CN110570613A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110570613A CN110570613A CN201910879764.5A CN201910879764A CN110570613A CN 110570613 A CN110570613 A CN 110570613A CN 201910879764 A CN201910879764 A CN 201910879764A CN 110570613 A CN110570613 A CN 110570613A
- Authority
- CN
- China
- Prior art keywords
- time
- intrusion
- vibration
- frequency
- wavelet
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
- G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
- G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
- G08B13/124—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence with the breaking or disturbance being optically detected, e.g. optical fibers in the perimeter fence
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/16—Actuation by interference with mechanical vibrations in air or other fluid
- G08B13/1609—Actuation by interference with mechanical vibrations in air or other fluid using active vibration detection systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明公开了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,在围栏上布置分布式光纤,获取围栏的振动信号,并保存振动数据;将围栏上所有探测点的振动数据累加为时间‑空间二维矩阵A(x,t),利用Sobel算子对二维时空矩阵进行滤波,统计滤波后每一探测点位置在该时段内超过设定阈值M的次数,若该探测点超过设定阈值M的次数大于设定阈值N,则将该探测点作为可疑入侵点,保存所有可以入侵点的原始振动信号;对所有可疑入侵点的原始振动信号分别获取其小波时频图;可疑入侵点缩放后的小波时频图输入事先利用已知事件数据预训练好的卷积神经网络,本发明能够准确地识别出入侵事件的位置坐标及事件类型,同时满足实时性较好的要求。
Description
技术领域
本发明涉及安防系统技术领域,特别地是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。
背景技术
高速公路,仓库,监狱等区域的围栏的安全防范非常重要,及时发现并识别入侵行为具有重要的意义,其中,需要准确定位出入侵行为的位置,并需要滤除风、雨、激光源脉冲不稳定等因素干扰,识别出翻越栏杆、敲打栏杆、摇晃栏杆等多种入侵事件的模式。
现有的大多数光纤围栏监测系统依靠能量阈值或差分处理方式对入侵行为进行识别,能够较好地对对入侵行为进行报警,然而这种方式不能识别和区分摇晃、攀爬等具体行为,而且风、雨等自然环境因素引起的光纤振动也容易被误判为入侵行为,导致安防系统的误报率较高。
近年来,一些光纤围栏安防系统中引入了模式识别的方法,虽然能够对入侵事件的具体行为进行分类,但是其计算方式繁杂冗余,或是需对所有光纤信号进行模式识别导致数据处理量大的问题,或是模式识别中提取特征和特征分类的方法计算量过大,导致光纤围栏安防系统监测的实时性较差
本发明提出一种新型的分布式光纤振动入侵识别方法,将入侵行为的监测分为定位和模式识别两个阶段,能够较准确地识别出入侵事件的位置坐标及具体的事件类型,同时满足实时性较好的要求。
发明内容
本发明的目的在于提供一种能够较准确地识别出入侵事件的位置坐标及具体的事件类型,同时满足实时性较好的要求的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。
本发明通过以下技术方案实现的:
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,包括以下步骤:
(1)采集数据阶段,在围栏上布置分布式光纤,利用分布式光纤振动传感系统,对分布式光纤实时振动进行连续监测,获取布设有分布式光纤的围栏的振动信号,并保存振动数据。
(2)入侵定位阶段,将围栏上所有探测点的振动数据累加为时间-空间二维矩阵A(x,t),得到的二维时空矩阵的行表示某时刻光脉冲的瑞利散射曲线,二维时空矩阵的列表示某探测点的脉冲强度随时间变化的曲线,每次检测的时间跨度设定为2秒,利用Sobel算子对二维时空矩阵进行滤波,统计滤波后每一探测点位置在该时段内超过设定阈值M的次数,若该探测点超过设定阈值M的次数大于设定阈值N,则将该探测点作为可疑入侵点,保存所有可以入侵点的原始振动信号;
(3)特征提取阶段,对所有可疑入侵点的原始振动信号分别获取其小波时频图,然后利用双线性插值的方法将小波时频图的尺寸缩放为设定的尺寸大小,并将缩放后的小波时频图作为信号的特征;
(4)卷积神经网络分类阶段,将可疑入侵点缩放后的小波时频图输入事先利用已知事件数据预训练好的卷积神经网络,对未知入侵事件的振动数据进行识别和分类;得到入侵事件的分类结果,输出入侵事件类型,并对应发出警报。
进一步地,所述步骤(1)中,所述分布式光纤已利用扎带固定在围栏上,所述分布式光纤检测长度为1-100km;所述分布式光纤振动传感系统为 系统,由激光源发射检测光脉冲和参考光脉冲到待测光纤,检测光脉冲产生的后向瑞利散射信号与参考光形成相干信号,相干信号经过光电转换后转换为模拟信号。
进一步地,所述步骤(2)中,利用Sobel算子对二维时空矩阵进行滤波,计算得到二维时空瀑布图的梯度矩阵,此方式可以有效滤除噪声、得到高信噪比的结果;统计时间段内每一探测点处梯度大于设定阈值M的频数L,若频数L大于设定阈值N则认为该探测点处有可疑入侵事件发生,统计一段时长内大于设定阈值的频数能够有效地减少随机噪声的影响。
进一步地,所述步骤(3)中,获取可疑入侵点处振动信号的小波时频图为有效的时频分析,小波时频图包含了每一细分时间段下信号的频率成分信息,能充分体现出振动信号的频率随时间变化的信息,将小波时频图作为振动信号的特征有利于提高后续模式识别的准确率;由于直接获取得到的小波时频图的尺寸较大,采用双线性插值方法将小波时频图缩放到设定的尺寸,将缩放后的小波时频图作为振动信号的最终特征,这样能够减少后续模式识别的运算量、提高运算速度。
进一步地,所述步骤(4)中,卷积神经网络模型结构包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接层、softmax分类层;卷积层用于提取小波时频图的特征,池化层用于减少特征的数量以防止过拟合,全连接层用于把特征进一步映射,softmax层输出属于各个事件类型的概率;卷积神经网络对图像具有强大的特征提取和识别能力,利用卷积神经网络可以准确地识别出振动信号的小波时频图对应的入侵事件类型。
进一步地,所述步骤(2)中,所述Sobel算子计算竖直梯度的公式为:
Gy(x,y)=[f(x+1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y)+f(x+1,y-1)]
对应的3×3垂直梯度的所述Sobel算子模板如下:
使用该模板对二维时空矩阵A进行滤波操作,即A*Sy,获得梯度矩阵。
进一步地,所述步骤(3)中,对于检测出有可疑入侵点的情形,分别获取所有可疑入侵点处的振动信号的小波时频图;获取小波时频图的步骤如下:S1、选择小波母函数ψ(t),并根据小波母函数ψ(t)生成不同尺度a下的连续小波a,b∈R a≠0,本步骤采用的母小波为Haar小波;
S2、在不同的尺度a下,对振动信号f(t)进行小波变换,即振动信号f(t)与小波函数ψa,b(t)的卷积(Wψf)(a,b)=<f(t),即可得到多尺度小波分解结果;
S3、将步骤S2中的分解结果排列起来组成小波时频图,水平方向表示振动信号的时间,竖直方向表示尺度;
S4、利用双线性插值算法将原始小波时频图缩放为128×64尺寸,将缩放后的小波时频图作为振动信号的特征。
进一步地,所述步骤(4)中,将缩放后的小波时频图输入预训练好的卷积神经网络,得到的输出为振动信号对应的事件类型,采用one-hot向量来对事件类型进行编号,如输出[1 0 0 0]则表示振动信号对应的是设定的第一种事件类型,输出[0 1 0 0]则表示振动信号对应的是设定的第二种事件类型;所述卷积神经网络的训练过程包括以下步骤:
S10、在铺设好的分布式光纤的围栏上进行多次人为模拟入侵实验,提取在入侵位置处的振动信号,采集得到多组不同事件类型的振动信号;
S11、对多组振动信号进行多尺度小波分解,得到原始小波时频图并进行双线性插值,得到多组缩放后的小波时频图作为训练集;
S12、搭建所述的卷积神经网络架构,所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接神经网络及softmax分类层依次相连接;同时设置所述卷积神经网络的参数,设置训练过程中的学习率为0.001,训练迭代轮数设置为100000轮,并采用随机梯度下降的优化方法;
S13、将训练集输入所述的卷积神经网络进行训练,训练结束后观察损失函数曲线是否已经收敛,如果损失函数曲线尚未收敛需要增加训练轮数,直至损失函数曲线收敛,至此卷积神经网络的训练完成,保存训练好的模型用于后续的信号分类。
进一步地,所述步骤(2)中,统计所有采集点处梯度大于阈值M的频数L,逐一判断各采集点处的统计频数L是否大于设定阈值N,若某采集点处的统计频数L大于设定阈值N,则将改采集点的位置列为可疑入侵点,若所有采集点处的统计频数L均小于设定阈值N,则说明该时间段内没有可疑入侵点,系统将更新采集数据并做相同的检测。
本发明的有益效果:
1.采用Sobel算子对振动信号累加得到的二维时空矩阵进行滤波,检测得到二维时空矩阵的梯度,该方法能够有效地抑制噪声的影响、提高信噪比,同时运算量较小能够满足实时处理的要求。
2.通过统计一段时间内每一探测点处梯度大于设定阈值M的频数L与设定阈值N比较,作为该探测点处是否有可疑入侵事件发生的依据。这种判断方式能够有效较少随机噪声的影响,避免由于单次的噪声影响而造成的误判。
3.采用振动信号的小波时频图作为分类特征,传统的傅里叶变换只能得到一段时间内信号的频率成分,而小波时频图蕴含了频率各成分随时间变化的信息,因此比传统的傅里叶变换等频率分析手段蕴含了更丰富的特征信息。与短时傅里叶变换相比,小波变换得到的时频图分辨率更高,蕴含的信息也更丰富,有利于提高模式识别的准确率。
4.利用预训练好的卷积神经网络对小波时频图进行分类,分类结果精度较高,并能实现实时处理。本发明能够较准确地识别出入侵事件的位置坐标及具体的事件类型,同时满足实时性较好的要求。
附图说明
图1为本发明实施例1组合式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的步骤流程图;
图2为本发明实施例卷积神经网络架构示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,在此以本发明的示意下面将结合附图以及具体实施例来详细说明本发明,在此以本发明的示意性实施例及说明用来解释本发明,但并不作为对本发明的限定。
需要说明,在本发明中如涉及“第一”、“第二”、“第三”的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
在本发明中,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
如图1和图2所示,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,包括以下步骤:
(1)采集数据阶段,在围栏上布置分布式光纤,利用分布式光纤振动传感系统,对分布式光纤实时振动进行连续监测,获取布设有分布式光纤的围栏的振动信号,并保存振动数据。
(2)入侵定位阶段,将围栏上所有探测点的振动数据累加为时间-空间二维矩阵A(x,t),也即某时刻下各个探测点的强度,得到的二维时空矩阵的行表示某时刻光脉冲的瑞利散射曲线,二维时空矩阵的列表示某探测点的脉冲强度随时间变化的曲线,每次检测的时间跨度设定为2秒,利用Sobel算子对二维时空矩阵进行滤波,统计滤波后每一探测点位置在该时段内超过设定阈值M的次数,若该探测点超过设定阈值M的次数大于设定阈值N,则将该探测点作为可疑入侵点,保存所有可以入侵点的原始振动信号;
(3)特征提取阶段,对所有可疑入侵点的原始振动信号分别获取其小波时频图,然后利用双线性插值的方法将小波时频图的尺寸缩放为设定的尺寸大小,并将缩放后的小波时频图作为信号的特征;
(4)卷积神经网络分类阶段,将可疑入侵点缩放后的小波时频图输入事先利用已知事件数据预训练好的卷积神经网络,对未知入侵事件的振动数据进行识别和分类;得到入侵事件的分类结果,输出入侵事件类型,并对应发出警报。
具体的,本实施例方案中,所述步骤(1)中,所述分布式光纤已利用扎带固定在围栏上,所述分布式光纤检测长度为1-100km;所述分布式光纤振动传感系统为系统,由激光源发射检测光脉冲和参考光脉冲到待测光纤,检测光脉冲产生的后向瑞利散射信号与参考光形成相干信号,相干信号经过光电转换后转换为模拟信号。
具体的,本实施例方案中,所述步骤(2)中,利用Sobel算子对二维时空矩阵进行滤波,计算得到二维时空瀑布图的梯度矩阵,此方式可以有效滤除噪声、得到高信噪比的结果;统计时间段内每一探测点处梯度大于设定阈值M的频数L,若频数L大于设定阈值N则认为该探测点处有可疑入侵事件发生,统计一段时长内大于设定阈值的频数能够有效地减少随机噪声的影响。
具体的,本实施例方案中,所述步骤(3)中,获取可疑入侵点处振动信号的小波时频图为有效的时频分析,小波时频图包含了每一细分时间段下信号的频率成分信息,能充分体现出振动信号的频率随时间变化的信息,将小波时频图作为振动信号的特征有利于提高后续模式识别的准确率;由于直接获取得到的小波时频图的尺寸较大,采用双线性插值方法将小波时频图缩放到设定的尺寸,将缩放后的小波时频图作为振动信号的最终特征,这样能够减少后续模式识别的运算量、提高运算速度。
具体的,本实施例方案中,所述步骤(4)中,卷积神经网络模型结构包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接层、softmax分类层;卷积层用于提取小波时频图的特征,池化层用于减少特征的数量以防止过拟合,全连接层用于把特征进一步映射,softmax层输出属于各个事件类型的概率;卷积神经网络对图像具有强大的特征提取和识别能力,利用卷积神经网络可以准确地识别出振动信号的小波时频图对应的入侵事件类型。
具体的,本实施例方案中,由于在实际应用中振动数据包含了大量噪声,因此原始振动数据无法直观体现振动信息,本方法应用图像边缘检测算法来提取振动数据中入侵信号的强度、位置和时间等振动信息。首先利用Sobel算子对二维时间-空间矩阵进行滤波,存在入侵信号时,该处的振动信号强度在时间轴上发生突变,二维时空矩阵的垂直方向表示时间轴的方向,因此计算二维时空矩阵垂直方向的梯度信息就能检测信号强度的突变情况;所述Sobel算子计算竖直梯度的公式为:
Gy(x,y)=[f(x+1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y)+f(x+1,y-1)]
对应的3×3垂直梯度的所述Sobel算子模板如下:
使用该模板对二维时空矩阵A进行滤波操作,即A*Sy,获得梯度矩阵。
具体的,本实施例方案中,所述步骤(2)中,统计所有采集点处梯度大于阈值M的频数L,逐一判断各采集点处的统计频数L是否大于设定阈值N,若某采集点处的统计频数L大于设定阈值N,则将改采集点的位置列为可疑入侵点,若所有采集点处的统计频数L均小于设定阈值N,则说明该时间段内没有可疑入侵点,系统将更新采集数据并做相同的检测。
具体的,本实施例方案中,所述步骤(3)中,对于检测出有可疑入侵点的情形,分别获取所有可疑入侵点处的振动信号的小波时频图;获取小波时频图的步骤如下:
S1、选择小波母函数ψ(t),并根据小波母函数ψ(t)生成不同尺度a下的连续小波a,b∈R a≠0,本步骤采用的母小波为Haar小波;
S2、在不同的尺度a下,对振动信号f(t)进行小波变换,即振动信号f(t)与小波函数ψa,b(t)的卷积(Wψf)(a,b)=<f(t),即可得到多尺度小波分解结果;本方法中设置的分解层数为128层。
S3、将步骤S2中的分解结果排列起来组成小波时频图,水平方向表示振动信号的时间,竖直方向表示尺度;
S4、利用双线性插值算法将原始小波时频图缩放为128×64尺寸,将缩放后的小波时频图作为振动信号的特征。
具体的,本实施例方案中,所述步骤(4)中,将缩放后的小波时频图输入预训练好的卷积神经网络,得到的输出为振动信号对应的事件类型,采用one-hot向量来对事件类型进行编号,如输出[1 0 0 0]则表示振动信号对应的是设定的第一种事件类型,输出[0 1 00]则表示振动信号对应的是设定的第二种事件类型;所述卷积神经网络的训练过程包括以下步骤:
S10、在铺设好的分布式光纤的围栏上进行多次人为模拟入侵实验,提取在入侵位置处的振动信号,采集得到多组不同事件类型的振动信号;
S11、对多组振动信号进行多尺度小波分解,得到原始小波时频图并进行双线性插值,得到多组缩放后的小波时频图作为训练集;
S12、搭建所述的卷积神经网络架构,所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接神经网络及Softmax层依次相连接;同时设置所述卷积神经网络的参数,设置训练过程中的学习率为0.001,训练迭代轮数设置为100000轮,并采用随机梯度下降的优化方法;
S13、将训练集输入所述的卷积神经网络进行训练,训练结束后观察损失函数曲线是否已经收敛,如果损失函数曲线尚未收敛需要增加训练轮数,直至损失函数曲线收敛,至此卷积神经网络的训练完成,保存训练好的模型用于后续的信号分类。
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只适用于帮助理解本发明实施例的原理;同时,对于本领域的一般技术人员,依据本发明实施例,在具体实施方式以及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.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,其特征在于,包括以下步骤:
(1)采集数据阶段,在围栏上布置分布式光纤,利用分布式光纤振动传感系统,对分布式光纤实时振动进行连续监测,获取布设有分布式光纤的围栏的振动信号,并保存振动数据。
(2)入侵定位阶段,将围栏上所有探测点的振动数据累加为时间-空间二维矩阵A(x,t),得到的二维时空矩阵的行表示某时刻光脉冲的瑞利散射曲线,二维时空矩阵的列表示某探测点的脉冲强度随时间变化的曲线,每次检测的时间跨度设定为2秒,利用Sobel算子对二维时空矩阵进行滤波,统计滤波后每一探测点位置在该时段内超过设定阈值M的次数,若该探测点超过设定阈值M的次数大于设定阈值N,则将该探测点作为可疑入侵点,保存所有可以入侵点的原始振动信号;
(3)特征提取阶段,对所有可疑入侵点的原始振动信号分别获取其小波时频图,然后利用双线性插值的方法将小波时频图的尺寸缩放为设定的尺寸大小,并将缩放后的小波时频图作为信号的特征;
(4)卷积神经网络分类阶段,将可疑入侵点缩放后的小波时频图输入事先利用已知事件数据预训练好的卷积神经网络,对未知入侵事件的振动数据进行识别和分类;得到入侵事件的分类结果,输出入侵事件类型,并对应发出警报。
2.根据权利要求1所述的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,其特征在于:所述步骤(1)中,所述分布式光纤已利用扎带固定在围栏上,所述分布式光纤检测长度为1-100km;所述分布式光纤振动传感系统为系统,由激光源发射检测光脉冲和参考光脉冲到待测光纤,检测光脉冲产生的后向瑞利散射信号与参考光形成相干信号,相干信号经过光电转换后转换为模拟信号。
3.根据权利要求1所述的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,其特征在于:所述步骤(2)中,利用Sobel算子对二维时空矩阵进行滤波,计算得到二维时空瀑布图的梯度矩阵,此方式可以有效滤除噪声、得到高信噪比的结果;统计时间段内每一探测点处梯度大于设定阈值M的频数L,若频数L大于设定阈值N则认为该探测点处有可疑入侵事件发生,统计一段时长内大于设定阈值的频数能够有效地减少随机噪声的影响。
4.根据权利要求1所述的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,其特征在于:所述步骤(3)中,获取可疑入侵点处振动信号的小波时频图为有效的时频分析,小波时频图包含了每一细分时间段下信号的频率成分信息,能充分体现出振动信号的频率随时间变化的信息,将小波时频图作为振动信号的特征有利于提高后续模式识别的准确率;由于直接获取得到的小波时频图的尺寸较大,采用双线性插值方法将小波时频图缩放到设定的尺寸,将缩放后的小波时频图作为振动信号的最终特征,这样能够减少后续模式识别的运算量、提高运算速度。
5.根据权利要求1所述的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,其特征在于:所述步骤(4)中,卷积神经网络模型结构包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接层、softmax分类层;卷积层用于提取小波时频图的特征,池化层用于减少特征的数量以防止过拟合,全连接层用于把特征进一步映射,softmax层输出属于各个事件类型的概率;卷积神经网络对图像具有强大的特征提取和识别能力,利用卷积神经网络可以准确地识别出振动信号的小波时频图对应的入侵事件类型。
6.根据权利要求3所述的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,其特征在于:所述步骤(2)中,所述Sobel算子计算竖直梯度的公式为:
Gy(x,y)=[f(x+1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y)+f(x+1,y-1)]
对应的3×3垂直梯度的所述Sobel算子模板如下:
使用该模板对二维时空矩阵A进行滤波操作,即A*Sy,获得梯度矩阵。
7.根据权利要求4所述的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,其特征在于:所述步骤(3)中,对于检测出有可疑入侵点的情形,分别获取所有可疑入侵点处的振动信号的小波时频图;获取小波时频图的步骤如下:
S1、选择小波母函数ψ(t),并根据小波母函数ψ(t)生成不同尺度a下的连续小波a,b∈Ra≠0,本步骤采用的母小波为Haar小波;
S2、在不同的尺度a下,对振动信号f(t)进行小波变换,即振动信号f(t)与小波函数ψa,b(t)的卷积(Wψf)(a,b)=<f(t),即可得到多尺度小波分解结果;
S3、将步骤S2中的分解结果排列起来组成小波时频图,水平方向表示振动信号的时间,竖直方向表示尺度;
S4、利用双线性插值算法将原始小波时频图缩放为128×64尺寸,将缩放后的小波时频图作为振动信号的特征。
8.根据权利要求5所述的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,其特征在于:所述步骤(4)中,将缩放后的小波时频图输入预训练好的卷积神经网络,得到的输出为振动信号对应的事件类型,采用one-hot向量来对事件类型进行编号,如输出[1 00 0]则表示振动信号对应的是设定的第一种事件类型,输出[0 1 0 0]则表示振动信号对应的是设定的第二种事件类型;所述卷积神经网络的训练过程包括以下步骤:
S10、在铺设好的分布式光纤的围栏上进行多次人为模拟入侵实验,提取在入侵位置处的振动信号,采集得到多组不同事件类型的振动信号;
S11、对多组振动信号进行多尺度小波分解,得到原始小波时频图并进行双线性插值,得到多组缩放后的小波时频图作为训练集;
S12、搭建所述的卷积神经网络架构,所述第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接神经网络及Softmax分类层依次相连接;同时设置所述卷积神经网络的参数,设置训练过程中的学习率为0.001,训练迭代轮数设置为100000轮,并采用随机梯度下降的优化方法;
S13、将训练集输入所述的卷积神经网络进行训练,训练结束后观察损失函数曲线是否已经收敛,如果损失函数曲线尚未收敛需要增加训练轮数,直至损失函数曲线收敛,至此卷积神经网络的训练完成,保存训练好的模型用于后续的信号分类。
9.根据权利要求1所述的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,其特征在于:所述步骤(2)中,统计所有采集点处梯度大于阈值M的频数L,逐一判断各采集点处的统计频数L是否大于设定阈值N,若某采集点处的统计频数L大于设定阈值N,则将改采集点的位置列为可疑入侵点,若所有采集点处的统计频数L均小于设定阈值N,则说明该时间段内没有可疑入侵点,系统将更新采集数据并做相同的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910879764.5A CN110570613A (zh) | 2019-09-18 | 2019-09-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910879764.5A CN110570613A (zh) | 2019-09-18 | 2019-09-18 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110570613A true CN110570613A (zh) | 2019-12-13 |
Family
ID=68780783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910879764.5A Pending CN110570613A (zh) | 2019-09-18 | 2019-09-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570613A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127793A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 电缆防盗监测方法和系统、计算机可读存储介质 |
CN111141412A (zh) * | 2019-12-25 | 2020-05-12 | 深圳供电局有限公司 | 电缆温度和防盗的双监测方法、系统和可读存储介质 |
CN111181634A (zh) * | 2019-12-18 | 2020-05-19 | 东南大学 | 一种分布式光纤振动信号快速定位方法 |
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 |
CN111341049A (zh) * | 2020-03-31 | 2020-06-26 | 华中科技大学 | 一种隧道异物入侵识别与定位方法及装置 |
CN111951505A (zh) * | 2020-08-25 | 2020-11-17 | 青岛大学 | 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 |
CN112307961A (zh) * | 2020-10-30 | 2021-02-02 | 魏运 | 混合光纤入侵信号的处理方法及装置 |
CN112364768A (zh) * | 2020-11-11 | 2021-02-12 | 浙江工业大学 | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 |
CN112611444A (zh) * | 2020-12-30 | 2021-04-06 | 西安和其光电科技股份有限公司 | 一种可精确定位的分布式光纤振动监测系统及方法 |
CN112687068A (zh) * | 2021-03-19 | 2021-04-20 | 四川通信科研规划设计有限责任公司 | 一种基于微波和振动传感器数据的侵入检测方法 |
CN112907869A (zh) * | 2021-03-17 | 2021-06-04 | 四川通信科研规划设计有限责任公司 | 基于多种传感技术的入侵检测系统 |
CN112985508A (zh) * | 2021-03-16 | 2021-06-18 | 四川通信科研规划设计有限责任公司 | 一种多功能传感器输出的编码和通信方法 |
CN113205036A (zh) * | 2021-04-28 | 2021-08-03 | 同济大学 | 一种基础设施外部侵害振源感知及定位方法 |
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 |
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 |
GB2608532A (en) * | 2022-08-18 | 2023-01-04 | Network Integrity Systems Inc | Intrusion detection algorithm with wind rejection heuristic |
CN116504005A (zh) * | 2023-05-09 | 2023-07-28 | 齐鲁工业大学(山东省科学院) | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 |
CN117648632A (zh) * | 2024-01-29 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217513A (zh) * | 2014-09-02 | 2014-12-17 | 浙江中欣动力测控技术有限公司 | 提高相位敏感光时域反射计识别入侵事件准确率的方法 |
CN104794839A (zh) * | 2015-04-27 | 2015-07-22 | 武汉世纪金桥安全技术有限公司 | 一种基于potdr光纤入侵识别算法 |
US20170039826A1 (en) * | 2014-04-16 | 2017-02-09 | Optasense Holdings Limited | Fibre Optic Distributed Sensing for Perimeter Monitoring |
CN108133582A (zh) * | 2017-12-29 | 2018-06-08 | 上海复栋智能科技有限公司 | 一种针对分布式传感系统的重要事故报警定位分析方法 |
CN109272017A (zh) * | 2018-08-08 | 2019-01-25 | 太原理工大学 | 分布式光纤传感器的振动信号模式识别方法和系统 |
CN109272688A (zh) * | 2018-09-25 | 2019-01-25 | 武汉理工光科股份有限公司 | 光纤光栅周界安防系统报警策略自动调整方法及系统 |
CN109815892A (zh) * | 2019-01-22 | 2019-05-28 | 武汉理工大学 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
CN109830077A (zh) * | 2019-01-15 | 2019-05-31 | 苏州佳世达光电有限公司 | 监控装置及监控方法 |
-
2019
- 2019-09-18 CN CN201910879764.5A patent/CN110570613A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170039826A1 (en) * | 2014-04-16 | 2017-02-09 | Optasense Holdings Limited | Fibre Optic Distributed Sensing for Perimeter Monitoring |
CN104217513A (zh) * | 2014-09-02 | 2014-12-17 | 浙江中欣动力测控技术有限公司 | 提高相位敏感光时域反射计识别入侵事件准确率的方法 |
CN104794839A (zh) * | 2015-04-27 | 2015-07-22 | 武汉世纪金桥安全技术有限公司 | 一种基于potdr光纤入侵识别算法 |
CN108133582A (zh) * | 2017-12-29 | 2018-06-08 | 上海复栋智能科技有限公司 | 一种针对分布式传感系统的重要事故报警定位分析方法 |
CN109272017A (zh) * | 2018-08-08 | 2019-01-25 | 太原理工大学 | 分布式光纤传感器的振动信号模式识别方法和系统 |
CN109272688A (zh) * | 2018-09-25 | 2019-01-25 | 武汉理工光科股份有限公司 | 光纤光栅周界安防系统报警策略自动调整方法及系统 |
CN109830077A (zh) * | 2019-01-15 | 2019-05-31 | 苏州佳世达光电有限公司 | 监控装置及监控方法 |
CN109815892A (zh) * | 2019-01-22 | 2019-05-28 | 武汉理工大学 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
Non-Patent Citations (3)
Title |
---|
张玲玲: "《柴油发动机故障诊断技术》", 31 December 2015 * |
杨经国: "φ-OTDR分布式光纤传感系统信噪比增强与模式识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
肖向辉: "基于干涉和φ_OTDR复合的分布式光纤振动传感技术的研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111181634A (zh) * | 2019-12-18 | 2020-05-19 | 东南大学 | 一种分布式光纤振动信号快速定位方法 |
CN111181634B (zh) * | 2019-12-18 | 2021-04-13 | 东南大学 | 一种分布式光纤振动信号快速定位方法 |
CN111127793A (zh) * | 2019-12-25 | 2020-05-08 | 深圳供电局有限公司 | 电缆防盗监测方法和系统、计算机可读存储介质 |
CN111141412A (zh) * | 2019-12-25 | 2020-05-12 | 深圳供电局有限公司 | 电缆温度和防盗的双监测方法、系统和可读存储介质 |
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 |
CN111341049A (zh) * | 2020-03-31 | 2020-06-26 | 华中科技大学 | 一种隧道异物入侵识别与定位方法及装置 |
CN111951505A (zh) * | 2020-08-25 | 2020-11-17 | 青岛大学 | 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 |
CN111951505B (zh) * | 2020-08-25 | 2022-02-08 | 青岛大学 | 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 |
CN112307961A (zh) * | 2020-10-30 | 2021-02-02 | 魏运 | 混合光纤入侵信号的处理方法及装置 |
CN112307961B (zh) * | 2020-10-30 | 2024-02-20 | 魏运 | 混合光纤入侵信号的处理方法及装置 |
CN112364768A (zh) * | 2020-11-11 | 2021-02-12 | 浙江工业大学 | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 |
CN112364768B (zh) * | 2020-11-11 | 2024-03-22 | 浙江工业大学 | 一种基于空域特征和机器学习的分布式光纤入侵识别方法 |
CN112611444A (zh) * | 2020-12-30 | 2021-04-06 | 西安和其光电科技股份有限公司 | 一种可精确定位的分布式光纤振动监测系统及方法 |
CN112611444B (zh) * | 2020-12-30 | 2023-04-28 | 西安和其光电科技股份有限公司 | 一种可精确定位的分布式光纤振动监测系统及方法 |
CN112985508A (zh) * | 2021-03-16 | 2021-06-18 | 四川通信科研规划设计有限责任公司 | 一种多功能传感器输出的编码和通信方法 |
CN112907869A (zh) * | 2021-03-17 | 2021-06-04 | 四川通信科研规划设计有限责任公司 | 基于多种传感技术的入侵检测系统 |
CN112907869B (zh) * | 2021-03-17 | 2023-03-21 | 四川通信科研规划设计有限责任公司 | 基于多种传感技术的入侵检测系统 |
CN112687068B (zh) * | 2021-03-19 | 2021-05-28 | 四川通信科研规划设计有限责任公司 | 一种基于微波和振动传感器数据的侵入检测方法 |
CN112687068A (zh) * | 2021-03-19 | 2021-04-20 | 四川通信科研规划设计有限责任公司 | 一种基于微波和振动传感器数据的侵入检测方法 |
CN113205036A (zh) * | 2021-04-28 | 2021-08-03 | 同济大学 | 一种基础设施外部侵害振源感知及定位方法 |
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 |
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 |
GB2608532A (en) * | 2022-08-18 | 2023-01-04 | Network Integrity Systems Inc | Intrusion detection algorithm with wind rejection heuristic |
GB2608532B (en) * | 2022-08-18 | 2023-11-01 | Network Integrity Systems Inc | Intrusion detection algorithm with wind rejection heuristic |
CN116504005A (zh) * | 2023-05-09 | 2023-07-28 | 齐鲁工业大学(山东省科学院) | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 |
CN116504005B (zh) * | 2023-05-09 | 2024-02-20 | 齐鲁工业大学(山东省科学院) | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 |
CN117648632A (zh) * | 2024-01-29 | 2024-03-05 | 杭州海康威视数字技术股份有限公司 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
CN117648632B (zh) * | 2024-01-29 | 2024-05-03 | 杭州海康威视数字技术股份有限公司 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570613A (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 | |
CN105931402B (zh) | 基于图像识别的光纤周界入侵监测方法 | |
CN109272017B (zh) | 分布式光纤传感器的振动信号模式识别方法和系统 | |
CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
CN103761748A (zh) | 异常行为检测方法和装置 | |
CN102163290A (zh) | 基于时空关联信息的多视角视频监控中异常事件建模方法 | |
CN104751580A (zh) | 分布式光纤传感信号模式识别方法及系统 | |
CN109002848B (zh) | 一种基于特征映射神经网络的弱小目标检测方法 | |
CN103617684A (zh) | 干涉型光纤周界振动入侵识别算法 | |
CN106503642A (zh) | 一种应用于光纤传感系统的振动模型建立方法 | |
CN111859010B (zh) | 一种基于深度互信息最大化的半监督音频事件识别方法 | |
CN108801437A (zh) | 基于扰动信号特征提取的分布式光纤振动传感定位方法及装置 | |
CN104680554A (zh) | 基于surf的压缩跟踪方法和系统 | |
CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
CN113221759A (zh) | 基于异常检测模型的道路遗撒识别方法以及装置 | |
CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
CN113780094B (zh) | 基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法 | |
CN111222461A (zh) | 一种光纤振动探测系统入侵信号的识别方法 | |
CN114742096A (zh) | 基于振动光纤探测和完整动作提取的入侵报警方法及系统 | |
CN114510960A (zh) | 一种分布式光纤传感器系统模式识别的方法 | |
CN114925722A (zh) | 基于广义s变换与迁移学习的周界安防入侵信号检测方法 | |
CN113534276B (zh) | 基于Faster R-CNN的铁路入侵行为检测方法 | |
CN111951505B (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 | |
RU59842U1 (ru) | Устройство сейсмоакустического обнаружения и классификации движущихся объектов (варианты) | |
CN114998837A (zh) | 入侵事件的实时识别方法、装置、系统及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |
|
RJ01 | Rejection of invention patent application after publication |