CN117132601B - 一种基于分布式光纤传感的管道模式识别方法及系统 - Google Patents
一种基于分布式光纤传感的管道模式识别方法及系统 Download PDFInfo
- Publication number
- CN117132601B CN117132601B CN202311401894.0A CN202311401894A CN117132601B CN 117132601 B CN117132601 B CN 117132601B CN 202311401894 A CN202311401894 A CN 202311401894A CN 117132601 B CN117132601 B CN 117132601B
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- data
- image
- denoising
- fiber vibration
- 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.)
- Active
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 238000009412 basement excavation Methods 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 239000000835 fiber Substances 0.000 claims description 4
- 238000012567 pattern recognition method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及技术光纤传感技术领域,尤其是涉及一种基于分布式光纤传感的管道模式识别方法及系统。所述方法,包括获取不同事件下对应的光纤振动图像;对获取的光纤振动图像进行数据去噪和数据清洗;基于one‑stage模式构建网络识别模型,利用光纤振动图像对网络识别模型进行训练;利用训练好的网络识别模型进行管道模式识别。本发明通过采集各类发生在管道周边的振动信号,提取振动特征,识别振动事件类型,及时告警,防止外界有意和无意的管道破坏,保障管道输送能源的安全性。
Description
技术领域
本发明涉及技术光纤传感技术领域,尤其是涉及一种基于分布式光纤传感的管道模式识别方法及系统。
背景技术
现有技术中,分布式光纤的灵敏度高、安全性好、传输距离远,这些优势为其用于管道运输监测提供了强力保证。管道运输通常是重要的战略资源,例如油气资源,是经济发展不可或缺的物质基础,管道是资源输送的重要方式,保障管道的运输安全,对实现高速发展具有极其重要的作用。管道由于跨越距离长,经过的地形复杂多变,在面对挖掘、施工、人为破坏等事件时,不能及时得到反馈,会造成大量的资源损失和环境破坏。以前,都是靠人工巡检的方式来减少损失,防止管道破坏,但这种方式费时费力,并且比较容易被故意破坏者针对,在面对蓄意破坏的情况时不能采取有效的措施。
针对这种情况,亟需一种基于分布式光纤传感的管道模式识别算法,用于对管道沿线的事件类型进行监测,并在破坏行为发生之前提前预警,精准定位,防止管道遭到破坏。
发明内容
为了解决上述提到的问题,本发明提供一种基于分布式光纤传感的管道模式识别方法及系统,通过对事件发生时光纤振动图像的采集和处理,针对特定破坏行为,及时、快速地告警,并准确定位事件位置。
第一方面,本发明提供的一种基于分布式光纤传感的管道模式识别方法,采用如下的技术方案:
一种基于分布式光纤传感的管道模式识别方法,包括:
获取不同事件下对应的光纤振动图像;
对获取的光纤振动图像进行数据去噪和数据清洗;
基于one-stage模式构建网络识别模型,利用光纤振动图像对网络识别模型进行训练;
利用训练好的网络识别模型进行管道模式识别。
进一步地,所述获取不同事件下对应的光纤振动图像,包括获取机械挖掘、人工挖掘、车辆经过和人员行走这四类事件下的光纤振动图像。
进一步地,所述对获取的光纤振动图像进行数据去噪和数据清洗,包括利用三段去噪法对采集的图像数据进行降噪,其中,采集事件时的信号表示如下:
其中,表示含噪信号;/>表示干净信号;/>表示噪声信号且;
通过计算x(n),得到干净信号即去噪图像数据并保存。
进一步地,所述对获取的光纤振动图像进行数据去噪和数据清洗,还包括将去噪图像数据进行图像分析和筛选后,对图像进行数据标注,并将标注后的图像分为训练集和测试集。
进一步地,所述利用光纤振动图像对网络识别模型进行训练,包括利用网络识别模型的Backbone特征提取部分对训练集进行特征提取,后经过Neck部分对提取的特征进行特征融合,输出预测结果。
进一步地,所述利用光纤振动图像对网络识别模型进行训练,还包括将预测结果作为预测框,将数据标注后的光纤振动图像作为真实框,利用Head部分将真实框和预测框进行比较并计算loss,loss表示为:;;/>;
其中,表示权重参数,IoU为预测框和真实框的交并比,/>为预测框和真实框的中心点距离,N代表第N个epoch,/>,/>,/>,/>分别表示真实框和预测框x轴的中心点、y轴的中心点。
进一步地,所述利用光纤振动图像对网络识别模型进行训练,还包括根据loss结果对网络识别模型进行重复训练,增强模型鲁棒性,对训练好的模型进行测试后选择得到最优模型。
第二方面,一种基于分布式光纤传感的管道模式识别系统,包括:
数据获取模块,被配置为,获取不同事件下对应的光纤振动图像;
预处理模块,被配置为,对获取的光纤振动图像进行数据去噪和数据清洗;
训练模块,被配置为,基于one-stage模式构建网络识别模型,利用光纤振动图像对网络识别模型进行训练;
识别模块,被配置为,利用训练好的网络识别模型进行管道模式识别。
第三方面,本发明提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于分布式光纤传感的管道模式识别方法。
第四方面,本发明提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于分布式光纤传感的管道模式识别方法。
综上所述,本发明具有如下的有益技术效果:
本发明通过设计了一种基于分布式光纤传感的管道模式识别方法,通过对光纤振动产生的能量图进行目标检测,准确识别发生的事件类型,并精确定位事件发生的位置,在实际环境中可以做到实时监测,其技术效果体现在:
1)采用本发明的三段降噪法来对采集的数据进行降噪处理,减少数据背景噪声对训练结果造成的影响,并提高模型对不同环境的泛化能力。
2)结合项目的实际需求和目前的模型框架结构,搭建了one-stage模式的网络架构,其中采用了增强特征表示和特征融合的方法以及轻量化的模块,保证了模型精准预测的基础上,提高了网络推理速度,在实际应用中有更好的表现。
3)在训练过程中,增加了数据精炼的步骤,加强模型对困难样本的训练,同时提高模型的训练速度。
在计算损失过程中,结合实际项目需要,提出了动态更新权重的回归损失,自动调整IoU和中心点距离权重,最终达到平衡,加快训练速度。
附图说明
图1是本发明实施例1的一种基于分布式光纤传感的管道模式识别方法的示意图。
图2是本发明实施例1的网络识别模型的结构示意图。
图3是本发明实施例1的使用labelimg工具对图片进行标注效果图。
图4是本发明实施例1的模型训练示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1,本实施例的一种基于分布式光纤传感的管道模式识别方法,包括:
获取不同事件下对应的光纤振动图像;
对获取的光纤振动图像进行数据去噪和数据清洗;
基于one-stage模式构建网络识别模型,利用光纤振动图像对网络识别模型进行训练;
利用训练好的网络识别模型进行管道模式识别。
具体的,包括以下步骤:
S1.获取不同事件下对应的光纤振动图像,包括获取机械挖掘、人工挖掘、车辆经过和人员行走这四类事件下的光纤振动图像。
其中,搭建分布式光纤传感系统,将光缆伴随着管道埋入地下,光缆通过跳线连接到DVS设备上,设备上有上位机显示软件,可以展示当前时刻的光缆在空间上的振动情况,以此来判断事件发生的位置以及类别。
选定管道环境,搭建分布式光纤传感监测系统,对设备的采样点数、扫描频率、空间分辨率等参数进行设置。之后,需要采集当前环境的早、中、晚三个时间段的背景噪声,后面用来降低噪声的干扰。
调试系统完毕,选择两三个人采集同一事件,增加事件的随机性。需要采集的事件数据包括机械挖掘、人工挖掘、车辆经过、人员行走四类。为了保证数据的充足,每类事件需要轮流采集两个小时左右,保存成txt格式。
S2.对获取的光纤振动图像进行数据去噪和数据清洗,
数据去噪,由于管道经过的环境复杂多样,因此,降低噪声的干扰显得尤为重要,本发明通过使用不同时间段的背景噪声来对训练的数据进行去噪处理。
数据清理,把数据转成图片格式,并对图片进行挑选,保留完整的事件图片,然后对图片进行数据增强。
具体的,利用三段去噪法对采集的图像数据进行降噪,根据训练数据的尺寸,确定噪声区域为相同的宽高。其中,采集事件时的信号表示如下:
其中,表示含噪信号;/>表示干净信号;/>表示噪声信号且;
通过计算x(n),得到干净信号即去噪图像数据,并保存。
S3.将去噪图像数据进行图像分析和筛选后,对图像进行数据标注,并将标注后的图像分为训练集和测试集。
其中,将保存的数据切分成96*1024大小,然后使用OpenCV工具转换成彩色图片。对图片进行分析和筛选,查看采集的数据是不是有其他振动信号的干扰,并将换人采集数据时造成的事件不饱满或者不连贯的图片剔除,将筛选后的图片作为数据集。
数据标注,使用labelimg工具对图片进行标注,标注后的图片如附图3(人员行走)所示,将标注文件和生成的xml文件放入训练程序对应的位置。
通过设置将数据集按照8:2的比例分成训练集和测试集,batchsize设置为32,训练300轮,
S4.利用光纤振动图像对网络识别模型进行训练,
其中,按照one-stage模式搭建网络识别模型,结构如附图2所示。
整个网络结构大致分为三部分,第一个部分为backbone,功能是对图像进行特征提取,这部分使用了MobileNet v3,借助其轻量化的网络结构,减少了网络参数和计算量,并且大大加快了推理速度。其中的SE通道注意力机制,通过调整不同通道的权重,提高模型对光纤振动形成的能量图中事件信号的提取和表达能力,提高特征的判别能力,更容易区分不同事件的振动信号。其中的倒残差结构,先对图像进行升维操作,然后卷积,最后降维,避免了先降维后升维带来的空间信息丢失问题。结尾使用了ELAN模块,优化了模型的有效梯度传播路径。
第二个部分是Neck,在该部分对不同尺度的特征进行融合,对不同大小的目标都有泛化能力,提高模型对不同物体的特征表达能力。
秉承了简洁的理念,在特征融合的部分只使用了C2f模块来达到模型轻量化和丰富梯度回传的目的。
Head部分将不同尺度的特征预测结果与真实图像数据进行比较,并计算loss,然后根据输出格式进行调整,输出最后的结果。
训练完毕后,将保存的模型在实际的管道环境中进行测试。
作为进一步地实施方式,
图片数据输入到搭建的模型框架进行训练,首先进入Backbone特征提取部分,先经过一层卷积层,其中的激活函数换成了hswish,没有上边界,不会出现梯度饱和的情况;有下边界,正则化效果更强;处处连续可导,对于训练过程更友好。接下来经过11个Bneck结构,Bneck结构包括通道可分离卷积、SE通道注意力机制、倒残差结构等,增加了网络提取特征能力的同时,也减轻了实际应用的压力,为项目部署提供了有利条件。
然后,图像在Neck部分进行特征融合,通过上采样和C2f模块,将不同尺寸的图像信息融合,提高网络对不同尺寸物体的适应能力,同时获得丰富的梯度流信息。
最后,融合后的三个图像经过三个检测头分支,得到预测结果并输出。
接下来,使用预测的结果和真实图像数据比较并计算loss,在这个过程中,增加了一个数据精炼库,用来保存当前轮(epoch)没训练好、需要重新训练的困难样本。根据应用场景,设计了Loss计算方式,如下所示:;;/>;
其中,表示权重参数,IoU为预测框和真实框的交并比,/>为预测框和真实框的中心点距离,N代表第N个epoch,/>,/>,/>,/>分别表示真实框和预测框x轴的中心点、y轴的中心点。
通过自动调整训练过程中IoU所占的权重,让训练过程更快达到稳定。
把每一批次(batch)的数据送入搭建的网络中训练,如果后一batch的LossN大于前一batch的LossN-1,说明数据样本没学习好,需要再进行学习,所以把这一批次的数据样本放入数据精炼库,根据数据合理设置数据精炼库样本总数M,当数据样本大于等于M时,分别从数据集和数据精炼库各取1/2的数据送入网络中训练,提高困难样本的训练程度,增加模型的鲁棒性。训练过程如图4所示。
每5个epoch保存一轮模型,直到训练完成后,将保存的模型进行测试,选择最优模型,部署到管道环境中使用。
实施例2
本实施例提供一种基于分布式光纤传感的管道模式识别系统,包括:
数据获取模块,被配置为,获取不同事件下对应的光纤振动图像;
预处理模块,被配置为,对获取的光纤振动图像进行数据去噪和数据清洗;
训练模块,被配置为,基于one-stage模式构建网络识别模型,利用光纤振动图像对网络识别模型进行训练;
识别模块,被配置为,利用训练好的网络识别模型进行管道模式识别
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于分布式光纤传感的管道模式识别方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于分布式光纤传感的管道模式识别方法。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (7)
1.一种基于分布式光纤传感的管道模式识别方法,其特征在于,包括:
获取不同事件下对应的光纤振动图像;
对获取的光纤振动图像进行数据去噪和数据清洗;
基于one-stage模式构建网络识别模型,利用光纤振动图像对网络识别模型进行训练;
利用训练好的网络识别模型进行管道模式识别;
所述对获取的光纤振动图像进行数据去噪和数据清洗,包括利用三段去噪法对采集的图像数据进行降噪,其中,采集事件时的信号表示如下:
;
其中,表示含噪信号;/>表示干净信号;/>表示噪声信号且
;
通过计算x(n),得到干净信号即去噪图像数据并保存;
利用网络识别模型的Backbone特征提取部分对训练集进行特征提取,后经过Neck部分对提取的特征进行特征融合,输出预测结果;
将数据标注后的光纤振动图像作为真实框,将预测结果作为预测框,利用Head部分将真实框和预测框进行比较并计算loss,loss表示为:
;
;
;
其中,表示权重参数,IoU为预测框和真实框的交并比,/>为预测框和真实框的中心点距离,N代表第N个epoch,/>,/>,/>,/>分别表示真实框和预测框x轴的中心点、y轴的中心点。
2.根据权利要求1所述的一种基于分布式光纤传感的管道模式识别方法,其特征在于,所述获取不同事件下对应的光纤振动图像,包括获取机械挖掘、人工挖掘、车辆经过和人员行走这四类事件下的光纤振动图像。
3.根据权利要求1所述的一种基于分布式光纤传感的管道模式识别方法,其特征在于,所述对获取的光纤振动图像进行数据去噪和数据清洗,还包括将去噪图像数据进行图像分析和筛选后,对图像进行数据标注,并将标注后的图像分为训练集和测试集。
4.根据权利要求3所述的一种基于分布式光纤传感的管道模式识别方法,其特征在于,所述利用光纤振动图像对网络识别模型进行训练,还包括根据loss结果对网络识别模型进行重复训练,增强模型鲁棒性,对训练好的模型进行测试后选择得到最优模型。
5.一种基于分布式光纤传感的管道模式识别系统,基于如权利要求1-4任意一项所述的方法,其特征在于,包括:
数据获取模块,被配置为,获取不同事件下对应的光纤振动图像;
预处理模块,被配置为,对获取的光纤振动图像进行数据去噪和数据清洗;
训练模块,被配置为,基于one-stage模式构建网络识别模型,利用光纤振动图像对网络识别模型进行训练;
识别模块,被配置为,利用训练好的网络识别模型进行管道模式识别。
6.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于分布式光纤传感的管道模式识别方法。
7.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1所述的一种基于分布式光纤传感的管道模式识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401894.0A CN117132601B (zh) | 2023-10-27 | 2023-10-27 | 一种基于分布式光纤传感的管道模式识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401894.0A CN117132601B (zh) | 2023-10-27 | 2023-10-27 | 一种基于分布式光纤传感的管道模式识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132601A CN117132601A (zh) | 2023-11-28 |
CN117132601B true CN117132601B (zh) | 2024-01-23 |
Family
ID=88854966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311401894.0A Active CN117132601B (zh) | 2023-10-27 | 2023-10-27 | 一种基于分布式光纤传感的管道模式识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132601B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020177432A1 (zh) * | 2019-03-07 | 2020-09-10 | 中国科学院自动化研究所 | 基于目标检测网络的多标签物体检测方法、系统、装置 |
CN114857504A (zh) * | 2022-06-06 | 2022-08-05 | 华南理工大学 | 基于分布式光纤传感器和深度学习的管道安全监测方法 |
CN115077681A (zh) * | 2021-03-16 | 2022-09-20 | 上海银帆信息科技有限公司 | 一种融合移动图像识别的分布式光纤振动监测系统 |
CN115375914A (zh) * | 2022-08-16 | 2022-11-22 | 云南电网有限责任公司电力科学研究院 | 基于Yolov5目标检测模型改进的目标检测方法、装置和存储介质 |
CN115376130A (zh) * | 2022-08-22 | 2022-11-22 | 广东电网有限责任公司 | 电力施工现场识别模型的生成方法、装置、设备及介质 |
CN115700542A (zh) * | 2021-07-21 | 2023-02-07 | 威海北洋光电信息技术股份公司 | 基于深度学习的光纤管道安全预警算法 |
CN115937796A (zh) * | 2022-11-17 | 2023-04-07 | 广东赛诺科技股份有限公司 | 一种基于预训练模型的事件分类方法、系统、设备及介质 |
CN116363434A (zh) * | 2023-03-30 | 2023-06-30 | 山东汇英光电科技有限公司 | 一种基于分布式光纤传感的模式识别和定位方法 |
CN116403081A (zh) * | 2023-04-06 | 2023-07-07 | 喀什地区电子信息产业技术研究院 | 一种双向自适应特征融合的多尺度检测方法 |
CN116453278A (zh) * | 2023-03-30 | 2023-07-18 | 上海波汇科技有限公司 | 一种深度学习智能检测与光纤振动传感结合的入侵监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
-
2023
- 2023-10-27 CN CN202311401894.0A patent/CN117132601B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020177432A1 (zh) * | 2019-03-07 | 2020-09-10 | 中国科学院自动化研究所 | 基于目标检测网络的多标签物体检测方法、系统、装置 |
CN115077681A (zh) * | 2021-03-16 | 2022-09-20 | 上海银帆信息科技有限公司 | 一种融合移动图像识别的分布式光纤振动监测系统 |
CN115700542A (zh) * | 2021-07-21 | 2023-02-07 | 威海北洋光电信息技术股份公司 | 基于深度学习的光纤管道安全预警算法 |
CN114857504A (zh) * | 2022-06-06 | 2022-08-05 | 华南理工大学 | 基于分布式光纤传感器和深度学习的管道安全监测方法 |
CN115375914A (zh) * | 2022-08-16 | 2022-11-22 | 云南电网有限责任公司电力科学研究院 | 基于Yolov5目标检测模型改进的目标检测方法、装置和存储介质 |
CN115376130A (zh) * | 2022-08-22 | 2022-11-22 | 广东电网有限责任公司 | 电力施工现场识别模型的生成方法、装置、设备及介质 |
CN115937796A (zh) * | 2022-11-17 | 2023-04-07 | 广东赛诺科技股份有限公司 | 一种基于预训练模型的事件分类方法、系统、设备及介质 |
CN116363434A (zh) * | 2023-03-30 | 2023-06-30 | 山东汇英光电科技有限公司 | 一种基于分布式光纤传感的模式识别和定位方法 |
CN116453278A (zh) * | 2023-03-30 | 2023-07-18 | 上海波汇科技有限公司 | 一种深度学习智能检测与光纤振动传感结合的入侵监测方法 |
CN116403081A (zh) * | 2023-04-06 | 2023-07-07 | 喀什地区电子信息产业技术研究院 | 一种双向自适应特征融合的多尺度检测方法 |
Non-Patent Citations (4)
Title |
---|
You Get What You Focus on: A Weighting Factor for IoU-based Regression Loss;Xinyu Gu等;2021 International Joint Conference on Neural Networks (IJCNN);1-8 * |
基于信号极值检测分段法和 ITD-PE-PCA 算法的变压器绕组变形超声检测信号去噪研究;顾惠杰等;变压器;第60卷(第3期);第4.2节 * |
基于多尺度一维卷积神经网络的光纤振动事件识别;吴俊;管鲁阳;鲍明;许耀华;叶炜;;光电工程(05);79-86 * |
基于改进 的人脸口罩佩戴检测;李梦茹等;计算机工程与设计;第44卷(第9期);2811-2821 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132601A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
CN110598736A (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN103714339B (zh) | 基于矢量数据的sar影像道路损毁信息提取方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN114399672A (zh) | 一种基于深度学习的铁路货车闸瓦故障检测方法 | |
CN112347895A (zh) | 一种基于边界优化神经网络的舰船遥感目标检测方法 | |
CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
CN113971660A (zh) | 桥梁健康诊断的计算机视觉方法和智能摄像系统 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及系统 | |
CN111814696A (zh) | 一种基于改进YOLOv3的视频船舶目标检测方法 | |
CN116665148A (zh) | 基于合成孔径雷达数据的海上船舶检测方法 | |
CN117372876A (zh) | 一种多任务遥感影像道路损毁评估方法及系统 | |
Giglioni et al. | Deep autoencoders for unsupervised damage detection with application to the Z24 benchmark bridge | |
CN117132601B (zh) | 一种基于分布式光纤传感的管道模式识别方法及系统 | |
CN117422695A (zh) | 一种基于CR-Deeplab的异常检测方法 | |
CN116363434A (zh) | 一种基于分布式光纤传感的模式识别和定位方法 | |
CN116863271A (zh) | 一种基于改进yolo v5的轻量级红外火焰检测方法 | |
CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
CN114550016B (zh) | 一种基于上下文信息感知的无人机定位方法及系统 | |
CN116229341A (zh) | 一种电子间视频监控可疑行为分析报警方法和系统 | |
CN113361520B (zh) | 基于样本偏移网络的输电线路设备缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |