基于AsymConv-Densenet网络的Φ-OTDR电力光缆周界安防入侵事件识别方法

本发明涉及φ-otdr事件识别，具体涉及一种基于非对称卷积模块的密集连接卷积网络(asymconv-densenet网络)的φ-otdr电力光缆周界安防入侵事件识别方法。

背景技术：

1、目前，电力光缆是现代智能电网的重要组成部分之一，对于实现电网信息化、智能化具有重要意义，因此对电力光缆周界安防要求越来越高。常见的安防措施包括人工巡查、视频监控等。人工巡查往往受到时间、地区、工作人员质量等因素的影响，往往会出现遗漏和错误。视频监控易受恶劣天气的影响，如强光，雾霾，霜冻等，而且随着监控设备数量的增加，需要更多工作人员盯查监控，经济成本会增加。φ-otdr具有高灵敏度、布设范围广、使用寿命长、抗电磁干扰等优点，而且它能实时监测电力光缆周界产生的振动信号，反映不同振源的特性。因此，运用围栏对电力光缆进行设防，然后将光纤铺设在围栏周围，并与φ-otdr系统相连，产生的φ-otdr信号运用算法进行分析，识别不同的入侵事件，大大降掉了人工成本和经济成本。因此，φ-otdr非常适合应用于电力光缆的周界安防布控。

2、近年来，机器学习和深度学习模型已被应用于φ-otdr事件识别。机器学习方法首先通过人工的方法提取φ-otdr事件的可区分特征，并运用分类算法进行识别，但人工提取特征的方法在数据集有限且事件类型较少的时候易于实现。2019年，jia等通过k-最近邻(knn)方法筛选出φ-otdr事件在时域和频域中的9个人为提取特征，接着运用svm对浇水、爬、敲、压、假干扰等五种干扰事件进行识别，样本总数为750，平均识别率为94.38％。如果事件类型相似时，事件的可区分特征难以通过人工提取，识别的精度很难得到保证。2023年cao等提取了φ-otdr事件在时域和频域的32个特征，并运用svm算法对背景噪声、挖掘、敲、浇水、摇晃、行走的振动数据进行识别，样本数量为15612，平均识别率仅为82.60％，其中挖掘和敲击振动数据均为间歇性峰值，背景噪音和浇水振动数据为连续平缓变化平缓，存在振动相似的事件，虽增加了人工特征提取的个数和样本数目，但精度较低。

3、深度学习模型主要通过自适应的方式提取特征。2019年，yi shi等提出了一种将卷积神经网络(cnn)运用到φ-otdr时空数据矩阵的事件识别方法，该网络平均精度为96.67％。2020年，h.wu等人利用一维cnns提取信号的时空特征。利用双向长短期记忆(bilstm)网络挖掘不同信号节点之间的空间关系，平均准确率为97.31％。2021年，tian等将注意力机制与卷积神经网络结合，提出了atcn-bilstm网络，其中atcn提取时域信号的因果关系，bilstm提取双向空间关系，运用两者来优化卷积神经网络，平均准确率为99.60％。2023年yi shi等提出了将transformer网络与φ-otdr结合的方法对地埋情况下振的动事件进行识别，事件包括背景、自行车经过、下雨、轻拍、行走，平均准确率为99.64％。相较于卷积神经网络，transformer网络精度更高，但对预训练模型的依赖性较高，如果预训练模型不合适，性能会低于卷积神经网络。φ-otdr振动数据的研究真实场景和模拟的实验环境大多针对地埋，很少能对电力光缆周界安防相关的事件进行采集和模拟，难以找到合适的预训练模型对transformer网络进行训练。

4、因此，采用卷积神经网络和优化模块结合的方法对电力光缆周界安防入侵事件进行识别是合理的。首先，不需要预训练模型来进行初始化，其次能避免人工标注对后续特征提取的影响，最后可以通过大量的样本自适应提取特征，解决相似事件难以区分的问题。

技术实现思路

1、本发明为解决现有技术在识别电力光缆周界安防的φ-otdr入侵事件信号中存在信号特征需要人工提取、识别性能依赖于预训练权重，且对典型入侵事件如攀爬与行走、摇晃和敲击等时频特征相似事件存在识别混淆的问题，提供一种基于asymconv-densenet网络的φ-otdr电力光缆周界安防入侵事件识别方法。

2、基于asymconv-densenet网络的φ-otdr电力光缆周界安防入侵事件识别方法，该方法的实现过程为：

3、步骤一、将采集的不同事件的φ-otdr信号转换为时频图，构建φ-otdr信号振动事件图像数据集；

4、步骤二、构建asymconv-densenet网络模型，并对所述网络模型进行训练，获得训练后的网络模型；

5、所述网络模型由卷积层、密集连接模块、转换模块、特征提取模块、全局池化层以及全连接层组成；

6、所述密集连接模块包括密集块1、密集块2和密集块3；

7、所述转换模块包括转换块1、转换块2和转换块3；

8、所述特征提取模块包括非对称卷积块1、非对称卷积块2和非对称卷积块3；

9、步骤三、利用训练后的网络模型进行φ-otdr信号识别，实现对φ-otdr信号振动事件识别；具体识别过程为：

10、将φ-otdr信号的时频图输入所述网络模型，经过卷积层提取时频图中的频率成分、时间变化特征和纹理特征，获得特征图；所述特征图依次通过密集块1、转换块1、非对称卷积块1、密集块2、转换块2、非对称卷积块2、密集块3、转换块3和非对称卷积块3捕获不同振动事件的全局特征图，将所述全局特征图经全局池化层将每个全局特征图的像素值平均操作获得固定长度的特征向量；所述特征向量经全连接层后使用softmax输出φ-otdr数据中各个标签对应的概率，并将最大概率的振动事件标签作为输出结果，最终实现对φ-otdr信号振动事件识别。

11、本发明的有益效果：

12、一、本发明方法中，将密集连接的卷积网络(densenet网络)和非对称卷积块(asymconvblock)进行结合，提出了asymconv-densenet网络。本网络利用非对称卷积块对densenet网络进行优化，将densenet网络中转换块的结果矩阵重新进行特征提取。它解决了densenet网络中转换块因减少计算量和压缩特征尺寸带来的特征遗漏问题。为了避免对后续层增加额外的计算负担，非对称卷积块得到的结果矩阵尺寸和维度与转换块结果矩阵相同。

13、二、为了更好的验证densenet网络结合非对称卷积块设计的合理性，本文对比了densenet网络以及与注意力机制模块结合的densenet网络，如se-densenet网络、cbam-densenet网络，在精度、平均召回率和平均f1分数，具有性能优势，并通过对比各自的混淆矩阵，得到在敲击、摇晃、攀爬、行走具有精度优势。

14、三、运用实验来验证asymconv-densenet网络对敲击、摇晃、攀爬、行走等典型的电力光缆周界安防入侵事件具有更高的性能优势。所提出的算法已被证明优于现有alexnet网络、resnet网络-18、googlenet网络和swintransformer网络。

1.基于asymconv-densenet网络的φ-otdr电力光缆周界安防入侵事件识别方法，其特征是：该方法由以下步骤实现：

2.根据权利要求1所述的基于asymconv-densenet网络的φ-otdr电力光缆周界安防入侵事件识别方法，其特征在于：步骤一中，将采集到的不同事件的φ-otdr信号通过预加重、加窗分帧、谱减法降噪、短时傅里叶变化后转换成时频图，将其构建为φ-otdr信号振动事件图像数据集。

3.根据权利要求1所述的基于asymconv-densenet网络的φ-otdr电力光缆周界安防入侵事件识别方法，其特征在于：步骤二中，所述特征提取模块的三个非对称卷积块均包括三个并行层，卷积核大小分别为3×3卷积核、1×3卷积核和3×1卷积核；在训练网络模型过程中，特征图经过非对称卷积块1，通过1×3卷积核、3×1卷积核、3×3卷积核对转换块1得到的特征图进行多尺度分析，提取区分振动事件的细节信息，并通过拼接和批量归一化将特征进行融合；

4.根据权利要求1所述的基于asymconv-densenet网络的φ-otdr电力光缆周界安防入侵事件识别方法，其特征在于：所述密集连接模块中的每个密集块内的每一层均为一个非线性组合函数，所述非线性组合函数由一个归一化层，一个校正线性单元以及一个3×3卷积层组成；