[发明专利]一种基于全卷积神经网络的振动光纤信号分类方法

说明书

本发明公开了一种基于全卷积神经网络的振动光纤信号分类方法，该方法解决了传统技术需要手工提取特征的问题，分类特征信息全部由全卷积神经网络算法从训练样本中自动提取，极大减少了人工干预的过程。利用全卷积神经网络提取出训练样本中的有效特征，而且充分利用了图像灰度值中的深度信息，在不显著增加计算量的情况下，有效提高了识别率。

技术领域

本发明涉及安防技术领域，具体涉及一种可实现振动检测的智能围栏报警系统。

背景技术

现有的振动型光纤传感产品对信号进行分类的技术有：

1)提取振动信号幅值和强度，根据经验设定不同的阈值，统计特定范围内的占空比进行分类；

2)多点特征有监督模式识别算法；

3)一维信号转二维图像后，使用图像处理分类进行分类；

4)分析振动信号的频域和相位谱分析。

现有的振动型光纤传感产品对信号进行分类的技术的主要缺陷：

1)振幅和强度的特征表现不足

单一的振动幅度值和强度值，只能代表当前信号的能量强度，不能代表信号的类别。不同的信号类型可能存在相同的振幅和强度值。

2)特征点的提取严重依赖人工和经验

模式识别的准确率由特征点提取的优劣决定，现有技术都严重依赖人工和经验，一方面设计特征提取器耗时耗力，另一方面这些特征还是比较粗浅的特征，严重影响模式识别的准确率。

3)一维信号转二维图像后，常规的图像处理分类算法限制多，性能差

一维信号转二维图像后进行图像模式识别的技术，特征提取还是依赖人工提取，而且计算效率低下，像素块大小限制了感知区域的大小，只能提取一些局部特征，从而导致分类的性能受到限制。

4)频域和相位谱分析比较困难

基于频域和相位谱分析的算法，由于一维振动信号携带的数据有限，进行分析是往往比较困难，不但耗时长，而且分类效果也不佳。

发明内容

本发明要解决的技术问题是解决上述现有技术的不足，提供一种基于全卷积神经网络的振动光纤信号分类方法。

为了解决上述现有技术的不足，本发明采用的技术方案为：一种基于全卷积神经网络的振动光纤信号分类方法，包括如下步骤：

1)对需要分类的振动光纤信号分别进行样本采集，采集连续的时间t内连续n组数据，每组数据包含m个数值；

2)对采样的数据进行二维拼接，将其拼接成m*n的二维图像数据；

3)对上述二维图像数据进行标准化处理，将所有数据映射到区间[0，255]中，预处理后，生成二维数据的灰度图；

4)对二维图像数据添加类别标签；

5)搭建全卷积神经网络模型，训练全卷积神经网络；

6)使用训练样本对已训练好的模型权重参数进行微调；

7)输入实时信号序列，并采集时序信号，将其拼接成二维图像数据；

8)对二维图像数据进行预处理，生成二维数据的灰度图；

9)全卷积神经网络对输入的待分类二维信号进行信号分类。

进一步的，待分类的振动光纤信号类型包括持续敲击、持续攀爬、持续中雨、持续刮风。

进一步的，t为2秒，m以及n的数值均为512。