【技术实现步骤摘要】
本专利技术属于分布式光纤传感及其应用，涉及das振动源信号的实时检测和交通参数估计方法，尤其涉及一种das交通参数实时估计方法、系统、设备及介质。
技术介绍
1、基于相敏光时域反射原理(φ-otdr)的分布式光纤声波/振动传感(das)系统，利用通信光缆进行振动感知，有测量精度高、高灵敏度、抗电磁干扰、低成本等特点，已广泛应用于电力、石油、天然气行业的地震波检测、管道泄漏检测、周界安防入侵检测、交通监测等领域，形成了用于地面监听应用的新型光纤物联网。
2、近年来，das信号的智能处理及其交通参数估计的研究现状，总体上可分为传统信号处理与深度学习智能信号处理两个阶段：传统信号处理主要聚焦于信号的变换域、形态学特征、以及图形学方法进行das交通信号的识别与交通参数的提取。随着人工智能(ai)技术的快速发展，大量深度学习技术被应用于das信号智能处理中，以实现更高效的检测、识别与交通参数的提取。其中包卷积神经网络(cnn)、概率神经网络(pnn)、fast r-cnn以及迁移学习、半监督、无监督等方法，这些方法提高了信号识别的效果和便捷性。
3、申请号为202310307804.5的专利技术专利申请就公开了一种das信号的多维深度特征提取与识别方法，其先采集分布式光纤传感信号，并对其按时间段分割，得到二维时空样本信号矩阵，利用短时傅里叶变换将每个空间点的时间信号转换为时频谱图，得到三维的时频空样本；利用得到的时频空信号构建样本数据集，对样本数据集进行分类得到训练集、验证集和测试集；构建与das时频空样本输入匹配
4、现有网络模型中，通常是标注检测框的位置信息(x,y,w,h)，其中(x,y)表示检测框的位置，(w,h)表示检测框的大小。当然，由于检测框并不都是水平分布或者垂直分布，其也有存在斜向分布的检测框；因而，在部分应用场景中会在传统水平检测框标注(x,y,w,h)的基础上，加入一个角度信息θ，得到新的标注方式，如(x,y,w,h,θ)。比如，申请号为202410119967.5的专利技术专利就公开了一种基于旋转框定位的施工物料目标检测方法，包括：s1、构建具有交并比liou、旋转角度损失函数、旋转非极大值抑制算法及增加预测层的输出维度，将角度检测分支引入检测层的施工物料目标检测算法；s2、通过施工物料目标数据集对步骤s1中的网络模型进行训练；s3、通过已经训练的网络模型对输入的待检测图象进行推理与检测，获取施工物料目标的类别与位置信息。根据本专利技术，步骤s1中，在传统水平检测框标注(x,y,w,h)的基础上，加入一个角度信息θ，得到新的标注方式，如(x,y,w,h,θ)，其中θ的取值范围为[-π/2,π/2],(x，y)表示目标框的中心坐标，w为目标框的最长边，h为目标框的短边(即w的临边)，θ为x轴旋转到w边的角度。这实现了对于呈任意角度分布的施工物料目标的自动检测，得到最贴合目标的预测框，减小了预测误差。
5、das数据不同于上述的施工物料目标检测数据。上述施工物料目标检测中，由于施工物料目标在作业面中通常呈任意角度分布，给物料的检测带来一定的困难，所以其在标注时加入了检测框的角度信息θ，从而实现对任意角度分布的施工物料目标的检测。但是，在道路交通参数测量领域，该das数据是基于时间和空间的二维时空数据，其关于das数据的现有算法中涉及的检测框都只涉及(x,y,w,h)，现有的道路交通参数测量仍然专注于单一定点信号的识别、分类，而难以解决交通等多个移动目标和倾斜轨迹目标等复杂场景下das信号的检测识别，也难以高效的提取交通目标的移动位置、车型或车身重量、实时速率等交通参数信息。
技术实现思路
1、本专利技术的目的在于：解决现有技术中难以解决多个移动目标等复杂场景下das信号的检测识别、以及难以高效提取交通目标的移动位置、车型或车身重量、实时速率等交通参数信息的技术问题，提供一种das交通参数实时估计方法、系统、设备及介质，使用端到端卷积网络并引入角度定义，一次提取所有特征信息来同时检测振动目标位置、类型、以及速度等交通参数，是das实时、准确检测交通振动源的可靠方法。
2、本专利技术为了实现上述目的具体采用以下技术方案：
3、一种das交通参数实时估计方法，包括以下步骤：
4、步骤s1，获取信号样本；
5、利用das系统采集交通环境下道路沿线的时空信号，得到二维时空信号样本；
6、步骤s2，构建交通参数提取网络；
7、构建交通参数提取网络，交通参数提取网络的主干网络包括：输入层-卷积层conv1-卷积层conv2-c3模块-卷积层conv3-c3模块-卷积层conv4-c3模块-卷积层conv5-c3模块-sppf特征提取模块；
8、步骤s3，训练交通参数提取网络；
9、采用步骤s1中得到的二维时空信号样本对步骤s2构建的交通参数提取网络进行训练；
10、训练时，将二维时空信号样本划分成网格单元，对每个网格单元预测出b个边界框，每个边界框包括6个预测值：x、y、w、h、置信度以及角度θ；训练的损失函数为：
11、loss＝lbox+lconfidence+lclass+langle
12、lbox＝lciou＝1-ciou
13、
14、lconfidence＝bce(p0,piou)
15、lclass＝bce(cgt，cp)
16、langle＝bce(θgt，θp)
17、其中，(x,y)表示边界框中心的坐标相对于当前网格单元左上角的偏移量，(w,h)表示边界框的宽和高，θ表示边界框的长边与x轴的夹角；lbox表示边界框损失，lconfidence表示置信度损失，lclass表示类别损失，langle表示角度损失；ciou表示预测框与真实边界框之间的完全相交损耗，iou表示预测框与真实边界框的交点，b表示预测框的中心坐标，bgt表示真实目标边界框的中心点坐标，ρ表示预测框的中心点与真实目标边界框的中心点之间的欧式距离，c表示刚好能包含预测框和地面实况框的最小矩形的最小对角线长度，a表示权重函数，v表示修正因子；p0表示预测框的置信度，piou表示预测框的ciou；cgt表示真实类别，cp表示预测类别；θgt表示真实角度值，θp表示预测角度值；bce表示bce对数损失。
18、步骤s4，交通参数实时估计；
19、获取待估计的时空信号，并输入步骤s3训练好的交通参数提取网络中，交通参数提取网络输出该待估计信号的交通参数。
20、进一步地，在步骤s1中，对二维时空信号样本进行去噪预处理，具体方式为：
【技术保护点】
1.一种DAS交通参数实时估计方法，其特征在于，包括以下步骤：
2.如权利要求1所述的DAS交通参数实时估计方法，其特征在于：在步骤S1中，对二维时空信号样本进行去噪预处理，具体方式为：
3.如权利要求2所述的DAS交通参数实时估计方法，其特征在于：在步骤S1-1中，在对该组小波系数进行阈值去噪和重构时，具体为：
4.如权利要求3所述的DAS交通参数实时估计方法，其特征在于：在步骤S1-1-3中，信号x(t)的阈值λ的选取规则为：
5.如权利要求2所述的DAS交通参数实时估计方法，其特征在于：在步骤S1-2中，对去噪后的时空图进行OTSU二值化处理，根据时空图中的像素点灰度差异，将时空图分割成具有不同特征的区域，具体方式为：
6.如权利要求1所述的DAS交通参数实时估计方法，其特征在于：交通参数提取网络的损失函数中，
7.如权利要求1所述的DAS交通参数实时估计方法，其特征在于：BCE对数损失表示为：
8.一种DAS交通参数实时估计系统，其特征在于，包括：
9.一种计算机设备，其特征在
10.一种计算机可读存储介质，其特征在于：存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种das交通参数实时估计方法，其特征在于，包括以下步骤：
2.如权利要求1所述的das交通参数实时估计方法，其特征在于：在步骤s1中，对二维时空信号样本进行去噪预处理，具体方式为：
3.如权利要求2所述的das交通参数实时估计方法，其特征在于：在步骤s1-1中，在对该组小波系数进行阈值去噪和重构时，具体为：
4.如权利要求3所述的das交通参数实时估计方法，其特征在于：在步骤s1-1-3中，信号x(t)的阈值λ的选取规则为：
5.如权利要求2所述的das交通参数实时估计方法，其特征在于：在步骤s1-2中，对去噪后的时空图进行otsu二值化处理，根据时空图中的像素点灰度差异，将时空图分割成具...
【专利技术属性】
技术研发人员：吴慧娟，刘楚锐，王智超，赵玉洁，饶云江，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。