一种防外破声源事件监测方法及系统与流程
本发明涉及光纤传感与安防监控,尤其涉及一种防外破声源事件监测方法及系统。
背景技术:
1、分布式声波传感(distributed acoustic sensing,das)技术利用相干瑞利散射原理,将铺设在现场的普通通信光缆转化为成千上万个“全时、全域”的振动传感器,广泛应用于长距离油气管道巡检、周界安防以及轨道交通监测等领域。然而,在复杂的实际工程环境中,声源识别面临以下显著的技术挑战:1)误报率高,抗干扰能力差:传统的das主要依靠信号幅度能量进行判别,极易受到环境底噪(如风雨声、交通背景噪声)的干扰,导致系统频繁误报。2)声源特征提取困难:不同类型的声源(如机械挖掘、人工挖掘、行人走动、车辆通过)产生的振动信号在时间与空间维度上交织,简单的规则算法难以提取具备高辨识度的特征向量。3)实时性与算力矛盾:das系统产生的数据量巨大(通常为gbps级别),在边缘侧实现高采样率、高空间分辨率下的实时人工智能(artificial intelligence,ai)推理对硬件架构提出了严苛要求。
技术实现思路
1、本发明实施例提供了一种防外破声源事件监测方法及系统,实现了显著提升声源事件分类准确率,突破复杂声源识别瓶颈;大幅降低虚警率,增强系统抗干扰能力;兼顾边缘侧部署需求与实时推理性能。
2、第一方面,本实施例提供了一种防外破声源事件监测方法,该方法包括:
3、获取分布式声波传感设备采集待测点位的原始振动数据,对所述原始振动数据进行预处理,获得一维振动信号以及二维时频图;
4、通过异构双分支识别网络中第一处理分支对所述一维振动信号处理,提取所述一维振动信号的全局时序特征,以及通过所述异构双分支识别网络中第二处理分支对所述二维时频图处理,提取所述二维时频图的高维语义特征;
5、将所述高维语义特征注入所述第一处理分支与所述全局时序特征进行全局时序逻辑建模,获得全局时序建模的更新全局时序特征,并将所述更新全局时序特征反向注入至所述第二处理分支与所述高维语义特征融合,得到语义增强的更新高维语义特征;
6、分别基于所述更新全局时序特征识别所述待测点位的第一声源事件预测概率以及基于所述更新高维语义特征识别所述待测点位的第二声源事件预测概率,并基于所述第一声源事件预测概率和第二声源事件预测概率,确定所述待测点位的声源事件的初始分类结果;
7、当所述初始分类结果满足预设告警条件时,构建所述待测点位的时空瀑布图,根据所述时空瀑布图中的移动轨迹确定所述待测点位的声源事件的最终分类结果并执行告警决策。
8、第二方面,本实施例提供了一种防外破声源事件监测系统,该系统包括:
9、预处理模块,用于获取分布式声波传感设备采集待测点位的原始振动数据,对所述原始振动数据进行预处理,获得一维振动信号以及二维时频图;
10、特征提取模块,用于通过异构双分支识别网络中第一处理分支对所述一维振动信号处理,提取所述一维振动信号的全局时序特征,以及通过所述异构双分支识别网络中第二处理分支对所述二维时频图处理,提取所述二维时频图的高维语义特征;
11、特征融合模块,用于将所述高维语义特征注入所述第一处理分支与所述全局时序特征进行全局时序逻辑建模,获得全局时序建模的更新全局时序特征,并将所述更新全局时序特征反向注入至所述第二处理分支与所述高维语义特征融合,得到语义增强的更新高维语义特征;
12、初始分类模块,用于分别基于所述更新全局时序特征识别所述待测点位的第一声源事件预测概率以及基于所述更新高维语义特征识别所述待测点位的第二声源事件预测概率,并基于所述第一声源事件预测概率和第二声源事件预测概率,确定所述待测点位的声源事件的初始分类结果;
13、最终分类模块,用于当所述初始分类结果满足预设告警条件时,构建所述待测点位的时空瀑布图,根据所述时空瀑布图中的移动轨迹确定所述待测点位的声源事件的最终分类结果并执行告警决策。
14、本发明实施例提供一种防外破声源事件监测方法及系统,该方法包括:首先获取分布式声波传感设备采集待测点位的原始振动数据,对所述原始振动数据进行预处理,获得一维振动信号以及二维时频图;其次通过异构双分支识别网络中第一处理分支对所述一维振动信号处理,提取所述一维振动信号的全局时序特征,以及通过所述异构双分支识别网络中第二处理分支对所述二维时频图处理,提取所述二维时频图的高维语义特征;然后将所述高维语义特征注入所述第一处理分支与所述全局时序特征进行全局时序逻辑建模,获得全局时序建模的更新全局时序特征,并将所述更新全局时序特征反向注入至所述第二处理分支与所述高维语义特征融合,得到语义增强的更新高维语义特征;再分别基于所述更新全局时序特征识别所述待测点位的第一声源事件预测概率以及基于所述更新高维语义特征识别所述待测点位的第二声源事件预测概率,并基于所述第一声源事件预测概率和第二声源事件预测概率,确定所述待测点位的声源事件的初始分类结果;最后当所述初始分类结果满足预设告警条件时,构建所述待测点位的时空瀑布图,根据所述时空瀑布图中的移动轨迹确定所述待测点位的声源事件的最终分类结果并执行告警决策。上述技术方案,采用异构双分支识别网络,通过一条处理分支对一维振动信号进行处理,以捕获不同物理频率的瞬态脉冲,通过另一条处理分支对二维时频图进行处理,以捕获微观声纹,实现了对声源信号物理属性与视觉特征的全面覆盖;同时,采用双向交互融合机制,将第二处理分支捕获的高维语义特征注入第一处理分支,并将第一处理分支领悟到的全局时序逻辑反馈给第二处理分支,这种“由全局语义指导局部细节”的闭环设计能有效区分具备相似频谱但作业节律迥异的复杂声源事件。此外,基于不同处理分支的准确率加权的决策融合机制,确定初始分类结果,再在此基础上,结合时空轨迹校验声源事件的类别,确定最终分类结果。基于人工智能神经网络与时空轨迹校验相结合的分布式声波传感声源事件实时判别方式,不再依赖单一的时间段声纹特征,而是通过构建“物理特征-声纹纹理-时空轨迹”三位一体的识别架构,实现对目标事件的高可靠判别。实现了显著提升声源事件分类准确率,突破复杂声源识别瓶颈;大幅降低虚警率,增强系统抗干扰能力;兼顾边缘侧部署需求与实时推理性能。
15、应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种防外破声源事件监测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述通过异构双分支识别网络中第一处理分支对所述一维振动信号处理,提取所述一维振动信号的全局时序特征,包括:
3.根据权利要求2所述的方法,其特征在于,所述通过多尺度卷积模块对所述一维振动信号进行全局时序特征提取,生成满足基于注意力机制的深度学习模块输入要求的全局时序特征,包括:
4.根据权利要求1所述的方法,其特征在于,所述通过所述异构双分支识别网络中第二处理分支对所述二维时频图处理,提取所述二维时频图的高维语义特征,包括:
5.根据权利要求1所述的方法,其特征在于,所述将所述高维语义特征注入所述第一处理分支与所述全局时序特征进行全局时序逻辑建模,获得全局时序建模的更新全局时序特征,并将所述更新全局时序特征反向注入至所述第二处理分支与所述高维语义特征融合,得到语义增强的更新高维语义特征,包括:
6.根据权利要求5所述的方法,其特征在于,所述将所述高维语义特征输入至所述第二处理分支的第二卷积模块,得到第一细化特征和第二细化特征,并将所述第二细化特征与所述上采样输出特征融合,生成所述更新高维语义特征,包括:
7.根据权利要求5所述的方法,其特征在于,所述将所述全局时序特征与所述下采样输出特征输入至所述第一处理分支的基于注意力机制的深度学习模块,输出所述更新全局时序特征,包括:
8.根据权利要求1所述的方法,其特征在于,所述分别基于所述更新全局时序特征识别所述待测点位的第一声源事件预测概率以及基于所述更新高维语义特征识别所述待测点位的第二声源事件预测概率,并基于所述第一声源事件预测概率和第二声源事件预测概率,确定所述待测点位的声源事件的初始分类结果,包括:
9.根据权利要求1所述的方法,其特征在于,所述构建所述待测点位的时空瀑布图,根据所述时空瀑布图确定所述待测点位的声源事件的最终分类结果并执行告警决策,包括:
10.一种防外破声源事件监测系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com