光纤周界防区入侵事件的模式识别研究 下载: 1168次
1 引言
随着光纤传感技术的不断进步,其独特的技术优势在工业化和安防等应用环境中逐渐体现出来。光纤传感单元可以对温度、应力以及声音等参量进行测量,并具有结构简单、灵敏度高等优点[1-4]。在两段单模光纤中间熔接上一段多模光纤可以制成单模-多模-单模(SMS)的光纤结构,该结构在温度测量以及压力测试领域中得到了广泛应用[5],然而在周界防区入侵事件的识别和监测方向上,该结构的应用依然属于一项有待深入研究的课题。
传统的光纤周界防区模式识别中,都是以信号的强度、方差和短时过零率等简单的特征参量作为信号分类的依据,这些方法在实际应用中易受到外界复杂环境的影响,并且识别效率低下。文献[ 6]中利用有效信号的起止位置结合最大信噪比挑选出入侵信号的特征段,然后对4种信号进行区别。文献[ 7]中利用短时平均过零率提取入侵信号特征,利用极值波延拓抑制了经验模态分解算法中的端点效应,最后对4种信号进行分类。然而这类识别方法需要对信号进行规整,在实际应用中实时性较差,处理步骤繁琐,且对信号分析时需要有一定的先验知识。将扰动信号识别分为预处理、特征提取以及模式分类三个步骤,破坏了各个阶段的相互关系,容易丢失部分扰动信号。文献[ 8]中利用Mel频率倒谱系数特征对4种信号进行区分,从结果中可以看出剪切、敲击、下雨等特征区别不大,因此容易造成入侵信号误报。文献[ 9]中利用支持向量机对信号的平均值以及方差等特征进行分类,但该方法存在计算量过大的弊端,难以达到多分类识别的目的。
针对上述问题,本文利用短时傅里叶变换(STFT)提取入侵信号特征,考虑了时域和频域的信息,针对4种入侵信号的不同时频图特征,利用卷积神经网络(CNN)对特征图像进行训练与分类。将其应用在SMS光纤结构中,对人为入侵和非人为入侵信号的识别率可以分别达到93%和95%以上。此方法有效屏蔽了外界环境因素的干扰,提高了周界安防系统对外界入侵信号的识别能力。
2 基本原理
2.1 SMS光纤结构的理论分析
SMS光纤结构如
以多模光纤的基模为参考,第
取一阶近似,探测到的光功率可以表示为
式中:
式中:
此时在SMS光纤结构中引起的相位变化可以表示为
输出光信号经过光电探测器转换和放大滤波后,将其输入到计算机中进行解调,即可以还原出信号的强度和特征频率。
2.2 短时傅里叶变换
短时傅里叶变换是一种针对非稳态信号的时频分析方法,其能将施加在SMS光纤结构上的入侵信号转换为频率随时域变化的特征谱。其基本思想是将入侵信号看成一系列短时信号的叠加,用固定窗长分别对若干段信号进行截取,并对截取后的平稳信号作傅里叶变换,从而得到该段时间内所有频谱信息[14-15],其基本计算公式为
式中:
选取好的窗函数能有效减少频率泄漏同时增加幅值识别精度,窗长大小也会对时域和频域分辨率造成影响。宽窗口对应频谱图中低的时域分辨率和高的频域分辨率,窄窗口对应频谱图中高的时域分辨率和低的频域分辨率。因此选择合适的窗长可以权衡时域分辨率和频域分辨率的大小,以便于分析入侵信号上的特征频率以及产生入侵的相对位置。时域和频域的分辨率计算公式为
式中:
2.3 卷积神经网络
与传统神经网络不同的是卷积神经网络包含输入层、卷积层、池化层、全连接层以及输出层,且卷积层和池化层交替连接,其结构如
式中:
式中:
式中:
在本文的模型构建中,将4类入侵信号经过短时傅里叶变换后得到的时频图,分为训练集和测试集;将训练集用于训练网络参数,并用梯度下降法不断调整权值和偏置值;将测试集用于训练好的网络模型中,并得到入侵信号的准确分类。
3 实验结果与讨论
搭建如
图 3. 周界防区模式识别的实验示意图。(a)敲击;(b)摇晃;(c)刮风;(d)下雨
Fig. 3. Experimental diagrams of pattern recognition in perimeter defense area. (a) Knocking; (b) shaking; (c) winding; (d) raining
在实验过程中对布设在铁丝栏上的多模光纤实施人为入侵和非人为入侵两种实验,其中人为入侵信号分为敲击和摇晃信号;非人为入侵信号分为刮风信号和下雨信号(其中刮风用电风扇吹风模拟,下雨用多个水龙头浇水模拟)。实验中将入侵信号分为4组,对每组信号进行300次实验,采用小波变换对原始信号进行滤波和归一化处理以降低外界环境对入侵信号的干扰,处理后的入侵信号波形如
图 4. 4种入侵信号归一化波形图。(a)敲击;(b)摇晃;(c)刮风;(d)下雨
Fig. 4. Normalized waveforms of four intrusion signals. (a) Knocking; (b) shaking; (c) winding; (d) raining
由
3.1 短时傅里叶变换参数分析
为清晰识别不同入侵信号的能量和频率随时间变化的时频图,对4种入侵信号分别采用窗长为4800的汉宁窗和旁瓣为0.5的凯塞窗作短时傅里叶变换,得到的结构如
图 5. 两种窗函数处理4种入侵事件的STFT时频图。(a)(c)(e)(g)敲击,摇晃,刮风,下雨信号经过汉宁窗处理后的时频图;(b)(d)(f)(h)敲击,摇晃,刮风,下雨信号经过凯塞窗处理后的时频图
Fig. 5. STFT time-frequency diagrams of two kinds of window functions for processing four intrusion events.(a)(c)(e)(g) Time-frequency diagrams of knocking, shaking, winding, and raining signals after passing through the Hanning window;(b)(d)(f)(h) time-frequency diagrams of knocking, shaking, winding, and raining signals after passing through the Kaiser window
从
由于短时傅里叶变换的窗长大小对图片的识别清晰度有着直接影响,因此本文选择窗长为4800和9600的凯塞窗函数作短时傅里叶变换,得到两种不同分辨率的时频图,由(7)~(8)式计算得到时频分辨率分别为0.06×2.08和0.54×2.08。对获得的时频图作二值化处理,得到的结果如
图 6. 不同分辨率下的入侵信号二值化图。(a)(c)(e)(g)敲击,摇晃,刮风,下雨信号经过窗长为9600的凯塞窗处理后的时频图像二值化;(b)(d)(f)(h)敲击,摇晃,刮风,下雨信号经过窗长为4800的凯塞窗处理后的时频图像二值化
Fig. 6. Binarization diagrams of disturbance signals at different resolutions. (a)(c)(e)(g) Time-frequency binarization diagrams of knocking, shaking, winding, and raining signals processed by Kaiser window with window length of 9600; (b)(d)(f)(h) time-frequency binarization diagrams of knocking, shaking, winding, and raining signals processed by Kaiser window with window length of 4800
从
3.2 卷积神经网络模型的建立
目前,卷积神经网络模型的选取在判别不同的数据集中还没有形成确切的评判方法,因而模型的选取在很大程度上取决于实验分析。考虑网络模型对数据集的适应性,为使对比结果更有参考价值,本文选择Inception-v2、Inception-v3和Resnet三种卷积神经网络进行实验分析。实验平台为基于windows10的pycharm工具,CPU为英特尔Core i7-7700,训练中参数batch_size和epoch分别为16和6,迭代次数为383次,学习率为0.003;根据(9)~(12)式计算并建立卷积神经网络模型最后使用Adam优化器对其进行优化。选择窗长为4800的汉宁窗对4种入侵信号共1020个样本作短时傅里叶变换,然后将得到的二值化图形作为随机训练集计算所得训练损失值,结果如
图 7. 汉宁窗窗长为4800时的三种网络模型的迭代损失图
Fig. 7. Iteration loss diagram of three network models with Hanning window length of 4800
由
表 1. 不同网络模型包含的参数以及测试结果
Table 1. Parameters and test results of different network models
|
通过上述分析,选择inception-v2网络模型;在工程实际应用中,由于inception-v2网络模型都是事先训练好的,所以应将单次入侵信号的训练时间、识别时间以及平均识别率作为入侵事件识别效率的评价标准。对同一数据集下两种不同的输入数据格式在三个不同评价标准下的区别进行研究,结果如
表 2. 不同输入数据格式的参数对比
Table 2. Comparison of parameters of different input data formats
|
图 8. 汉宁窗和凯赛窗分别在窗长为4800和9600的识别率
Fig. 8. Recognition rates of Hanning window and Kaisei window with window lengths of 4800 and 9600, respectively
由
3.3 方法稳健性验证
在3.2节中将训练好的卷积神经网络模型应用到经过滤波后的入侵信号,能得到很高的识别精度。但在周界防区入侵事件的告警事件中,由于易受外界环境噪声的影响,其入侵信号往往含有不同程度的噪声,这种情况下入侵事件的识别率就要差很多,这主要是因为卷积神经网络所提取的特征并没有包含拥有不同程度噪声的入侵事件时频图特征。为了验证4种入侵信号对外界环境噪声的响应灵敏度,制作了庞大的测试集,该测试集具体描述如下:分别在敲击、摇晃、刮风、下雨4种入侵信号共1200个样本上各添加40 dB、50 dB、60 dB、70 dB的高斯噪声,并分为10组,每组有30张时频图。
图 9. 不同高斯噪声下的敲击信号时域图。(a) SNR为40 dB;(b) SNR为50 dB;(c) SNR为60 dB;(d) SNR为70 dB
Fig. 9. Time domain diagrams of knocking signal with different Gaussian noise. (a) SNR is 40 dB; (b) SNR is 50 dB; (c) SNR is 60 dB; (d) SNR is 70 dB
图 10. 入侵信号在不同信噪比下的识别率。(a)敲击;(b)摇晃;(c)刮风;(d)下雨
Fig. 10. Recognition rates of intrusion signals with different SNR. (a) Knocking; (b) shaking; (c) winding; (d) raining
由
由此可以说明:人为入侵信号比非人为入侵信号对外界环境的影响更加敏感,随着人为入侵信号在恶劣环境中的实施,其识别率将会进一步降低。因此,为了提升摇晃和刮风事件在恶劣环境中的识别率,利用卷积神经网络的稳健性,通过增加含有不同高斯噪声的入侵信号种类和数量,进一步提取出更多恶劣环境下的人为和非人为入侵信号的时频图特征,从而获得更高的识别率。
同样选择用inception-v2网络进行训练,选择窗长为4800的凯塞窗函数对入侵信号作短时傅里叶变换。每类信号包含着
从
表 3. 人为入侵信号和非人为入侵信号的识别结果
Table 3. Identification results of artificial and non-human intrusion signals
|
4 结论
本文提出了一种应用于光纤周界防区入侵事件预警的模式识别方法。该方法采用SMS光纤结构作为传感部分,利用短时傅里叶变换和卷积神经网络相结合的模式识别对入侵信号进行分类。比较入侵信号在不同窗函数和窗长条件下的识别率,选择窗长为4800且旁瓣为0.5的凯塞窗函数,对其作傅里叶变换得到时频图;分析比较三种网络模型对入侵事件的识别精度和识别效率,选择inception-v2网络模型对数据集进行训练;利用卷积神经网络的稳健性,在训练集上增加含有不同类型噪声的入侵信号的种类和数量,对敲击、摇晃、刮风和下雨4种入侵事件的识别率分别达到了93.83%、99.49%、95.93%、99.83%。实验系统具有很强的实用性,能够适应并区分出含有各类噪声的入侵信号和非入侵信号,在很大程度上降低了非人为入侵信号的误报率,提高了SMS光纤结构在周界防区应用环境的性能。
[1] 黄翔东, 张皓杰, 刘琨, 等. 基于综合特征的光纤周界安防系统高效入侵事件识别[J]. 物理学报, 2017, 66(12): 124206.
[3] 王思远, 娄淑琴, 梁生, 等. M-Z 干涉仪型光纤分布式扰动传感系统模式识别方法[J]. 红外与激光工程, 2014, 43(8): 2613-2618.
[5] 张荣香, 张建飞, 赵亚军, 等. 单模-多模-单模光纤结构的温度特性研究[J]. 光电子·激光, 2018, 29(9): 925-932.
[6] 李凯彦, 赵兴群, 孙小菡, 等. 一种用于光纤链路振动信号模式识别的规整化复合特征提取方法[J]. 物理学报, 2015, 64(5): 054304.
[7] 陈勇, 安汪悦, 刘焕淋, 等. 改进经验模态分解算法在光纤布拉格光栅周界入侵行为分类中的应用[J]. 中国激光, 2019, 46(3): 0304003.
[8] 帅师, 王翦, 吴红艳, 等. 一种分布式光纤传感系统的信号识别方法[J]. 复旦学报(自然科学版), 2018, 57(5): 611-618.
[9] 张俊楠, 娄淑琴, 梁生. 基于SVM算法的φ-OTDR分布式光纤扰动传感系统模式识别研究[J]. 红外与激光工程, 2017, 46(4): 219-225.
[10] 李强, 黄泽铗, 徐雅芹, 等. 基于单模-多模-单模光纤模间干涉的传感系统[J]. 红外与激光工程, 2014, 43(5): 1630-1636.
[12] 任乃奎.[\s]{1}基于多模光纤模间干涉的传感与解调特性研究[D].[\s]{1}哈尔滨:[\s]{1}哈尔滨理工大学,[\s]{1}2017:[\s]{1}12-[\s]{1}15.[\s]{1}
Ren[\s]{1}NK.[\s]{1}Characteristic[\s]{1}studies[\s]{1}of[\s]{1}sensing[\s]{1}and[\s]{1}demodulation[\s]{1}based[\s]{1}on[\s]{1}MMF[\s]{1}modal[\s]{1}interference[D].[\s]{1}Harbin:[\s]{1}Harbin[\s]{1}University[\s]{1}of[\s]{1}Science[\s]{1}and[\s]{1}Technology,[\s]{1}2017:[\s]{1}12-[\s]{1}15.[\s]{1}
[13] 游赐天, 陈沛超, 丁攀峰. 单模-多模-单模光纤结构在安防系统的实验研究[J]. 激光与光电子学进展, 2018, 55(6): 060603.
[14] AudoneB,[\s]{1}ColomboR,[\s]{1}MarzialiI,[\s]{1}et[\s]{1}al.[\s]{1}The[\s]{1}short[\s]{1}time[\s]{1}Fourier[\s]{1}transform[\s]{1}and[\s]{1}the[\s]{1}spectrograms[\s]{1}to[\s]{1}characterize[\s]{1}EMI[\s]{1}emissions[C]∥2016[\s]{1}International[\s]{1}Symposium[\s]{1}on[\s]{1}Electromagnetic[\s]{1}Compatibility[\s]{1}-[\s]{1}EMC[\s]{1}EUROPE,[\s]{1}September[\s]{1}5-9,[\s]{1}2016,[\s]{1}Wroclaw,[\s]{1}Poland.[\s]{1}New[\s]{1}York:[\s]{1}IEEE,[\s]{1}2016:[\s]{1}882-[\s]{1}888.[\s]{1}
[15] 朱军涛, 廖红建, 谢勇勇, 等. 采用短时傅里叶变换的铁路车载探地雷达数据解译方法[J]. 西安交通大学学报, 2012, 46(7): 108-114.
[19] 林两魁, 王少游, 唐忠兴. 基于深度卷积神经网络的红外过采样扫描图像点目标检测方法[J]. 红外与毫米波学报, 2018, 37(2): 219-226.
[20] 张颜, 娄淑琴, 梁生, 等. 基于多特征参量的φ-OTDR分布式光纤扰动传感系统模式识别研究[J]. 中国激光, 2015, 42(11): 1105005.
[21] 蒋立辉, 刘杰生, 熊兴隆, 等. 光纤周界入侵信号特征提取与识别方法的研究[J]. 激光与红外, 2017, 47(7): 906-913.
Article Outline
陈沛超, 游赐天, 丁攀峰. 光纤周界防区入侵事件的模式识别研究[J]. 中国激光, 2019, 46(10): 1006001. Peichao Chen, Citian You, Panfeng Ding. Pattern Recognition of Intrusion Events in Perimeter Defense Areas of Optical Fiber[J]. Chinese Journal of Lasers, 2019, 46(10): 1006001.