一种光栅阵列建筑施工场地周界安防入侵识别方法

技术领域

本公开涉及建筑安防技术领域，尤其涉及一种空光栅阵列建筑施工场地周界安防入侵识别方法。

背景技术

在建筑领域中，在建筑施工场地中会发生失窃现象。由于场地不仅不规则，而且场地周边环境复杂，缺乏有效的识别检测报警手段。

发明内容

为克服相关技术中存在的问题，本公开提供一种空光栅阵列建筑施工场地周界安防入侵识别方法，以解决上述的问题。

根据本公开实施例的第一方面，提供一种空光栅阵列建筑施工场地周界安防入侵识别方法，所述方法包括：

获取第一原始振动数据；

对所述第一原始振动数据进行去噪处理得到第二原始振动数据；

将所述第二原始振动数据分解，得到若干个有效本征模态函数IMF分量；

确定所述有效本征模态函数IMF分量与所述第一原始振动数据的相关系数；

根据所述相关系数确定所述有效本征模态函数IMF分量的数量；

确定所述有效本征模态函数IMF分量的信息熵；

根据所述有效本征模态函数IMF分量的数量和所述信息熵确定所述第一原始振动数据的多个振动特征值；

将所述多个振动特征值组合，得到所述第一原始振动数据的特征向量；

其中，所述振动特征值的数量等于所述有效本征模态函数IMF分量的数量；

将所述特征向量输入到预先训练的神经网络模型中，以进行识别分类；

人为入侵的有效振动，干扰事件引起的振动。

在一种实施方式中，根据所述相关系数确定所述有效本征模态函数IMF分量的数量，包括：

确定多组试验振动数据；

生成每组试验振动数据的相关系数Y与有效本征模态函数IMF分量X的二维曲线；

确定每组二维曲线中的相关系数的极小值；

根据所述每组相关系数的极小值确定相关系数的试验极小值；

确定所述试验极小值对应的效本征模态函数IMF分量的数量X。

在一种实施方式中，根据所述每组相关系数的极小值确定相关系数的试验极小值，包括：

预先设定相关系数的上限阈值和下限阈值；

确定所述上限阈值和下限阈值的相关系数范围；

确定相关系数的极小值位于所述相关系数范围内的数量；

如果所述数量等于或者大于预定的数量阈值，则确定所述相关系数范围对应的相关系数为相关系数的试验极小值。

在一种实施方式中，所述多组试验振动数据的数量为4；

确定所述试验极小值对应的效本征模态函数IMF分量的数量为7。

在一种实施方式中，所述神经网络模型为BP神经网络模型，隐含层激活函数使用relu激活函数，输出层激活函数采用sigmoid激活函数，训练函数采用traincgf函数。输入节点有14个，输出节点有3个，隐含层节点有8个。

在一种实施方式中，获取第一原始振动数据，包括：

服务器获取安防入侵系统采集的第一原始振动数据，

所述安防入侵系统包括光栅阵列传感光纤和解调仪；

所述光栅阵列传感光纤与所述解调仪电连接；

所述光栅阵列传感光纤粘附在施工场地围挡表面；

光栅阵列传感光纤，用于当所述施工场地围挡振动时，将振动转换为光信号；向所述解调仪发送所述光信号；

所述解调仪将所述光信号转换为电信号后，将振动的电信号发送给服务器。

本公开的实施例提供的技术方案可以包括以下有益效果：

获取第一原始振动数据；将所述第二原始振动数据分解，得到若干个有效本征模态函数IMF分量；确定所述有效本征模态函数IMF分量与所述第一原始振动数据的相关系数；根据所述相关系数确定所述有效本征模态函数IMF分量的数量；确定所述有效本征模态函数IMF分量的信息熵；根据所述有效本征模态函数IMF分量的数量和所述信息熵确定所述第一原始振动数据的多个振动特征值；将所述多个振动特征值组合，得到所述第一原始振动数据的特征向量；其中，所述振动特征值的数量等于所述有效本征模态函数IMF分量的数量；将所述特征向量输入到预先训练的神经网络模型中，以进行识别分类。本申请的方法，可以有效的对原始的振动进行识别分类，如果是人为的振动，可以及时报警，从而有效的提高了建筑施工工地的安防水平。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种空光栅阵列建筑施工场地周界安防入侵识别方法的流程图；

图2是根据一示例性实施例示出的一种安防入侵系统的结构示意图；

图3是根据一示例性实施例示出的一种相关系数与IMF分量的二维曲线图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

本申请提出了一种空光栅阵列建筑施工场地周界安防入侵识别方法方法，参见附图1所示的一种空光栅阵列建筑施工场地周界安防入侵识别方法的流程图；该方法可以包括以下的步骤：

步骤S101，获取第一原始振动数据。

在一些实施例中，步骤S101中，获取第一原始振动数据，可以进一步包括以下步骤：

服务器获取安防入侵系统采集的第一原始振动数据。

所述安防入侵系统包括光栅阵列传感光纤和解调仪；

所述光栅阵列传感光纤与所述解调仪电连接；

所述光栅阵列传感光纤粘附在施工场地围挡表面；

光栅阵列传感光纤，用于当所述施工场地围挡振动时，将振动转换为光信号；向所述解调仪发送所述光信号；

所述解调仪将所述光信号转换为电信号后，将振动的电信号发送给服务器。

参见附图2，安防入侵系统包括光栅阵列传感光纤、解调仪。使用环氧树脂胶水将传感光纤粘附在施工场地围挡的表面，再粘附一层透明胶带起保护作用，传感光纤通过一根跳线与解调仪连接，解调仪与服务器连接，传感光纤感知围挡的振动状态，解调仪将光纤反射回来的光信号转换为电信号并传输至服务器中进行处理，服务器内的解调仪配套软件自动将数据按时间顺序进行存储并在计算机上展示实时的监测数据，最后基于所述的入侵信号识别方法判断事件类型。

上述的第一原始振动数据可以采用解调仪发送，采用光栅阵列传感光纤来进行检测振动，将光栅阵列传感光纤设置在被检测的围挡上，当有振动时，

光栅阵列传感光纤会把检测到的振动转换为光信号，将光信号发送给解调仪。

步骤S102，对所述第一原始振动数据进行去噪处理得到第二原始振动数据。

具体的，服务器可以采用去噪算法对上述的第一原始振动数据进行去噪处理。

其中，上述的去噪算法可以为，比如，小波阈值去噪法。

在本实施例中，可以采用改进的自适应噪声集合经验模态分解ICEEMDAN将去噪后的监测数据分解为若干个有效本征模态函数IMF分量。

在一些实施例中，选择适当的小波基函数和分解层数对原始监测数据进行分解，得到一系列高频分量和低频分量以及相应的小波分解系数。然后利用阈值处理函数对高频分量的小波分解系数进行处理使其适当减小。最后对低频分量及修正过的高频分量进行小波重构得到降噪后信号。

在一些实施例中，上述小波分解层数和阈值函数的选择采用试算法。小波分解层数分别设置为4层和6层，小波阈值去噪通常可以分为硬阈值去噪及软阈值去噪2种。硬阈值函数的表达式为：

软阈值函数的表达式为：

上式中，W

作为优选的，在选定小波基函数后，将小波分解层数分别设置为3层和5层，阈值选择分别为软阈值和硬阈值，计算原始振动信号去噪后的信噪比(SNR)和均方根误差(RMSE)，通过比较信噪比和均方根误差来选择最合适的小波分解层数和阈值函数。

信噪比(SNR)：

均方根误差(RMSE)：

上式中，f(n)为原始振动信号，f

步骤S103，将所述第二原始振动数据分解，得到若干个有效本征模态函数IMF分量。

作为优选的，采用改进的自适应噪声集合经验模态分解(ICEEMDAN)将去噪后的监测数据分解为若干个有效本征模态函数(IMF)分量，改进的自适应噪声集合经验模态分解(ICEEMDAN)是在自适应噪声的完整集合经验模态分解(CEEMDAN)的基础上改进的，与CEEMDAN相比，ICEEMDAN通过引入局部包络平均，减小了分解中的残余噪声。

不同的监测数据经ICEEMDAN分解后会产生不同数量的有效本征模态函数(IMF)分量。分别编号为IMF1、IMF2、IMF3、......单个IMF分量表示原始振动信号的部分振动特性，编号越靠前的IMF分量越能代表原始振动信号的振动特性，每个IMF分量后续要计算信息熵作为BP神经网络的输入向量，因此数量不宜过多。

步骤S104，确定所述有效本征模态函数IMF分量与所述第一原始振动数据的相关系数。

步骤S105，根据所述相关系数确定所述有效本征模态函数IMF分量的数量。

在本实施例中，可以采用相关系数准则来确定IMF分量的数量。

IMF分量相关系数：

其中：X为原始振动信号，Y为IMF分量，Cov(X,Y)为X与Y的协方差，Var(X)为X的方差，Var(Y)为Y的方差。

在本实施例中，上述的有效本征模态函数IMF分量的数量为7个。

步骤S106，确定所述有效本征模态函数IMF分量的信息熵。

在本实施例中，步骤4中的信息熵选择能量熵、功率谱熵。

某一事件产生的振动信号在去噪后，经过ICEEMDAN分解得到的第i个IMF分量的能量熵H

设某个样本事件序列为x(t)，其样本长度为n，那么该样本具有的能量E

假设生成的第k个IMF

因此所有IMF分量所具有的能量总和为：

第k个IMF

计算ICEEMDAN能量熵：

H

最终一组样本数据可以得到一组具有m个数据的ICEEMDAN能量熵特征向量：

H＝[H

原始振动信号经ICEEMDAN算法分解后，形成的IMF分量为{IMF

功率谱估计序列S

功率谱熵的定义为：

式中，t

最终一组样本数据可以得到一组具有m个数据的功率谱熵特征向量：

Q＝[Q

步骤S107，根据所述有效本征模态函数IMF分量的数量和所述信息熵确定所述第一原始振动数据的多个振动特征值。

在本实施例中，上述的有效本征模态函数IMF分量的数量为7个，第一原始振动数据的振动特征值的数量为7个。

步骤S108，将所述多个振动特征值组合，得到所述第一原始振动数据的特征向量。

其中，所述振动特征值的数量等于所述有效本征模态函数IMF分量的数量。

在本实施例中，可以把上述的能量熵和功率谱熵顺序组合为新的特征向量。

步骤S109，将所述特征向量输入到预先训练的神经网络模型中，以进行识别分类。

其中，识别类型包括：人为入侵的有效振动，干扰事件引起的振动，比如，风雨造成的振动。

在本申请的实施例中，识别分类之后，可以根据识别类型进行报警动作。比如，如果类型为人为入侵，则可以向报警装置发送报警命令，报警装置接收到报警命令后，进行报警。报警装置可以为蜂鸣器等。

本申请的上述的方法，通过将所述第二原始振动数据分解，得到若干个有效本征模态函数IMF分量。根据有效本征模态函数IMF分量的数量和所述信息熵确定第一原始振动数据的多个振动特征值。根据相关系数确定有效本征模态函数IMF分量的数量。将所述特征向量输入到预先训练的神经网络模型中，以进行识别分类。本申请的上述的方法，通过预先训练的神经网络模型进行识别，可以提高对于振动类型识别的准确率，尤其是对于人为入侵的有效振动的识别的准确率，从而可以及时报警。也能够提高对于干扰事件引起的振动的识别的准确率，从而可以避免误报警。

在一种实施方式中，参见附图3，根据所述相关系数确定所述有效本征模态函数IMF分量的数量，包括：

确定多组试验振动数据；

生成每组试验振动数据的相关系数Y与有效本征模态函数IMF分量X的二维曲线；

确定每组二维曲线中的相关系数的极小值；

根据所述每组相关系数的极小值确定相关系数的试验极小值；

确定所述试验极小值对应的效本征模态函数IMF分量的数量X。

在一种实施方式中，参见附图3，根据所述每组相关系数的极小值确定相关系数的试验极小值，包括：

预先设定相关系数的上限阈值和下限阈值；

确定所述上限阈值和下限阈值的相关系数范围；

确定相关系数的极小值位于所述相关系数范围内的数量；

如果所述数量等于或者大于预定的数量阈值，则确定所述相关系数范围对应的相关系数为相关系数的试验极小值。

在本实施例中，上限阈值可以灵活进行设定，下限阈值可以灵活进行设定。比如，上限阈值可以设置为0.1。

上述的上限阈值和下限阈值的相关系数范围，确保了多个测试数据的相关系数的极小值稳定在该范围内，有利于更加精确的确定出相关系数的极小值，更有利于确定出极小值第一次出现的点对应的横坐标，也就是对应的IMF分量。如图所示，IMF分量的数量为7，

确定的原则为，对于每个IMF分量对应的一组纵坐标值中，该组纵坐标数据中，至少有一个点的纵坐标位于上述的相关系数范围内，则该组对应的IMF分量为目标值。

在一种实施方式中，所述多组试验振动数据的数量为4；

确定所述试验极小值对应的效本征模态函数IMF分量的数量为7。

在一些实施例中，上述的报警装置可以安装在围挡上，也可以安装在场地的监控室中，报警装置可以为声音报警的形式，还可以为显示屏显示文字的形式进行报警。还可以为发送短信的形式，将报警短信发送给现场的监护人员的客户端上，或者发送给远端的管理者的客户端上。

在一种实施方式中，本申请提出了另一种用于光栅阵列建筑施工场地周界安防的入侵识别方法，包括以下的步骤：

步骤1、使用小波阈值去噪法对原始振动信号进行去噪处理。首先通过计算小波基函数波形与原始振动信号波形的相关系数，确定最优的小波基函数，在监测数据集中随机选取6组数据，分别计算这6组数据和不同小波基函数的相似系数，可知Symlets小波最适合用于原始监测数据的去噪处理。通过试算法确定小波分解层数和阈值函数，小波分解层数分别设置为4层和6层，阈值函数分为硬阈值及软阈值2种，去噪效果以信噪比和均方根误差作为判断指标，选取4组监测数据进行试算，试算结果参见表1：

表1

因此，小波分解层数选择4层，阈值函数选择硬阈值。

步骤2、改进的自适应噪声集合经验模态分解(ICEEMDAN)将去噪后的监测数据分解为若干个有效本征模态函数(IMF)分量，通过计算IMF分量与原始信号的相关系数来确定有效IMF分量的数量，随机选择4组监测数据，经ICEEMDAN分解后，分别计算每一IMF分量与原始信号的相关系数，选择前7个IMF分量作为有效IMF分量。

步骤3、通过计算各有效IMF分量的信息熵提取振动信号的振动特征，信息熵包括能量熵和功率谱熵。计算得到的能量熵和功率谱熵组合形成输入向量。

步骤4、将训练数据输入到BP神经网络模型中进行训练，训练完毕后再将测试数据输入至BP神经网络模型中进行识别分类。通过比对，得出各类事件的识别准确率。

本实施例中，在上述周界安防系统采集、计算得到的数据中随机挑选15000组数据，每种事件的数据各5000组，将15000组数据的顺序随机打乱，再分为一个训练集和一个测试集，训练集中有10500组数据，测试集中有4500组数据。

本实施例中，采用matlab软件搭建BP神经网络模型，隐含层激活函数使用relu激活函数，输出层激活函数采用sigmoid激活函数，训练函数采用traincgf函数。输入节点有14个，输出节点有3个，隐含层节点有8个。

本实施例中，采用的解调仪型号为BW-1550，采样频率为5000Hz。

本实施例中，重复进行10次上述识别过程，取10次识别结果的平均值作为最终的识别结果。

本实施例中，人为入侵事件的识别率为93％、下雨/刮风等干扰事件的识别率为91％、无入侵事件的识别率为95％，总体识别准确率较高。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。