CN112364768B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112364768B
CN112364768B CN202011252920.4A CN202011252920A CN112364768B CN 112364768 B CN112364768 B CN 112364768B CN 202011252920 A CN202011252920 A CN 202011252920A CN 112364768 B CN112364768 B CN 112364768B
Authority
CN
China
Prior art keywords
image
optical fiber
machine learning
distributed optical
airspace
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.)
Active
Application number
CN202011252920.4A
Other languages
English (en)
Other versions
CN112364768A (zh
Inventor
黄厚慧
覃亚丽
郑欢
黄奕杰
肖枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202011252920.4A priority Critical patent/CN112364768B/zh
Publication of CN112364768A publication Critical patent/CN112364768A/zh
Application granted granted Critical
Publication of CN112364768B publication Critical patent/CN112364768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/10Machine learning using kernel methods, e.g. support vector machines [SVM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

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,包括以下步骤:步骤1:通过一分布式光纤振动传感系统,感应光纤周围的振动信号,产生多条后向瑞利散射曲线,多条后向瑞利散射曲线构成二维时空信号;步骤2:对图像数据f(x,y)进行图像预处理,以达到图像去噪和增强的目的,去噪预处理后的图像为f1(x,y),增强后的图像为f2(x,y);步骤3:获取f2(x,y)二值化阈值k*后将图像f2(x,y)二值化;步骤4:二值化后的图像g(x,y)利用图像降噪方法消去噪点;步骤5:计算曲线中每个点的一阶导数F1和二阶导数F2,及高阶导数Fn;步骤6:将获得的空域特征作为特征向量并结合机器学习算法对入侵扰动事件进行模式识别。本发明能够有效的提高入侵事件的识别准确率,降低误报率,计算量小,复杂度低。

Description

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
技术领域
本发明涉及光缆入侵检测,周边安防技术领域,具体涉及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。
背景技术
基于相位敏感光时域反射仪的分布式光纤传感系统是一种新型的分布式光纤传感系统,系统可以实现长距离、分布式扰动传感与信号传输,通过检测光纤各部分后向瑞利散射干涉光的光强变化,实现对外部入侵活动的检测。与其他传统的传感器相比,分布式光纤传感使用光纤本身作为传感器,成本低,如果光缆受到破坏的话,也可以用相关的技术进行定位和维修,而且具有抗电磁干扰、测量精度高、响应速度快、测量范围广等优点,可以在恶劣的环境中长期稳定运行,在周边安防、石油管道、轨道交通、建筑结构健康等领域具有广泛的应用。
但是由于作用于光纤上的扰动信号种类繁多,光纤所处环境存在较大差异,为对扰动信号进行准确判别,仅改进系统结构和解调方法以达到对扰动信号进行准确判别是远远不够的,因此,对分布式光纤扰动传感系统进行信号的模式识别方法的研究日趋重要。
现阶段的入侵事件检测模式识别方法,主要通过提取信号时域和频域特征作为分类器输入特征向量,或者采用一些计算复杂的神经网络算法。如专利CN201510134694.2“一种分布式光纤振动传感中的扰动类型识别方法”,采用DB4小波基将降噪处理后的扰动信号分解为5-7层小波子带,利用分解后各层小波子带中的低频系数计算信号的质心,子带能量作为特征参数,将计算的特征参数送入神经网络分类器,识别出扰动类型,但是神经网络需要大量的训练,具有一定的复杂度,分布式光纤传感数据量大,这种方法不利于节约时间。如专利CN201510031246.X“一种分布式光纤振动传感系统扰动事件识别及定位方法”,利用EN算法求解区域内包含背景的事件峰的混合高斯分布各参数,包括各高斯成分的比重、期望、协方差矩阵,矩形区域的长宽,矩形区域内事件峰的总数,将这些参数和背景事件概率密度函数的各参数以及区域内事件峰的总数送入分类器,对扰动类型判别,但是所述特征提取起来并不方便,而且提取的特征用来分类识别的准确率并不高。现有方法的准确率低,误报率高,所以一些简单准确的方法亟待提出。
发明内容
针对现有技术存在的问题,本发明提出了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,能够有效的提高入侵事件的识别准确率,降低误报率,计算量小,复杂度低。
本发明采用的技术方案是:
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,包括以下步骤:
步骤1:通过一分布式光纤振动传感系统,感应光纤周围的振动信号,产生多条后向瑞利散射曲线,多条后向瑞利散射曲线构成二维时空信号,横轴对应光纤长度L,范围是L=[L1,L2,L3…LP],纵轴对应时间t,时间t的范围是t=[t1,t2,t3…tQ],多条散射曲线按照时间排列构成二维时空信号为:
采集到的M条瑞利散射曲线,后向瑞利散射曲线的点数为N,可以组成一幅M*N的二维图像数据f(x,y);
步骤2:对图像数据f(x,y)进行图像预处理,以达到图像去噪和增强的目的,去噪预处理后的图像为f1(x,y),增强后的图像为f2(x,y);
步骤3:获取f2(x,y)二值化阈值k*后将图像f2(x,y)二值化,分割后的图像为g(x,y),输入的图像为f2(x,y),将图像分为前景g(x,y)=1,f2(x,y)>k*和背景g(x,y)=0,f2(x,y)≤k*两部分:
步骤4:二值化后的图像g(x,y)利用图像降噪方法消去噪点,处理后的图像为g1(x,y),获取图像事件连通区域的重心坐标,将对应的像素点坐标转换为对应光纤长度和时间的直角坐标,将获得的坐标点拟合成曲线为:
W=F(L,t)
步骤5:计算曲线中每个点的一阶导数F1和二阶导数F2,及高阶导数Fn。一阶导数的意义是事件发生的瞬时速率的倒数,二阶导数的意义是事件发生的瞬时加速率的倒数,将此事件速率和加速率的平均值作为信号空域特征,为后续的模式识别做准备;
步骤6:将获得的空域特征作为特征向量并结合机器学习算法对入侵扰动事件进行模式识别。
进一步,所述步骤1中,通过采集多条后向瑞利散射曲线构成二维图像数据,用于步骤2的图像预处理。
再进一步,所述步骤2中,图像去噪的方法可采用均值滤波,对于图像中的目标像素(x,y),计算目标像素周围9个像素的均值作为目标像素的灰度值,如下所示:
式中,m为掩模中包含当前像素值在内的像素总数,8邻域掩模如下所示:
1 2 3
8 (x,y) 4
7 6 5
图像锐化增强可采用Sobel算子,对于图像中像素点(x,y),将8邻域上各点权值与灰度值相乘最为目标像素的灰度值,锐化增强后的图像为f2(x,y)。
更进一步,所述步骤3中,获取类间方差σ2 B,全局均值mG以及图像像素被分到灰度值在[0,k]范围内的概率P1(k),获取图像阈值,使用的是最大类间方差法(大津算法)方法自动获取图像最佳阈值k*
所述步骤4中,图像上消去噪声点的方法利用开操作方法,结构元b对图像f的开操作表示为fob。
所述振动信号是通过分布式光纤振动传感系统收集通信光缆附近的扰动信号,机器学习采用支持向量机算法。
本发明的有益效果主要表现在:能够快速获取扰动信号空域特征,简化计算过程,节约了计算时间,识别准确率高,降低误报率,计算量小,复杂度低,对于提高分布式光纤振动传感模式识别的准确性具有重要意义。
附图说明
图1是分布式光纤振动传感系统装置图;
图2是算法的流程图;
图3是具体实施方式流程图;
附图中的标号分别为:1、传感模块;2、图像数据预处理模块;3、信号空域特征提取模块;4、SVM分类器模块;5、横穿光纤事件模块;6、敲击光纤事件模块;7、沿光纤慢跑事件模块;8、激光器;9、声光调制器;10、功率放大器;11、环形器;12、光纤;13、前置放大器;14、衰减器;15、光电探测器;16、AD采集卡;17、信号源发生器。
具体实施方式
下面将结合附图对本发明做进一步描述:
如附图1所示,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,包括分布式光纤振动传感系统,其中功率为17dBm的激光器8,中心波长为1550.12nm,线宽为5KHz。连接声光调制器9,调制光连接功率放大器10,放大后的光信号输入环形器11的1端口,环形器11的2端口连接光纤12,返回的瑞利散射光经过环形器11的3端口输入前置放大器13,经过衰减器14后,接入光电探测器15,由光电探测器将光信号转换为电信号,最后由AD采集卡16采集传感信号,信号源发生器17用于声光调制器的调制和采集卡的驱动,保存由此系统收集的传感信号,为后续信号处理做准备。
如附图2所示,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,包括以下步骤:
步骤1:通过一分布式光纤振动传感系统,感应光纤周围的振动信号,产生多条后向瑞利散射曲线,多条后向散射曲线构成二维时空信号,横轴对应光纤长度L,范围是L=[L1,L2,L3…LP],纵轴对应时间t,时间t的范围是t=[t1,t2,t3…tQ],多条散射曲线按照时间排列构成二维时空信号为:
采集到的M条瑞利散射曲线,后向瑞利散射曲线点数为N,可以组成一幅M*N的二维图像数据f(x,y);
步骤2:对图像数据f(x,y)进行图像预处理,以达到图像去噪和增强的目的,去噪预处理后的图像为f1(x,y),增强后的图像为f2(x,y);
步骤3:获取二值化阈值k*后将图像f2(x,y)二值化,分割后的图像为g(x,y),输入的图像为f2(x,y),将图像分为前景g(x,y)=1,f2(x,y)>k*和背景g(x,y)=0,f2(x,y)≤k*两部分:
最大类间方差法:将预处理后的图像g(x,y),M×N像素,具有L个不同灰度级的图像,图像中的像素总数为n=n0+n1+...+nL-1,ni表示灰度级为i的像素数,若选择阈值T(k)=k,0<k<L-1,将预处理后的图像g(x,y)阈值化处理为两类A1和A2,其中A1由灰度值范围在[0,k]内像素组成,A2由灰度值范围在[k+1,L-1]内像素组成,则f2(x,y)被分为A1中的概率为:
则图像g(x,y)被分为A2中的概率为:
P2(k)=1-P1(k)
则分配到类A1的像素的平均灰度值为:
式中,为灰度级为i的概率。
则灰度级为0到k像素的平均灰度级为:
整个图像f2(x,y)的平均灰度值为:
则类间方差为:
利用求得最佳阈值k*
则可分性度量为:
式中是全局方差。
将输入图像f2(x,y)分割为:
式中,分割后的图像为g(x,y),输入的经过预处理后的图像为f2(x,y),标记为1的像素对应于对象,标记为0的像素对应于背景。此例中,人为间断敲击光缆事件发生9次,自动获取该图像阈值为114,穿过光纤走路20步,自动获取该图像阈值为159,沿着光纤慢跑20步,自动获取该图像阈值为157;
步骤4:二值化后的图像g(x,y)利用图像开操作运算方法消去噪点,处理后的图像为g1(x,y),获取事件图像前景连通区域的重心坐标,将对应的像素点坐标转换为对应光纤长度和时间的直角坐标,将获得的坐标点用二乘法拟合成曲线:
W=F(L,t)
步骤5:并且计算曲线中每个点的一阶导数、二阶导数和高阶导数,一阶的意义是事件发生的瞬时速率的倒数,二阶导数就是事件发生的瞬时加速率的倒数,将此事件速率和加速率的平均值作为信号空域特征,为后续的模式识别做准备,人为间断敲击光缆事件获得连通区域的个数为9个,获取重心像素坐标后转换直角坐标,再拟合曲线为每个点的斜率,求平均瞬时速率为0,穿过光纤走路获得连通区域的个数为20个,获取重心像素坐标后转换直角坐标,再拟合曲线求每个点的斜率,求平均瞬时速率为1.27,沿着光纤慢跑获得连通区域的个数为20个,获取重心像素坐标后转换直角坐标,再拟合曲线求平均瞬时速率为3.90;
步骤6:将获得的空域特征作为分类器的输入特征向量,对敲击光纤、横穿过光纤、沿光纤慢跑三种事件信号进行识别,所用到的分类器是支持向量机。
支持向量机算法如下:支持向量机本是一个二分类模型,在支持向量机中,优化的目标是最大化分类间隔,此处间隔是指两个分离的超平面(决策边界)间的距离,而最靠近超平面的训练样本作支持向量,支持向量对于确定决策边界起着关键性作用,超平面表示为:
对于给定的超平面来说,样本/>与超平面的距离是/>对于样本点来说,1和0代表两种不同的类别。
分类为1类,样本/>在超平面上方,如果yi也是1类,那么分类正确。
分类为0类,样本/>在超平面下方,如果yi也是0类,那么分类正确。故此,对于给定训练数据集T,给定超平面/>定义超平面/>关于训练样本点/>的几何间隔为:
定义超平面关于训练集T的几何间隔为超平面/>关于T中所有样本点/>的几何间隔的最小值:
支持向量机的判别准则是:最大化分类间隔,也就是几个间隔最大的分离超平面
需要通过组合多个二分类器实现对多分类器的构造,常见的构造方法有一对一和一对多两种。其中“一对一”方法需要对n类训练数据两两组合,构建n·(n-1)/2个支持向量机,每个支持向量机训练两种不同类别的数据,最后分类的时候采取“投票”的方式决定分类结果。“一对多”方法对n分类问题构建n个支持向量机,每个支持向量机负责区分本类数据和非本类数据。该分类器为每个类构造一个支持向量机,第k个支持向量机在第k类和其余n-1个类之间构造一个超平面,最后结果由输出离分界面距离y=wx+b最大的那个支持向量机决定。此例中,选择一对多方法,调参数C为1,gamma为4,并采用rbf核函数。
如附图3所示,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,包括识别敲击光纤,沿着光纤慢跑,横穿光纤三种事件,包括信号传感模块1,是基于相位敏感的光时域反射系统是一种新型的分布式光纤振动传感系统;图像数据预处理模块2,采用均值滤波、锐化增强对图像预处理、使用最大类间方差法获取图像最佳阈值并将图像二值化,使用开操作方法消去二值化图像的噪点;信号空域特征提取模块3包括获取图像连通区域的重心坐标,将获得的像素点的坐标转换为横轴为光纤长度,纵轴为时间的直角坐标,将获得的坐标点用二乘法拟合成曲线并且计算曲线中给个点的一阶导数、二阶导数及高阶导数,一阶导数和二阶导数的倒数作为支持向量机SVM分类模块4的输入特征向量,对事件进行模式识别;SVM分类模块4的输出端分别连接横穿光纤事件模块5、敲击光纤事件模块6和沿光纤慢跑事件模块7。
以上实例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明思想提出的技术思想,在技术方案基础上所做的任何改动,均认为是本发明保护范围之内。

Claims (6)

1.一种基于空域特征和机器学习的分布式光纤入侵识别方法,其特征在于,所述方法包括以下步骤:
步骤1:通过一分布式光纤振动传感系统,感应光纤周围的振动信号,产生多条后向瑞利散射曲线,多条后向瑞利散射曲线构成二维时空信号,横轴对应光纤长度L,范围是L=[L1,L2,L3…LP],纵轴对应时间t,时间t的范围是t=[t1,t2,t3…tQ],多条散射曲线按照时间排列构成二维时空信号为:
采集到的M条瑞利散射曲线,后向瑞利散射曲线的点数为N,可以组成一幅M*N的二维图像数据f(x,y);
步骤2:对图像数据f(x,y)进行图像预处理,以达到图像去噪和增强的目的,去噪预处理后的图像为f1(x,y),增强后的图像为f2(x,y);
步骤3:获取f2(x,y)二值化阈值k*后将图像f2(x,y)二值化,分割后的图像为g(x,y),输入的图像为f2(x,y),将图像分为前景g(x,y)=1,f2(x,y)>k*和背景g(x,y)=0,f2(x,y)≤k*两部分:
步骤4:二值化后的图像g(x,y)利用图像降噪方法消去噪点,处理后的图像为g1(x,y),获取图像事件连通区域的重心坐标,将对应的像素点坐标转换为对应光纤长度和时间的直角坐标,将获得的坐标点拟合成曲线为:
W=F(L,t)
步骤5:计算曲线中每个点的一阶导数F1和二阶导数F2,及高阶导数Fn,一阶导数的意义是事件发生的瞬时速率的倒数,二阶导数的意义是事件发生的瞬时加速率的倒数,将此事件速率和加速率的平均值作为信号空域特征,为后续的模式识别做准备;
步骤6:将获得的空域特征作为特征向量并结合机器学习算法对入侵扰动事件进行模式识别。
2.如权利要求1所述的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,其特征在于,所述步骤1中,通过采集多条后向瑞利散射曲线构成二维图像数据,用于步骤2的图像预处理。
3.如权利要求1或2所述的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,其特征在于,所述步骤2中,图像去噪的方法可采用均值滤波,对于图像中的目标像素(x,y),计算目标像素周围9个像素的均值作为目标像素的灰度值,如下所示:
式中,m为掩模中包含当前像素值在内的像素总数,8邻域掩模如下所示:
图像锐化增强可采用Sobel算子,对于图像中像素点(x,y),将8邻域上各点权值与灰度值相乘最为目标像素的灰度值,锐化增强后的图像为f2(x,y)。
4.如权利要求1或2所述的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,其特征在于,所述步骤3中,获取类间方差σ2 B,全局均值mG以及图像像素被分到灰度值在[0,k]范围内的概率P1(k),获取图像阈值,使用的是最大类间方差法方法自动获取图像最佳阈值k*
5.如权利要求1或2所述的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,其特征在于,所述步骤4中,图像上消去噪声点的方法利用开操作方法,结构元b对图像f的开操作表示为fob。
6.如权利要求1或2所述的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,其特征在于,所述振动信号是通过分布式光纤振动传感系统收集通信光缆附近的扰动信号,机器学习采用支持向量机算法。
CN202011252920.4A 2020-11-11 2020-11-11 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 Active CN112364768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011252920.4A CN112364768B (zh) 2020-11-11 2020-11-11 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011252920.4A CN112364768B (zh) 2020-11-11 2020-11-11 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

Publications (2)

Publication Number Publication Date
CN112364768A CN112364768A (zh) 2021-02-12
CN112364768B true CN112364768B (zh) 2024-03-22

Family

ID=74515923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011252920.4A Active CN112364768B (zh) 2020-11-11 2020-11-11 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

Country Status (1)

Country Link
CN (1) CN112364768B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113447727B (zh) * 2021-06-30 2022-12-09 武汉理工光科股份有限公司 基于光纤测振系统的油气管道上方雷电定位方法及装置
CN114414029A (zh) * 2021-11-30 2022-04-29 贵州电网有限责任公司 一种基于数据算法的通信光缆的桥墩撞击在线监测方法
CN114323244A (zh) * 2021-11-30 2022-04-12 贵州电网有限责任公司 一种基于φ-otdr的线缆管道塌方信号的监测方法
CN116432007B (zh) * 2023-06-13 2023-08-22 天津精仪精测科技有限公司 基于空域特征和机器学习的光纤预警模式识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384463A (zh) * 2016-11-24 2017-02-08 天津大学 基于混合特征提取的光纤周界安防入侵事件识别方法
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
CN109274625A (zh) * 2018-11-12 2019-01-25 北京邮电大学 一种信息调制方式确定方法、装置、电子设备及存储介质
CN110570613A (zh) * 2019-09-18 2019-12-13 广州亓行智能科技有限公司 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384463A (zh) * 2016-11-24 2017-02-08 天津大学 基于混合特征提取的光纤周界安防入侵事件识别方法
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
CN109274625A (zh) * 2018-11-12 2019-01-25 北京邮电大学 一种信息调制方式确定方法、装置、电子设备及存储介质
CN110570613A (zh) * 2019-09-18 2019-12-13 广州亓行智能科技有限公司 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

Also Published As

Publication number Publication date
CN112364768A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112364768B (zh) 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
Won Intelligent traffic monitoring systems for vehicle classification: A survey
CN109272017B (zh) 分布式光纤传感器的振动信号模式识别方法和系统
Scholar Review and analysis of crack detection and classification techniques based on crack types
CN104112269B (zh) 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统
CN109871799B (zh) 一种基于深度学习的驾驶员玩手机行为的检测方法
Najva et al. SIFT and tensor based object detection and classification in videos using deep neural networks
CN105931402A (zh) 基于图像识别的光纤周界入侵监测方法
CN102799903A (zh) 一种基于空间与光谱信息的高光谱自动云检测方法
CN102855622A (zh) 一种基于显著性分析的红外遥感图像海面船只检测方法
CN106127113A (zh) 一种基于三维激光雷达的道路车道线检测方法
CN106127253B (zh) 一种利用样本特征学习分类的红外弱小目标检测方法
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
CN102928435A (zh) 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
CN110659649A (zh) 一种基于近红外光成像的图像处理与字符识别算法
Chen et al. Road vehicle detection and classification using magnetic field measurement
Ye et al. Overhead ground wire detection by fusion global and local features and supervised learning method for a cable inspection robot
CN112068120A (zh) 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法
CN114814832A (zh) 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法
CN109063669A (zh) 一种基于图像识别的桥区船舶航行态势分析方法及装置
CN104417489A (zh) 一种汽车安全带检测方法及汽车安全带检测装置
Cromwell et al. Lidar cloud detection with fully convolutional networks
CN117197700B (zh) 智能化无人巡检接触网缺陷识别系统
CN116703895B (zh) 基于生成对抗网络的小样本3d视觉检测方法及其系统
Gautam et al. A review on remote sensing technique: concept and principles

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