CN115077681A - 一种融合移动图像识别的分布式光纤振动监测系统 - Google Patents
一种融合移动图像识别的分布式光纤振动监测系统 Download PDFInfo
- Publication number
- CN115077681A CN115077681A CN202110281257.9A CN202110281257A CN115077681A CN 115077681 A CN115077681 A CN 115077681A CN 202110281257 A CN202110281257 A CN 202110281257A CN 115077681 A CN115077681 A CN 115077681A
- Authority
- CN
- China
- Prior art keywords
- vibration
- optical fiber
- event
- recognition result
- module
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种融合移动图像识别的分布式光纤振动监测系统,光纤振动监测模块、边缘计算模块和无人机模块;所述光纤振动监测模块用于获取振动信号;所述边缘计算模块用于对所述振动信号进行分析,判断是否有振动事件发生,若是,则获取所述振动事件的发生位置和所述振动事件的第一识别结果;所述无人机模块用于获取所述振动事件的发生位置的现场图像并对所述现场图像进行识别,得到第二识别结果;所述边缘计算模块还用于对所述第一识别结果和所述第二识别结果进行融合计算,获得最终的识别结果。本发明通过对两种识别方式的识别结果进行融合,有效地提高到了振动识别的准确性。
Description
技术领域
本发明涉及振动监测领域,尤其涉及一种融合移动图像识别的分布式光纤振动监测系统。
背景技术
相位敏感光时域反射型(Φ-OTDR)分布式光纤振动感测技术具有灵敏度高、覆盖范围广等优势,是实现第三方的破坏活动识别的一种很好的选择。但是由于分布式光纤传感系统在地理空间上分布广泛,经过的地区地形、地质复杂,因此传感器信号受到的干扰因素很多。如果直接把分布式光纤传感器输出的时序数据应用于振动事件识别,很难得到准确的识别结果。
发明内容
鉴于上述问题,本发明的目的在于提供一种融合移动图像识别的分布式光纤振动监测系统。
本发明提供了一种融合移动图像识别的分布式光纤振动监测系统,其包括光纤振动监测模块、边缘计算模块和无人机模块;
所述光纤振动监测模块用于获取振动信号,并将所述振动信号传输至所述边缘计算模块;
所述边缘计算模块用于对所述振动信号进行分析,判断是否有振动事件发生,若是,则获取所述振动事件的发生位置和所述振动事件的第一识别结果,并将所述振动事件的发生位置传输至所述无人机模块;
所述无人机模块用于获取所述振动事件的发生位置的现场图像并对所述现场图像进行识别,得到第二识别结果,并将所述第二识别结果发送至所述边缘计算模块;
所述边缘计算模块还用于对所述第一识别结果和所述第二识别结果进行融合计算,获得最终的识别结果。
优选地,所述获取振动信号,包括:
通过相位敏感光时域反射型分布式光纤振动传感器获取振动信号。
优选地,所述相位敏感光时域反射型分布式光纤振动传感器包括激光信号输出单元、分布式传感单元、环形器单元和数据采集处理单元;
所述激光信号输出单元用于产生光脉冲,并通过所述环形器单元将所述光脉冲注入到所述分布式传感单元中;
所述数据采集单元用于获取经过所述环形器单元的所述分布式传感单元产生的干涉光,并将所述干涉光转换为振动信号。
优选地,所述激光信号输出单元包括超窄线宽激光器和声光调制器,所述超窄线宽激光器用于产生激光,所述声光调制器用于将所述激光调制为光脉冲。
优选地,所述分布式传感单元包括传感光纤。
优选地,所述数据采集单元包括光电检测器、放大器和数据采集卡;
所述光电检测器用于对所述传感光纤内产生的干涉光进行检测,并将检测到的干涉光传输至所述放大器;
所述放大器用于对所述干涉光进行放大处理,获得放大后的干涉光;
所述数据采集卡用于将所述放大后的干涉光转换为振动信号。
优选地,所述无人机模块包括通信单元、数字摄像头和机载边缘计算机;
所述通信单元用于与所述边缘计算模块进行通信,接收所述边缘计算模块发送过来的所述振动事件的发生位置;
所述数字摄像头用于获取所述振动事件的发生位置的现场图像,并将所述现场图像传输至所述机载边缘计算机;
所述机载边缘计算机用于对所述现场图像进行识别,得到第二识别结果。
优选地,所述第一识别结果包括振动事件的类型和每种类型的振动事件的第一发生概率;
所述第二识别结果包括振动事件的类型和每种类型的振动事件的第二发生概率。
优选地,所述对所述第一识别结果和所述第二识别结果进行融合计算,获得最终的识别结果,包括:
分别计算每种类型的振动事件发生的最终发生概率,将最终发生概率最大的振动事件的类型作为最终的识别结果;
所述最终概率的计算方式如下:
式中,finalp(n)表示第n种类型的振动事件的最终发生概率,firstp(n)和secondp(n)分别表示第n种类型的振动事件的第一发生概率和第二发生概率,N表示振动事件的类型的总数,firstp(m)和secondp(m)分别表示第m种类型的振动事件的第一发生概率和第二发生概率。
与现有技术相比,本发明的优点在于:
现有技术仅仅是通过振动信号来识别振动事件的类型,但是由于分布式光纤传感器容易受到干扰,因此识别结果往往不够准确,可靠性不够高。
而本发明不仅仅是通过振动信号来识别振动事件的类型,而是在根据振动信号获得第一识别结果后,继续依据振动事件的发生位置的现场图像来获得第二识别结果,并对第一识别结果和第二识别结果进行融合计算,得到最终的识别结果。从而大幅度提升了识别结果的可靠性。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1,为本发明一种融合移动图像识别的分布式光纤振动监测系统的一种示例性实施例图。
图2,为本发明卷积长短期记忆全连接神经网络算法的结构的一种示例性实施例图。
图3,为本发明卷积长短期记忆全连接神经网络算法的实现过程的一种示例性实施例图。
图4,为本发明的相位敏感光时域反射型分布式光纤振动传感器的一种示例性实施例图。
图5,为本发明无人机模块的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示的一种实施例,本发明提供了一种融合移动图像识别的分布式光纤振动监测系统,其包括光纤振动监测模块、边缘计算模块和无人机模块;
所述光纤振动监测模块用于获取振动信号,并将所述振动信号传输至所述边缘计算模块;
所述边缘计算模块用于对所述振动信号进行分析,判断是否有振动事件发生,若是,则获取所述振动事件的发生位置和所述振动事件的第一识别结果,并将所述振动事件的发生位置传输至所述无人机模块;
所述无人机模块用于获取所述振动事件的发生位置的现场图像并对所述现场图像进行识别,得到第二识别结果,并将所述第二识别结果发送至所述边缘计算模块;
所述边缘计算模块还用于对所述第一识别结果和所述第二识别结果进行融合计算,获得最终的识别结果。
优选地,所述获取振动信号,包括:
通过相位敏感光时域反射型分布式光纤振动传感器获取振动信号。
优选地,所述相位敏感光时域反射型分布式光纤振动传感器与地面边缘计算机之间通过USB接口进行连接,所述相位敏感光时域反射型分布式光纤振动传感器通过所述USB接口将所述振动信号传输至所述边缘计算模块。
优选地,所述边缘计算模块包括地面边缘计算机和通信装置;
所述通信装置通过串行通讯接口与地面边缘计算机连接;
所述地面边缘计算机用于对所述振动信号进行分析,判断是否有振动事件发生,若是,则获取所述振动事件的发生位置和所述振动事件的第一识别结果,并通过所述通信装置将所述振动事件的发生位置传输至所述无人机模块。
优选地,所述地面边缘计算机通过卷积长短期记忆全连接神经网络算法,对所述振动信号进行分析,判断是否有振动事件发生,若是,则获取所述振动事件的发生位置和所述振动事件的第一识别结果。
如图2所示,图中Xt-m,Xt,Xt+1分别表示t-m、t、t+1时刻的时域信号,即振动信号。卷积长短期记忆全连接神经网络(CLDNN)算法,包括两个卷积网络层、一个线性层、长短记忆网络层、一个全连接深度网络层。CLDNN(卷积、长短期记忆、全连接深神经网络)模型通过将CNN、LSTM和DNN结合起来融合到一个网络中,相比其他网络能够获得更好的性能。CLDNN模型结构具体如下:
(1)卷积网络。在卷积网络中,包括两个卷积层,其中第一个卷积层(CNN)包含一个卷积层(CNN)和一个1x5的频率时域滤波器,一个大小为2和步幅为2的最大池化层。第二个卷积层(CNN)包含一个具有64个特征映射的卷积层和一个1×5频率滤波器,而没有最大池层。
(2)线性层。由于卷积网络最后一层的输出的维度很高,通过在卷积网络和长短期记忆(LSTM)网络之间增加一个具有256个输出的dim red线性层,实现降低维度目标。
(3)长短期记忆(LSTM)层。采用一个具有64个单元,每个单元有256个隐含长短期记忆(LSTM)单元的长短期记忆(LSTM)层,将通过线性层降维后特征的输出作为长短期记忆(LSTM)网络的输入,用于实现减少时域变化,实现频域和时域的建模。
(4)全连接(DNN)层。使用全连接(DNN)层作为输出结果,全连接(DNN)层增加了隐藏层和输出层之间的深度,将长短期记忆(LSTM)层的输出作为全连接(DNN)层的输入,实现特征映射到离散空间,能够获得更强的预测能力。
如图3所示,卷积长短期记忆全连接神经网络(CLDNN)算法的具体实现方法如下:
第一步:准备训练数据集。将激光信号调制为脉宽为486ns的激光脉冲信号,调制后的激光脉冲通过环形器注入到长输管道伴行光纤中,对应的空间分辨率为50m。将一条布防段设置为1024采样段,每个区段的长度均为50m,超出光纤长度部分的区段的值为0,即视为安静区段。设置系统的采样频率为2kHz。之后在整个光缆上方环境较为安静的时段夜间11点开始,选取距离发射端为5km的光纤上方进行挖掘机挖掘事件数据采集;再选择距离发射端25km的光纤上方,使用两辆小轿车来回经过,经过的周期是8s,来模拟车辆事件进行采集;最后选取距离发射端为45km的光纤上方进行人工开挖事件数据采集。分别采集持续时间为256s的数据作为训练实验样本。
第二步,模型设计。卷积长短期记忆全连接神经网络(CLDNN)的算法模型,具体包括两个卷积网络层、一个线性层、长短记忆网络层、一个全连接深度网络层。
第三步,模型构建。在完成原始信号数据的采集后,按8s的长度对信号进行分割,构建训练数据集。为了扩大训练事件标记训练集的数量,获得大量的标记训练样本。采用以8s为长度的时间窗口,并按每4个采样点进行滑动的方法进行训练数据标记。根据事件的类型,对信号以8s的长度作为一个标记,按照前面的样本的之制作方法,CLDNN神经网络模型中大概有372000个8s信号,其中挖掘信号大约有124000个,车辆信号大约有124000个,人工开挖信号大约有124000个。
第四步,模型代码实现。在本系统中,训练模型使用Keras进行实现,模型(Model)采用Keras的Sequential进行构建。Keras是基于Python语言编写的高级神经网络API(Application Programming Interface应用程序接口),Sequential是一种神经网络线性模型。代码实现上,首先建立一个Sequential模型,然后通过调用add函数,把各层加入到模型中即可完成模型的构建实现工作。
第五步,模型训练。训练数据采用原始的时域采样数据,数据的空间分辨率为1024个点,每个点代表的光纤长度是50米。数据的采样频率是2KHz,采样时间持续是256秒。训练集(training set)样本为372000组数据,验证集(validation set)为训练集样本的5%。每组数据的时间为8秒,因此每组数据包括1024*2000*4(8M)个浮点型数据。同时,作为有监督的学习模型,需要对应数量的标记好的数据作为目标变量集,目标变量集采用人工标记的方法得到,截取三种事件的有效断,并赋予相应的事件类型。模型训练参数的批次大小(batch size),迭代次数(epochs)可通过手动调整,最终得到识别正确率最高的模型。在训练模型之前,通过Compile函数来对学习过程中的参数进行配置。Compile函数有三个参数,其中选用优化器optimizer='adadelta',损失函数loss='binary_crossentropy',指标列表metrics采用默认值。
第六步,结果分析。通过实验验证,发现使用CLDNN训练得到的模型对原始的时域采样信号有良好的识别率。适当调整模型训练参数中批次大小(batch size)和迭代次数(epochs)的数值,可以使正确识别率达到96%以上,具有较高的可靠性。
优选地,所述通信装置包括3G通信装置、4G通信装置、5G通信装置。
优选地,如图4所示,所述相位敏感光时域反射型分布式光纤振动传感器包括激光信号输出单元、分布式传感单元、环形器单元和数据采集处理单元;
所述激光信号输出单元用于产生光脉冲,并通过所述环形器单元将所述光脉冲注入到所述分布式传感单元中;
所述数据采集单元用于获取经过所述环形器单元的所述分布式传感单元产生的干涉光,并将所述干涉光转换为振动信号。
优选地,所述激光信号输出单元包括超窄线宽激光器和声光调制器,所述超窄线宽激光器用于产生激光,所述声光调制器用于将所述激光调制为光脉冲。
优选地,所述分布式传感单元包括传感光纤。
优选地,所述数据采集单元包括光电检测器、放大器和数据采集卡;
所述光电检测器用于对所述传感光纤内产生的干涉光进行检测,并将检测到的干涉光传输至所述放大器;
所述放大器用于对所述干涉光进行放大处理,获得放大后的干涉光;
所述数据采集卡用于将所述放大后的干涉光转换为振动信号。
优选地,如图5所示,所述无人机模块包括通信单元、数字摄像头和机载边缘计算机;
所述通信单元用于与所述边缘计算模块进行通信,接收所述边缘计算模块发送过来的所述振动事件的发生位置;
所述数字摄像头用于获取所述振动事件的发生位置的现场图像,并将所述现场图像传输至所述机载边缘计算机;
所述机载边缘计算机用于对所述现场图像进行识别,得到第二识别结果。
无人机模块停放在地面无人机场,在接收到所述振动事件的发生位置后,无人机模块飞往所述发生位置,通过数字摄像头获取所述振动事件的发生位置的现场图像。
优选地,所述机载边缘计算机包括图像预处理单元和图像识别单元;
所述图像预处理单元用于对所述现场图像进行预处理,获得预处理图像;
所述图像识别单元用于对所述预处理图像进行图像识别处理,获得第二识别结果。
优选地,所述对所述现场图像进行预处理,获得预处理图像,包括:
对所述现场图像进行自定义灰度化处理,获得灰度图像;
对所述灰度图像进行降噪处理,获得降噪图像;
对所述降噪图像进行前景识别处理,获得预处理图像。
预处理图像经过了降噪处理和前景识别处理,能够避免噪声对后续的识别的影响,以及能够有效地降低参与后续识别运算的像素点的数量,加快识别速度,从而提高振动监测系统的响应速度。
优选地,所述对所述现场图像进行自定义灰度化处理,获得灰度图像,包括:
(1)使用加权平均值算法对所述现场图像进行初步灰度化处理,获得中间图像:
midp(a)=0.114B(a)+0.587G(a)+0.299R(a)
式中,R(a)、G(a)、B(a)分别表示所述现场图像中的像素点a在RGB颜色模型中的红色分量、绿色分量、蓝色分量的值;midp(a)表示a在中间图像中的像素值;
(2)分别计算所述现场图像中的像素点与其4邻域的像素点之间的差别参数:
式中,cbx(b)表示所述现场图像中的像素点b与其4邻域的像素点之间的差别参数,Ub表示的像素点b的4邻域的像素点的集合,c表示Ub中的元素,nUb表示Ub中的元素的数量,w1、w2、w3表示预设的权重参数,L(b)和L(c)分别表示b和c在Lab颜色模型中的亮度分量的值,A(c)和A(b)分别表示b和c在Lab颜色模型中的红色到绿色的范围的取值,B(c)和B(b)分别表示b和c在Lab颜色模型中的黄色到蓝色的范围的取值;
(3)使用迭代计算的方式将中间图像转换为灰度图像;
第1次迭代,对于中间图像中像素值处于(gmax-xjv,gmax]的像素点,xjv表示预设的像素值区间间隔,gmax表示所述中间图像中的像素值的最大值,使用转换公式对所述像素点进行转换处理,获得第1次迭代图像;
第u次迭代,对于第u-1次迭代图像中像素值处于(gmax-u×xjv,gmax-(u-1)×xjv]的像素点,使用转换公式对所述像素点进行转换处理,获得第u次迭代图像;
迭代结束的条件为[gmax-(u-1)×xjv]-(gmax-u×xjv)<xjv;
所述转换公式包括:
式中,ag(d)表示中间图像中像素值处于(gmax-xjv,gmax]的像素点d的处理后的像素值,cbx(d)表示像素点d在所述现场图像中对应的像素点与其4邻域的像素点之间的差别参数;dmax表示在中间图像中,像素点d的4邻域中的像素值最大的像素点,cbx(dmax)表示像素点dmax在所述现场图像中的对应的像素点与其4邻域的像素点之间的差别参数;
将迭代结束后获得的迭代图像作为灰度图像。
现有技术中,对图像的灰度化处理,从RGB图像转换到灰度图像,会导致使得像素点之间的差别信息在一定程度上丢失,从而减少了后续的图像识别的信息量,因此,会降低图像识别的准确率,而本申请通过计算差别参数,然后采用迭代计算的方式,对像素点之间的差别信息进行一定程度的修复,从而提高后续的图像识别的准确率。具体地,在计算差别参数时,考虑了当前像素点与其4邻域的像素点在Lab颜色模型中的差异,能够避免光照不均对差别参数的影响,提高修复的准确率。而采用迭代的方式,能够进一步提高修复的准确率,在中间图像中像素值较大的像素点,其在现场图像中的像素值一般也比较大,也就是说,这些像素点的像素值较为准确,因此,以此为基础,使用迭代的方式进行修复,使得中间图像中值较为准确的像素值传递到下一次的修复迭代运算中,从而提高修复的准确性,进而提高对现场图像进行识别的准确性以及振动监测系统的准确性。
优选地,所述对所述灰度图像进行降噪处理,获得降噪图像,包括:
对所述灰度图像进行小波分解处理,获得高频系数和低频系数;
对高频系数进行阈值处理,获得处理后的高频系数:
式中,afg(z)表示处理后的高频系数,thre表示所述灰度图像的自适应处理阈值,z表示处理前的高频系数;
将低频系数和所述处理后的高频系数进行重构,获得降噪图像。
使用小波降噪的方式进行降噪处理,能够在最大程度保留图像的边缘细节信息的同时对图像中的噪点进行有效的降噪处理,从而避免出现像高斯降噪导致的边缘细节丢失较多的问题。而传统对高频系数进行阈值处理时,一般仅是设置固定的处理阈值,这种处理方式显然并不适合所有的图像,因此,本申请设置了自适应阈值,能够根据待进行小波分解的图像的实际情况产生不同的阈值,针对性更高,降噪效果更好。
优选地,所述自适应处理阈值通过下述方式获取:
对于待进行小波分解的灰度图像dfp,使用heursure算法获取对dfp进行阈值处理的处理阈值cst;
使用cst+k×0.1作为软阈值处理算法中的阈值参数,k∈[-bf,bf],bf表示对dfp进行小波分解的最佳分解层数,k为整数,使用所述阈值参数对dfp进行阈值处理,获得2bf+1个处理后的高频系数;
分别计算第q个处理后的高频系数和第q+1个处理后的高频系数之间的差值的绝对值:
zdx(q,q+1)=|agq(z)-agq+1(z)|
式中,zdx(q,q+1)表示第q个处理后的高频系数和第q+1个处理后的高频系数之间的差值的绝对值,agq(z)表示第q个处理后的高频系数,agq+1(z)表示第q+1个处理后的高频系数;q∈[1,2bf];
将2bf个绝对值中的最小值所对应的两个处理后的高频系数分别记为agmin(z)和agmin+1(z),将agmin(z)和agmin+1(z)对应的阈值参数分别记为yzmin和yzmin+1;
自适应处理阈值的计算方式如下:
式中,thredfp表示dfp的自适应处理阈值。
在计算自适应处理阈值时,除了通过heursure算法获取cst,还在cst前后范围内选取不同的处理阈值对待进行小波分解的灰度图像的高频系数进行处理,从而通过两个相邻的处理后的高频系数的绝对值差值来获取最佳的自适应处理阈值,从而有效提高了对高频系数进行阈值处理的准确性,进而提高降噪的准确性。
优选地,所述对所述预处理图像进行图像识别处理,获得第二识别结果,包括:
使用卷积神经网络(Convolutional Neural Networks,CNNs)算法对所述预处理图像进行图像识别处理,获得第二识别结果。
优选地,所述第一识别结果包括振动事件的类型和每种类型的振动事件的第一发生概率;
所述第二识别结果包括振动事件的类型和每种类型的振动事件的第二发生概率。
优选地,所述对所述第一识别结果和所述第二识别结果进行融合计算,获得最终的识别结果,包括:
分别计算每种类型的振动事件发生的最终发生概率,将最终发生概率最大的振动事件的类型作为最终的识别结果;
所述最终概率的计算方式如下:
式中,finalp(n)表示第n种类型的振动事件的最终发生概率,firstp(n)和secondp(n)分别表示第n种类型的振动事件的第一发生概率和第二发生概率,N表示振动事件的类型的总数,firstp(m)和secondp(m)分别表示第m种类型的振动事件的第一发生概率和第二发生概率。
振动事件的类型包括挖掘机型振动事件、车辆型振动事件、人工开挖型振动事件等。可以根据现场图像中包含的轮胎痕迹、挖坑大小等条件来判断振动事件的类型。
与现有技术相比,本发明的优点在于:
现有技术仅仅是通过振动信号来识别振动事件的类型,但是由于分布式光纤传感器容易受到干扰,因此识别结果往往不够准确,可靠性不够高。
而本发明不仅仅是通过振动信号来识别振动事件的类型,而是在根据振动信号获得第一识别结果后,继续依据振动事件的发生位置的现场图像来获得第二识别结果,并对第一识别结果和第二识别结果进行融合计算,得到最终的识别结果。从而大幅度提升了识别结果的可靠性。
尽管已经示出和描述了本发明的实施例,本领域技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种融合移动图像识别的分布式光纤振动监测系统,其特征在于,其包括光纤振动监测模块、边缘计算模块和无人机模块;
所述光纤振动监测模块用于获取振动信号,并将所述振动信号传输至所述边缘计算模块;
所述边缘计算模块用于对所述振动信号进行分析,判断是否有振动事件发生,若是,则获取所述振动事件的发生位置和所述振动事件的第一识别结果,并将所述振动事件的发生位置传输至所述无人机模块;
所述无人机模块用于获取所述振动事件的发生位置的现场图像并对所述现场图像进行识别,得到第二识别结果,并将所述第二识别结果发送至所述边缘计算模块;
所述边缘计算模块还用于对所述第一识别结果和所述第二识别结果进行融合计算,获得最终的识别结果。
2.根据权利要求1所述的一种融合移动图像识别的分布式光纤振动监测系统,其特征在于,所述获取振动信号,包括:
通过相位敏感光时域反射型分布式光纤振动传感器获取振动信号。
3.根据权利要求2所述的一种融合移动图像识别的分布式光纤振动监测系统,其特征在于,所述相位敏感光时域反射型分布式光纤振动传感器包括激光信号输出单元、分布式传感单元、环形器单元和数据采集处理单元;
所述激光信号输出单元用于产生光脉冲,并通过所述环形器单元将所述光脉冲注入到所述分布式传感单元中;
所述数据采集单元用于获取经过所述环形器单元的所述分布式传感单元产生的干涉光,并将所述干涉光转换为振动信号。
4.根据权利要求3所述的一种融合移动图像识别的分布式光纤振动监测系统,其特征在于,所述激光信号输出单元包括超窄线宽激光器和声光调制器,所述超窄线宽激光器用于产生激光,所述声光调制器用于将所述激光调制为光脉冲。
5.根据权利要求4所述的一种融合移动图像识别的分布式光纤振动监测系统,其特征在于,所述分布式传感单元包括传感光纤。
6.根据权利要求5所述的一种融合移动图像识别的分布式光纤振动监测系统,其特征在于,所述数据采集单元包括光电检测器、放大器和数据采集卡;
所述光电检测器用于对所述传感光纤内产生的干涉光进行检测,并将检测到的干涉光传输至所述放大器;
所述放大器用于对所述干涉光进行放大处理,获得放大后的干涉光;
所述数据采集卡用于将所述放大后的干涉光转换为振动信号。
7.根据权利要求1所述的一种融合移动图像识别的分布式光纤振动监测系统,其特征在于,所述无人机模块包括通信单元、数字摄像头和机载边缘计算机;
所述通信单元用于与所述边缘计算模块进行通信,接收所述边缘计算模块发送过来的所述振动事件的发生位置;
所述数字摄像头用于获取所述振动事件的发生位置的现场图像,并将所述现场图像传输至所述机载边缘计算机;
所述机载边缘计算机用于对所述现场图像进行识别,得到第二识别结果。
8.根据权利要求1所述的一种融合移动图像识别的分布式光纤振动监测系统,其特征在于,
所述第一识别结果包括振动事件的类型和每种类型的振动事件的第一发生概率;
所述第二识别结果包括振动事件的类型和每种类型的振动事件的第二发生概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281257.9A CN115077681A (zh) | 2021-03-16 | 2021-03-16 | 一种融合移动图像识别的分布式光纤振动监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110281257.9A CN115077681A (zh) | 2021-03-16 | 2021-03-16 | 一种融合移动图像识别的分布式光纤振动监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115077681A true CN115077681A (zh) | 2022-09-20 |
Family
ID=83246375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110281257.9A Pending CN115077681A (zh) | 2021-03-16 | 2021-03-16 | 一种融合移动图像识别的分布式光纤振动监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115077681A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132601A (zh) * | 2023-10-27 | 2023-11-28 | 山东飞博赛斯光电科技有限公司 | 一种基于分布式光纤传感的管道模式识别方法及系统 |
-
2021
- 2021-03-16 CN CN202110281257.9A patent/CN115077681A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132601A (zh) * | 2023-10-27 | 2023-11-28 | 山东飞博赛斯光电科技有限公司 | 一种基于分布式光纤传感的管道模式识别方法及系统 |
CN117132601B (zh) * | 2023-10-27 | 2024-01-23 | 山东飞博赛斯光电科技有限公司 | 一种基于分布式光纤传感的管道模式识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2694021C1 (ru) | Способ и устройство идентификации частей фрагментированного материала в пределах изображения | |
US11783452B2 (en) | Traffic monitoring using distributed fiber optic sensing | |
CN112434643A (zh) | 低慢小目标的分类识别方法 | |
CN110991430B (zh) | 基于遥感图像的地物识别及覆盖率计算方法及系统 | |
CN109741340B (zh) | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 | |
CN115077681A (zh) | 一种融合移动图像识别的分布式光纤振动监测系统 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
CN111027508A (zh) | 一种基于深层神经网络的遥感图像覆被变化检测方法 | |
CN114218999A (zh) | 一种基于融合图像特征的毫米波雷达目标检测方法及系统 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN115358952B (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
CN113989509B (zh) | 基于图像识别的农作物虫害检测方法、检测系统及设备 | |
CN113033355B (zh) | 一种基于密集输电通道的异常目标识别方法和装置 | |
CN112926380B (zh) | 一种新型水下激光目标智能识别系统 | |
CN114359332A (zh) | 基于深度图像的目标跟踪方法、装置、设备和介质 | |
CN104239903A (zh) | 一种基于qpso算法的图像边缘检测方法 | |
Saxena et al. | A review on applicability of deep learning for remote sensing applications | |
Hoque et al. | Seagrass propeller scar detection using deep convolutional neural network | |
CN112133100A (zh) | 一种基于r-cnn的车辆检测方法 | |
CN113888362B (zh) | 一种基于时空张量特征的压路机施工轨迹识别方法 | |
CN116863251B (zh) | 一种分布式光纤传感扰动识别方法 | |
CN111414847B (zh) | 蛙人识别方法、装置、设备和介质 | |
CN114040089A (zh) | 一种图像处理方法、装置、设备及计算机可读存储介质 | |
CN115311711A (zh) | 一种口罩佩戴识别检测方法、装置、存储介质及系统 |
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 |