一种基于机器学习的全声态光纤监测方法及系统

技术领域

本发明涉及机器学习技术领域，具体地说，是一种基于机器学习的全声态光纤监测方法及系统，通过GAS主机采集光纤传感回来的信号，结合机器学习技术解析出该位置所处环境场的声波振动情况，还原现场声音。

背景技术

全声态光纤监测技术(GAS)是利用普通光缆中的单模纤芯构成光纤传感器，采集光纤周围的振动信号作为主要参数，实现0.5Hz~20kHz的频率采集，做到声音的采集还原，但是目前市场上的全声态光纤监测技术其对声音的识别、解析、报警仍有待提高。

本发明通过GAS主机采集光纤传感回来的信号，结合机器学习技术解析出该位置所处环境场的声波振动情况还原现场声音，能实现更丰富的报警分类信息，实现更加精准的报警信息分类，本发明设计的结合了机器学习的GAS主机可被广泛用于油气管道、国防边境、通信光缆、矿井搜救、电力电缆、铁路安防、高速公路、自然灾害监测等领域。在周界应用场景下，利用铺设于土壤、沙地、水塘、围墙或者围栏上的光缆作为传感单元，对非法入侵、翻越、异常车辆经过、冲击围栏围墙等外围入侵事件进行实时监测和报警。在长输管线监控应用场景下，在拟监控管线旁，利用伴行普通光缆，即可实现全线的实时监控，对全线的声音及振动信号进行采集，并结合Al智能算法分辨事件类型第一时间发现问题并预警，极大提升巡检效率。

发明内容

本发明的目的在于提供一种基于机器学习的全声态光纤监测方法及系统，通过GAS主机采集光纤传感回来的信号，结合机器学习技术解析出该位置所处环境场的声波振动情况，还原现场声音。

本发明通过下述技术方案实现：一种基于机器学习的全声态光纤监测方法，包括以下步骤：

步骤S1,使用GAS主机采集现场声音数据，对声音数据进行去噪，生成模型训练集；

步骤S2,在GAS主机中根据CNN音频分类器捕获声音数据，使用光谱图表示声音数据集，搭建神经网络模型，使用神经网络模型捕获光谱图中的声音数据，用模型训练集训练神经网络模型，并将迭代次数和学习率预设完整；

所述神经网络模型由依次连接的上层的点卷积组合模块和下层的双卷积池化组合模块构成，所述上层的点卷积组合模块包括第一卷积层、第二卷积层、第一批一归化层、第二批一归化层、第一激活函数层、第二激活函数层、最大池化层和特征相乘层；

所述双卷积池化组合模块包括第三卷积层、第四卷积层、第五卷积层、全连接层、第三批一归化层、第三激活函数层、第一正则化层和损失函数层；

步骤S3，将声音数据集以数据立方体的结构输入神经网络模型中对神经网络模型进行训练，生成训练好的神经网络模型；

步骤S4，在实际场景下使用GAS主机采集现场声音数据生成对应的用光谱图表示的声音数据集，将对应的声音数据集输入进训练好的神经网络模型中，通过深度挖掘分析还原得到该位置所处现场环境的声波震动情况，还原现场声音并进行监测。

为了更好地实现本发明，进一步地，设计所述步骤S2中点卷积组合模块的方法包括：

在所述点卷积组合模块中将第一卷积层和第二卷积层并联连接；

将第一卷积层依次连接第一批一归化层和第一激活函数层，在第一激活函数层中设置Relu激活函数；

将第二卷积层依次连接第二批一归化层和第二激活函数层，在第二激活函数层中设置Relu激活函数；

将第一激活函数层和第二激活函数层之间通过特征相乘层连接，将特征相乘层和最大池化层连接。

为了更好地实现本发明，进一步地，所述点卷积组合模块用于解决声音数据集的无序性，增加声音数据集的局部特征。

为了更好地实现本发明，进一步地，设计所述步骤S2中双卷积池化组合模块的方法包括：

在所述双卷积池化组合模块中将第三卷积层依次和第三卷积层、第四卷积层、第五卷积层、全连接层、第三批一归化层、第三激活函数层、第一正则化层和损失函数层连接；

在第三激活函数层中设置Relu激活函数。

为了更好地实现本发明，进一步地，所述双卷积池化组合模块用于对以光谱图展示的声音数据集的进行分类显示。

为了更好地实现本发明，进一步地，所述步骤S3包括：

将声音数据集输入进神经网络模型后利用点卷积组合模块提取声音数据集的局部信息，与此同时上层的点卷积组合模块对声音数据进行上采样，再深度挖掘声音数据集，最后由下层的双卷积池化组合模块将声音数据集的特征信息聚合之后使用第三激活函数层中的Relu激活函数和损失函数层中的softmax损失函数计算光谱图中声音数据集预测点与声音数据集真实点的损失值，利用学习率下降法不断迭代衰减损失值，优化神经网络模型权重参数，直到迭代次数等于最大迭代次数，中止训练，生成训练好的神经网络模型。

为了更好地实现本发明，进一步地，所述步骤S4包括：

GAS主机根据光缆自身进行光纤侦听，完成声音复核。

为了更好地实现本发明，进一步地，本发明还提供了一种基于机器学习的全声态光纤监测系统，包括采集单元、模型搭建单元、训练单元和监测单元，其中：

采集单元，用于使用GAS主机采集现场声音数据，对声音数据进行去噪，生成模型训练集，在GAS主机中根据CNN音频分类器捕获声音数据，使用光谱图表示声音数据集；

模型搭建单元，用于搭建神经网络模型，使用神经网络模型捕获光谱图中的声音数据，用模型训练集训练神经网络模型，并将迭代次数和学习率预设完整；

所述神经网络模型由依次连接的上层的点卷积组合模块和下层的双卷积池化组合模块构成，所述上层的点卷积组合模块包括第一卷积层、第二卷积层、第一批一归化层、第二批一归化层、第一激活函数层、第二激活函数层、最大池化层和特征相乘层；

所述双卷积池化组合模块包括第三卷积层、第四卷积层、第五卷积层、全连接层、第三批一归化层、第三激活函数层、第一正则化层和损失函数层；

训练单元，用于将声音数据集以数据立方体的结构输入神经网络模型中对神经网络模型进行训练，生成训练好的神经网络模型；

监测单元，用于在实际场景下使用GAS主机采集现场声音数据生成对应的用光谱图表示的声音数据集，将对应的声音数据集输入进训练好的神经网络模型中，通过深度挖掘分析还原得到该位置所处现场环境的声波震动情况，还原现场声音并进行监测。

为了更好地实现本发明，进一步地，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述方法的步骤。

本发明与现有技术相比，具有以下优点及有益效果：

（1）本发明设计的全声态光纤监测方法可针对传感光纤每2~8米(可根据需求设定)为一个单元进行实时监测，可以针对不同应用和防护场景灵活设置监测区间，便于构筑周界防护和长输周界防护多场景、长距离、一体化的综合安防系统；

（2）本发明通过GAS主机采集光纤传感回来的信号，结合机器学习技术解析出该位置所处环境场的声波振动情况还原现场声音，能实现更丰富的报警分类信息，实现更加精准的报警信息分类，本发明设计的结合了机器学习的GAS主机可被广泛用于油气管道、国防边境、通信光缆、矿井搜救、电力电缆、铁路安防、高速公路、自然灾害监测等领域。在周界应用场景下，利用铺设于土壤、沙地、水塘、围墙或者围栏上的光缆作为传感单元，对非法入侵、翻越、异常车辆经过、冲击围栏围墙等外围入侵事件进行实时监测和报警。在长输管线监控应用场景下，在拟监控管线旁，利用伴行普通光缆，即可实现全线的实时监控，对全线的声音及振动信号进行采集，并结合Al智能算法分辨事件类型第一时间发现问题并预警，极大提升巡检效率。

附图说明

本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。

图1为本发明提供的神经网络模型的结构示意图。

具体实施方式

为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1：

本实施例的一种基于机器学习的全声态光纤监测方法，如图1所示，是本发明提供的神经网络模型的结构示意图。其中，C1是第一卷积层、C2是第二卷积层、C3是第三卷积层、C4是第四卷积层、C5是第五卷积层、BN1是第一批一归化层、BN2是第二批一归化层、BN3是第三批一归化层、ReLU1是第一激活函数层、ReLU2是第二激活函数层、ReLU3是第三激活函数层、Maxpooling是最大池化层、FC是全连接层、Dropout是第一正则化层、Softmax是损失函数层。

本发明提供的基于机器学习的全声态光纤监测方法包括以下步骤：

使用GAS主机采集现场声音数据，对声音数据进行去噪，生成模型训练集；

在GAS主机中根据CNN音频分类器捕获声音数据，使用光谱图表示声音数据集，搭建神经网络模型，使用神经网络模型捕获光谱图中的声音数据，用模型训练集训练神经网络模型，并将迭代次数和学习率预设完整；

神经网络模型由依次连接的上层的点卷积组合模块和下层的双卷积池化组合模块构成，上层的点卷积组合模块包括第一卷积层、第二卷积层、第一批一归化层、第二批一归化层、第一激活函数层、第二激活函数层、最大池化层和特征相乘层；

双卷积池化组合模块包括第三卷积层、第四卷积层、第五卷积层、全连接层、第三批一归化层、第三激活函数层、第一正则化层和损失函数层；

将声音数据集以数据立方体的结构输入神经网络模型中对神经网络模型进行训练，生成训练好的神经网络模型；

在实际场景下使用GAS主机采集现场声音数据生成对应的用光谱图表示的声音数据集，将对应的声音数据集输入进训练好的神经网络模型中，通过深度挖掘分析还原得到该位置所处现场环境的声波震动情况，还原现场声音并进行监测。

在点卷积组合模块中将第一卷积层和第二卷积层并联连接；

将第一卷积层依次连接第一批一归化层和第一激活函数层，在第一激活函数层中设置Relu激活函数；

将第二卷积层依次连接第二批一归化层和第二激活函数层，在第二激活函数层中设置Relu激活函数；

将第一激活函数层和第二激活函数层之间通过特征相乘层连接，将特征相乘层和最大池化层连接。

点卷积组合模块用于解决声音数据集的无序性，增加声音数据集的局部特征。

设计双卷积池化组合模块的方法包括：

在双卷积池化组合模块中将第三卷积层依次和第三卷积层、第四卷积层、第五卷积层、全连接层、第三批一归化层、第三激活函数层、第一正则化层和损失函数层连接；

在第三激活函数层中设置Relu激活函数。

双卷积池化组合模块用于对以光谱图展示的声音数据集的进行分类显示。

将声音数据集输入进神经网络模型后利用点卷积组合模块提取声音数据集的局部信息，与此同时上层的点卷积组合模块对声音数据进行上采样，再深度挖掘声音数据集，最后由下层的双卷积池化组合模块将声音数据集的特征信息聚合之后使用第三激活函数层中的Relu激活函数和损失函数层中的softmax损失函数计算光谱图中声音数据集预测点与声音数据集真实点的损失值，利用学习率下降法不断迭代衰减损失值，优化神经网络模型权重参数，直到迭代次数等于最大迭代次数，中止训练，生成训练好的神经网络模型。

实施例2：

本实施例在实施例1的基础上做进一步优化，。

本实施例的其他部分与实施例1相同，故不再赘述。

实施例3：

本实施例在上述实施例1或2的基础上做进一步优化，本发明设计的GAS主机融合机器学习技术，能够突破解决多识别类型、高准确度、快速响应等问题。

本实施例的其他部分与上述实施例1或2相同，故不再赘述。

实施例4：

本实施例在上述实施例1-3任一项的基础上做进一步优化，给GAS主机某一事件的海量样本，GAS主机利用深度神经网络模型和长短记忆网络算法对样本数据处理，经过智能数据分析后，精准判定事件信息。有自学习自优化能力。通过GAS主机不断的机器学习海量样本，来优化GAS主机识别的准确率。

本实施例的其他部分与上述实施例1-3任一项相同，故不再赘述。

实施例5：

本实施例在上述实施例1-4任一项基础上做进一步优化，本发明提供的全声态光纤监测系统将光纤传感回来的信号进行还原，解析出该位置所处环境场的声波振动情况，还原现场声音，GAS主机通过不断的机器学习可达到降低误报的目的，实现降本增效的作用。

本实施例的其他部分与上述实施例1-4任一项相同，故不再赘述。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。