CN108709633A - 基于深度学习的分布式光纤振动传感智能安全监测方法 - Google Patents
基于深度学习的分布式光纤振动传感智能安全监测方法 Download PDFInfo
- Publication number
- CN108709633A CN108709633A CN201810994704.3A CN201810994704A CN108709633A CN 108709633 A CN108709633 A CN 108709633A CN 201810994704 A CN201810994704 A CN 201810994704A CN 108709633 A CN108709633 A CN 108709633A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- optical fiber
- network
- vibration sensing
- distributed optical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
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,包括:分布式光纤振动传感技术的信号解调与扰动定位;获取解调图样;构建样本库,进行网络训练,生成网络模型;使用网络模型在线实时识别扰动类型;网络模型的在线训练优化等。该方法可采用检测线路或区域边界的通信光缆实现安全监测,具有可扩展性强、组网方便、成本低廉、防雷电干扰等优势。同时,该方法充分利用分布式光纤振动传感的分布式优势,结合深度学习网络对扰动信息进行分类识别,具有较高的智能识别准确率和在线优化能力,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,将极大推动分布式光纤安全监测系统领域的发展及工程应用进程。
Description
技术领域
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,Deep learning based multi-threatclassification for phase-OTDRfiberoptic distributed acoustic sensingapplications,Proc.of SPIE,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。
发明内容
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。
Claims (5)
1.一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,其特征在于,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,该扰动点位置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。
2.根据权利要求1所述的基于深度学习的分布式光纤振动传感智能安全监测方法,其特征在于,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;多扰动点的情况采用位置差值判断、聚类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。
3.根据权利要求1所述的基于深度学习的分布式光纤振动传感智能安全监测方法,其特征在于,所述的深度卷积网络包括LeNet、AlexNet、残差网络ResNet、双路径网络DPN或其他深层网络等。
4.根据权利要求1所述的基于深度学习的分布式光纤振动传感智能安全监测方法,其特征在于,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。
5.根据权利要求1至5任一项所述的基于深度学习的分布式光纤振动传感智能安全监测方法,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810994704.3A CN108709633B (zh) | 2018-08-29 | 2018-08-29 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810994704.3A CN108709633B (zh) | 2018-08-29 | 2018-08-29 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108709633A true CN108709633A (zh) | 2018-10-26 |
CN108709633B CN108709633B (zh) | 2020-05-05 |
Family
ID=63873727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810994704.3A Active CN108709633B (zh) | 2018-08-29 | 2018-08-29 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108709633B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109474333A (zh) * | 2018-12-27 | 2019-03-15 | 国网山西省电力公司晋中供电公司 | 一种基于深度学习的电力光缆实时监测保护系统 |
CN109583344A (zh) * | 2018-11-21 | 2019-04-05 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
CN110191411A (zh) * | 2019-04-28 | 2019-08-30 | 浙江大学 | 一种基于时空域联合处理的分布式协作定位系统和方法 |
CN110363216A (zh) * | 2019-05-31 | 2019-10-22 | 上海波汇软件有限公司 | 一种应用于das系统中在线训练dnn模型的实现方法 |
CN110417823A (zh) * | 2019-09-25 | 2019-11-05 | 广东电网有限责任公司佛山供电局 | 一种基于嵌入式特征选择架构的通信网络入侵检测方法 |
CN110492926A (zh) * | 2019-07-26 | 2019-11-22 | 北京光锁科技有限公司 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
CN111145475A (zh) * | 2019-12-12 | 2020-05-12 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于振动光纤和深度学习的入侵报警系统、方法及介质 |
CN111157099A (zh) * | 2020-01-02 | 2020-05-15 | 河海大学常州校区 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
CN111222461A (zh) * | 2020-01-06 | 2020-06-02 | 兰州奥普信息技术有限公司 | 一种光纤振动探测系统入侵信号的识别方法 |
CN111337116A (zh) * | 2018-12-18 | 2020-06-26 | 中兴通讯股份有限公司 | 确定扰动源位置的方法及装置、存储介质和电子装置 |
CN111507300A (zh) * | 2020-04-26 | 2020-08-07 | 上海同岩土木工程科技股份有限公司 | 一种保护区内打桩、钻探行为的快速识别方法 |
CN112149141A (zh) * | 2019-06-28 | 2020-12-29 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备和介质 |
CN112396042A (zh) * | 2021-01-20 | 2021-02-23 | 鹏城实验室 | 实时更新的目标检测方法及系统、计算机可读存储介质 |
CN112904778A (zh) * | 2021-02-02 | 2021-06-04 | 东北林业大学 | 一种基于多维信息融合的野生动物智能监测方法 |
CN112906511A (zh) * | 2021-02-02 | 2021-06-04 | 东北林业大学 | 一种联合个体图像和足迹图像的野生动物智能监测方法 |
CN113029443A (zh) * | 2021-03-22 | 2021-06-25 | 中国科学院上海光学精密机械研究所 | 基于分布式光纤传感的超深地下墙渗漏风险检测方法 |
CN113531399A (zh) * | 2020-04-16 | 2021-10-22 | 中国石油天然气股份有限公司 | 管道监测方法、管道监测装置、计算机设备及存储介质 |
CN114093106A (zh) * | 2021-11-29 | 2022-02-25 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于EfficinetNET分类网络的入侵信号报警方法及系统 |
CN114323248A (zh) * | 2021-12-31 | 2022-04-12 | 郑州信大先进技术研究院 | 一种四通道地埋光缆分布式光纤振动传感预警方法及系统 |
CN114354744A (zh) * | 2021-12-03 | 2022-04-15 | 国网河南省电力公司商丘供电公司 | 一种电力电缆防外破监测方法、系统及装置 |
CN115171342A (zh) * | 2022-07-15 | 2022-10-11 | 中国科学院上海光学精密机械研究所 | 基于分布式光纤传感的山体动态响应监测方法 |
CN115331391A (zh) * | 2022-08-03 | 2022-11-11 | 东南大学 | 分布式结构振动监测数据智能化报警与恢复方法 |
CN116026449A (zh) * | 2023-03-30 | 2023-04-28 | 广东恒志信息技术有限公司 | 一种基于单芯光纤传感的振动定位监测系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230152130A1 (en) * | 2021-11-18 | 2023-05-18 | Nec Laboratories America, Inc | Fiber identification without cut point using distributed fiber optic sensing |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
US7403675B2 (en) * | 2003-07-18 | 2008-07-22 | Network Integrity Systems Inc. | Method of high order mode excitation for multimode intrusion detection |
CN201191221Y (zh) * | 2008-05-09 | 2009-02-04 | 东南大学 | 分布式光纤振动传感系统扰动信号判别模块 |
CN101488267A (zh) * | 2009-02-13 | 2009-07-22 | 上海大学 | 光纤围栏中行人入侵信号特征识别方法 |
GB2456567A (en) * | 2008-01-18 | 2009-07-22 | Oxford Biosignals Ltd | Novelty detection using extreme value theory |
CN102360519A (zh) * | 2011-07-29 | 2012-02-22 | 电子科技大学 | 一种分布式光纤围栏入侵检测与定位的方法 |
CN102607621A (zh) * | 2012-03-29 | 2012-07-25 | 中国科学院上海光学精密机械研究所 | 同时检测温度和应变的分布式光纤布里渊传感装置和方法 |
CN103063290A (zh) * | 2012-12-14 | 2013-04-24 | 上海华魏光纤传感技术有限公司 | 一种用于光纤振动测量系统的新型实时数据采集与信号处理设备及其实现方法 |
CN104282103A (zh) * | 2014-10-10 | 2015-01-14 | 中国电子科技集团公司第四十一研究所 | 一种基于短时能量的振动波形端点检测新方法 |
CN105095624A (zh) * | 2014-05-15 | 2015-11-25 | 中国电子科技集团公司第三十四研究所 | 一种光纤传感振动信号的识别方法 |
CN108460231A (zh) * | 2018-03-23 | 2018-08-28 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁建养全过程智能监测评估预警决策系统及方法 |
-
2018
- 2018-08-29 CN CN201810994704.3A patent/CN108709633B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7403675B2 (en) * | 2003-07-18 | 2008-07-22 | Network Integrity Systems Inc. | Method of high order mode excitation for multimode intrusion detection |
CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
GB2456567A (en) * | 2008-01-18 | 2009-07-22 | Oxford Biosignals Ltd | Novelty detection using extreme value theory |
CN201191221Y (zh) * | 2008-05-09 | 2009-02-04 | 东南大学 | 分布式光纤振动传感系统扰动信号判别模块 |
CN101488267A (zh) * | 2009-02-13 | 2009-07-22 | 上海大学 | 光纤围栏中行人入侵信号特征识别方法 |
CN102360519A (zh) * | 2011-07-29 | 2012-02-22 | 电子科技大学 | 一种分布式光纤围栏入侵检测与定位的方法 |
CN102607621A (zh) * | 2012-03-29 | 2012-07-25 | 中国科学院上海光学精密机械研究所 | 同时检测温度和应变的分布式光纤布里渊传感装置和方法 |
CN103063290A (zh) * | 2012-12-14 | 2013-04-24 | 上海华魏光纤传感技术有限公司 | 一种用于光纤振动测量系统的新型实时数据采集与信号处理设备及其实现方法 |
CN105095624A (zh) * | 2014-05-15 | 2015-11-25 | 中国电子科技集团公司第三十四研究所 | 一种光纤传感振动信号的识别方法 |
CN104282103A (zh) * | 2014-10-10 | 2015-01-14 | 中国电子科技集团公司第四十一研究所 | 一种基于短时能量的振动波形端点检测新方法 |
CN108460231A (zh) * | 2018-03-23 | 2018-08-28 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁建养全过程智能监测评估预警决策系统及方法 |
Non-Patent Citations (1)
Title |
---|
张旭苹 等: "基于分布式光纤传感技术的智能电网输电线路在线监测", 《光电子技术》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583344A (zh) * | 2018-11-21 | 2019-04-05 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
CN111337116A (zh) * | 2018-12-18 | 2020-06-26 | 中兴通讯股份有限公司 | 确定扰动源位置的方法及装置、存储介质和电子装置 |
CN111337116B (zh) * | 2018-12-18 | 2024-06-07 | 中兴通讯股份有限公司 | 确定扰动源位置的方法及装置、存储介质和电子装置 |
CN109474333A (zh) * | 2018-12-27 | 2019-03-15 | 国网山西省电力公司晋中供电公司 | 一种基于深度学习的电力光缆实时监测保护系统 |
CN109474333B (zh) * | 2018-12-27 | 2021-03-23 | 国网山西省电力公司晋中供电公司 | 一种基于深度学习的电力光缆实时监测保护系统 |
CN110191411B (zh) * | 2019-04-28 | 2020-06-19 | 浙江大学 | 一种基于时空域联合处理的分布式协作定位系统和方法 |
CN110191411A (zh) * | 2019-04-28 | 2019-08-30 | 浙江大学 | 一种基于时空域联合处理的分布式协作定位系统和方法 |
CN110363216A (zh) * | 2019-05-31 | 2019-10-22 | 上海波汇软件有限公司 | 一种应用于das系统中在线训练dnn模型的实现方法 |
CN112149141B (zh) * | 2019-06-28 | 2023-08-29 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备和介质 |
CN112149141A (zh) * | 2019-06-28 | 2020-12-29 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备和介质 |
CN110492926A (zh) * | 2019-07-26 | 2019-11-22 | 北京光锁科技有限公司 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
CN110417823B (zh) * | 2019-09-25 | 2020-04-14 | 广东电网有限责任公司佛山供电局 | 一种基于嵌入式特征选择架构的通信网络入侵检测方法 |
CN110417823A (zh) * | 2019-09-25 | 2019-11-05 | 广东电网有限责任公司佛山供电局 | 一种基于嵌入式特征选择架构的通信网络入侵检测方法 |
CN111145475A (zh) * | 2019-12-12 | 2020-05-12 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于振动光纤和深度学习的入侵报警系统、方法及介质 |
CN111157099A (zh) * | 2020-01-02 | 2020-05-15 | 河海大学常州校区 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
CN111157099B (zh) * | 2020-01-02 | 2022-07-15 | 河海大学常州校区 | 一种分布式光纤传感器振动信号分类方法及识别分类系统 |
CN111222461A (zh) * | 2020-01-06 | 2020-06-02 | 兰州奥普信息技术有限公司 | 一种光纤振动探测系统入侵信号的识别方法 |
CN113531399A (zh) * | 2020-04-16 | 2021-10-22 | 中国石油天然气股份有限公司 | 管道监测方法、管道监测装置、计算机设备及存储介质 |
CN111507300A (zh) * | 2020-04-26 | 2020-08-07 | 上海同岩土木工程科技股份有限公司 | 一种保护区内打桩、钻探行为的快速识别方法 |
CN112396042A (zh) * | 2021-01-20 | 2021-02-23 | 鹏城实验室 | 实时更新的目标检测方法及系统、计算机可读存储介质 |
CN112904778A (zh) * | 2021-02-02 | 2021-06-04 | 东北林业大学 | 一种基于多维信息融合的野生动物智能监测方法 |
CN112904778B (zh) * | 2021-02-02 | 2022-04-15 | 东北林业大学 | 一种基于多维信息融合的野生动物智能监测方法 |
CN112906511A (zh) * | 2021-02-02 | 2021-06-04 | 东北林业大学 | 一种联合个体图像和足迹图像的野生动物智能监测方法 |
CN112906511B (zh) * | 2021-02-02 | 2022-08-02 | 东北林业大学 | 一种联合个体图像和足迹图像的野生动物智能监测方法 |
CN113029443A (zh) * | 2021-03-22 | 2021-06-25 | 中国科学院上海光学精密机械研究所 | 基于分布式光纤传感的超深地下墙渗漏风险检测方法 |
CN113029443B (zh) * | 2021-03-22 | 2022-03-08 | 中国科学院上海光学精密机械研究所 | 基于分布式光纤传感的超深地下墙渗漏风险检测方法 |
CN114093106A (zh) * | 2021-11-29 | 2022-02-25 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于EfficinetNET分类网络的入侵信号报警方法及系统 |
CN114354744A (zh) * | 2021-12-03 | 2022-04-15 | 国网河南省电力公司商丘供电公司 | 一种电力电缆防外破监测方法、系统及装置 |
CN114354744B (zh) * | 2021-12-03 | 2023-08-29 | 国网河南省电力公司商丘供电公司 | 一种电力电缆防外破监测方法、系统及装置 |
CN114323248A (zh) * | 2021-12-31 | 2022-04-12 | 郑州信大先进技术研究院 | 一种四通道地埋光缆分布式光纤振动传感预警方法及系统 |
CN115171342A (zh) * | 2022-07-15 | 2022-10-11 | 中国科学院上海光学精密机械研究所 | 基于分布式光纤传感的山体动态响应监测方法 |
CN115171342B (zh) * | 2022-07-15 | 2024-04-12 | 中国科学院上海光学精密机械研究所 | 基于分布式光纤传感的山体动态响应监测方法 |
CN115331391A (zh) * | 2022-08-03 | 2022-11-11 | 东南大学 | 分布式结构振动监测数据智能化报警与恢复方法 |
CN115331391B (zh) * | 2022-08-03 | 2023-09-12 | 东南大学 | 分布式结构振动监测数据智能化报警与恢复方法 |
CN116026449A (zh) * | 2023-03-30 | 2023-04-28 | 广东恒志信息技术有限公司 | 一种基于单芯光纤传感的振动定位监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108709633B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108709633A (zh) | 基于深度学习的分布式光纤振动传感智能安全监测方法 | |
CN109285309A (zh) | 一种基于输电系统的侵入目标实时检测系统 | |
CN106408940A (zh) | 基于微波和视频数据融合的交通检测方法及装置 | |
CN108986364A (zh) | 周界安全防范系统及方法 | |
CN105389917B (zh) | 一种基于相位敏感光时域反射计的快速预警方法 | |
CN107328465B (zh) | 海底电缆振动监测系统 | |
CN110070155B (zh) | 一种基于可穿戴设备的服刑人员综合行为识别方法及系统 | |
CN111507310B (zh) | 一种基于φ-otdr的光缆通道内人为触缆作业信号识别方法 | |
CN114613116B (zh) | 防外破预警方法、装置、设备及存储介质 | |
CN113936402A (zh) | 一种基于分布式光纤预警系统及视频目标识别技术的周界安防系统及安防方案 | |
CN109409243A (zh) | 一种移动目标中人体视觉检测方法 | |
CN111476979A (zh) | 一种基于多模型分析的智能安保维稳方法及系统 | |
CN109345787A (zh) | 一种基于智能图像识别技术的输电线路防外损监控报警系统 | |
CN110390790A (zh) | 一种网格化森林防火监测预警方法及系统 | |
CN106791670A (zh) | 用于光伏电站的智能安全预警监控系统 | |
CN111951505A (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
Gabriel et al. | Vibration monitoring system for human activity detection | |
CN104240432B (zh) | 基于信息融合的富锰渣生产安全监控方法 | |
CN110481600A (zh) | 无人自主综合报警系统 | |
CN105448014A (zh) | 基于围墙周界安防系统的综合布线方法及入侵预警方法 | |
CN104318250B (zh) | 基于分布式周界系统的运动行为模式识别方法及系统 | |
CN104111646B (zh) | 高压带电作业区域安防监控系统 | |
CN101626270A (zh) | 光电复合缆外部安全预警定位系统进行事件预警与分类的方法 | |
CN206461723U (zh) | 用于光伏电站的智能安全预警监控系统 | |
CN106204993A (zh) | 一种居民周界入侵报警系统及其报警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |