CN116453277A - 周界安防入侵事件全覆盖式精准检测方法及系统 - Google Patents

Abstract

本发明公开一种周界安防入侵事件全覆盖式精准检测方法和系统，工控机将采集的两路干涉光信号做可调Q因子小波变换提取时频分布后重构光信号，之后分别执行如下操作：一个是互相关运算解调出入侵事件的发生位置，将扰动位置转换为GPS信号，发送至无人机，获得无人机拍摄截取的有效图像信号；二是对信号进行预处理转换为二维时频信号；将二维时频信号和截取的有效图像信号分别在已经训练好的YOLOv5s网络模型中进行入侵事件的识别，然后将两个操作获得的入侵事件进行评价，将得到的mAP下最大的事件作为当前扰动所属的具体入侵事件。本发明分别获取二维时频信号和有效图像信号，再分别对其进行特征提取，能够精准检测入侵事件类型。

Description

周界安防入侵事件全覆盖式精准检测方法及系统

技术领域

本发明属于传感及智能检测领域，特别涉及分布式光纤振动传感信号高精度定位及传感系统与无人机系统融合的周界安防入侵事件全覆盖式精准检测方法及系统。

背景技术

分布式光纤振动传感系统通过对光纤中传输的光信号进行处理来定位振动事件，能够实现大范围、长距离和快速准确定位。相对于传统的周界安防系统，现有的基于光纤的分布式传感系统具有安装方便、灵敏度高、成本低和使用寿命长的优点，而且具有更大的覆盖范围，符合目前广域安防的应用需求。然而，分布式光纤振动传感系统由于其应用环境的复杂性，实际应用中仍面临可靠性低和稳定性差等不足。长距离传感时外界环境变化会在传感信号中引入不可忽视的低频噪声，进而降低传感信号的信噪比，影响定位精度。此外，为了提升入侵行为识别的可靠性，近年来提出了分布式光纤振动传感系统结合智能AI的智能感知检测方案。现有智能AI检测方案均可对多类别扰动模式进行精准的感知检测，然而其均涉及复杂的信号预处理运算，从而在一定程度上降低了智能AI检测方案在实际应用中的鲁棒性。

除此之外，分布式光纤不能记录入侵过程的实际情况。因此，对入侵过程以实时拍摄方式进行存储是有必要的。传统监控方式是通过固定摄像头来监控防区，这种监控方式适用于小范围的周界安防，但对于长距离大范围的防区，例如铁路周界安防、石油管道监测、边区周界安防等领域，该监控方式所需的搭建成本、使用成本、维护成本和人力成本大幅上升，不再适合作为主要的监控手段。

近年来，无人机行业快速发展，尤其是具有体系小、反应迅速、灵活度高等优点。目前，无人机技术已经实现了智能巡航、智能避障、智能追踪等功能。随着无人机技术的发展，其在周界安防中也成为一种新的监控手段。但是由于其运作没有完全摆脱人为操控，根本上来讲还没有实现完全的无人值守。此外，当周界安防系统中有入侵事件发生时，现有的无人机只能实现对于入侵人员的定位和跟踪，无法对入侵事件的行为进行有效判别，从而无法及时识别和报警，因此无人机在周界安防领域始终存在诸多限制。

CN208459615A公开了一种基于分布式光纤传感器的周界安防系统，以传感光纤作为传感介质，将各传感模块与监控中心连接，但该安防系统适于短距离安防监控，无法克服长距离带来的定位误差对系统效能的影响。

CN109326070A公开了一种周界安防系统及其监测方法，其利用应力与振动效应的转换以及光纤对振动感应的探测提供了一种无源监测系统，但其仍适用于短距离安防。

综上所述，在周界安防领域，设计一种基于分布式光纤振动传感系统和无人机相结合的融合型分布式智能精准安防监测系统，将振动传感系统定位精度高和覆盖范围广的优点与无人机快速机动和对入侵行为进行实时拍摄的优点相结合，能够实现入侵事件的全覆盖式精准检测，对提升周界安防系统的可靠性、稳定性和快速响应方面具有重要的实际意义。

发明内容

本发明的目的在于克服现有技术中的不足，提出一种周界安防入侵事件全覆盖式精准检测方法及系统，以解决在长距离、大范围周界安防应用中检测入侵事件时存在的无法精准定位和快速准确识别的问题。同时基于分布式光纤振动传感系统的光信号与无人机拍摄截取的实时图像信号进行入侵行为模式识别，将由一维时序信号转换而来的二维信号与无人机图像信号相结合考虑，增强振动信号的处理和分析能力，从而提升入侵模式识别准确率。

一种周界安防入侵事件全覆盖式精准检测方法，包括：实时探测传感光信号，当发生入侵事件时，利用非对称双马赫曾德干涉仪获取经相位调制的干涉信号，经数据采集卡采集数据送入工控机；以及包括如下步骤：

工控机将采集的两路干涉光信号做可调Q因子小波变换提取时频分布后信号重构，获取重构后的光信号；所述重构后的光信号作为一维时序信号分别执行如下操作：

操作一：将重构的光信号进行互相关运算解调出扰动位置，将扰动位置转换为GPS信号，无人机前往扰动位置拍摄，将视频传输回工控机，然后利用OpenCV读取视频并截取有效图像，作为入侵事件的二维图像信号；

操作二：将重构的光信号通过短时傅里叶变换转换为二维时频信号；

将操作一和操作二获得的二维图像信号和二维时频信号共同送入预训练好的YOLOv5s算法模型中分别进行自适应提取振动信号的时域特征、频域特征以及空间域特征，实现具体扰动模式的识别与检测，从而分别获得光信号和图像信号下识别的扰动模式；

将获得的图像信号和光信号下识别的扰动模式进行评价，将得到的mAP(meanAverage Precision)最大的事件作为最终识别的事件，即判定出当前扰动所属的入侵事件，输出入侵事件类型、入侵事件画面、入侵事件发生位置和发生时间；其中，采用精度(Precision)，召回率(Recall)和F1值(F1-Score)作为评价指标；

其中，所述YOLOv5s网络模型为预训练好的卷积神经网络，其中包括5种入侵事件的光信号和二维图像信号数据集，所述入侵事件包括敲击、摇晃、踢、轰砸和无入侵，训练数据、验证数据和测试数据按照8：1：1的比例随机设置和选取。

在现有技术中，由于一维数据仅包含传感信号的单一时域特征，因此对原始数据信号进行识别和特征提取时性能较差。为此本发明将二维时频信号和无人机图像信号相结合进行识别，可同时提取振动传感信号的时域特征、频域特征以及空间域特征，二者的结合也可极大提升深度学习模型提取振动事件本质时空特征的能力，从而获得更好的事件识别检测性能。

进一步的，“两路干涉光信号做可调Q因子小波变换”具体包括：

选择品质因子Q＝3.5，通过可调Q因子小波变换对两路干涉信号逐层分解，然后根据干涉信号的频带宽度自适应选择高频小波系数w^(j)作为时频分布，然后送入重构滤波器组重构信号，代替两路干涉信号直接互相关运算。

一种多维度周界安防入侵事件识别系统，包括非对称双马赫曾德光纤干涉仪、数据采集卡、无人机和工控机；

所述非对称双马赫曾德光纤干涉仪用于提取经相位调制的入侵事件对应的光信号；

所述数据采集卡用于采集所述非对称双马赫曾德光纤干涉仪的数据并送入工控机；

所述无人机根据工控机发出的GPS信号前往入侵地点进行拍摄；

所述工控机接收来自所述数据采集卡的数据，对两路干涉信号做可调Q因子小波变换进行信号重构；对所述重构的光信号执行两个操作：一个是互相关运算解调出入侵事件的发生位置，将扰动位置转换为GPS信号，发送至无人机，获得无人机拍摄截取的有效图像信号；二是对信号进行预处理转换为二维时频信号；将二维时频信号和截取的有效图像信号分别在已经训练好的YOLOv5s网络模型中进行入侵事件的识别，然后采用精度，召回率和F1值作为评价指标，将两个操作获得的入侵事件进行评价，将得到的mAP下最大的事件作为当前扰动所属的具体入侵事件。

与现有技术相比，本发明的技术方案所带来的有益效果是：

本发明利用可调Q因子小波变换提取两路干涉信号的时频分布后信号重构，克服了光源非对称性对互相关时延估计运算定位的影响，同时重构得到去噪后的振动信号，对重构后的信号进行互相关时延估计运算可以进一步提高长距离传感时的定位精度。

本发明不仅仅利用光信号转换为二维时频信号对入侵事件进行特征提取，同时利用无人机所拍摄截取的图像信号进行特征提取，增强振动信号的处理和分析能力。二者的结合有效增强深度学习模型提取振动事件本质时空特征的能力，从而获得了更好的事件识别检测性能，增加了模式识别准确率；另外，基于YOLOv5s的网络模型可以在保证高识别率的前提下仍然可以保持很快的识别速度，满足了实际检测的需要。

本发明所述的周界安防入侵事件智能检测系统通过使用预先训练好的网络模型，对周界安防应用中常见的5种入侵事件进行识别，最终显示识别后的入侵事件类型、画面、入侵事件发生位置和发生时间，并将报警信息通知相关人员，为相关人员及时干预提供了技术支持，提高了周界安防管理效率。

附图说明

图1示出本发明的所述周界安防入侵事件全覆盖式精准检测方法的流程图；

图2示出实施例的步骤一中利用双马赫曾德光纤干涉仪定位信息提取示意图；

图3为实施例的步骤一中利用可调Q因子小波变换进行信号重构示意图；

图4是实施例的步骤三的多类别特征提取深度学习网络结构的流程图。

图中：

1：第一光源 2：第二光源 3：第一环形器

4：第二环形器 5：第一偏振控制器 6：第二偏振控制器

7：第一光纤耦合器 8：第二光纤耦合器 9：第一密集波分复用器

10：第二密集波分复用器 11：第一光电探测器 12：第二光电探测器

13：数据采集卡 14：工控机

具体实施方式

下面结合附图和具体实施例对本发明的技术方案作进一步详细描述，所描述的具体的实施例仅对本发明进行解释说明，并不用以限制本发明。

本发明所述一种周界安防入侵事件全覆盖式精准检测方法结合分布式振动光纤传感系统、入侵行为位置获取算法与无人机系统通信软件设计，对多类别入侵事件进行高精度定位和智能识别。可以对周界安防领域内常见的5种入侵事件(敲击、摇晃、踢、轰砸和无入侵)进行识别，并在工控机上同时显示和记录入侵事件类型、入侵事件画面、入侵事件发生位置和发生时间。根据入侵事件的危害程度不同进行报警，提醒相关人员及时进行干预。

如图1所示，一种周界安防入侵事件全覆盖式精准检测方法，所述检测方法利用周界安防入侵事件全覆盖式检测系统，所述系统包括非对称双马赫曾德光纤干涉仪、数据采集卡、无人机和工控机。具体方法包括如下步骤：

步骤一：实时探测光信号

S101：利用非对称双马赫曾德光纤干涉仪提取光信号

当传感光纤上发生异常入侵事件时，所产生的振动会导致相应传感光纤处的折射率等参量发生变化，从而引起传感信号的相位变化。通过检测相位变化引起的光信号幅值变化以分析和处理外部振动事件。为了克服双马赫曾德干涉传感中后向散射噪声光对传感距离的限制，本发明利用了非对称双马赫曾德干涉型传感结构。然而，由于光源的非对称性，不能直接通过两路干涉信号的互相关时延估计进行定位，不同入侵事件对于光纤的相位调制不同，对应干涉光信号的特征也有所不同。

图2示出所述检测系统中非对称双马赫曾德光纤干涉仪定位信息提取示意图，包括第一光源1、第二光源2、第一环形器3、第二环形器4、第一偏振控制器5、第二偏振控制器6、第一光纤耦合器7、第二光纤耦合器8、第一密集波分复用器9、第二密集波分复用器10、第一光电探测器11、第二光电探测器12、数据采集卡13和工控机14。第一光源1采用波长在1550.12nm波段和第二光源2采用波长在1550.74nm波段，最大输出功率均为10mW的窄带连续光激光器，密集波分复用器用于滤除后向散射光，只保留干涉光，延长传感距离。主要实现过程包括：

第一光源1输出的连续光信号与第二光源2输出的连续光信号分别经第一环形器3、第二环形器4和第一偏振控制器5、第二偏振控制器6后，分别沿顺时针和逆时针方向传输至由第一光纤耦合器7、第二光纤耦合器8以及传感光纤链路组成的双马赫曾德干涉仪中。根据双马赫曾德干涉仪传感原理，由第一光纤耦合器7进入且顺时针传输的两束光信号会在第二光纤耦合器8发生干涉，干涉后的光信号经第二偏振控制器6、第二环形器4进入第二密集波分复用器10，抑制后向散射光后在第二光电探测器12完成光电转换。沿逆时针方向传输的光同理，由第二光纤耦合器8进入在第一光纤耦合器7发生干涉后经第一偏振控制器5、第一环形器3和第一密集波分复用器9，并在第一光电探测器11完成光电转换。

S102：利用数据采集卡13采集第一光电探测器11和第二光电探测器12完成光电转换的带有振动信息的传感电信号，并通过数据采集卡13将数据输出至工控机14后，对两路干涉光信号做可调Q因子小波变换(TQWT)提取时频分布后信号重构(如图3所示)，然后互相关运算即可解调出扰动位置，即入侵事件的发生位置。

所述工控机14将两路干涉信号去直流和归一化后的干涉强度I_CW和I_CCW可分别表示为：

I₀表示连续激光信号的光强，φ(τ)表示外部振动事件引入的相位变化信息，λ₁和λ₂分别表示第一光源1和第二光源2的中心波长，t表示光信号的传播时间，s(t)表示由振动事件引入的光程差变化，τ表示第一光电探测器11和第二光电探测器12接收到干涉信号的时延。由于双光源非对称性的影响，两路干涉光信号无法直接由互相关运算求得时延τ，因此对两路干涉信号做可调Q因子小波变换。可调Q因子小波变换是可完全重构的离散小波变换，它通过迭代应用高通滤波器组H₁(ω)和低通滤波器组H₀(ω)对信号进行逐层分解，将信号分解到不同的频带内，每层保留高频小波系数w^(j),j＝1,2,...,J，J为分解层数。品质因子Q定义为滤波器中心频率ω_c与带宽B_w的比值，它可以反映信号的振荡程度，Q越大，振荡越强烈。品质因子Q决定滤波频带的选择，并决定最终的滤波效果，这里选择Q＝3.5。因此可以通过可调Q因子小波变换对两路干涉信号进行逐层分解，然后根据干涉信号的频带宽度自适应选择高频小波系数w^(j)作为时频分布，然后送入重构滤波器组进行多层重构得到信号y(n)，该过程为分解过程的逆变换，代替两路干涉信号直接互相关运算。

一方面克服了光源非对称性对振动位置精准解调的影响，另一方面重构得到去噪后的振动信号，对重构信号进行互相关运算求得时延τ可以进一步提高定位精度。

进而求得对应的扰动位置x：

其中n，c和l分别表示光纤的有效折射率、光在真空中的传播常数和光纤链路的长度。

由于外部入侵事件不同，所以所产生的相位调制φ(τ)也不尽相同，因此工控机14接收到的光信号也存在不同的特征。不同入侵事件对于光纤的相位调制不同，对应干涉光信号的特征也有所不同，因此，将S102中经TQWT重构的光信号作为一维时序信号，其在工控机中完成两部分功能，一个是将扰动位置转换为GPS信号，让无人机前往拍摄；另一个是将光信号进行预处理后送入YOLOv5s网络模型。

步骤二：将重构的光信号转换为GPS信号，获取入侵行为的图像信号

根据S102获得的扰动位置x，工控机14将扰动位置转换为包含位置坐标的GPS信号，并传输至无人机地面站，当无人机地面站接收到入侵信号后，将入侵位置传输给无人机后，无人机地面站控制无人机自动前往入侵地点的位置坐标。当地面站检测到无人机已经到达入侵地点后，其搭载的摄像头即可自动对振动位置周边环境进行实时拍摄，并将入侵行为的视频信号实时传输回工控机14；工控机14利用OpenCV读取视频并截取有效图像，作为入侵事件的二维图像信号。

步骤三：所述工控机14将S102获得的一维时序信号和步骤二获得的二维图像信号共同送入已经训练好的多类别特征提取深度学习网络结构中进行识别。具体包括如下步骤：

S301：卷积神经网络的训练

在预先进行的测试过程中采集并处理了6000个样本来验证所提出的模型的可行性和有效性。其中分布式光纤振动传感系统所采集到的数据集大小为3000，无人机所拍摄截取到的数据集大小为3200。预先选择5种入侵事件(敲击、摇晃、踢、轰砸和无入侵)的光信号各为600组，无人机拍摄图像每种动作为800组，训练数据、验证数据和测试数据按照8：1：1的比例随机设置和选取，且数据间不存在重叠。其中所述一维时序信号(即光信号)和所述二维图像信号(即无人机拍摄的视频中截取的有效图像)都利用YOLOv5s算法模型进行训练。训练阶段，使用YOLOv5官方提供的权重参数作为模型的初始化参数，使用分布式光纤振动传感系统所采集到的数据集和无人机所拍摄截取到的数据集对参数进行微调，使得训练出的模型具有最优检测效果。将带标签的训练集和验证集图像在调参完毕的YOLOv5s网络模型中训练150个周期，则可生成最佳训练结果权重。

如图4所示，在本发明的实施例中，根据入侵模式的种类和特征调整模型的参数(包括学习率、动量、权重衰减率、批处理大小等参数)对卷积神经网络模型进行训练。为了提升模型的鲁棒性，丰富原始数据集，数据集中的图片首先进入Input中进行如下数据预处理，包括Mosaic数据增强、自适应锚框计算和自适应图像缩放三个部分。Mosaic数据增强采用随机剪裁、随机缩放和随机排布的方式将四幅图像拼接在一起获得一张新图。然后将新图传入到神经网络中去学习，等效于同时传入四幅图进行学习。在目标检测过程中，输入网络的图片尺寸统一到一个尺寸时，检测效果会更好。故采用letterbox自适应图片缩放技术，即将图片中最长的边缩放到目标尺寸，然后用灰框将短边补齐。在Input预处理后，进入Backbone部分对特征图进行信息提取，随后在Neck网络中对提取到的信息进行多尺度特征融合，最后在Prediction部分从特征图中对目标进行检测和分类。

具体地，在本实施例中最小批处理样本数为32，学习率为0.0032，动量为0.843，权重衰减率为0.00036，损失函数选择GIOU损失函数。在测试过程中，测试结果可达到96.6％的准确率，模型具有较高的识别准确率和分类识别稳定性。将已训练好的YOLOv5s算法模型保存下来作为多类别特征提取深度学习网络，将步骤一和步骤二获得的一维时序信号和实时图像信号一起在所述多类别特征提取深度学习网络结构中训练、共同识别。

S302：处理光信号

将S102获得的一维时序信号通过短时傅里叶变换转换为二维时频谱，而后将二维时频谱进一步送入到S301预训练好的YOLOv5s算法模型中自适应提取振动信号的时域特征、频域特征以及空间域特征等，最后通过分类器即可实现具体扰动模式的识别与检测，从而获得光信号下识别的扰动模式。这种一维振动信号二维化的特征增强方法，在扩充原始传感特征信息维度的同时也可有效增强深度学习模型自适应提取传感信号典型有效特征的能力。

短时傅里叶变换具体转换过程是首先选择固定长度的窗函数对时域信号进行截取；而后将时域信号与其相乘，窗内的时域信号可以近似看作是平稳信号；最后在窗内进行傅里叶变换，即可得到信号的瞬时频谱。通过窗函数在时间轴上不断平移，即可得到整个时间域上的频谱。则传感信号x(τ)经短时傅里叶变换得到的时频谱F(τ，f)可表示为：

其中，τ为时移，f为频率，ω(t-τ)为汉明窗函数。

S303：处理无人机图像信号

将步骤二获得的无人机拍摄截取的二维图像信号通过预训练好的YOLOv5s算法模型进行特征提取和识别，自适应提取振动信号的时域特征、频域特征以及空间域特征，最后通过分类器即可实现具体扰动模式的识别与检测，从而获得图像信号下识别的扰动模式。

S304：对于S302中二维时频信号和S303中无人机图像信号识别的扰动模式，采用精度(Precision)，召回率(Recall)和F1值(F1-Score)作为评价指标，将得到的mAP(meanAverage Precision)最大的事件作为最终识别的事件，即判定出当前扰动所属的入侵事件。

最后在工控机上同时显示和记录入侵事件类型、入侵事件画面、入侵事件发生位置和发生时间。针对预先设置的5种入侵事件，即敲击、摇晃、踢、轰砸和无入侵，根据入侵事件的危害程度不同进行报警，提醒相关人员及时进行干预。

尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式，这些均属于本发明的保护范围之内。

Claims (3)

1.一种周界安防入侵事件全覆盖式精准检测方法，包括：实时探测传感光信号，当发生入侵事件时，利用非对称双马赫曾德干涉仪获取经相位调制的干涉信号，经数据采集卡采集数据送入工控机；其特征在于，所述方法还包括如下步骤：

工控机将采集的两路干涉光信号做可调Q因子小波变换提取时频分布后信号重构，获取重构后的光信号；所述重构后的光信号作为一维时序信号分别执行如下操作：

操作一：将重构的光信号进行互相关运算解调出扰动位置，将扰动位置转换为GPS信号，无人机前往扰动位置拍摄，将视频传输回工控机，然后利用OpenCV读取视频并截取有效图像，作为入侵事件的二维图像信号；

操作二：将重构的光信号通过短时傅里叶变换转换为二维时频信号；

将操作一和操作二获得的二维图像信号和二维时频信号共同送入预训练好的YOLOv5s算法模型中分别进行自适应提取振动信号的时域特征、频域特征以及空间域特征，实现具体扰动模式的识别与检测，从而分别获得光信号和图像信号下识别的扰动模式；

将获得的图像信号和光信号下识别的扰动模式进行评价，将得到的mAP最大的事件作为最终识别的事件，即判定出当前扰动所属的入侵事件，输出入侵事件类型、入侵事件画面、入侵事件发生位置和发生时间；其中，采用精度、召回率、和F1值作为评价指标；

其中，所述YOLOv5s网络模型为预训练好的卷积神经网络，其中包括5种入侵事件的光信号和二维图像信号数据集，所述入侵事件包括敲击、摇晃、踢、轰砸和无入侵，训练数据、验证数据和测试数据按照8：1：1的比例随机设置和选取。

2.根据权利要求1所述的精准检测方法，其特征在于，两路干涉光信号做可调Q因子小波变换具体包括：

选择品质因子Q＝3.5，通过可调Q因子小波变换对两路干涉信号逐层分解，然后根据干涉信号的频带宽度自适应选择高频小波系数w^(j)作为时频分布，然后送入重构滤波器组重构信号，代替两路干涉信号直接互相关运算。

3.一种多维度周界安防入侵事件识别系统，包括非对称双马赫曾德光纤干涉仪、数据采集卡、无人机和工控机；其特征在于，

所述非对称双马赫曾德光纤干涉仪用于提取经相位调制的入侵事件对应的光信号；

所述数据采集卡用于采集所述非对称双马赫曾德光纤干涉仪的数据并送入工控机；

所述无人机根据工控机发出的GPS信号前往入侵地点进行拍摄；

所述工控机接收来自所述数据采集卡的数据，对两路干涉信号做可调Q因子小波变换进行信号重构；对所述重构的光信号执行两个操作：一个是互相关运算解调出入侵事件的发生位置，将扰动位置转换为GPS信号，发送至无人机，获得无人机拍摄截取的有效图像信号；二是对信号进行预处理转换为二维时频信号；将二维时频信号和截取的有效图像信号分别在已经训练好的YOLOv5s网络模型中进行入侵事件的识别，然后采用精度，召回率和F1值作为评价指标，将两个操作获得的入侵事件进行评价，将得到的mAP下最大的事件作为当前扰动所属的具体入侵事件。