CN118300673A - 一种光纤监测方法、装置、设备、存储介质及产品 - Google Patents
一种光纤监测方法、装置、设备、存储介质及产品 Download PDFInfo
- Publication number
- CN118300673A CN118300673A CN202410725507.7A CN202410725507A CN118300673A CN 118300673 A CN118300673 A CN 118300673A CN 202410725507 A CN202410725507 A CN 202410725507A CN 118300673 A CN118300673 A CN 118300673A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- target optical
- scattering signal
- damage
- curvature
- 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.)
- Granted
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 112
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 239000000203 mixture Substances 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000012806 monitoring device Methods 0.000 claims description 24
- 239000000835 fiber Substances 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000003313 weakening effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 4
- 238000003466 welding Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000000253 optical time-domain reflectometry Methods 0.000 claims 4
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000005452 bending Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种光纤监测方法、装置、设备、存储介质及产品，方法包括：获取目标光纤的散射信号；获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。采用本发明实施例能够提高识别结果的准确性，实现光纤的准确监测。
Description
技术领域
本发明涉及光纤技术领域，尤其涉及一种光纤监测方法、装置、设备、存储介质及产品。
背景技术
光纤复合架空地线（Optical Fiber Composite Overhead Ground Wire，OPGW）作为电力系统的地线与信息传输媒介发挥着重要的作用，因此有必要对OPGW内光纤进行监测。目前主要通过采集光纤的散射信号并进行识别，实现对光纤物理状态的监测，然而本发明人在实施该方案时发现，该方案由于没有考虑到光纤的弯曲度对散射信号的影响，导致识别结果不够准确，最终导致无法实现光纤的准确监测。
发明内容
本发明提供一种光纤监测方法、装置、设备、存储介质及产品，以解决现有技术中由于没有考虑到光纤的弯曲度对散射信号的影响，导致识别结果不够准确，最终导致无法实现光纤的准确监测的问题。
为实现上述目的，本发明实施例提供了一种光纤监测方法，包括：
获取目标光纤的散射信号；
获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；
基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；
基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；
利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。
作为上述方案的改进，所述获取目标光纤的散射信号，包括：
获取目标光纤的原始散射信号，并对所述原始散射信号进行预处理，得到第一散射信号；
提取所述第一散射信号的频域特征数据，对所述频域特征数据进行异常峰值检测；
基于小波变换法对检测到的异常峰值进行削弱处理，得到削弱后的频域特征数据，对削弱后的频域特征数据进行逆变换，得到所述目标光纤的散射信号。
作为上述方案的改进，所述基于小波变换法对检测到的异常峰值进行削弱处理，得到削弱后的频域特征数据，对削弱后的频域特征数据进行逆变换，得到所述目标光纤的散射信号，包括：
对所述频域特征数据进行小波分解，基于预设阈值参数对检测到的异常峰值对应的小波系数进行阈值处理，对阈值处理后的频域特征数据进行小波重构，得到削弱后的频域特征数据；
对削弱后的频域特征数据进行逆变换，得到第二散射信号；
计算所述第二散射信号与所述原始散射信号之间的相似度，判断所述相似度是否小于预设相似度阈值，若否，则采用网格搜索方法重新确认所述预设阈值参数，并返回至所述对所述频域特征数据进行小波分解，基于预设阈值参数对检测到的异常峰值对应的小波系数进行阈值处理，对阈值处理后的频域特征数据进行小波重构，得到削弱后的频域特征数据的步骤，直至所述相似度小于所述预设相似度阈值为止。
作为上述方案的改进，所述获取所述目标光纤的弯曲度，包括：
获取测试光纤在不同弯曲度下的OTDR曲线，并基于所述OTDR曲线计算不同弯曲度下的弯曲度特征指标，构建弯曲度与弯曲度特征指标之间的第一对应关系；
获取所述目标光纤的弯曲度特征指标，并结合所述第一对应关系，得到所述目标光纤的弯曲度。
作为上述方案的改进，所述根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号，包括：
获取测试光纤在不同弯曲度下的散射信号频移量，构建弯曲度与散射信号频移量之间的第二对应关系；
基于所述第二对应关系，获取所述目标光纤的弯曲度对应的散射信号频移量；
根据所述目标光纤的弯曲度对应的散射信号频移量，对所述散射信号进行校正，得到校正散射信号。
作为上述方案的改进，所述基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型，包括：
获取测试光纤的若干第一散射信号样本；
对若干所述第一散射信号样本进行预处理，提取若干预处理后的第一散射信号样本的反射峰区域；
对若干所述反射峰区域的位置和峰值强度进行量化，得到若干熔接点概率标签；
利用若干所述第一散射信号样本和对应的熔接点概率标签进行训练，得到训练好的熔接点识别模型。
作为上述方案的改进，所述基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型，包括：
获取测试光纤在不同损伤类型下的第二散射信号样本，并对其损伤区域和损伤类型进行标注，生成损伤信息标签；
对所述第二散射信号样本进行预处理，从预处理后的第二散射信号样本中提取统计特征和频率特征，并对所述统计特征和所述频率特征进行融合，得到融合特征；
采用高斯混合模型算法，利用所述融合特征和对应的损伤信息标签进行训练，得到训练好的损伤识别模型。
作为上述方案的改进，所述利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果，包括：
利用所述熔接点识别模型，根据所述校正散射信号，得到所述目标光纤的熔接点识别结果；
利用所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的损伤识别结果；
根据所述熔接点识别结果和所述损伤识别结果，得到所述目标光纤的最终识别结果。
作为上述方案的改进，所述根据所述熔接点识别结果和所述损伤识别结果，得到所述目标光纤的最终识别结果，包括：
根据所述熔接点识别结果确认所述目标光纤的熔接点位置；
根据所述损伤识别结果确认所述目标光纤的损伤位置；
计算所述熔接点位置和所述损伤位置之间的位置差值；
若所述位置差值小于预设差值阈值，则将所述熔接点位置和所述损伤位置的平均值作为所述目标光纤的最终损伤位置；
若所述位置差值大于或等于所述预设差值阈值，则将所述目标光纤的损伤位置作为所述目标光纤的最终损伤位置。
为实现上述目的，本发明实施例还提供了一种光纤监测装置，包括：
散射信号获取模块，用于获取目标光纤的散射信号；
校正模块，用于获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；
熔接点识别模型获取模块，用于基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；
损伤识别模型获取模块，用于基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；
光纤识别模块，用于利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。
作为上述方案的改进，所述校正模块还用于：
获取测试光纤在不同弯曲度下的OTDR曲线，并基于所述OTDR曲线计算不同弯曲度下的弯曲度特征指标，构建弯曲度与弯曲度特征指标之间的第一对应关系；
获取所述目标光纤的弯曲度特征指标，并结合所述第一对应关系，得到所述目标光纤的弯曲度。
作为上述方案的改进，所述校正模块还用于：
获取测试光纤在不同弯曲度下的散射信号频移量，构建弯曲度与散射信号频移量之间的第二对应关系；
基于所述第二对应关系，获取所述目标光纤的弯曲度对应的散射信号频移量；
根据所述目标光纤的弯曲度对应的散射信号频移量，对所述散射信号进行校正，得到校正散射信号。
为实现上述目的，本发明实施例还提供了一种光纤监测设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述的光纤监测方法。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述的光纤监测方法。
为实现上述目的，本发明实施例还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上述的光纤监测方法。
与现有技术相比，本发明实施例提供的一种光纤监测方法、装置、设备、存储介质及产品，通过获取目标光纤的散射信号；获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。由此可见，本发明实施例通过结合光纤的弯曲度对散射信号进行校正，实现散射信号频谱的动态优化，使得校正散射信号更能反映光纤的实际状态，提高识别结果的准确性，实现光纤的准确监测。
附图说明
图1是本发明实施例提供的一种光纤监测方法的流程图；
图2是本发明实施例提供的一种光纤监测装置的结构框图；
图3是本发明实施例提供的一种光纤监测设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的一种光纤监测方法的流程图，所述光纤监测方法包括：
S1、获取目标光纤的散射信号；
S2、获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；
S3、基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；
S4、基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；
S5、利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。
可以理解的是，目标光纤为待监测的光纤，本发明实施例通过结合光纤的弯曲度对散射信号进行校正，实现散射信号频谱的动态优化，使得校正散射信号更能反映光纤的实际状态，提高识别结果的准确性，实现光纤的准确监测。
在一种可选的实施例中，步骤S1获取目标光纤的散射信号，包括：
S11、获取目标光纤的原始散射信号，并对所述原始散射信号进行预处理，得到第一散射信号；
可选地，该预处理包括去噪、归一化等操作。例如，采用小波阈值去噪法，设定小波基函数为Daubechies4(db4)，分解层数为5，对每一层的小波系数进行软阈值处理，阈值取3倍的标准差。对去噪后的原始散射信号进行最大最小值归一化处理，将信号幅值映射到[0，1]区间内，得到预处理后的原始散射信号即第一散射信号。
S12、提取所述第一散射信号的频域特征数据，对所述频域特征数据进行异常峰值检测；
具体地，采用快速傅里叶变换（FFT）算法，设定频率分辨率为10Hz，提取散射信号在500Hz频段内的频域特征数据，对频域特征数据进行异常峰值检测，识别出大于或等于阈值的异常峰值。
S13、基于小波变换法对检测到的异常峰值进行削弱处理，得到削弱后的频域特征数据，对削弱后的频域特征数据进行逆变换，得到所述目标光纤的散射信号。
可以理解的是，小波变换法可以在时频域同时对信号进行局部分析，通过对异常峰值对应的小波系数进行阈值处理，实现异常峰值的削弱。
在一种可选的实施例中，步骤S13基于小波变换法对检测到的异常峰值进行削弱处理，得到削弱后的频域特征数据，对削弱后的频域特征数据进行逆变换，得到所述目标光纤的散射信号，包括：
S131、对所述频域特征数据进行小波分解，基于预设阈值参数对检测到的异常峰值对应的小波系数进行阈值处理，对阈值处理后的频域特征数据进行小波重构，得到削弱后的频域特征数据；
S132、对削弱后的频域特征数据进行逆变换，得到第二散射信号；
具体地，通过傅里叶逆变换对削弱后的频域特征数据进行逆变换，得到第二散射信号。
S133、计算所述第二散射信号与所述原始散射信号之间的相似度，判断所述相似度是否小于预设相似度阈值，若否，则采用网格搜索方法重新确认所述预设阈值参数，并返回至所述对所述频域特征数据进行小波分解，基于预设阈值参数对检测到的异常峰值对应的小波系数进行阈值处理，对阈值处理后的频域特征数据进行小波重构，得到削弱后的频域特征数据的步骤，直至所述相似度小于所述预设相似度阈值为止。
具体地，通过欧氏距离法计算所述第二散射信号与所述原始散射信号之间的相似度；若相似度小于预设相似度阈值，则异常峰值削弱成功，得到最终的第二散射信号，该第二散射信号即为所述目标光纤的散射信号。若相似度大于或等于预设相似度阈值，则采用网格搜索方法重新确认所述预设阈值参数，返回至步骤S131，重新对异常峰值进行削弱，直至相似度小于预设相似度阈值为止。可选地，相似度阈值为0.85。
在一种可选的实施例中，步骤S2中所述获取所述目标光纤的弯曲度，包括：
S21、获取测试光纤在不同弯曲度下的OTDR曲线，并基于所述OTDR曲线计算不同弯曲度下的弯曲度特征指标，构建弯曲度与弯曲度特征指标之间的第一对应关系；
可以理解的是，利用光时域反射仪（OTDR）对测试光纤进行测试，得到测试光纤在不同弯曲度下的OTDR曲线，实现对OTDR曲线进行分析，得到反映光纤弯曲度的弯曲度特征指标，例如曲线的衰减斜率、衰减斜率变化率、曲线的非线性度、波动周期等，具体地，通过最小二乘法拟合曲线的衰减趋势，计算得到不同弯曲度下的弯曲度特征指标，进而构建弯曲度与弯曲度特征指标之间的第一对应关系。
S22、获取所述目标光纤的弯曲度特征指标，并结合所述第一对应关系，得到所述目标光纤的弯曲度。
可以理解的是，利用OTDR对目标光纤进行检测，得到OTDR曲线，从中提取弯曲度指标，并基于第一对应关系，得到该弯曲度指标对应的弯曲度，该弯曲度即为目标光纤的弯曲度。
在一种可选的实施例中，步骤S2中所述根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号，包括：
S23、获取测试光纤在不同弯曲度下的散射信号频移量，构建弯曲度与散射信号频移量之间的第二对应关系；
可以理解的是，运用可调节弯曲度的光纤测试装置，通过改变该装置中测试光纤的弯曲度，模拟不同弯曲度下的光纤状态，获取测试光纤在不同弯曲度下的散射信号频移量，具体地，通过微型步进电机控制测试光纤的弯曲半径（即弯曲度）在110cm范围内，以0.5cm为步长进行调节；然后使用最小二乘支持向量机回归算法，建立弯曲度与散射信号频移量之间的第二对应关系。具体地，该第二对应关系为径向基函数网络（RBF network）模型：以弯曲度为输入，散射信号频移量为输出，利用正则化最小二乘法进行网络训练，通过交叉验证优化网络结构和正则化参数，得到泛化性能良好的RBFnetwork模型。
S24、基于所述第二对应关系，获取所述目标光纤的弯曲度对应的散射信号频移量；
S25、根据所述目标光纤的弯曲度对应的散射信号频移量，对所述散射信号进行校正，得到校正散射信号。
具体地，根据所述目标光纤的弯曲度对应的散射信号频移量，对所述散射信号进行相应的频率校正，得到校正散射信号。
在一种可选的实施例中，步骤S3基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型，包括：
S31、获取测试光纤的若干第一散射信号样本；
具体地，使用OTDR对测试光纤进行扫描，获取测试光纤的若干第一散射信号样本；优选地，脉冲宽度设置为10ns，波长为1550nm，脉冲能量为50nJ，接收器带宽为100MHz，采样间隔为0.1m，最大测量距离为50km。
S32、对若干所述第一散射信号样本进行预处理，提取若干预处理后的第一散射信号样本的反射峰区域；
可以理解的是，熔接点位置会出现明显的反射峰区域，通过对第一散射信号样本进行预处理，使得反射峰区域更加明显，进而通过图像分割提取反射峰区域，这里预处理包括中值滤波去噪、直方图均衡化操作。具体地，采用5x5的中值滤波器去除椒盐噪声，滤波后的图像信噪比提高了8.2dB。采用分段线性拉伸的直方图均衡化方法增强图像对比度，拉伸后的图像像素值分布更加均匀，熔接点处的反射峰更加突出。
S33、对若干所述反射峰区域的位置和峰值强度进行量化，得到若干熔接点概率标签；
具体地，将反射峰区域的位置量化为像素坐标，将反射峰区域的峰值强度量化为0~1之间的归一化值，作为训练样本的熔接点概率标签。
S34、利用若干所述第一散射信号样本和对应的熔接点概率标签进行训练，得到训练好的熔接点识别模型。
具体地，熔接点识别模型为卷积神经网络（CNN）模型，设计为包含3个卷积层、3个池化层和2个全连接层的网络结构。其中，第一个卷积层包含16个3x3卷积核、ReLU激活和2x2最大池化，第二个卷积层包含32个3x3卷积核、ReLU激活和2x2最大池化，第三个卷积层包含64个3x3卷积核、ReLU激活和2x2最大池化，通过卷积核的滑动提取散射图像的局部特征。池化层采用最大池化，尺寸为2x2，实现特征降维和尺度不变性。全连接层将卷积特征映射为熔接点概率，采用Softmax激活函数输出。
采用交叉熵损失函数作为熔接点识别模型的优化目标，交叉熵损失衡量预测概率与真实标签的差异，优化目标是最小化交叉熵损失。通过Adam优化器对网络权重进行迭代更新，学习率设为0.001，动量因子设为0.9。同时，引入L2正则化项控制模型复杂度，正则化系数设为0.0001，避免过拟合。
在训练过程中，采用5折交叉验证的方法对模型性能进行评估。将数据集随机划分为5个子集，每次选择1个子集作为验证集，其余4个子集作为训练集，训练5次取平均性能。通过贝叶斯优化算法搜索超参数，包括卷积核大小、池化层尺寸、全连接层神经元数量等，选择验证集上性能最优的模型参数组合作为最终的训练结果。
利用训练好的熔接点识别模型进行熔接点识别：通过前向传播计算获得散射信号中每个像素位置的熔接点概率，可将连续的像素概率大于0.9的区域判定为熔接点区域。
在一种可选的实施例中，步骤S4基于高斯混合模型算法，对预先获取的散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型，包括：
S41、获取测试光纤在不同损伤类型下的第二散射信号样本，并对其损伤区域和损伤类型进行标注，生成损伤信息标签；
具体地，使用OTDR对测试光纤进行扫描，获取测试光纤在不同损伤类型下的第二散射信号样本；优选地，扫描波长为1550nm，脉宽为10ns，扫描频率为16Hz，动态范围大于30dB。接着对第二散射信号样本进行标注，标注内容包括损伤区域和损伤类型；其中，损伤类型包括裂纹点和应力集中区域。
S42、对所述第二散射信号样本进行预处理，从预处理后的第二散射信号样本中提取统计特征和频率特征，并对所述统计特征和所述频率特征进行融合，得到融合特征；
这里预处理包括去噪和归一化，其中，采用小波阈值去噪法：使用Daubechies4小波基函数对散射信号样本进行6层分解，根据各层小波系数的方差和噪声方差估计最优阈值，对小波系数进行软阈值处理，去除高频噪声分量。然后对去噪后的散射信号样本进行归一化，将信号幅值映射到[0，1]区间。
从预处理后的第二散射信号样本中提取统计特征：采用短时傅里叶变换（STFT）和小波变换等时频分析方法，在不同时间尺度(如1ms、10ms、100ms)和频率尺度(如100Hz、1kHz、10kHz)下，计算第二散射信号样本的短时能量、过零率等统计特征；
从预处理后的第二散射信号样本中提取频率特征：采用Welch功率谱估计方法，将第二散射信号样本划分为长度为1000点、重叠50%的数据段，对每段数据进行汉明窗加权，计算每段的功率谱密度，得到功率谱曲线。从功率谱曲线中提取峰值频率、中心频率、3dB带宽等频域特征参数，构成频率特征。
对统计特征和频率特征进行融合，得到融合特征：采用串行融合策略，将统计特征和频率特征首尾拼接，得到融合特征。
S43、采用高斯混合模型算法，利用所述融合特征和对应的损伤信息标签进行训练，得到训练好的损伤识别模型。
在一种可选的实施例中，步骤S5利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果，包括：
S51、利用所述熔接点识别模型，根据所述校正散射信号，得到所述目标光纤的熔接点识别结果；
可以理解的是，将校正散射信号输入至熔接点识别模型，得到目标光纤的熔接点识别结果。
S52、利用所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的损伤识别结果；
可以理解的是，提取校正散射信号中的统计特征和频率特征并进行融合，得到融合特征，将该融合特征输入至损伤识别模型，得到所述目标光纤的损伤识别结果；
S53、根据所述熔接点识别结果和所述损伤识别结果，得到所述目标光纤的最终识别结果。
在一种可选的实施例中，步骤S53根据所述熔接点识别结果和所述损伤识别结果，得到所述目标光纤的最终识别结果，包括：
S531、根据所述熔接点识别结果确认所述目标光纤的熔接点位置；
S532、根据所述损伤识别结果确认所述目标光纤的损伤位置；
S533、计算所述熔接点位置和所述损伤位置之间的位置差值；
S534、若所述位置差值小于预设差值阈值，则将所述熔接点位置和所述损伤位置的平均值作为所述目标光纤的最终损伤位置；
S533、若所述位置差值大于或等于所述预设差值阈值，则将所述目标光纤的损伤位置作为所述目标光纤的最终损伤位置。
可以理解的是，根据两个模型（熔接点识别模型和损伤识别模型）的识别结果，确认目标光纤的识别结果，若熔接点位置和损伤位置的位置差值小于预设差值阈值，则将熔接点位置和损伤位置取平均值作为所述目标光纤的最终损伤位置，否则该损伤位置即为目标光纤的最终损伤位置，熔接点位置也为目标光纤的最终熔接点位置，将所述熔接点识别结果和所述损伤识别结果分别输出。本发明实施例通过结合熔接点识别结果和损伤识别结果，进一步提高损伤位置的准确性，实现光纤的准确监测。
参见图2，图2是本发明实施例提供的一种光纤监测装置10的结构框图，所述光纤监测装置10包括：
散射信号获取模块11，用于获取目标光纤的散射信号；
校正模块12，用于获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；
熔接点识别模型获取模块13，用于基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；
损伤识别模型获取模块14，用于基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；
光纤识别模块15，用于利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。
可选地，所述散射信号获取模块11还用于：
获取目标光纤的原始散射信号，并对所述原始散射信号进行预处理，得到第一散射信号；
提取所述第一散射信号的频域特征数据，对所述频域特征数据进行异常峰值检测；
基于小波变换法对检测到的异常峰值进行削弱处理，得到削弱后的频域特征数据，对削弱后的频域特征数据进行逆变换，得到所述目标光纤的散射信号。
可选地，所述散射信号获取模块11还用于：
对所述频域特征数据进行小波分解，基于预设阈值参数对检测到的异常峰值对应的小波系数进行阈值处理，对阈值处理后的频域特征数据进行小波重构，得到削弱后的频域特征数据；
对削弱后的频域特征数据进行逆变换，得到第二散射信号；
计算所述第二散射信号与所述原始散射信号之间的相似度，判断所述相似度是否小于预设相似度阈值，若否，则采用网格搜索方法重新确认所述预设阈值参数，并返回至所述对所述频域特征数据进行小波分解，基于预设阈值参数对检测到的异常峰值对应的小波系数进行阈值处理，对阈值处理后的频域特征数据进行小波重构，得到削弱后的频域特征数据的步骤，直至所述相似度小于所述预设相似度阈值为止。
可选地，所述校正模块12还用于：
获取测试光纤在不同弯曲度下的OTDR曲线，并基于所述OTDR曲线计算不同弯曲度下的弯曲度特征指标，构建弯曲度与弯曲度特征指标之间的第一对应关系；
获取所述目标光纤的弯曲度特征指标，并结合所述第一对应关系，得到所述目标光纤的弯曲度。
可选地，所述校正模块12还用于：
获取测试光纤在不同弯曲度下的散射信号频移量，构建弯曲度与散射信号频移量之间的第二对应关系；
基于所述第二对应关系，获取所述目标光纤的弯曲度对应的散射信号频移量；
根据所述目标光纤的弯曲度对应的散射信号频移量，对所述散射信号进行校正，得到校正散射信号。
可选地，所述熔接点识别模型获取模块13还用于：
获取测试光纤的若干第一散射信号样本；
对若干所述第一散射信号样本进行预处理，提取若干预处理后的第一散射信号样本的反射峰区域；
对若干所述反射峰区域的位置和峰值强度进行量化，得到若干熔接点概率标签；
利用若干所述第一散射信号样本和对应的熔接点概率标签进行训练，得到训练好的熔接点识别模型。
可选地，所述损伤识别模型获取模块14还用于：
获取测试光纤在不同损伤类型下的第二散射信号样本，并对其损伤区域和损伤类型进行标注，生成损伤信息标签；
对所述第二散射信号样本进行预处理，从预处理后的第二散射信号样本中提取统计特征和频率特征，并对所述统计特征和所述频率特征进行融合，得到融合特征；
采用高斯混合模型算法，利用所述融合特征和对应的损伤信息标签进行训练，得到训练好的损伤识别模型。
可选地，光纤识别模块15还用于：
所述利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果，包括：
利用所述熔接点识别模型，根据所述校正散射信号，得到所述目标光纤的熔接点识别结果；
利用所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的损伤识别结果；
根据所述熔接点识别结果和所述损伤识别结果，得到所述目标光纤的最终识别结果。
可选地，光纤识别模块15还用于：
根据所述熔接点识别结果确认所述目标光纤的熔接点位置；
根据所述损伤识别结果确认所述目标光纤的损伤位置；
计算所述熔接点位置和所述损伤位置之间的位置差值；
若所述位置差值小于预设差值阈值，则将所述熔接点位置和所述损伤位置的平均值作为所述目标光纤的最终损伤位置；
若所述位置差值大于或等于所述预设差值阈值，则将所述目标光纤的损伤位置作为所述目标光纤的最终损伤位置。
值得说明的是，本发明实施例所述的光纤监测装置10中各个模块的工作过程可参考上述实施例所述的光纤监测方法的工作过程，在此不再赘述。
本发明实施例所提供的一种光纤监测装置10，通过获取目标光纤的散射信号；获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。由此可见，本发明实施例通过结合光纤的弯曲度对散射信号进行校正，实现散射信号频谱的动态优化，使得校正散射信号更能反映光纤的实际状态，提高识别结果的准确性，实现光纤的准确监测。
此外本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一实施例所述的光纤监测方法。
此外本发明实施例还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上述任一实施例所述的光纤监测方法。
参见图3，图3是本发明实施例提供的一种光纤监测设备20的结构框图，所述光纤监测设备20包括：处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述光纤监测方法实施例中的步骤。或者，所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述光纤监测设备20中的执行过程。
所述光纤监测设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是光纤监测设备20的示例，并不构成对光纤监测设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述光纤监测设备20还可以包括输入输出设备、网络接入设备、总线等。
所述处理器21可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器21是所述光纤监测设备20的控制中心，利用各种接口和线路连接整个光纤监测设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述光纤监测设备20的各种功能。所述存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述光纤监测设备20集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器21执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (15)
1.一种光纤监测方法，其特征在于，包括：
获取目标光纤的散射信号；
获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；
基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；
基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；
利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。
2.如权利要求1所述的光纤监测方法，其特征在于，所述获取目标光纤的散射信号，包括：
获取目标光纤的原始散射信号，并对所述原始散射信号进行预处理，得到第一散射信号；
提取所述第一散射信号的频域特征数据，对所述频域特征数据进行异常峰值检测；
基于小波变换法对检测到的异常峰值进行削弱处理，得到削弱后的频域特征数据，对削弱后的频域特征数据进行逆变换，得到所述目标光纤的散射信号。
3.如权利要求2所述的光纤监测方法，其特征在于，所述基于小波变换法对检测到的异常峰值进行削弱处理，得到削弱后的频域特征数据，对削弱后的频域特征数据进行逆变换，得到所述目标光纤的散射信号，包括：
对所述频域特征数据进行小波分解，基于预设阈值参数对检测到的异常峰值对应的小波系数进行阈值处理，对阈值处理后的频域特征数据进行小波重构，得到削弱后的频域特征数据；
对削弱后的频域特征数据进行逆变换，得到第二散射信号；
计算所述第二散射信号与所述原始散射信号之间的相似度，判断所述相似度是否小于预设相似度阈值，若否，则采用网格搜索方法重新确认所述预设阈值参数，并返回至所述对所述频域特征数据进行小波分解，基于预设阈值参数对检测到的异常峰值对应的小波系数进行阈值处理，对阈值处理后的频域特征数据进行小波重构，得到削弱后的频域特征数据的步骤，直至所述相似度小于所述预设相似度阈值为止。
4.如权利要求1所述的光纤监测方法，其特征在于，所述获取所述目标光纤的弯曲度，包括：
获取测试光纤在不同弯曲度下的OTDR曲线，并基于所述OTDR曲线计算不同弯曲度下的弯曲度特征指标，构建弯曲度与弯曲度特征指标之间的第一对应关系；
获取所述目标光纤的弯曲度特征指标，并结合所述第一对应关系，得到所述目标光纤的弯曲度。
5.如权利要求1所述的光纤监测方法，其特征在于，所述根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号，包括：
获取测试光纤在不同弯曲度下的散射信号频移量，构建弯曲度与散射信号频移量之间的第二对应关系；
基于所述第二对应关系，获取所述目标光纤的弯曲度对应的散射信号频移量；
根据所述目标光纤的弯曲度对应的散射信号频移量，对所述散射信号进行校正，得到校正散射信号。
6.如权利要求1所述的光纤监测方法，其特征在于，所述基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型，包括：
获取测试光纤的若干第一散射信号样本；
对若干所述第一散射信号样本进行预处理，提取若干预处理后的第一散射信号样本的反射峰区域；
对若干所述反射峰区域的位置和峰值强度进行量化，得到若干熔接点概率标签；
利用若干所述第一散射信号样本和对应的熔接点概率标签进行训练，得到训练好的熔接点识别模型。
7.如权利要求1所述的光纤监测方法，其特征在于，所述基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型，包括：
获取测试光纤在不同损伤类型下的第二散射信号样本，并对其损伤区域和损伤类型进行标注，生成损伤信息标签；
对所述第二散射信号样本进行预处理，从预处理后的第二散射信号样本中提取统计特征和频率特征，并对所述统计特征和所述频率特征进行融合，得到融合特征；
采用高斯混合模型算法，利用所述融合特征和对应的损伤信息标签进行训练，得到训练好的损伤识别模型。
8.如权利要求1所述的光纤监测方法，其特征在于，所述利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果，包括：
利用所述熔接点识别模型，根据所述校正散射信号，得到所述目标光纤的熔接点识别结果；
利用所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的损伤识别结果；
根据所述熔接点识别结果和所述损伤识别结果，得到所述目标光纤的最终识别结果。
9.如权利要求8所述的光纤监测方法，其特征在于，所述根据所述熔接点识别结果和所述损伤识别结果，得到所述目标光纤的最终识别结果，包括：
根据所述熔接点识别结果确认所述目标光纤的熔接点位置；
根据所述损伤识别结果确认所述目标光纤的损伤位置；
计算所述熔接点位置和所述损伤位置之间的位置差值；
若所述位置差值小于预设差值阈值，则将所述熔接点位置和所述损伤位置的平均值作为所述目标光纤的最终损伤位置；
若所述位置差值大于或等于所述预设差值阈值，则将所述目标光纤的损伤位置作为所述目标光纤的最终损伤位置。
10.一种光纤监测装置，其特征在于，包括：
散射信号获取模块，用于获取目标光纤的散射信号；
校正模块，用于获取所述目标光纤的弯曲度，根据所述目标光纤的弯曲度对所述散射信号进行校正，得到校正散射信号；
熔接点识别模型获取模块，用于基于预先获取的第一散射信号样本集及对应的熔接点概率标签集，得到训练好的熔接点识别模型；
损伤识别模型获取模块，用于基于高斯混合模型算法，对预先获取的第二散射信号样本集及对应的损伤信息标签集进行训练，得到训练好的损伤识别模型；
光纤识别模块，用于利用所述熔接点识别模型和所述损伤识别模型，根据所述校正散射信号，得到所述目标光纤的最终识别结果。
11.如权利要求10所述的光纤监测装置，其特征在于，所述校正模块还用于：
获取测试光纤在不同弯曲度下的OTDR曲线，并基于所述OTDR曲线计算不同弯曲度下的弯曲度特征指标，构建弯曲度与弯曲度特征指标之间的第一对应关系；
获取所述目标光纤的弯曲度特征指标，并结合所述第一对应关系，得到所述目标光纤的弯曲度。
12.如权利要求10所述的光纤监测装置，其特征在于，所述校正模块还用于：
获取测试光纤在不同弯曲度下的散射信号频移量，构建弯曲度与散射信号频移量之间的第二对应关系；
基于所述第二对应关系，获取所述目标光纤的弯曲度对应的散射信号频移量；
根据所述目标光纤的弯曲度对应的散射信号频移量，对所述散射信号进行校正，得到校正散射信号。
13.一种光纤监测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1~9任一项所述的光纤监测方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1~9任一项所述的光纤监测方法。
15.一种计算机程序产品，其特征在于，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如权利要求1~9任一项所述的光纤监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410725507.7A CN118300673B (zh) | 2024-06-06 | 2024-06-06 | 一种光纤监测方法、装置、设备、存储介质及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410725507.7A CN118300673B (zh) | 2024-06-06 | 2024-06-06 | 一种光纤监测方法、装置、设备、存储介质及产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118300673A true CN118300673A (zh) | 2024-07-05 |
| CN118300673B CN118300673B (zh) | 2024-08-06 |
Family
ID=91678588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410725507.7A Active CN118300673B (zh) | 2024-06-06 | 2024-06-06 | 一种光纤监测方法、装置、设备、存储介质及产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118300673B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101546049A (zh) * | 2009-04-27 | 2009-09-30 | 山东大学 | 一种光纤光栅带宽调谐方法 |
| US20150062562A1 (en) * | 2013-08-28 | 2015-03-05 | Fluke Corporation | Optical fiber testing using otdr instrument |
| CN105181362A (zh) * | 2015-06-19 | 2015-12-23 | 河海大学 | 水工建筑物渗流性态分布式光纤感知集成系统与方法 |
| CN110071762A (zh) * | 2019-04-30 | 2019-07-30 | 吉林大学 | 一种基于高阶模式背向瑞利散射的少模光纤故障检测方法 |
| CN111012356A (zh) * | 2019-11-26 | 2020-04-17 | 武汉纺织大学 | 一种基于微纳光纤复合传感的步态检测与识别系统和方法 |
| CN111536888A (zh) * | 2020-03-30 | 2020-08-14 | 武汉理工大学 | 多参量光纤传感船舶结构实时健康监测系统及方法 |
| CN112401878A (zh) * | 2020-11-18 | 2021-02-26 | 武汉纺织大学 | 基于非对称锯齿形多芯光纤传感的关节弯曲测量装置、方法 |
| US20230152150A1 (en) * | 2021-11-17 | 2023-05-18 | Nec Laboratories America, Inc | Road surface conditions detection by distributed optic fiber system |
| CN116938333A (zh) * | 2023-08-24 | 2023-10-24 | 武汉锐科光纤激光技术股份有限公司 | 光信号强度的检测方法和装置、存储介质及电子装置 |
| CN117768022A (zh) * | 2023-12-26 | 2024-03-26 | 中天电力光缆有限公司 | 光纤检测模型的训练方法、光纤检测方法及相关设备 |
| CN117876261A (zh) * | 2024-01-15 | 2024-04-12 | 合肥锐视医疗科技有限公司 | 一种基于深度学习的cbct散射校正成像方法 |
-
2024
- 2024-06-06 CN CN202410725507.7A patent/CN118300673B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101546049A (zh) * | 2009-04-27 | 2009-09-30 | 山东大学 | 一种光纤光栅带宽调谐方法 |
| US20150062562A1 (en) * | 2013-08-28 | 2015-03-05 | Fluke Corporation | Optical fiber testing using otdr instrument |
| CN105181362A (zh) * | 2015-06-19 | 2015-12-23 | 河海大学 | 水工建筑物渗流性态分布式光纤感知集成系统与方法 |
| CN110071762A (zh) * | 2019-04-30 | 2019-07-30 | 吉林大学 | 一种基于高阶模式背向瑞利散射的少模光纤故障检测方法 |
| CN111012356A (zh) * | 2019-11-26 | 2020-04-17 | 武汉纺织大学 | 一种基于微纳光纤复合传感的步态检测与识别系统和方法 |
| CN111536888A (zh) * | 2020-03-30 | 2020-08-14 | 武汉理工大学 | 多参量光纤传感船舶结构实时健康监测系统及方法 |
| CN112401878A (zh) * | 2020-11-18 | 2021-02-26 | 武汉纺织大学 | 基于非对称锯齿形多芯光纤传感的关节弯曲测量装置、方法 |
| US20230152150A1 (en) * | 2021-11-17 | 2023-05-18 | Nec Laboratories America, Inc | Road surface conditions detection by distributed optic fiber system |
| CN116938333A (zh) * | 2023-08-24 | 2023-10-24 | 武汉锐科光纤激光技术股份有限公司 | 光信号强度的检测方法和装置、存储介质及电子装置 |
| CN117768022A (zh) * | 2023-12-26 | 2024-03-26 | 中天电力光缆有限公司 | 光纤检测模型的训练方法、光纤检测方法及相关设备 |
| CN117876261A (zh) * | 2024-01-15 | 2024-04-12 | 合肥锐视医疗科技有限公司 | 一种基于深度学习的cbct散射校正成像方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈威成;胡贵军;刘峰;陈翠光;王勃然;: "少模光纤熔接点处模式耦合测量", 光学学报, no. 12, 31 December 2017 (2017-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118300673B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112908344B (zh) | 一种鸟鸣声智能识别方法、装置、设备和介质 | |
| CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
| CN111768287A (zh) | 周期识别方法、装置、服务器及可读存储介质 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
| CN118300673B (zh) | 一种光纤监测方法、装置、设备、存储介质及产品 | |
| CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
| CN114696893A (zh) | 基于otdr的事件定位方法、系统、装置及存储介质 | |
| CN114900256A (zh) | 通信场景识别方法和装置 | |
| CN118013191A (zh) | 基于lsm滤波、ceemdan联合小波检测绝缘子的去噪方法 | |
| CN117768022A (zh) | 光纤检测模型的训练方法、光纤检测方法及相关设备 | |
| CN116386669A (zh) | 基于分组自动编码器的机器运行声学状态监测方法和系统 | |
| CN112861743A (zh) | 一种掌静脉图像防伪方法、装置和设备 | |
| CN111353526A (zh) | 一种图像匹配方法、装置以及相关设备 | |
| CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
| JPH04345327A (ja) | 通話品質客観測定方法 | |
| CN114118157A (zh) | 一种基于植物电信号的光照信息诊断方法及系统 | |
| CN114692693A (zh) | 基于分形理论的分布式光纤信号识别方法、装置、存储介质 | |
| CN114679216A (zh) | 一种基于otdr提升分析精度的算法和装置 | |
| CN105156901B (zh) | 一种基于小波分析的光纤预警系统降噪方法及装置 | |
| CN114399669A (zh) | 目标检测方法和装置 | |
| Martinez-Baena et al. | A new image distortion measure based on a data-driven multisensor organization | |
| CN113177536A (zh) | 基于深度残差收缩网络的车辆碰撞检测方法及装置 | |
| CN118229555B (zh) | 一种图像融合方法、装置、设备及计算机可读存储介质 | |
| CN112149724B (zh) | 一种基于类内紧凑度的脑电数据特征提取方法 |
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 |