基于振动光纤探测的自学习入侵报警方法、系统、介质及设备技术方案

本发明专利技术提供了一种基于振动光纤探测的自学习入侵报警方法、系统、介质及设备，包括：步骤1：基于振动光纤探测模块得到报警信息；步骤2：获取报警位置点对应摄像头的图片信息及摄像头自动判断覆盖区域范围是否存在人的标志信息；步骤3：对接收到的时频训练图像进行正/负样本文件夹分类；步骤4：对正/负样本进行样本均衡筛选；步骤5：判断模型训练程序是否正在运行，若判断为否，则根据更新后的正/负样本；步骤6：转发生成的模型给对应的DVS振动光纤主机，设定时机更新模型并重启对应的DVS振动光纤主机。本发明专利技术根据对应主机IP将训练完成的模型自动发送给对应DVS主机，极大降低整体工程运行成本。运行成本。运行成本。

【技术实现步骤摘要】
基于振动光纤探测的自学习入侵报警方法、系统、介质及设备


[0001]本专利技术涉及光纤振动传感
及计算机视觉融合
，具体地，涉及一种基于振动光纤探测的自学习入侵报警方法、系统、介质及设备。

技术介绍

[0002]机器智能，传统机器学习或者是深度学习常常是学习一种输入到输出之间的映射关系。基于光纤振动传感信号模式识别系统的算法模型在初始构建和后续迭代的过程中，都需要采集大量的数据并进行人工标注。在研究领域，不少的方法被提出来缓解繁重的数据标注任务。然而，在工程实践中，尤其是大规模的人工智能实际应用中(大量算法模型)，这些方法要么难以落地，要么依赖于繁杂、零碎的人工劳动，缺少系统的平台和有效的工具支撑，效率和效果都存在很大的提升空间。
[0003]专利文献CN111951505B(申请号：CN202010866358.8)公开了一种基于分布式光纤系统的围栏振动入侵定位和模式识别方法，通过构建模式识别分类器，并利用数据训练集对模式识别分类器进行训练和测试，当分布式光纤系统采集到振动信号时，通过采集到振动信号的传感器的位置对入侵点进行定位，通过模式识别分类器对振动信号的具体入侵模式进行识别。
[0004]为了解决工程实践中大量算法模型的从0到1快速构建和不断迭代优化的问题，构建了人工智能算法迭代平台。该平台旨在打通“数据
–
样本
–
模型
–
光纤传感系统”的自学习闭环，在数据分析、样本标注、模型训练、模型性能评估、部署等环节为周界入侵线性告警识别系统的构建提供强有力支持，以加速产品迭代周期。特别的，在实际工程应用中，由于场景及时间的限制，导致模型训练初期缺少大量负样本，而此类样本无法通过人工监督式采集获得且无法人为预先制造，必须通过设备在对应场景下长时间运行才能获得并完善负样本。
[0005]AI自学习光纤智能平台系统能对传入的数据信息进行有效的甄别、区分和再加工，然后源源不断地“滋养”机器，从而达到自主、可控、循环学习的闭环功能，这也正是光纤传感智能识别系统的智能化所在。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种基于振动光纤探测的自学习入侵报警方法、系统、介质及设备。
[0007]根据本专利技术提供的基于振动光纤探测的自学习入侵报警方法，包括：
[0008]步骤1：基于振动光纤探测模块得到报警信息，包含报警时间、对应振动光纤主机IP地址、光纤报警位置点及用于训练的时频图像；
[0009]步骤2：根据光纤报警位置点查询预设摄像头编号
‑
振动光纤报警范围映射表，获取报警位置点对应摄像头的图片信息及摄像头自动判断覆盖区域范围是否存在人的标志信息；
[0010]步骤3：根据报警信息中的是否存在人的标志信息对接收到的时频训练图像进行正/负样本文件夹分类；
[0011]步骤4：对正/负样本进行样本均衡筛选；
[0012]步骤5：判断模型训练程序是否正在运行，若判断为否，则根据更新后的正/负样本，通过C++调用python代码完成对EfficientNet网络模型的自动训练，并生成C++可调用形式；
[0013]步骤6：发送C++可调用模型及对应的IP信息给振动光纤探测模块，并根据IP地址转发生成的模型给对应的DVS振动光纤主机，设定时机更新模型并重启对应的DVS振动光纤主机，从而完成模型更新。
[0014]优选的，所有振动光纤主机都连接在同一台交换机上并与服务器主机连接，DVS振动光纤软件运行主机与服务器主机间的报警通过JSON格式进行信息传输，信息的内容包括{Time：报警发生的时间；IP：表示对应振动主机的IP地址；Pos：表示产生报警的具体位置米标，用于映射获得对应摄像头并获取对应摄像头具体信息；Picture：里面存储着对应振动主机产生的时频图训练样本数据}，其中获取的二维时频图为对应报警主机在报警位置点处将经过50Hz低频高通滤波处理后的信号值以0.3秒为单位进行短时傅里叶变换，将一维信号转化为二维时频图数据，短时傅里叶变换计算过程如公式1所示：
[0015][0016]其中，x(t)表示时间点t的信号；h(τ
‑
t)表示以时间点t为中心的分析窗函数；x(τ)h(τ
‑
t)表示信号在分析时间点t附近的一个切片；对于给定时间t，STFT(t,f)是该时刻的频谱；τ表示积分因变量时间；j表示复数虚部标识；f表示变换后的频率。
[0017]优选的，搭建EfficientNet网络结构利用混合维度放大的方法，通过混合系数φ平衡网络宽度，网络深度及图像分辨率三个维度的放缩倍率以获得更高的精度，具体计算过程如公式2所示：
[0018][0019]其中，d表示网络深度；w表示网络宽度；r表示图像分辨率；α、β及γ分别为影响网络深度、网络宽度及图像分辨率而人为设定的常量。
[0020]优选的，所述步骤4包括：保存上次存储好的训练样本数量，当两类样本相比前一次训练样本数量都增加相同样本量时，把少量样本文件夹中的样本全部拷贝到正/负样本文件夹中，对另外一类样本先拷贝最新增加的样本，接着随机拷贝剩余的样本到负/正样本文件夹，直至同正/负文件夹样本数量相同为止。
[0021]根据本专利技术提供的基于振动光纤探测的自学习入侵报警系统，包括：
[0022]模块M1：基于振动光纤探测模块得到报警信息，包含报警时间、对应振动光纤主机IP地址、光纤报警位置点及用于训练的时频图像；
[0023]模块M2：根据光纤报警位置点查询预设摄像头编号
‑
振动光纤报警范围映射表，获取报警位置点对应摄像头的图片信息及摄像头自动判断覆盖区域范围是否存在人的标志信息；
[0024]模块M3：根据报警信息中的是否存在人的标志信息对接收到的时频训练图像进行正/负样本文件夹分类；
[0025]模块M4：对正/负样本进行样本均衡筛选；
[0026]模块M5：判断模型训练程序是否正在运行，若判断为否，则根据更新后的正/负样本，通过C++调用python代码完成对EfficientNet网络模型的自动训练，并生成C++可调用形式；
[0027]模块M6：发送C++可调用模型及对应的IP信息给振动光纤探测模块，并根据IP地址转发生成的模型给对应的DVS振动光纤主机，设定时机更新模型并重启对应的DVS振动光纤主机，从而完成模型更新。
[0028]优选的，所有振动光纤主机都连接在同一台交换机上并与服务器主机连接，DVS振动光纤软件运行主机与服务器主机间的报警通过JSON格式进行信息传输，信息的内容包括{Time：报警发生的时间；IP：表示对应振动主机的IP地址；Pos：表示产生报警的具体位置米标，用于映射获得对应摄像头并获取对应摄像头具体信息；Picture：里面存储着对应振动主机产生的时频图训练样本数据}，其中获取的二维时频图为对应报警主机在报警位置点处将经过50Hz低频高通滤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振动光纤探测的自学习入侵报警方法，其特征在于，包括：步骤1：基于振动光纤探测模块得到报警信息，包含报警时间、对应振动光纤主机IP地址、光纤报警位置点及用于训练的时频图像；步骤2：根据光纤报警位置点查询预设摄像头编号
‑
振动光纤报警范围映射表，获取报警位置点对应摄像头的图片信息及摄像头自动判断覆盖区域范围是否存在人的标志信息；步骤3：根据报警信息中的是否存在人的标志信息对接收到的时频训练图像进行正/负样本文件夹分类；步骤4：对正/负样本进行样本均衡筛选；步骤5：判断模型训练程序是否正在运行，若判断为否，则根据更新后的正/负样本，通过C++调用python代码完成对EfficientNet网络模型的自动训练，并生成C++可调用形式；步骤6：发送C++可调用模型及对应的IP信息给振动光纤探测模块，并根据IP地址转发生成的模型给对应的DVS振动光纤主机，设定时机更新模型并重启对应的DVS振动光纤主机，从而完成模型更新。2.根据权利要求1所述的基于振动光纤探测的自学习入侵报警方法，其特征在于，所有振动光纤主机都连接在同一台交换机上并与服务器主机连接，DVS振动光纤软件运行主机与服务器主机间的报警通过JSON格式进行信息传输，信息的内容包括{Time：报警发生的时间；IP：表示对应振动主机的IP地址；Pos：表示产生报警的具体位置米标，用于映射获得对应摄像头并获取对应摄像头具体信息；Picture：里面存储着对应振动主机产生的时频图训练样本数据}，其中获取的二维时频图为对应报警主机在报警位置点处将经过50Hz低频高通滤波处理后的信号值以0.3秒为单位进行短时傅里叶变换，将一维信号转化为二维时频图数据，短时傅里叶变换计算过程如公式1所示：其中，x(t)表示时间点t的信号；h(τ
‑
t)表示以时间点t为中心的分析窗函数；x(τ)h(τ
‑
t)表示信号在分析时间点t附近的一个切片；对于给定时间t，STFT(t,f)是该时刻的频谱；τ表示积分因变量时间；j表示复数虚部标识；f表示变换后的频率。3.根据权利要求1所述的基于振动光纤探测的自学习入侵报警方法，其特征在于，搭建EfficientNet网络结构利用混合维度放大的方法，通过混合系数φ平衡网络宽度，网络深度及图像分辨率三个维度的放缩倍率以获得更高的精度，具体计算过程如公式2所示：其中，d表示网络深度；w表示网络宽度；r表示图像分辨率；α、β及γ分别为影响网络深度、网络宽度及图像分辨率而人为设定的常量。4.根据权利要求1所述的基于振动光纤探测的自学习入侵报警方法，其特征在于，所述步骤4包括：保存上次存储好的训练样本数量，当两类样本相比前一次训练样本数量都增加
相同样本量时，把少量样本文件夹中的样本全部拷贝到正/负样本文件夹中，对另外一类样本先拷贝最新增加的样本，接着随机拷贝剩余的样本到负/正样本文件夹，直至同正/负文件夹样本数量相同为止。5.一种基于振动光纤探测的自学习入侵报警系统，其特征在于，包括：模块M1：基于振动光纤探测模块得到报警信息，包含报警时间、对应振动光纤主机IP地址、光纤报警位置点及用于训练的时频图像；模块M2：根据光纤报警位置点查询预设摄像头编号
...

【专利技术属性】
技术研发人员：桂小刚，姜大闯，侯泽宇，彭肃家，周航，王静，王晓东，曹德华，徐琪，陈钱，
申请(专利权)人：上海微波技术研究所中国电子科技集团公司第五十研究所，
类型：发明
国别省市：