AI如何采用CNN對分布式光纖振動非法入侵行為進(jìn)行識別
掃描二維碼,關(guān)注我們的視頻號
分布式光纖振動監(jiān)測系統(tǒng)對防護(hù)區(qū)域的保護(hù)過程是:通過系統(tǒng)監(jiān)測光纜的振動并實(shí)時采集振動信號,然后對振動信號行為進(jìn)行識別,識別出具有破壞性的行為后,系統(tǒng)進(jìn)行預(yù)警或告警,前往現(xiàn)場處置破壞行動。所以對振動信號進(jìn)行準(zhǔn)確識別,是目前市場的一個強(qiáng)需求。
對于振動信號的識別方法有很多,有通過對振動信號幅值的強(qiáng)弱,頻率,持續(xù)時間進(jìn)行識別的,也有通過支持向量機(jī)SVM進(jìn)行的,還有通過卷積神經(jīng)網(wǎng)絡(luò)模型(簡稱CNN)進(jìn)行AI識別的。
在當(dāng)前一切都想往AI靠的大環(huán)境下,CNN神經(jīng)網(wǎng)絡(luò)模型倍受歡迎。那么如何通過CNN對振動信號進(jìn)行識別呢?
我們在用CNN做識別前,需要先搭建自己的CNN模型。我們首先需要對振動點(diǎn)進(jìn)行特征采樣,例如安靜環(huán)境下的樣本,有挖掘機(jī)挖掘等破壞行為時候的樣本,采樣時長我們設(shè)置為3秒,這樣我們就可以獲取到一系列的3秒鐘時長的不同行為下的振動樣本數(shù)據(jù)。
我們把這3秒鐘的振動數(shù)據(jù)讀取,其實(shí)就是一個一維的數(shù)組,我們把該數(shù)據(jù)可視化到圖形上,可以得到一系列的波形圖。
在神經(jīng)網(wǎng)絡(luò)中,我們一般都是輸入二維的tensor矩陣,所以我們可以把3秒鐘的一維數(shù)組,假設(shè)10000個數(shù),可以轉(zhuǎn)換成一個100*100的二維數(shù)組。
二維卷積(nn.Conv2d)是最常用的卷積,我們可以多次二維卷積,然后最大池化(MaxPool2d)等操作,搭建自己的模型。
剩余的即是訓(xùn)練數(shù)據(jù),及修改參數(shù)調(diào)整模型準(zhǔn)確度的工作了。
當(dāng)數(shù)據(jù)樣本足夠多,理論上模型更精準(zhǔn)。這樣當(dāng)現(xiàn)場一個3S的振動數(shù)據(jù)數(shù)據(jù)到模型庫后,立即可以識別是否具有破壞性。