基于深度学习实现的光纤周界安防系统技术方案

本发明专利技术公开了一种基于深度学习实现的光纤周界安防系统，包括光脉冲输出单元、光纤传感设备、数模转换单元、数字信号处理单元、存储单元、识别分类模块和应用端处理模块；光纤传感设备分别与光脉冲输出单元和数模转换单元相连，数模转换单元的输出端与数字信号处理单元连接，数字信号处理单元分别与识别分类模块和存储单元相连，识别分类模块连接应用端处理模块。本发明专利技术的光纤周界安防系统有效提高了光纤安防周界系统的识别能力，增强了光纤周界系统对恶劣环境抗干扰能力，系统随着时间的积累，可以对识别模型自我迭代优化，能够为后期的状态跟踪提供保证。

【技术实现步骤摘要】
基于深度学习实现的光纤周界安防系统
本专利技术属于智能识别
，特别涉及一种基于深度学习实现的光纤周界安防系统。
技术介绍
随着我国经济和科学技术的不断发展，安防保障工作中的高新技术应用改变了传统的安防体系。现代安防系统要求必须配备周界防范手段，能够对威胁安全的事件进行实时监测和精确定位，以便投入力量终止犯罪，及时的控制威胁事件的发生。应用环境不仅涉及到学校周边、住宅小区、工业园区等居住生活，油田油库、发电厂、飞机场等复杂环境，尤其是军事重地、司法监狱、政府机关等关系到国民安全的重要区域。因此，一个安全有效的周界安防监测系统变的尤为重要。传统的周界安防系统主要有红外监测式周界安防系统、电子张力式周界安防系统、视频监控式周界安防系统、振动电缆式周界安防系统，传统安防技术存在性能差、误报率高、易遭受雷击、不易安装维护、抗干扰能力差、监控距离有限、成本较高等问题，光纤安防监测系统作为新一代安防监测系统，用光缆作为载体，通过对直接接触光缆或通过承载物(如覆土、铁丝网、围栏等—传递给光缆的各种扰动，进行持续和实时监控，并通过电子地图显示出干扰源的地点，以此实现系统实时报警。系统可以有效地克服现行周界安防系统的缺点，而且还具有监控距离长、无电磁辐射、抗干扰能力强、可靠性高、工程施工相对简单等特点，是当前比较先进的技术，也是当今安防市场发展的主流方向，有着广阔的前景和市场。但是市场上光纤周界安防系统的特征识别算法，都是基于人为意识判别的方式，解析传感数据，依托主观意识进行特定行为下震动传感信号的区分，在进行特征识别和分类过程时，依赖前期人为构建的特征识别库(不便于更新优化升级，不完整不全面)。具有强烈的主观意识，和人为认识的局限性，导致目前现有的光纤周界安防系统存在误报率较高、特征识别能力较差、识别速率较慢、特征库的局限性、单一性的问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种能够有效提高光纤安防周界系统的识别能力，增强光纤周界系统对恶劣环境抗干扰能力的基于深度学习实现的光纤周界安防系统。本专利技术的目的是通过以下技术方案来实现的：基于深度学习实现的光纤周界安防系统，包括光脉冲输出单元、光纤传感设备、数模转换单元、数字信号处理单元、存储单元、识别分类模块和应用端处理模块；光脉冲输出单元，用于通过硬件光电开关、功率放大器，将激光脉冲周期性的发送至光纤传感设备；数模转换单元，用于将光纤传感设备反射的光强度信号转换为数字信号；数字信号处理单元，通过带通滤波器对数字信号进行过滤；识别分类模块，用于通过深度学习的方法建立神经网络，并利用已经标记过的有效传感数据通过神经网络反复训练得到识别分类网络，利用识别分类网络对数字信号进行分析处理，识别非法入侵状态并匹配入侵过程；存储单元，用于对光脉冲输出单元的输出信号、传感设备反射的光强度信号、模数转换后的数字信号、识别分类结果进行存储；应用端处理模块，用于对非法入侵行为进行处理，发出警报、标记入侵点的坐标和记录非法入侵人员的状态。进一步地，所述神经网络包含输入层、输出层和五个隐层，神经网络中只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接。本专利技术的有益效果是：本专利技术的光纤周界安防系统有效提高了光纤安防周界系统的识别能力，增强了光纤周界系统对恶劣环境抗干扰能力，系统随着时间的积累，可以对识别模型自我迭代优化，能够为后期的状态跟踪提供保证。附图说明图1为本专利技术的光纤周界安防系统的结构图。具体实施方式下面结合附图进一步说明本专利技术的技术方案。本专利技术主要实现原理是利用光纤传感技术灵敏度高、损耗低、抗电磁干扰的优点，基于光纤干涉原理，实现长距离大范围的实时监控。压力、振动通过敷设在物理围界上的光纤(缆)前端传感设备，产生探测信号，经过后端的数据处理和智能识别，对不同的动作进行分类如攀爬围墙、挖掘隔离带、割据防护网、禁行区域内行走等，判断其是否为入侵行为，实现光纤探测周界安防系统的及时预警或实时报警。光纤探测周界安防系统灵敏度高，抗电磁干扰，可用于易燃易爆场所，不怕雷击电闪，方便野外铺设，安装维护方便，满足人们对安全保卫的要求。光纤主要流程是系统通过光脉冲输出单元将激光周期性的输出到传感光纤前端，根据BOTDR(布里渊光时域反射)原理，光在光纤传输的过程中，会有微弱的光背向散射回来，通过光电转换和数模电路转换原理将光纤反射回来的传感信号转换成可处理的数字信号，一方面用过预定义的识别/分类网络模型处理，对特征识别模式匹配后，利用应用端对事件处理，另一方面通过存储单元存储，在经过特定值得标定后，利用深度学习方式，对网络迭代式训练，进而实现特征识别/分类模型的构建，以达到对模型持续更新优化的问题。如图1所示，基于深度学习实现的光纤周界安防系统，包括光脉冲输出单元、光纤传感设备、数模转换单元、数字信号处理单元、存储单元、识别分类模块和应用端处理模块；光纤传感设备分别与光脉冲输出单元和数模转换单元相连，数模转换单元的输出端与数字信号处理单元连接，数字信号处理单元分别与识别分类模块和存储单元相连，识别分类模块连接应用端处理模块；光脉冲输出单元，用于通过硬件光电开关、功率放大器，将激光脉冲周期性的发送至光纤传感设备；数模转换单元，用于将光纤传感设备反射的光强度信号转换为数字信号；数字信号处理单元，通过带通滤波器对数字信号进行过滤；识别分类模块，用于通过深度学习的方法建立神经网络，并利用已经标记过的有效传感数据通过神经网络反复训练得到识别分类网络，该识别分类网路是在实际应用模型的基础上迭代式更新，随着传感数据的积累，而变得愈发可靠和稳定，进而提高特征识别和模式匹配效率，充分发挥了深度学习带来的识别优势，避免了人为主观意识的区别而导致识别率不稳定的问题；然后利用识别分类网络对数字信号进行分析处理，识别非法入侵状态并匹配入侵过程；存储单元，用于对光脉冲输出单元的输出信号、传感设备反射的光强度信号、模数转换后的数字信号、识别分类结果进行存储；应用端处理模块，用于对非法入侵行为进行处理，发出警报、标记入侵点的坐标和记录非法入侵人员的状态。进一步地，所述神经网络包含输入层、输出层和五个隐层，神经网络中只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接。训练过程包括前向训练和后向训练。前向训练过程为自下而上的非监督学习，即从底层开始，逐步向顶层训练，训练过程中，训练学习得到第n-1层参数后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；后向训练过程为自上而下的监督学习，即训练误差自顶向下传输，对参数进行微调。其训练的方法为本领域的惯用手段，此处不再赘述。本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本专利技术的原理，应被理解为本专利技术的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本专利技术公开的这些技术启示做出各种不脱离本专利技术实质的其它各种具体变形和组合，这些变形和组合仍然在本专利技术的保护范围内。本文档来自技高网...

【技术保护点】
1.基于深度学习实现的光纤周界安防系统，其特征在于，包括光脉冲输出单元、光纤传感设备、数模转换单元、数字信号处理单元、存储单元、识别分类模块和应用端处理模块；光脉冲输出单元，用于通过硬件光电开关、功率放大器，将激光脉冲周期性的发送至光纤传感设备；数模转换单元，用于将光纤传感设备反射的光强度信号转换为数字信号；数字信号处理单元，通过带通滤波器对数字信号进行过滤；识别分类模块，用于通过深度学习的方法建立神经网络，并利用已经标记过的有效传感数据通过神经网络反复训练得到识别分类网络，利用识别分类网络对数字信号进行分析处理，识别非法入侵状态并匹配入侵过程；存储单元，用于对光脉冲输出单元的输出信号、传感设备反射的光强度信号、模数转换后的数字信号、识别分类结果进行存储；应用端处理模块，用于对非法入侵行为进行处理，发出警报、标记入侵点的坐标和记录非法入侵人员的状态。

【技术特征摘要】
1.基于深度学习实现的光纤周界安防系统，其特征在于，包括光脉冲输出单元、光纤传感设备、数模转换单元、数字信号处理单元、存储单元、识别分类模块和应用端处理模块；光脉冲输出单元，用于通过硬件光电开关、功率放大器，将激光脉冲周期性的发送至光纤传感设备；数模转换单元，用于将光纤传感设备反射的光强度信号转换为数字信号；数字信号处理单元，通过带通滤波器对数字信号进行过滤；识别分类模块，用于通过深度学习的方法建立神经网络，并利用已经标记过的有效传感数据通过神经网络反复训练得到识别分...

【专利技术属性】
技术研发人员：楚川川，王基石，许志伟，阚能华，
申请(专利权)人：成都九洲电子信息系统股份有限公司，
类型：发明
国别省市：四川,51