一种基于深度学习的管道光纤感知安全预警方法及系统技术方案

本发明专利技术涉及计算机应用技术领域，尤其是涉及一种基于深度学习的管道光纤感知安全预警方法及系统。所述方法，包括获取管道周围实时信号，将实时信号转化为对应的瀑布图；基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整；将瀑布图进行数据处理作为训练样本，利用训练样本对深度学习模型进行训练；利用训练后的深度学习模型识别安全事件，并发出预警。本发明专利技术通过提供一种基于深度学习的油气管道光纤感知安全预警方法，有效提高了事件的识别及定位精度。高了事件的识别及定位精度。高了事件的识别及定位精度。

【技术实现步骤摘要】
一种基于深度学习的管道光纤感知安全预警方法及系统


[0001]本专利技术涉及计算机应用
，尤其是涉及一种基于深度学习的管道光纤感知安全预警方法及系统。

技术介绍

[0002]管道运输是石油和天然气最经济的长距离输送方式，解决了我国油气能源分布不平衡的问题，有着自身独特的优势，应用十分广泛。但是在实际的管道运输过程中还会受到人为因素、自然因素等的影响，发生管道泄漏的现象，造成周边环境的污染和人们财产的损失。如何保证油气管道的安全，成为油气企业面临的重要任务。
[0003]分布式光纤振动传感器是分布式光纤传感的一个重要分支，利用光波在光纤中传输时相位、偏振等对振动敏感的特性。基于相干瑞利散射的分布式光纤传感技术，利用与管道同沟敷设的通信光缆作为振动传感器，可以对油气管道第三方破坏、管道泄漏、地质灾害等事件进行判断并给出精确定位。
[0004]模式识别是油气管道光纤感知安全预警的最关键也是难度最大的核心技术，由于管道运输距离长、周边环境复杂、易受自然环境影响，系统对快速捕捉事件并进行准确定位具有很大的挑战。现有的方法主要分为两种：第一种是根据提取的特征设计分类判别规则。第二种是目前主流方法，利用BP神经网络和支持向量机(SVM)等分类器进行识别。但以上方法识别率和鲁棒性都不够理想，并且对人工特征设计依赖性强。因此，本专利技术提出来一种基于深度学习的油气管道光纤感知安全预警方法。

技术实现思路

[0005]为了解决上述提到的问题，本专利技术提供一种基于深度学习的管道光纤感知安全预警方法及系统。
[0006]第一方面，本专利技术提供的一种基于深度学习的管道光纤感知安全预警方法，采用如下的技术方案：
[0007]一种基于深度学习的管道光纤感知安全预警方法，包括：
[0008]获取管道周围实时信号，将实时信号转化为对应的瀑布图；
[0009]基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整；
[0010]将瀑布图进行数据处理作为训练样本，利用训练样本对深度学习模型进行训练；
[0011]利用训练后的深度学习模型识别安全事件，并发出预警。
[0012]进一步地，所述获取管道周围实时信号，包括通过分布式光纤传感器获取管道周围土壤振动引起的光纤折射率改变的实时信号。
[0013]进一步地，所述基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整，包括使用特定滑动窗口算法代替选择性搜索算法，
[0014]进一步地，所述基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整，还包括使用信号值最大算法替换位置回归分支。
[0015]进一步地，所述基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整，还包括重新构建模型损失函数，损失函数为：
[0016]L
cls
(p，u)＝
‑
log P
u
[0017]其中，p是分类器预测的softmax概率分布p＝(p0，
…
，p
k
)，u对应目标真实类别标签。
[0018]进一步地，所述将瀑布图进行数据处理作为训练样本，利用训练样本对深度学习模型进行训练，包括将瀑布图处理成训练数据，将训练数据划分为训练集、验证集、测试集，并加入深度学习模型中进行训练。
[0019]进一步地，所述利用训练后的深度学习模型识别安全事件，并发出预警，包括选择测试集上的最优模型，使用最优模型进行识别安全事件，并将模型返回数据封装成告警信息，推送到预警平台。
[0020]第二方面，一种基于深度学习的管道光纤感知安全预警系统，包括：
[0021]数据获取模块，被配置为，获取管道周围实时信号，将实时信号转化为对应的瀑布图；
[0022]模型构建模块，被配置为，基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整；
[0023]模型训练模块，被配置为，将瀑布图进行数据处理作为训练样本，利用训练样本对深度学习模型进行训练；
[0024]预警模块，被配置为，利用训练后的深度学习模型识别安全事件，并发出预警。
[0025]第三方面，本专利技术提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于深度学习的管道光纤感知安全预警方法。
[0026]第四方面，本专利技术提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于深度学习的管道光纤感知安全预警方法。
[0027]综上所述，本专利技术具有如下的有益技术效果：
[0028]本专利技术通过提供一种基于深度学习的油气管道光纤感知安全预警方法，有效提高了事件的识别及定位精度，其技术效果体现在：
[0029]1、使用深度学习神经网络构建特征，不需要进行手动构建，大大提高了特征的表征能力；
[0030]2、根据瀑布图的数据特点调整深度学习模型的网络结构，可以更好的提取数据特征，提高事件类型分类精度，提高模型的准确率。
[0031]3、使用特定滑动窗口算法代替选择性搜索算法，并用信号强度值进行筛选，可以提高模型的推理速度，实现更快速的实时异常事件识别。
[0032]4、使用ROI池化层提取特征向量,实现了模型训练及推理的显著加速，并提高了识别准确率。
附图说明
[0033]图1是本专利技术实施例1的一种基于深度学习的管道光纤感知安全预警方法的流程
示意图。
[0034]图2是本专利技术实施例1的分布式光纤传感器实时信号转化的瀑布图。
[0035]图3是本专利技术实施例1的深度学习算法的流程图。
[0036]图4是本专利技术实施例1的候选框对应的局部瀑布图。
[0037]图5是本专利技术实施例1的损失函数计算流程图。
具体实施方式
[0038]以下结合附图对本专利技术作进一步详细说明。
[0039]实施例1.
[0040]参照图1，本实施例的一种基于深度学习的管道光纤感知安全预警方法，包括：
[0041]获取管道周围实时信号，将实时信号转化为对应的瀑布图；
[0042]基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整；
[0043]将瀑布图进行数据处理作为训练样本，利用训练样本对深度学习模型进行训练；
[0044]利用训练后的深度学习模型识别安全事件，并发出预警。
[0045]具体的，
[0046](1)通过分布式光纤传感器获取管道周围土壤振动引起的光纤折射率改变的实时信号，将实时信号转化为对应的瀑布图。
[0047](2)基于Fast RCNN算法构建深度学习模型，并在此基础上依据瀑布图数据的特点，进行对应的调整。具体调整的方式为：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的管道光纤感知安全预警方法，其特征在于，包括：获取管道周围实时信号，将实时信号转化为对应的瀑布图；基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整；将瀑布图进行数据处理作为训练样本，利用训练样本对深度学习模型进行训练；利用训练后的深度学习模型识别安全事件，并发出预警。2.根据权利要求1所述的一种基于深度学习的管道光纤感知安全预警方法，其特征在于，所述获取管道周围实时信号，包括通过分布式光纤传感器获取管道周围土壤振动引起的光纤折射率改变的实时信号。3.根据权利要求2所述的一种基于深度学习的管道光纤感知安全预警方法，其特征在于，所述基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整，包括使用特定滑动窗口算法代替选择性搜索算法。4.根据权利要求3所述的一种基于深度学习的管道光纤感知安全预警方法，其特征在于，所述基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整，还包括使用信号值最大算法替换位置回归分支。5.根据权利要求4所述的一种基于深度学习的管道光纤感知安全预警方法，其特征在于，所述基于Fast RCNN算法构建深度学习模型，并依据瀑布图的特点进行对应调整，还包括重新构建模型损失函数，损失函数为：L
cls
(p，u)＝
‑
logp
u
其中，p是分类器预测的softmax概率分布p＝(p0，
…
，p
k
...

【专利技术属性】
技术研发人员：王昌，
申请(专利权)人：山东飞博赛斯光电科技有限公司，
类型：发明
国别省市：