CN117537733A - 基于gan的ofdr形状传感应变测量范围拓展方法 - Google Patents
基于gan的ofdr形状传感应变测量范围拓展方法 Download PDFInfo
- Publication number
- CN117537733A CN117537733A CN202311525739.XA CN202311525739A CN117537733A CN 117537733 A CN117537733 A CN 117537733A CN 202311525739 A CN202311525739 A CN 202311525739A CN 117537733 A CN117537733 A CN 117537733A
- Authority
- CN
- China
- Prior art keywords
- image
- signal
- gan
- network structure
- ofdr
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000002168 optical frequency-domain reflectometry Methods 0.000 title claims abstract 11
- 239000013307 optical fiber Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000000835 fiber Substances 0.000 description 6
- 230000010287 polarization Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000035559 beat frequency Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
- G01B11/165—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge by means of a grating deformed by the object
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请属于光纤传感探测的技术领域，具体涉及一种基于GAN的OFDR形状传感应变测量范围拓展方法，首先将传统的一维互相关处理结果信号按距离轴排列转化为二维图像信号，在二维图像的基础上通过生成对抗网络去假峰方法对图像进行处理，再对去噪后的图像按照距离轴取最大值，最终得到去假峰后的应变测量结果。本发明所提出的一种基于GAN的OFDR形状传感系统应变测量范围拓展方法可以提高测量系统的应变测量范围，使其在航天航空、医疗设备等高精度形状监测领域具有更大优势和更广阔的应用。
Description
技术领域
本申请属于光纤传感探测的技术领域，具体涉及一种基于GAN的OFDR形状传感应变测量范围拓展方法。
背景技术
分布式光纤传感技术因其抗电磁干扰、结构简单、高定位精度和长传感距离等特点而备受瞩目。该技术将光纤既作为传感介质，又作为测量传输介质，通过光纤中光波的传输特性，包括拉曼散射、瑞利散射和布里渊散射等，实现了沿光纤长度方向对外界环境进行实时分布式监控。这一独特优势使得该技术逐渐应用于检测大桥安全、土木工程、隧道火灾警报、地质勘测等多个领域，在社会建设中发挥着重要的作用。
作为分布式光纤传感系统的代表，光频域反射技术(OFDR)以其轻便、小型、高灵敏度和抗电磁干扰性强等特点备受青睐。OFDR系统能够连续测量沿光纤距离上的应变、振动、温度等外界物理量变化。近几年，基于多芯光纤的OFDR形状传感系统发展迅速，通过测量多组纤芯的应变，使用应变结果结合形状重构算法得到光纤形态的准确重构。在航天器形变监测，机器人动态监测，医用导管形态监测等军用、民用领域都备受关注。
OFDR应变测量的工作原理如下：可调谐激光光源发出线性扫频光，其中一束光进入待测光纤，待测光纤的后向瑞利散射光返回，形成信号光，与另一束参考光发生拍频干涉。拍频信号经快速傅里叶变换处理后，可以获取沿传感光纤构建的距离域信息。在OFDR系统中，需要采集一次没有外部干扰的参考信号和受影响的测试信号，然后将它们互相关计算以获得外部应变信息的变化。OFDR应变测量系统的显著特点是其高空间分辨率，可达到毫米级别，因此在需要高精度形状监测的领域，如航天航空，医疗应用具有重要应用潜力。然而，当形状传感系统应用于需要较大形变的应用场景时，大形变导致的大应变会引起光纤位置失配，互相关信号的相关性降低，可能导致多峰和假峰的互相关结果。因此，研究如何有效提高OFDR形状传感系统的应变测量范围成为一个重要的研究方向。
发明内容
本发明的目的是提供一种基于GAN的OFDR形状传感系统应变测量范围拓展方法，在不改变传统系统结构及增加成本的前提下，有效提升了OFDR系统的应变测量范围。其技术方案为，
一种基于GAN的OFDR形状传感系统应变测量范围拓展方法，包括以下步骤：
S1.分别采集两次信号，一次为不包含应变信息的信号，为参考信号；另一次为包含应变信息的信号，为测试信号；
S2.将参考信号和测试信号通过快速傅里叶变化映射到距离域上，并取窗口大小C将信号划分为N等分，其中窗口大小C决定了系统的空间分辨率；
S3.对第一份参考信号和测量信号的局部距离域信息进行快速逆傅里叶变化；
S4.对快速逆傅里叶变换后的参考信号和测量信号通过互相关计算得到一维互相关结果；
S5.重复步骤S3-S4，得到光纤每一对应位置的互相关结果，将得到的所有一维互相关结果在光纤距离上重构成二维图像信号Q；
S6.构建模拟图，利用模拟图以及小应变下实测的无假峰图像作为改进的对抗网络模型GAN的数据训练集T；
改进的对抗网络模型GAN包括生成网络结构和判别网络结构；
生成网络结构输入的图像首先经过n个卷积层，得到图像的浅层特征图；再经过连续的n个具有跳跃连接的残差块，每一个残差块均由参数相同的卷积层、BN层和激活层组成，然后通过反卷积层还原输入图像尺寸；
判别网络结构基于全卷积网络构成，输入的图像首先经过多个卷积块后由Sigmoid层将网络输出归一化，表征图像相似概率，设定相似概率阈值，通过阈值判断给予生成网络结构反馈；
S7.步骤S5得到的二维图像信号Q通过训练好的生成结构处理，得到抑制假峰后的二维图像信号Q′；
S8.将步骤S6得到的去噪后的互相关二维图像Q′重新解构得到光纤各位置的光谱偏移量，从而能够得到去除假峰的大应变事件的测量结果。
优选的，步骤S6中，
数据训练集T被添加噪声作为改进的对抗网络模型GAN的输入，通过硬性下采样处理，更改输入图片尺寸为固定尺寸；将得到的硬性下采样处理输出作为生成网络结构的输入，分别生成预测后进行上采样得到生成网络结构的输出；生成网络结构的输出与训练集原始数据训练集T组成图像对，进行两次不同参数的降采样后输入判别网络结构，得到反馈，通过反馈执行重复生成网络结构操作或终止训练。
优选的，步骤S6中GAN的训练步骤如下：
S61.使用Adam算法最小化损失函数，并将其超参数设置为默认值；
S62.以设定p像素的滑动步长裁剪性下采样处理后的数据训练集T为m*m像素的图像块，将大图像转换成适合模型处理的小块；
S63.设置迭代的周期数,在每个周期内，将训练数据分成k个批次；
S64.学习率设置，并使用学习率衰减；
S65.在每个批次处理中，首先在生成网络结构执行前向传播，生成预测，然后在判别网络结构计算预测结果与原始结果的相似概率，形成反馈运算，学习噪声图像至原始图像之间的映射。
优选的，模拟图是由MATLAB通过构造由0、1组成的矩阵生成的无噪声，其中1代表波长峰值位移信息，0代表其余无关信息；
模拟图与步骤S6中子图像信号相同的尺寸大小，同时具有两条明亮条纹分别代表无应变位置信息及有应变位置信息，且应变位置的大小以及长度是完全随机的。
优选的，两次不同参数的降采样处理被添加在判别网络结构之前，以不同维度判别图像相似概率，按设定权值叠加确定最终图像相似概率，并将其作为是否重复生成网络结构的反馈。
优选的，小应变下的无错峰实测图像与步骤S6中子图像信号的尺寸相同。
优选的，将步骤S8重构的二维图像信号Q′重新分解到光纤的对应位置，通过寻找主峰的偏移得到对应光纤位置光谱的偏移量。
有益效果
1)本发明所提出的用于形状传感的基于GAN的OFDR形状传感系统应变测量范围拓展方法可以提高测量系统的应变测量范围，使其在航天航空、医疗机器设备等高精度监测领域具有更大优势和更广阔的应用。
2)本发明所提出的基于GAN的OFDR形状传感系统应变测量范围拓展方法通过对二维图像信息处理，不仅能够提高系统的测量范围，而且能够有效去除测量结果的异常值，提高测量的准确性。
附图说明
图1为基于GAN的OFDR形状传感系统应变测量处理流程。
图2为OFDR系统原理图。
其中1-为可调谐激光器；2-为耦合器一；3-为耦合器二；4-为环形器；5-为马赫-曾德干涉仪；6为偏振控制器一；7-为偏振控制器二；8-为耦合器三；9-为偏振分束器；10-为平衡探测器；11-为采集卡；12-传感光纤；13-菲尼尔环。
具体实施方式
下面结合附图1-2和具体实施例对技术作进一步说明，以助于理解本发明的内容。
一种基于GAN的OFDR形状传感系统应变测量范围拓展方法，包括以下步骤：
S1.分别采集两次信号，一次为不包含应变信息的信号，为参考信号；另一次为包含应变信息的信号，为测试信号；
S2.将参考信号和测试信号通过快速傅里叶变化映射到距离域上，并取窗口大小C将信号划分为N等分，其中窗口大小C决定了系统的空间分辨率；
S3.对第一份参考信号和测量信号的局部距离域信息进行快速逆傅里叶变化；
S4.对快速逆傅里叶变换后的参考信号和测量信号通过互相关计算得到一维互相关结果；
S5.重复步骤S3-S4，得到光纤每一对应位置的互相关结果，将得到的所有一维互相关结果在光纤距离上重构成二维图像信号Q；
S6.模拟图是由MATLAB通过构造由0、1组成的矩阵生成的无噪声，其中1代表波长峰值位移信息，0代表其余无关信息；模拟图以及小应变下实测的无假峰图像作为生成对抗网络模型GAN的数据训练集T；小应变下的无错峰实测图像与步骤S5中图像信号的尺寸相同。
数据训练集T被添加噪声作为改进的对抗网络模型GAN的输入，通过硬性下采样处理，更改输入图片尺寸为固定尺寸(更改输入图片尺寸为固定大小以提高网络迭代速度)；将得到的硬性下采样处理输出作为生成网络结构的输入，分别生成预测后进行上采样得到生成网络结构的输出；生成网络结构的输出与训练集原始数据训练集T组成图像对，进行两次不同参数的降采样后输入判别网络结构，得到反馈，通过反馈执行重复生成网络结构操作或终止训练。
GAN训练步骤如下：
S61.使用Adam算法最小化损失函数，并将其超参数设置为默认值；
S62.以50像素的滑动步长裁剪硬性下采样处理后的训练集为40*40像素的图像块，将大图像转换成适合模型处理的小块；
S63.设置迭代的周期数为10000,在每个周期内，将训练数据分成32个批次；
S64.学习率设置为0.001，并使用学习率衰减，即每1000各周期降低10倍。
利用Matlab生成的模拟图具有与步骤S5中子图像信号相同的尺寸大小，同时具有两条明亮条纹分别代表无应变位置信息及有应变位置信息，且应变位置的大小以及长度是完全随机的。
改进的对抗网络模型GAN包括改进生成网络结构和判别网络结构。
生成网络结构输入的图像首先经过三个卷积层，得到图像的浅层特征图；再经过连续的三个具有跳跃连接的残差块，每一个残差块均由参数相同的卷积层、BN层和激活层组成，然后通过三个反卷积层还原输入图像尺寸。
判别网络结构基于判别器模块构成，判别器模块将全卷积网络中的全连接层替换为卷积层。输入的图像首先经过5个卷积块，然后由一个Sigmoid层将网络输出归一化，表征图像相似概率。
两次不同参数的降采样处理被添加在判别器模块之前，以不同维度判别图像相似概率后，按设定权值叠加确定最终图像相似概率。
S7.步骤S5得到的二维图像信号Q通过训练好的生成结构处理，得到抑制假峰后的二维图像信号Q′；
S8.将步骤S6得到的去噪后的互相关二维图像Q′重新解构得到光纤各位置的光谱偏移量，从而能够得到去除假峰的大应变事件的测量结果。
将步骤S8重构的二维图像信号Q′重新分解到光纤的对应位置，通过寻找主峰的偏移得到对应光纤位置光谱的偏移量。
实施例2
图2是OFDR系统原理图。一种基于距离域补偿的OFDR传感系统，包括：可调谐激光源的连续激光输出由耦合器一2(10/90光耦合器)分成两份，10％入射到一个非平衡的马赫-曾德干涉仪5，为采集卡11提供一个触发信号，其余部分的光进入耦合器二3；之后耦合器二3(1/99光耦合器)分成两个部分，其中1％的输出通过偏振控制器一6进行调整，使“p”和“s”光分量具有相同的功率，99％通过环形器4和偏振控制器二7进入到传感光纤12探测，菲尼尔环13用来抑制光纤末端菲尼尔反射。；然后瑞利散射信号与1％激光输出从耦合器三8(50/50光耦合器)相结合得到的干涉信号，通过偏振分束器分解成“p”和“s”分量；最后“p”和“s”光由采集卡采集。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于GAN的OFDR形状传感应变测量范围拓展方法，其特征在于，包括以下步骤：
一种基于GAN的OFDR形状传感系统应变测量范围拓展方法，包括以下步骤：
S1.分别采集两次信号，一次为不包含应变信息的信号，为参考信号；另一次为包含应变信息的信号，为测试信号；
S2.将参考信号和测试信号通过快速傅里叶变化映射到距离域上，并取窗口大小C将信号划分为N等分，其中窗口大小C决定了系统的空间分辨率；
S3.对第一份参考信号和测量信号的局部距离域信息进行快速逆傅里叶变化；
S4.对快速逆傅里叶变换后的参考信号和测量信号通过互相关计算得到一维互相关结果；
S5.重复步骤S3-S4，得到光纤每一对应位置的互相关结果，将得到的所有一维互相关结果在光纤距离上重构成二维图像信号Q；
S6.构建模拟图，利用模拟图以及小应变下实测的无假峰图像作为改进的对抗网络模型GAN的数据训练集T；
改进的对抗网络模型GAN包括生成网络结构和判别网络结构；
生成网络结构输入的图像首先经过n个卷积层，得到图像的浅层特征图；再经过连续的n个具有跳跃连接的残差块，每一个残差块均由参数相同的卷积层、BN层和激活层组成，然后通过反卷积层还原输入图像尺寸；
判别网络结构基于全卷积网络构成，输入的图像首先经过多个卷积块后由Sigmoid层将网络输出归一化，表征图像相似概率，设定相似概率阈值，通过阈值判断给予生成网络结构反馈；
S7.步骤S5得到的二维图像信号Q通过训练好的生成结构处理，得到抑制假峰后的二维图像信号Q′；
S8.将步骤S6得到的去噪后的互相关二维图像Q′重新解构得到光纤各位置的光谱偏移量，从而能够得到去除假峰的大应变事件的测量结果。
2.根据权利要求1所述的基于GAN的OFDR形状传感应变测量范围拓展方法，其特征在于，步骤S6中，
数据训练集T被添加噪声作为改进的对抗网络模型GAN的输入，通过硬性下采样处理，更改输入图片尺寸为固定尺寸；将得到的硬性下采样处理输出作为生成网络结构的输入，分别生成预测后进行上采样得到生成网络结构的输出；生成网络结构的输出与训练集原始数据训练集T组成图像对，进行两次不同参数的降采样后输入判别网络结构，得到反馈，通过反馈执行重复生成网络结构操作或终止训练。
3.根据权利要求1-2任一所述的基于GAN的OFDR形状传感应变测量范围拓展方法，其特征在于，步骤S6中GAN的训练步骤如下：
S61.使用Adam算法最小化损失函数，并将其超参数设置为默认值；
S62.以设定p像素的滑动步长裁剪性下采样处理后的数据训练集T为m*m像素的图像块，将大图像转换成适合模型处理的小块；
S63.设置迭代的周期数,在每个周期内，将训练数据分成k个批次；
S64.学习率设置，并使用学习率衰减；
S65.在每个批次处理中，首先在生成网络结构执行前向传播，生成预测，然后在判别网络结构计算预测结果与原始结果的相似概率，形成反馈运算，学习噪声图像至原始图像之间的映射。
4.根据权利要求1-2任一所述的基于GAN的OFDR形状传感应变测量范围拓展方法，其特征在于，模拟图是由MATLAB通过构造由0、1组成的矩阵生成的无噪声，其中1代表波长峰值位移信息，0代表其余无关信息；
模拟图与步骤S6中子图像信号相同的尺寸大小，同时具有两条明亮条纹分别代表无应变位置信息及有应变位置信息，且应变位置的大小以及长度是完全随机的。
5.根据权利要求1-2任一所述的基于GAN的OFDR形状传感应变测量范围拓展方法，其特征在于，两次不同参数的降采样处理被添加在判别网络结构之前，以不同维度判别图像相似概率，按设定权值叠加确定最终图像相似概率，并将其作为是否重复生成网络结构的反馈。
6.根据权利要求1-2任一所述的基于GAN的OFDR形状传感应变测量范围拓展方法，其特征在于，小应变下的无错峰实测图像与步骤S6中子图像信号的尺寸相同。
7.根据权利要求1-2任一所述的基于GAN的OFDR形状传感应变测量范围拓展方法，其特征在于，将步骤S8重构的二维图像信号Q′重新分解到光纤的对应位置，通过寻找主峰的偏移得到对应光纤位置光谱的偏移量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311525739.XA CN117537733A (zh) | 2023-11-16 | 2023-11-16 | 基于gan的ofdr形状传感应变测量范围拓展方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311525739.XA CN117537733A (zh) | 2023-11-16 | 2023-11-16 | 基于gan的ofdr形状传感应变测量范围拓展方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117537733A true CN117537733A (zh) | 2024-02-09 |
Family
ID=89793288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311525739.XA Pending CN117537733A (zh) | 2023-11-16 | 2023-11-16 | 基于gan的ofdr形状传感应变测量范围拓展方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117537733A (zh) |
-
2023
- 2023-11-16 CN CN202311525739.XA patent/CN117537733A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
| CN111609916B (zh) | 一种基于压缩感知的ofdr分布式振动传感检测方法 | |
| CN113188461B (zh) | 一种高空间分辨率下的ofdr大应变测量方法 | |
| Wu et al. | Simultaneous extraction of multi-scale structural features and the sequential information with an end-to-end mCNN-HMM combined model for fiber distributed acoustic sensor | |
| Chen et al. | Denoising method of the Φ-OTDR system based on EMD-PCC | |
| Pang et al. | Comparison between time shifting deviation and cross-correlation methods | |
| Wu et al. | NLM Parameter Optimization for $\varphi $-OTDR Signal | |
| CN113237431B (zh) | 一种提升ofdr系统分布式空间分辨率的测量方法 | |
| Gao et al. | A method on vibration positioning of Φ-OTDR system based on compressed sensing | |
| Li et al. | A novel fiber intrusion signal recognition method for ofps based on SCN with dropout | |
| CN113218320B (zh) | 一种基于距离域补偿的ofdr大应变测量方法 | |
| CN111579048B (zh) | 一种基于滑动时间选通的ofdr系统振动检测方法 | |
| Caceres et al. | Spatial resolution enhancement of Brillouin optical correlation-domain reflectometry using convolutional neural network: proof of concept | |
| Wu et al. | Vibration detection in distributed acoustic sensor with threshold-based technique: A statistical view and analysis | |
| Karapanagiotis et al. | A collection of machine learning assisted distributed fiber optic sensors for infrastructure monitoring | |
| CN117537733A (zh) | 基于gan的ofdr形状传感应变测量范围拓展方法 | |
| Li et al. | SNR enhancement of far-end disturbances on distributed sensor based on phase-sensitive optical time-domain reflectometry | |
| CN110987151A (zh) | 一种通讯光缆状态实时监测系统 | |
| Tangudu et al. | Strain resolution enhancement in Rayleigh-OTDR based DSS system using LWT-MPSO scheme | |
| CN115752696A (zh) | 基于前向传输的分布式光纤振动传感系统及信号处理方法 | |
| CN117629093A (zh) | 基于cnn的ofdr形状传感系统空间分辨率提升方法 | |
| CN113155267A (zh) | 一种基于二次相关的ofdr系统振动检测方法、系统、存储介质和终端 | |
| Meng et al. | Comparative analysis of temporal-spatial and time-frequency features for pattern recognition of φ-OTDR | |
| Pu et al. | Acceleration of the frequency-shift demodulation in phase-sensitive OTDR | |
| Zhao et al. | Pipeline intrusion detection and location based on phase-sensitive optical time domain reflectometer |
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 |