CN111222461A - 一种光纤振动探测***入侵信号的识别方法 - Google Patents
一种光纤振动探测***入侵信号的识别方法 Download PDFInfo
- Publication number
- CN111222461A CN111222461A CN202010011195.5A CN202010011195A CN111222461A CN 111222461 A CN111222461 A CN 111222461A CN 202010011195 A CN202010011195 A CN 202010011195A CN 111222461 A CN111222461 A CN 111222461A
- Authority
- CN
- China
- Prior art keywords
- signal
- event
- vibration
- real
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013307 optical fiber Substances 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims description 15
- 230000009545 invasion Effects 0.000 title abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 18
- 238000009412 basement excavation Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 239000000835 fiber Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 230000001066 destructive effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/181—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems
- G08B13/183—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier
- G08B13/186—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier using light guides, e.g. optical fibres
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种长距离智能监控光纤振动入侵信号的识别方法。本发明的识别方法是从被光纤周界监测***的监测信号中获取实时信号，对该实时信号进行处理后，判断该实时信号类别。根据事先标记不同振动信号事件类型的标签，并且提取信号的过零率与能量特征训练识别不同振动事件类型的分类模型，并以此模型得到实时监测信号的初始事件类型，最后此结果与图匹配的识别结果进行比较，确定出最终入侵信号事件类型。由于本发明既利用了振动信号的图像特征，同时利用了振动信号的过零与能量特征，而且通过支持向量机与图匹配算法相结合的方法，因此其误识率将大大降低。
Description
技术领域
本发明涉及一种长距离智能监控的方法，特别是一种对光纤振动入侵信号的识别方法。
背景技术
光纤是一种常用的通讯传导媒介，在5G技术迅速发展的时代，光纤在物联网技术及社会安防变得越来越重要。光纤工作环境的影响可能会直接影响光纤功能的实现。因此对光纤振动的探测，特别是发生破坏性事件时，进行入侵信号报警对光纤的使用是必要。但是各种入侵信号的相似性以及复杂性，使振动信号的检测与分类报警有相当的困难，如何将各种入侵信号进行准确识别，降低误报率，是光纤振动探测***入侵信号检测首先要解决的技术难题。
中国发明专利2013106132601公开了一种扩展光缆振动入侵监测***监测区域的装置和方法。该装置包括被动式红外探测器、振动信号传输介质和振动信号解码器，被动式红外探测器和振动信号解码器通过振动信号传输介质连接。利用被动式红外探测器感应入侵行为。该专利辅助光纤振动入侵监测***进行入侵防范，扩展了光缆振动入侵监测***的监测区域，减少入侵监测盲点，减小传感光缆对围栏的要求，但却无法区分造成光缆振动类别，因此其误报率较大。类似的专利如ZL2016102486278、ZL2016104767007等均存在同样的不足。
为解决现有技术的不足，中国发明专利2010105235522公开了一种光纤周界***的振动信号识别方法，该专利方法包括步骤：信号采集、加窗处理、带通滤波、小波降噪、振动事件检测、特征参数提取、模式匹配和分类，其有益效果是：引入了更多特征参数如短时能量E、短时平均幅度M、短时平均过零率Z、小波分解各尺度细节信号能量Ew和振动信号功率谱P，以实现对外界的振动信号的类别更准确的判断。类似的专利还有2015105567662。但由于造成光纤振动的因素较多，信号及信号特征的复杂性使前期引入的特征参量有相当的困难，同时难于判断入侵信号的确切类别，因此现有技术使光纤损害防护工作难以实际应用。
发明内容
本发明提供一种可解决现有技术不足的光纤振动探测***入侵信号的识别方法。
本发明的一种光纤振动探测***入侵信号的识别方法是：从被监测光纤周界监测***的监测信号中获取实时信号，对该实时信号进行处理后，判断该实时信号类别，根据事先得到不同振动事件振动信号得到特征样本的标签，通过计算机软件的训练学习建立识别不同振动事件的分类模型，以此模型得到实时监测信号的初始事件类型，同时结合实时信号得到的振动信号瀑布图通过图匹配结果确定出最终入侵信号事件类型。
优选地，本发明的光纤振动探测***入侵信号的识别方法，首先输入事先得到的不同振动事件(如挖掘机挖掘事件和人工挖掘事件的破坏事件和车辆行走事件和噪声事件的正常事件)分别对振动信号特征样本进行事件类型标签，对不同振动事件的固定光纤长度和采样频率的振动信号，提取振动信号的过零率与能量特征，生成特征样本，依据破坏事件和正常事件分别对振动信号的事件类型对事先得到的训练数据特征样本进行标签，并利用有监督学习算法SVM(支持向量机)训练分类模型分类识别实时信号的破坏事件或者正常事件，在分类两类事件的模型识别实时信号的基础上分别标记出上阶段训练数据的挖掘机挖掘事件、人工挖掘事件、车辆行走事件及噪声事件四种不同振动信号特征样本的标签，重复训练模型，进行分类识别入侵事件类型，并根据在分类模型识别的结果上，结合待测信号得到的对应的振动信号瀑布图，与事先建立好的事件图像库进行相似性匹配，匹配过程为：将所有图像二值化，并进行中值滤波，得到每张图像的指纹，计算出图像库中的图片指纹与从被光纤周界监测***的监测信号中获取实时监测信号瀑布图指纹的汉明距离，根据计算得到的汉明距离值大小确定两图片相似性，并以此结果得到实时监测信号图片与图像库的相似性，最终通过判定规则确定最终入侵信号事件类型。
优选地，本发明的光纤振动探测***入侵信号的识别方法是利用有监督学习算法svm分类模型训练时，svm使用的核函数选择径向基函数(RBF)，核参数为100，惩罚因子为10，通过使用分类算法svm的最优参数这些措施，使其效果更好。
优选地，本发明所述的光纤振动探测***入侵信号的识别方法，根据不同周期固定长度光纤振动信号，获得对应的瀑布图图像，然后对图像进行相似性计算，计算过程为：将实时信号的瀑布图和事件库中的瀑布图二值化是以前景像素值为0，背景像素值为255，然后进行中值滤波，再将图片统一缩放到9×8，得到72个像素的图片；把缩放后的图片转化为256阶的灰度图；在相邻像素之间进行相减,例如左边像素值减右边像素值，每行9个像素之间产生了8个不同的差异，共得到64个差异值；当差值结果为正数或零时，则记为1，否则为0，如此获得图像的指纹，并且根据两张图片的指纹计算得到汉明距离，最终判断当汉明距离小于5时，两张图片相似。采用这种图像相似性计算方法，在信号瀑布图相似性计算上，准确性较高。
优选地，本发明所述的光纤振动探测***入侵信号的识别方法，在采取的判定规则为根据实时信号的瀑布图与此信号分类模型结果对应图像库相似性的计算结果上，如果相似图片有多于三分之二图像库数量时，则认为入侵信号与此事件库具有高度的相似性，分类结果具有较高的准确性，此时最终入侵事件类型为分类模型预测的事件类型，当相似结果小于三分之二图像库数量时，接下来检查与其它库的相似性，如果相似图片数量最多的图像库类型与分类模型预测的事件类型不一致时，将此事件库与分类模型预测事件对应的事件库计算出的相似图片数量进行相减，当值大于1/4图像库数量时，则此时的最终入侵信号类型为相似图片最多的图像库对应的事件类型，否则为分类模型预测的事件类型。本判定规则能够较好的将机器学习算法svm与模式匹配方法相结合，从而实现一种准确率更高的光纤入侵信号识别方法，有效的解决了误报率较高的问题。
自20世纪60年代中期到70年代中期，机器学习方法逐渐发展成熟并应用到各个领域，机器通过模拟人类的学习过程试图解决传统模态识别问题，现阶段，机器学习方法不断扩大，应用的范围也不断扩大，已经在解决各个领域的问题。本发明的方法充分利用机器学习来解决光纤振动探测***入侵信号的识别难题。
本方法的技术方案是：首先获得固定光纤长度和采样频率的振动信号，同时提取振动信号的过零率与能量特征，然后对振动信号特征样本进行事件类型标记，利用svm算法训练分类模型。在此基础上输入实测得到的振动信号进行识别，在分类模型识别的信号的基础上再与对应实测得到的振动瀑布图通过与事先建立好的事件图像库进行相似性计算，最后根据两种比较的相似性结果判断最终的事件类型。
与现有技术不同的是本发明提取的特征不相同，本发明既利用了振动信号能量特征，同时也利用了振动信号的图像特征，采用这一技术手段能充分利用入侵信号特点，同时还利用了支持向量机算法与图匹配算法相结合的方法，因此其误识率将大大降低。
具体实施方式
以下结合一个实施例对本发明进行解说。
第一步：首先获取固定光纤长度和采样频率的光纤振动信号{x(i)}i＝1,2,...,n，将各种振动信号的事件类型进行人工标记，标记类型包括了挖掘机挖掘、人工挖掘、车辆行走和噪声。
第二步：入侵信号引起光纤振动的信号主要特点有：振动的短时性和突发性，这些特点可通过光信号的过零率与能量特征去反应。过零率计算公式如下所示：
其中x(i)为信号序列，N为窗函数长度。为了得到能量特征，对振动信号进行小波分解，小波分解采用Mallat的算法，利用Daubechies作为小波基，选用Db5小波，对振动信号进行7级分解，得到1个低频能量a7和7个高频能量b1、b2、b3、b4、b5、b6、b7，构建振动信号的能量特征向量如下所示：
ξ＝[a7,b1,b2,b3,b4,b5,b6,b7]
然后对特征向量进行归一化，分别得到过零率信号图和能量信号图，图中横坐标为采样物理位置点，纵坐标为采样次数。实验发现，当外界对信号没有扰动时，振动信号的过零率和能量特征没有变化；当人或者机器挖掘时，振动信号的过零率和能量特征变化较大，且瞬间信号强度大；当车辆行走时，振动信号的过零率和能量特征相对挖掘事件时信号变化较平稳；当有噪声等微弱振动信号时，能量特征变化较小，但是过零率变化较大。这些特征在各种事件引起的振动信号表现出的不同变化状态，可以作为机器学习训练模型的分类依据。
第三步：由于大量人工标记各种振动信号的事件类型标签需要消耗大量的人力和物力，同时获取有效的训练数据较困难，最终选择有监督学习算法SVM作为分类模型，模型在小样本数据上有较好的分类效果。但是SVM是一个二分类模型，为了达到对多种事件的多分类，在整个分类过程中，实现了两阶段SVM模式分类。具体过程为：首先利用获得的振动信号得到过零率信号图和能量信号图，从左都右以3×3大小的数据块作为特征样本，将破坏事件包括挖掘事件的特征样本标签为1，正常行为包括车辆行走和噪声事件的特征样本标签为0，利用SVM算法进训练模型，识别破坏事件(挖掘机挖掘事件和人工挖掘事件)和正常事件(车辆行走事件和噪声事件)。第二阶段在识别破坏事件数据的基础上，将挖掘机挖掘事件的特征样本标签为1，人工挖掘的特征样本标签为0，利用SVM模型进行训练，模型使用的核函数为径向基函数(RBF)，核参数为100，惩罚因子为10，识别挖掘机挖掘事件和人工挖掘事件。在识别正常事件的数据上，将车辆行走的数据标签为1，噪声数据标签为0，利用SVM分类模型进行训练，最终通过模型训练，输入入侵信号后初步得到具体事件的类型。
第四步：在前一步骤得到初步得到具体事件的类型的基础上，即在训练得到的两阶段SVM分类模型的分类结果上，进行实测振动瀑布图的相似性匹配对比，以进一步减少误报率，得到更加精准的报警信号。挖掘机挖掘、人工挖掘、车辆行走和噪声事件的频谱图上对应着不同形态的图像，将一定数量的各类事件图像进行建立图像库，每类库中的图像包含了可能有的事件瀑布图类似形态，每类事件图的形态各有其特点。对实测得到的振动信号通过Labview软件得到对应不同周期固定长度光纤振动信号的频谱瀑布图，瀑布图横轴代表光纤长度，纵轴代表时间，利用实测信号瀑布图与图像库进行相似性计算。
第五步：为了计算入侵信号的瀑布图与图像库的相似程度，将所有图像二值化，此时前景像素值为0，背景像素值为255，然后对图像进行中值滤波。将测试图片和图像库中的瀑布图进行缩放，为了保留结构同时去掉细节，将图片统一缩放到9*8，一共得到72个像素的图片；然后把缩放后的图片转化为256阶的灰度图；在相邻像素之间进行相减(左边像素值减右边像素值)，每行9个像素之间产生了8个不同的差异，共得到64个差异值；如果差值结果为正数或者零，则记为1，否则为0，获得了图像的指纹；最后计算两幅图片指纹之间的汉明距离，汉明距离越大则说明图片越不一致，反之，汉明距离越小则说明图片越相似，当距离为0时，说明完全相同，当距离大于10时，两张图片完全不同，最终方法选择当汉明距离小于5时，认为两张图片相似。
第六步：首先根据第三步训练的svm模型得到实测信号初始事件类型，然后根据第五步相似性计算方法，将实测信号瀑布图与对应事件图像库进行相似性计算，如果有多于三分之二图像库数量时，则认为入侵信号与此事件库具有高度的相似性，分类结果具有较高的准确性，此时入侵事件为模型预测的类型；当结果小于三分之二图像库数量时，接下来检查与其他图像库的相似性，如果相似图片数量最多的图像库类型与分类模型预测的事件类型不一致时，将此事件库与svm模型预测事件对应的事件库计算出的相似图片数量进行相减，当值大于1/4图像库数量时，则此时的最终入侵信号类型为相似图片最多的图像库对应的事件类型，否则为svm模型预测的事件类型。当最终识别的事件类型是挖掘机挖掘和人工挖掘时，则进行入侵信号报警。
本发明由于同时采用了对振动能量和过零信息和对振动瀑布图的图像信息进行对比检测的技术方案，大大降低了振动类型的误报率。
Claims (5)
1.一种光纤振动探测***入侵信号的识别方法，从被监测光纤周界监测***的监测信号中获取实时信号，对该实时信号进行处理后，判断该实时信号类别，其特征在于：根据事先得到不同振动事件振动信号及其标签通过计算机软件的训练学习，识别不同振动事件的分类模型，并以此模型得到实时监测信号的初始事件类型，同时结合实时信号转化的振动瀑布图特征的图匹配结果确定出最终入侵信号事件类型。
2.根据权利要求1所述的光纤振动探测***入侵信号的识别方法，其特征在于首先输入事先得到的不同振动事件的固定时长和采样频率的振动信号，提取振动信号的过零率与能量特征，生成对应过零率信号图和能量信号图，依据破坏事件和正常事件分别对振动信号特征样本进行事件类型标签，并利用有监督学习算法支持向量机(SVM)训练分类模型识别实时信号的破坏事件或者正常事件，在分类两类事件模型识别数据基础上分别标记出事先得到的挖掘机挖掘事件、人工挖掘事件、车辆行走事件及噪声事件四种不同振动信号特征样本的标签，重复训练模型，进行分类识别入侵事件类型，并根据在分类模型识别的结果上，结合实时信号得到的对应的振动信号瀑布图，与事先建立的图像库进行相似性匹配，匹配过程为：将所有图像二值化，并进行中值滤波，得到每张图像的指纹，计算出图像库中的图片指纹与从被光纤周界监测***的监测信号中获取实时监测信号瀑布图指纹的汉明距离，根据计算得到的汉明距离值大小确定两图片相似性，并以此结果得到实时监测信号图片与图像库的相似性，最终通过判定规则确定最终入侵信号事件类型。
3.根据权利要求2所述的光纤振动探测***入侵信号的识别方法，其特征在于利用有监督学习算法svm分类模型训练时，svm使用的核函数选择径向基函数(RBF)，核参数为100，惩罚因子为10。
4.根据权利要求1或2或3所述的光纤振动探测***入侵信号的识别方法，其特征在于：根据固定光纤长度和采样频率的光纤振动信号，获得对应的瀑布图图像，然后对图像进行相似性计算，计算过程为：将实时信号的瀑布图和事件库中的瀑布图二值化是以前景像素值为0，背景像素值为255，然后进行中值滤波，再将图片统一缩放到9×8，得到72个像素的图片；把缩放后的图片转化为256阶的灰度图；在相邻像素之间进行相减，每行9个像素之间产生了8个不同的差异，共得到64个差异值；当差值结果为正数或零时，则记为1，否则为0，如此获得图像的指纹，并且根据两张图片的指纹计算得到汉明距离，最终判断当汉明距离小于5时，两张图片相似。
5.根据权利要求所述的光纤振动探测***入侵信号的识别方法，其特征在于：在采取的判定规则为根据实时信号的瀑布图与此信号分类模型结果对应图像库的相似性计算结果上，如果相似图片有多于三分之二图像库数量时，则认为入侵信号与此事件库具有高度的相似性，分类结果具有较高的准确性，此时最终入侵事件类型为分类模型预测的事件类型，当相似结果小于三分之二图像库数量时，接下来检查与其它库的相似性，如果相似图片数量最多的图像库类型与分类模型预测的事件类型不一致时，将此事件库与分类模型预测事件对应的事件库计算出的相似图片数量进行相减求绝对值，当值大于1/4图像库数量时，则此时的最终入侵信号类型为相似图片最多的图像库对应的事件类型，否则为分类模型预测的事件类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010011195.5A CN111222461A (zh) | 2020-01-06 | 2020-01-06 | 一种光纤振动探测***入侵信号的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010011195.5A CN111222461A (zh) | 2020-01-06 | 2020-01-06 | 一种光纤振动探测***入侵信号的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111222461A true CN111222461A (zh) | 2020-06-02 |
Family
ID=70828143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010011195.5A Pending CN111222461A (zh) | 2020-01-06 | 2020-01-06 | 一种光纤振动探测***入侵信号的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222461A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836591A (zh) * | 2021-01-14 | 2021-05-25 | 清华大学深圳国际研究生院 | 一种油气长输管道光纤预警信号特征提取方法 |
| CN112836574A (zh) * | 2020-12-30 | 2021-05-25 | 江苏光为传感设备有限公司 | 一种基于谱相似度的光纤振动事件识别方法 |
| CN112883802A (zh) * | 2021-01-20 | 2021-06-01 | 刘信 | 一种管道光纤振动安全预警***破坏性事件的识别方法 |
| CN115060184A (zh) * | 2022-05-18 | 2022-09-16 | 武汉迪信达科技有限公司 | 一种基于递归图的光纤周界入侵检测方法及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0104228A1 (en) * | 1982-03-31 | 1984-04-04 | Gould Inc. | Fiber optic acoustic transducer intrusion detection system |
| US20020094531A1 (en) * | 1999-06-14 | 2002-07-18 | Frederic Zenhausern | Apparatus and method for monitoring molecular species within a medium |
| CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息***有限责任公司 | 光纤周界***的振动信号识别方法 |
| CN102663032A (zh) * | 2012-03-26 | 2012-09-12 | 电子科技大学 | 一种光纤光栅围栏入侵事件模式识别方法 |
| CN102830719A (zh) * | 2012-09-23 | 2012-12-19 | 兰州奥普信息技术有限公司 | 光纤式防溢油控制***及控制方法 |
| CN104966076A (zh) * | 2015-07-21 | 2015-10-07 | 北方工业大学 | 基于支持向量机的光纤入侵信号分类识别方法 |
| CN105931402A (zh) * | 2016-06-27 | 2016-09-07 | 上海波汇科技股份有限公司 | 基于图像识别的光纤周界入侵监测方法 |
| CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
| US20190074896A1 (en) * | 2017-06-12 | 2019-03-07 | Network Integrity Systems, Inc. | Monitoring a Fiber Optic Cable for Intrusion Using a Weighted Algorithm |
| CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 基于分布式光纤***的围栏振动入侵定位和模式识别方法 |
-
2020
- 2020-01-06 CN CN202010011195.5A patent/CN111222461A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0104228A1 (en) * | 1982-03-31 | 1984-04-04 | Gould Inc. | Fiber optic acoustic transducer intrusion detection system |
| US20020094531A1 (en) * | 1999-06-14 | 2002-07-18 | Frederic Zenhausern | Apparatus and method for monitoring molecular species within a medium |
| CN102045120A (zh) * | 2010-10-29 | 2011-05-04 | 成都九洲电子信息***有限责任公司 | 光纤周界***的振动信号识别方法 |
| CN102663032A (zh) * | 2012-03-26 | 2012-09-12 | 电子科技大学 | 一种光纤光栅围栏入侵事件模式识别方法 |
| CN102830719A (zh) * | 2012-09-23 | 2012-12-19 | 兰州奥普信息技术有限公司 | 光纤式防溢油控制***及控制方法 |
| CN104966076A (zh) * | 2015-07-21 | 2015-10-07 | 北方工业大学 | 基于支持向量机的光纤入侵信号分类识别方法 |
| CN105931402A (zh) * | 2016-06-27 | 2016-09-07 | 上海波汇科技股份有限公司 | 基于图像识别的光纤周界入侵监测方法 |
| US20190074896A1 (en) * | 2017-06-12 | 2019-03-07 | Network Integrity Systems, Inc. | Monitoring a Fiber Optic Cable for Intrusion Using a Weighted Algorithm |
| CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
| CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 基于分布式光纤***的围栏振动入侵定位和模式识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邹柏贤等: "基于ELM算法的光纤振动信号识别研究", 《计算机工程与应用》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836574A (zh) * | 2020-12-30 | 2021-05-25 | 江苏光为传感设备有限公司 | 一种基于谱相似度的光纤振动事件识别方法 |
| CN112836574B (zh) * | 2020-12-30 | 2023-08-29 | 江苏光为传感设备有限公司 | 一种基于谱相似度的光纤振动事件识别方法 |
| CN112836591A (zh) * | 2021-01-14 | 2021-05-25 | 清华大学深圳国际研究生院 | 一种油气长输管道光纤预警信号特征提取方法 |
| CN112836591B (zh) * | 2021-01-14 | 2024-02-27 | 清华大学深圳国际研究生院 | 一种油气长输管道光纤预警信号特征提取方法 |
| CN112883802A (zh) * | 2021-01-20 | 2021-06-01 | 刘信 | 一种管道光纤振动安全预警***破坏性事件的识别方法 |
| CN115060184A (zh) * | 2022-05-18 | 2022-09-16 | 武汉迪信达科技有限公司 | 一种基于递归图的光纤周界入侵检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222461A (zh) | 一种光纤振动探测***入侵信号的识别方法 | |
| Zhou et al. | Safety helmet detection based on YOLOv5 | |
| Tejedor et al. | Real field deployment of a smart fiber-optic surveillance system for pipeline integrity threat detection: Architectural issues and blind field test results | |
| CN105931402B (zh) | 基于图像识别的光纤周界入侵监测方法 | |
| CN105809679B (zh) | 一种基于视觉分析的山区铁路边坡落石检测方法 | |
| CN110570613A (zh) | 基于分布式光纤***的围栏振动入侵定位和模式识别方法 | |
| CN111649817B (zh) | 一种分布式光纤振动传感器***及其模式识别方法 | |
| CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
| CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
| Zhou et al. | Deep learning-based crack segmentation for civil infrastructure: Data types, architectures, and benchmarked performance | |
| CN112883802A (zh) | 一种管道光纤振动安全预警***破坏性事件的识别方法 | |
| CN115620212B (zh) | 一种基于监控视频的行为识别方法及*** | |
| CN111505632A (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
| Elharrouss et al. | Video summarization based on motion detection for surveillance systems | |
| US20230152150A1 (en) | Road surface conditions detection by distributed optic fiber system | |
| CN115762023A (zh) | 基于深度学习的定位型入侵行为识别方法 | |
| CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及*** | |
| CN117708760A (zh) | 基于多模型融合的开关柜多源局放模式识别方法及*** | |
| Liu et al. | Video monitoring of Landslide based on background subtraction with Gaussian mixture model algorithm | |
| CN113780094A (zh) | 基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法 | |
| Diao et al. | Image sequence measures for automatic target tracking | |
| Al-Shammri et al. | A combined method for object detection under rain conditions using deep learning | |
| CN114354744B (zh) | 一种电力电缆防外破监测方法、***及装置 | |
| CN114998837B (zh) | 入侵事件的实时识别方法、装置、***及介质 | |
| CN113534276A (zh) | 基于Faster R-CNN的铁路入侵行为检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200602 |