alexnet架构。对所述的图像样本采用随机左右翻转，增大样本数量，抑制过拟合。将所述的样本库随机分为训练集和测试集，利用所述的训练集对所述的网络模型进行训练和网络评估，利用所述的测试集评估网络模型的泛化能力，训练集的样本数量占总样本库的80％。

(4)将所述的网络模型应用于所述的分布式光纤振动传感系统，对处理得到的图像样本进行实时在线识别、分类。根据分类结果，向相关用户终端和服务器发送相应报警信息。

(5)根据所述终端用户的实时反馈情况，获取所述样本的真实标签，构建在线标签样本，结合迁移学习方法，对所述的网络模型进行在线训练，持续优化网络模型，提升识别效果和泛化能力。

以上结合附图对本发明的部分实施例进行性了详细说明，但本发明不仅仅受限于上述实施例中的实现方式。在不脱离本发明的宗旨前提下所做的各种变形或变化，均属于该专利。不应依此限制本发明的保护范围。