CN114742096A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114742096A CN114742096A CN202210283901.0A CN202210283901A CN114742096A CN 114742096 A CN114742096 A CN 114742096A CN 202210283901 A CN202210283901 A CN 202210283901A CN 114742096 A CN114742096 A CN 114742096A
- Authority
- CN
- China
- Prior art keywords
- signal
- intrusion
- time
- alarm
- carrying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明提供了一种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,包括:步骤S1:求解并保存信号,设定阈值以判定入侵动作信号和报警;步骤S2:获得原始振动信号曲线并进行归一化拉平处理;步骤S3:对拉平处理后的信号进行高频高通滤波处理,对图像进行二值化处理,进行外部轮廓提取得到最小外接矩形;步骤S4:对拉平处理后的信号进行低频高通滤波处理,构建分类网络的时频图像数据集,对EfficientNet分类网络模型进行训练;步骤S5:根据最小外接矩形信息,结合通过EfficientNet分类网络获得的矩阵,实现分类报警。本发明能够快速地获得效果较好的能量瀑布图,从而在空间维上能快速得到可疑入侵信号的位置点,在时间维上能准确获得可疑入侵信号的覆盖时间。
Description
技术领域
本发明涉及计算机视觉融合领域,具体地,涉及一种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。
背景技术
为保障场区周界的安全,实现对场区入侵事件的事前发现、事中阻止、事后复核的安保目标,在整个场区范围布设围栏型光纤周界安防入侵报警系统,通过光纤振动信号对入侵事件进行定位和报警判断,能够解决复杂地质和环境情况下超长距离周界的入侵报警问题,并通过联动前端视频复核,可以实现警情可视化及管理自动化。
定位型振动光纤入侵探测技术通过探测光脉冲的发出与返回时间确定振动事件发生的具体位置,返回的信号强度反映振动幅度的变化,因此可以利用振动光纤作为传感器来探测振动信号并通过信号处理等一系列算法判别是否存在入侵行为。现有的入侵报警系统是对过预处理后固定时间长度的振动信号进行分类和识别,然而一般的入侵行为动作都是较为复杂的过程,尤其是入侵持续时间一般无法确定,通常情况下,针对入侵行为仅截取固定时间长度的入侵振动信号无法完全表征完整的入侵行为信息,因此会导致算法对入侵动作类型的识别不够准确。同时,已有算法存在对单个入侵动作重复截取重叠信息进行重复度较高的分类识别问题,这将导致短时间内要对大量重叠度较高的信息进行分类识别,一个完整的入侵动作可能会产生大量的重复性报警,极大地增加了检测器的检测压力,造成极大的性能消耗。其次,在空间维上,单个入侵动作将带动周围几个甚至十几个位置点的报警,这在一定程度上又增加了检测的重复性及不确定性。
目前,深度学习技术不断应用于各个领域,都发挥出了准确率高、速度快等技术优势,尤其是图像分类领域,经过神经网络模型的不断改进和优化,分类网络模型的训练时间、分类准确度和分类速度都已经达到了非常高的水准,尤其是近期面世的EfficientNet分类网络模型,独特的模型结构使其在特征差异不明显的情况下同样具有较强的图像分类能力,具有很好的实用性。
因此,充分考虑围栏型光纤周界安防入侵报警系统可靠性、准确性和运行成本的需求,本专利提出了新型定位型振动光纤入侵探测算法,将能量瀑布图技术、完整时域动作信号提取技术与计算机视觉技术相结合,利用原始振动信号数据生成能量瀑布图,从而确定入侵事件发生的位置点及覆盖时间。并通过完整时域动作信号提取技术将原始一维振动信号数据转换为二维时频图像数据,得到完整入侵动作的时频图。最后构建时频图像数据集对EfficientNet分类网络模型进行训练,通过分类网络输出得到完整入侵动作的报警类别。
因此,研究一种基于定位型振动光纤探测技术和完整时域动作信号提取技术的入侵信号报警系统,实现能量瀑布图的生成、完整入侵动作时频图的提取及分类神经网络是十分必要且有意义的。
专利文献CN106652285A(申请号:CN201610908266.5)公开了一种分布式多防区振动光纤周界报警系统以及周界监测方法,其包括:窄线宽光源模块和分光器,分光器具有多个光出口;多防区现场探测单元,由多个防区探测单元构成;以及终端监测单元;所述窄线宽光源模块与分光器相连,分光器的每个光出口与其中一个防区探测单元中的光模块通过通信光缆相连,所有光模块均与光电转换数据处理模块相连,窄线宽光源模块射出的光源通过分光器分光后进入每个防区探测单元,经光模块耦合后形成干涉光信号进入光电转换数据处理模块转变成信息数据,信息数据由主控器分析处理。但该发明没有使用能量瀑布图、信号时频图及分类神经网络相融合的算法,导致虚警率和误报率较高。
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振动光纤探测和完整动作提取的入侵报警方法及系统。
根据本发明提供的一种基于振动光纤探测和完整动作提取的入侵报警方法,包括:
步骤S1:求解并保存信号,设定阈值以判定入侵动作信号和报警;
步骤S2:获得原始振动信号曲线并进行归一化拉平处理;
步骤S3:对拉平处理后的信号进行高频高通滤波处理,对图像进行二值化处理,进行外部轮廓提取得到最小外接矩形;
步骤S4:对拉平处理后的信号进行低频高通滤波处理,构建分类网络的时频图像数据集,对EfficientNet分类网络模型进行训练;
步骤S5:根据最小外接矩形信息,结合通过EfficientNet分类网络获得的矩阵,实现分类报警。
优选地,在所述步骤S1中:
步骤S1.1:求解各个位置点在时间维度的能量信号,设定能量包络阈值An;
步骤S1.2:随着时间变化,若能量值大于等于An,则保存本帧信号,若能量值小于阈值An的持续时间不超过预设值则持续保存为一个动作的信号,若持续时间大于等于预设值则拆分为两个动作的信号;
步骤S1.3:在时间维度设定入侵持续时间阈值Tn,若截取到的信号持续时间小于Tn秒,则不作识别,若截取到的信号持续时间大于等于Tn秒,则被判定为单个入侵动作信号;
步骤S1.4:在空间位置维度设定跨度范围阈值Pn,若两个入侵报警位置点之间的距离小于Pn则判定为同一个入侵行为导致的报警并进行合并,若两个入侵报警位置点之间的距离大于等于Pn,则判定为两个不同位置的入侵行为产生的报警。
优选地,在所述步骤S3中:
步骤3.1:利用高频高通滤波器对拉平曲线信号进行高通滤波处理,滤除低频干扰信号影响,计算所有位置点随时间变化的能量信号,获取能量瀑布图;
步骤3.2:对能量瀑布图进行二值化处理,并去除边缘和孤立噪声;
步骤3.3:对处理后的二值图像进行外部轮廓提取,并获取外轮廓的最小外接矩形,通过最小外接矩形确定单个动作完整时空覆盖范围。
优选地,在所述步骤S4中:
步骤4.1:利用低频高通滤波器对拉平曲线信号进行高通滤波处理,将处理后的信号以预设值为单位进行短时傅里叶变换,将一维信号转化为二维时频图数据;
步骤4.2:采集各类入侵信号以及干扰信号构建分类网络的时频图像数据集;
步骤4.3:配置运行环境,搭建EfficientNet神经网络框架;
步骤4.4:使用图像训练集对EfficientNet分类网络模型进行训练。
优选地,在所述步骤S5中:
根据最小外接矩形坐标,结合完整动作提取算法中通过EfficientNet分类网络获得的时间空间维具体类别信息矩阵,统计最小外接矩形框中的类别信息,以出现次数最多的类别作为最终类别,以矩形框中间坐标作为报警位置点,从而实现分类报警。
根据本发明提供的一种基于振动光纤探测和完整动作提取的入侵报警系统,包括:
模块M1:求解并保存信号,设定阈值以判定入侵动作信号和报警;
模块M2:获得原始振动信号曲线并进行归一化拉平处理;
模块M3:对拉平处理后的信号进行高频高通滤波处理,对图像进行二值化处理,进行外部轮廓提取得到最小外接矩形;
模块M4:对拉平处理后的信号进行低频高通滤波处理,构建分类网络的时频图像数据集,对EfficientNet分类网络模型进行训练;
模块M5:根据最小外接矩形信息,结合通过EfficientNet分类网络获得的矩阵,实现分类报警。
优选地,在所述模块M1中:
模块M1.1:求解各个位置点在时间维度的能量信号,设定能量包络阈值An;
模块M1.2:随着时间变化,若能量值大于等于An,则保存本帧信号,若能量值小于阈值An的持续时间不超过预设值则持续保存为一个动作的信号,若持续时间大于等于预设值则拆分为两个动作的信号;
模块M1.3:在时间维度设定入侵持续时间阈值Tn,若截取到的信号持续时间小于Tn秒,则不作识别,若截取到的信号持续时间大于等于Tn秒,则被判定为单个入侵动作信号;
模块M1.4:在空间位置维度设定跨度范围阈值Pn,若两个入侵报警位置点之间的距离小于Pn则判定为同一个入侵行为导致的报警并进行合并,若两个入侵报警位置点之间的距离大于等于Pn,则判定为两个不同位置的入侵行为产生的报警。
优选地,在所述模块M3中:
步骤3.1:利用高频高通滤波器对拉平曲线信号进行高通滤波处理,滤除低频干扰信号影响,计算所有位置点随时间变化的能量信号,获取能量瀑布图;
步骤3.2:对能量瀑布图进行二值化处理,并去除边缘和孤立噪声;
步骤3.3:对处理后的二值图像进行外部轮廓提取,并获取外轮廓的最小外接矩形,通过最小外接矩形确定单个动作完整时空覆盖范围。
优选地,在所述模块M4中:
步骤4.1:利用低频高通滤波器对拉平曲线信号进行高通滤波处理,将处理后的信号以预设值为单位进行短时傅里叶变换,将一维信号转化为二维时频图数据;
步骤4.2:采集各类入侵信号以及干扰信号构建分类网络的时频图像数据集;
步骤4.3:配置运行环境,搭建EfficientNet神经网络框架;
步骤4.4:使用图像训练集对EfficientNet分类网络模型进行训练。
优选地,在所述模块M5中:
根据最小外接矩形坐标,结合完整动作提取算法中通过EfficientNet分类网络获得的时间空间维具体类别信息矩阵,统计最小外接矩形框中的类别信息,以出现次数最多的类别作为最终类别,以矩形框中间坐标作为报警位置点,从而实现分类报警。
与现有技术相比,本发明具有如下的有益效果:
1、本发明在定位型振动光纤探测系统中,通过对原始散射信号进行拉平、高通滤波、阈值参数自适应调整等一系列预处理操作,能够快速地获得效果较好的能量瀑布图,从而在空间维上能快速得到可疑入侵信号的位置点,在时间维上能准确获得可疑入侵信号的覆盖时间;
2、本发明确定了可疑入侵信号发生的位置点及覆盖时间之后,仅需保存有报警风险的特定位置点上的信号,且仅当满足一定条件时才进行报警分析,极大减少了对实时数据的缓存,降低了运行成本;
3、一旦报警发生后,需要判断该入侵信号属于哪一种入侵,在特定的场合,一些入侵信号属于虚报、误报范畴,因此基于图像处理算法提取动态长度的完整动作信号而非人为设定的固定长度的信号来进行检测和分类,以此保证一个完整动作信号仅识别检测一次,并使用EfficientNet分类网络模型对可疑位置点的信号快速准确地进行分类处理,最终确定报警的具体类别;
4、本发明仅使用振动光纤原始振动信号数据对入侵行为进行监测会导致虚警率和误报率较高,且需要借助人工长时间地进行报警数据的判断和核实,人工成本较高,用户体验较差。而借助本专利提出的基于完整时域动作信号提取技术的入侵信号报警系统,使用能量瀑布图、信号时频图及分类神经网络相融合的算法能够很好地解决此问题,提供更加准确有效的入侵报警提示。
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为某位置点时间-能量包络示意图;
图2为图像处理及分类融合算法流程图;
图3为能量瀑布图像处理示意图,包括轮廓提取及最小外接矩形获取、时空二值化图、图像闭运算处理;
图4为能量瀑布图像处理示意图,包括轮廓提取及最小外接矩形获取、时空二值化图、图像闭运算处理;
图5为大风训练样本图;
图6为大车训练样本图;
图7为攀爬训练样本图;
图8为敲击训练样本图
图9为训练损失曲线图;
图10为准确率曲线图;
图11为EfficientNet B4主干网络结构。
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振动光纤探测和完整动作提取的入侵报警方法,如图1-图11所示,包括:
步骤S1:求解并保存信号,设定阈值以判定入侵动作信号和报警;
步骤S2:获得原始振动信号曲线并进行归一化拉平处理;
步骤S3:对拉平处理后的信号进行高频高通滤波处理,对图像进行二值化处理,进行外部轮廓提取得到最小外接矩形;
步骤S4:对拉平处理后的信号进行低频高通滤波处理,构建分类网络的时频图像数据集,对EfficientNet分类网络模型进行训练;
步骤S5:根据最小外接矩形信息,结合通过EfficientNet分类网络获得的矩阵,实现分类报警。
具体地,在所述步骤S1中:
步骤S1.1:求解各个位置点在时间维度的能量信号,设定能量包络阈值An;
步骤S1.2:随着时间变化,若能量值大于等于An,则保存本帧信号,若能量值小于阈值An的持续时间不超过预设值则持续保存为一个动作的信号,若持续时间大于等于预设值则拆分为两个动作的信号;
步骤S1.3:在时间维度设定入侵持续时间阈值Tn,若截取到的信号持续时间小于Tn秒,则不作识别,若截取到的信号持续时间大于等于Tn秒,则被判定为单个入侵动作信号;
步骤S1.4:在空间位置维度设定跨度范围阈值Pn,若两个入侵报警位置点之间的距离小于Pn则判定为同一个入侵行为导致的报警并进行合并,若两个入侵报警位置点之间的距离大于等于Pn,则判定为两个不同位置的入侵行为产生的报警。
具体地,在所述步骤S3中:
步骤3.1:利用高频高通滤波器对拉平曲线信号进行高通滤波处理,滤除低频干扰信号影响,计算所有位置点随时间变化的能量信号,获取能量瀑布图;
步骤3.2:对能量瀑布图进行二值化处理,并去除边缘和孤立噪声;
步骤3.3:对处理后的二值图像进行外部轮廓提取,并获取外轮廓的最小外接矩形,通过最小外接矩形确定单个动作完整时空覆盖范围。
具体地,在所述步骤S4中:
步骤4.1:利用低频高通滤波器对拉平曲线信号进行高通滤波处理,将处理后的信号以预设值为单位进行短时傅里叶变换,将一维信号转化为二维时频图数据;
步骤4.2:采集各类入侵信号以及干扰信号构建分类网络的时频图像数据集;
步骤4.3:配置运行环境,搭建EfficientNet神经网络框架;
步骤4.4:使用图像训练集对EfficientNet分类网络模型进行训练。
具体地,在所述步骤S5中:
根据最小外接矩形坐标,结合完整动作提取算法中通过EfficientNet分类网络获得的时间空间维具体类别信息矩阵,统计最小外接矩形框中的类别信息,以出现次数最多的类别作为最终类别,以矩形框中间坐标作为报警位置点,从而实现分类报警。
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振动光纤探测和完整动作提取的入侵报警方法,理解为基于振动光纤探测和完整动作提取的入侵报警系统的具体实施方式,即所述基于振动光纤探测和完整动作提取的入侵报警系统可以通过执行所述基于振动光纤探测和完整动作提取的入侵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振动光纤探测和完整动作提取的入侵报警系统,包括:
模块M1:求解并保存信号,设定阈值以判定入侵动作信号和报警;
模块M2:获得原始振动信号曲线并进行归一化拉平处理;
模块M3:对拉平处理后的信号进行高频高通滤波处理,对图像进行二值化处理,进行外部轮廓提取得到最小外接矩形;
模块M4:对拉平处理后的信号进行低频高通滤波处理,构建分类网络的时频图像数据集,对EfficientNet分类网络模型进行训练;
模块M5:根据最小外接矩形信息,结合通过EfficientNet分类网络获得的矩阵,实现分类报警。
具体地,在所述模块M1中:
模块M1.1:求解各个位置点在时间维度的能量信号,设定能量包络阈值An;
模块M1.2:随着时间变化,若能量值大于等于An,则保存本帧信号,若能量值小于阈值An的持续时间不超过预设值则持续保存为一个动作的信号,若持续时间大于等于预设值则拆分为两个动作的信号;
模块M1.3:在时间维度设定入侵持续时间阈值Tn,若截取到的信号持续时间小于Tn秒,则不作识别,若截取到的信号持续时间大于等于Tn秒,则被判定为单个入侵动作信号;
模块M1.4:在空间位置维度设定跨度范围阈值Pn,若两个入侵报警位置点之间的距离小于Pn则判定为同一个入侵行为导致的报警并进行合并,若两个入侵报警位置点之间的距离大于等于Pn,则判定为两个不同位置的入侵行为产生的报警。
具体地,在所述模块M3中:
步骤3.1:利用高频高通滤波器对拉平曲线信号进行高通滤波处理,滤除低频干扰信号影响,计算所有位置点随时间变化的能量信号,获取能量瀑布图;
步骤3.2:对能量瀑布图进行二值化处理,并去除边缘和孤立噪声;
步骤3.3:对处理后的二值图像进行外部轮廓提取,并获取外轮廓的最小外接矩形,通过最小外接矩形确定单个动作完整时空覆盖范围。
具体地,在所述模块M4中:
步骤4.1:利用低频高通滤波器对拉平曲线信号进行高通滤波处理,将处理后的信号以预设值为单位进行短时傅里叶变换,将一维信号转化为二维时频图数据;
步骤4.2:采集各类入侵信号以及干扰信号构建分类网络的时频图像数据集;
步骤4.3:配置运行环境,搭建EfficientNet神经网络框架;
步骤4.4:使用图像训练集对EfficientNet分类网络模型进行训练。
具体地,在所述模块M5中:
根据最小外接矩形坐标,结合完整动作提取算法中通过EfficientNet分类网络获得的时间空间维具体类别信息矩阵,统计最小外接矩形框中的类别信息,以出现次数最多的类别作为最终类别,以矩形框中间坐标作为报警位置点,从而实现分类报警。
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。
本发明属于光纤振动传感领域、时域信号处理领域及计算机视觉融合领域,涉及一种将能量瀑布图、完整时域动作信号提取技术与EfficientNet分类神经网络相结合的周界安防入侵报警算法。
针对上述现有技术中的缺陷,本发明要解决的技术问题体现在以下几点:
1)预处理操作是能量瀑布图生成算法中信号处理部分的重要环节,通过参数自适应算法减少需要人工调整的相关大量参数有助于更快速地选定最优的参数值,从而更好地从大量的原始振动信号中滤除干扰信号,筛选出真实入侵信号,降低信号数据量,节约计算成本,提升运算效率,更有效地生成能量瀑布图;
2)针对生成的能量瀑布图,对其进行完整动作的能量包络的确定,从而在空间维和时间维提取出动态长度的完整动作信号,动态地计算报警位置点及报警持续时间。因此,在时间维度上,一个完整动作信号仅进行一次识别检测,可以解决现有算法存在的对单个入侵动作重复截取重叠信息进行重复度较高的分类识别问题,从而避免在短时间内对大量重叠度较高的信息进行分类识别处理。在空间维度上,报警位置点最终显示的为入侵动作覆盖范围内的中间位置,可以避免由于单个入侵动作将带动周围几个甚至十几个位置点的报警在一定程度上导致的检测重复性及不确定性问题;
3)在通过计算得到了报警位置点及报警持续时间之后,对入侵点的振动信号进行完整动作提取和时频变换处理,将一维信号转变成完整动作的二维图像数据,生成完整动作对应的信号时频图,以此来代替人为限定的固定时间长度的信号提取以进行检测与分类,旨在解决由于仅截取固定时间长度的入侵信号使得无法完全表征完整的入侵信息,从而导致的对入侵动作类型的识别不够准确的问题。之后利用EfficientNet分类网络对二维图像数据进行分类处理,得到该入侵行为的具体入侵类别,作为入侵事件的分类报警结果。经过网络模型的不断训练学习,能够降低入侵事件的误报率,提升分类识别的准确度;
4)将能量瀑布图生成算法、完整时域动作信号提取算法和图像分类算法相结合可以实现对围栏型周界入侵事件的探测,以满足对人为入侵事件实时监测的要求。
本系统主要包括两个模块:空间-时间维完整动作提取算法模块、图像处理及分类融合算法模块。空间-时间维完整动作提取算法模块主要包含以下步骤:
步骤1:求解各个位置点在时间维度的能量信号,附图1代表某个位置点处的能量包络示意图,设定一个较低的能量包络阈值An;
步骤2:随着时间变化,若能量值大于An,则保存本帧信号,若能量值小于阈值An的持续时间不超过Tn秒则持续保存为一个动作的信号,即附图1中若eh之间的持续时间小于Tn秒时,则把A和B看作同一个入侵动作的信号,若eh之间的持续时间大于Tn秒则把A和B分别拆分为两个动作的信号;
步骤3:在时间维度设定入侵持续时间阈值Tn,若截取到的信号持续时间小于Tn秒,则不作识别(即滤除较短时间的虚警),其他情况则被判定为有效的单个入侵动作信号;
步骤4:在空间位置维度设定跨度范围阈值Pn,若两个入侵报警位置点之间的距离不超过Pn则判定为同一个入侵行为导致的报警并进行合并,若两个入侵报警位置点之间的距离超过Pn,则判定为两个不同位置的入侵行为产生的报警。
图像处理及分类融合算法流程图如附图2所示,该模块主要包含以下步骤:
步骤1:将定位型振动光纤传感器接入光纤,获得原始振动信号曲线;
步骤2:对原始振动信号曲线进行归一化拉平处理,消除信号幅度随位置点距离长度增加而衰弱的影响,使得所有位置点的幅值变化范围一致;
步骤3:利用450Hz高频高通滤波器对所有位置点信号进行高通滤波处理,滤除由硬件电路或运行环境引入的低频干扰信号影响,计算所有位置点随时间变化的能量信号,获取能量瀑布图;
步骤4:对能量瀑布图进行二值化处理,并利用图像开闭运算去除边缘和孤立噪声,如附图3、4图像所示;
步骤5:对处理后的二值图像进行外部轮廓提取,并获取外轮廓的最小外接矩形,如附图3、4所示,通过最小外接矩形确定单个动作完整时空覆盖范围;
步骤6:利用50Hz低频高通滤波器对步骤2获取到的拉平曲线信号进行高通滤波处理,将处理后的信号以0.3秒(1024个采样点)为单位进行短时傅里叶变换(short-timeFourier transform,STFT),将一维信号转化为二维时频图数据;
步骤7:采集各类入侵信号以及干扰信号构建分类网络的时频图像数据集;
步骤8:配置稳定良好的运行环境,搭建EfficientNet神经网络框架;
步骤9:使用步骤7构建的图像训练集对EfficientNet分类网络模型进行训练,由于EfficientNet分类网络具有B0~B7共8种不同的网络结构,本专利经过网络调参、模型训练时间及准确度等测试最终选定使用B4网络结构作为本专利的网络架构;
步骤10:根据步骤5得到的最小外接矩形坐标,结合完整动作提取算法中通过EfficientNet分类网络获得的时间-空间维具体类别信息矩阵,统计最小外接矩形框中的类别信息,以出现次数最多的类别作为最终类别,同时以矩形框中间坐标作为报警位置点,从而实现最终的分类报警。
实施例4:
实施例4为实施例1的优选例,以更为具体地对本发明进行说明。
实施举例:图像处理及分类融合算法模块
步骤2:对原始振动信号曲线进行归一化拉平处理,消除因光纤距离增大而导致的振动信号衰弱的影响。具体包含以下步骤:
步骤2.1:根据系统特性,获取原始振动信号,具体计算过程如公式1所示。
其中,表示表示第n帧的时域波形信号,m表示第n帧第m时刻,Pn(x,m)表示光纤阵列传感器在位置x处、时间t时刻的相干瑞利散射曲线幅度,表示为瑞利散射曲线的相位,Nn(m)表示硬件系统自身引入的噪声信号;
步骤3:对归一化拉平后的信号进行高通滤波处理,降低低频噪声干扰的影响,获取能量瀑布图。具体包含以下步骤:
步骤3.1:利用butter函数设计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[b0,b1,b2,a0,a1,a2],将系数代入差分方程得到滤波后信号,具体计算过程如公式5所示。
a0y(m)=b0x(m)+b1x(m-1)+d2x(m-2)-a1y(m-1)-a2y(m-2) (5)
其中,x(m)表示第m时刻滤波前的信号,y(m)表示第m时刻滤波后的信号,a0的值取1。经试验分析,确定截止频率为450Hz时去噪声效果最佳,截止频率为50Hz时用于生成时频图效果最佳。
步骤6:获取二维时频图。将疑似入侵位置点经过50Hz低频高通滤波处理后的信号值以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时频图数据,短时傅里叶变换计算过程如公式6所示:
其中x(t)表示时间点t的信号,h(τ-t)表示以时间点t为中心的分析窗函数,x(τ)h(τ-t)表示信号在分析时间点t附近的一个切片。对于给定时间t,STFT(t,f)可以看作是该时刻的频谱。
步骤7:构建完整入侵动作时频图像数据集。本专利为了对入侵信号进行精确地分类报警,将入侵动作信号分为五类:大风干扰、大车经过干扰、攀爬入侵、敲击入侵和钻网入侵。对采集的各类信号进行短时傅里叶变换(STFT)时频分析处理,将一维信号特征转换为各类信号的二维时频图特征,时频图像数据集共采集了5400张作为分类样本,按照6:2:2的比例将数据集分为训练集、验证集和测试集,其中3240张作为训练样本,1080张作为验证样本,1080张作为测试样本。附图5-附图8展示了部分类别的入侵训练样本图像,从图中可以看出,不同的入侵样本图像特征具有一定的差异,因此使用分类神经网络可以深层次地挖掘不同类别图像之间的特征差异,获得更好的图像分类效果。
步骤8:搭建EfficientNet网络结构。EfficientNet网络利用了混合维度放大的方法,通过混合系数φ平衡网络宽度,网络深度及图像分辨率三个维度的放缩倍率以获得更高的精度,具体计算过程如公式7所示。
EfficientNet B4网络结构中的主干网络结构如附表1所示,主干网络在MnasNet(基于MobileNet的改进网络)中MBConv模块的基础上进行构建,将MBConv模块中的(3×3卷积层+批归一化曾+ReLU激活函数)结构分解为(1×1卷积层+批归一化层+ReLU激活函数)+(3×3卷积层+批归一化层+ReLU激活函数)结构,并且因为Swish激活函数具有无上界有下界、非单调且平滑的特点,在准确率上表现优于传统的ReLU激活函数,因此在本专利所使用的EfficientNet B4网络结构中,将主干网络中的激活函数由ReLU函数更换为Swish函数。
步骤9:EfficientNet B4分类网络模型训练。本专利使用的模型训练环境配置如下:
操作系统:Win1064位
处理器(CPU):Intel(R)Xeon(R)E5-2680 v4 CPU@2.40GHz十四核二十八线程
内存(RAM):16.0GB
显卡(GPU):NVIDIA GeForce RTX 3090
编程环境:python+OpenCV+pyTorch
模型训练集样本共分为5类,分别为:大风干扰、大车经过干扰、攀爬入侵、敲击入侵和钻网入侵。训练集图像总数为3240张,采用EfficientNet B4结构,学习率的设置使用分段衰减函数,并使用Auto model search方法进行初始学习率等超参数的自动调节对比,训练过程中的训练损失曲线图和准确率曲线图如附图9、附图10所示,从图中可以看出,随着训练次数的增加模型训练损失值逼近0,准确率趋近1,表明网络模型在训练的过程中逐步收敛,在训练集上具有良好的分类效果。本专利为了进一步验证模型的泛化能力,还从图像数据集中随机分出了1080张图片作为测试集对模型进行了测试,最终的测试结果为模型准确率达99.54%,表明模型具有优秀的泛化能力,因此能够较好地完成分类任务,具有较强的实用性。
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 (10)
1.一种基于振动光纤探测和完整动作提取的入侵报警方法,其特征在于,包括:
步骤S1:求解并保存信号,设定阈值以判定入侵动作信号和报警;
步骤S2:获得原始振动信号曲线并进行归一化拉平处理;
步骤S3:对拉平处理后的信号进行高频高通滤波处理,对图像进行二值化处理,进行外部轮廓提取得到最小外接矩形;
步骤S4:对拉平处理后的信号进行低频高通滤波处理,构建分类网络的时频图像数据集,对EfficientNet分类网络模型进行训练;
步骤S5:根据最小外接矩形信息,结合通过EfficientNet分类网络获得的矩阵,实现分类报警。
2.根据权利要求1所述的基于振动光纤探测和完整动作提取的入侵报警方法,其特征在于,在所述步骤S1中:
步骤S1.1:求解各个位置点在时间维度的能量信号,设定能量包络阈值An;
步骤S1.2:随着时间变化,若能量值大于等于An,则保存本帧信号,若能量值小于阈值An的持续时间不超过预设值则持续保存为一个动作的信号,若持续时间大于等于预设值则拆分为两个动作的信号;
步骤S1.3:在时间维度设定入侵持续时间阈值Tn,若截取到的信号持续时间小于Tn秒,则不作识别,若截取到的信号持续时间大于等于Tn秒,则被判定为单个入侵动作信号;
步骤S1.4:在空间位置维度设定跨度范围阈值Pn,若两个入侵报警位置点之间的距离小于Pn则判定为同一个入侵行为导致的报警并进行合并,若两个入侵报警位置点之间的距离大于等于Pn,则判定为两个不同位置的入侵行为产生的报警。
3.根据权利要求1所述的基于振动光纤探测和完整动作提取的入侵报警方法,其特征在于,在所述步骤S3中:
步骤3.1:利用高频高通滤波器对拉平曲线信号进行高通滤波处理,滤除低频干扰信号影响,计算所有位置点随时间变化的能量信号,获取能量瀑布图;
步骤3.2:对能量瀑布图进行二值化处理,并去除边缘和孤立噪声;
步骤3.3:对处理后的二值图像进行外部轮廓提取,并获取外轮廓的最小外接矩形,通过最小外接矩形确定单个动作完整时空覆盖范围。
4.根据权利要求1所述的基于振动光纤探测和完整动作提取的入侵报警方法,其特征在于,在所述步骤S4中:
步骤4.1:利用低频高通滤波器对拉平曲线信号进行高通滤波处理,将处理后的信号以预设值为单位进行短时傅里叶变换,将一维信号转化为二维时频图数据;
步骤4.2:采集各类入侵信号以及干扰信号构建分类网络的时频图像数据集;
步骤4.3:配置运行环境,搭建EfficientNet神经网络框架;
步骤4.4:使用图像训练集对EfficientNet分类网络模型进行训练。
5.根据权利要求1所述的基于振动光纤探测和完整动作提取的入侵报警方法,其特征在于,在所述步骤S5中:
根据最小外接矩形坐标,结合完整动作提取算法中通过EfficientNet分类网络获得的时间空间维具体类别信息矩阵,统计最小外接矩形框中的类别信息,以出现次数最多的类别作为最终类别,以矩形框中间坐标作为报警位置点,从而实现分类报警。
6.一种基于振动光纤探测和完整动作提取的入侵报警系统,其特征在于,包括:
模块M1:求解并保存信号,设定阈值以判定入侵动作信号和报警;
模块M2:获得原始振动信号曲线并进行归一化拉平处理;
模块M3:对拉平处理后的信号进行高频高通滤波处理,对图像进行二值化处理,进行外部轮廓提取得到最小外接矩形;
模块M4:对拉平处理后的信号进行低频高通滤波处理,构建分类网络的时频图像数据集,对EfficientNet分类网络模型进行训练;
模块M5:根据最小外接矩形信息,结合通过EfficientNet分类网络获得的矩阵,实现分类报警。
7.根据权利要求6所述的基于振动光纤探测和完整动作提取的入侵报警系统,其特征在于,在所述模块M1中:
模块M1.1:求解各个位置点在时间维度的能量信号,设定能量包络阈值An;
模块M1.2:随着时间变化,若能量值大于等于An,则保存本帧信号,若能量值小于阈值An的持续时间不超过预设值则持续保存为一个动作的信号,若持续时间大于等于预设值则拆分为两个动作的信号;
模块M1.3:在时间维度设定入侵持续时间阈值Tn,若截取到的信号持续时间小于Tn秒,则不作识别,若截取到的信号持续时间大于等于Tn秒,则被判定为单个入侵动作信号;
模块M1.4:在空间位置维度设定跨度范围阈值Pn,若两个入侵报警位置点之间的距离小于Pn则判定为同一个入侵行为导致的报警并进行合并,若两个入侵报警位置点之间的距离大于等于Pn,则判定为两个不同位置的入侵行为产生的报警。
8.根据权利要求6所述的基于振动光纤探测和完整动作提取的入侵报警系统,其特征在于,在所述模块M3中:
步骤3.1:利用高频高通滤波器对拉平曲线信号进行高通滤波处理,滤除低频干扰信号影响,计算所有位置点随时间变化的能量信号,获取能量瀑布图;
步骤3.2:对能量瀑布图进行二值化处理,并去除边缘和孤立噪声;
步骤3.3:对处理后的二值图像进行外部轮廓提取,并获取外轮廓的最小外接矩形,通过最小外接矩形确定单个动作完整时空覆盖范围。
9.根据权利要求6所述的基于振动光纤探测和完整动作提取的入侵报警系统,其特征在于,在所述模块M4中:
步骤4.1:利用低频高通滤波器对拉平曲线信号进行高通滤波处理,将处理后的信号以预设值为单位进行短时傅里叶变换,将一维信号转化为二维时频图数据;
步骤4.2:采集各类入侵信号以及干扰信号构建分类网络的时频图像数据集;
步骤4.3:配置运行环境,搭建EfficientNet神经网络框架;
步骤4.4:使用图像训练集对EfficientNet分类网络模型进行训练。
10.根据权利要求6所述的基于振动光纤探测和完整动作提取的入侵报警系统,其特征在于,在所述模块M5中:
根据最小外接矩形坐标,结合完整动作提取算法中通过EfficientNet分类网络获得的时间空间维具体类别信息矩阵,统计最小外接矩形框中的类别信息,以出现次数最多的类别作为最终类别,以矩形框中间坐标作为报警位置点,从而实现分类报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283901.0A CN114742096A (zh) | 2022-03-22 | 2022-03-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283901.0A CN114742096A (zh) | 2022-03-22 | 2022-03-22 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742096A true CN114742096A (zh) | 2022-07-12 |
Family
ID=82277603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210283901.0A Pending CN114742096A (zh) | 2022-03-22 | 2022-03-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742096A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471966A (zh) * | 2022-08-02 | 2022-12-13 | 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) | 基于振动光纤探测的自学习入侵报警方法、系统、介质及设备 |
CN117421644A (zh) * | 2023-12-19 | 2024-01-19 | 商飞智能技术有限公司 | 无线设备入侵检测方法及装置 |
-
2022
- 2022-03-22 CN CN202210283901.0A patent/CN114742096A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471966A (zh) * | 2022-08-02 | 2022-12-13 | 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) | 基于振动光纤探测的自学习入侵报警方法、系统、介质及设备 |
CN117421644A (zh) * | 2023-12-19 | 2024-01-19 | 商飞智能技术有限公司 | 无线设备入侵检测方法及装置 |
CN117421644B (zh) * | 2023-12-19 | 2024-05-31 | 商飞智能技术有限公司 | 无线设备入侵检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109616140B (zh) | 一种异常声音分析系统 | |
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 | |
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 | |
CN105931402A (zh) | 基于图像识别的光纤周界入侵监测方法 | |
CN107527617A (zh) | 基于声音识别的监控方法、装置及系统 | |
CN105261136B (zh) | 一种光纤监测报警系统中屏蔽天气干扰的方法及装置 | |
US8704662B2 (en) | Method and apparatus for monitoring a structure | |
CN102045120A (zh) | 光纤周界系统的振动信号识别方法 | |
US20130272095A1 (en) | Integrated audio-visual acoustic detection | |
CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及系统 | |
CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
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 | |
CN105606198A (zh) | 光纤振动传感系统两级信号特征提取与判别方法 | |
CN112907869A (zh) | 基于多种传感技术的入侵检测系统 | |
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 | |
CN111222461A (zh) | 一种光纤振动探测系统入侵信号的识别方法 | |
Zhu et al. | Self-learning filtering method based on classification error in distributed fiber optic system | |
Anghelescu et al. | Human footstep detection using seismic sensors | |
CN108280950B (zh) | 一种基于高频能量分布的防区型光纤周界防护算法 | |
CN105139869A (zh) | 一种基于区间差分特征的婴儿啼哭检测方法 | |
JP2024043491A (ja) | 調整の必要性が低減された侵入検知アルゴリズム | |
CN116740885A (zh) | 烟雾火焰报警方法、装置、电子设备及存储介质 | |
CN113534276B (zh) | 基于Faster R-CNN的铁路入侵行为检测方法 | |
CN110346032A (zh) | 一种基于恒虚警与过零率相结合的φ-otdr振动信号端点检测方法 | |
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 |
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 |