本發(fā)明屬于分布式光纖聲學傳感，具體涉及一種基于分布式地埋光纖的聲學傳感事件檢測方法及裝置。

背景技術：

1、作為一種新型的聲波檢測技術，分布式光纖聲波傳感技術，利用大面積的分布式光纖作為感知單元，通過檢測周圍環(huán)境中的物理事件所導致光纖的微弱彎曲和扭轉，以及光纖中后向瑞利散射光中相位的變化，實現(xiàn)對外界的振動源或者聲源的實時定位和感知。分布式光纖聲波傳感技術具有高靈敏度、高信息豐度、多維信號特征的特點，已經(jīng)在周界安防、水利/油氣管道監(jiān)測、地震監(jiān)測等領域得到了廣泛的應用。

2、中國專利文獻cn114857504a中公開了一種基于分布式光纖傳感器和深度學習的管道安全監(jiān)測方法，包括搭建油氣管道模擬平臺，采集數(shù)據(jù)，基于小波降噪、歸一化處理等的數(shù)據(jù)預處理方法，并利用卷積神經(jīng)網(wǎng)絡作為特征提取器，以支持向量機作為分類選擇器，建立卷積神經(jīng)網(wǎng)絡和支持向量機的聯(lián)合訓練模型，進行油氣管道安全識別，根據(jù)輸出的數(shù)字標簽進行分類，實現(xiàn)對管道的安全監(jiān)測。

3、中國專利文獻cn114139583a中公開了一種高速公路異常事件檢測方法及系統(tǒng)，通過架設在高速公路護欄中的分布式光纖傳感系統(tǒng)，采集多路并行光纖信號，在空間上得到若干個待測點的信號，并根據(jù)閾值法篩選待分析監(jiān)測點。在此基礎上，對每一個監(jiān)測點的光纖信號做特征提取，以及與相鄰點的特征進行特征融合，并輸入到模型中得到異常時間的標簽。

4、中國專利文獻cn115622626a中公開了一種分布式聲波傳感語音信息識別系統(tǒng)及方法，該方案涉及分布式傳感光纖系統(tǒng)設計，利用傳感光纖接收語音信號，利用激光出射單元發(fā)出窄帶激光信號，利用環(huán)形器對語音信號進行檢測，最后通過采集單元與采集環(huán)形器，接收反向散射信號，最后利用卷積遞歸網(wǎng)絡單元，將散射信號進行復數(shù)域映射，重構語音信號。

5、中國專利文獻cn113295259a中公開了一種分布式光纖傳感系統(tǒng)，提出了一種分布式光纖傳感系統(tǒng)，包括光纖傳感模塊、顯示模塊、通信模塊、數(shù)據(jù)處理模塊，實現(xiàn)對待檢測目標的智能檢測與智能控制。

6、上述現(xiàn)有技術多側重于分布式光纖系統(tǒng)的模塊化功能實現(xiàn)，較少研究基于分布式光纖系統(tǒng)采集的時空數(shù)據(jù)，進行事件檢測，包括事件類別與事件發(fā)生時刻檢測的核心技術方法。同時，分布式光纖的外部部署環(huán)境信息，沒有充分利用起來，不同實現(xiàn)更好性能的分布式光纖傳感系統(tǒng)設計，也不能進行準確檢測。

技術實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術的不足，提出一種基于分布式地埋光纖的聲學傳感事件檢測方法及裝置，采集分布式地埋光纖后向瑞利散射光相位的時空數(shù)據(jù)；根據(jù)輸入的時空數(shù)據(jù)，利用聲學傳感事件神經(jīng)網(wǎng)絡模型對聲學傳感事件進行檢測，聲學傳感事件神經(jīng)網(wǎng)絡模型利用提示學習方法，在任務訓練時，僅對提示向量和與任務相關的網(wǎng)絡結構進行調(diào)整；其中，聲學傳感事件神經(jīng)網(wǎng)絡模型為基于預訓練的聲學swin?transformer神經(jīng)網(wǎng)絡模型，引入地理與地址特征作為線索信息，同時構造線索掩碼網(wǎng)絡，輸入線索掩碼網(wǎng)絡獲得線索信息對應的線索掩碼向量，將線索掩碼向量與提示向量同時輸入到聲學傳感事件神經(jīng)網(wǎng)絡模型進行模型訓練以及聲學傳感事件檢測。本發(fā)明模型訓練更加精確，對聲學事件類別檢測、時空分布定位更加準確。

2、本發(fā)明提供了一種基于分布式地埋光纖的聲學傳感事件檢測方法，包括：

3、采集分布式地埋光纖后向瑞利散射光相位的時空數(shù)據(jù)；

4、根據(jù)輸入的時空數(shù)據(jù)，利用聲學傳感事件神經(jīng)網(wǎng)絡模型對聲學傳感事件進行檢測，聲學傳感事件神經(jīng)網(wǎng)絡模型利用提示學習方法，在任務訓練時，僅對提示向量和與任務相關的網(wǎng)絡結構進行調(diào)整；

5、其中，聲學傳感事件神經(jīng)網(wǎng)絡模型為基于預訓練的聲學swin?transformer神經(jīng)網(wǎng)絡模型，引入地理與地址特征作為線索信息，同時構造線索掩碼網(wǎng)絡，輸入線索掩碼網(wǎng)絡獲得線索信息對應的線索掩碼向量，將線索掩碼向量與提示向量同時輸入到聲學傳感事件神經(jīng)網(wǎng)絡模型進行模型訓練以及聲學傳感事件檢測。

6、優(yōu)選地，輸入的時空數(shù)據(jù)融合聲學傳感事件類別與時間戳信息，構建時空數(shù)據(jù)的強標簽和弱標簽，所述弱標簽具有聲學傳感事件類別標簽，所述強標簽同時具有聲學傳感事件類別和時間戳信息標簽，在網(wǎng)絡結構調(diào)整過程中引入強標簽和弱標簽聯(lián)合進行模型優(yōu)化訓練。

7、優(yōu)選地，具有弱標簽的時空數(shù)據(jù)為具有聲學傳感事件類別標簽的數(shù)據(jù)，對于時空數(shù)據(jù)段，用一維向量表示事件類別標簽，i為一維向量中事件類別索引，當索引i處的元素為1時，表示整段時空數(shù)據(jù)中存在第i個事件類別的聲學傳感事件，反之，當索引i處的元素為0時，表示整段數(shù)據(jù)中不存在第i個事件類別的聲學事件。

8、優(yōu)選地，具有強標簽的時空數(shù)據(jù)為具有聲學傳感事件類別和時間戳信息標簽的時空數(shù)據(jù)，對于某一個時空數(shù)據(jù)段，用二維矩陣表示事件的類別標簽和幀級時間戳標簽，j為二維矩陣中幀數(shù)索引，i為二維矩陣中事件類別索引，當索引為(i,j)的元素為1時，表示整段時空數(shù)據(jù)中的第j幀存在第i個類別的事件，反之，元素為0表示整段時空數(shù)據(jù)中的第j幀不存在第i個類別的事件。

9、優(yōu)選地，時空數(shù)據(jù)在輸入所述聲學傳感事件神經(jīng)網(wǎng)絡模型之前利用對數(shù)梅爾時頻譜進行聲學特征提取。

10、優(yōu)選地，時空數(shù)據(jù)在輸入所述聲學傳感事件神經(jīng)網(wǎng)絡模型之前利用對數(shù)梅爾時頻譜、對數(shù)梅爾時頻譜系數(shù)一階差分、對數(shù)梅爾時頻譜二階差分三維對數(shù)梅爾時頻譜進行聲學特征提取，具體步驟如下：

11、從時空數(shù)據(jù)中獲取聲學的時域信號，并進行短時傅里葉變換，獲得短時傅里葉變換的幅度譜；

12、將獲得的短時傅里葉幅度譜，輸入多個梅爾濾波器，獲得梅爾短時傅里葉變換幅度譜；

13、對獲得的梅爾短時傅里葉變換幅度譜取對數(shù)，得到對數(shù)梅爾時頻譜圖，具體過程用如下公式表示：

14、

15、對對數(shù)梅爾時頻譜圖，進行一階差分和二階差分，得到聲學特征的對數(shù)梅爾時頻譜系數(shù)一階差分和對數(shù)梅爾時頻譜系數(shù)二階差分；

16、其中，m(f,t)是梅爾譜圖在頻率f和時間t處的值，|hi(f)|是第i個梅爾濾波器在頻率f處的聲學特征響應值，|xi(t)|是第i個濾波器對應的頻域信號在時間t處的幅度，求和操作表示對所有梅爾濾波器的聲學特征響應進行累加，n為梅爾濾波器總數(shù)。

17、優(yōu)選地，利用周圍環(huán)境的地理信息以及地質(zhì)土壤信息作為線索信息，將線索信息輸入到線索掩碼網(wǎng)絡獲得線索信息對應的線索掩碼向量，所述線索掩碼網(wǎng)絡包括嵌入層和transformer?decoder。

18、優(yōu)選地，所述線索掩碼網(wǎng)絡包括編碼器、嵌入層、三個一維卷積層、一個自注意力模塊、一個交叉注意力模塊、兩個前饋神經(jīng)網(wǎng)絡和跳過連接層，三個一維卷積層分別為第一一維卷積層、第二一維卷積層、第三一維卷積層，兩個前饋神經(jīng)網(wǎng)絡分別為第一前饋神經(jīng)網(wǎng)絡和第二前饋神經(jīng)網(wǎng)絡，嵌入層輸入包括編碼器輸出和地理與地址特征，嵌入層輸出分別連接第一一維卷積層和第二一維卷積層，第一一維卷積層順次連接自注意力模塊和第一前饋神經(jīng)網(wǎng)絡，第二一維卷積層順次連接交叉注意力模塊、第二前饋神經(jīng)網(wǎng)絡、第三一維卷積層，所述第一前饋神經(jīng)網(wǎng)絡的輸出還連接所述交叉注意力模塊，第三一維卷積層輸出連接跳過連接層。

19、優(yōu)選地，將線索信息輸入到線索掩碼網(wǎng)絡獲得線索信息對應的線索掩碼向量包括如下步驟：

20、首先，將編碼器的輸出編碼表示為ek和線索信息l一起輸入到嵌入層，執(zhí)行乘法與查詢集成，得到更新的編碼表示為e′k：e′k＝ek⊙l；

21、然后，用第一一維卷積層和第二一維卷積層分別將編碼表示ek和e′k投影到解碼器維度ndndne，分別得到投影編碼表示pk和其中r表示實數(shù)，nd表示編碼器維度，t表示時間維度；

22、其次，將投影編碼表示pk和pk分別輸入自注意力模塊和交叉注意力模塊，計算解碼表示，得到投影解碼器空間中的目標掩碼；

23、再次，用第三一維卷積層將目標掩碼投影回編碼器維度ne，得到

24、最后，使用跳過連接層來計算最終掩碼mk：mk＝m′k+e′k。

25、優(yōu)選地，聲學傳感事件神經(jīng)網(wǎng)絡模型包括預訓練的音頻swin?transformer模型和token-semanticcnn網(wǎng)絡，預訓練的音頻swin?transformer模型和token-semanticcnn網(wǎng)絡連接；預訓練的音頻swin?transformer模型包括多層swin?transformer塊。

26、優(yōu)選地，聲學傳感事件神經(jīng)網(wǎng)絡模型利用提示學習方法，在任務訓練時，僅對提示向量和與任務相關的網(wǎng)絡結構進行調(diào)整具體包括：

27、在預訓練的音頻swin?transformer模型的每一層swin?transformer塊的輸入中引入一組可學習提示向量，提示向量的swin?transformer模型公式表示為：

28、[_，ei]＝li([pi-1，ei-1])，i＝1，2，...，n

29、其中，_表示輸出的第i層的提示向量為空，ei表示輸出的第i層的特征向量，pi-1代表第i-1層的提示向量，li代表第i層的swin?transformer塊，n為swin?transformer模型的總層數(shù)；i為swin?transformer模型的層的序號；

30、將原始輸入經(jīng)過4層swin?transformer?block后，得到

31、在輸入token-semanticcnn之前，將進行還原其中t表示時間維度，f表示頻率維度，p表示聲學特征經(jīng)過的編碼器中卷積核大小為(p×p)的patch-embed?cnn編碼網(wǎng)絡，c表示聲學信號中時間分窗維度大小；

32、通過卷積核大小和填充大小(1，0)的cnn網(wǎng)絡來對時間維度和頻率維度的信息進行聚合，然后進行插值得到事件的時間戳粒度分布的輸出；

33、在此過程中，僅訓練提示向量和與任務相關的網(wǎng)絡結構；

34、采用adam優(yōu)化器，同時利用強標簽和弱標簽聯(lián)合計算損失函數(shù)來更新模型，并輸出兩種預測結果，即聲學傳感事件類別預測和時間戳預測，利用損失函數(shù)分別計算兩種預測結果的損失；

35、輸出聲學傳感事件檢測結果，根據(jù)聲學傳感事件類別預測結果結合閾值法，來對事件類別進行判斷，當事件類別預測值高于預設閾值時，表明該事件類別發(fā)生，根據(jù)時間戳預測值，來推斷該類別事件活動的時刻，并將其映射到具體的有效事件。

36、優(yōu)選地，采用不同的損失函數(shù)進行分別計算兩種預測結果的損失；

37、對于事件類別預測，使用二分類交叉熵損失，對于時間戳預測，使用平滑絕對誤差損失；全局損失函數(shù)l(x)是兩類損失函數(shù)的加權和，公式如下：

38、l(x)＝bce(yclip,zclip)+α*smoothl1loss(yframe,zframe)

39、其中，bce為二分類交叉熵損失，smoothl1loss為平滑絕對誤差損失，yclip為事件類別預測值，zclip為事件類別標簽，yframe為時間戳預測值，zframe為時間戳標簽，α是超參數(shù)。

40、本發(fā)明還提供了一種基于分布式地埋光纖的聲學傳感事件檢測裝置，包括：激光器、聲光調(diào)制器、摻餌光纖放大器、環(huán)形器、相位解調(diào)單元、光電探測器、時空數(shù)據(jù)采集卡和分布式地埋光纖聲學傳感事件檢測處理系統(tǒng)；

41、所述激光器與聲光調(diào)制器、摻餌光纖放大器、環(huán)形器依次連接；所述環(huán)形器與分布式地埋光纖連接；所述環(huán)形器還與相位解調(diào)單元、光電探測器、時空數(shù)據(jù)采集卡和分布式地埋光纖聲學傳感事件檢測處理系統(tǒng)順次連接；所述激光器還與分布式地埋光纖聲學傳感事件檢測處理系統(tǒng)連接；

42、所述時空數(shù)據(jù)采集卡用于采集時空數(shù)據(jù)；

43、所述分布式地埋光纖聲學傳感事件檢測處理系統(tǒng)利用上述的基于分布式地埋光纖的聲學傳感事件檢測方法，根據(jù)輸入的時空數(shù)據(jù)，利用聲學傳感事件神經(jīng)網(wǎng)絡模型對聲學傳感事件進行檢測。

44、與現(xiàn)有技術相比，本發(fā)明至少具有如下有益效果：

45、(1)本發(fā)明將地埋光纖的外部地理與地質(zhì)環(huán)境作為線索信息，同時聯(lián)合聲學傳感事件類別預測與事件發(fā)生時刻預測損失，來輔助訓練聲學傳感事件神經(jīng)網(wǎng)絡模型，使得模型對聲學事件類別檢測、時空分布定位更加準確，獲得更好的檢測性能。

46、(2)本發(fā)明通過線索掩碼網(wǎng)絡，獲得線索信息所對應的掩碼向量，用于引導聲學傳感事件神經(jīng)網(wǎng)絡模型的訓練，從而讓模型訓練更加精確，檢測性能更加準確；

47、(3)本發(fā)明僅對提示向量和與任務相關的網(wǎng)絡結構進行調(diào)整，對骨干網(wǎng)絡的結構不進行調(diào)整，能有效減少模型訓練的參數(shù)量，提升模型訓練時間，更易于模型部署以及輕量化實現(xiàn)；

48、(4)本發(fā)明采用分布式聲學傳感，可以提供，連續(xù)的、長距離的檢測數(shù)據(jù)。