一种基于分布式光纤传感的管道模式识别方法及系统技术方案

本发明专利技术涉及技术光纤传感技术领域，尤其是涉及一种基于分布式光纤传感的管道模式识别方法及系统

【技术实现步骤摘要】
一种基于分布式光纤传感的管道模式识别方法及系统


[0001]本专利技术涉及技术光纤传感
，尤其是涉及一种基于分布式光纤传感的管道模式识别方法及系统
。

技术介绍

[0002]现有技术中，分布式光纤的灵敏度高
、
安全性好
、
传输距离远，这些优势为其用于管道运输监测提供了强力保证
。
管道运输通常是重要的战略资源，例如油气资源，是经济发展不可或缺的物质基础，管道是资源输送的重要方式，保障管道的运输安全，对实现高速发展具有极其重要的作用
。
管道由于跨越距离长，经过的地形复杂多变，在面对挖掘
、
施工
、
人为破坏等事件时，不能及时得到反馈，会造成大量的资源损失和环境破坏
。
以前，都是靠人工巡检的方式来减少损失，防止管道破坏，但这种方式费时费力，并且比较容易被故意破坏者针对，在面对蓄意破坏的情况时不能采取有效的措施
。
[0003]针对这种情况，亟需一种基于分布式光纤传感的管道模式识别算法，用于对管道沿线的事件类型进行监测，并在破坏行为发生之前提前预警，精准定位，防止管道遭到破坏
。

技术实现思路

[0004]为了解决上述提到的问题，本专利技术提供一种基于分布式光纤传感的管道模式识别方法及系统，通过对事件发生时光纤振动图像的采集和处理，针对特定破坏行为，及时
、
快速地告警，并准确定位事件位置
。
[0005]第一方面，本专利技术提供的一种基于分布式光纤传感的管道模式识别方法，采用如下的技术方案：一种基于分布式光纤传感的管道模式识别方法，包括：获取不同事件下对应的光纤振动图像；对获取的光纤振动图像进行数据去噪和数据清洗；基于
one
‑
stage
模式构建网络识别模型，利用光纤振动图像对网络识别模型进行训练；利用训练好的网络识别模型进行管道模式识别
。
[0006]进一步地，所述获取不同事件下对应的光纤振动图像，包括获取机械挖掘
、
人工挖掘
、
车辆经过和人员行走这四类事件下的光纤振动图像
。
[0007]进一步地，所述对获取的光纤振动图像进行数据去噪和数据清洗，包括利用三段去噪法对采集的图像数据进行降噪，其中，采集事件时的信号表示如下：
[0008]其中，表示含噪信号；表示干净信号；表示噪声信号且
；通过计算
x(n)
，得到干净信号即去噪图像数据并保存
。
[0009]进一步地，所述对获取的光纤振动图像进行数据去噪和数据清洗，还包括将去噪图像数据进行图像分析和筛选后，对图像进行数据标注，并将标注后的图像分为训练集和测试集
。
[0010]进一步地，所述利用光纤振动图像对网络识别模型进行训练，包括利用网络识别模型的
Backbone
特征提取部分对训练集进行特征提取，后经过
Neck
部分对提取的特征进行特征融合，输出预测结果
。
[0011]进一步地，所述利用光纤振动图像对网络识别模型进行训练，还包括将预测结果作为预测框，将数据标注后的光纤振动图像作为真实框，利用
Head
部分将真实框和预测框进行比较并计算
loss
，
loss
表示为：；；；其中，表示权重参数，
IoU
为预测框和真实框的交并比，为预测框和真实框的中心点距离，
N
代表第
N
个
epoch
，，，，分别表示真实框和预测框
x
轴的中心点
、y
轴的中心点
。
[0012]进一步地，所述利用光纤振动图像对网络识别模型进行训练，还包括根据
loss
结果对网络识别模型进行重复训练，增强模型鲁棒性，对训练好的模型进行测试后选择得到最优模型
。
[0013]第二方面，一种基于分布式光纤传感的管道模式识别系统，包括：数据获取模块，被配置为，获取不同事件下对应的光纤振动图像；预处理模块，被配置为，对获取的光纤振动图像进行数据去噪和数据清洗；训练模块，被配置为，基于
one
‑
stage
模式构建网络识别模型，利用光纤振动图像对网络识别模型进行训练；识别模块，被配置为，利用训练好的网络识别模型进行管道模式识别
。
[0014]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分布式光纤传感的管道模式识别方法
。
[0015]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分布式光纤传感的管道模式识别方法
。
[0016]综上所述，本专利技术具有如下的有益技术效果：本专利技术通过设计了一种基于分布式光纤传感的管道模式识别方法，通过对光纤振动产生的能量图进行目标检测，准确识别发生的事件类型，并精确定位事件发生的位置，在
实际环境中可以做到实时监测，其技术效果体现在：1）采用本专利技术的三段降噪法来对采集的数据进行降噪处理，减少数据背景噪声对训练结果造成的影响，并提高模型对不同环境的泛化能力
。
[0017]2）结合项目的实际需求和目前的模型框架结构，搭建了
one
‑
stage
模式的网络架构，其中采用了增强特征表示和特征融合的方法以及轻量化的模块，保证了模型精准预测的基础上，提高了网络推理速度，在实际应用中有更好的表现
。
[0018]3）在训练过程中，增加了数据精炼的步骤，加强模型对困难样本的训练，同时提高模型的训练速度
。
[0019]在计算损失过程中，结合实际项目需要，提出了动态更新权重的回归损失，自动调整
IoU
和中心点距离权重，最终达到平衡，加快训练速度
。
附图说明
[0020]图1是本专利技术实施例1的一种基于分布式光纤传感的管道模式识别方法的示意图
。
[0021]图2是本专利技术实施例1的网络识别模型的结构示意图
。
[0022]图3是本专利技术实施例1的使用
labelimg
工具对图片进行标注效果图
。
[0023]图4是本专利技术实施例1的模型训练示意图
。
具体实施方式
[0024]以下结合附图对本专利技术作进一步详细说明
。
[0025]实施例1参照图1，本实施例的一种基于分布式光纤传感的管道模式识别方法，包括：获取不同事件下对应的光纤振动图像；对获取的光纤振动图像进行数据去噪和数据清洗；基于
one...

【技术保护点】

【技术特征摘要】
1.
一种基于分布式光纤传感的管道模式识别方法，其特征在于，包括：获取不同事件下对应的光纤振动图像；对获取的光纤振动图像进行数据去噪和数据清洗；基于
one
‑
stage
模式构建网络识别模型，利用光纤振动图像对网络识别模型进行训练；利用训练好的网络识别模型进行管道模式识别
。2.
根据权利要求1所述的一种基于分布式光纤传感的管道模式识别方法，其特征在于，所述获取不同事件下对应的光纤振动图像，包括获取机械挖掘
、
人工挖掘
、
车辆经过和人员行走这四类事件下的光纤振动图像
。3.
根据权利要求2所述的一种基于分布式光纤传感的管道模式识别方法，其特征在于，所述对获取的光纤振动图像进行数据去噪和数据清洗，包括利用三段去噪法对采集的图像数据进行降噪，其中，采集事件时的信号表示如下：；其中，表示含噪信号；表示干净信号；表示噪声信号且；通过计算
x(n)
，得到干净信号即去噪图像数据并保存
。4.
根据权利要求3所述的一种基于分布式光纤传感的管道模式识别方法，其特征在于，所述对获取的光纤振动图像进行数据去噪和数据清洗，还包括将去噪图像数据进行图像分析和筛选后，对图像进行数据标注，并将标注后的图像分为训练集和测试集
。5.
根据权利要求4所述的一种基于分布式光纤传感的管道模式识别方法，其特征在于，所述利用光纤振动图像对网络识别模型进行训练，包括利用网络识别模型的
Backbone
特征提取部分对训练集进行特征提取，后经过
Neck
部分对提取的特征进行特征融合，输出预测结果
。6.
根据权利要求5所述的一种基于分布式光纤传感的管道模式识别方法，其特征在于，所述利用光纤振动图像对网络识别模型进行训练，还包括将数据标注后...

【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：