CN115762023A - 基于深度学习的定位型入侵行为识别方法 - Google Patents
基于深度学习的定位型入侵行为识别方法 Download PDFInfo
- Publication number
- CN115762023A CN115762023A CN202211278603.9A CN202211278603A CN115762023A CN 115762023 A CN115762023 A CN 115762023A CN 202211278603 A CN202211278603 A CN 202211278603A CN 115762023 A CN115762023 A CN 115762023A
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- deep learning
- module
- 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.)
- Pending
Links
Images
Landscapes
- Burglar Alarm Systems (AREA)
Abstract
本发明涉及光纤传感技术领域，具体的说是一种能够准确定位入侵行为位置点、监测人员攀爬、人为撞击等危害周界安全的入侵行为，屏蔽大风、雨水等干扰性行为同时提升响应速度的基于深度学习的定位型入侵行为识别方法，通过对原始光纤振动信号进行预处理提取光纤信号时域、频域特征，同时进行入侵点定位与行为类型识别，在保证入侵行为识别准确率的同时提升扰动定位准确性、缩短响应时长，利用轻量化卷积模块、卷积残差模块充分提取时、频、空三域特征，同时使用位置回归、分类算法结构分别进行入侵点定位与入侵行为类型识别增强算法锚向性，在保证入侵行为识别准确度的同时缩短响应时长。
Description
技术领域：
本发明涉及光纤传感技术领域，具体的说是一种能够准确定位入侵行为位置点、监测人员攀爬、人为撞击等危害周界安全的入侵行为，屏蔽大风、雨水等干扰性行为同时提升响应速度的基于深度学习的定位型入侵行为识别方法。
背景技术：
传统的人工监测的方法往往受到时间、地域、成本等方面的制约，难免出现疏忽与遗漏；分布式光纤周界入侵检测技术同时具备监测距离长、入侵位置定位准确、快速响应的优势，在园区周界安防领域得到广泛应用。由于周界环境的复杂性、干扰因素多样性使得光纤周界入侵行为识别算法在周界安防领域面临严峻挑战。
目前的光纤周界安全预警技术多采用阈值法、机器学习方法进行周界入侵行为监测以提升行为识别准确率，常以先定位后识别的顺序处理流程实现光纤周界安全预警，往往存在光纤周界安全预警技术定位不准确、入侵行为报警响应时间长的问题。
发明内容：
本发明针对现有技术中存在的缺点和不足，提出了一种通过对原始光纤振动信号进行预处理提取光纤信号时域、频域特征，同时进行入侵点定位与行为类型识别，在保证入侵行为识别准确率的同时提升扰动定位准确性、缩短响应时长，利用轻量化卷积模块、卷积残差模块充分提取时、频、空三域特征，同时使用位置回归、分类算法结构分别进行入侵点定位与入侵行为类型识别增强算法锚向性，在保证入侵行为识别准确度的同时缩短响应时长的基于深度学习的定位型入侵行为识别方法。
本发明通过以下措施达到：
一种基于深度学习的定位型入侵行为识别方法，其特征在于，包括以下步骤：
第一步：将分布式光纤振动传感系统采集的每一个位置点的光纤信号进行分帧处理，计算每一位置点的分帧信号的时频信息，生成梅尔频谱图：其中在部署铁艺栅栏的环境下，分布式光纤振动传感系统采集的原始光纤信号表示为包含时域信息和空间信息的二维矩阵的形式： Dt×l＝(dij)t×l,(i＝1,2...,t；j＝1,2...,l)，其中t表示时间维度，l表示空间位置点数，首先对每一个位置点的光纤信号采用固定大小的滑动窗进行分帧处理，对每一个位置点的滑动窗内的光纤信号生成梅尔频谱图；第二步：梅尔频谱图通过频率映射与数据归一化形成一维能量特征向量，所有位置点的特征向量在时空维度上表现为时空能量图：将每个空间位置点的梅尔频谱图进行频率映射后拼接生成时空能量图矩阵，表示为Vf×l＝(Vij)f×l,(i＝1,2...,f；j＝1,2...,l)，其中f表示时间特征维度，l 表示空间位置点数；
第三步：构建轻量化定位型深度学习算法网络结构，构建深度可分离卷积模块、卷积残差模块、位置分支、分类分支形成轻量化深度学习算法网络，充分挖掘光纤信号时、频、空三域特征：所述轻量化定位型深度学习算法网络包括二维卷积模块、轻量化卷积模块、卷积残差模块、回归分类模块，其中所述二维卷积模块由二维卷积子层、批量正则化层、LeakyReLu激活层层级连接构成；所述轻量化卷积模块包括4个深度可分离卷积模块，其中深度可分离卷积模块由Depthwise 深度卷积模块、Pointwise点卷积模块组成；所述卷积残差模块由 upSample上采样层、Add层、卷积子层组成；所述回归分类模块由卷积子层、sigmoid函数层构成；
第四步：将时空能量图送入轻量化深度学习算法网络中进行入侵点定位与特征分类识别，判断发生入侵行为的位置以及是否为人员翻越、人为撞击等破坏周界安全的入侵行为，并有效屏蔽风雨干扰行为。
本发明第三步所述Depthwise深度卷积层由深度二维卷积层、BN 层与LeakyReLu激活层组成。
本发明第三步所述Pointwise点卷积层由深度点卷积层，BN层与LeakyReLu激活层组成。
本发明结合信号预处理方法、轻量化定位型深度学习算法进行光纤周界入侵行为识别，通过对全空域中的光纤信号生成梅尔频谱，提取光纤信号时频信息；利用深度学习算法网络模块挖掘光纤信号时、频、空三域特征，同时结合深度学习算法回归、分类网络结构同时进行入侵点定位与行为类型识别，保证行为类型识别准确率的同时有效减轻硬件设备计算负担、提升定位准确率与实时性，解决市面上光纤预警算法模型定位偏差大、响应时间长的问题。
附图说明：
附图1是本发明的流程图。
附图2是本发明中轻量化定位型深度学习算法网络结构示意图。附图3是本发明实施例1中测试结果混淆矩阵。
附图4是本发明实施例1中不同行为入侵位置时频能量图。
具体实施方式：
下面结合附图和实施例，对本发明做进一步的说明。
实施例1：
本例针对现有技术的劣势与不足，提出一种结合信号特征提取方法、轻量化深度学习特征提取、入侵定位与行为分类技术的轻量化定位型入侵行为识别算法，采用并行处理架构在保证入侵行为/位置识别准确度的同时缩短响应时长，提升算法鲁棒性的基于深度学习的定位型入侵行为识别方法：
第一步：将分布式光纤振动传感系统采集的每一个位置点的光纤信号进行分帧处理，计算每一位置点的分帧信号的时频信息，生成梅尔频谱图：其中在部署铁艺栅栏的环境下，分布式光纤振动传感系统采集的原始光纤信号表示为包含时域信息和空间信息的二维矩阵的形式：Dt×l＝(dij)t×l,(i＝1,2...,t；j＝1,2...,l)，其中t表示时间维度，l表示空间位置点数，首先对每一个位置点的光纤信号采用固定大小的滑动窗进行分帧处理，对每一个位置点的滑动窗内的光纤信号生成梅尔频谱图；
第二步：梅尔频谱图通过频率映射与数据归一化形成一维能量特征向量，所有位置点的特征向量在时空维度上表现为时空能量图：将每个空间位置点的梅尔频谱图进行频率映射后拼接生成时空能量图矩阵，表示为Vf×l＝(Vij)f×l,(i＝1,2...,f；j＝1,2...,l)，其中f表示时间特征维度，l 表示空间位置点数；
第三步：构建轻量化定位型深度学习算法网络结构，构建深度可分离卷积模块、卷积残差模块、位置分支、分类分支形成轻量化深度学习算法网络，充分挖掘光纤信号时、频、空三域特征：所述轻量化定位型深度学习算法网络包括二维卷积模块、轻量化卷积模块、卷积残差模块、回归分类模块，其中所述二维卷积模块由二维卷积子层、批量正则化层、LeakyReLu激活层层级连接构成；所述轻量化卷积模块包括4个深度可分离卷积模块，其中深度可分离卷积模块由Depthwise 深度卷积模块、Pointwise点卷积模块组成；所述卷积残差模块由 upSample上采样层、Add层、卷积子层组成；所述回归分类模块由卷积子层、sigmoid函数层构成，所述Depthwise深度卷积层由深度二维卷积层、BN层与LeakyReLu激活层组成，所述Pointwise点卷积层由深度点卷积层，BN层与LeakyReLu激活层组成；
第四步：将时空能量图送入轻量化深度学习算法网络中进行入侵点定位与特征分类识别，判断发生入侵行为的位置以及是否为人员翻越、人为撞击等破坏周界安全的入侵行为，并有效屏蔽风雨干扰行为。
采用本例实现的轻量化深度学习算法，每种行为类型选择200个测试样本进行算法模型的验证测试，测试结果表示为混淆矩阵，如图 3所示，其中类别标签0表示人为撞击，1表示人员翻越，2表示风雨干扰，测试结果表明算法模型准确率为98.83％，误报率为1.17％。轻量化深度学习算法模型平均推理耗时约57ms。
可以看出，本发明提出的算法模型能够准确监测人为撞击、人员翻越等破坏周界安全的入侵行为，并可以有效屏蔽风雨干扰行为，适应各种厂区、工业园区等多种复杂环境，结果表明本算法模型准确率高、实时性强。
Claims (3)
1.一种基于深度学习的定位型入侵行为识别方法，其特征在于，包括以下步骤：
第一步：将分布式光纤振动传感系统采集的每一个位置点的光纤信号进行分帧处理，计算每一位置点的分帧信号的时频信息，生成梅尔频谱图：其中在部署铁艺栅栏的环境下，分布式光纤振动传感系统采集的原始光纤信号表示为包含时域信息和空间信息的二维矩阵的形式：Dt×l＝(dij)t×l,(i＝1,2...,t；j＝1,2...,l)，其中t表示时间维度，l表示空间位置点数，首先对每一个位置点的光纤信号采用固定大小的滑动窗进行分帧处理，对每一个位置点的滑动窗内的光纤信号生成梅尔频谱图；
第二步：梅尔频谱图通过频率映射与数据归一化形成一维能量特征向量，所有位置点的特征向量在时空维度上表现为时空能量图：将每个空间位置点的梅尔频谱图进行频率映射后拼接生成时空能量图矩阵，表示为Vf×l＝(Vij)f×l,(i＝1,2...,f；j＝1,2...,l)，其中f表示时间特征维度，l表示空间位置点数；
第三步：构建轻量化定位型深度学习算法网络结构，构建深度可分离卷积模块、卷积残差模块、位置分支、分类分支形成轻量化深度学习算法网络，充分挖掘光纤信号时、频、空三域特征：所述轻量化定位型深度学习算法网络包括二维卷积模块、轻量化卷积模块、卷积残差模块、回归分类模块，其中所述二维卷积模块由二维卷积子层、批量正则化层、LeakyReLu激活层层级连接构成；所述轻量化卷积模块包括4个深度可分离卷积模块，其中深度可分离卷积模块由Depthwise深度卷积模块、Pointwise点卷积模块组成；所述卷积残差模块由upSample上采样层、Add层、卷积子层组成；所述回归分类模块由卷积子层、sigmoid函数层构成；
第四步：将时空能量图送入轻量化深度学习算法网络中进行入侵点定位与特征分类识别，判断发生入侵行为的位置以及是否为人员翻越、人为撞击等破坏周界安全的入侵行为，并有效屏蔽风雨干扰行为。
2.根据权利要求1所述的一种基于深度学习的定位型入侵行为识别方法，其特征在于，第三步所述Depthwise深度卷积层由深度二维卷积层、BN层与LeakyReLu激活层组成。
3.根据权利要求1所述的一种基于深度学习的定位型入侵行为识别方法，其特征在于，第三步所述Pointwise点卷积层由深度点卷积层，BN层与LeakyReLu激活层组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211278603.9A CN115762023A (zh) | 2022-10-19 | 2022-10-19 | 基于深度学习的定位型入侵行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211278603.9A CN115762023A (zh) | 2022-10-19 | 2022-10-19 | 基于深度学习的定位型入侵行为识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115762023A true CN115762023A (zh) | 2023-03-07 |
Family
ID=85353834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211278603.9A Pending CN115762023A (zh) | 2022-10-19 | 2022-10-19 | 基于深度学习的定位型入侵行为识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115762023A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269938A (zh) * | 2021-05-10 | 2021-08-17 | 国网新疆电力有限公司电力科学研究院 | 一种基于输电线路opgw的杆塔防盗在线监测系统及方法 |
| CN116504006A (zh) * | 2023-06-21 | 2023-07-28 | 吉林省日月智感互联科技有限公司 | 一种带有环境参数补偿功能的微震动无人值守报警系统 |
-
2022
- 2022-10-19 CN CN202211278603.9A patent/CN115762023A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269938A (zh) * | 2021-05-10 | 2021-08-17 | 国网新疆电力有限公司电力科学研究院 | 一种基于输电线路opgw的杆塔防盗在线监测系统及方法 |
| CN113269938B (zh) * | 2021-05-10 | 2023-06-23 | 国网新疆电力有限公司电力科学研究院 | 一种基于输电线路opgw的杆塔防盗在线监测系统及方法 |
| CN116504006A (zh) * | 2023-06-21 | 2023-07-28 | 吉林省日月智感互联科技有限公司 | 一种带有环境参数补偿功能的微震动无人值守报警系统 |
| CN116504006B (zh) * | 2023-06-21 | 2023-09-19 | 吉林省日月智感互联科技有限公司 | 一种带有环境参数补偿功能的微震动无人值守报警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115762023A (zh) | 基于深度学习的定位型入侵行为识别方法 | |
| US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
| Tejedor et al. | Real field deployment of a smart fiber-optic surveillance system for pipeline integrity threat detection: Architectural issues and blind field test results | |
| CN110995339B (zh) | 一种分布式光纤传感信号时空信息提取与识别方法 | |
| Tejedor et al. | A contextual GMM-HMM smart fiber optic surveillance system for pipeline integrity threat detection | |
| CN114419825B (zh) | 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法 | |
| CN113269091A (zh) | 一种面向智慧园区的人员轨迹分析方法、设备及介质 | |
| CN111222461A (zh) | 一种光纤振动探测系统入侵信号的识别方法 | |
| CN115272830A (zh) | 一种基于深度学习的受电弓异物检测方法 | |
| CN113780094B (zh) | 基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法 | |
| CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
| CN111476102A (zh) | 一种安全防护方法、中控设备及计算机存储介质 | |
| CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
| CN114354744B (zh) | 一种电力电缆防外破监测方法、系统及装置 | |
| CN111951505A (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 | |
| CN114998837B (zh) | 入侵事件的实时识别方法、装置、系统及介质 | |
| CN114724036B (zh) | 一种基于多尺度学习的冰裂隙检测方法 | |
| CN116385485A (zh) | 一种长条形塔吊吊物的视频跟踪方法及系统 | |
| 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 | |
| CN112465072B (zh) | 一种基于YOLOv4模型的挖掘机图像识别方法 | |
| CN115909144A (zh) | 一种基于对抗学习的监控视频异常检测方法及系统 | |
| 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 | |
| CN113534276A (zh) | 基于Faster R-CNN的铁路入侵行为检测方法 | |
| CN115060184B (zh) | 一种基于递归图的光纤周界入侵检测方法及系统 | |
| CN113837001A (zh) | 监控场景下的异常闯入物实时检测方法及装置 |
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 |