CN114692700A - 一种基于海缆的海洋环境感知检测方法、装置及系统 - Google Patents

Abstract

本申请提供一种基于海缆的海洋环境感知检测方法、装置及系统，方法包括：接收针对海缆的第一报警数据和第二报警数据进行初步预警；然后将海缆感知的扰动（动态）、应变（静态）信号通过全方位特征提取、融合、最优分类器设计实现感知事件的识别和分类，确认事件是人为锚害故障、自然灾害、生物作用还是误报；当确认是人为锚害故障时，结合AIS报警信息自动确认引起人为锚害故障的船舶身份信息，并向该船舶发送用于指示该抛锚船舶驶离的提示信息。本申请提高了海洋环境感知检测及报警的准确率、智能性和效率。

Description

一种基于海缆的海洋环境感知检测方法、装置及系统

技术领域

本申请涉及海底光缆技术，尤其涉及一种基于海缆的海洋环境感知检测方法、装置及系统。

背景技术

伴随着光纤通信技术的迅速发展，海缆因为本身不带电，体积小，质量轻，易弯曲、耐腐蚀、抗电磁干扰和防水性能好等特点，可以作为各陆地之间，以及，沿岸地区之间的通信媒介。海缆还可以以光波为载体，光纤为媒质，感知和传输海洋环境的温度、应变、扰动等信号。若海缆发生故障（或者说是损坏），则可能导致无法正常通信。因此，对海缆进行故障检测，保障海缆的安全运行，是极为重要的。

现有的海洋环境感知检测方法主要有基于声呐检测技术的海洋环境感知检测方法、通过水下机器人、无人艇对海缆进行故障检测的方法等。

其中，基于声呐检测技术的海洋环境感知检测方法主要是，通过执行出海任务，将超声波设备投放到海缆附件，以实现对海缆及海缆周围环境进行成像。根据超声波设备成像结果，实现探测海底光缆在海床的裸露段，测量掩埋深度，检测海缆在海床状态等。通过水下机器人、无人艇对海缆进行故障检测的方法主要是，通过执行出海任务，将水下机器人，或者，搭载了声呐、水下雷达等多种探测设备的无人艇，投放到海缆附件，以实现对海缆进行巡检，得到海缆的运行状态信息。

然而，在使用现有的海洋环境感知检测方法对海缆进行检测时，每次检测均需要进行一次出海任务，导致耗费时间长，效率低，无法进行实时检测且无法实时检测导致海缆故障产生的因素。

发明内容

本申请提供一种基于海缆的海洋环境感知检测方法、装置及系统，用以解决现有的基于多系统联动的集成式海洋环境感知检测系统误警率高，相关子系统硬件损耗大的问题。

第一方面，本申请提供一种海洋环境感知检测方法，所述方法包括：

接收来自海缆扰动信号采集设备针对海缆的第一报警数据，以及，来自海缆应变信号采集设备针对海缆的第二报警数据，其中，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间；

对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果；其中，所述第一报警检测结果包括：所述第一位置和所述第一时间；所述第二报警检测结果包括：所述第二位置和所述第二时间；

若所述初始故障检测结果表征所述海缆存在故障，则获取目标海缆故障检测结果，所述目标海缆故障检测结果用于表征：用于指示所述初始故障检测结果不是真实故障，或者，人为锚害故障导致海缆故障，或者，自然灾害导致海缆故障，或者，生物作用导致海缆故障；

获取所述目标海缆故障检测结果包括：

对所述海缆的扰动信号进行全方位特征提取，得到所述海缆的第一特征向量；所述第一特征向量包括所述扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；

获取所述海缆在历史预设时长内的历史应变信号；

对所述海缆在历史预设时长内的历史应变信号进行特征提取，得到所述海缆的第二特征向量；所述第二特征向量用于表征所述海缆在历史预设时长内的最大应变变化量，以及，所述海缆在历史预设时长内的应变变化超过第二阈值的次数；

对所述第一特征向量，以及，所述第二特征向量进行拼接，得到拼接特征向量；

通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量；

测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型；

将所述海缆的特征融合向量，输入所述海缆感知事件分类模型，得到目标海缆故障检测结果，

若所述目标海缆故障检测结果用于表征人为锚害故障导致海缆故障，则根据船舶自动识别系统AIS报警信息，确定引起所述海缆发生故障的抛锚船舶的标识；

根据所述抛锚船舶的标识，向所述抛锚船舶发送警告提示信息。

可选的，所述时域特征包括下述所有参数：所述扰动信号的冲击强度、所述扰动信号的短时平均能量、所述扰动信号的短时平均幅值；

所述频域特征包括下述所有参数：所述扰动信号的中心频率、所述扰动信号的中心频率强度、所述扰动信号的功率谱密度PSD的幅度均值、所述PSD的形状均值、所述PSD的幅度标准差、所述PSD的形状标准差、所述PSD的幅度偏度、所述PSD的状偏度、所述PSD的幅度峰度、所述PSD的形状峰度；

所述变换域特征包括下述所有参数：N维小波包能量谱、所述扰动信号的小波包信息熵、所述扰动信号的M维的梅尔频率倒谱系数MFCC；所述N为大于或等于1的整数，所述M为大于或等于1的整数，

所述AR模型参数特征包括下述参数：Q阶AR模型参数，所述Q为大于或等于1的整数。

可选的，所述通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量，包括：

针对任一事件类型，根据该事件类型的多个样本拼接特征向量，得到该事件类型对应的样本均值向量；所述事件类型包括4种，分别为海缆无故障、人为锚害故障导致海缆故障、自然灾害导致海缆故障，以及，生物作用导致海缆故障；针对任一所述样本拼接特征向量，该样本拼接特征向量是由样本海缆的第一样本特征向量和样本海缆的第二样本特征向量拼接得到；所述样本海缆的第一样本特征向量包括所述样本海缆的扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；所述样本海缆的第二样本特征向量用于表征样本海缆在历史预设时长内的最大应变变化量，以及，样本海缆在历史预设时长内的应变变化超过第二阈值的次数；

根据各所述事件类型对应的样本均值向量，以及，所述拼接特征向量，得到类间散度矩阵，以及，类内散度矩阵；

根据所述预设目标函数，以及，所述类间散度矩阵和所述类内散度矩阵，确定映射矩阵；所述映射矩阵的行数等于所述拼接特征向量的维度，所述映射矩阵的列数为预设列数；所述映射矩阵的列数小于所述映射矩阵的行数；

采用所述映射矩阵，将所述拼接特征向量映射到新的特征子空间，得到所述海缆的特征融合向量；所述海缆的特征融合向量的维度等于所述映射矩阵的列数。

可选的，所述测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型，包括：

获取训练数据集，所述训练数据集包括至少一组训练数据，每组训练数据包括：发生故障的样本海缆的样本特征融合向量，以及，所述故障对应的事件类型；针对任一事件类型，该事件类型对应的所述样本海缆的样本特征融合向量是通过所述LDA算法，对该事件类型对应的所述样本拼接特征向量进行融合降维得到的；

使用所述训练数据集同时对四个初始模型进行并行训练，得到四个候选分类器；所述四个初始模型分别为：支持向量机SVM模型、决策树模型、随机森林RF分类模型，以及，极值梯度提升XGBoost模型；

获取各候选分类器的分类准确率；

将所述分类准确率最高的候选分类器作为所述海缆感知事件分类模型。

可选的，所述确定引起所述海缆发生故障的抛锚船舶的标识，包括：

获取船舶自动识别系统AIS在目标时间段内采集的船舶的第三报警数据；所述第三报警数据包括：所述船舶发生故障报警时的全球定位系统GPS定位位置，以及，所述船舶的标识；所述目标时间段包括所述第一时间和所述第二时间；

根据所述船舶发生故障报警时的GPS定位位置，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域；

若所述第一位置所属的区域与所述第三位置所属的区域相同，则确定所述船舶为引起所述海缆发生故障的抛锚船舶；

获取引起所述海缆发生故障的抛锚船舶的标识。

可选的，所述根据所述船舶发生故障报警时的GPS定位位置，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域，包括：

获取GPS定位位置，与，海缆上位置区域的映射关系；

根据所述船舶发生故障报警时的GPS定位位置，以及，所述GPS定位位置，与，海缆上位置区域的映射关系，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域。

可选的，所述确定引起所述海缆发生故障的抛锚船舶的标识之后，还包括：

控制覆盖所述抛锚船舶所在位置的图像采集装置，采集所述抛锚船舶的图像。

输出所述抛锚船舶的信息，所述抛锚船舶的信息包括下述至少一项：所述抛锚船舶的标识、所述抛锚船舶的图像。

可选的，所述对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果，包括：

通过相与决策级融合方式，或者，相或决策级融合方式，对所述第一报警检测结果，以及，所述第二报警检测结果进行决策级融合，得到初始故障检测结果；

其中，所述相与决策级融合方式为：在所述第一位置所属的区域与所述第二位置所属的区域相同，且所述第一时间与所述第二时间之间的时间差小于第一阈值时，确定所述初始故障检测结果表征所述海缆存在故障；在所述第一位置所属的区域与所述第二位置所属的区域不同，和/或，所述第一时间与所述第二时间之间的时间差大于或等于第一阈值时，确定所述初始故障检测结果表征所述海缆不存在故障；

所述相或决策级融合方式为：在所述第一位置所属的区域与所述第二位置所属的区域相同，和/或，所述第一时间与所述第二时间之间的时间差小于第一阈值时，确定所述初始故障检测结果表征所述海缆存在故障；在所述第一位置所属的区域与所述第二位置所属的区域不同，且所述第一时间与所述第二时间之间的时间差大于或等于第一阈值时，确定所述初始故障检测结果表征所述海缆不存在故障。

第二方面，本申请提供一种海洋环境感知检测装置，所述装置包括：

接收模块，用于接收来自海缆扰动信号采集设备针对海缆的第一报警数据，以及，来自海缆应变信号采集设备针对海缆的第二报警数据，其中，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间；

处理模块，用于对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果；在所述初始故障检测结果表征所述海缆存在故障时，获取目标海缆故障检测结果。其中，所述第一报警检测结果包括：所述第一位置和所述第一时间；所述第二报警检测结果包括：所述第二位置和所述第二时间；所述目标海缆故障检测结果用于表征：用于指示所述初始故障检测结果不是真实故障，或者，人为锚害故障导致海缆故障，或者，自然灾害导致海缆故障，或者，生物作用导致海缆故障；

所述获取目标海缆故障检测结果，包括：

对所述海缆的扰动信号进行全方位特征提取，得到所述海缆的第一特征向量；获取所述海缆在历史预设时长内的历史应变信号；对所述海缆在历史预设时长内的历史应变信号进行特征提取，得到所述海缆的第二特征向量；对所述第一特征向量，以及，所述第二特征向量进行拼接，得到拼接特征向量；通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量；测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型；将所述海缆的特征融合向量，输入所述海缆感知事件分类模型，得到目标海缆故障检测结果，在所述目标海缆故障检测结果用于表征人为锚害故障导致海缆故障时，根据船舶自动识别系统AIS报警信息，确定引起所述海缆发生故障的抛锚船舶的标识；其中，所述初始故障检测结果与所述海缆是否存在故障相关；所述第一特征向量包括所述扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；所述第二特征向量用于表征所述海缆在历史预设时长内的最大应变变化量，以及，所述海缆在历史预设时长内的应变变化超过第二阈值的次数；

发送模块，用于根据所述抛锚船舶的标识，向所述抛锚船舶发送警告提示信息。

第三方面，本申请提供一种海洋环境感知检测系统，所述系统包括：海上传感子系统和陆上监控子系统；所述海上传感子系统包括：海缆、图像采集装置，以及，船舶自动识别系统AIS船载设备；所述陆上监控子系统包括：AIS基站、海缆扰动信号采集设备、海缆应变信号采集设备、图像处理设备，以及，服务器；

所述AIS船载设备与所述AIS基站相连；所述海缆与所述海缆扰动信号采集设备，以及，所述海缆应变信号采集设备相连；所述图像采集装置与所述图像处理设备相连；所述AIS基站、所述海缆扰动信号采集设备、所述海缆应变信号采集设备，以及，所述图像处理设备均与所述服务器相连；

所述AIS基站，用于接收所述AIS船载设备采集的船舶的航行数据，以及，将所述船舶的航行数据发送至所述服务器；

所述海缆扰动信号采集设备，用于接收所述海缆的扰动信号，以及，将第一报警数据发送至所述服务器，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；

所述海缆应变信号采集设备，用于接收所述海缆的光纤中的应变信号，以及，将第二报警数据发送至所述服务器，所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间；

所述图像处理设备，用于接收所述图像采集装置采集的图像，以及，将所述图像发送至所述服务器；

所述服务器用于执行如第一方面任一项所述的方法。

本申请提供的基于海缆的海洋环境感知检测方法、装置及系统，具有以下技术有益性：

1）通过静态应变监测(BOTDA)和动态扰动监测（Φ-OTDR）信号的特征融合，实现海缆突发故障事件的全方位特征信息提取，便于自动分类器对该故障事件进行准确判断识别；融合特征加最优分类器相结合的技术方案，使得集成报警系统联动报警的准确率更高，被联动的子系统硬软件损耗大幅降低（如音、视频等子系统的报警启动次数及AIS联动的船只身份识别等检索工作）。

2）通过动态扰动监测（Φ-OTDR）信号的全方位特征同步提取，包括时间域、频率域、时频域及模型参数特征等，提高子系统及集成系统报警的准确度；

3）通过主成分分析（Principal Component Analysis，PCA）算法，或者，线性判别式分析（Linear Discriminant Analysis，LDA）算法对静态应变监测(BOTDA)和动态扰动监测（Φ-OTDR）信号进行特征融合降维，可以降低融合特征的冗余度及维度，使得后面分类器的识别性能提高，同时计算效率提升。

4）基于多种分类器对比选择最优分类器，对多种分类器进行反复迭代选取最优效率与准确度，在已有融合特征基础上进一步提升分类性能。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请提供的一种海洋环境感知检测系统的架构示意图；

图2为本申请提供一种海洋环境感知检测方法的应用场景示意图；

图3为一种报警日志数据表的示意图；

图4为本申请提供的一种基于海缆的海洋环境感知检测方法的流程示意图；

图5为本申请提供一种获取海缆感知事件分类模型方法的流程示意图；

图6为本申请提供的一种海缆感知事件分类方法的流程示意图；

图7为本申请提供的一种海洋环境感知检测装置的结构示意图；

图8为本申请提供的一种电子设备结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

考虑到现有的海洋环境感知检测方法存在效率低和无法实时进行检测的问题的原因是每次对海缆进行故障检测，均需要执行出海任务，因此，本申请提供了一种不需执行出海任务对海缆进行故障检测的方法。通过上述方法，可以实时对海缆进行检测，且提高了检测效率。

示例性的，图1为本申请提供的一种海洋环境感知检测系统的架构示意图。如图1所示，该海洋环境感知检测系统可以包括：海上传感子系统，以及，陆上监控子系统。其中，陆上监控子系统例如可以包括船舶自动识别系统（Automatic Identification System，AIS）基站、海缆扰动信号采集设备、海缆应变信号采集设备，以及，服务器。海上传感子系统例如可以包括海缆、摄像头、AIS船载设备。

上述AIS船载设备可以与AIS基站相连。海缆可以与海缆扰动信号采集设备，以及，海缆应变信号采集设备相连。上述AIS基站、海缆扰动信号采集设备，以及，海缆应变信号采集设备均可以与服务器相连。

其中，上述海缆应变信号采集设备例如可以为基于布里渊光时域分析（Brillouinoptical time domain analysis，BOTDA）技术的BOTDA设备等任意一种能够采集海缆应变信号的设备。上述海缆扰动信号采集设备例如可以为基于相敏光时域反射（Φ-Opticaltime domain reflectance，Φ-OTDR）技术的Φ-OTDR设备（即图1中所示的PhiOTDR设备）等任意一种能够采集海缆扰动信号的设备。

示例性的，上述BOTDA设备、Φ-OTDR设备、AIS基站等可以通过本地局域网与服务器相连。BOTDA设备和Φ-OTDR设备，与，海缆中的传感光纤相连，从而测得海底光缆的温度、应变、扰动等信息。摄像头可以通过网线和视频监控设备相连。AIS船载设备可以通过VHF无线信号与AIS基站进行实时通信。远程终端可以通过互联网访问服务器网页或者控制服务器进行相关操作等。

AIS基站和AIS船载设备可以配合全球定位系统（Global Positioning System，GPS）将船位、船速、改变航向率及航向等船舶动态结合船名、呼号、吃水及危险货物等船舶静态资料由甚高频（Very high frequency，VHF）技术向附近水域船舶及岸台广播，以使邻近船舶及岸台能及时掌握附近海面所有船舶的动态和静态资讯，从而能够使得不同用户可以互相通话协调，并采取必要避让行动，有效保障船舶航行安全。AIS基站可以用于接收AIS船载设备采集的船舶的航行数据，以及，将船舶的航行数据发送至服务器。

海缆应变信号采集设备可以用于接收海缆的光纤中的应变信号，以及，将第二报警数据发送至服务器。该第二报警数据可以包括：根据海缆的光纤中的应变信号检测到海缆发生故障报警的第二位置、检测到第二位置的第二时间。以海缆应变信号采集设备为BOTDA设备为例，该BOTDA设备的具体传感工作流程如下：分别从海缆的两端注入短脉冲光和连续探测光，通过测量光纤中受激布里渊散射光的频率变化，获得光纤轴向各点的温度和应变信息。BOTDA设备具有超长传感距离、高空间分辨率和高精度等优势。因此，BOTDA设备非常适合长距离海底光缆的温度、应变实时监测。可选的，该BOTDA设备可以用于测量海缆的实时温度与应变信号，还可以实时计算海缆的动态载流量。

海缆扰动信号采集设备，可以用于接收海缆的扰动信号，以及，将第一报警数据至服务器。其中，该第一报警数据可以包括：根据海缆的扰动信号检测到海缆发生故障报警的第一位置、检测到第一位置的第一时间、以及，上述扰动信号。以海缆扰动信号采集设备为Φ-OTDR设备为例，该Φ-OTDR设备的传感工作流程如下：向传感光纤中不断注入激光脉冲，而激光脉冲在光纤中传播时，会产生瑞利背向散射光。当外界扰动作用于传感光纤时，瑞利背向散射光的相位会随之变化，通过解调出相位变化，即可获取整条光缆的扰动情况。通过将海底光缆中的闲置纤芯接入Φ-OTDR设备，可以实现整条海缆的扰动监测。

在一些实施例中，上述海上传感子系统还可以包括图像采集装置，示例性的，该图像采集装置例如可以为摄像头。在一些实施例中，上述陆上监控子系统例如还可以包括图像处理设备，该图像处理设备例如可以为视频监控设备等。

图像采集装置可以与图像处理设备相连。图像处理设备可以用于接收图像采集装置采集的图像，以及，将该图像发送至服务器。以图像处理设备为视频监控设备为例，该视频监控设备可以用于接收对海上特定位置（例如海上风力发电站）的摄像头采集的视频数据，以得到实时海上视频信息。视频监控设备还可以将该视频信息通过网线传输至硬盘录像机进行存储。该硬盘录像机可以通过网线与计算机相连，以将视频信息实时传给计算机。

可选的，上述陆上监控子系统还可以包括短信猫设备，短信猫设备可以通过串行线路与服务器相连。该短信猫设备可以在没有因特网（Internet）网络条件下，将服务器输出的故障信息以短信的形式，通过电话网络发送给该系统的用户。

服务器可以用于完成各类信号处理、网页系统部署和数据存储，以及，通过网页进行远程数据输出，例如，电子海图标识、温度、应变、扰动等监测信号及数据绘图显示、船舶位置与轨迹显示、视频监控显示、故障报警提醒、报警信息统计等。

通过图1所示的系统，可以实现对海缆所处环境海底环境的温度、海缆动态载流量、海缆应变、锚害事件、海底灾害（地震、海啸等）、生物作用等的大范围海洋环境实时远程在线监测，提高了海缆检测的效率。

应理解，本申请对该海洋环境感知检测系统是否还包括其他设备，并不进行限定。示例性的，该系统例如还可以包括地面通信基站等设施。应理解，下述各实施例是以海缆应变信号采集设备为BOTDA设备，海缆扰动信号采集设备为Φ-OTDR设备、图像处理设备为视频监控设备，图像采集装置为摄像头为例进行的示例性说明，本申请对上述海缆应变信号采集设备、海缆扰动信号采集设备、图像处理设备，以及，图像采集装置的类型并不进行限定。

此外，应理解，图1所示的系统结构仅是本申请提供的海洋环境感知检测方法的其中一种应用场景的系统架构。该海洋环境感知检测方法还可以应用于其他检测海缆故障的场景，本申请对此并不进行限定。

基于上述海洋环境感知检测系统，图2为本申请提供一种海洋环境感知检测方法的应用场景示意图。图2中所示的数据平台指的可以是执行前述海缆检测方法的服务器。

该数据平台主要采用C++进行编写，主要可以用于AIS设备、BOTDA设备、Φ-OTDR设备进行直接通信，以及，解析接收到的数据并进行处理、存储等。可选的，存储方式例如可以为本地数据库存储，以及，远程服务器存储等。

图2中所示的前台可以采用超文本预处理器（Hypertext Preprocessor，PHP）、层叠样式表（Cascading Style Sheets，CSS），以及，超文本标记语言5.0（Hyper Text MarkupLanguage 5，HTML5）进行网页编写。该前台例如可以部署在Apache服务器。该前台可以用于与用户交互，并提供用户登录、管理、数据波形显示、报警显示、电子海图显示、视频监控图像显示等功能。用户可以使用终端设备，访问该前台，以获取相应的网页内容。

上述数据平台与前台之间例如可以使用数据库作为数据接口进行前述AIS设备、BOTDA设备、Φ-OTDR设备的数据传输与缓存。可选的，数据平台与前台之间例如还可以使用传输控制协议（Transmission Control Protocol，TCP）流作为控制接口进行协调控制与信息交互。

上述前台可以作为面向用户的接口，采用网页形式进行呈现。前台在接收用户请求之后首先可以响应登录界面。然后，通过与上述数据平台请求响应通过之后跳转到首页。首页可以实时显示电子海图显示界面模块，以及，实时声光报警模块等。

上述AIS设备传输的数据可以是实时显示为信息统计表的样式，显示内容可以根据实际情况进行删减。上述前台还可以显示温度应变监测页面，该页面可以包括BOTDA数据图和实时声光报警信息。BOTDA温度数据可以以线状图形式展现，具体的可以分为实时数据和历史数据。上述前台还可以显示扰动监测页面，该页面可以包括报警统计图、报警日志和实时声光报警信息，报警统计图可以以饼状图进行显示。上述前台还可以显示视频监控页面，该页面可以包括AIS监控图和实时声光报警信息。上述前台还可以显示用户管理界面，该用户管理界面可以包括用户信息表、短信猫推送信息表，以及，实时声光报警。

数据平台可以作为面向设备与数据的接口，可以采用数据平台多线程命令行程序进行实现。主线程启动之后，数据平台首先可以读取配置信息。数据平台可以派生出三个设备数据接收线程。各设备数据接收线程可以使用TCP与各设备进行连接。此外，数据平台还可以派生出数据平台控制线程，等待前台控制模块连接。

其中，对于AIS数据接收线程与BOTDA数据接收线程，在收到AIS设备与BOTDA设备传输的报文之后，数据平台可以根据通信协议解析出数据，并存储到对应的数据库之中，完成后继续等待接收。

对于Φ-OTDR数据接收线程，因为需要对Φ-OTDR数据进行归一化、去噪等预处理操作，数据量大且处理复杂，所以除了对该Φ-OTDR数据进行协议报文解析，对应每条Φ-OTDR数据，该可以单独派生处理线程，对Φ-OTDR数据进行归一化、去噪等预处理操作，并将处理完成之后的数据存储至数据库之后，该单独派生处理线程自动凋亡。

对于数据平台控制线程，该线程通常处于等待连接的阻塞状态。当前台通信模块发送请求时建立连接并激活该数据平台控制线程。为了保证用户信息与数据平台数据库读写的安全性，前台不直接修改设备数据库、且不调取短信模块、以及，不查看和修改用户信息数据库。前台可以通过预设的信息通道，向数据平台发送用户管理请求、用户登录请求、系统警告请求、短信发送请求等，进而使得数据平台可以执行上述请求相应的操作。

当前台进行用户信息的登录认证，以及，用户信息管理时，前台可以通过通信模块与数据平台进行通信。数据平台可以返回前台所需的相应数据。当数据平台产生报警时，前台可以通过控制线程，使得用户可以手动解除报警。数据平台还可以查询用户数据库并向目标用户发送短信。此外，数据平台还可以在接收前台请求时，确认该请求是否为外来入侵，极大提高了对海缆进行检测的安全性。

如图2中所示的报警信息数据库例如可以为MySQL（一种关系型数据库管理系统的名称）数据库。数据平台可以在该数据库中，分别建立BOTDA数据、AIS数据、Φ-OTDR数据对应的报警日志数据表。

在该场景下，通过使用高度集成化的数据平台，实现了将Φ-OTDR设备、BOTDA涉笔、AIS等设备的监测及报警数据进行集中存储、处理和管理。通过前台服务器实现网页端远程访问、监控、数据管理、用户管理等，提高了海缆检测的分布式特性与跨平台性，且提高了海缆检测系统的可维护性与可拓展性。

示例性的，图3为一种报警日志数据表的示意图。如图3所示，该BOTDA报警日志例如可以包括报警标识（Guid）、报警事件类型（表示该报警是应变报警还是温度报警）、报警开始位置、报警结束位置、报警发生时间、应变最大值、应变最小值、报警阈值、报警事件等级等。其中，上述报警标识可以为报警时间的主键（Primary Key，PK）。AIS报警日志可以包括报警时间、船舶识别编号、船舶出现报警时所在的经纬度信息、船舶的当前航速等。Φ-OTDR报警日志可以包括时间、产生报警时的空间点位、报警事件类型（表示仅根据扰动信号确定的初始故障类型）、事件等级。在接收到各设备发送的报警数据之后，数据平台可以将各来自各设备的数据并分别写入该设备对应数据表中，以使前台可以查阅上述数据。

本申请提供的海洋环境感知检测方法的执行主体例如可以为上述服务器，或者，其他具备处理功能的电子设备。下面以本申请提供的海洋环境感知检测方法服务器为例，结合具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图4为本申请提供的一种基于海缆的海洋环境感知检测方法的流程示意图。如图4所示，该方法包括以下步骤：

S101、接收来自海缆扰动信号采集设备针对海缆的第一报警数据，以及，来自海缆应变信号采集设备针对海缆的第二报警数据。

其中，上述第一报警数据包括：根据该海缆的扰动信号检测到海缆发生故障报警的第一位置、检测到第一位置的第一时间、以及，该扰动信号。上述第二报警数据包括：根据该海缆的光纤中的应变信号检测到海缆发生故障报警的第二位置、检测到第二位置的第二时间。

其中，可选的，该海缆上发生故障报警的位置，到Φ-OTDR设备的第一距离，可以用于表示上述第一位置。该海缆上发生故障报警的位置，到BOTDA设备的第二距离，可以用于表示上述第二位置。或者，上述第一位置和第二位置例如还可以为故障报警发生位置的经纬度信息等。

可选的，服务器例如可以接收来自Φ-OTDR设备的第一报警数据，以及，来自BOTDA设备的第二报警数据。或者，服务器例如还可以接收来自用户终端的上述第一报警数据和第二报警数据。

在一些实施例中，服务器例如还可以在接收到来自用户终端的用于指示开始进行海洋环境感知检测的指示之后，开始执行该步骤S101及后续步骤。

S102、对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果。

其中，第一报警检测结果包括：第一位置和第一时间。第二报警检测结果包括：第二位置和第二时间。

初始故障检测结果可以用于表征海缆无故障，或者，用于表征海缆存在故障。若初始故障检测结果表征海缆无故障，则服务器可以不进行任何操作。若初始故障检测结果用于表征海缆存在故障，则服务器可以执行下述步骤S103，以获取目标海缆故障检测结果。

作为一种可能的实现方式，服务器可以通过相与决策级融合方式，或者，相或决策级融合方式，对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果。

其中，相与决策级融合方式可以如下所示：在第一位置所属的区域与第二位置所属的区域相同，且第一时间与第二时间之间的时间差小于第一阈值时，确定初始故障检测结果表征海缆存在故障。在第一位置所属的区域与第二位置所属的区域不同，或者，第一时间与第二时间之间的时间差大于或等于第一阈值，或者，第一位置所属的区域与第二位置所属的区域不同，且第一时间与第二时间之间的时间差大于或等于第一阈值时，确定初始故障检测结果表征海缆不存在故障。

相或决策级融合方式可以如下所示：在第一位置所属的区域与第二位置所属的区域相同，或者，第一时间与第二时间之间的时间差小于第一阈值，或者，第一位置所属的区域与第二位置所属的区域相同，且第一时间与第二时间之间的时间差小于第一阈值时，确定初始故障检测结果表征海缆存在故障。在第一位置所属的区域与第二位置所属的区域不同，且第一时间与第二时间之间的时间差大于或等于第一阈值时，确定初始故障检测结果表征海缆不存在故障。

可选的，服务器例如可以根据第一位置，以及，各区域包括的位置信息，确定第一位置所属的区域；根据第二位置，以及，各区域包括的位置信息，确定第二位置所属的区域。可选的，上述第一阈值例如可以为用户预先存储在该服务器中的。

若第一位置所属的区域与第二位置所属的区域不同，或者，第一时间与第二时间之间的时间差大于或等于上述第一阈值，或者，第一位置所属的区域与第二位置所属的区域不同且第一时间与第二时间之间的时间差大于或等于上述第一阈值，说明第一报警数据，或者，第二报警数据可能为误报，则服务器可以确定该初始故障检测结果为海缆可能无故障。

作为另一种可能的实现方式，以海缆上发生故障报警的位置，到Φ-OTDR设备的第一距离，表示第一位置，且海缆上发生故障报警的位置，到BOTDA设备的第二距离，表示第二位置为例，服务器例如还可以在上述第一位置与第二位置之间的距离差小于预设距离阈值，且第一时间与第二时间之间的时间差小于第一阈值时，确定初始故障检测结果为该海缆可能发生异常事件。若第一位置与第二位置之间的距离差大于或等于预设距离阈值，或者，第一时间与第二时间之间的时间差大于或等于上述第一阈值，或者，第一位置与第二位置之间的距离差大于或等于预设距离阈值且第一时间与第二时间之间的时间差大于或等于上述第一阈值，则服务器可以确定初始故障检测结果为该海缆可能无异常。

若初始故障检测结果表征海缆存在故障，则服务器可以执行步骤S103。若确定海缆未发生异常，可选的，服务器可以输出用于表示该海缆未出现异常事件的提示信息。或者，服务器还可以执行步骤S101及其后续步骤，以继续对海缆进行故障检测。

S103、对海缆的扰动报警信号进行全方位特征提取，得到海缆的第一特征向量。

该第一特征向量包括海缆的扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归（Autoregressive，AR）模型所有参数。在该第一特征向量包括上述所有特征时，该第一特征向量可以从时间域、频率域、变换域及模型参数等方面同步反映扰动信号的本质特征信息。

根据实际测试效果，上述时域特征、频域特征、变换域特征、AR模型参数特征具体包括的参数，如下表1所示：

表1

特征	特征包括的参数
		时域特征	信号的冲击强度、短时平均能量、短时平均幅值
频域特征	信号的中心频率、信号的中心频率强度、信号的PSD幅度均值、PSD形状均值、PSD幅度标准差、PSD形状标准差、PSD幅度偏度、PSD状偏度、PSD幅度峰度、PSD形状峰度
		变换域特征	小波包能量谱（N维）、该扰动信号的小波包信息熵，以及，M维的MFCC
AR模型参数特征	Q阶AR模型参数

PSD指的是功率谱密度（power spectrum density，PSD）可以由信号的自相关函数进行快速傅里叶变换（fast Fourier transform，FFT），再进行表1中相关的频域特征提取。MFCC指的是梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient，MFCC）。上述N为大于或等于1的整数，M为大于或等于1的整数。根据实际测试效果，N取8，M取12，提取特征分辨率较高。自回归（Auto-Regressive Model，AR）模型，Q为大于或等于1的整数，优选的，Q等于5，也就是说可以采用5阶AR模型参数，能较好对扰动信号进行特征描述，分类效果更好。具体提取方法如下公式（1）所示：

（1）

其中，

表示扰动信号，

表示ARMA模型的残差信号，

表示第i个自回归 过程系数，

表示第j个滑动平均系数。q表示滑动平均的阶数。当滑动平均的阶数q=0时， 该公式（1）可以作为p阶AR模型。根据扰动信号的特点，p等于5。模型的残差信号

最小 时，则模型估计的

最接近原始输入扰动信号，此时，该5阶AR模型的自回归过程系数 可以作为5维的扰动信号的模型参数特征。

以上述第一特征向量用于指示扰动信号的时域特征、频域特征、变换域特征，以及模型参数特征，服务器在获取各项特征之后，可以将各项特征对应的特征向量进行拼接，以获取该第一特征向量。

可选的，针对海缆的扰动信号，服务器还可以对该扰动信号进行归一化、去噪等预处理，得到预处理之后的扰动信号，以提高基于该扰动信号确定海缆故障的故障类型的准确性。

S104、获取海缆在历史预设时长内的历史应变信号。

其中，上述历史应变信号可以是在第二时间之前的任一时间段内，该海缆的历史应变信号。或者，该时间段还可以包括上述第二时间。应理解，本申请对该时间段的时长并不进行限定。

可选的，服务器可以在获取第二报警数据之后，根据第二报警数据中包括的第二时间，确定上述时间段，然后获取该时间段内的海缆的历史应变信号。或者，服务器例如还可以接收来自用户终端的海缆的历史应变信号

上述预设时长内的历史应变信号可以包括第二时间的应变信号，也可以不包括该第二时间的应变信号。

可选的，服务器例如可以从BOTDA设备处获取上述历史预设时长内的历史应变信号。或者，服务器例如还可以将每次接收到的应变信号均存储在数据库中。因此，服务器可以从该数据库中获取海缆在历史预设时长内的历史应变信号。

S105、对海缆在历史预设时长内的历史应变信号进行特征提取，得到海缆的第二特征向量。

其中，该第二特征向量关注长时间内海缆应变信号的变化信息。第二特征向量用于表征海缆在历史预设时长内的最大应变变化量，以及，海缆在历史预设时长内的应变变化超过第二阈值的次数；

应理解，本申请对服务器获取历史应变信号在历史预设时长内的最大应变变化量，以及，该历史应变信号在该历史预设时长内的应变变化超过第二阈值的次数。将该最大变化量与历史预设时长内的应变变化超过第二阈值的次数进行拼接，以获取该第二特征向量。

S106、融合第一特征向量和第二特征向量，得到海缆监测的全方位特征向量。

由于单独的扰动或者应变特征只具备海缆当前环境状态的一部分特征信息，如果想要全方位地、精确地分析与监测当前环境的海缆事件信息，需要将两方面的特征进行融合处理，为此将扰动信号和应变信号两部分的特征向量进行融合，具体方法如下：

对第一特征向量和第二特征向量进行拼接，得到拼接特征向量之后，可以通过PCA（主成分分析）算法或LDA（线性判别式分析）算法对该拼接特征向量进行融合降维，得到海缆的特征融合向量。

在本实施例中，使用LDA算法对拼接特征向量进行融合降维。

线性判别式分析LDA算法不同于主成分分析算法PCA的方差最大化理论，LDA算法是一种监督学习的降维技术，即需要知道样本数据集的类别标签。LDA算法的主要思想是高维特征集降到低维空间之后，要尽可能的是不同类别样本点的数据中心尽可能远，同类别样本点数据尽可能集中。

通过LDA算法对拼接特征向量进行融合降维的过程可以如下所示：

（1）针对任一事件类型，根据该事件类型的多个样本拼接特征向量，得到该事件类型对应的样本均值向量。

在本申请实施例中，事件类型为4种，分别为海缆无故障、人为锚害故障导致海缆故障、自然灾害导致海缆故障、生物作用导致海缆故障。每个事件类型可以对应多个样本拼接特征向量。

针对任一样本拼接特征向量，该样本拼接特征向量是由样本海缆的第一样本特征向量和样本海缆的第二样本特征向量拼接得到。样本海缆的第一样本特征向量包括样本海缆的扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数。样本海缆的第二样本特征向量用于表征样本海缆在历史预设时长内的最大应变变化量，以及，样本海缆在历史预设时长内的应变变化超过第二阈值的次数。

服务器可以通过下述公式（2），根据各事件类型的多个样本拼接特征向量，得到各事件类型对应的样本均值向量：

（2）

其中，k表示事件类型，也就是说，k等于4。D _c 表示事件类型c的多个样本拼接特征 向量。n _c 表示事件类型c的样本拼接特征向量的数量。

表示事件类型c对应的样本均值向 量。

（2）根据各事件类型对应的样本均值向量，以及，所述拼接特征向量，得到类间散度矩阵和类内散度矩阵。

定义类间散度矩阵为

，类内散度矩阵为

。示例性的，根据各事件类型对应 的样本均值向量，得到类间散度矩阵的计算公式可以如下述公式（3）：

（3）

其中，

表示所有事件类型对应的样本均值向量。服务器获取所有事件类型对应 的样本均值向量的具体实现方式可以参照前述得到各事件类型对应的样本均值向量的实 现方式，在此不再赘述。

根据各事件类型对应的样本均值向量，得到类内散度矩阵的计算公式可以如下述公式（4）：

（4）

其中，x表示拼接特征向量。

（3）根据预设目标函数，以及，类间散度矩阵和类内散度矩阵，确定映射矩阵。

定义从高维空间到低维空间的映射矩阵

。W的维度为

。其中，d表示映射矩阵的行数，该映射矩阵的行数等于拼接特征向量的维度，也就是 降维前拼接特征向量的维度。

表示映射矩阵的列数，该映射矩阵的列数为预设列数。该 映射矩阵的列数小于映射矩阵的行数。基于该映射矩阵得到的海缆的特征融合向量的维度 等于该映射矩阵的列数。

LDA的思想是使类内样本点尽可能的接近，即

越小越好，类间样本中心 的距离尽可能的远，即

越大越好。但是

和

都是矩阵，无法直接 作为目标函数求最优解。

示例性的，上述预设目标函数例如可以如下述公式（5）所示：

（5）

其中，J(W)表示预设目标函数。

服务器可以对该预设目标函数进行最大化优化，以得到映射矩阵W。

下面对如何对该预设目标函数进行最大化优化进行示例性说明：

J(W)的形式和广义瑞利商很类似，可以按照广义瑞利商的最值求解方法进行求解，广义瑞利商R(A,B,z)是指形如公式（6）的函数：

（6）

其中z为非零向量，A和B为厄米特（Hermitan）矩阵。令

，则R(A,B,z) 转化为R(A,B,

)，形式如公式（7）所示：

（7）

根据瑞利商的性质，R(A,B,z)的最大值就转化为求解

的最大值，对于LDA的 预设目标函数J(W)的最大值求解，就可以转化为对

的最大值求解。

服务器可以求

矩阵的特征值和特征向量。然后，服务器可以将矩阵

前

大的特征值对应的特征向量排列，得到映射矩阵W。

（4）采用映射矩阵W，将拼接特征向量映射到新的特征子空间，得到海缆的特征融合向量。

新的特征子空间的维度为前述

。通过上述方法，实现了对拼接特征向量的融合 降维，降低了服务器数据冗余，提高了服务器确定目标海缆故障检测结果的效率。示例性 的，通过上述方法，可以将41维的拼接特征向量融合降维为3维的海缆的特征融合向量。

S107、测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型。

选择准确率最高的分类器作为最优分类器可以保证故障检测的精确度，降低整个联动系统误报次数，节约硬件损耗，延长集成系统的寿命。

S108、将海缆的特征融合向量，输入海缆感知事件分类模型，得到目标海缆故障检测结果。

目标海缆故障检测结果用于表征：用于指示初始故障检测结果不是真实故障，或者，人为锚害故障导致海缆故障，或者，自然灾害导致海缆故障，或者，生物作用导致海缆故障。

其中，人为锚害故障指的是船舶抛锚导致海缆损坏。上述自然灾害例如可以为海底地震、海啸等自然灾害。上述生物作用指的是海洋生物在光缆附近的活动，与海缆发生碰撞等行为。上述海洋自身环境作用例如可以为洋流、漩涡等海洋活动。

若目标海缆故障检测结果用于表征人为锚害故障导致海缆故障，则执行步骤S109。

目标海缆故障检测结果用于表征用于指示不存在故障的误报的指示信息，可选的，服务器例如可以向用户终端输出该用于表示该海缆未出现故障的提示信息。

可选的，上述目标海缆故障检测结果还可以包括海缆发生故障的位置，在得到目标海缆故障检测结果之后，服务器可以输出包括海缆发生故障的位置的目标海缆故障检测结果。可选的，服务器例如可以将前述第一位置或者第二位置，作为海缆发生该故障类型的故障的位置。

在一些实施例中，服务器例如可以将上述目标海缆故障检测结果输出到用户终端。相应的，用户终端可以接收该目标海缆故障检测结果。可选的，用户终端还可以对该目标海缆故障检测结果进行输出，以使用户知道该目标海缆故障检测结果。其中，上述用户终端例如可以为海缆管理人员等使用的终端设备。

S109、根据船舶自动识别系统AIS报警信息，确定引起海缆发生故障的抛锚船舶的标识。

作为一种可能的实现方式，服务器可以获取AIS在目标时间段内采集的船舶的第三报警数据。然后根据船舶发生故障报警时的GPS定位位置，确定船舶发生故障报警时所在的海缆的第三位置所属的区域。若第一位置所属的区域与第三位置所属的区域相同，则确定船舶为引起海缆发生故障的抛锚船舶。然后，服务器可以获取引起海缆发生故障的抛锚船舶的标识。

其中，第三报警数据可以包括：船舶发生故障报警时的全球定位系统GPS定位位置，以及，船舶的标识。目标时间段可以包括第一时间和第二时间。

示例性的，上述船舶发生故障报警时的GPS定位位置例如可以是船舶发生故障报警时的经纬度信息。上述船舶的标识例如可以为船舶的水上移动通信业务标识码（Maritime Mobile Service Identify，MMSI）。

其中，本申请对AIS如何确定船舶是否发生故障并不进行限定。可选的，AIS可以获取船舶的航速。因为，船舶进行抛锚时的速度较低，因此，针对任一船舶，AIS可以在该船舶的航速，小于或等于预设的航速阈值时，确定该船舶为发生故障，并生成报警数据。该报警数据可以包括该船舶发生故障报警时的定位位置，以及，船舶的标识，以及，该船舶产生该报警数据的第三时间。根据上述第三时间，服务器可以确定在目标时间段内的第三报警数据。

可选的，服务器可以获取GPS定位位置，与，海缆上位置区域的映射关系，然后根据船舶发生故障报警时的GPS定位位置，以及，GPS定位位置，与，海缆上位置区域的映射关系，确定船舶发生故障报警时所在的海缆的第三位置所属的区域。其中，上述GPS定位位置，与，海缆上位置区域的映射关系，例如可以是用户预先存储在该服务器中的。也就是说，服务器可以从自身存储的数据中获取GPS定位位置，与，海缆上位置区域的映射关系。

示例性的，以上述船舶发生故障报警时的GPS定位位置为船舶发生故障报警时的经纬度信息为例，上述GPS定位位置，与，海缆上位置区域的映射关系例如可以如下表2所示：

表2

其中，海缆上位置区域示例中，千米（km）指的是海缆上的位置点到海缆起点的距离，海缆起点例如是海缆的与BOTDA设备和Φ-OTDR设备连接的一端。假设服务器确定船舶发生故障报警时的经纬度信息在经纬度范围1内，则根据表1所示的映射关系，服务器可以确定该船舶发生故障报警时所在的海缆的第三位置所属的区域为海缆上位置区域1。

可选的，服务器例如还可以先根据船舶发生故障报警时的GPS定位位置，以及，GPS定位位置与海缆上位置的映射关系，确定船舶发生故障报警时所在海缆上的第三位置。然后根据船舶发生故障报警时所在海缆上的第三位置，确定船舶发生故障报警时所在的海缆的第三位置所属的区域。

若服务器确定第一位置所属的区域与第三位置所属的区域相同，说明该船舶的抛锚行为可能导致海缆发生故障，则服务器可以确定该船舶为抛锚船舶，则服务器可以确定该船舶为引起海缆发生故障的抛锚船舶。

若服务器确定第一位置所属的区域与第三位置所属的区域不同，说明不是该船舶的导致海缆发生故障，可选的，服务器可以根据其他船舶的发生故障报警时的GPS定位位置，确定其他船舶是否为引起海缆发生故障的抛锚船舶。

S110、根据抛锚船舶的标识，向抛锚船舶发送警告提示信息。

服务器例如可以根据该抛锚船舶的标识，向抛锚船舶的电子设备发送用于指示抛锚船舶驶离海缆所在的位置的警告提示信息。其中，上述抛锚船舶的电子设备例如可以为抛锚船舶的语音输出装置等电子设备。

可选的，服务器中例如还可以存储有船舶的标识与船舶上电子设备的标识的映射关系。在确定抛锚船舶之后，服务器可以根据抛锚船舶的标识，以及，上述船舶的标识与船舶上电子设备的标识的映射关系，确定该抛锚船舶的电子设备的标识。然后，服务器可以根据该抛锚船舶的电子设备的标识，向该抛锚船舶的电子设备发送上述用于指示该抛锚船舶驶离海缆所在的位置的警告提示信息。通过上述方法，可以提醒抛锚船舶驶离海缆所在的位置，保障了海缆安全运行。

在本实施例中，通过根据海缆的扰动信号确定的第一报警数据，以及，根据海缆的光纤中的应变信号确定的第二报警数据，可以确定该海缆是否发生故障。通过海缆的扰动信号和应变信号共同决定海缆是否发生故障，提高了确定海缆是否发生故障的准确性。在海缆存在故障时，根据上述扰动信号和海缆的历史应变信号，可以确定海缆的故障类型，然后输出包括该故障类型，以及，海缆发生该故障类型的故障的位置的故障信息。通过上述方法对海缆进行故障检测时，不需执行出海任务，提高了对海缆进行故障检测的效率且实现了实时对海缆进行检测。在确定海缆的故障类型为人为锚害故障时，服务器可以仅一步根据AIS在目标时间段内采集的船舶的第三报警数据中的GPS定位位置，以及，船舶的标识，确定船舶是否为引起海缆发生故障的抛锚船舶，进而实现了通过上述海缆扰动信号采集设备、海缆应变信号采集设备，以及AIS三种设备联动地实时检测导致海缆故障产生的因素。

进一步的，在确定引起海缆发生故障的抛锚船舶之后，可选的，服务器还可以对该抛锚船舶进行拍照取证，以提高对海洋环境感知检测的灵活性，进一步用户体验。

在该实现方式下，服务器可以在确定引起海缆发生故障的抛锚船舶之后，控制覆盖抛锚船舶所在位置的图像采集装置，采集抛锚船舶的图像。其中，上述图像采集装置例如可以为摄像头。

可选的，在一些实施例中，服务器例如可以根据该抛锚船舶发生故障报警时所在的海缆的第三位置，确定该抛锚船舶发生故障报警时所处的区域。然后，服务器可以根据该抛锚船舶发生故障报警时所处的区域，以及，各区域与区域中图像采集装置的标识的映射关系，确定该抛锚船舶发生故障报警时所处的区域中的图像采集装置的标识。根据该抛锚船舶发生故障报警时所处的区域中的图像采集装置的标识，服务器可以控制覆盖抛锚船舶所在位置的图像采集装置，采集抛锚船舶的图像。

在该实现方式下，可选的，服务器还可以输出抛锚船舶的信息。其中，该抛锚船舶的信息例如包括下述至少一项：抛锚船舶的标识、抛锚船舶的图像。

可选的，服务器在控制图像采集装置，采集抛锚船舶的图像之后，该图像采集装置可以将采集到的抛锚船舶的图像发送给视频监控设备。然后，服务器可以接收来自该视频监控设备的抛锚船舶的图像。

下面对如何测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型进行详细说明。应理解，执行上述海洋环境感知检测方法的执行主体，与，执行该测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型的执行主体可以是同一电子设备，也可以是不同电子设备。下面是以测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型的执行主体为任一具有处理功能的终端或服务器等电子设备为例，进行的示例性说明。

作为一种可能的实现方式，图5为本申请提供一种获取海缆感知事件分类模型方法的流程示意图。如图5所示，该方法包括以下步骤：

S201、获取训练数据集。

其中，该训练数据集包括至少一组训练数据。每组训练数据可以包括：发生故障的样本海缆的样本特征融合向量，以及，故障对应的事件类型；针对任一事件类型，该事件类型对应的样本海缆的样本特征融合向量是通过LDA算法，对该事件类型对应的样本拼接特征向量进行融合降维得到的。

可选的，电子设备可以直接接收用户输入的训练数据集。可选的，电子设备例如可以通过应用程序接口（Application Programming Interface，API），或者，图形用户界面（Graphical User Interface，GUI）等接收用户输入的训练数据集。

S202、使用训练数据集同时对四个初始模型进行并行训练，得到四个候选分类器。

通过使用同一训练数据集同时对多个初始模型进行并行训练，保证了训练效率以及良好的模型对比度。其中，多个初始模型的网络结构不同。

其中，四个初始模型分别为支持向量机（Support Vector Machine，SVM）模型，决策树模型，随机森林（Random forest，RF）分类器，以及，极值梯度提升（eXtreme GradientBoosting，XGBoost）模型，也可以称为xgb分类器。示例性的，以上述初始模型为例，图6为本申请提供的一种海缆感知事件分类方法的流程示意图。图6中所示的频谱也可以包括在频域特征中。

将样本特征融合向量分别输入支持向量机（SVM）、决策树（DT）、随机森林分类器（RF）与xgb分类器，根据分类结果的混淆矩阵及分类的精度（precision）、召回率（recall）、F-score等指标衡量不同分类器的分类效果，最后，再与人工特征对应的分类效果进行对比。

利用分类精度（precision）、召回率（recall）、F-score三种指标综合衡量不同分类器的性能，计算分别如公式（8）-（10）所示：

（8）

（9）

（10）

其中，

、

分别表示某类事件（例如事件A）被正确判定的数量、A被 错误判定为其他类的数量、其他类事件被判定为A的数量、其他类事件判定为除A外的数量。

根据测试结果选择最优分类器，如最后选择支持向量机（SVM）分类器作为在线测试的分类器进行在线识别与分类。

S203、获取各候选分类器的分类准确率。

电子设备可以对各候选分类器进行测试，以得到各候选分类器的分类准确率。测试时，可以使用当前现场传感采集到的实时数据对模型进行在线测试，保证选择的分类器对实际现场的数据有良好的适配性与准确度。

S204、将分类准确率最高的候选分类器作为海缆感知事件分类模型。

通过上述方法，提高了获取海缆感知事件分类模型的准确性，进而提高了基于该故障分类模型对海缆进行检测的准确性。

在本实施例中，通过包括样本海缆的样本特征融合向量，以及，故障的事件类型的训练数据集，进行模型训练，可以获取用于根据海缆的特征融合向量，确定海缆的故障类型的故障分类模型。因为上述样本特征融合向量是基于发生故障的样本海缆的样本扰动信号，以及，发生故障的样本海缆的历史样本应变信号得到的，因此，使用该故障分类模型可以基于海缆的扰动信号，以及，应变信号，确定海缆的故障类型，结合了海缆的扰动信号的特征和应变信号的特征，提高了确定海缆的故障类型的准确性，进而进一步提高了对海缆进行检测的准确性。

图7为本申请提供的一种海洋环境感知检测装置的结构示意图。如图7所示，该装置包括：接收模块31、处理模块32，以及，发送模块33。其中，

接收模块31，用于接收来自海缆扰动信号采集设备针对海缆的第一报警数据，以及，来自海缆应变信号采集设备针对海缆的第二报警数据。其中，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间。

处理模块32，用于对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果；在所述初始故障检测结果表征所述海缆存在故障时，获取目标海缆故障检测结果。其中，所述第一报警检测结果包括：所述第一位置和所述第一时间；所述第二报警检测结果包括：所述第二位置和所述第二时间；所述目标海缆故障检测结果用于表征：用于指示所述初始故障检测结果不是真实故障，或者，人为锚害故障导致海缆故障，或者，自然灾害导致海缆故障，或者，生物作用导致海缆故障；

获取所述目标海缆故障检测结果的具体流程如下：

对所述海缆的扰动信号进行全方位特征提取，得到所述海缆的第一特征向量；获取所述海缆在历史预设时长内的历史应变信号；对所述海缆在历史预设时长内的历史应变信号进行特征提取，得到所述海缆的第二特征向量；对所述第一特征向量，以及，所述第二特征向量进行拼接，得到拼接特征向量；通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量；测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型；将所述海缆的特征融合向量，输入所述海缆感知事件分类模型，得到目标海缆故障检测结果，在所述目标海缆故障检测结果用于表征人为锚害故障导致海缆故障时，根据船舶自动识别系统AIS报警信息，确定引起所述海缆发生故障的抛锚船舶的标识。

其中，所述第一特征向量包括所述扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；所述第二特征向量用于表征所述海缆在历史预设时长内的最大应变变化量，以及，所述海缆在历史预设时长内的应变变化超过第二阈值的次数。

发送模块33，用于根据所述抛锚船舶的标识，向所述抛锚船舶发送警告提示信息。

可选的，所述时域特征包括下述所有参数：所述扰动信号的冲击强度、所述扰动信号的短时平均能量、所述扰动信号的短时平均幅值；

所述频域特征包括下述所有参数：所述扰动信号的中心频率、所述扰动信号的中心频率强度、所述扰动信号的功率谱密度PSD的幅度均值、所述PSD的形状均值、所述PSD的幅度标准差、所述PSD的形状标准差、所述PSD的幅度偏度、所述PSD的状偏度、所述PSD的幅度峰度、所述PSD的形状峰度；

所述变换域特征包括下述所有参数：N维小波包能量谱、所述扰动信号的小波包信息熵、所述扰动信号的M维的梅尔频率倒谱系数MFCC；所述N为大于或等于1的整数，所述M为大于或等于1的整数，

所述AR模型参数特征包括下述参数：Q阶AR模型参数，所述Q为大于或等于1的整数。

可选的，处理模块32，具体用于针对任一事件类型，根据该事件类型的多个样本拼接特征向量，得到该事件类型对应的样本均值向量；所述事件类型包括4种，分别为海缆无故障、人为锚害故障导致海缆故障、自然灾害导致海缆故障，以及，生物作用导致海缆故障；针对任一所述样本拼接特征向量，该样本拼接特征向量是由样本海缆的第一样本特征向量和样本海缆的第二样本特征向量拼接得到；所述样本海缆的第一样本特征向量包括所述样本海缆的扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；所述样本海缆的第二样本特征向量用于表征样本海缆在历史预设时长内的最大应变变化量，以及，样本海缆在历史预设时长内的应变变化超过第二阈值的次数；

根据各所述事件类型对应的样本均值向量，以及，所述拼接特征向量，得到类间散度矩阵，以及，类内散度矩阵；

根据所述预设目标函数，以及，所述类间散度矩阵和所述类内散度矩阵，确定映射矩阵；所述映射矩阵的行数等于所述拼接特征向量的维度，所述映射矩阵的列数为预设列数；所述映射矩阵的列数小于所述映射矩阵的行数；

采用所述映射矩阵，将所述拼接特征向量映射到新的特征子空间，得到所述海缆的特征融合向量；所述海缆的特征融合向量的维度等于所述映射矩阵的列数。

可选的，处理模块32，具体用于获取训练数据集，所述训练数据集包括至少一组训练数据，每组训练数据包括：发生故障的样本海缆的样本特征融合向量，以及，所述故障对应的事件类型；针对任一事件类型，该事件类型对应的所述样本海缆的样本特征融合向量是通过所述LDA算法，对该事件类型对应的所述样本拼接特征向量进行融合降维得到的；使用所述训练数据集同时对四个初始模型进行并行训练，得到四个候选分类器；所述四个初始模型分别为：支持向量机SVM模型、决策树模型、随机森林RF分类模型，以及，极值梯度提升XGBoost模型；获取各候选分类器的分类准确率；将所述分类准确率最高的候选分类器作为所述海缆感知事件分类模型。

可选的，处理模块32，具体用于获取船舶自动识别系统AIS在目标时间段内采集的船舶的第三报警数据；所述第三报警数据包括：所述船舶发生故障报警时的全球定位系统GPS定位位置，以及，所述船舶的标识；所述目标时间段包括所述第一时间和所述第二时间；根据所述船舶发生故障报警时的GPS定位位置，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域；若所述第一位置所属的区域与所述第三位置所属的区域相同，则确定所述船舶为引起所述海缆发生故障的抛锚船舶；获取引起所述海缆发生故障的抛锚船舶的标识。

可选的，处理模块32，具体用于获取GPS定位位置，与，海缆上位置区域的映射关系；根据所述船舶发生故障报警时的GPS定位位置，以及，所述GPS定位位置，与，海缆上位置区域的映射关系，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域。

可选的，处理模块32，还用于在确定引起所述海缆发生故障的抛锚船舶的标识之后，控制覆盖所述抛锚船舶所在位置的图像采集装置，采集所述抛锚船舶的图像。可选的，该装置还可以包括输出模块34，用于在确定引起所述海缆发生故障的抛锚船舶的标识之后，输出所述抛锚船舶的信息，所述抛锚船舶的信息包括下述至少一项：所述抛锚船舶的标识、所述抛锚船舶的图像。

可选的，处理模块32，具体用于通过相与决策级融合方式，或者，相或决策级融合方式，对所述第一报警检测结果，以及，所述第二报警检测结果进行决策级融合，得到初始故障检测结果。

其中，所述相与决策级融合方式为：在所述第一位置所属的区域与所述第二位置所属的区域相同，且所述第一时间与所述第二时间之间的时间差小于第一阈值时，确定所述初始故障检测结果表征所述海缆存在故障；在所述第一位置所属的区域与所述第二位置所属的区域不同，和/或，所述第一时间与所述第二时间之间的时间差大于或等于第一阈值时，确定所述初始故障检测结果表征所述海缆不存在故障。

所述相或决策级融合方式为：在所述第一位置所属的区域与所述第二位置所属的区域相同，和/或，所述第一时间与所述第二时间之间的时间差小于第一阈值时，确定所述初始故障检测结果表征所述海缆存在故障；在所述第一位置所属的区域与所述第二位置所属的区域不同，且所述第一时间与所述第二时间之间的时间差大于或等于第一阈值时，确定所述初始故障检测结果表征所述海缆不存在故障。

本申请提供的海洋环境感知检测装置，用于执行前述海洋环境感知检测方法实施例，其实现原理与技术效果类似，对此不再赘述。

图8为本申请提供的一种电子设备结构示意图。该电子设备例如可以为前述服务器等具有处理功能的电子设备。如图8所示，该电子设备400可以包括：至少一个处理器401和存储器402。

存储器402，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。

存储器402可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。

处理器401用于执行存储器402存储的计算机执行指令，以实现前述方法实施例所描述的海洋环境感知检测方法。其中，处理器401可能是一个中央处理器（CentralProcessing Unit，简称为CPU），或者是特定集成电路（Application Specific IntegratedCircuit，简称为ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路。

可选的，该电子设备400还可以包括通信接口403。在具体实现上，如果通信接口403、存储器402和处理器401独立实现，则通信接口403、存储器402和处理器401可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构（Industry StandardArchitecture，简称为ISA）总线、外部设备互连（Peripheral Component，简称为PCI）总线或扩展工业标准体系结构（Extended Industry Standard Architecture，简称为EISA）总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口403、存储器402和处理器401集成在一块芯片上实现，则通信接口403、存储器402和处理器401可以通过内部接口完成通信。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中的方法。

本申请还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的海洋环境感知检测方法。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种海洋环境感知检测方法，其特征在于，所述方法包括：

接收来自海缆扰动信号采集设备针对海缆的第一报警数据，以及，来自海缆应变信号采集设备针对海缆的第二报警数据，其中，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间；

对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果；其中，所述第一报警检测结果包括：所述第一位置和所述第一时间；所述第二报警检测结果包括：所述第二位置和所述第二时间；

若所述初始故障检测结果表征所述海缆存在故障，则获取目标海缆故障检测结果，所述目标海缆故障检测结果用于表征：所述初始故障检测结果不是真实故障，或者，人为锚害故障导致海缆故障，或者，自然灾害导致海缆故障，或者，生物作用导致海缆故障；

所述获取目标海缆故障检测结果，包括：

对所述海缆的扰动信号进行全方位特征提取，得到所述海缆的第一特征向量；所述第一特征向量包括所述扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；

获取所述海缆在历史预设时长内的历史应变信号；

对所述海缆在历史预设时长内的历史应变信号进行特征提取，得到所述海缆的第二特征向量；所述第二特征向量用于表征所述海缆在历史预设时长内的最大应变变化量，以及，所述海缆在历史预设时长内的应变变化超过第二阈值的次数；

对所述第一特征向量，以及，所述第二特征向量进行拼接，得到拼接特征向量；

通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量；

测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型；

将所述海缆的特征融合向量，输入所述海缆感知事件分类模型，得到目标海缆故障检测结果；

若所述目标海缆故障检测结果用于表征人为锚害故障导致海缆故障，则根据船舶自动识别系统AIS报警信息，确定引起所述海缆发生故障的抛锚船舶的标识；

根据所述抛锚船舶的标识，向所述抛锚船舶发送警告提示信息。

2.根据权利要求1所述的方法，其特征在于，所述时域特征包括下述所有参数：所述扰动信号的冲击强度、所述扰动信号的短时平均能量、所述扰动信号的短时平均幅值；

所述频域特征包括下述所有参数：所述扰动信号的中心频率、所述扰动信号的中心频率强度、所述扰动信号的功率谱密度PSD的幅度均值、所述PSD的形状均值、所述PSD的幅度标准差、所述PSD的形状标准差、所述PSD的幅度偏度、所述PSD的状偏度、所述PSD的幅度峰度、所述PSD的形状峰度；

所述变换域特征包括下述所有参数：N维小波包能量谱、所述扰动信号的小波包信息熵、所述扰动信号的M维的梅尔频率倒谱系数MFCC；所述N为大于或等于1的整数，所述M为大于或等于1的整数，

所述AR模型参数特征包括下述参数：Q阶AR模型参数，所述Q为大于或等于1的整数。

3.根据权利要求1或2所述的方法，其特征在于，所述通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量，包括：

针对任一事件类型，根据该事件类型的多个样本拼接特征向量，得到该事件类型对应的样本均值向量；所述事件类型包括4种，分别为海缆无故障、人为锚害故障导致海缆故障、自然灾害导致海缆故障，以及，生物作用导致海缆故障；针对任一所述样本拼接特征向量，该样本拼接特征向量是由样本海缆的第一样本特征向量和样本海缆的第二样本特征向量拼接得到；所述样本海缆的第一样本特征向量包括所述样本海缆的扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；所述样本海缆的第二样本特征向量用于表征样本海缆在历史预设时长内的最大应变变化量，以及，样本海缆在历史预设时长内的应变变化超过第二阈值的次数；

根据各所述事件类型对应的样本均值向量，以及，所述拼接特征向量，得到类间散度矩阵，以及，类内散度矩阵；

根据所述预设目标函数，以及，所述类间散度矩阵和所述类内散度矩阵，确定映射矩阵；所述映射矩阵的行数等于所述拼接特征向量的维度，所述映射矩阵的列数为预设列数；所述映射矩阵的列数小于所述映射矩阵的行数；

采用所述映射矩阵，将所述拼接特征向量映射到新的特征子空间，得到所述海缆的特征融合向量；所述海缆的特征融合向量的维度等于所述映射矩阵的列数。

4.根据权利要求3所述的方法，其特征在于，所述测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型，包括：

获取训练数据集，所述训练数据集包括至少一组训练数据，每组训练数据包括：发生故障的样本海缆的样本特征融合向量，以及，所述故障对应的事件类型；针对任一事件类型，该事件类型对应的所述样本海缆的样本特征融合向量是通过所述LDA算法，对该事件类型对应的所述样本拼接特征向量进行融合降维得到的；

使用所述训练数据集同时对四个初始模型进行并行训练，得到四个候选分类器；所述四个初始模型分别为：支持向量机SVM模型、决策树模型、随机森林RF分类模型，以及，极值梯度提升XGBoost模型；

获取各候选分类器的分类准确率；

将所述分类准确率最高的候选分类器作为所述海缆感知事件分类模型。

5.根据权利要求1所述的方法，其特征在于，所述确定引起所述海缆发生故障的抛锚船舶的标识，包括：

获取船舶自动识别系统AIS在目标时间段内采集的船舶的第三报警数据；所述第三报警数据包括：所述船舶发生故障报警时的全球定位系统GPS定位位置，以及，所述船舶的标识；所述目标时间段包括所述第一时间和所述第二时间；

根据所述船舶发生故障报警时的GPS定位位置，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域；

若所述第一位置所属的区域与所述第三位置所属的区域相同，则确定所述船舶为引起所述海缆发生故障的抛锚船舶；

获取引起所述海缆发生故障的抛锚船舶的标识。

6.根据权利要求5所述的方法，其特征在于，所述根据所述船舶发生故障报警时的GPS定位位置，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域，包括：

获取GPS定位位置，与，海缆上位置区域的映射关系；

根据所述船舶发生故障报警时的GPS定位位置，以及，所述GPS定位位置，与，海缆上位置区域的映射关系，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域。

7.根据权利要求1所述的方法，其特征在于，所述确定引起所述海缆发生故障的抛锚船舶的标识之后，还包括：

控制覆盖所述抛锚船舶所在位置的图像采集装置，采集所述抛锚船舶的图像；

输出所述抛锚船舶的信息，所述抛锚船舶的信息包括下述至少一项：所述抛锚船舶的标识、所述抛锚船舶的图像。

8.根据权利要求1所述的方法，其特征在于，所述对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果，包括：

通过相与决策级融合方式，或者，相或决策级融合方式，对所述第一报警检测结果，以及，所述第二报警检测结果进行决策级融合，得到初始故障检测结果；

其中，所述相与决策级融合方式为：在所述第一位置所属的区域与所述第二位置所属的区域相同，且所述第一时间与所述第二时间之间的时间差小于第一阈值时，确定所述初始故障检测结果表征所述海缆存在故障；在所述第一位置所属的区域与所述第二位置所属的区域不同，和/或，所述第一时间与所述第二时间之间的时间差大于或等于第一阈值时，确定所述初始故障检测结果表征所述海缆不存在故障；

所述相或决策级融合方式为：在所述第一位置所属的区域与所述第二位置所属的区域相同，和/或，所述第一时间与所述第二时间之间的时间差小于第一阈值时，确定所述初始故障检测结果表征所述海缆存在故障；在所述第一位置所属的区域与所述第二位置所属的区域不同，且所述第一时间与所述第二时间之间的时间差大于或等于第一阈值时，确定所述初始故障检测结果表征所述海缆不存在故障。

9.一种海洋环境感知检测装置，其特征在于，所述装置包括：

接收模块，用于接收来自海缆扰动信号采集设备针对海缆的第一报警数据，以及，来自海缆应变信号采集设备针对海缆的第二报警数据，其中，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间；

处理模块，用于对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果；在所述初始故障检测结果表征所述海缆存在故障时，获取目标海缆故障检测结果，其中，所述第一报警检测结果包括：所述第一位置和所述第一时间；所述第二报警检测结果包括：所述第二位置和所述第二时间；所述目标海缆故障检测结果用于表征：用于指示所述初始故障检测结果不是真实故障，或者，人为锚害故障导致海缆故障，或者，自然灾害导致海缆故障，或者，生物作用导致海缆故障；

所述获取目标海缆故障检测结果，包括：

对所述海缆的扰动信号进行全方位特征提取，得到所述海缆的第一特征向量；获取所述海缆在历史预设时长内的历史应变信号；对所述海缆在历史预设时长内的历史应变信号进行特征提取，得到所述海缆的第二特征向量；对所述第一特征向量，以及，所述第二特征向量进行拼接，得到拼接特征向量；通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量；测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型；将所述海缆的特征融合向量，输入所述海缆感知事件分类模型，得到目标海缆故障检测结果，在所述目标海缆故障检测结果用于表征人为锚害故障导致海缆故障时，根据船舶自动识别系统AIS报警信息，确定引起所述海缆发生故障的抛锚船舶的标识；其中，所述第一特征向量包括所述扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；所述第二特征向量用于表征所述海缆在历史预设时长内的最大应变变化量，以及，所述海缆在历史预设时长内的应变变化超过第二阈值的次数；

发送模块，用于根据所述抛锚船舶的标识，向所述抛锚船舶发送警告提示信息。

10.一种海洋环境感知检测系统，其特征在于，所述系统包括：海上传感子系统和陆上监控子系统；所述海上传感子系统包括：海缆、图像采集装置，以及，船舶自动识别系统AIS船载设备；所述陆上监控子系统包括：AIS基站、海缆扰动信号采集设备、海缆应变信号采集设备、图像处理设备，以及，服务器；

所述AIS船载设备与所述AIS基站相连；所述海缆与所述海缆扰动信号采集设备，以及，所述海缆应变信号采集设备相连；所述图像采集装置与所述图像处理设备相连；所述AIS基站、所述海缆扰动信号采集设备、所述海缆应变信号采集设备，以及，所述图像处理设备均与所述服务器相连；

所述AIS基站，用于接收所述AIS船载设备采集的船舶的航行数据，以及，将所述船舶的航行数据发送至所述服务器；

所述海缆扰动信号采集设备，用于接收所述海缆的扰动信号，以及，将第一报警数据发送至所述服务器，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；

所述海缆应变信号采集设备，用于接收所述海缆的光纤中的应变信号，以及，将第二报警数据发送至所述服务器，所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间；

所述图像处理设备，用于接收所述图像采集装置采集的图像，以及，将所述图像发送至所述服务器；

所述服务器用于执行如权利要求1-8任一项所述的方法。

Images