CN112781634A - 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感*** - Google Patents

一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感*** Download PDF

Info

Publication number
CN112781634A
CN112781634A CN202110386291.2A CN202110386291A CN112781634A CN 112781634 A CN112781634 A CN 112781634A CN 202110386291 A CN202110386291 A CN 202110386291A CN 112781634 A CN112781634 A CN 112781634A
Authority
CN
China
Prior art keywords
neural network
optical fiber
frequency
convolutional neural
light
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.)
Granted
Application number
CN202110386291.2A
Other languages
English (en)
Other versions
CN112781634B (zh
Inventor
刘博�
忻向军
赵立龙
毛雅亚
王图涛
王瑞春
沈磊
***
吴泳锋
孙婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110386291.2A priority Critical patent/CN112781634B/zh
Publication of CN112781634A publication Critical patent/CN112781634A/zh
Application granted granted Critical
Publication of CN112781634B publication Critical patent/CN112781634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
    • G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
    • G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
    • G01D5/35338—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using other arrangements than interferometer arrangements
    • G01D5/35354—Sensor working in reflection
    • G01D5/35358—Sensor working in reflection using backscattering to detect the measured quantity
    • G01D5/35364—Sensor working in reflection using backscattering to detect the measured quantity using inelastic backscattering to detect the measured quantity, e.g. using Brillouin or Raman backscattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
    • G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
    • G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
    • G01D5/3537—Optical fibre sensor using a particular arrangement of the optical fibre itself
    • G01D5/35374—Particular layout of the fiber
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
    • G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
    • G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
    • G01D5/3537—Optical fibre sensor using a particular arrangement of the optical fibre itself
    • G01D5/3538—Optical fibre sensor using a particular arrangement of the optical fibre itself using a particular type of fiber, e.g. fibre with several cores, PANDA fiber, fiber with an elliptic core or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明是一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，***中光信号发送模块内激光器发出的光经过第一耦合器分为探测光和参考光，探测光经过处理后发送到传感光纤模块内的光纤内并自发布里渊散射，散射光与参考光通过第二耦合器完成光学拍频后利用光电探测器探测采集；采集到的布里渊散射光的时域电信号做快速傅里叶变换得到三维频谱图并压缩成二维频谱图，运用卷积神经网络对二维频谱做目标检测，对发生频移的部位和频率基底目标定位并获取其频率和功率信息，最后计算出温度和应变信息。该方案利用散射光频谱图中的有效信息来获取实际的传感信息，提高BOTDR分布式光纤传感***的测量速度和精度。

Description

一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***
技术领域
本发明涉及分布式光纤传感技术领域，具体的说是一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***。
背景技术
分布式光纤传感是一种具有广阔应用前景的光纤传感技术，其最显著的特点是可以准确地分布式测量光纤沿线上任意一点的应力、温度、振动和损伤等信息。分布式光纤传感***具有诸多优势，非常适合远距离、高空间分辨率的监测应用。其中BOTDR分布式传感***由于具有单端注入光和可同时测量温度与应变的优点，引起了学术界和工业界的广泛关注。
近些年来，许多研究者提出了各种信号处理方法来对传感***散射光信号进行处理，其目的都是为了从散射光信号中获取准确的传感信息。由于布里渊增益谱为洛伦兹形状，通常使用洛伦兹曲线沿光纤方向对整根光纤进行逐点拟合来获得整段光纤上传感信息，但洛伦兹曲线拟合法通常需要比较长的时间，无法满足长距离动态实时测量的需求。随着计算机技术的发展，利用数字图像处理和机器学***。 在机器学习的算法中，利用BP神经网络训练布里渊相减频谱中的数据来区分布里渊相减频谱中的频移信息和***噪声，从而定位频移点并得到传感信息。该方法也能得到一个比较理想的结果，但在传感光纤沿线上多点同时发生频移的情况下的传感效果是不太理想。虽然前人的许多研究己经取得了突破性的进展，但是在分布式光纤传感测量得到的频谱中仍然包含着大量有效的信息尚未被充分利用。到目前为止在分布式光纤传感领域，还没有文献报道在BOTDR***中对布里渊散射光信号的频谱进行目标检测来获取传感信息的方法。
发明内容
本发明要解决的技术问题是提供一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，该传感***使用YOLOv4卷积神经网络对BOTDR分布式传感***散射光频谱图像进行目标检测，充分利用频谱图中的有效信息来获取实际的传感信息，提高BOTDR分布式光纤传感***的测量速度和精度。
为解决上述技术问题，本发明采用的技术方案为：
一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：包括光信号发送模块、传感光纤模块和传感信号接收模块；
光信号发送模块中同一激光器发出的连续光经过第一耦合器分为探测光和参考光，所述的探测光和参考光具有相同的偏振态，探测光经过处理后发送到传感光纤模块内的光纤内，探测光在传感光纤内自发布里渊散射，将散射光与参考光在传感信号接收模块内通过第二耦合器完成光学拍频后利用光电探测器探测采集；
对采集到的布里渊散射光的时域电信号做快速傅里叶变换得到三维频谱图，并将三维频谱图压缩成二维频谱图，接着运用YOLOv4卷积神经网络对二维频谱做目标检测，对发生频移的部位和频率基底目标定位并获取该位置的频率和功率信息，最后通过获得的信息计算出温度和应变信息。
光信号发送模块包括激光器、电光调制器、波形发生器和放大器，探测光和参考光通过偏振控制器调整具有相同的偏振态后完成光学拍频；探测光经过电光调制器调制成脉冲光，探测光脉冲经过光纤放大器进行光放大后输入环形器的第一端口。
传感光纤模块包括一根单模光纤，单模光纤一端与环形器的第二端口连接，探测光在单模光纤内自发布里渊散射，单模光纤内反向布里渊散射光通过环形器的第二端口输入并通过环形器的第三端口输出。
传感信号接收模块包括光电探测器、数据采集卡和数据处理器，环形器的第三端口输出的布里渊散射光与参考光通过第二耦合器完成光学拍频并被光电探测器探测，接着由信号采集卡采集信号并将信号传输至数据处理器，所述的数据处理器用于进行信号处理完成对温度和应变的高精度高速率分布式传感。
对布里渊散射光的时域电信号做快速傅里叶变换的具体步骤如下：用一个时间长度为T的窗口取出一段布里渊散射光信号并对其做快速傅里叶变换运算，得到该段布里渊散射光信号的频谱图；以△T为步长来滑动窗口，△T所对应的光纤长度为△L，在不同的时间内对窗口所提取的信号做快速傅里叶变换运算得到布里渊散射信号完整的三维频谱图。
将已经获得的布里渊散射信号的三维频谱图压缩成横、纵坐标分别为距离和频率的二维频谱图，将二维频谱图通过已经训练完成的卷积神经网络对发生频移部位和频率基底进行目标检测。
卷积神经网络采用YOLOv4神经网络，构建、训练卷积神经网络并利用卷积神经网络进行目标检测的具体步骤如下：
步骤S1，构建YOLOv4卷积神经网络；卷积神经网络包括主干网络、特征融合模块和检测头，主干网络用于提取输入频谱图像的特征，特征融合模块用于对主干网络提取的特征向量进行预测，检测头用于消除重复预测从而得到结果；
步骤S2，训练数据；采集部分二维频谱图像，截取其中发生频移的部分和频率基底的图像，利用步骤S1中构建的YOLOv4卷积神经网络对采集的图像数据进行训练；利用不同的频移段和频率基底的图像数据集不断地对卷积神经网络进行训练，更新和优化卷积神经网络中的各项参数，得到训练好的神经网络模型；
步骤S3，目标检测；使用步骤S2中训练好的神经网络完成对频谱中发生频移部分和频率基底部分的目标检测。
计算发生频移部位的温度和应变信息具体步骤为：对频谱图完成目标检测后通过每个区域的中心点坐标位置提取频率、功率和距离信息，通过布里渊频率和功率变化与温度和应变的关系，完成对温度和应变的高精度高速率分布式测量；
布里渊频率和功率变化与温度和应变的变化量呈线性关系，具体的计算过程为：
Figure 626248DEST_PATH_IMAGE001
（1）
Figure 107170DEST_PATH_IMAGE002
（2）
式中，
Figure 949224DEST_PATH_IMAGE003
和
Figure 406750DEST_PATH_IMAGE004
分别为频率和功率变化量，
Figure 283439DEST_PATH_IMAGE005
和
Figure 935263DEST_PATH_IMAGE006
别是温度和应变的变化量；
Figure 264613DEST_PATH_IMAGE007
和
Figure 791409DEST_PATH_IMAGE008
分别是温度和应变对布里渊频移的相关系数，
Figure 758490DEST_PATH_IMAGE009
和
Figure 814171DEST_PATH_IMAGE010
分别是温度和应变对布 里渊散射光功率的相关系数；
以将关系式（1）和（2）表示为矩阵形式：
Figure 427555DEST_PATH_IMAGE011
（3）
应变和温度的变化通过相关系数矩阵的逆矩阵和布里渊频移和功率变化量的矩阵相乘得到：
Figure 993928DEST_PATH_IMAGE012
（4）
通过式（4）计算频率和功率变化，得到温度和应变的变化量。
该种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***能够达到的有益效果为：该方案通过使用YOLOv4卷积神经网络对布里渊频谱进行目标检测和定位，即使当BOTDR分布式传感***散射光信号的频谱图中多个部位发生频移时，也能快速准确地获得传感信息。与传统的曲线拟合和机器学习算法相比，利用YOLOv4卷积神经网络来提取传感信息可以使得整个传感***的测量速度和测量精度的得到明显提升，实现对温度和应变的高精度高速率分布式传感。
附图说明
图1是本发明一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***的结构示意图。
图2是本发明一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***的信号处理流程。
图3是本发明一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***的快速傅里叶变换处理流程示意图。
图4是本发明一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***中YOLOv4目标检测流程示意图。
图5是本发明一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***中YOLOv4网络模型示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述。
如图1所示，一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，包括光信号发送模块、传感光纤模块和传感信号接收模块；
其中，光信号发送模块包括激光器、电光调制器、波形发生器和放大器，激光器发出的连续光经过第一耦合器分为探测光和参考光，探测光和参考光分别经过偏振控制器控制后具有相同的偏振态，并完成光学拍频，探测光经过电光调制器调制成脉冲光，接着探测光脉冲经过掺铒光纤放大器进行光放大，输入环形器的第一端口。本实施例中，使用格雷互补序列作为探测脉冲以提高***信噪比。
传感光纤模块包括一根单模光纤，单模光纤一端与环形器的第二端口连接，探测光通过环形器的第二端口被传输至单模传感光纤；探测光在单模传感光纤中发生自发布里渊散射，散射光的频率和强度与传感信号有关，反向散射光经过环形器的第二端口传输至第三端口。
传感信号接收模块包括光电探测器、数据采集卡和数据处理器，环形器的第三端口输出的布里渊散射光与参考光通过第二耦合器完成光学拍频并被光电探测器探测，接着由信号采集卡采集信号并将信号传输至数据处理器，所述的数据处理器用于进行信号处理完成对温度和应变的高精度高速率分布式传感。
本实施例中，基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***在数据处理器的信号处理流程如图2所示，具体步骤如下：
步骤S101，对采集到的信号做快速傅里叶变换FFT处理，如图3所示，用一个时间长度为T的窗口取出一段布里渊散射光信号并对其做快速傅里叶变换运算，得到该段布里渊散射光信号的频谱图；以△T为步长来滑动窗口，△T所对应的光纤长度为△L，在不同的时间内对窗口所提取的信号做快速傅里叶变换运算得到布里渊散射信号完整的三维频谱图。
步骤S102，在步骤S101中已经获得了布里渊散射信号的三维频谱图，将该三维频谱压缩成横纵坐标分别为距离和频率的二维频谱图，将二维频谱图通过已经训练完成的卷积神经网络可快速准确地对发生频移部位和频率基底进行目标检测。
步骤S103，计算发生频移部位的温度和应变信息。对频谱图完成目标检测后可通过每个区域的中心点坐标位置来提取频率、功率和距离信息，通过布里渊频率和功率变化与温度和应变的关系，完成对温度和应变的高精度高速率分布式测量。
进一步的，步骤S101中，由于需要测量的温度和应变是与散射信号的频率和强度有关，故需要将采集得到的时域信号转化为频域信号从而获取传感信息。使用FFT来完成对信号从时域到频域的转换，与传统的扫频法相比，可大大减少***测量的时间，提高***的测量速率。
进一步的，步骤S102中，卷积神经网络采用YOLOv4神经网络，构建、训练卷积神经网络并利用卷积神经网络进行目标检测如图4所示，具体步骤如下：
步骤S1021，构建YOLOv4卷积神经网络；采用YOLOv4网络模型进行目标检测用于完成对频谱图中发生频移部分和频率基底部分的目标检测，YOLOv4网络模型如图5所示，主要由主干网络、特征融合模块和检测头1-3组成；其中主干网络为CSPDarknet53网络，包含 5个 CSP 模块，各模块前的卷积核大小为3×3，步幅为2，主干网络负责提取输入频谱图像的特征。特征融合模块由路径聚合网络PANet和空间金字塔池SPP所组成，其中SPP采用1×1,5×5，9×9，13×13的最大池化方式，特征融合模块负责对主干网络提取的特征向量进行预测。最后在检测头部分使用非极大值抑制算法消除重复预测从而得到结果。
步骤S1022，训练数据；采集一定数量的二维频谱图像，截取其中发生频移的部分和频率基底的图像，利用S1021中构建的YOLOv4卷积神经网络来对采集的图像数据进行训练。利用不同的频移段和频率基底的图像数据集不断地对卷积神经网络进行训练，更新和优化卷积神经网络中的各项参数，使得卷积神经网络具备良好的学习和泛化能力，得到一个训练好的神经网络模型。其中训练过程中的损失函数由边界框回归损失 Lciou、置信度损失 Lconf、分类损失Lclass三部分组成，若在某个边界框内不存在目标，仅计算置信度损失，若存在目标，则计算三种损失。其中置信度损失与分类损失通过交叉熵方法计算，边界框回归损失通过CIoU损失函数计算，相比传统的均方误差损失函数，CIoU有效避免了对目标物体尺度敏感的问题，能够更好地关注预测框与实际框的位置关系，反映两者之间的联系。
步骤S1023，目标检测的过程，使用S1022中训练好的神经网络对二维频谱图像进行目标检测。在对目标进行检测的过程中，首先将输入的频谱图片重置为608×608大小并划分成S×S个网格，待测目标的中心坐标落在某个网格中，则该网格负责检测目标。检测过程中，每个网格单元预测 B 个边界框，在每个边界框中包含5 个预测值：tx、ty、tw、th和置信度。其中tx、ty、tw、th分别表示模型预测的中心坐标及宽高，置信度表示预测目标框的置信水平与预测精度。通过边界框的5个预测值可计算出预测框的中心坐标及宽高，同时计算预测框和实际框的交并比。交并比是衡量预测框精准度的重要指标，交并比越大表示预测框所在位置越精准。在预测的S×S×B个预测窗口中，先根据阈值去除可能性较低的窗口，最后运用非极大值抑制算法消除冗余窗口从而完成对频谱中发生频移部分和频率基底部分的目标检测。
步骤S1021中构建的YOLOv4卷积神经网络对目标检测的速度和精度相比较于传统的YOLO和SSD网络模型都有大幅度的提升，且具有很好的泛化能力和鲁棒性。
进一步的，步骤S103中，布里渊频率和功率变化与温度和应变的变化量呈线性关系，具体的计算过程为：
Figure 579630DEST_PATH_IMAGE001
（1）
Figure 868529DEST_PATH_IMAGE002
（2）
式中，
Figure 532991DEST_PATH_IMAGE003
和
Figure 870431DEST_PATH_IMAGE004
分别为频率和功率变化量，
Figure 576219DEST_PATH_IMAGE005
和
Figure 740746DEST_PATH_IMAGE006
别是温度和应变的变化量；
Figure 531985DEST_PATH_IMAGE007
和
Figure 673116DEST_PATH_IMAGE008
分别是温度和应变对布里渊频移的相关系数，
Figure 233410DEST_PATH_IMAGE009
和
Figure 88279DEST_PATH_IMAGE010
分别是温度和应变对布 里渊散射光功率的相关系数；
以将关系式（1）和（2）表示为矩阵形式：
Figure 304496DEST_PATH_IMAGE011
（3）
应变和温度的变化通过相关系数矩阵的逆矩阵和布里渊频移和功率变化量的矩阵相乘得到：
Figure 249319DEST_PATH_IMAGE012
（4）
通过式（4）计算频率和功率变化，得到温度和应变的变化量。
综上，该种基于YOLOv4卷积神经网络的BOTDR分布式传感***，在***接收端的信号处理过程中利用卷积神经网络对布里渊散射信号的频谱图像进行目标检测。依托于YOLOv4卷积神经网络强大的学习能力，在频谱图像中通过对频移段和频率基底进行目标检测和定位，获取频移段与频率基底的强度和频率之差，从而能够快速精准的提取出频谱中所包含的传感信息。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (8)

1.一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：包括光信号发送模块、传感光纤模块和传感信号接收模块；
光信号发送模块中同一激光器发出的连续光经过第一耦合器分为探测光和参考光，所述的探测光和参考光具有相同的偏振态，探测光经过处理后发送到传感光纤模块内的光纤内，探测光在传感光纤内自发布里渊散射，将散射光与参考光在传感信号接收模块内通过第二耦合器完成光学拍频后利用光电探测器探测采集；
对采集到的布里渊散射光的时域电信号做快速傅里叶变换得到三维频谱图，并将三维频谱图压缩成二维频谱图，接着运用YOLOv4卷积神经网络对二维频谱做目标检测，对发生频移的部位和频率基底目标定位并获取该位置的频率和功率信息，最后通过获得的信息计算出温度和应变信息。
2.如权利要求1所述的一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：所述的光信号发送模块包括激光器、电光调制器、波形发生器和放大器，探测光和参考光通过偏振控制器调整具有相同的偏振态后完成光学拍频；探测光经过电光调制器调制成脉冲光，探测光脉冲经过光纤放大器进行光放大后输入环形器的第一端口。
3.如权利要求2所述的一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：所述的传感光纤模块包括一根单模光纤，单模光纤一端与环形器的第二端口连接，探测光在单模光纤内自发布里渊散射，单模光纤内反向布里渊散射光通过环形器的第二端口输入并通过环形器的第三端口输出。
4.如权利要求3所述的一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：所述的传感信号接收模块包括光电探测器、数据采集卡和数据处理器，环形器的第三端口输出的布里渊散射光与参考光通过第二耦合器完成光学拍频并被光电探测器探测，接着由信号采集卡采集信号并将信号传输至数据处理器，所述的数据处理器用于进行信号处理完成对温度和应变的高精度高速率分布式传感。
5.如权利要求1所述的一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：对布里渊散射光的时域电信号做快速傅里叶变换的具体步骤如下：用一个时间长度为T的窗口取出一段布里渊散射光信号并对其做快速傅里叶变换运算，得到该段布里渊散射光信号的频谱图；以△T为步长来滑动窗口，△T所对应的光纤长度为△L，在不同的时间内对窗口所提取的信号做快速傅里叶变换运算得到布里渊散射信号完整的三维频谱图。
6.如权利要求5所述的一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：将已经获得的布里渊散射信号的三维频谱图压缩成横、纵坐标分别为距离和频率的二维频谱图，将二维频谱图通过已经训练完成的卷积神经网络对发生频移部位和频率基底进行目标检测。
7.如权利要求6所述的一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：卷积神经网络采用YOLOv4神经网络，构建、训练卷积神经网络并利用卷积神经网络进行目标检测的具体步骤如下：
步骤S1，构建YOLOv4卷积神经网络；卷积神经网络包括主干网络、特征融合模块和检测头，主干网络用于提取输入频谱图像的特征，特征融合模块用于对主干网络提取的特征向量进行预测，检测头用于消除重复预测从而得到结果；
步骤S2，训练数据；采集部分二维频谱图像，截取其中发生频移的部分和频率基底的图像，利用步骤S1中构建的YOLOv4卷积神经网络对采集的图像数据进行训练；利用不同的频移段和频率基底的图像数据集不断地对卷积神经网络进行训练，更新和优化卷积神经网络中的各项参数，得到训练好的神经网络模型；
步骤S3，目标检测；使用步骤S2中训练好的神经网络完成对频谱中发生频移部分和频率基底部分的目标检测。
8.如权利要求7所述的一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***，其特征在于：计算发生频移部位的温度和应变信息具体步骤为：对频谱图完成目标检测后通过每个区域的中心点坐标位置提取频率、功率和距离信息，通过布里渊频率和功率变化与温度和应变的关系，完成对温度和应变的高精度高速率分布式测量；
布里渊频率和功率变化与温度和应变的变化量呈线性关系，具体的计算过程为：
Figure 667425DEST_PATH_IMAGE001
（1）
Figure 816646DEST_PATH_IMAGE002
（2）
式中，
Figure 821511DEST_PATH_IMAGE004
和
Figure 59113DEST_PATH_IMAGE006
分别为频率和功率变化量，
Figure 542047DEST_PATH_IMAGE008
和
Figure 811355DEST_PATH_IMAGE010
别是温度和应变的变化量；
Figure 987121DEST_PATH_IMAGE012
和
Figure 443510DEST_PATH_IMAGE014
分别是温度和应变对布里渊频移的相关系数，
Figure 730135DEST_PATH_IMAGE016
和
Figure 588370DEST_PATH_IMAGE018
分别是温度和应变对布里渊散射光功率的相关系数；
以将关系式（1）和（2）表示为矩阵形式：
Figure 935037DEST_PATH_IMAGE019
（3）
应变和温度的变化通过相关系数矩阵的逆矩阵和布里渊频移和功率变化量的矩阵相乘得到：
Figure 144302DEST_PATH_IMAGE020
（4）
通过式（4）计算频率和功率变化，得到温度和应变的变化量。
CN202110386291.2A 2021-04-12 2021-04-12 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感*** Active CN112781634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386291.2A CN112781634B (zh) 2021-04-12 2021-04-12 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386291.2A CN112781634B (zh) 2021-04-12 2021-04-12 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***

Publications (2)

Publication Number Publication Date
CN112781634A true CN112781634A (zh) 2021-05-11
CN112781634B CN112781634B (zh) 2021-07-06

Family

ID=75762926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386291.2A Active CN112781634B (zh) 2021-04-12 2021-04-12 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***

Country Status (1)

Country Link
CN (1) CN112781634B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465676A (zh) * 2021-07-09 2021-10-01 浙江大学 一种双阶段布里渊频移提取方法
CN113607219A (zh) * 2021-08-12 2021-11-05 北京奥特美克科技股份有限公司 一种长距离管网的多参数监测***及其状态预测方法和装置
CN114518182A (zh) * 2022-03-02 2022-05-20 华北电力大学（保定） 布里渊散射谱图像中温度和应变信息同时提取方法及***
CN114778879A (zh) * 2022-04-11 2022-07-22 中国工程物理研究院流体物理研究所 一种基于光纤受激布里渊散射的测速装置和方法
CN116186642A (zh) * 2023-04-27 2023-05-30 山东汇英信息科技有限公司 一种基于多维特征融合的分布式光纤传感事件预警方法
CN116388859A (zh) * 2022-10-31 2023-07-04 广东电网有限责任公司中山供电局 一种光纤状态监测数据采集装置、方法、设备和介质

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954378A (zh) * 2014-04-30 2014-07-30 南京大学 基于Bark序列的BOTDR***及其长距离探测方法
CN106610303A (zh) * 2016-12-16 2017-05-03 南京发艾博光电科技有限公司 一种基于fft和编码的botdr传感方法和***
WO2018005539A1 (en) * 2016-06-27 2018-01-04 The Regents Of The University Of California Distributed dynamic strain fiber optics measurement by brillouin optical time-domain reflectometry
CN107633136A (zh) * 2017-09-20 2018-01-26 北京邮电大学 一种基于botdr技术的热力耦合解耦方法
CN107917738A (zh) * 2017-12-26 2018-04-17 南京大学（苏州）高新技术研究院 一种同时测量温度、应变和振动的分布式光纤传感***
CN108446631A (zh) * 2018-03-20 2018-08-24 北京邮电大学 基于卷积神经网络的深度学习的智能频谱图分析方法
CN109767440A (zh) * 2019-01-11 2019-05-17 南京信息工程大学 一种面向深度学习模型训练和学习的影像图像数据扩充方法
CN110243493A (zh) * 2019-06-03 2019-09-17 太原理工大学 基于超连续谱的布里渊光时域反射仪装置及方法
CN110887513A (zh) * 2019-11-19 2020-03-17 天津大学 一种基于bp神经网络的光纤光栅传感***及其解调方法
CN110887527A (zh) * 2019-12-06 2020-03-17 厦门大学 一种分布式光纤湿度和温度同时检测装置及检测方法
CN110926355A (zh) * 2019-11-07 2020-03-27 华中科技大学 一种基于卷积神经网络的布里渊频移提取方法和装置
CN111225297A (zh) * 2018-11-23 2020-06-02 ***通信集团广东有限公司 一种宽带无源光网络端口资源整治方法及***
CN111510205A (zh) * 2020-04-21 2020-08-07 北京邮电大学 一种基于深度学习的光缆故障定位方法、装置及设备
CN111709489A (zh) * 2020-06-24 2020-09-25 广西师范大学 一种基于改进YOLOv4的柑橘识别方法
CN111832513A (zh) * 2020-07-21 2020-10-27 西安电子科技大学 基于神经网络的实时足球目标检测方法
CN111854815A (zh) * 2020-08-05 2020-10-30 国网四川省电力公司经济技术研究院 基于分数阶傅里叶变换的高速分布式光纤传感***及方法
CN112601487A (zh) * 2018-08-14 2021-04-02 佳能株式会社 医学图像处理装置、医学图像处理方法和程序
CN112633340A (zh) * 2020-12-14 2021-04-09 浙江大华技术股份有限公司 目标检测模型训练、检测方法、设备及存储介质
CN112633174A (zh) * 2020-12-23 2021-04-09 电子科技大学 一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954378A (zh) * 2014-04-30 2014-07-30 南京大学 基于Bark序列的BOTDR***及其长距离探测方法
WO2018005539A1 (en) * 2016-06-27 2018-01-04 The Regents Of The University Of California Distributed dynamic strain fiber optics measurement by brillouin optical time-domain reflectometry
CN106610303A (zh) * 2016-12-16 2017-05-03 南京发艾博光电科技有限公司 一种基于fft和编码的botdr传感方法和***
CN107633136A (zh) * 2017-09-20 2018-01-26 北京邮电大学 一种基于botdr技术的热力耦合解耦方法
CN107917738A (zh) * 2017-12-26 2018-04-17 南京大学（苏州）高新技术研究院 一种同时测量温度、应变和振动的分布式光纤传感***
CN108446631A (zh) * 2018-03-20 2018-08-24 北京邮电大学 基于卷积神经网络的深度学习的智能频谱图分析方法
CN112601487A (zh) * 2018-08-14 2021-04-02 佳能株式会社 医学图像处理装置、医学图像处理方法和程序
CN111225297A (zh) * 2018-11-23 2020-06-02 ***通信集团广东有限公司 一种宽带无源光网络端口资源整治方法及***
CN109767440A (zh) * 2019-01-11 2019-05-17 南京信息工程大学 一种面向深度学习模型训练和学习的影像图像数据扩充方法
CN110243493A (zh) * 2019-06-03 2019-09-17 太原理工大学 基于超连续谱的布里渊光时域反射仪装置及方法
CN110926355A (zh) * 2019-11-07 2020-03-27 华中科技大学 一种基于卷积神经网络的布里渊频移提取方法和装置
CN110887513A (zh) * 2019-11-19 2020-03-17 天津大学 一种基于bp神经网络的光纤光栅传感***及其解调方法
CN110887527A (zh) * 2019-12-06 2020-03-17 厦门大学 一种分布式光纤湿度和温度同时检测装置及检测方法
CN111510205A (zh) * 2020-04-21 2020-08-07 北京邮电大学 一种基于深度学习的光缆故障定位方法、装置及设备
CN111709489A (zh) * 2020-06-24 2020-09-25 广西师范大学 一种基于改进YOLOv4的柑橘识别方法
CN111832513A (zh) * 2020-07-21 2020-10-27 西安电子科技大学 基于神经网络的实时足球目标检测方法
CN111854815A (zh) * 2020-08-05 2020-10-30 国网四川省电力公司经济技术研究院 基于分数阶傅里叶变换的高速分布式光纤传感***及方法
CN112633340A (zh) * 2020-12-14 2021-04-09 浙江大华技术股份有限公司 目标检测模型训练、检测方法、设备及存储介质
CN112633174A (zh) * 2020-12-23 2021-04-09 电子科技大学 一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAO WU 等: "Real-Time Denoising of Brillouin Optical Time Domain Analyzer With High Data Fidelity Using Convolutional Neural Networks", 《JOURNAL OF LIGHTWAVE TECHNOLOGY》 *
隋阳: "基于神经网络的布里渊光纤传感***数据处理的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465676A (zh) * 2021-07-09 2021-10-01 浙江大学 一种双阶段布里渊频移提取方法
CN113607219A (zh) * 2021-08-12 2021-11-05 北京奥特美克科技股份有限公司 一种长距离管网的多参数监测***及其状态预测方法和装置
CN114518182A (zh) * 2022-03-02 2022-05-20 华北电力大学（保定） 布里渊散射谱图像中温度和应变信息同时提取方法及***
CN114518182B (zh) * 2022-03-02 2024-03-22 华北电力大学（保定） 布里渊散射谱图像中温度和应变信息同时提取方法及***
CN114778879A (zh) * 2022-04-11 2022-07-22 中国工程物理研究院流体物理研究所 一种基于光纤受激布里渊散射的测速装置和方法
CN116388859A (zh) * 2022-10-31 2023-07-04 广东电网有限责任公司中山供电局 一种光纤状态监测数据采集装置、方法、设备和介质
CN116388859B (zh) * 2022-10-31 2023-08-18 广东电网有限责任公司中山供电局 一种光纤状态监测数据采集装置、方法、设备和介质
CN116186642A (zh) * 2023-04-27 2023-05-30 山东汇英信息科技有限公司 一种基于多维特征融合的分布式光纤传感事件预警方法
CN116186642B (zh) * 2023-04-27 2023-09-08 山东汇英光电科技有限公司 一种基于多维特征融合的分布式光纤传感事件预警方法

Also Published As

Publication number Publication date
CN112781634B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN112781634B (zh) 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感***
Liu et al. Vehicle detection and classification using distributed fiber optic acoustic sensing
US11562224B2 (en) 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method
CN107167168B (zh) 相位敏感光时域反射分布式光纤传感***精确定位方法
CN103076393B (zh) 敲击扫描式桥梁损伤检测***
CN112867939B (zh) 光探测和测距的直流偏置和噪声功率的实时估计
CN102004267B (zh) 一种地震检波器精密测量***和方法
CN110608760A (zh) 相位敏感光时域反射传感***扰动探测信噪比提高方法
CN108828548A (zh) 一种基于fmcw雷达的三参数融合数据集构建方法
CN107515253B (zh) 基于卷积神经网络的梁结构缺陷非接触定量诊断方法
CN103033140A (zh) 一种利用激光位移传感器监测危岩体崩塌的装置
CN114494287A (zh) 一种远距离激光雷达点云数据处理方法
CN116757097A (zh) 一种数字孪生水利工程运维监测***和方法
CN105092015A (zh) 一种非接触式光纤振动传感***及方法
CN111157097A (zh) 一种基于相位敏感光时域反射***的振动信号检测方法
KR20220005431A (ko) 진동을 이미징하고 감지하기 위한 시스템 및 방법
CN103438980B (zh) 一种基于线阵ccd和线状红外激光的液体表面波探测方法及装置
CN101520509B (zh) 混沌光时域波形帧间比较测距方法
CN109558041B (zh) 基于gpu加速的叶尖间隙信号采集、处理和传输方法
JP2021512340A (ja) 分散型センサの時空間ノイズ除去
CN109444895B (zh) 分布式振动传感器消除干涉衰落的振动信息定位方法
CN108775909B (zh) 一种基于多变频ofdr的分布式光纤传感***及传感方法
CN106094009A (zh) 基于光电传感器和加速度传感器的反射波速度观测***
CN108226819A (zh) 一种基于光纤光栅的地面磁场监测***及方法
CN114719950A (zh) 一种分步式光纤多维特征参数采集提取方法

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
GR01 Patent grant
GR01 Patent grant