一种分布式光纤振动传感器模式识别的方法技术

本发明专利技术涉及一种基于MobileNet的分布式光纤振动传感器模式识别的方法，包括以下步骤：S1，分布式光纤振动传感器系统准备；S2，数据采集，构建不同类型事件数据集；S3，信号数据降噪处理；S4，将信号数据转换到对应事件的时域图和时频域图；S5，构建基于MobileNet的深度学习网络；S6，进行识别分类，利用最优模型对待测事件的时域图或时频域图进行识别和分类。本发明专利技术的有益效果是：本发明专利技术能够在保证算法识别效果的同时，大大降低了算法的权重和计算时间，且能够进行嵌入式端和移动端的开发和应用等。在MobileNet中引入深度可分离卷积，相比较于普通卷积降低8～9倍参数；使用倒残差结构又大大降低了计算时间和算法权重；使用轻量级注意力层能够更好的提升算法的性能。层能够更好的提升算法的性能。层能够更好的提升算法的性能。

【技术实现步骤摘要】
一种分布式光纤振动传感器模式识别的方法


[0001]本专利技术涉及分布式光纤振动传感应用
，特别涉及一种基于MobileNet的分布式光纤振动传感器模式识别的方法。

技术介绍

[0002]分布式光纤传感器具有损耗低、体积小、重量轻、灵敏度高、耐腐蚀性强、抗电磁干扰、无需电源和成本低等多种优点，弥补了传统电学传感器在监测范围和系统可靠性等方面的不足，在短短几十年时间内得到飞速发展。人们利用各种光纤传感器已经顺利实现对温度、浓度、压力、振动、位移和折射率等变化量的测量。迄今为止，各种类型的光纤传感器已被广泛应用于周界安防、航空航天、管道监测、电力工程和生物医学等领域。其中，实用价值最高的当属分布式光纤传感系统。
[0003]最初业内学者和专家先通过机器学习的方法对分布式光纤振动传感器进行事件的模式识别。用到的机器学习方法有主要有支持向量机(SVM)、相关向量机(RVM)、马尔可夫模型(HMMS)、人工神经网络(ANN)等。但因机器学习算法存在事件特征的选择提取需要根据工作经验进行人工的提取，可能会导致一些基本信息的丢失和遗漏、只能对少量事件数据进行识别、工序复杂费事费力、在不同应用背景下算法的泛化性能非常差等多种缺点。随着深度学习的引入，业界学者们将深度学习算法与分布式光纤振动传感器进行结合，并取得相比较于机器学习算法更好的效果。当前使用的深度学习算法主要有卷积神经网络(CNN)算法、长短时记忆网络算法(LSTM)以及学者们自定义简单的卷积神经网络算法等。在分布式光纤振动传感器与深度学习算法结合中也存在着：算法结构复杂、算法整体权重大、随着网络深度的加深，容易出现梯度弥散和性能退化的问题、无法进行嵌入式和移动端的使用等多种问题。
[0004]为此，本申请设计了一种基于MobileNet的分布式光纤传感器模式识别的方法，以解决上述问题。

技术实现思路

[0005]本专利技术为了弥补现有技术中的不足，提供了一种基于MobileNet的分布式光纤传感器模式识别的方法，将轻量化、识别效果好、识别速度快、可进行嵌入式开发的算法引入到分布式光纤振动传感器领域中。
[0006]一种分布式光纤振动传感器模式识别的方法，其特征在于，包括以下步骤：
[0007]S1，分布式光纤振动传感器系统准备；
[0008]S2，数据采集，构建不同类型事件数据集；
[0009]S3，信号数据降噪处理；
[0010]S4，将信号数据转换到对应事件的时域图和时频域图；
[0011]S5，构建基于MobileNet的深度学习网络；
[0012]S6，进行识别分类，利用最优模型对待测事件的时域图或时频域图进行识别和分
类。
[0013]进一步地，为了更好的实现本专利技术，所述S1具体为，
[0014]S11，在分布式光纤振动传感器技术方案中，选择基于光时域反射计方案；
[0015]S12，准备分布式光纤振动传感系统中的窄线宽激光器、声光调制器、第一掺饵放大器、单模光纤、第二掺饵放大器、光电探测器、双通道高速数据数据采集卡、个人存储电脑；
[0016]S13，将分布式光纤振动传感系统进行搭建，为多种场景和事件下数据集采集做准备。
[0017]进一步地，为了更好的实现本专利技术，所述S2具体为，
[0018]S21，选择特定场景，将分布式光纤振动传感系统布置在场景中并通过场景中的事件进行一定频率下的数据采集；
[0019]S22，在数据采集时，记录事件作用于分布式光纤振动传感器通道情况；
[0020]S23，将上一步记录事件的通道数据进行保存和备份。
[0021]进一步地，为了更好的实现本专利技术，所述S3具体为，
[0022]S31，将采集到的不同事件数据通过滤波器进行滤波操作；
[0023]S32，将上一步的事件数据通过小波去噪法进行降噪处理；通过设置特定的小波基函数，用其对信号进行小波变换，将信号分解到多个尺度上，根据尺度上噪声和信号取值的不同，剔除或修正部分尺度分量重构信号；可使用分解后得到的小波系数对噪声进行判定，噪声信号的小波系数通常较小，可以通过设定阈值的方法去除噪声，当小波系数小于阈值时，判定为噪声信号，反之，则判定为有效信号。
[0024]进一步地，为了更好的实现本专利技术，所述S4具体为，
[0025]S41，将S3中的不同事件数据，依据采样频率和时间，批量将数据转换成多种事件下的时域图；时域图主要为信号强度信息随时间的变化情况，时域信号中的特征是直观、显著的，通过统计一定时间内信号在时域上所呈现出来的某种规律性变化可以区分入侵事件。
[0026]S42，将S3中的不同事件数据，依据采样频率和时间，通过短时傅里叶变换将数据批量转换成事件下对应的时频域图。时频域图不仅包含某一时间内的频谱特性，也包括每个频段时间的变化情况。
[0027]进一步地，为了更好的实现本专利技术，根据权利要求1所述的分布式光纤振动传感器模式识别的方法，其特征在于：
[0028]所述S5具体为，
[0029]S51，将S4中的数据按照事件将时域图进行打标签，并按照8:2的比例划分为训练集和检验集；
[0030]S52，将S4中的数据按照事件将时频域图进行打标签，并按照8:2的比例划分为训练集和检验集；
[0031]S53，基于事件时域数据集和时频域数据集，构建MobileNet深度学习图像分类模型，并设置MobileNet网络模型参数；
[0032]S54，训练S53所得到的MobileNet网络模型；
[0033]S55，对训练后的MobileNet网络模型进行网络优化调优，若找到最优参数则保存
最好结果的模型作为最终事件识别的模型，否则跳转至S54再进行网络模型的训练。
[0034]进一步地，为了更好的实现本专利技术，所述S53中的网络模型，具体为：输入层
→3×
3卷积层
→
Bneck层
→
Bneck层
→1×
1卷积层
→
平均池化层
→
全连接层
→
输出层，其中Bneck层中具体包括为1
×
1卷积层、3
×
3深度可分离卷积、平均池化层、全连接层、全连接层；
[0035]所述S53具体包括以下步骤，
[0036]S531，初始化MobileNet网络模型模型参数；
[0037]S532,将事件图像先进行3
×
3卷积层提取特征操作，还包括Batch_norm层、H
‑
swish激活函数层，Batch_norm层不仅能够在深度学习网络训练中梯度消息问题而且也能够加快模型的训练速度，H
‑
swish激活函数为非线性激活函数，具体对应的公式为：
[0038][0039]S533,经过Bneck层，其中Bneck层中包括一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式光纤振动传感器模式识别的方法，其特征在于，包括以下步骤：S1，分布式光纤振动传感器系统准备；S2，数据采集，构建不同类型事件数据集；S3，信号数据降噪处理；S4，将信号数据转换到对应事件的时域图和时频域图；S5，构建基于MobileNet的深度学习网络；S6，进行识别分类，利用最优模型对待测事件的时域图或时频域图进行识别和分类。2.根据权利要求1所述的分布式光纤振动传感器模式识别的方法，其特征在于：所述S1具体为，S11，在分布式光纤振动传感器技术方案中，选择基于光时域反射计方案；S12，准备分布式光纤振动传感系统中的窄线宽激光器、声光调制器、第一掺饵放大器、单模光纤、第二掺饵放大器、光电探测器、双通道高速数据数据采集卡、个人存储电脑；S13，将分布式光纤振动传感系统进行搭建，为多种场景和事件下数据集采集做准备。3.根据权利要求1所述的分布式光纤振动传感器模式识别的方法，其特征在于：所述S2具体为，S21，选择特定场景，将分布式光纤振动传感系统布置在场景中并通过场景中的事件进行一定频率下的数据采集；S22，在数据采集时，记录事件作用于分布式光纤振动传感器通道情况；S23，将上一步记录事件的通道数据进行保存和备份。4.根据权利要求1所述的分布式光纤振动传感器模式识别的方法，其特征在于：所述S3具体为，S31，将采集到的不同事件数据通过滤波器进行滤波操作；S32，将上一步的事件数据通过小波去噪法进行降噪处理；通过设置特定的小波基函数，用其对信号进行小波变换，将信号分解到多个尺度上，根据尺度上噪声和信号取值的不同，剔除或修正部分尺度分量重构信号；可使用分解后得到的小波系数对噪声进行判定，噪声信号的小波系数通常较小，可以通过设定阈值的方法去除噪声，当小波系数小于阈值时，判定为噪声信号，反之，则判定为有效信号。5.根据权利要求1所述的分布式光纤振动传感器模式识别的方法，其特征在于：所述S4具体为，S41，将S3中的不同事件数据，依据采样频率和时间，批量将数据转换成多种事件下的时域图；S42，将S3中的不同事件数据，依据采样频率和时间，通过短时傅里叶变换将数据批量转换成事件下对应的时频域图。6.根据权利要求1所述的分布式光纤振动传感器模式识别的方法，其特征在于：所述S5具体为，S51，将S4中的数据按照事件将时域图进行打标签，并按照8:2的比例划分为训练集和检验集；S52，将S4中的数据按照事件将时频域图进行打标签，并按照8:2的比例划分为训练集和检验集；
S53，基于事件时域数据集和时频域数据集，构建MobileNet深度学习图像分类模型，并设置MobileNet网络模型参数；S54...

【专利技术属性】
技术研发人员：杨振国，董火民，王金伟，张发祥，王春晓，李传涛，
申请(专利权)人：山东山科控股集团有限公司，
类型：发明
国别省市：