CN118051830B - 一种周界安防入侵事件识别方法 - Google Patents
一种周界安防入侵事件识别方法 Download PDFInfo
- Publication number
- CN118051830B CN118051830B CN202410451226.7A CN202410451226A CN118051830B CN 118051830 B CN118051830 B CN 118051830B CN 202410451226 A CN202410451226 A CN 202410451226A CN 118051830 B CN118051830 B CN 118051830B
- Authority
- CN
- China
- Prior art keywords
- network
- convolution
- layer
- intrusion event
- perimeter security
- 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
- 238000000034 method Methods 0.000 title claims abstract description 152
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 238000012795 verification Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims description 51
- 238000010606 normalization Methods 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000013307 optical fiber Substances 0.000 claims description 8
- 238000009412 basement excavation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000004575 stone Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种周界安防入侵事件识别方法，涉及周界安防入侵事件监测技术领域。本发明包括以下步骤：S1、采集背景噪声振动信号和入侵事件振动信号，获取模型训练集、模型测试集和模型验证集；S2、构建周界安防入侵事件识别网络；S3、对周界安防入侵事件识别网络进行训练，得到周界安防入侵事件识别网络模型；S4、将采集到的入侵事件振动信号利用步骤S1进行处理后输入周界安防入侵事件识别网络模型中，输出预测的背景噪声以及三个入侵事件的分类准确率。本发明在对背景噪声以及上述三种入侵事件的分类正确率都能达到99.5%‑100%，而且本申请所述的识别方法运行时间为3.91S，非常适用于周界安防入侵事件监测领域。
Description
技术领域
本发明涉及周界安防入侵事件监测领域，具体涉及一种周界安防入侵事件识别方法。
背景技术
随着国家、社会经济的发展，各行各业对安全的需求日益旺盛，安防技术日益得到研发人员的关注。为了提高周界安防入侵事件的识别分类准确率，研究人员主要关注了三类识别方法，即包括基于机器学习的入侵事件识别方法、基于人工神经网络的入侵事件识别方法和基于深度学习的入侵事件识别方法。其中，基于深度学习的入侵事件识别方法主要是通过使用卷积神经网络和长短期记忆网络进行入侵事件识别，基于深度学习的入侵事件识别方法虽然能够有效克服基于机器学习的入侵事件识别方法不足，相对于基于机器学习的入侵事件识别方法提升了神经网络的学习能力，但是，现有技术中，基于深度学习的入侵事件识别方法所能取得的分类准确率和运行时间依然不太理想。为此，本申请提出了一种周界安防入侵事件识别方法。
发明内容
本发明为了弥补现有技术的不足，提供了一种周界安防入侵事件识别方法。
本发明是通过如下技术方案实现的：
一种周界安防入侵事件识别方法，包括如下步骤：
S1、采集背景噪声振动信号和入侵事件振动信号，对采集到的背景噪声振动信号和入侵事件振动信号进行处理得到时域振动信号数据和二维图像数据，并对时域振动信号数据和二维图像数据归一化处理后进行划分，得到模型训练集、模型测试集和模型验证集；
S2、构建周界安防入侵事件识别网络；所述周界安防入侵事件识别网络包括1DCNN网络、At-DenseNet网络、连接1DCNN网络和At-DenseNet网络的特征融合模块以及与特征融合模块连接的Softmax分类层；本申请中At-DenseNet网络是通过对现有的DenseNet121网络进行改进得到的；其中，1DCNN网络用于提取一维样本数据的振动信号时间演变信息，At-DenseNet网络用于提取二维样本数据中时间和频率变化规律的特征，特征融合模块用于对1DCNN网络提取到的一维样本数据的振动信号时间演变信息特征以及At-DenseNet网络提取到的二维样本数据中时间和频率变化规律的特征进行特征融合，得到包含振动信号时间演变信息以及时间和频率变化规律信息的融合特征图，Softmax分类层用于将特征融合模块输出的融合特征图的特征向量映射到[0, 1]区间内，并输出预测的背景噪声和三个入侵事件的分类准确率；
S3、利用训练集和多分类交叉熵损失函数对周界安防入侵事件识别网络进行训练，并利用验证集对周界安防入侵事件识别网络进行验证，得到周界安防入侵事件识别网络模型；
S4、将采集到的入侵事件振动信号利用步骤S1-1至S1-4所述的步骤进行处理，得到一维样本数据和二维样本数据；而后将得到的一维样本数据和二维样本数据输入周界安防入侵事件识别网络模型中，前向传播一次，输出预测的背景噪声以及三个入侵事件的分类准确率。
优选地，步骤S1具体包括如下步骤：
S1-1、利用分布式光纤振动传感系统（DVS）采集布设光纤区域的背景噪声振动信号和入侵事件振动信号；其中，背景噪声振动信号是指无入侵事件发生时自然环境产生的背景噪声的振动信号，入侵事件的类型包括人工挖掘事件、人员行走事件和投掷石块事件，入侵事件振动信号是指人工挖掘事件、人员行走事件以及投掷石块事件产生的振动信号，本申请采用的分布式光纤振动传感系统为桂林光翼智能科技有限公司销售的分布式光纤振动传感DVS一体化模块，获取网址为：
https://b2b.baidu.com/slist/7e1f7b750374702b06027d627119067c047aadbfba；
S1-2、对步骤S1-1采集到的背景噪声振动信号和入侵事件振动信号进行数据分割处理，数据分割处理的单位时间为1s，数据分割处理后得到的1s时间内的数据为一个时域振动信号数据，时域振动信号数据为一维数据；
S1-3、利用现有的数据转换方法将时域振动信号数据转换为二维图像数据；
S1-4、将步骤S1-2得到的时域振动信号数据进行归一化处理，得到一维样本数据；将步骤S1-3中得到的二维图像数据进行归一化处理得到二维样本数据；
S1-5、将步骤S1-4中得到的一维样本数据以5:3:2的数量比例随机划分，得到一维样本数据的子训练集、子验证集和子测试集；将步骤S1-4中得到的二维样本数据以5:3:2的数量比例随机划分，得到二维样本数据的子训练集、子验证集和子测试集；一维样本数据的子训练集和二维样本数据的子训练集构成模型训练集，一维样本数据的子验证集和二维样本数据的子验证集构成模型验证集，一维样本数据的子测试集和二维样本数据的子测试集构成模型测试集。
优选地，步骤S1-3中，现有的数据转换方法为现有的时频分析方法和/或现有的图像编码方法，所述时频分析方法为短时傅里叶变换方法、连续小波变换方法和希尔伯特-黄变换方法中的一种或多种；所述图像编码方法为格拉姆角场方法、马尔可夫转移场方法和递归图方法中的一种或多种；其中，所述格拉姆角场方法是指通过格拉姆角场变换将时域振动信号数据转换为二维图像数据，马尔可夫转移场方法是指通过马尔可夫转移场变换将时域振动信号数据转换为二维图像数据，递归图方法是指采用递归图技术将时域振动信号数据转换为二维图像数据；
优选地，步骤S2中，1DCNN网络包括依次连接的三个卷积组，第三个卷积组连接Flatten展平层，Flatten展平层依次连接五个全连接层，第五个全连接层与特征融合模块连接；其中，三个卷积组均用于对一维样本数据中振动信号时间演变信息进行提取，Flatten展平层用于对第三个卷积组输出的具有振动信号时间演变信息的特征图进行展平操作，得到具有振动信号时间演变信息的高维度一维数据的特征图，五个全连接层均用于对输入其中的特征图中的特征进行整合并映射到不同维度的空间，第一个全连接层至第五个全连接层分别将特征图映射到维度大小为128、64、32、16和8的空间。
优选地，步骤S2中，第一个卷积组的两个一维卷积层均有64个大小为3的卷积核，第二个卷积组中的两个一维卷积层均有128个大小为3的卷积核，第三个卷积组中的两个一维卷积层均有256个大小为3的卷积核。
优选地，步骤S2中，本申请中At-DenseNet网络是通过对现有的DenseNet121网络进行如下述改进得到的：
将现有的DenseNet121网络中初始卷积组替换成本申请中的初始卷积块，本申请中的初始卷积块包括三个依次连接的卷积单元，所述卷积单元包括依次连接的3×3卷积层、批量归一化层以及2D最大池化层；本申请该上述设置有效降低了模型的复杂度，提升了运行速度，而且，由于三个卷积单元中使用的是卷积核大小为3×3的小卷积核的卷积层，因此，本申请中设置的初始卷积块能够更好地捕获输入的二维样本数据中的局部特征，从而提取到频率信息的更多细节信息；
将现有的DenseNet121网络中Dence Block中的稠密卷积块替换为本申请中的稠密卷积组，本申请中稠密卷积组包括依次连接的批量归一化层、卷积核大小为3×1的卷积层以及卷积核大小为1×3的卷积层；将稠密卷积组数量设置为六个，且瓶颈块以及六个稠密卷积组采用密集连接的方式进行连接，得到第一个密集模块；将稠密卷积组数量设置为八个，且瓶颈块以及八个稠密卷积组采用密集连接的方式进行连接，分别得到第二个密集模块、第三个密集模块、第四个密集模块；本申请中瓶颈块的结构与现有的DenseNet121网络中Dence Block中的瓶颈块的结构相同、功能相同。本申请稠密卷积块中的批量归一化层用于缓解过拟合，卷积核大小为3×1的卷积层用于对输入其中的特征图进行特征提取操作，卷积核大小为1×3的卷积层用于对卷积核大小为3×1卷积层输出的特征图进行特征提取操作；本申请中稠密卷积组中采用卷积核大小为3×1的卷积层和卷积核大小为1×3的卷积层先后进行卷积操作，是一种非对称卷积设计，由于卷积核大小为 3×1 的卷积层和卷积核大小为1×3的卷积层能够分别捕获特征图不同方向的特征，因此，本申请设计的稠密卷积块能够提取到二维样本数据中时间和频率变化规律更多的特征，此外，卷积核大小为3×1 的卷积层和卷积核大小为1×3的卷积层的设置还会因为参数的减少从而有效降低计算量。
在现有的DenseNet121网络中每一个过渡层之后均增加一个通道注意力模块，第一个通道注意力模块的输出端与第二个密集模块连接，第二个通道注意力模块的输出端与第三个密集模块连接，第三个通道注意力模块的输出端与第四个密集模块连接。本申请中通道注意力模块用于对过渡层输出的特征图进行空间压缩，并在通道维度上对空间压缩后的特征图进行学习，得到具有丰富通道维度特征的特征图。
优选地，步骤S2中，特征融合模块包括三个全连接层、一个Concat层、一个层归一化层，其中，两个全连接层连接Concat层，Concat层、层归一化层和另一个全连接层依次连接，且连接Concat层的两个全连接层的输入端分别与1DCNN网络中第五个全连接层的输出端以及At-DenseNet网络中2D全局平均池化层的输出端连接；本申请中，分别与1DCNN网络中第五个全连接层的输出端以及At-DenseNet网络中2D全局平均池化层的输出端连接的两个全连接层均用于降维操作，使得1DCNN网络输出的特征图和At-DenseNet网络输出的特征图具有相同的维度，以方便后续特征融合操作；Concat层用于对输入其中的两个特征图在特征维度上进行拼接，得到初步融合特征图；层归一化层用于对输入其中的初步融合特征图进行归一化操作，有效降低样本间的差异性，使特征融合模块更加关注特征本身的分布情况，而不是样本之间的差异，这有助于提高特征融合模块的泛化能力，缓解过拟合情况；而与层归一化层连接的全连接层则用于对层归一化层输出的特征图进行降维操作，得到最终的融合特征图。
优选地，步骤S3包括如下具体步骤：将训练集中的一维样本数据和二维样本数据输入至周界安防入侵事件识别网络，而后利用多分类交叉熵损失函数计算周界安防入侵事件识别网络的损失值，并利用Adam优化器优化损失梯度并反向传播，保存参数并更新周界安防入侵事件识别网络的模型参数，同时输出分类准确率，完成一次训练过程；而后，利用验证集验证更新完模型参数的周界安防入侵事件识别网络的分类准确率；当训练次数epoch达到预设的50次后，将50次利用验证集验证周界安防入侵事件识别网络的过程中得到的分类准确率中最大的那个训练段epoch保留的参数，作为周界安防入侵事件识别网络最终的模型参数，得到周界安防入侵事件识别网络模型；本申请中采用的多分类交叉熵损失函数为https://blog.csdn.net/BlackValley/article/details/118006249公开的多分类交叉熵损失函数。
相较于现有技术，本申请的有益效果为：
本申请中1DCNN网络能够有效提取一维样本数据的振动信号时间演变信息，At-DenseNet网络能够有效提取二维样本数据中时间和频率变化规律的特征，特征融合模块能够对1DCNN网络提取到的一维样本数据的振动信号时间演变信息特征以及At-DenseNet网络提取到的二维样本数据中时间和频率变化规律的特征进行特征融合，得到包含振动信号时间演变信息以及时间和频率变化规律信息的融合特征图，而Softmax分类层则可将特征融合模块输出的融合特征图的特征向量映射到[0, 1]区间内，并输出预测的背景噪声和三个入侵事件的分类准确率。通过测试发现，本申请在对背景噪声以及上述三种入侵事件的分类正确率都能达到99.5%-100%，而且本申请所述的识别方法运行时间为3.91S，周界安防入侵事件识别网络的模型的参数量为4.97M，这说明本申请所述的识别方法运行时间较短、模型复杂度较低，非常适用于周界安防入侵事件的监测。
附图说明
图1为本申请中周界安防入侵事件识别网络结构示意图；
图2为图1中1DCNN中卷积组的网络结构示意图：
图3为图1中At-DenseNet中初始卷积块的网络结构示意图；
图4为图1中第一个密集模块的网络结构示意图，第一个密集模块就是图1中最左侧的密集模块；
图5为特征融合模块的网络结构示意图；
图6为基于测试集进行测试得到的混淆矩阵；图6中，标签0表示背景噪声，标签1表示人工挖掘事件，标签2表示人员行走事件，标签3表示投掷石块事件；(a)表示DenseNet121识别方法，(b)表示1DCNN+DenseNet121识别方法，(c)表示本申请所述的识别方法。
具体实施方式
一种周界安防入侵事件识别方法，所述周界安防入侵事件识别方法的流程图，如图1所示，所述周界安防入侵事件识别方法包括如下步骤：
S1、采集背景噪声振动信号和入侵事件振动信号，对采集到的背景噪声振动信号和入侵事件振动信号进行处理得到时域振动信号数据和二维图像数据，并对时域振动信号数据和二维图像数据归一化处理后进行划分，得到模型训练集、模型测试集和模型验证集；具体包括如下步骤：
S1-1、利用分布式光纤振动传感系统（DVS）采集布设光纤区域的背景噪声振动信号和入侵事件振动信号；其中，背景噪声振动信号是指无入侵事件发生时自然环境产生的背景噪声的振动信号，入侵事件的类型包括人工挖掘事件、人员行走事件和投掷石块事件，入侵事件振动信号是指人工挖掘事件、人员行走事件以及投掷石块事件产生的振动信号，本申请采用的分布式光纤振动传感系统为桂林光翼智能科技有限公司销售的分布式光纤振动传感DVS一体化模块，获取网址为：
https://b2b.baidu.com/slist/7e1f7b750374702b06027d627119067c047aadbfba；
S1-2、对步骤S1-1采集到的背景噪声振动信号和入侵事件振动信号进行数据分割处理，数据分割处理的单位时间为1s，数据分割处理后得到的1s时间内的数据为一个时域振动信号数据，时域振动信号数据为一维数据；
S1-3、利用现有的数据转换方法将时域振动信号数据转换为二维图像数据；其中，本实施例中采用的现有的数据转换方法为连续小波变换方法这种现有的时频分析方法；
S1-4、将步骤S1-2得到的时域振动信号数据进行归一化处理，得到一维样本数据；将步骤S1-3中得到的二维图像数据进行归一化处理得到二维样本数据，本实施例中二维样本数据的像素大小为224×224。
S1-5、将步骤S1-4中得到的一维样本数据以5:3:2的数量比例随机划分，得到一维样本数据的子训练集、子验证集和子测试集；将步骤S1-4中得到的二维样本数据以5:3:2的数量比例随机划分，得到二维样本数据的子训练集、子验证集和子测试集；一维样本数据的子训练集和二维样本数据的子训练集构成模型训练集，一维样本数据的子验证集和二维样本数据的子验证集构成模型验证集，一维样本数据的子测试集和二维样本数据的子测试集构成模型测试集；
S2、构建周界安防入侵事件识别网络：
周界安防入侵事件识别网络包括1DCNN网络、At-DenseNet网络、连接1DCNN网络和At-DenseNet网络的特征融合模块以及与特征融合模块连接的Softmax分类层；本申请中At-DenseNet网络是通过对现有的DenseNet121网络（源自于网址：https://gitee.com/futureflsl/DenseNet_TensorFlow2/blob/master/densenet.py）进行改进得到的；
本申请中，1DCNN网络用于提取一维样本数据的振动信号时间演变信息，At-DenseNet网络用于提取二维样本数据中时间和频率变化规律的特征，特征融合模块用于对1DCNN网络提取到的一维样本数据的振动信号时间演变信息特征以及At-DenseNet网络提取到的二维样本数据中时间和频率变化规律的特征进行特征融合，得到包含振动信号时间演变信息以及时间和频率变化规律信息的融合特征图，Softmax分类层用于将特征融合模块输出的融合特征图的特征向量映射到[0, 1]区间内，并输出预测的背景噪声和三个入侵事件的分类准确率。
本申请中1DCNN网络包括依次连接的三个卷积组，第三个卷积组连接Flatten展平层，Flatten展平层依次连接五个全连接层，第五个全连接层与特征融合模块连接；其中，三个卷积组的结构相同、功能也相同，三个卷积组均用于对一维样本数据中振动信号时间演变信息进行提取，Flatten展平层用于对第三个卷积组输出的具有振动信号时间演变信息的特征图进行展平操作，得到具有振动信号时间演变信息的高维度一维数据的特征图，本申请1DCNN网络中五个全连接层的结构相同、功能相同，五个全连接层均用于对输入其中的特征图中的特征进行整合并映射到不同维度的空间。第一个全连接层至第五个全连接层分别将特征图映射到维度大小为128、64、32、16和8的空间。
本申请中1DCNN网络的三个卷积组结构相同，本申请中卷积组的结构，如图2所示，均包括两个一维卷积层以及一个最大池化层，且第一个一维卷积层、第二个一维卷积层和最大池化层依次连接。其中，卷积组中一维卷积层均用于对一维样本数据的振动信号时间演变信息进行特征提取，卷积组中的最大池化层用于对第二个卷积层输出的特征图进行下采样降维操作，从而减少计算量；
第一个卷积组的两个一维卷积层均有64个大小为3的卷积核，第一个卷积组的两个一维卷积层主要用于提取一维样本数据的振动信号时间演变信息的局部低级特征，而后最大池化层对第二个一维卷积层输出的具有局部低级特征的特征图进行下采样降维操作；
第二个卷积组中的两个一维卷积层均有128个大小为3的卷积核，第二个卷积组中的两个一维卷积层主要是用于对第一个卷积组输出的特征图中的中级特征进行提取，所述的中级特征是指更加复杂的局部信息或更高级的特征，而最大池化层用于对第二个一维卷积层输出的具有中级特征的特征图进行下采样降维操作；
第三个卷积组中的两个一维卷积层均有256个大小为3的卷积核，第三个卷积组中的两个一维卷积层主要是用于对第二个卷积组输出的特征图中的高级特征进行提取，而最大池化层用于对第二个一维卷积层输出的具有高级特征的特征图进行下采样降维操作。
本申请1DCNN网络中三个卷积组的设置能够对一维样本数据的振动信号时间演变信息在不同尺度上进行特征提取，有效提升了1DCNN网络的感受野，从而使得1DCNN网络能够提取到更为丰富的振动信号时间演变信息，使得1DCNN网络能够更好地理解一维样本数据的时间演变信息。
本申请中At-DenseNet网络是通过对现有的DenseNet121网络（源自于网址：https://gitee.com/futureflsl/DenseNet_TensorFlow2/blob/master/densenet.py）进行如下述改进得到的：
对现有的DenseNet121网络中初始卷积组的改进：现有的DenseNet121网络中初始卷积组包括依次连接的7×7卷积层、批量归一化层以及2D最大池化层；本申请将现有的DenseNet121网络中初始卷积组替换成本申请中的初始卷积块，本申请中的初始卷积块的结构，如图3所示，包括三个依次连接的卷积单元，所述卷积单元包括依次连接的3×3卷积层、批量归一化层以及2D最大池化层；本申请该上述设置有效降低了模型的复杂度，提升了运行速度，而且，由于三个卷积单元中使用的是卷积核大小为3×3的小卷积核的卷积层，因此，本申请中设置的初始卷积块能够更好地捕获输入的二维样本数据中的局部特征，从而提取到频率信息的更多细节信息；
对现有的DenseNet121网络中Dence Block的改进：
将现有的DenseNet121网络中Dence Block中的稠密卷积块（该稠密卷积块为卷积核大小为3×3的卷积层）替换为本申请中的稠密卷积组，稠密卷积组的结构，如图4中(b)图所示，稠密卷积组包括依次连接的批量归一化层、卷积核大小为3×1的卷积层以及卷积核大小为1×3的卷积层；将稠密卷积组数量设置为六个，且瓶颈块以及六个稠密卷积组采用密集连接的方式进行连接，得到第一个密集模块；将稠密卷积组数量设置为八个，且瓶颈块以及八个稠密卷积组采用密集连接的方式进行连接，分别得到第二个密集模块、第三个密集模块、第四个密集模块；本申请中瓶颈块的结构与现有的DenseNet121网络中DenceBlock中的瓶颈块的结构相同、功能相同，本申请中瓶颈块的结构，如图4中(a)图所示。本申请稠密卷积块中的批量归一化层用于缓解过拟合，卷积核大小为3×1的卷积层用于对输入其中的特征图进行特征提取操作，卷积核大小为1×3的卷积层用于对卷积核大小为3×1卷积层输出的特征图进行特征提取操作；本申请中稠密卷积组中采用卷积核大小为3×1的卷积层和卷积核大小为1×3的卷积层先后进行卷积操作，是一种非对称卷积设计，由于卷积核大小为 3×1 的卷积层和卷积核大小为1×3的卷积层能够分别捕获特征图不同方向的特征，因此，本申请设计的稠密卷积块能够提取到二维样本数据中时间和频率变化规律更多的特征，此外，卷积核大小为 3×1 的卷积层和卷积核大小为1×3的卷积层的设置还会因为参数的减少从而有效降低计算量。
在现有的DenseNet121网络中每一个过渡层之后均增加一个通道注意力模块，第一个通道注意力模块的输出端与第二个密集模块连接，第二个通道注意力模块的输出端与第三个密集模块连接，第三个通道注意力模块的输出端与第四个密集模块连接。本申请中的通道注意力模块为现有技术，源自于论文《Squeeze-and-Excitation Networks》。本申请中通道注意力模块用于对过渡层输出的特征图进行空间压缩，并在通道维度上对空间压缩后的特征图进行学习，得到具有丰富通道维度特征的特征图。
本申请中的特征融合模块，结构如图5所示，包括三个全连接层、一个Concat层、一个层归一化层，其中，两个全连接层连接Concat层，Concat层、层归一化层和另一个全连接层依次连接，且连接Concat层的两个全连接层的输入端分别与1DCNN网络中第五个全连接层的输出端以及At-DenseNet网络中2D全局平均池化层的输出端连接；本申请中，分别与1DCNN网络中第五个全连接层的输出端以及At-DenseNet网络中2D全局平均池化层的输出端连接的两个全连接层均用于降维操作，使得1DCNN网络输出的特征图和At-DenseNet网络输出的特征图具有相同的维度，以方便后续特征融合操作；Concat层用于对输入其中的两个特征图在特征维度上进行拼接，得到初步融合特征图；层归一化层用于对输入其中的初步融合特征图进行归一化操作，有效降低样本间的差异性，使特征融合模块更加关注特征本身的分布情况，而不是样本之间的差异，这有助于提高特征融合模块的泛化能力，缓解过拟合情况；而与层归一化层连接的全连接层则用于对层归一化层输出的特征图进行降维操作，得到最终的融合特征图。
S3、利用训练集和多分类交叉熵损失函数对周界安防入侵事件识别网络进行训练，并利用验证集对周界安防入侵事件识别网络进行验证，得到周界安防入侵事件识别网络模型；
具体步骤如下：将训练集中的一维样本数据和二维样本数据输入至周界安防入侵事件识别网络，而后利用多分类交叉熵损失函数计算周界安防入侵事件识别网络的损失值，并利用Adam优化器优化损失梯度并反向传播，保存参数并更新周界安防入侵事件识别网络的模型参数，同时输出分类准确率，完成一次训练过程；而后，利用验证集验证更新完模型参数的周界安防入侵事件识别网络的分类准确率，具体来说：将验证集的一维样本数据和二维样本数据输入至更新完模型参数的周界安防入侵事件识别网络前向传播一次，输出分类准确率。本申请每利用训练集训练完一次周界安防入侵事件识别网络后就用验证集验证一次，当训练次数epoch达到预设的50次后，将50次利用验证集验证周界安防入侵事件识别网络的过程（也就是50次利用验证集验证周界安防入侵事件识别网络的过程）中得到的分类准确率中最大的那个训练段epoch保留的参数，作为周界安防入侵事件识别网络最终的模型参数，该周界安防入侵事件识别网络即为周界安防入侵事件识别网络模型。本申请中采用的多分类交叉熵损失函数为https://blog.csdn.net/BlackValley/article/details/118006249公开的多分类交叉熵损失函数。
S4、将采集到的入侵事件振动信号利用步骤S1-1至S1-4所述的步骤进行处理，得到一维样本数据和二维样本数据；而后将得到的一维样本数据和二维样本数据输入周界安防入侵事件识别网络模型中，前向传播一次，输出预测的背景噪声以及三个入侵事件的分类准确率。
测试：
为了验证本申请所述周界安防入侵事件识别方法相较于现有的入侵事件识别方法在分类准确率和预测时间方面具有更佳的性能，本申请特地对本申请所述的周界安防入侵事件识别方法以及现有的入侵事件识别方法即DenseNet121识别方法（源自于https://gitee.com/futureflsl/DenseNet_TensorFlow2/blob/master/densenet.p）和1DCNN+DenseNet121识别方法（该方法是指将本申请所述周界安防入侵事件识别网络中的At-DenseNet网络提换成现有技术中的Dencenet121网络）。其中，本申请所述的入侵事件识别方法和上述1DCNN+DenseNet121识别方法采用相同的测试策略进行测试，具体来说，本申请所述识别方法和1DCNN+DenseNet121识别方法的输入数据为本申请测试集中的一维样本数据和二维样本数据，且在测试前，本申请都先用本申请的训练集将本申请所述识别方法和1DCNN+DenseNet121识别方法中的网络模型训练50个epoch，且每利用训练集训练完一次网络模型后就用验证集验证一次，当训练次数epoch达到预设的50次后，将50次利用验证集验证周界安防入侵事件识别网络的过程中得到的分类准确率中最大的那个训练段epoch保留的参数作为训练后的网络模型参数，而后再用测试集进行测试；在利用训练集将本申请所述识别方法和1DCNN+DenseNet121识别方法中的网络模型训练50个epoch的过程中，本申请所述识别方法和1DCNN+DenseNet121识别方法中的网络模型均会输出训练集分类准确率，在利用验证集对本申请所述识别方法和1DCNN+DenseNet121识别方法中的网络模型进行验证的过程中，本申请所述识别方法和1DCNN+DenseNet121识别方法中的网络模型均会输出验证集分类准确率，在利用测试集对本申请所述识别方法和1DCNN+DenseNet121识别方法中的网络模型进行测试的过程中，本申请所述识别方法和1DCNN+DenseNet121识别方法中的网络模型均会输出测试集分类准确率。
由于上述DenseNet121识别方法无法对一维样本数据进行处理，因此，本申请只能采用训练集中的二维数据对DenseNet121识别方法中的网络模型进行训练，采用验证练集中的二维数据对DenseNet121识别方法中的网络模型进行验证，采用测试集中的二维数据对DenseNet121识别方法中的网络模型进行测试，其中，训练、验证和测试方式分别与本申请所述的入侵事件识别方法的训练、验证和测试方式相同。测试结果如表1所示。而基于测试集进行测试得到的混淆矩阵，如图6所示。
表1
| 周界安防入侵事件识别方法 | 输入数据类型 | 训练集分类准确率 | 验证集分类准确率 | 测试分类准确率 | 预测时间 |
| DenseNet121识别方法 | 二维数据 | 90.56% | 84.44% | 84.01% | 16.66s |
| 1DCNN+DenseNet121识别方法 | 一维数据+二维数据 | 93.42% | 74.08% | 92.87% | 29.84s |
| Ours | 一维数据+二维数据 | 99.62% | 99.58% | 99.36% | 3.91s |
表1中，训练集分类准确率和验证集分类准确率用来显示模型的过拟合情况，测试分类准确率评估模型的泛化性能和预测准确性；本申请中预测时间是指测试集输入本申请所述的周界安防入侵事件识别网络模型到该周界安防入侵事件识别网络模型输出的分类准确率之间的时间。
从表1能够看出，本申请所述的周界安防入侵事件识别方法的训练集、验证集以及测试分类准确率最高。具体来说：
1）本申请所述的识别方法基于训练集和验证集得到的分类准确率最为接近，这说明本申请所述的识别方法抑制过拟合的效果最佳。
2）本申请所述的识别方法基于测试集得到的分类准确率最高，说明与DenseNet121识别方法和1DCNN+DenseNet121识别方法相比，这说明本申请所述的识别方法的泛化性能最好。
3）与目前现有的DenseNet121识别方法相比，由于现有的DenseNet121识别方法只能输入二维图像的单模态数据，表征信息不够全面，且网络较复杂容易导致过拟合现象，本申请所述的识别方法测试集得到的分类准确率比现有的DenseNet121识别方法的测试分类准确率提高了(99.36%-84.01%)/84.01%=18.27%，这说明本申请所述的识别方法使用多模态数据进行分类识别是可行的，而且有更高的分类准确率。
3）与1DCNN+DenseNet121识别方法相比，本申请所述的识别方法基于测试集得到的分类准确率明显高于1DCNN+DenseNet121识别方法，而且，本申请所述的识别方法运行时间为3.91S，相较于1DCNN+DenseNet121识别方法的运行时间29.84S降低了86.90%，这说明本申请基于对现有DenseNet121网络改进得到的At-DenseNet网络不仅有效提高了分类准确率还显著提高了运行速度。
本申请中基于测试集进行测试得到的混淆矩阵又称为可能性矩阵或错误矩阵，是对分类模型性能进行评估的一种方式，混淆矩阵把分类结果的精度显示在一个混淆矩阵里面，用于展示网络模型在不同类别上的分类结果与真实类别之间的关系，主要用于比较分类结果和实际测得值。混淆矩阵的每一列代表了预测类别（Predicted Label），每一行代表了真实类别（True Label），在混淆矩阵中，对角线上的元素表示分类正确率，非对角线上表示错误分类率。
从图6可以看出，本申请所述的识别方法在对背景噪声以及上述三种入侵事件的分类正确率都能达到99.5%-100%；
对于背景噪声数据（标签0）：由于背景噪声是自然环境下无事件发生的情况，振动信号能容易被区分出来，所以三种方法对背景噪声的分类准确率均达到100%；对于人工挖掘事件：本申请所述的识别方法预测准确率达到99.5%，比现有的DenseNet121识别方法提高了(99.5% - 92%)/92%=8.15%；对于人员行走事件：本申请所述的识别方法预测准确率达到100%，比现有的DenseNet121识别方法提高了(100% - 82.67%)/82.67%=20.96%；对于投掷石块事件：本申请所述的识别方法预测准确率达到100%，比现有的DenseNet121识别方法提高了(100 % -59.64%)/59.64%=67.67%。
此外，为了更客观地评估本申请所述的识别方法的有效性及其模型性能，本申请还使用Precision、Recall和F1-Score三个评价指标对分类结果进行评估，Precision、Recall和F1-Score三个评价指标如表2所示。
表2
| 周界安防入侵事件识别方法 | Precision | Recall | F1-Score |
| 现有的DenseNet121识别方法 | 87.50% | 83.75% | 83.75% |
| 1DCNN+DenseNet121识别方法 | 97.75% | 92.50% | 92.75% |
| Ours | 99.75% | 99.75% | 100.00% |
表2中，Precision为精准度，表示在所有预测为真的样本中，实际为真的样本所占的比例，用于评估模型预测正类样本质量；Recall是召回率，表示在所有实际为真的样本中，被我们预测为真的样本的比例，用于评估模型找出正类样本的能力；F1-Score是F1分数，是精准度和召回率的调和平均数，在精确度和召回率同等重要的情况下，F1分数是一个有用的指标。
由表2可以看出，本申请所述的识别方法在Precision、Recall和F1-Score三个评价指标中取得较好的效果，具体如下：
Precision指标对比：本申请所述的识别方法在Precision指标上达到0.9975，相较于现有DenseNet121方法提高了(99.75%-87.50%)/87.50%=14%；
Recall指标对比：本申请所述的识别方法在Recall指标上达到0.9975，相较于现有DenseNet121方法提高了(99.75%-83.75%)/83.75%=19.1%；
F1-Score指标对比：本申请所述的识别方法在F1-Score指标上达到1，相较于现有DenseNet121方法提高了(100%-83.75%)/83.75%=19.4%。
此外，本申请还对本申请中的周界安防入侵事件识别网络、At-DenseNet网络以及现有的DenseNet121网络的参数量进行了比较，如表3所示：
表3
| 网络模型 | 周界安防入侵事件识别网络 | At-DenseNet网络 | 现有的DenseNet121网络 |
| 参数量 | 4.97M | 0.5M | 7.98M |
模型的参数量是模型复杂度的评价指标之一。
从表3可知，本申请At-DenseNet网络的模型参数量仅为现有的DenseNet121网络的模型参数量的6.3%，At-DenseNet网络与现有的DenseNet121网络都能只能处理二维数据；而本申请中周界安防入侵事件识别网络能同时处理一维数据和二维数据，并基于能够处理上述多模态的数据来提高识别准确率，值得注意的是，本申请虽然能够处理上述多模态的数据来提高识别准确率，但是，并未提高模型的参数量，通过测试发现，本申请中的周界安防入侵事件识别网络的模型的参数量为4.97M，仅为现有的DenseNet121网络的模型参数量的66.28%，显然，本申请所述的识别方法不仅提高了识别准确率，还降低了模型复杂度，提高了运行速度。
Claims (4)
1.一种周界安防入侵事件识别方法，其特征在于：包括如下步骤：
S1、采集背景噪声振动信号和入侵事件振动信号，而后进行处理得到时域振动信号数据和二维图像数据，对其再进行归一化处理后进行划分，得到模型训练集、模型测试集和模型验证集；
S2、构建周界安防入侵事件识别网络；所述周界安防入侵事件识别网络包括1DCNN网络、At-DenseNet网络、特征融合模块以及Softmax分类层；1DCNN网络用于提取一维样本数据的振动信号时间演变信息，At-DenseNet网络用于提取二维样本数据中时间和频率变化规律的特征，特征融合模块用于对1DCNN网络提取到的一维样本数据的振动信号时间演变信息特征以及At-DenseNet网络提取到的二维样本数据中时间和频率变化规律的特征进行特征融合，Softmax分类层用于将特征融合模块输出的融合特征图的特征向量映射到[0,1]区间内，并输出预测的背景噪声和三个入侵事件的分类准确率；
步骤S2中，1DCNN网络包括依次连接的三个卷积组，第三个卷积组连接Flatten展平层，Flatten展平层依次连接五个全连接层，第五个全连接层与特征融合模块连接；其中，三个卷积组均用于对一维样本数据中振动信号时间演变信息进行提取，Flatten展平层用于对第三个卷积组输出的特征图进行展平操作，得到具有振动信号时间演变信息的高维度一维数据的特征图，五个全连接层均用于对输入其中的特征图中的特征进行整合并映射到不同维度的空间，第一个全连接层至第五个全连接层分别将特征图映射到维度大小为128、64、32、16和8的空间；第一个卷积组的两个一维卷积层均有64个大小为3的卷积核，第二个卷积组中的两个一维卷积层均有128个大小为3的卷积核，第三个卷积组中的两个一维卷积层均有256个大小为3的卷积核；所述At-DenseNet网络是通过对现有的DenseNet121网络进行如下述改进得到的：
将现有的DenseNet121网络中初始卷积组替换成初始卷积块，所述初始卷积块包括三个依次连接的卷积单元，所述卷积单元包括依次连接的3×3卷积层、批量归一化层以及2D最大池化层；
将现有的DenseNet121网络中Dence Block中的稠密卷积块替换为稠密卷积组，所述稠密卷积组包括依次连接的批量归一化层、卷积核大小为3×1的卷积层以及卷积核大小为1×3的卷积层；将稠密卷积组数量设置为六个，且瓶颈块以及六个稠密卷积组采用密集连接的方式进行连接，得到第一个密集模块；将稠密卷积组数量设置为八个，且瓶颈块以及八个稠密卷积组采用密集连接的方式进行连接，分别得到第二个密集模块、第三个密集模块、第四个密集模块；
在现有的DenseNet121网络中每一个过渡层之后均增加一个通道注意力模块，第一个通道注意力模块的输出端与第二个密集模块连接，第二个通道注意力模块的输出端与第三个密集模块连接，第三个通道注意力模块的输出端与第四个密集模块连接；特征融合模块包括三个全连接层、一个Concat层、一个层归一化层，其中，两个全连接层连接Concat层，Concat层、层归一化层和另一个全连接层依次连接，且连接Concat层的两个全连接层的输入端分别与1DCNN网络中第五个全连接层的输出端以及At-DenseNet网络中2D全局平均池化层的输出端连接；其中，分别与1DCNN网络中第五个全连接层的输出端以及At-DenseNet网络中2D全局平均池化层的输出端连接的两个全连接层均用于降维操作，使得1DCNN网络输出的特征图和At-DenseNet网络输出的特征图具有相同的维度；Concat层用于对输入其中的两个特征图在特征维度上进行拼接，得到初步融合特征图；层归一化层用于对输入其中的初步融合特征图进行归一化操作；而与层归一化层连接的全连接层则用于对层归一化层输出的特征图进行降维操作，得到最终的融合特征图；
S3、利用训练集和多分类交叉熵损失函数对周界安防入侵事件识别网络进行训练，并利用验证集对周界安防入侵事件识别网络进行验证，得到周界安防入侵事件识别网络模型；
S4、将采集到的入侵事件振动信号利用步骤S1进行处理后输入周界安防入侵事件识别网络模型中，前向传播一次，输出预测的背景噪声以及三个入侵事件的分类准确率。
2.根据权利要求1所述的周界安防入侵事件识别方法，其特征在于：步骤S1具体包括如下步骤：
S1-1、利用分布式光纤振动传感系统采集布设光纤区域的背景噪声振动信号和入侵事件振动信号；所述入侵事件振动信号是指人工挖掘事件、人员行走事件以及投掷石块事件产生的振动信号；
S1-2、对步骤S1-1采集到的背景噪声振动信号和入侵事件振动信号进行数据分割处理，数据分割处理的单位时间为1s，数据分割处理后得到的1s时间内的数据为一个时域振动信号数据，时域振动信号数据为一维数据；
S1-3、利用现有的数据转换方法将时域振动信号数据转换为二维图像数据；
S1-4、将步骤S1-2得到的时域振动信号数据进行归一化处理，得到一维样本数据；将步骤S1-3中得到的二维图像数据进行归一化处理得到二维样本数据；
S1-5、将步骤S1-4中得到的一维样本数据以5:3:2的数量比例随机划分，得到一维样本数据的子训练集、子验证集和子测试集；将步骤S1-4中得到的二维样本数据以5:3:2的数量比例随机划分，得到二维样本数据的子训练集、子验证集和子测试集；一维样本数据的子训练集和二维样本数据的子训练集构成模型训练集，一维样本数据的子验证集和二维样本数据的子验证集构成模型验证集，一维样本数据的子测试集和二维样本数据的子测试集构成模型测试集。
3.根据权利要求2所述的周界安防入侵事件识别方法，其特征在于：步骤S1-3中，现有的数据转换方法为现有的时频分析方法和/或现有的图像编码方法；所述时频分析方法为短时傅里叶变换方法、连续小波变换方法和希尔伯特-黄变换方法中的一种或多种；所述图像编码方法为格拉姆角场方法、马尔可夫转移场方法和递归图方法中的一种或多种。
4.根据权利要求1所述的周界安防入侵事件识别方法，其特征在于：步骤S3包括如下具体步骤：将训练集中的一维样本数据和二维样本数据输入至周界安防入侵事件识别网络，而后利用多分类交叉熵损失函数计算周界安防入侵事件识别网络的损失值，并利用Adam优化器优化损失梯度并反向传播，保存参数并更新周界安防入侵事件识别网络的模型参数，同时输出分类准确率，完成一次训练过程；而后，利用验证集验证更新完模型参数的周界安防入侵事件识别网络的分类准确率；当训练次数epoch达到预设的50次后，将50次利用验证集验证周界安防入侵事件识别网络的过程中得到的分类准确率中最大的那个训练段epoch保留的参数，作为周界安防入侵事件识别网络最终的模型参数，得到周界安防入侵事件识别网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410451226.7A CN118051830B (zh) | 2024-04-16 | 2024-04-16 | 一种周界安防入侵事件识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410451226.7A CN118051830B (zh) | 2024-04-16 | 2024-04-16 | 一种周界安防入侵事件识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118051830A CN118051830A (zh) | 2024-05-17 |
| CN118051830B true CN118051830B (zh) | 2024-06-25 |
Family
ID=91052469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410451226.7A Active CN118051830B (zh) | 2024-04-16 | 2024-04-16 | 一种周界安防入侵事件识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118051830B (zh) |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3812484A (en) * | 1972-10-10 | 1974-05-21 | Westinghouse Electric Corp | Perimeter intrusion detection system |
| CN105184319B (zh) * | 2015-09-02 | 2019-07-30 | 同方威视技术股份有限公司 | 光纤周界入侵信号的识别方法、装置及周界入侵报警系统 |
| CN105931402B (zh) * | 2016-06-27 | 2018-06-05 | 上海波汇科技股份有限公司 | 基于图像识别的光纤周界入侵监测方法 |
| 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 |
| US11388188B2 (en) * | 2019-05-10 | 2022-07-12 | The Boeing Company | Systems and methods for automated intrusion detection |
| CN111597994B (zh) * | 2020-05-15 | 2023-03-07 | 华侨大学 | 一种光纤周界安防入侵事件识别模型构建方法和安防系统 |
| CN114755745B (zh) * | 2022-05-13 | 2022-12-20 | 河海大学 | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 |
| CN115060184A (zh) * | 2022-05-18 | 2022-09-16 | 武汉迪信达科技有限公司 | 一种基于递归图的光纤周界入侵检测方法及系统 |
| CN115374821A (zh) * | 2022-08-24 | 2022-11-22 | 长春工业大学 | 一种用于光纤光栅周界安防系统的入侵事件识别方法 |
| CN116168318A (zh) * | 2022-12-28 | 2023-05-26 | 天津大学 | 一种多维度周界安防入侵事件识别方法及识别系统 |
| CN116453277A (zh) * | 2023-05-06 | 2023-07-18 | 天津大学 | 周界安防入侵事件全覆盖式精准检测方法及系统 |
| CN116504005B (zh) * | 2023-05-09 | 2024-02-20 | 齐鲁工业大学(山东省科学院) | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 |
| CN116912586A (zh) * | 2023-07-25 | 2023-10-20 | 长春工业大学 | 一种变电站入侵事件识别方法、系统、设备及介质 |
| CN117272166A (zh) * | 2023-08-22 | 2023-12-22 | 浙江大学 | 一种基于跨模型知识蒸馏的分布式光纤周界安防入侵信号识别方法 |
| CN117609885A (zh) * | 2023-12-15 | 2024-02-27 | 南京大学 | 基于分布式光纤传感及融合神经网络的高铁入侵监测方法 |
-
2024
- 2024-04-16 CN CN202410451226.7A patent/CN118051830B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 基于时域特征的光纤安防系统信号识别算法;卢娜;安博文;李玉涟;卢学佳;;传感器与微系统;20170420(第04期);全文 * |
| 基于深度学习的工业物联网智能入侵检测;胡向东;周巧;;计算机系统应用;20200915(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118051830A (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ravikumar et al. | Gearbox fault diagnosis based on Multi-Scale deep residual learning and stacked LSTM model | |
| CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
| CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN111563533B (zh) | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 | |
| CN113469281B (zh) | 一种工业齿轮箱多源信息融合故障诊断方法 | |
| CN110377605B (zh) | 一种结构化数据的敏感属性识别与分类分级方法 | |
| CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
| CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
| CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| CN111553297A (zh) | 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 | |
| CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
| CN113865859A (zh) | 多尺度多源异构信息融合的齿轮箱状态故障诊断方法 | |
| CN113516638A (zh) | 一种神经网络内部特征重要性可视化分析及特征迁移方法 | |
| CN116805051A (zh) | 基于注意力机制的双卷积动态域适应设备故障诊断方法 | |
| CN116612335A (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
| CN116958637A (zh) | 图像检测模型的训练方法、装置、设备及存储介质 | |
| CN114511759A (zh) | 一种皮肤状态图像的类别识别和特征确定方法及系统 | |
| CN118051830B (zh) | 一种周界安防入侵事件识别方法 | |
| CN116704241A (zh) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 | |
| CN116091763A (zh) | 苹果叶部病害图像语义分割系统及分割方法、设备和介质 | |
| CN114926702A (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 |
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 |