CN114093106B - 基于EfficientNET分类网络的入侵信号报警方法及系统 - Google Patents
基于EfficientNET分类网络的入侵信号报警方法及系统 Download PDFInfo
- Publication number
- CN114093106B CN114093106B CN202111436703.5A CN202111436703A CN114093106B CN 114093106 B CN114093106 B CN 114093106B CN 202111436703 A CN202111436703 A CN 202111436703A CN 114093106 B CN114093106 B CN 114093106B
- Authority
- CN
- China
- Prior art keywords
- intrusion
- signals
- network
- threshold
- short
- 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
Links
Images
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
- 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
-
- 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
-
- 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
- G08B13/1654—Actuation by interference with mechanical vibrations in air or other fluid using passive vibration detection systems
- G08B13/169—Actuation by interference with mechanical vibrations in air or other fluid using passive vibration detection systems using cable transducer means
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明提供了一种基于EfficientNET分类网络的入侵信号报警方法及系统，包括：进行预处理操作，筛选出入侵信号；对筛选出的入侵信号进行入侵信号的一级定位报警，找到可疑入侵点；进行二级入侵信号分类报警，对入侵点的信号进行时频变换处理，将一维信号变成二维图像数据，利用EfficientNet分类网络进行入侵行为的分类处理，得到该信号的具体入侵行为种类；结合一级定位报警和二级分类报警实现对围栏型周界入侵事件的探测。本发明能快速得到可疑入侵信号的位置点，发生一级报警；使用EfficientNET对可疑位置点的信号进行快速准确地分类处理，实现二级报警可以有效地解决此类问题。
Description
技术领域
本发明涉及光纤振动传感应用领域及深度学习方法的检测领域，具体地，涉及一种基于EfficientNET分类网络的入侵信号报警方法及系统，更为具体地，涉及一种基于定位型振动光纤探测技术和EfficientNET分类网络的入侵信号报警方法及系统。
背景技术
光纤周界安防系统是新一代的周界监控系统，它通过监测和分析传导至光纤的振动信息，对入侵干扰信号进行判断和定位，在周界安防领域中，随着围栏型周界的广泛使用，远程可定位周界入侵监控系统的需求越来越大，它在军队周界、边境线、机场、监狱以及其他重要部门的周界安防中均大有可为。
针对围栏型周界入侵探测的需求，本研究开发了定位型振动光纤入侵探测系统，该系统是基于相位敏感的光时域技术实现的，即通过探测光脉冲的返回时间确定事件发生的位置，脉冲的宽度决定空间的精度，而返回的相干瑞利散射光的强度反映了振动的变化，其利用光纤作为传感器来探测外界扰动并通过信号处理判别是否入侵。
然而，定位型振动光纤入侵探测主机输出的是巨大的传感器阵列信号，数据量巨大，通过传统的信号处理技术，对阵列信号进行预处理操作，人工提取信号中相对明显的特征，并将其输入到传统模式识别模型中进行分类识别，该过程不仅花费较长的时间，无法满足实时监测的要求。同时在自然环境中存在各种各样的干扰，如大风、大雨、冰雹等恶劣天气的影响，这些环境干扰使得光纤传感器产生类似于正常入侵干扰的信号，导致传统模式的识别率较低，造成严重的虚警误报现象。随计算机计算能力的提高，各类云计算服务为各类场景的研究提供了强大的计算基础.深度学习网络不断应用于各个领域，特别是图像分类与物体识别(即目标识别)领域，在传统卷积神经网络等上进行改进与优化得到新型网络，例如AlexNet、ResNet、ShuffleNet、MobileNet。在保证高的准确率的前提下，对数据集和训练时间的要求也不断降低.其中，EfficientNet网络是评价经典高效分类的网络之一，该网络因为特殊的网络结构设计使其在分类上具有极高的准确率，即对分类对象的特征表征能力更强，在分类类别的特征差异不够明显的情况下，具有很好的实用性和精确度。因此，研究一种基于定位型振动光纤探测技术和EfficienNET网络的入侵信号分类技术相融合的入侵报警系统，实现入侵事件的一级定位报警和二级检测分类报警是十分必要的。
现有针对振动光纤的报警系统都是对原始振动数据进行一系列信号处理，并人工提取所有位置点振动信号特征，最终利用简单的传统机器学习分类算法对提取的样本进行分类判别。一般而言，上位机获取的振动光纤数据量巨大，若同时对所有位置点进行数据特征提取并进行预测将无法保证软件运行的实时性；与此同时，想要得到有效的特征，必将耗时费力，也无法保证特征对信号表征的全面性，影响最终的分类效果；使用深度学习对信号进行分类判别可自动提取信号的有效特征，同时一站式实现信号分类。
专利文献CN105184319B(申请号：CN201510556766.2)公开了一种光纤周界入侵信号的识别方法、识别装置及光纤周界入侵报警系统。该识别方法包括：获取与光纤周界有关的实时信号；对实时信号进行预处理；判断预处理后的实时信号是否为入侵信号；根据决策树确定的分类规则对入侵信号进行分类；通过提取入侵信号的片段，获得入侵信号的片段的相关特征量；以及根据入侵信号的片段的相关特征量，组成第一训练数据集；对第一训练数据集进行随机抽样，组成第二训练数据集；并且根据第二训练数据集，创建多棵决策树。但仅通过振动光纤信号处理技术对入侵行为进行监测，误报率较高，准确率较低，往往需要人为进行进一步判断，人力成本较大，且在一些极端复杂地天气情况下，人为地判断入侵类型也十分困难，无法做到实时且准确地判断。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于EfficientNET分类网络的入侵信号报警方法及系统。
根据本发明提供的一种基于EfficientNET分类网络的入侵信号报警方法，包括：
步骤S1：进行预处理操作，筛选出入侵信号；
步骤S2：对筛选出的入侵信号进行入侵信号的一级定位报警，找到可疑入侵点；
步骤S3：进行二级入侵信号分类报警，对入侵点的信号进行时频变换处理，将一维信号变成二维图像数据，利用EfficientNet分类网络进行入侵行为的分类处理，得到该信号的具体入侵行为种类；
步骤S4：结合一级定位报警和二级分类报警实现对围栏型周界入侵事件的探测。
优选地，在所述步骤S1中：
根据定位型振动光纤传感系统得到瑞利散射信号曲线；对瑞利散射曲线进行归一化拉平处理，消除信号幅度随位置点变化的影响，为参数统一自适应调整做准备；
对归一化拉平后的信号进行高通滤波处理：
利用butter函数，设计ButterWorth二阶数字高通滤波器，得到传递函数的多项式系数为[b0,b1,b2,a0,a1,a2]，将系数代入差分方程求得滤波后信号：
a0y(m)＝b0x(m)+b1x(m-1)+b2x(m-2)-a1y(m-1)-a2y(m-2) (3.1)
其中，x(m)、x(m-1)及x(m-2)表示第m、m-1及m-2时刻滤波前的信号，y(m)、y(m-1)和y(m-2)表示第m、m-1及m-2时刻滤波后的信号，其中a0＝1，b0、b1、b2、a1和a2分别为ButterWorth滤波系数矩阵的第一、二、三、五和第六个系数。
优选地，在所述步骤S2中：
能量和过阈值率是判断是否存在入侵时的特征量，在提取两个特征量时，对不同位置点提前设定一些参数和门限阈值，以便适应不同位置点及不同信噪比下的时域信号，同时对归一化滤波处理后的信号进行阈值参数自适应调整，为后续两个特征量的快速提取提供了保证；
提取短时能量和短时过阈值率，通过对比特征值与提前设定的阈值的大小判断是否为入侵信号，并输出一级报警位置点；
短时能量指持续时间T的平均能量，表达式为：
En＝Mean(∑y(n,m)2) (5.1)
En表示第n个位置点的短时能量，y(n,m)2表示第n个位置点第m时刻滤波后的信号；
短时能量的阈值表达式：
Eth＝E0 (5.2)
Eth表示短时能量阈值，E0表示设置的静态能量阈值；
短时能量En满足如下条件作为可疑事件成立的必要条件之一：
En≥Eth(5.3)
短时过阈值率的阈值判断过程与短时能量判断一致，短时过阈值率指持续时间T内幅度超过某幅度阈值An的次数，表达式为：
Fn表示第n个位置点的短时过阈值率，diff表示微分运算，sgn代表符号函数，An表示设置的第n个位置点的幅度阈值；
短时过阈值率的阈值为：
Fth＝F0(5.5)
Fth表示短时过阈值率的阈值，F0表示设置的过阈值率阈值；
短时过阈值率Fn满足如下条件：
Fn≥Fth(5.6)
作为可疑事件成立的必要条件之一。
优选地，在所述步骤S3中：
由一级定位报警算法得到可疑入侵报警位置点，提取当前位置点前后3秒，共6s的数据，以0.3秒，1024个采样点，为单位进行短时傅里叶变换，将一维信号转化为二维图片数据为后续分类做准备；
采集各类入侵信号以及干扰信号构建网络的训练集；
配置运行环境，搭建EfficientNet网络框架；
训练EfficientNet网络模型，优化网络参数和统计训练过程中的准确度和loss值选择适合本专利的网络，EfficientNet网络中的B4作为网络；
将一级报警输出的可疑位置点信号经过时频变换后的二维图像输入到EfficientNet B4网络中，得到可疑位置点的入侵类型，实现二级分类报警。
优选地，在所述步骤S3中：
构建入侵信号的训练集，将入侵信号分为七类：大风干扰、大雨干扰、微风干扰、小雨干扰、攀爬入侵、敲击入侵、机器噪声；对各类信号进行短时傅里叶变换时频分析处理，获取各类信号的时频图特征，采集各类光纤振动信号进行傅里叶变换处理；
搭建EfficientNet网络框架；利用模型复合缩放方法对输入图像分辨率、网络深度及卷积通道数进行综合扩展，指定复合系数，同时约束图像分辨率、网络宽度及深度；
主干网络使用Mobile Net V2网络中的MB-Conv模块来构建，将结构分解；短连接部分使用SE层，采用drop_connect替换普通drop方法，Efficient Net B4网络中，将MB-Conv中的激活函数由Re LU替换为Swish；
使用分段衰减学习率函数piecewide_delay，并使用Auto model search进行包括初始学习率的超参数自动调节对比，模型准确率随着训练次数的增加趋向于1，loss损失值逼近0，表明模型收敛。
根据本发明提供的一种基于EfficientNET分类网络的入侵信号报警系统，包括：
模块M1：进行预处理操作，筛选出入侵信号；
模块M2：对筛选出的入侵信号进行入侵信号的一级定位报警，找到可疑入侵点；
模块M3：进行二级入侵信号分类报警，对入侵点的信号进行时频变换处理，将一维信号变成二维图像数据，利用EfficientNet分类网络进行入侵行为的分类处理，得到该信号的具体入侵行为种类；
模块M4：结合一级定位报警和二级分类报警实现对围栏型周界入侵事件的探测。
优选地，在所述模块M1中：
根据定位型振动光纤传感系统得到瑞利散射信号曲线；对瑞利散射曲线进行归一化拉平处理，消除信号幅度随位置点变化的影响，为参数统一自适应调整做准备；
对归一化拉平后的信号进行高通滤波处理：
利用butter函数，设计ButterWorth二阶数字高通滤波器，得到传递函数的多项式系数为[b0,b1,b2,a0,a1,a2]，将系数代入差分方程求得滤波后信号：
a0y(m)＝b0x(m)+b1x(m-1)+b2x(m-2)-a1y(m-1)-a2y(m-2) (3.1)
其中，x(m)、x(m-1)及x(m-2)表示第m、m-1及m-2时刻滤波前的信号，y(m)、y(m-1)和y(m-2)表示第m、m-1及m-2时刻滤波后的信号，其中a0＝1，b0、b1、b2、a1和a2分别为ButterWorth滤波系数矩阵的第一、二、三、五和第六个系数。
优选地，在所述模块M2中：
能量和过阈值率是判断是否存在入侵时的特征量，在提取两个特征量时，对不同位置点提前设定一些参数和门限阈值，以便适应不同位置点及不同信噪比下的时域信号，同时对归一化滤波处理后的信号进行阈值参数自适应调整，为后续两个特征量的快速提取提供了保证；
提取短时能量和短时过阈值率，通过对比特征值与提前设定的阈值的大小判断是否为入侵信号，并输出一级报警位置点；
短时能量指持续时间T的平均能量，表达式为：
En＝Mean(∑y(n,m)2)(5.1)
En表示第n个位置点的短时能量，y(n,m)2表示第n个位置点第m时刻滤波后的信号；
短时能量的阈值表达式：
Eth＝E0(5.2)
Eth表示短时能量阈值，E0表示设置的静态能量阈值；
短时能量En满足如下条件作为可疑事件成立的必要条件之一：
En≥Eth(5.3)
短时过阈值率的阈值判断过程与短时能量判断一致，短时过阈值率指持续时间T内幅度超过某幅度阈值An的次数，表达式为：
Fn表示第n个位置点的短时过阈值率，diff表示微分运算，sgn代表符号函数，An表示设置的第n个位置点的幅度阈值；
短时过阈值率的阈值为：
Fth＝F0(5.5)
Fth表示短时过阈值率的阈值，F0表示设置的过阈值率阈值；
短时过阈值率Fn满足如下条件：
Fn≥Fth(5.6)
作为可疑事件成立的必要条件之一。
优选地，在所述模块M3中：
由一级定位报警算法得到可疑入侵报警位置点，提取当前位置点前后3秒，共6s的数据，以0.3秒，1024个采样点，为单位进行短时傅里叶变换，将一维信号转化为二维图片数据为后续分类做准备；
采集各类入侵信号以及干扰信号构建网络的训练集；
配置运行环境，搭建EfficientNet网络框架；
训练EfficientNet网络模型，优化网络参数和统计训练过程中的准确度和loss值选择适合本专利的网络，EfficientNet网络中的B4作为网络；
将一级报警输出的可疑位置点信号经过时频变换后的二维图像输入到EfficientNet B4网络中，得到可疑位置点的入侵类型，实现二级分类报警。
优选地，在所述模块M3中：
构建入侵信号的训练集，将入侵信号分为七类：大风干扰、大雨干扰、微风干扰、小雨干扰、攀爬入侵、敲击入侵、机器噪声；对各类信号进行短时傅里叶变换时频分析处理，获取各类信号的时频图特征，采集各类光纤振动信号进行傅里叶变换处理；
搭建EfficientNet网络框架；利用模型复合缩放方法对输入图像分辨率、网络深度及卷积通道数进行综合扩展，指定复合系数，同时约束图像分辨率、网络宽度及深度；
主干网络使用Mobile Net V2网络中的MB-Conv模块来构建，将结构分解；短连接部分使用SE层，采用drop_connect替换普通drop方法，Efficient Net B4网络中，将MB-Conv中的激活函数由Re LU替换为Swish；
使用分段衰减学习率函数piecewide_delay，并使用Auto model search进行包括初始学习率的超参数自动调节对比，模型准确率随着训练次数的增加趋向于1，loss损失值逼近0，表明模型收敛。
与现有技术相比，本发明具有如下的有益效果：
1、本发明在分布式光纤定位系统中，通过对瑞利散射信号进行拉平、高通滤波、阈值参数自适应调整、提取能量、过阈值率等一系列操作，能快速得到可疑入侵信号的位置点，发生一级报警；
2、一级报警发生后，需要判断该入侵信号属于哪一种入侵，在特定的场合，一些入侵信号是属于虚报、误报范畴，本发明使用EfficientNET对可疑位置点的信号进行快速准确地分类处理，实现二级报警可以有效地解决此类问题；
3、仅通过振动光纤信号处理技术对入侵行为进行监测，误报率较高，准确率较低，往往需要人为进行进一步判断，人力成本较大，且在一些极端复杂地天气情况下，人为地判断入侵类型也十分困难，无法做到实时且准确地判断；而本发明的一级定位报警和二级分类报警的融合算法很好的解决了该问题，为后续进一步研究系统落实到实际应用中提供了基础。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为一级定位报警算法流程图；
图2为二级分类报警算法流程图；
图3为大风训练样本图；
图4为大雨训练样本图；
图5为微风训练样本图；
图6为小雨训练样本图；
图7为机器噪声训练样本图；
图8为攀爬训练样本图；
图9为敲击训练样本图；
图10为主干网络数据处理流程图；
图11为准确度曲线图；
图12为loss损失图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
根据本发明提供的一种基于EfficientNET分类网络的入侵信号报警方法，如图1-图12所示，包括：
步骤S1：进行预处理操作，筛选出入侵信号；
步骤S2：对筛选出的入侵信号进行入侵信号的一级定位报警，找到可疑入侵点；
步骤S3：进行二级入侵信号分类报警，对入侵点的信号进行时频变换处理，将一维信号变成二维图像数据，利用EfficientNet分类网络进行入侵行为的分类处理，得到该信号的具体入侵行为种类；
步骤S4：结合一级定位报警和二级分类报警实现对围栏型周界入侵事件的探测。
具体地，在所述步骤S1中：
根据定位型振动光纤传感系统得到瑞利散射信号曲线；对瑞利散射曲线进行归一化拉平处理，消除信号幅度随位置点变化的影响，为参数统一自适应调整做准备；
对归一化拉平后的信号进行高通滤波处理：
利用butter函数，设计ButterWorth二阶数字高通滤波器，得到传递函数的多项式系数为[b0,b1,b2,a0,a1,a2]，将系数代入差分方程求得滤波后信号：
a0y(m)＝b0x(m)+b1x(m-1)+b2x(m-2)-a1y(m-1)-a2y(m-2) (3.1)
其中，x(m)、x(m-1)及x(m-2)表示第m、m-1及m-2时刻滤波前的信号，y(m)、y(m-1)和y(m-2)表示第m、m-1及m-2时刻滤波后的信号，其中a0＝1，b0、b1、b2、a1和a2分别为ButterWorth滤波系数矩阵的第一、二、三、五和第六个系数。
具体地，在所述步骤S2中：
能量和过阈值率是判断是否存在入侵时的特征量，在提取两个特征量时，对不同位置点提前设定一些参数和门限阈值，以便适应不同位置点及不同信噪比下的时域信号，同时对归一化滤波处理后的信号进行阈值参数自适应调整，为后续两个特征量的快速提取提供了保证；
提取短时能量和短时过阈值率，通过对比特征值与提前设定的阈值的大小判断是否为入侵信号，并输出一级报警位置点；
短时能量指持续时间T的平均能量，表达式为：
En＝Mean(∑y(n,m)2) (5.1)
En表示第n个位置点的短时能量，y(n,m)2表示第n个位置点第m时刻滤波后的信号；
短时能量的阈值表达式：
Eth＝E0 (5.2)
Eth表示短时能量阈值，E0表示设置的静态能量阈值；
短时能量En满足如下条件作为可疑事件成立的必要条件之一：
En≥Eth (5.3)
短时过阈值率的阈值判断过程与短时能量判断一致，短时过阈值率指持续时间T内幅度超过某幅度阈值An的次数，表达式为：
Fn表示第n个位置点的短时过阈值率，diff表示微分运算，sgn代表符号函数，An表示设置的第n个位置点的幅度阈值；
短时过阈值率的阈值为：
Fth＝F0(5.5)
Fth表示短时过阈值率的阈值，F0表示设置的过阈值率阈值；
短时过阈值率Fn满足如下条件：
Fn≥Fth(5.6)
作为可疑事件成立的必要条件之一。
具体地，在所述步骤S3中：
由一级定位报警算法得到可疑入侵报警位置点，提取当前位置点前后3秒，共6s的数据，以0.3秒，1024个采样点，为单位进行短时傅里叶变换，将一维信号转化为二维图片数据为后续分类做准备；
采集各类入侵信号以及干扰信号构建网络的训练集；
配置运行环境，搭建EfficientNet网络框架；
训练EfficientNet网络模型，优化网络参数和统计训练过程中的准确度和loss值选择适合本专利的网络，EfficientNet网络中的B4作为网络；
将一级报警输出的可疑位置点信号经过时频变换后的二维图像输入到EfficientNet B4网络中，得到可疑位置点的入侵类型，实现二级分类报警。
具体地，在所述步骤S3中：
构建入侵信号的训练集，将入侵信号分为七类：大风干扰、大雨干扰、微风干扰、小雨干扰、攀爬入侵、敲击入侵、机器噪声；对各类信号进行短时傅里叶变换时频分析处理，获取各类信号的时频图特征，采集各类光纤振动信号进行傅里叶变换处理；
搭建EfficientNet网络框架；利用模型复合缩放方法对输入图像分辨率、网络深度及卷积通道数进行综合扩展，指定复合系数，同时约束图像分辨率、网络宽度及深度；
主干网络使用Mobile Net V2网络中的MB-Conv模块来构建，将结构分解；短连接部分使用SE层，采用drop_connect替换普通drop方法，Efficient Net B4网络中，将MB-Conv中的激活函数由Re LU替换为Swish；
使用分段衰减学习率函数piecewide_delay，并使用Auto model search进行包括初始学习率的超参数自动调节对比，模型准确率随着训练次数的增加趋向于1，loss损失值逼近0，表明模型收敛。
实施例2：
实施例2为实施例1的优选例，以更为具体地对本发明进行说明。
本领域技术人员可以将本发明提供的一种基于EfficientNET分类网络的入侵信号报警方法，理解为基于EfficientNET分类网络的入侵信号报警系统的具体实施方式，即所述基于EfficientNET分类网络的入侵信号报警系统可以通过执行所述基于EfficientNET分类网络的入侵信号报警方法的步骤流程予以实现。
根据本发明提供的一种基于EfficientNET分类网络的入侵信号报警系统，包括：
模块M1：进行预处理操作，筛选出入侵信号；
模块M2：对筛选出的入侵信号进行入侵信号的一级定位报警，找到可疑入侵点；
模块M3：进行二级入侵信号分类报警，对入侵点的信号进行时频变换处理，将一维信号变成二维图像数据，利用EfficientNet分类网络进行入侵行为的分类处理，得到该信号的具体入侵行为种类；
模块M4：结合一级定位报警和二级分类报警实现对围栏型周界入侵事件的探测。
具体地，在所述模块M1中：
根据定位型振动光纤传感系统得到瑞利散射信号曲线；对瑞利散射曲线进行归一化拉平处理，消除信号幅度随位置点变化的影响，为参数统一自适应调整做准备；
对归一化拉平后的信号进行高通滤波处理：
利用butter函数，设计ButterWorth二阶数字高通滤波器，得到传递函数的多项式系数为[b0,b1,b2,a0,a1,a2]，将系数代入差分方程求得滤波后信号：
a0y(m)＝b0x(m)+b1x(m-1)+b2x(m-2)-a1y(m-1)-a2y(m-2) (3.1)
其中，x(m)、x(m-1)及x(m-2)表示第m、m-1及m-2时刻滤波前的信号，y(m)、y(m-1)和y(m-2)表示第m、m-1及m-2时刻滤波后的信号，其中a0＝1，b0、b1、b2、a1和a2分别为ButterWorth滤波系数矩阵的第一、二、三、五和第六个系数。
具体地，在所述模块M2中：
能量和过阈值率是判断是否存在入侵时的特征量，在提取两个特征量时，对不同位置点提前设定一些参数和门限阈值，以便适应不同位置点及不同信噪比下的时域信号，同时对归一化滤波处理后的信号进行阈值参数自适应调整，为后续两个特征量的快速提取提供了保证；
提取短时能量和短时过阈值率，通过对比特征值与提前设定的阈值的大小判断是否为入侵信号，并输出一级报警位置点；
短时能量指持续时间T的平均能量，表达式为：
En＝Mean(∑y(n,m)2)(5.1)
En表示第n个位置点的短时能量，y(n,m)2表示第n个位置点第m时刻滤波后的信号；
短时能量的阈值表达式：
Eth＝E0(5.2)
Eth表示短时能量阈值，E0表示设置的静态能量阈值；
短时能量En满足如下条件作为可疑事件成立的必要条件之一：
En≥Eth(5.3)
短时过阈值率的阈值判断过程与短时能量判断一致，短时过阈值率指持续时间T内幅度超过某幅度阈值An的次数，表达式为：
Fn表示第n个位置点的短时过阈值率，diff表示微分运算，sgn代表符号函数，An表示设置的第n个位置点的幅度阈值；
短时过阈值率的阈值为：
Fth＝F0(5.5)
Fth表示短时过阈值率的阈值，F0表示设置的过阈值率阈值；
短时过阈值率Fn满足如下条件：
Fn≥Fth(5.6)
作为可疑事件成立的必要条件之一。
具体地，在所述模块M3中：
由一级定位报警算法得到可疑入侵报警位置点，提取当前位置点前后3秒，共6s的数据，以0.3秒，1024个采样点，为单位进行短时傅里叶变换，将一维信号转化为二维图片数据为后续分类做准备；
采集各类入侵信号以及干扰信号构建网络的训练集；
配置运行环境，搭建EfficientNet网络框架；
训练EfficientNet网络模型，优化网络参数和统计训练过程中的准确度和loss值选择适合本专利的网络，EfficientNet网络中的B4作为网络；
将一级报警输出的可疑位置点信号经过时频变换后的二维图像输入到EfficientNet B4网络中，得到可疑位置点的入侵类型，实现二级分类报警。
具体地，在所述模块M3中：
构建入侵信号的训练集，将入侵信号分为七类：大风干扰、大雨干扰、微风干扰、小雨干扰、攀爬入侵、敲击入侵、机器噪声；对各类信号进行短时傅里叶变换时频分析处理，获取各类信号的时频图特征，采集各类光纤振动信号进行傅里叶变换处理；
搭建EfficientNet网络框架；利用模型复合缩放方法对输入图像分辨率、网络深度及卷积通道数进行综合扩展，指定复合系数，同时约束图像分辨率、网络宽度及深度；
主干网络使用Mobile Net V2网络中的MB-Conv模块来构建，将结构分解；短连接部分使用SE层，采用drop_connect替换普通drop方法，Efficient Net B4网络中，将MB-Conv中的激活函数由Re LU替换为Swish；
使用分段衰减学习率函数piecewide_delay，并使用Auto model search进行包括初始学习率的超参数自动调节对比，模型准确率随着训练次数的增加趋向于1，loss损失值逼近0，表明模型收敛。
实施例3：
实施例3为实施例1的优选例，以更为具体地对本发明进行说明。
本发明属于将光纤振动传感应用领域及深度学习方法的检测领域相融合的一种周界安防入侵报警系统，具体涉及定位型振动光纤探测入侵事件的一级定位报警算法以及基于EfficienNET网络的入侵信号的二级分类报警算法。
本发明要解决的技术问题体现在以下几点：
1)预处理操作是一级定位报警算法中信号处理部分的重要环节，旨在大量的信号中滤除干扰信号，筛选出入侵信号，降低数据的运算量，提升入侵事件的运算效率，完成入侵信号的一级定位报警。
2)利用一级定位报警的输出找到可疑入侵点，对入侵点的信号进行时频变换处理，将一维信号变成二维图像数据，然后利用EfficientNet分类网络进行入侵行为的分类处理，得到该信号的具体入侵行为种类。利用此方法代替传统的模式识别方法，从而降低入侵事件的误报率，提升人为入侵行为的检测精度，实现入侵事件的二级分类报警。
3)结合一级定位报警和二级分类报警实现对围栏型周界入侵事件的探测，能满足人为入侵事件实时监测的需求。
本系统主要包括两个模块：一级定位报警算法模块和二级入侵信号分类报警算法模块。模块一的一级定位报警算法流程图如附图1所示：
一级定位报警算法包括如下步骤：
步骤1：根据定位型振动光纤传感系统是否接入光纤，得到瑞利散射信号曲线；
步骤2：对原始瑞利散射曲线进行归一化拉平处理，消除信号幅度随位置点变化的影响，为步骤4中参数统一自适应调整做准备；
步骤3：由于入侵信号中包含了丰富的高频信息，同时考虑激光器、硬件电路以及环境引入的低频漂移的影响，所以对归一化拉平后的信号进行高通滤波处理，降低低频干扰的影响。
步骤4：能量和过阈值率是判断是否存在入侵时的两个重要特征量。在提取两个特征量时，对不同位置点提前设定一些参数和门限阈值，以便适应不同位置点及不同信噪比下的时域信号，同时为了减少手动调参的繁杂过程，提升实际工作效率，对归一化滤波处理后的信号进行阈值参数自适应调整，为后续两个特征量的快速提取提供了保证；
步骤5：提取短时能量和短时过阈值率，通过对比特征值与提前设定的阈值的大小判断是否为入侵信号，并输出一级报警位置点。
模块二的二级检测报警算法流程图如附图2所示
步骤1：由模块一的一级定位报警算法可以得到可疑入侵报警位置点，提取当前位置点前后3秒(共6s)的数据，以0.3秒(1024个采样点)为单位进行短时傅里叶变换(STFT)，将一维信号转化为二维图片数据为后续分类做准备；
步骤2：采集各类入侵信号以及干扰信号构建网络的训练集；
步骤3：配置良好的运行环境，然后在稳定的运行环境下搭建EfficientNet网络框架；
步骤4：训练EfficientNet网络模型，因为EfficientNet网络具有B0到B7共8个网络结构，本专利通过优化网络参数和统计训练过程中的准确度和loss值来选择适合本专利的网络，即EfficientNet网络中的B4作为本专利的网络。
步骤5：将一级报警输出的可疑位置点信号经过时频变换后的二维图像输入到EfficientNet B4网络中，得到可疑位置点的入侵类型，从而实现二级分类报警。
实施举例1：一级定位报警模块:
步骤3：对归一化拉平后的信号进行高通滤波处理，降低低频干扰的影响。
其中，具体包括如下步骤：
步骤3.1：利用软件自带的butter函数，直接设计ButterWorth二阶数字高通滤波器，得到该系统传递函数的多项式系数为[b0,b1,b2,a0,a1,a2]，将系数代入差分方程求得滤波后信号：
a0y(m)＝b0x(m)+b1x(m-1)+b2x(m-2)-a1y(m-1)-a2y(m-2) (3.1)
其中，x(m)、x(m-1)及x(m-2)表示第m、m-1及m-2时刻滤波前的信号，y(m)、y(m-1)和y(m-2)表示第m、m-1及m-2时刻滤波后的信号，其中a0＝1，b0、b1、b2、a1和a2分别为ButterWorth滤波系数矩阵的第一、二、三、五和第六个系数。利用该公式实现信号的滤波功能，经试验分析，确定截至频率为50Hz时为最佳。
步骤5：提取短时能量和短时过阈值率；短时能量指持续时间T的平均能量，表达式为：
En＝Mean(∑y(n,m)2) (5.1)
式中，En表示第n个位置点的短时能量，y(n,m)2表示第n个位置点第m时刻滤波后的信号。
短时能量的阈值表达式：
Eth＝E0 (5.2)
式中,Eth表示短时能量阈值，E0表示设置的静态能量阈值。短时能量En满足如下条件：
En≥Eth (5.3)
作为可疑事件成立的必要条件之一。
接着，描述短时过阈值率的阈值判断过程。该过程与短时能量判断一致。短时过阈值率指持续时间T内幅度超过某幅度阈值An的次数，表达式为：
式中，Fn表示第n个位置点的短时过阈值率，diff表示微分运算，sgn代表符号函数，An表示设置的第n个位置点的幅度阈值。
短时过阈值率的阈值为：
Fth＝F0(5.5)
式中Fth表示短时过阈值率的阈值，F0表示设置的过阈值率阈值。短时过阈值率Fn满足如下条件：
Fn≥Fth(5.6)
作为可疑事件成立的必要条件之一。
实施举例2：二级检测报警模块:
步骤2：构建入侵信号的训练集。本专利为了对入侵信号进行精确地报警，将入侵信号分为以下七类：大风干扰、大雨干扰、微风干扰、小雨干扰、攀爬入侵、敲击入侵、机器噪声。对各类信号进行短时傅里叶变换(STFT)时频分析处理，获取各类信号的时频图特征，然后采集各类光纤振动信号进行STFT处理，共采集了7200张分类样本，其中训练样本4800张，测试样本2400张。各种类型的入侵训练样本图如附图3中a、b、c、d、e、f、g所示，从图中可以可以清晰地看出，各类入侵样本在二维图像上存在一定差异，但是像是攀爬入侵和敲击入侵的差异在肉眼上并不是很明显，需要良好的深度学习分类网络去提取深度特征进行分类检测。
步骤3：搭建EfficientNet网络框架；传统卷积神经网络一般通过调整输入图像分辨率、网络深度及卷积通道数来进行网络扩展，而EfficientNet则利用模型复合缩放方法对三者进行综合扩展，具体方式为指定复合系数Φ，用于同时约束图像分辨率、网络宽度及深度，如式3.1所示：
主干网络使用Mobile Net V2网络中的MB-Conv模块来构建，主要改进在于将其中(3×3Conv+BN+Re LU)的结构分解为(1×1Con V+BN+Re LU+3×3Con V+BN+Re LU)。短连接部分使用SE层，采用drop_connect替换普通drop方法.Swish函数无上界，有下界，非单调且平滑，在多种深层模型的top1等准确率上表现优于传统的Re LU函数.本研究所使用的Efficient Net B4网络中，将MB-Conv中的激活函数由Re LU部分地替换为Swish。主干网络数据处理流程如附图所示。
运行环境配置如下：
操作系统：Win10 x64
处理器(CPU)：Intel(R)Core(TM)i7-8700 CPU@3.20GHz四核八线程
内存(RAM)：16.0GB
显卡(GPU)：NVIDIA GeForce GTX 2080Ti
编程环境：python+pytorch
步骤4：本专利的训练集样本共分7类，总计4800张，采用EfficientNet B4结构，使用分段衰减学习率函数piecewide_delay，并使用Auto model search进行包括初始学习率的超参数自动调节对比，训练过程中的准确率和loss损失曲线如附图11-12中a、b所示，从图中可以可以看出，模型准确率随着训练次数的增加趋向于1，同时，loss损失值逼近0，表明模型收敛，在训练集上具有良好的表现。同时，本专利为了进一步验证模型的泛化能力，还对2400张测试集图片进行了测试，其中被错误分类的样本有18张，正确分类的2382张，准确率为99.25％，表明模型在测试集上也具有一定地表现，证明本专利使用的EfficientNet具有一定的实用性。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种基于EfficientNET分类网络的入侵信号报警方法，其特征在于，包括：
步骤S1：进行预处理操作，筛选出入侵信号；
步骤S2：对筛选出的入侵信号进行入侵信号的一级定位报警，找到可疑入侵点；
步骤S3：进行二级入侵信号分类报警，对入侵点的信号进行时频变换处理，将一维信号变成二维图像数据，利用EfficientNet分类网络进行入侵行为的分类处理，得到该信号的具体入侵行为种类；
步骤S4：结合一级定位报警和二级分类报警实现对围栏型周界入侵事件的探测；
在所述步骤S1中：
根据定位型振动光纤传感系统得到瑞利散射信号曲线；对瑞利散射曲线进行归一化拉平处理，消除信号幅度随位置点变化的影响，为参数统一自适应调整做准备；
对归一化拉平后的信号进行高通滤波处理：
利用butter函数，设计ButterWorth二阶数字高通滤波器，得到传递函数的多项式系数为[b0,b1,b2,a0,a1,a2]，将系数代入差分方程求得滤波后信号：
a0y(m)＝b0x(m)+b1x(m-1)+b2x(m-2)-a1y(m-1)-a2y(m-2) (3.1)
其中，x(m)、x(m-1)及x(m-2)表示第m、m-1及m-2时刻滤波前的信号，y(m)、y(m-1)和y(m-2)表示第m、m-1及m-2时刻滤波后的信号，其中a0＝1，b0、b1、b2、a1和a2分别为ButterWorth滤波系数矩阵的第一、二、三、五和第六个系数。
2.根据权利要求1所述的基于EfficientNET分类网络的入侵信号报警方法，其特征在于，在所述步骤S2中：
能量和过阈值率是判断是否存在入侵时的特征量，在提取两个特征量时，对不同位置点提前设定一些参数和门限阈值，以便适应不同位置点及不同信噪比下的时域信号，同时对归一化滤波处理后的信号进行阈值参数自适应调整，为后续两个特征量的快速提取提供了保证；
提取短时能量和短时过阈值率，通过对比特征值与提前设定的阈值的大小判断是否为入侵信号，并输出一级报警位置点；
短时能量指持续时间T的平均能量，表达式为：
En＝Mean(∑y(n,m)2) (5.1)
En表示第n个位置点的短时能量，y(n,m)2表示第n个位置点第m时刻滤波后的信号；
短时能量的阈值表达式：
Eth＝E0(5.2)
Eth表示短时能量阈值，E0表示设置的静态能量阈值；
短时能量En满足如下条件作为可疑事件成立的必要条件之一：
En≥Eth(5.3)
短时过阈值率的阈值判断过程与短时能量判断一致，短时过阈值率指持续时间T内幅度超过某幅度阈值An的次数，表达式为：
Fn表示第n个位置点的短时过阈值率，diff表示微分运算，sgn代表符号函数，An表示设置的第n个位置点的幅度阈值；
短时过阈值率的阈值为：
Fth＝F0(5.5)
Fth表示短时过阈值率的阈值，F0表示设置的过阈值率阈值；
短时过阈值率Fn满足如下条件：
Fn≥Fth(5.6)
作为可疑事件成立的必要条件之一。
3.根据权利要求1所述的基于EfficientNET分类网络的入侵信号报警方法，其特征在于，在所述步骤S3中：
由一级定位报警算法得到可疑入侵报警位置点，提取当前位置点前后3秒，共6s的数据，以0.3秒，1024个采样点，为单位进行短时傅里叶变换，将一维信号转化为二维图片数据为后续分类做准备；
采集各类入侵信号以及干扰信号构建网络的训练集；
配置运行环境，搭建EfficientNet网络框架；
训练EfficientNet网络模型，优化网络参数和统计训练过程中的准确度和loss值选择适合的网络，EfficientNet网络中的B4作为网络；
将一级报警输出的可疑位置点信号经过时频变换后的二维图像输入到EfficientNetB4网络中，得到可疑位置点的入侵类型，实现二级分类报警。
4.根据权利要求1所述的基于EfficientNET分类网络的入侵信号报警方法，其特征在于，在所述步骤S3中：
构建入侵信号的训练集，将入侵信号分为七类：大风干扰、大雨干扰、微风干扰、小雨干扰、攀爬入侵、敲击入侵、机器噪声；对各类信号进行短时傅里叶变换时频分析处理，获取各类信号的时频图特征，采集各类光纤振动信号进行傅里叶变换处理；
搭建EfficientNet网络框架；利用模型复合缩放方法对输入图像分辨率、网络深度及卷积通道数进行综合扩展，指定复合系数，同时约束图像分辨率、网络宽度及深度；
主干网络使用Mobile Net V2网络中的MB-Conv模块来构建，将结构分解；短连接部分使用SE层，采用drop_connect替换普通drop方法，Efficient Net B4网络中，将MB-Conv中的激活函数由Re LU替换为Swish；
使用分段衰减学习率函数piecewide_delay，并使用Auto model search进行包括初始学习率的超参数自动调节对比，模型准确率随着训练次数的增加趋向于1，loss损失值逼近0，表明模型收敛。
5.一种基于EfficientNET分类网络的入侵信号报警系统，其特征在于，包括：
模块M1：进行预处理操作，筛选出入侵信号；
模块M2：对筛选出的入侵信号进行入侵信号的一级定位报警，找到可疑入侵点；
模块M3：进行二级入侵信号分类报警，对入侵点的信号进行时频变换处理，将一维信号变成二维图像数据，利用EfficientNet分类网络进行入侵行为的分类处理，得到该信号的具体入侵行为种类；
模块M4：结合一级定位报警和二级分类报警实现对围栏型周界入侵事件的探测；
在所述模块M1中：
根据定位型振动光纤传感系统得到瑞利散射信号曲线；对瑞利散射曲线进行归一化拉平处理，消除信号幅度随位置点变化的影响，为参数统一自适应调整做准备；
对归一化拉平后的信号进行高通滤波处理：
利用butter函数，设计ButterWorth二阶数字高通滤波器，得到传递函数的多项式系数为[b0,b1,b2,a0,a1,a2]，将系数代入差分方程求得滤波后信号：
a0y(m)＝b0x(m)+b1x(m-1)+b2x(m-2)-a1y(m-1)-a2y(m-2) (3.1)
其中，x(m)、x(m-1)及x(m-2)表示第m、m-1及m-2时刻滤波前的信号，y(m)、y(m-1)和y(m-2)表示第m、m-1及m-2时刻滤波后的信号，其中a0＝1，b0、b1、b2、a1和a2分别为ButterWorth滤波系数矩阵的第一、二、三、五和第六个系数。
6.根据权利要求5所述的基于EfficientNET分类网络的入侵信号报警系统，其特征在于，在所述模块M2中：
能量和过阈值率是判断是否存在入侵时的特征量，在提取两个特征量时，对不同位置点提前设定一些参数和门限阈值，以便适应不同位置点及不同信噪比下的时域信号，同时对归一化滤波处理后的信号进行阈值参数自适应调整，为后续两个特征量的快速提取提供了保证；
提取短时能量和短时过阈值率，通过对比特征值与提前设定的阈值的大小判断是否为入侵信号，并输出一级报警位置点；
短时能量指持续时间T的平均能量，表达式为：
En＝Mean(∑y(n,m)2)(5.1)
En表示第n个位置点的短时能量，y(n,m)2表示第n个位置点第m时刻滤波后的信号；
短时能量的阈值表达式：
Eth＝E0(5.2)
Eth表示短时能量阈值，E0表示设置的静态能量阈值；
短时能量En满足如下条件作为可疑事件成立的必要条件之一：
En≥Eth(5.3)
短时过阈值率的阈值判断过程与短时能量判断一致，短时过阈值率指持续时间T内幅度超过某幅度阈值An的次数，表达式为：
Fn表示第n个位置点的短时过阈值率，diff表示微分运算，sgn代表符号函数，An表示设置的第n个位置点的幅度阈值；
短时过阈值率的阈值为：
Fth＝F0(5.5)
Fth表示短时过阈值率的阈值，F0表示设置的过阈值率阈值；
短时过阈值率Fn满足如下条件：
Fn≥Fth(5.6)
作为可疑事件成立的必要条件之一。
7.根据权利要求5所述的基于EfficientNET分类网络的入侵信号报警系统，其特征在于，在所述模块M3中：
由一级定位报警算法得到可疑入侵报警位置点，提取当前位置点前后3秒，共6s的数据，以0.3秒，1024个采样点，为单位进行短时傅里叶变换，将一维信号转化为二维图片数据为后续分类做准备；
采集各类入侵信号以及干扰信号构建网络的训练集；
配置运行环境，搭建EfficientNet网络框架；
训练EfficientNet网络模型，优化网络参数和统计训练过程中的准确度和loss值选择适合的网络，EfficientNet网络中的B4作为网络；
将一级报警输出的可疑位置点信号经过时频变换后的二维图像输入到EfficientNetB4网络中，得到可疑位置点的入侵类型，实现二级分类报警。
8.根据权利要求5所述的基于EfficientNET分类网络的入侵信号报警系统，其特征在于，在所述模块M3中：
构建入侵信号的训练集，将入侵信号分为七类：大风干扰、大雨干扰、微风干扰、小雨干扰、攀爬入侵、敲击入侵、机器噪声；对各类信号进行短时傅里叶变换时频分析处理，获取各类信号的时频图特征，采集各类光纤振动信号进行傅里叶变换处理；
搭建EfficientNet网络框架；利用模型复合缩放方法对输入图像分辨率、网络深度及卷积通道数进行综合扩展，指定复合系数，同时约束图像分辨率、网络宽度及深度；
主干网络使用Mobile Net V2网络中的MB-Conv模块来构建，将结构分解；短连接部分使用SE层，采用drop_connect替换普通drop方法，Efficient Net B4网络中，将MB-Conv中的激活函数由Re LU替换为Swish；
使用分段衰减学习率函数piecewide_delay，并使用Auto model search进行包括初始学习率的超参数自动调节对比，模型准确率随着训练次数的增加趋向于1，loss损失值逼近0，表明模型收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111436703.5A CN114093106B (zh) | 2021-11-29 | 2021-11-29 | 基于EfficientNET分类网络的入侵信号报警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111436703.5A CN114093106B (zh) | 2021-11-29 | 2021-11-29 | 基于EfficientNET分类网络的入侵信号报警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114093106A CN114093106A (zh) | 2022-02-25 |
| CN114093106B true CN114093106B (zh) | 2023-06-02 |
Family
ID=80305480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111436703.5A Active CN114093106B (zh) | 2021-11-29 | 2021-11-29 | 基于EfficientNET分类网络的入侵信号报警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114093106B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5177057B2 (ja) * | 2009-03-31 | 2013-04-03 | 日立電線株式会社 | 侵入者検知装置および侵入者検知方法 |
| CN108709633B (zh) * | 2018-08-29 | 2020-05-05 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
| 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 |
| CN110852187B (zh) * | 2019-10-22 | 2023-04-07 | 华侨大学 | 一种周界入侵事件的识别方法与系统 |
| 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 |
| CN113628403A (zh) * | 2020-07-28 | 2021-11-09 | 威海北洋光电信息技术股份公司 | 基于多核支持向量机的光纤振动传感周界安防入侵行为识别算法 |
-
2021
- 2021-11-29 CN CN202111436703.5A patent/CN114093106B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114093106A (zh) | 2022-02-25 |
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 | |
| CN104123544B (zh) | 基于视频分析的异常行为检测方法及系统 | |
| US9008365B2 (en) | Systems and methods for pedestrian detection in images | |
| CN109616140B (zh) | 一种异常声音分析系统 | |
| CN110519637A (zh) | 基于音频视频监控结合的异常监测方法 | |
| CN106250936A (zh) | 基于机器学习的多特征多线程安检违禁品自动识别方法 | |
| CN111145475A (zh) | 基于振动光纤和深度学习的入侵报警系统、方法及介质 | |
| 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 | |
| CN104751580A (zh) | 分布式光纤传感信号模式识别方法及系统 | |
| CN105606198A (zh) | 光纤振动传感系统两级信号特征提取与判别方法 | |
| CN111259783A (zh) | 视频行为检测方法与系统、精彩视频回播系统及存储介质 | |
| CN112907869B (zh) | 基于多种传感技术的入侵检测系统 | |
| CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
| CN106646587A (zh) | 基于声振动信号的目标检测与识别方法及系统 | |
| 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 | |
| CN111523397A (zh) | 一种智慧灯杆视觉识别装置、方法及其系统和电子设备 | |
| CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
| CN112526606A (zh) | 一种基于异构多分类模型的震源类型预测方法和系统 | |
| CN111222461A (zh) | 一种光纤振动探测系统入侵信号的识别方法 | |
| CN111027440A (zh) | 一种基于神经网络的人群异常行为检测装置和检测方法 | |
| CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及系统 | |
| CN104200202B (zh) | 一种基于累加感知机的人体上半身检测方法 | |
| CN116838955A (zh) | 一种两阶段的油气管道沿线干扰识别方法 | |
| 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 | |
| Niloy et al. | A novel disaster image data-set and characteristics analysis using attention model |
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 |