基于图像处理的光纤预警系统模式识别

发布时间：2022-04-23

　　摘要：针对相位敏感光时域反射计(争0TDR)光纤预警系统对一维信号进行模式识别产生的误报和较低的识别效率，提出基于形态学方法提取时空二维信号特征，并利用相关向量机(RVM)分类器对事件进行分类识别的方法。首先，将争 0TDR采集到的时空二维信号当作图像，根据信号在图像上的特征采用图像处理的方法对不同入侵事件信号进行阈值分割。然后，基于本文提出的特征提取方法，利用不同事件区域在幅值、面积、形状以及区域间隔上的差别提取不同信号特征。最后，利用相关向量机分类器对不同事件信号进行识别并采用”一对一“的多分类策略。对3种管道安全事件进行了实验。实验结果表明，本文提出方法的识别精度能够达到97.8%，而算法时间不到1 s。与传统模式识别方法相比，提出的算法大幅度地改善了系统性能，且简便易行，能够满足争0TDR光纤预警系统在线实时监测的要求。

　　关键词：光纤光学;光学时域反射计(0TDR);光纤预警系统;模式识别;形态学;特征提取

　　1、引 言

　　基于相干瑞利散射技术的分布式光纤预警系统，通过检测从光纤各部分散射回来的后向散射光的光强来获得并定位外界振动信号。其中相位敏感光时域反射计(Phase—sensitive Optical Time Domine Reflectometer，中一OTDR)光纤预警系统以普通单模光纤作为光传输和传感载体，可实现长距离实时监测和精确定位。该系统便于铺设，抗电磁干扰能力强，易于工程化，常应用在工程结构的安全检测、光纤周界防护、油气管道安全预警等领域[1。5]。在光纤预警系统中，振动信号的分类识别至关重要。若产生误报，不但会造成人力物力的浪费，严重的还会延误处理时间甚至危及生命财产安全。因此如何准确识别入侵事件种类，及时报警，减少误报，避免不必要的资源浪费一直是光纤预警系统研究的重点问题。

　　p0TDR采集到的振动信号以时一空域二维矩阵的形式输出[6]。传统的信号处理方法首先定位事件信号在空域上的所在位置，然后提取该位置的时域信号口]，对一维时域信号进行特征提取，完成分类识别。由于这种方法需要先进行定位，如多点定位，不仅运算量极大，而且耗时很长。除此之外，它对定位精度的要求非常高，一旦定位错误，则不能正确识别出事件种类，容易产生误报。因此光纤预警系统急需一种高效、准确的模式识别方法。 )人走 Walkin2

　　①一OTDR采集到的二维信号在图像上显现出了明显的特征，不同事件在视觉上存在着较大的差异，因此利用图像处理能够识别出不同事件类型‘8|。本文基于形态学对时空二维信号进行特征提取，并利用相关向量机(Relative Vector Ma— chine，RVM)分类器对事件进行了分类识别。该方法直接处理二维信号，无需定位信号，提高了算法的效率，避免了定位误差对识别精度的影响。

　　2 中一OTDR光纤预警信号特征

　　本文以光纤预警管道入侵事件为例，对垂一OTDR光纤预警系统的模式识别方法进行了研究。3种典型的管道入侵事件为大车压过管道沿线，人工挖掘管道周围土壤以及人沿管线走动。试验在大港一枣庄成品油管道展开。系统采用的传感光缆为2006年建设该成品油管道时与管道同沟敷设的GYTA六芯单模通讯光缆，位于管道正上方约30 cm，与地面垂直距离约为1.5 m。选取其中一段约为20 km的光缆进行实验，脉冲重复频率为500 Hz，空域采样率为50 MHz。系统所得空域信号即背向散射曲线呈锯齿状，表示光强随距离上下起伏变化，提取连续数次光脉冲所返回的多条散射曲线中相同位置处的采样点，连缀形成该点的时域信号。图1为垂一OTDR光纤预警系统采集到的3种入侵管道安全事件产生的信号滤波后在时域中一空域上的二维信号。

　　为了能够清晰地显示区域特征，选取了900 ×900的方阵。图1(a)为人沿管道走动的事件信号，图1(b)为人工挖掘事件的信号，图1(c)为大车沿管道行驶压过减速杠时的信号。不同的安全事件中，作用于光纤上方地面的激振力在时域上的变化以及它产生的波在空域上的传播均是一个复杂过程。本文将3种类型的事件均理想化为点源。根据弹性半空间理论凹]，弹性波沿土壤表面和土壤内部传播，其衰减的速度与振源的性质、激振频率、振源能量以及离振源的距离等因素有关。激振频率越大衰减越快，振动事件的能量越大衰减越慢。入侵事件作用于土壤后，波沿土壤传播到达光纤，并沿光纤左右方向传播。受波在土壤中传播速度的影响，在瞬时作用力下二维平面内波沿两个方向传播并逐渐衰减的过程如图2 所示。

　　图中斜率K表示波在土壤中的传播速度。不同入侵事件对于土壤的作用力不同，频率不同，作用时间也不同，因此造成了3种振动信号在土壤中能量的衰减过程也不同。所有类型的振动信号经土壤传播到达光纤后均呈v型，但只有在大车压过减速时杠碰撞能量大，作用时间短，产生较为明显如图2所示的V型图像;而其他两种事件与土壤的作用过程相对缓慢，能量较小，信号形成的v型两翼非常弱。这种振动在时域上可看作多个微弱振动呈现先增大后减小的趋势，如图3所示，多个V在时域上连缀起来就呈现为类似圆的形状。

　　根据人走动和铁锨挖掘能量的不同，以及其信号在时域上的不同变化，两种事件在图像上的特征区域大小和形状都有差别。根据不同事件在图像上的不同特征，利用图像处理技术分割图像，再利用本文提出的基于形态学的特征提取方法进行模式识别，就能够识别出不同的事件类型。

　　3 基于形态学的特征提取方法

　　3.1图像预处理

　　在进行特征提取之前要先分割图像，将特征区域与背景区分开。从图1中可以看出，事件特征区域的幅值与背景幅值之间的差异比较大，因此选择阈值分割法能够满足要求。将原二维信号图像转化为灰度图像后进行阈值分割，阈值计算采用Ostu法u…。分割后的图像如图4所示。由于原始二维信号时域上的零点在图像下方，而在进行图像分割操作时，MATLAB自动将时域零点放到了图像上方，因此图像呈上下颠倒，但不影响模式识别结果。

　　从图4中可以看出，分割后的图像除了特征区域外还存在一些噪点，采用中值滤波法可以去掉噪点。除了噪点外一些特征区域还存在孔洞，这些孔洞会影响后续特征提取的效果，因此利用图像膨胀的方法填充孔洞。然后将不同区域进行标记，标记后的图像如图5所示，不同颜色即为标记完成的区域(彩图见期刊电子版)。

　　3.2 特征提取

　　不同的工况需要设定不同的空域和时域采样率，因此时空图像中显示的事件区域个数及特征可能会不同。为了便于统一处理，本文针对每个图像中各个事件的区域进行特征提取，同时获得了更多的特征样本。

　　首先，因为3种事件的作用力不同，获得的二维振动信号的振幅不同，因此将不同标记区域的原始信号振幅作为特征向量中的一个特征值。其次，不同入侵事件的能量不同，在图像上所占区域的像素数也存在很大差别，因此利用区域像素数作为特征向量中的另一个特征值。

　　除此之外，在相同的采样率下，不同事件点在时域上的间隔是不同的。本文中二维信号在时域上的采样频率为500 Hz，人走路的两个步伐间隔约为o.5 s，大车行驶前后轮压过减速带的时间间 (c)大车路过 (c)Vehicle passing (c)大车路过 c)Vehicle passing 隔约为o.25 s，人工挖掘受人为操作的限制，动作间隔要远大于o.5 s，因此，事件区域在时域上的间隔，即图像中区域问的距离能够很好地表征不同事件之间的差异。在计算区域距离时采用最小距离法，如图6所示。

　　4分类器设计

　　光纤预警系统采集到的威胁管道安全事件的振动信号是非平稳、随机性的，并且通过以上分析可知，采集到的数据样本量较小。RVM是基于贝叶斯框架构建的学习机，不受Mercer定理的限制，可以构建任意的核函数，比支持向量机 (SVM)更加稀疏，因此测试时间较短，识别精度高，适用于光纤预警系统的在线检测Ⅲ1 3|。

　　本文选择较为常用且效果较好的高斯核函数，核函数的半径一般设定在o～1[14]。通过实验分析可知，针对管道入侵事件的识别，核半径取不同值时识别准确率差别不大，取o.6左右时，识别准确率最高。在多分类决策选择时，选择分类精度最高的“一对一”多分类决策[15。，因此本文中需要3个RVM分类器。

　　分类器设计完成后，在应用分类器进行模式识别之前，要对分类器进行性能评价。由于本文采用3个分类器进行安全事件的识别，若分别评价每个分类器，不仅耗时过多，而且没有意义，因此本文将3个分类器作为一个整体来进行性能评价，并选择5一折交叉验证的方法对准确率进行评价。分别从每个事件100个样本中选择出20个作为测试样本，5次交叉验证得到的准确率如图 8所示。

　　图中MFE是在特征选择后利用本文提出的形态学特征提取方法得到的识别准确率，RDFE 是利用区域描绘子的特征进行分类识别的准确率。可以看出，本文提出的特征选择方法对于光纤预警安全事件分类识别的准确率很高，均达到了95%以上。选择其中一次交叉验证的结果分析每种事件的分类准确率，结果如表3所示。

　　从表3可以看出，3种事件的识别准确率都能够达到95%以上，其中人工挖掘在识别过程中出现了错误，这主要是因为在信号采集过程中人工挖掘信号中混入了人走动的信号。在方法测试时由于测试信号所属的类别是已知的，所以出现识别错误;而在应用本文方法进行在线识别时，在不知道被识别对象属于哪类时可以准确地区分出这些干扰信号，并避免误分。

　　传统的光纤预警模式识别方法首先利用差分方法对二维信号在空域上定位入侵事件发生的位置，提取该位置的时域信号，然后利用小波处理方法提取信号特征口6|，再利用分类器对事件进行识别。这种方法在定位环节不仅耗费时间而且容易受到噪声的干扰，产生定位误差，影响识别准确率。这里对本文方法、一维信号模式识别方法以及区域描绘子方法进行了比较，每种方法的平均准确率以及分类器的识别速度如表4所示。

　　0DR是基于一维信号的传统模式识别方法， RDFE是使用所有区域描绘子的特征提取方法， MFE是本文提出的方法。从表4中可以看出，与一维信号模式识别方法相比，本文中基于形态学的方法大幅提高了识别精度，运算效率也明显提高，能够满足光纤预警实时监测的需求。

　　5 结 论

　　传统的一维信号处理方法将时一空二维信号在空域上一维一维的扫描，若发现振动信号位置再进行后续处理以及模式识别，运算量巨大，需要采用高速计算机才能满足光纤预警系统实时监测识别的需求。本文提出基于形态学的特征提取方法，利用RVM分类器识别入侵事件，并以光纤预警管道入侵事件为例验证了方法的可行性和优越性。实验结果表明，本文方法的识别准确为 97.8%;相较传统的一维信号处理方法，本文方法不仅提高了识别准确率，而且效率更高，完全满足光纤预警系统的在线检测需求。 ——论文作者：孙 茜，封 皓+，曾周末

　　本文来源于：《光学精密工程》是中国仪器仪表学会会刊，由中国科学院长春光学精密机械与物理研究所主办，其宗旨在于提高和传播光学及精密工程等领域原创性研究成果，并推广其实际应用。 内容包括：1)空间光学;2)光学材料和纳米材料;3)光学设计和系统;4)激光和激光技术应用;5)光传感与通讯;6)微纳技术与精密机械;7)生物医学光学;8)先进制造以及工业智能化技术;9)信息理论与信息处理技术;10)测试技术与设备以及有关交叉学科等。