基于深度学习的光纤入侵检测方法及系统技术方案

本公开提供了一种基于深度学习的光纤入侵检测方法及系统，包括：实时采集待检测区域的光纤信号，并进行相应预处理；利用格拉姆角场将预处理的光纤信号转化为图像；将所述图像输入预先训练的分类器中，获得光纤信号的识别结果；其中，所述分类器采用残差网络，其训练过程包括：构建训练集，其中，所述训练集中的样本包括采集的历史光纤信号所对应的图像以及光纤信号对应的入侵事件判别结果；基于所述训练集中的图像及其对应的判别结果，采用知识蒸馏的方法预先对CoAtNet模型进行训练，并将训练得到的特权特征、普通特征以及训练集中的图像及其对应的判断结果作为残差网络的输入对其进行训练，获得训练好的分类器。获得训练好的分类器。获得训练好的分类器。

【技术实现步骤摘要】
基于深度学习的光纤入侵检测方法及系统


[0001]本公开属于入侵检测
，尤其涉及一种基于深度学习的光纤入侵检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]近些年来，随着深度学习成为机器学习和人工智能研究最新趋势之一，基于深度学习的光纤入侵系统算法的研究，成为边界安防系统研究的主要突破方向。
[0004]传统的边界安防系统主要包括夜视仪、热成像仪、红外摄像机等夜间高端成像设备和智能视频监控设备。前者虽然有夜视距离远，隐蔽性强等优势，但是红外一体机成像系统(镜头)、CCD、DSP技术专利均被国际知名大厂所掌握，国内的安防企业要想在激烈的竞标中分得一杯羹，并不是那么容易；对于后者，虽然没有技术壁垒，但是智能监控设备的有效监控范围有限，如果在边界上使用，需要安装大量智能监控设备共同使用，而且还需要人员时刻的监控屏幕，耗费的人力资源也相当的可观。
[0005]近几年来，基于深度学习的边界安防系统逐渐的得到普及，但是传统算法的边界安防系统的误判率相对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的光纤入侵检测方法，其特征在于，包括：实时采集待检测区域的光纤信号，并进行相应预处理；利用格拉姆角场将预处理的光纤信号转化为图像；将所述图像输入预先训练的分类器中，获得光纤信号的识别结果；其中，所述分类器采用残差网络，其训练过程包括：构建训练集，其中，所述训练集中的样本包括采集的历史光纤信号所对应的图像以及光纤信号对应的入侵事件判别结果；基于所述训练集中的图像及其对应的判别结果，采用知识蒸馏的方法预先对CoAtNet模型进行训练，并将训练得到的特权特征、普通特征以及训练集中的图像及其对应的判断结果作为残差网络的输入对其进行训练，获得训练好的分类器。2.如权利要求1所述的一种基于深度学习的光纤入侵检测方法，其特征在于，所述利用格拉姆角场将预处理的光纤信号转化为图像，具体为：将预处理的光纤信号序列进行归一化处理；将归一化处理后的光纤信号序列中的元素转换至极坐标空间，获得极坐标表示；基于光纤信号序列中各元素极坐标空间下对应的极角之和的余弦值，生成格拉姆角场；基于所述格拉姆角场的元素值获得对应的图像。3.如权利要求1所述的一种基于深度学习的光纤入侵检测方法，其特征在于，所述将归一化处理后的信号序列中的元素转换至极坐标空间，具体的，以元素在序列中的时间戳作为半径，元素值反余弦值作为在极坐标空间中的余弦角。4.如权利要求1所述的一种基于深度学习的光纤入侵检测方法，其特征在于，对于训练好的分类器所识别出的入侵事件，将其光纤信号所对应的图像以及入侵事件判别结果更新至训练集，待满足预设时间周期时利用更新的训练集对所述分类器进行重新训练。5.如权利要求1所述的一种基于深度学习的光纤入侵检测方法，其特征在于，在利用知识蒸馏的方法进行训练时，以CoAtNet模型作为Teacher模块，以ResN...

【专利技术属性】
技术研发人员：徐舫舟，刘燕冰，冷建材，冯超，杨清波，刘铭，于鑫，赵今朝，朱兆鑫，江秀全，史维友，赵佳祺，
申请(专利权)人：济南忠健医疗科技有限公司，
类型：发明
国别省市：