乡村公路车辆违规光纤传感与深度学习预警系统技术方案

本发明专利技术涉及一种乡村公路车辆违规光纤传感与深度学习预警系统，包括光纤传感模块、解调模块，预处理模块、识别模块和上位机显示模块：所述光纤传感模块，用于感测公路上车辆行驶过程中的振动，采集包含振动信息的光信号；所述解调模块，用于将光纤传感模块采集的光信号转换为电信号并解调出随时间变化的相位信号；所述预处理模块，用于对采集的相位信号进行加窗，然后经过傅里叶变换得到相位信号的频域信息得到振动信号。本发明专利技术在不破坏公路沿途风景的同时，对超速、违停、违规变道等危险驾驶行为实时捕捉，也为路面养护提供精准依据，其次利用云数据处理平台也可以统计分析车流密度分布情况，车速等信息。车速等信息。车速等信息。

【技术实现步骤摘要】
乡村公路车辆违规光纤传感与深度学习预警系统


[0001]本专利技术涉及弱光栅传感、信号处理及深度学习应用
，更具体地说，涉及一种乡村公路车辆违规光纤传感与深度学习预警系统及方法。

技术介绍

[0002]乡村地区大多位于偏远地带，自然地理条件较为复杂，道路管理较为落后，节假日期间，景区游客流的增多常常引发部分网红景点路段车辆违停、超速、违规变道等问题，存在着安全隐患。乡村公路传统的道路管理主要依靠人力，传统监控设备以及两者相结合的方式。人为对道路管理目前只在极少数地区施行，由于其很难做到对一段道路的问题做出进行及时的反馈，而且成本较大。
[0003]传统监控技术手段如视频摄像头、测速雷达等受技术条件限制，存在一定的监控盲区，视频信息也会受天气影响不能做到全天候监控，同时传统监控安装方式还会破坏公路沿途风景的观赏性。

技术实现思路

[0004]本专利技术要解决的技术问题在于，提供一种乡村公路车辆违规光纤传感与深度学习预警系统，其可在恶劣环境中工作，测量灵敏度高和精度高，便于组网以及卷积神经网络法具有较高的识别率以及较强的鲁棒性。
[0005]本专利技术解决其技术问题所采用的技术方案是：构造一种乡村公路车辆违规光纤传感与深度学习预警系统，包括光纤传感模块、解调模块，预处理模块、识别模块和上位机显示模块：
[0006]所述光纤传感模块，用于感测公路上车辆行驶过程中的振动，采集包含振动信息的光信号；
[0007]所述解调模块，用于将光纤传感模块采集的光信号转换为电信号并解调出随时间变化的相位信号；
[0008]所述预处理模块，用于对采集的相位信号进行加窗，然后经过傅里叶变换得到相位信号的频域信息，并经过谱密度计算增强频率幅值的信噪比，得到振动信号；
[0009]所述识别模块，加载用于训练的车辆违规识别的模型文件，利用一维卷积神经网络对公路车辆违规进行识别，判断采集的传感器数据内是否有车辆违规；
[0010]所述上位机显示模块，用于显示车辆是否违规的识别结果。
[0011]按上述方案，所述光纤传感模块为全同弱光栅阵列，所述光纤传感模块包括第一光纤分布式振动传感单元、第二光纤分布式振动传感单元和第三光纤分布式振动传感单元。
[0012]按上述方案，所述光纤分布式振动传感单元分别纵向交叉的设置在乡村公路上；所述第一光纤分布式振动传感单元和第三光纤分布式振动传感单元设置在乡村公路的右侧且用于监测车辆超速、违停；所述第二光纤分布式振动传感单元设置在乡村公路的中间
且用于监测车辆超车变道。
[0013]按上述方案，所述第一光纤分布式振动传感单元由弱光栅S1和弱光栅S2组成；所述第二光纤分布式振动传感单元由弱光栅S2、弱光栅S3和弱光栅S4组成；所述第三光纤分布式振动传感单元由弱光栅S4和弱光栅S5组成。
[0014]按上述方案，所述解调模块采用相位敏感光时域反射计φ
‑
OTDR技术和3
×
3耦合器系统设计。
[0015]按上述方案，所述相位敏感光时域反射计φ
‑
OTDR技术，使用光电探测器探测脉冲光在光纤沿线各处产生的后向瑞利散射光。
[0016]按上述方案，所述脉冲光是窄线宽激光器通过声光调制器(AOM)调制后的一种高度相干的激光脉冲信号。
[0017]按上述方案，所述脉冲光经由掺铒光纤放大器(EDFA)放大信号之后，通过第一环形器进入到光纤传感模块，反射回脉冲光序列，其中相邻弱光栅之间的间距相同。
[0018]按上述方案，所述反射回脉冲光序列通过第一环形器、第二环形器至非平衡Michelson干涉仪。
[0019]按上述方案，所述3
×
3耦合器的三个输出端口分别输出相位差为2π/3的三路光信号。
[0020]按上述方案，所述3
×
3耦合器输出的三路光信号中的两路光信号经非等距的两根延时光纤和法拉第旋镜反射后在3
×
3耦合器处相遇干涉。
[0021]按上述方案，所述3
×
3耦合器输出的三路光信号使用三个光电探测器(PD1、PD2、PD3)转成电信号，通过数据采集卡(DAQ)采集。
[0022]按上述方案，所述预处理模块基于傅里叶变换用于从解调模块解调的相位信号提取频域信息；所述预处理模块基于谱密度计算用于增强频率幅值的信噪比，得到振动信号。
[0023]按上述方案，所述识别模块包含一维卷积神经网络模型加载与识别，所述一维卷积神经网络具体包括输入层、池化层、卷积层、第二池化层、第二卷积层、第三池化层、Flatten层、全连接层、Dropout层、第二全连接层、第二Dropout层、第三全连接层、分类层。
[0024]按上述方案，所述一维卷积神经网络输入采集的光纤传感模块信号，在输入采集的光纤传感模块信号进入神经网络之前，先将采集的光纤传感模块信号进行随机地打乱；输出分类结果，所述分类结果利用softmax回归以及利用Adam优化器进行优化。
[0025]按上述方案，所述一维卷积神经网络的损失函数采用二元交叉熵函数，所述函数具体为：
[0026][0027]其中，y为真实标签，为预测标签。
[0028]按上述方案，所述上位机模块用于显示车辆是否违规的识别结果。
[0029]实施本专利技术的乡村公路车辆违规光纤传感与深度学习预警系统，具有以下
[0030]有益效果：
[0031]1、本专利技术使用基于3
×
3耦合器的技术的振动解调系统，利用散射光的强度信息对扰动事件进行快速定位，系统灵敏度高，通用型好，与其他光学器件能方便的连接并具有较高兼容性、解决现有检测方式中存在的识别不准确或识别速度低下等问题；
[0032]2、本专利技术使用全同弱光栅阵列作为传感器，成本低，安装便捷，且抗腐蚀，抗电磁干扰能力强，能够适应多种恶劣环境；
[0033]3、本专利技术利用傅里叶变换和谱密度进行计算，提取并增强振动信号的频域特征，提高振动信号有效特征的敏感度，使神经网络更易识别振动信号特征；
[0034]4、本专利技术利用卷积神经网络识别车辆违规情况，能够解决现有检测方式中存在的识别不准确或识别速度低下等问题，能够快速准确地检测车辆违规情况，满足监控的技术需求且实现难度较低。
附图说明
[0035]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0036]图1为本专利技术实施例提出的乡村公路车辆违规光纤传感与深度学习预警系统的示意图；
[0037]图2为本专利技术实施例提出的光纤传感模块在乡村公路上的布置方式示意图；
[0038]图3为本专利技术实施例提出的基于3
×
3耦合器的解调系统结构设计示意图；
[0039]图4为本专利技术实施例提出的用于对解调模块解调的相位信号进行傅里叶变换和谱密度计算示意图；
[0040]图5为本专利技术实施例提出的卷积神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乡村公路车辆违规光纤传感与深度学习预警系统，其特征在于，包括光纤传感模块、解调模块，预处理模块、识别模块和上位机显示模块：所述光纤传感模块，用于感测公路上车辆行驶过程中的振动，采集包含振动信息的光信号；所述解调模块，用于将光纤传感模块采集的光信号转换为电信号并解调出随时间变化的相位信号；所述预处理模块，用于对采集的相位信号进行加窗，然后经过傅里叶变换得到相位信号的频域信息，并经过谱密度计算增强频率幅值的信噪比，得到振动信号；所述识别模块，加载用于训练的车辆违规识别的模型文件，利用一维卷积神经网络对公路车辆违规进行识别，判断采集的传感器数据内是否有车辆违规；所述上位机显示模块，用于显示车辆是否违规的识别结果。2.根据权利要求1所述的乡村公路车辆违规光纤传感与深度学习预警系统，其特征在于，所述光纤传感模块为全同弱光栅阵列，所述光纤传感模块包括第一光纤分布式振动传感单元、第二光纤分布式振动传感单元和第三光纤分布式振动传感单元。3.根据权利要求2所述的乡村公路车辆违规光纤传感与深度学习预警系统，其特征在于，所述光纤分布式振动传感单元分别纵向交叉的设置在乡村公路上；所述第一光纤分布式振动传感单元和第三光纤分布式振动传感单元设置在乡村公路的右侧且用于监测车辆超速、违停；所述第二光纤分布式振动传感单元设置在乡村公路的中间且用于监测车辆超车变道。4.根据权利要求3所述的乡村公路车辆违规光纤传感与深度学习预警系统，其特征在于，所述第一光纤分布式振动传感单元由弱光栅S1和弱光栅S2组成；所述第2光纤分布式振动传感...

【专利技术属性】
技术研发人员：冒燕，陈龙，李洪任，童杏林，徐小强，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：