CN114199362A - 一种分布式光纤振动传感器模式识别的方法 - Google Patents
一种分布式光纤振动传感器模式识别的方法 Download PDFInfo
- Publication number
- CN114199362A CN114199362A CN202111549157.6A CN202111549157A CN114199362A CN 114199362 A CN114199362 A CN 114199362A CN 202111549157 A CN202111549157 A CN 202111549157A CN 114199362 A CN114199362 A CN 114199362A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- time
- event
- optical fiber
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000000835 fiber Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 7
- 238000000253 optical time-domain reflectometry Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于MobileNet的分布式光纤振动传感器模式识别的方法,包括以下步骤:S1,分布式光纤振动传感器系统准备;S2,数据采集,构建不同类型事件数据集;S3,信号数据降噪处理;S4,将信号数据转换到对应事件的时域图和时频域图;S5,构建基于MobileNet的深度学习网络;S6,进行识别分类,利用最优模型对待测事件的时域图或时频域图进行识别和分类。本发明的有益效果是:本发明能够在保证算法识别效果的同时,大大降低了算法的权重和计算时间,且能够进行嵌入式端和移动端的开发和应用等。在MobileNet中引入深度可分离卷积,相比较于普通卷积降低8~9倍参数;使用倒残差结构又大大降低了计算时间和算法权重;使用轻量级注意力层能够更好的提升算法的性能。
Description
技术领域
本发明涉及分布式光纤振动传感应用技术领域,特别涉及一种基于MobileNet的分布式光纤振动传感器模式识别的方法。
背景技术
分布式光纤传感器具有损耗低、体积小、重量轻、灵敏度高、耐腐蚀性强、抗电磁干扰、无需电源和成本低等多种优点,弥补了传统电学传感器在监测范围和系统可靠性等方面的不足,在短短几十年时间内得到飞速发展。人们利用各种光纤传感器已经顺利实现对温度、浓度、压力、振动、位移和折射率等变化量的测量。迄今为止,各种类型的光纤传感器已被广泛应用于周界安防、航空航天、管道监测、电力工程和生物医学等领域。其中,实用价值最高的当属分布式光纤传感系统。
最初业内学者和专家先通过机器学习的方法对分布式光纤振动传感器进行事件的模式识别。用到的机器学习方法有主要有支持向量机(SVM)、相关向量机(RVM)、马尔可夫模型(HMMS)、人工神经网络(ANN)等。但因机器学习算法存在事件特征的选择提取需要根据工作经验进行人工的提取,可能会导致一些基本信息的丢失和遗漏、只能对少量事件数据进行识别、工序复杂费事费力、在不同应用背景下算法的泛化性能非常差等多种缺点。随着深度学习的引入,业界学者们将深度学习算法与分布式光纤振动传感器进行结合,并取得相比较于机器学习算法更好的效果。当前使用的深度学习算法主要有卷积神经网络(CNN)算法、长短时记忆网络算法(LSTM)以及学者们自定义简单的卷积神经网络算法等。在分布式光纤振动传感器与深度学习算法结合中也存在着:算法结构复杂、算法整体权重大、随着网络深度的加深,容易出现梯度弥散和性能退化的问题、无法进行嵌入式和移动端的使用等多种问题。
为此,本申请设计了一种基于MobileNet的分布式光纤传感器模式识别的方法,以解决上述问题。
发明内容
本发明为了弥补现有技术中的不足,提供了一种基于MobileNet的分布式光纤传感器模式识别的方法,将轻量化、识别效果好、识别速度快、可进行嵌入式开发的算法引入到分布式光纤振动传感器领域中。
一种分布式光纤振动传感器模式识别的方法,其特征在于,包括以下步骤:
S1,分布式光纤振动传感器系统准备;
S2,数据采集,构建不同类型事件数据集;
S3,信号数据降噪处理;
S4,将信号数据转换到对应事件的时域图和时频域图;
S5,构建基于MobileNet的深度学习网络;
S6,进行识别分类,利用最优模型对待测事件的时域图或时频域图进行识别和分类。
进一步地,为了更好的实现本发明,所述S1具体为,
S11,在分布式光纤振动传感器技术方案中,选择基于光时域反射计方案;
S12,准备分布式光纤振动传感系统中的窄线宽激光器、声光调制器、第一掺饵放大器、单模光纤、第二掺饵放大器、光电探测器、双通道高速数据数据采集卡、个人存储电脑;
S13,将分布式光纤振动传感系统进行搭建,为多种场景和事件下数据集采集做准备。
进一步地,为了更好的实现本发明,所述S2具体为,
S21,选择特定场景,将分布式光纤振动传感系统布置在场景中并通过场景中的事件进行一定频率下的数据采集;
S22,在数据采集时,记录事件作用于分布式光纤振动传感器通道情况;
S23,将上一步记录事件的通道数据进行保存和备份。
进一步地,为了更好的实现本发明,所述S3具体为,
S31,将采集到的不同事件数据通过滤波器进行滤波操作;
S32,将上一步的事件数据通过小波去噪法进行降噪处理;通过设置特定的小波基函数,用其对信号进行小波变换,将信号分解到多个尺度上,根据尺度上噪声和信号取值的不同,剔除或修正部分尺度分量重构信号;可使用分解后得到的小波系数对噪声进行判定,噪声信号的小波系数通常较小,可以通过设定阈值的方法去除噪声,当小波系数小于阈值时,判定为噪声信号,反之,则判定为有效信号。
进一步地,为了更好的实现本发明,所述S4具体为,
S41,将S3中的不同事件数据,依据采样频率和时间,批量将数据转换成多种事件下的时域图;时域图主要为信号强度信息随时间的变化情况,时域信号中的特征是直观、显著的,通过统计一定时间内信号在时域上所呈现出来的某种规律性变化可以区分入侵事件。
S42,将S3中的不同事件数据,依据采样频率和时间,通过短时傅里叶变换将数据批量转换成事件下对应的时频域图。时频域图不仅包含某一时间内的频谱特性,也包括每个频段时间的变化情况。
进一步地,为了更好的实现本发明,根据权利要求1所述的分布式光纤振动传感器模式识别的方法,其特征在于:
所述S5具体为,
S51,将S4中的数据按照事件将时域图进行打标签,并按照8:2的比例划分为训练集和检验集;
S52,将S4中的数据按照事件将时频域图进行打标签,并按照8:2的比例划分为训练集和检验集;
S53,基于事件时域数据集和时频域数据集,构建MobileNet深度学习图像分类模型,并设置MobileNet网络模型参数;
S54,训练S53所得到的MobileNet网络模型;
S55,对训练后的MobileNet网络模型进行网络优化调优,若找到最优参数则保存最好结果的模型作为最终事件识别的模型,否则跳转至S54再进行网络模型的训练。
进一步地,为了更好的实现本发明,所述S53中的网络模型,具体为:输入层→3×3卷积层→Bneck层→Bneck层→1×1卷积层→平均池化层→全连接层→输出层,其中Bneck层中具体包括为1×1卷积层、3×3深度可分离卷积、平均池化层、全连接层、全连接层;
所述S53具体包括以下步骤,
S531,初始化MobileNet网络模型模型参数;
S532,将事件图像先进行3×3卷积层提取特征操作,还包括Batch_norm层、H-swish激活函数层,Batch_norm层不仅能够在深度学习网络训练中梯度消息问题而且也能够加快模型的训练速度,H-swish激活函数为非线性激活函数,具体对应的公式为:
S533,经过Bneck层,其中Bneck层中包括一个倒残差结构1×1卷积层进行将将数据进行升维和扩充,再经过3×3可分离卷积进行卷积操作,再经过轻量级注意力层,最后1×1卷积进行降低维度;在使用深度可分离卷积操作后,理论上普通卷积计算量是深度可分类卷积的8~9倍。轻量级注意力层对应的为先进行平均池化操作,再连接全连接层和Relu激活函数后,再进行全连接层和H-Sigmoid激活函数,其中H-Sigmoid激活函数对应的公式为:
S534,再次经过一个Bneck层,其中Bneck中的结构和S533中的结构是一样的结构;
S535,经过和S532一样的3×3卷积层,进行特征提取;
S536,经过平均池化层,提取特征进一步减少算法模型的计算量;
S537,经过全连接层,起到一个分类器的作用,对前层的特征进行加权求和:
S538,得到最后的输出层。
进一步地,为了更好的实现本发明,所述S6具体为,在S5中通过对MobileNet网络模型进行网络优化调优,找到最优参数后,将数据集中的测试集进行测试,并得到最后模型的识别效果。
本发明的有益效果是:
本发明通过基于MobileNet的深度学习算法,能够在保证算法识别效果的同时,大大降低了算法的权重和计算时间,且能够进行嵌入式端和移动端的开发和应用等。在MobileNet中引入深度可分离卷积,相比较于普通卷积降低8~9倍参数;在MobileNet中使用倒残差结构又大大降低了计算时间和算法权重;在MobileNet中使用轻量级注意力层能够更好的提升算法的性能;在MobileNet中使用跳跃连接能够解决算法模型中深度加深引起的梯度爆炸或梯度消失以及网络退化等问题。
本发明预处理简单,对数据没有进行大量的预处理操作,保证了数据的真实性和有效性防止大量数据丢失。在本发明中,只进行了小波降噪和通过快速傅里叶变换将时域数据转换到时频域数据进行识别。
本发明首次将MobileNet算法应用于分布式光纤振动传感器信号识别领域,相比较于其他的深度学习算法,MobileNet算法结构简单、算法权重小、识别速度快的同时也保证了相应的识别效果,能够进行实时在线处理等多种优势。MobileNet算法主要为嵌入式、移动设备设计,更加符合分布式光纤振动传感器事件识别场景。
本发明在数据集中,准备时域数据集和时频域数据集,通过两种数据集进行网络模型的训练和效果的对比。
附图说明
图1为本发明的流程图;
图2为本发明的信号识别算法流程图;
图3为本发明的分布式光纤振动传感系统结构及工作原理图;
图4为本发明的数据集划分情况图;
图5为事件数据对应的时域图;
图6为事件数据对应的时频域图。
图中,
1、分布式光纤传感信号采集,2、将信号进行事件分割和提取,3、标签分类,4、小波去噪,5、转换成时域图,6、短时傅里叶变换,7、转换成时频域图,8、数据进行训练及测试,9、输入层,10、3×3卷积层,11、Bneck层,12、平均池化层,13、全连接层,14、输出层,15、1×1卷积层,16、3×3深度可分离卷积层,17、轻量级注意力层,18、全连接层(Relu),19、全连接层(H-sig),20、识别分类。
具体实施方
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中”、“上”、“下”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。可以是机械连接,也可以是电性连接。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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图1-图6为本发明的一种具体实施例,以边界安防中入侵检测应用为例,该实施例为一种基于MobileNet的分布式光纤振动传感器模式识别的方法,整个实例如图1所示,信号处理流程如图2所示。主要分为六个步骤:
步骤1:分布式光纤振动传感系统准备。本实例中使用的为基于相位解调的相敏光时域反射(Φ-OTDR)技术的分布式光纤振动传感系统,系统使用到的设备主要有:窄线宽激光器、声光调制器、第一掺饵放大器、单模光纤、第二掺饵放大器、光电探测器、双通道高速数据数据采集卡、个人存储电脑等。系统的机构及其工作原理如图3所示。采用超窄线宽激光器(NLL)作为激光光源,激光器发出的连续光经过声光调制器(AOM)调制转换成探测脉冲,为了减少探测脉冲在传输过程的损耗,将脉冲光经过低噪声、宽工作频带的掺饵放大器(EDFA)对脉冲光进行方大,放大后的脉冲光注入到单模传感光纤(Sensing Fiber)中,传感光纤因事件或其他因素会产生背向瑞利散射光经过第二个掺饵放大器(EDFA)将光放大,由于输入光之间的高相干性,背向瑞利散射光会相互干扰,通过光电探测器(PD)进行光电转换后,形成瑞利后向散射轨迹,用来揭示沿传感光纤的光学相位的变换,当不同的事件作用于光纤时会产生不同的光学相位变换,最后通过数据采集卡(DAQ)将光学相位的变化进行记录和存储到个人电脑(PC)中。Φ-OTDR分布式光纤传感器的传感原理主要是通过检测振动引起的光纤中后向瑞利散射信号的相干干涉光强来实现扰动定位的目的。Φ-OTDR技术利用超窄线宽激光光源来形成脉冲宽度范围内后向瑞利散射光波的干涉。当振动作用在传感光纤上时引起光纤内部折射率的变化,导致从扰动位置开始沿着光纤向后传输的光波的相位受到调制。此时,探测器接收到的后向散射光强会发生变化,通过比较扰动发生与扰动未发生条件下光强的变化可以检测出扰动发生的位置。Φ-OTDR分布式光纤传感器检测的是振动引起的干涉光的相位变化导致的光强变化,其灵敏度远高于普通OTDR。
步骤2:现场数据集采集。现场通过设置车轮、脚步、空白、攀爬、敲击、降雨六种事件,其中脚步、攀爬、敲击的频率为1秒/次。在分布式光纤振动传感系统中数据采集频率为3KHz,单模光纤长度为500m,每种事件采集时间为5min。
步骤3:信号数据进行降噪预处理。将采集到的数据按照事件类型进行分好类后,通过小波去噪法对数据进行降噪。
步骤4:将步骤3中的数据,先依据采集数据时的采样频率,将数据转换成一秒内的时域图。六种事件对应的时域图,如图5所示。按照同样的方法,将步骤3中的数据通过快速傅里叶变换(SFFT)将数据转换成不同事件对应的时频域图,具体事件时频域图如6所示。
步骤5:通过按照图2中的MobileNet算法结构将算法进行构建,并将采集到的时域图数据集和时频域图数据集,按照训练集和检验集8:2的比例进行划分,数据集划分具体如图4所示。通过将MobileNet算法网络进行训练,通过训练迭代调整使网络性能达到最优。
步骤6:事件识别和分类:将步骤5中的测试集输入到训练好的MobileNet算法中,得到最终的事件识别结果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种分布式光纤振动传感器模式识别的方法,其特征在于,包括以下步骤:
S1,分布式光纤振动传感器系统准备;
S2,数据采集,构建不同类型事件数据集;
S3,信号数据降噪处理;
S4,将信号数据转换到对应事件的时域图和时频域图;
S5,构建基于MobileNet的深度学习网络;
S6,进行识别分类,利用最优模型对待测事件的时域图或时频域图进行识别和分类。
2.根据权利要求1所述的分布式光纤振动传感器模式识别的方法,其特征在于:
所述S1具体为,
S11,在分布式光纤振动传感器技术方案中,选择基于光时域反射计方案;
S12,准备分布式光纤振动传感系统中的窄线宽激光器、声光调制器、第一掺饵放大器、单模光纤、第二掺饵放大器、光电探测器、双通道高速数据数据采集卡、个人存储电脑;
S13,将分布式光纤振动传感系统进行搭建,为多种场景和事件下数据集采集做准备。
3.根据权利要求1所述的分布式光纤振动传感器模式识别的方法,其特征在于:
所述S2具体为,
S21,选择特定场景,将分布式光纤振动传感系统布置在场景中并通过场景中的事件进行一定频率下的数据采集;
S22,在数据采集时,记录事件作用于分布式光纤振动传感器通道情况;
S23,将上一步记录事件的通道数据进行保存和备份。
4.根据权利要求1所述的分布式光纤振动传感器模式识别的方法,其特征在于:
所述S3具体为,
S31,将采集到的不同事件数据通过滤波器进行滤波操作;
S32,将上一步的事件数据通过小波去噪法进行降噪处理;通过设置特定的小波基函数,用其对信号进行小波变换,将信号分解到多个尺度上,根据尺度上噪声和信号取值的不同,剔除或修正部分尺度分量重构信号;可使用分解后得到的小波系数对噪声进行判定,噪声信号的小波系数通常较小,可以通过设定阈值的方法去除噪声,当小波系数小于阈值时,判定为噪声信号,反之,则判定为有效信号。
5.根据权利要求1所述的分布式光纤振动传感器模式识别的方法,其特征在于:
所述S4具体为,
S41,将S3中的不同事件数据,依据采样频率和时间,批量将数据转换成多种事件下的时域图;
S42,将S3中的不同事件数据,依据采样频率和时间,通过短时傅里叶变换将数据批量转换成事件下对应的时频域图。
6.根据权利要求1所述的分布式光纤振动传感器模式识别的方法,其特征在于:
所述S5具体为,
S51,将S4中的数据按照事件将时域图进行打标签,并按照8:2的比例划分为训练集和检验集;
S52,将S4中的数据按照事件将时频域图进行打标签,并按照8:2的比例划分为训练集和检验集;
S53,基于事件时域数据集和时频域数据集,构建MobileNet深度学习图像分类模型,并设置MobileNet网络模型参数;
S54,训练S53所得到的MobileNet网络模型;
S55,对训练后的MobileNet网络模型进行网络优化调优,若找到最优参数则保存最好结果的模型作为最终事件识别的模型,否则跳转至S54再进行网络模型的训练。
7.根据权利要求6所述的分布式光纤振动传感器模式识别的方法,其特征在于:
所述S53中的网络模型,具体为:输入层→3×3卷积层→Bneck层→Bneck层→1×1卷积层→平均池化层→全连接层→输出层,其中Bneck层中具体包括为1×1卷积层、3×3深度可分离卷积、平均池化层、全连接层、全连接层;
所述S53具体包括以下步骤,
S531,初始化MobileNet网络模型模型参数;
S532,将事件图像先进行3×3卷积层提取特征操作,还包括Batch_norm层、H-swish激活函数层,Batch_norm层不仅能够在深度学习网络训练中梯度消息问题而且也能够加快模型的训练速度,H-swish激活函数为非线性激活函数,具体对应的公式为:
S533,经过Bneck层,其中Bneck层中包括一个倒残差结构1×1卷积层进行将将数据进行升维和扩充,再经过3×3可分离卷积进行卷积操作,再经过轻量级注意力层,最后1×1卷积进行降低维度;轻量级注意力层对应的为先进行平均池化操作,再连接全连接层和Relu激活函数后,再进行全连接层和H-Sigmoid激活函数,其中H-Sigmoid激活函数对应的公式为:
S534,再次经过一个Bneck层,其中Bneck中的结构和S533中的结构是一样的结构;
S535,经过和S532一样的3×3卷积层,进行特征提取;
S536,经过平均池化层,提取特征进一步减少算法模型的计算量;
S537,经过全连接层,起到一个分类器的作用,对前层的特征进行加权求和;
S538,得到最后的输出层。
8.根据权利要求1所述的分布式光纤振动传感器模式识别的方法,其特征在于:
所述S6具体为,在S5中通过对MobileNet网络模型进行网络优化调优,找到最优参数后,将数据集中的测试集进行测试,并得到最后模型的识别效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111549157.6A CN114199362B (zh) | 2021-12-17 | 2021-12-17 | 一种分布式光纤振动传感器模式识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111549157.6A CN114199362B (zh) | 2021-12-17 | 2021-12-17 | 一种分布式光纤振动传感器模式识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114199362A true CN114199362A (zh) | 2022-03-18 |
CN114199362B CN114199362B (zh) | 2024-01-05 |
Family
ID=80654874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111549157.6A Active CN114199362B (zh) | 2021-12-17 | 2021-12-17 | 一种分布式光纤振动传感器模式识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114199362B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114739503A (zh) * | 2022-04-12 | 2022-07-12 | 上海大学 | 一种带式输送机托辊故障的分布式光纤监测系统及方法 |
CN116186642A (zh) * | 2023-04-27 | 2023-05-30 | 山东汇英信息科技有限公司 | 一种基于多维特征融合的分布式光纤传感事件预警方法 |
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 |
CN116863251A (zh) * | 2023-09-01 | 2023-10-10 | 湖北工业大学 | 一种分布式光纤传感扰动识别方法 |
CN117390413A (zh) * | 2023-10-19 | 2024-01-12 | 东北电力大学 | 分布式电力光纤振动信号降噪与时序特征提取的识别方法 |
CN117949687A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院激光研究所 | 基于分布式光纤传感和深度学习的风速测量方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242021A (zh) * | 2020-01-10 | 2020-06-05 | 电子科技大学 | 一种分布式光纤振动信号特征提取与识别方法 |
AU2020101729A4 (en) * | 2020-08-08 | 2020-09-17 | Babuprasad, Shweta MS | Continuous labelling assessment of products to improve efficiency of reverse logistics by deep learning model |
CN112396012A (zh) * | 2020-11-25 | 2021-02-23 | 江苏新安电器股份有限公司 | 一种基于MobileNetV3网络模型的红外人体行为识别方法 |
CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
CN113191335A (zh) * | 2021-05-31 | 2021-07-30 | 景德镇陶瓷大学 | 基于深度学习的日用陶瓷类型识别方法 |
-
2021
- 2021-12-17 CN CN202111549157.6A patent/CN114199362B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242021A (zh) * | 2020-01-10 | 2020-06-05 | 电子科技大学 | 一种分布式光纤振动信号特征提取与识别方法 |
AU2020101729A4 (en) * | 2020-08-08 | 2020-09-17 | Babuprasad, Shweta MS | Continuous labelling assessment of products to improve efficiency of reverse logistics by deep learning model |
CN112396012A (zh) * | 2020-11-25 | 2021-02-23 | 江苏新安电器股份有限公司 | 一种基于MobileNetV3网络模型的红外人体行为识别方法 |
CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
CN113191335A (zh) * | 2021-05-31 | 2021-07-30 | 景德镇陶瓷大学 | 基于深度学习的日用陶瓷类型识别方法 |
Non-Patent Citations (1)
Title |
---|
辛雁: "基于深度学习和特征融合的周界入侵检测技术研究" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114739503A (zh) * | 2022-04-12 | 2022-07-12 | 上海大学 | 一种带式输送机托辊故障的分布式光纤监测系统及方法 |
CN116186642A (zh) * | 2023-04-27 | 2023-05-30 | 山东汇英信息科技有限公司 | 一种基于多维特征融合的分布式光纤传感事件预警方法 |
CN116186642B (zh) * | 2023-04-27 | 2023-09-08 | 山东汇英光电科技有限公司 | 一种基于多维特征融合的分布式光纤传感事件预警方法 |
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 |
CN116863251A (zh) * | 2023-09-01 | 2023-10-10 | 湖北工业大学 | 一种分布式光纤传感扰动识别方法 |
CN116863251B (zh) * | 2023-09-01 | 2023-11-17 | 湖北工业大学 | 一种分布式光纤传感扰动识别方法 |
CN117390413A (zh) * | 2023-10-19 | 2024-01-12 | 东北电力大学 | 分布式电力光纤振动信号降噪与时序特征提取的识别方法 |
CN117949687A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院激光研究所 | 基于分布式光纤传感和深度学习的风速测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114199362B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114199362A (zh) | 一种分布式光纤振动传感器模式识别的方法 | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测系统 | |
Shao et al. | Data-driven distributed optical vibration sensors: a review | |
CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
Wu et al. | Feature extraction and identification in distributed optical-fiber vibration sensing system for oil pipeline safety monitoring | |
CN113049084B (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
Meng et al. | Research on recognition method of railway perimeter intrusions based on Φ-OTDR optical fiber sensing technology | |
CN111649817A (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
CN103226028B (zh) | 一种相敏光时域反射仪扰动信号检测与识别方法 | |
CN103617684A (zh) | 干涉型光纤周界振动入侵识别算法 | |
RU2757338C2 (ru) | Система и способ оптико-акустического контроля | |
CN111104891B (zh) | 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法 | |
CN114510960A (zh) | 一种分布式光纤传感器系统模式识别的方法 | |
CN111537056A (zh) | 基于svm与时频域特征的管道沿线第三方施工动态预警方法 | |
CN112985574B (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
Jia et al. | Event Identification by F-ELM Model for $\varphi $-OTDR Fiber-Optic Distributed Disturbance Sensor | |
Tabi Fouda et al. | Research and Software Design of an Φ‐OTDR‐Based Optical Fiber Vibration Recognition Algorithm | |
CN107169334B (zh) | 用于手部可穿戴设备的基于直拳动作检测的用户认证方法 | |
CN111539393B (zh) | 基于emd分解与lstm的油气管道第三方施工预警方法 | |
He et al. | A dual-stage-recognition network for distributed optical fiber sensing perimeter security system | |
Wang et al. | Cyclic correlation density decomposition based on a sparse and low-rank model for weak fault feature extraction of rolling bearings | |
CN113191321B (zh) | 基于生成对抗网络的光纤分布式地震波信号降噪方法 | |
CN112611444B (zh) | 一种可精确定位的分布式光纤振动监测系统及方法 | |
CN112464777B (zh) | 一种光纤振动源垂直距离智能估算方法 | |
Liang et al. | 2D-SenseNet: a simultaneous demodulation and denoising network for DAS |
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 |