【技术实现步骤摘要】
本专利技术涉及周界安防入侵事件监测领域，尤其涉及一种基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法。
技术介绍
1、随着社会的发展和技术的进步，周界安防对于保护财产和人员安全变得越来越重要。传统的周界安防方法往往依赖于传感器和摄像机的布设，但存在着盲区等问题。通过利用分布式光纤传感技术，可以实现对较大区域的实时监测，并且具有较高的准确性和可靠性。
2、在早期，随着人工智能的发展与广泛应用，越来越多的学者将其也引入到了光纤传感领域。在提取完入侵信号的特征后，对其特征进行选择并根据提取的特征进行分类。多域分析方法丰富了检测信号的提取信息，于是在早期出现了以“固定人工特征提取+特定识别模型”为主的经验学习方法，该时期主要是依靠专家知识和经验来选择合适的特征如：经过小波变换提高信噪比以后，人为的提取频谱能量分布、时域幅值过零率等特征，然后通过选择传统的识别模型如：支持向量机（svm）、k-邻近算法（knn）、传统神经网络等进行对入侵信号识别分类。后来随着深度学习技术在计算机视觉和信号处理领域取得了显著的突破：能够自动地从大量数据中学习和提取特征，以实现对复杂模式的识别和分类。将深度学习方法的引入为分布式光纤传感在周界安防、管道安全、高速公路安全监测等中的应用提供了新的思路和机会。基于深度学习的分布式光纤传感安防入侵信号识别系统是通过部署在墙壁、地下或围栏等隐蔽环境中的光纤，持续的进行长时间监测周边环境，当光纤附近发生人员行走、攀爬等物理扰动的事件时，光纤中的光信号会发生改变，通过分布式光纤振动监测系统（dvs）对信号
3、如今的大部分算法模型对微小变化和细节的感知能力较差，这导致了在经过多次卷积操作后低纬度特征消失的问题；另外，当测试数据与训练数据区别较大时，尤其是当模型迁移到不同场景时，由于不同场景下不确定因素对信号的影响导致算法识别率下降；针对以上的两个问题，如今的大部分做法是针对迁移后的场景重新采集大量的数据，并对模型进行重新训练；但这种做法会耗费大量的人力以及算力资源，并且重新训练对上位机的配置要求较高，因此，寻找一种能有效避免特征丢失、迁移场景后在较低配置的机器上快速构建高精度事件分类网络的方法是当前领域的关键。
技术实现思路
1、本专利技术提供了一种基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，以解决现有技术中存在的信号低纬度特征在多次卷积操作后消失，迁移场景后识别率下降，需要重新采集大量的数据，并对模型进行重新训练耗费大量的人力以及算力资源的问题。
2、为实现上述目的，本专利技术采用的技术方案如下：
3、一种基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，包括以下步骤：
4、 s1：场景搭建：在不同场景的围栏进行分布式光纤振动传感系统搭建；
5、 s2：数据准备：构建不同场景下不同入侵事件的信号数据集；
6、 s3：信号预处理：对事件信号数据集中的入侵信号做预处理，构建时空特征数据集；
7、 s4：模型训练：将改进的se-densenet深度学习网络模型作为特征提取器，使用实验场景中的时空数据对其进行训练得到权重参数；
8、 s5：迁移场景后再训练：在迁移场景后，通过使用训练好的权重参数仅对模型的全连接层进行训练，完成对新场景的入侵事件的识别分类。
9、进一步地，所述步骤s1具体包括以下步骤：
10、 s1.1：分别在三种场景：训练基地、别墅区、实验室布设了分布式光纤，并连接到分布式光纤振动传感系统，用于采集不同场景下相同入侵事件的信号；
11、 s1.2：每一场景下分布式光纤的布设方式共有三种，分别为一字型挂网光纤、s型挂网光纤和地埋光纤，用于采集不同的入侵事件。
12、进一步地，所述步骤s2具体包括以下步骤：
13、 s2.1：利用三种场景下搭建的分布式光纤振动传感系统，采集每个复杂背景环境下围栏附近的分布式光纤传感入侵信号；
14、 s2.2：共有六类入侵事件，分别为：攀爬、行走、挖掘、无人机、滚石和抛物。分布式光纤振动传感系统的采样频率为100-10000hz，空间分辨率为1-10m，每类时间在各场景下采样时间为30-60min，事件频率为2s一次。
15、进一步地，所述步骤s3具体包括以下步骤：
16、 s3.1：根据光纤中传来的数据信号，使用高通滤波的方式对信号进行降噪处理，减少低频对入侵信号的影响，高频信号通过该系统时，衰减减小；
17、 s3.2：分布式光纤振动传感系统每个时刻返回沿空间分布的原始信号轨迹，在时间轴上连续累积n条原始信号轨迹，构建得到一个时间n维，空间s维的时空信号矩阵；
18、 s3.3：通过数据处理手段，将得到的时空信号矩阵转化为224×224的时空图，得到在每个场景下六类入侵事件的时空图，其中每类事件在各个场景下有3000个样本；
19、 s3.4：对于实验室场景中的数据，按照8：2的比例划分为训练集和测试集，训练基地以及别墅区场景数据作为迁移场景后的更新数据集。
20、进一步地，所述步骤s4具体包括以下步骤：
21、 s4.1：将六类入侵事件时空图样本传入se-densenet网络的第一个7×7步长为2的卷积层对输入图像进行特征提取，然后将提取后的数据传入3×3步长为2的最大池化层来减小特征图的大小；
22、 s4.2：将最大池化层的输出输入进se-densenet的第一个dense block模块。第一个dense block模块包括六个dense layer，一个dense layer分别由两个batchnormalization层两个relu激活函数一个3×3卷积和一个1×1卷积组成，采用激活函数在前、卷积层在后的pre-activation的排列方式。这种方式可以减轻梯度消失问题，提高模型的训练效果和泛化能力。其排列顺序为：bn+relu+1x1 conv+bn+relu+3x3 conv；
23、进一步的，每个dense block的dense layer之间采用密集连接的方式进行数据传输，用于减轻梯度消失、提高特征的利用率、以及迁移模型后识别率下降的问题。方法为将同一个dense block前面所有层的输出作为当前dense layer的输入，公式如下：
24、 ，其中，代表当前层的输入，代表是非线性转化函数，是一个由bn，relu，pooling及conv组成的组合操作，代表前面层的i个输出的连接。
25、进一步地，一个拥有i层的dense block就拥有个连接，每个dense layer均输出k个自己独有的特征图，即得到的特征图的channel数为k，那么i层输入的channel数为：
26、
本文档来自技高网...
【技术保护点】
1.一种基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，所述S1具体包括以下步骤：
3.根据权利要求1所述的基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，所述S2具体包括以下步骤：
4.根据权利要求1所述的基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，所述步骤S3具体包括以下步骤：
5.根据权利要求1所述的基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，所述步骤S4具体包括以下步骤：
6.根据权利要求5所述的基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，所述步骤S5具体包括以下步骤：
【技术特征摘要】
1.一种基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，所述s1具体包括以下步骤：
3.根据权利要求1所述的基于分布式光纤传感在迁移场景的周界安防入侵信号识别方法，其特征在于，所述s2具体包括以下步骤：
4.根据权利要...
【专利技术属性】
技术研发人员：申永旭，孙志慧，张发祥，姜劭栋，王昌，
申请(专利权)人：齐鲁工业大学山东省科学院，
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。