基于輕量級(jí)網(wǎng)絡(luò)的光纖傳感振動(dòng)信號(hào)識(shí)別

陳玲玲　李柏承　張大偉　楊涵　吳春波

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；輕量級(jí)網(wǎng)絡(luò)；深度可分離卷積；光纖信號(hào)；周界安全

中圖分類號(hào)：TN 913.7 文獻(xiàn)標(biāo)志碼：A

引言

Φ-OTDR 分布式光纖傳感系統(tǒng)通過(guò)一根傳感光纖可以實(shí)現(xiàn)多點(diǎn)定位等功能。傳感光纖具有抗電磁干擾、高靈敏度和耐腐蝕等優(yōu)點(diǎn)[1-3]，已廣泛應(yīng)用于周界安防[4–6]、軌道監(jiān)測(cè)[7–9] 和橋梁結(jié)構(gòu)健康監(jiān)測(cè)等領(lǐng)域。隨著研究的深入和應(yīng)用的不斷創(chuàng)新，分布式光纖振動(dòng)信號(hào)的識(shí)別變得至關(guān)重要。

目前光纖振動(dòng)信號(hào)識(shí)別主要分為傳統(tǒng)方法和深度學(xué)習(xí)算法兩大類。傳統(tǒng)方法識(shí)別通過(guò)手工提取特征，然后利用機(jī)器學(xué)習(xí)算法對(duì)提取后的信號(hào)特征進(jìn)行分類。其缺點(diǎn)是手工提取特征費(fèi)時(shí)費(fèi)力，而且需要研究人員具有較強(qiáng)的信號(hào)處理知識(shí)，選取的特征要具有代表性。例如Wang 等[10]通過(guò)小波能量分析，從原始信號(hào)中提取信號(hào)特征向量，然后利用支持向量機(jī)對(duì)其進(jìn)行分類。實(shí)驗(yàn)表明，這種識(shí)別方法能達(dá)到88.6% 的準(zhǔn)確率。Liu 等[11] 提出了一種基于混合特征提取算法和組合分類器的高效多事件識(shí)別方案，利用過(guò)零率、樣本熵、小波包能量熵、峰度和多尺度置換熵提取混合特征向量，然后利用支持向量機(jī)和徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合的分類器對(duì)混合特征進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，該組合分類器對(duì)5 種典型模式（無(wú)入侵、搖籬笆、爬籬笆、踢籬笆、切籬笆）的平均識(shí)別率達(dá)到97% 以上。深度學(xué)習(xí)方法通過(guò)構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)，可以自動(dòng)學(xué)習(xí)數(shù)據(jù)的深層次特征，略過(guò)了傳統(tǒng)方法需要手工提取特征的繁瑣過(guò)程。例如Wang 等[12] 提出平鋪卷積神經(jīng)網(wǎng)絡(luò)，從單個(gè)格拉姆角場(chǎng)（ Gram angle field，GAF）、馬爾可夫變遷場(chǎng)（Markov transition field，MTF） 和格拉姆– 馬爾可夫變遷組合場(chǎng)（ GAFMTF）圖像中學(xué)習(xí)高級(jí)特征，并在12 個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上驗(yàn)證了該方案的有效性。Zhao 等[13] 提出了深度殘差收縮網(wǎng)絡(luò)，將軟閾值作為非線性變換層插入到深層網(wǎng)絡(luò)結(jié)構(gòu)中，當(dāng)作模型可訓(xùn)練參數(shù)學(xué)習(xí)，用于提高從高噪聲振動(dòng)信號(hào)中學(xué)習(xí)特征的能力，實(shí)現(xiàn)了較高的故障診斷精度。Lyu 等[14]針對(duì)雙馬赫曾德?tīng)柛缮娣植际焦饫w周界安全系統(tǒng)，提出了一種基于格拉姆角場(chǎng)和卷積神經(jīng)網(wǎng)絡(luò)的入侵模式識(shí)別方案。與傳統(tǒng)的識(shí)別算法缺乏深度特征提取能力相比，將一維時(shí)間序列的入侵信號(hào)轉(zhuǎn)換為二維圖像，可以呈現(xiàn)出更深層的特征，并保持信號(hào)的時(shí)域依賴性，同時(shí)，每個(gè)入侵信號(hào)對(duì)應(yīng)一個(gè)唯一的指紋。Li 等[15] 提出了利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）提取光纖振動(dòng)信號(hào)的空間特征和長(zhǎng)短期記憶（longshort term memory， LSTM）網(wǎng)絡(luò)提取信號(hào)的時(shí)間特性相結(jié)合的分類模型，在強(qiáng)背景噪聲環(huán)境下進(jìn)行了現(xiàn)場(chǎng)實(shí)驗(yàn)，入侵威脅檢測(cè)率為85.6%，誤報(bào)率僅為8.0%。Wu 等[16] 分析了傳統(tǒng)的機(jī)器學(xué)習(xí)方法采用固定的手工模式進(jìn)行特征提取的缺點(diǎn)有識(shí)別過(guò)程嚴(yán)重依賴專家知識(shí)，泛化能力差。提出了利用卷積神經(jīng)網(wǎng)絡(luò)提取信號(hào)特征，然后再使用支持向量機(jī)對(duì)提取后的信號(hào)特征進(jìn)行分類。

雖然深度學(xué)習(xí)方法的識(shí)別效果很好，但是其龐大的參數(shù)量會(huì)導(dǎo)致模型部署較為困難，識(shí)別速度有延遲。故本文引入了輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)，目的是盡可能地降低模型的參數(shù)量，而且保證模型的準(zhǔn)確率不會(huì)大幅度降低。以MobileNet 輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)為基準(zhǔn)網(wǎng)絡(luò)，本文討論了不同卷積層數(shù)量的模型的準(zhǔn)確率和識(shí)別速度，以確定最佳卷積層數(shù)量，達(dá)到模型輕、識(shí)別速度快的目的。

1 分布式光纖傳感系統(tǒng)的基本原理

光在光纖中會(huì)發(fā)生散射，產(chǎn)生各種類型的散射光，同時(shí)光的偏振、強(qiáng)度、相位、波長(zhǎng)等特性會(huì)受到外界環(huán)境中溫度、壓力、振動(dòng)等物理量的調(diào)制，因此，可以通過(guò)檢測(cè)散射光的光學(xué)特性來(lái)實(shí)現(xiàn)對(duì)這些物理量的傳感。

分布式光纖傳感系統(tǒng)如圖1 所示，整個(gè)分布式光纖傳感系統(tǒng)主要由激光調(diào)制模塊、聲光調(diào)制器、摻鉺光纖放大器和環(huán)形器等組成。激光作為整個(gè)系統(tǒng)的光源，在發(fā)射端發(fā)射出連續(xù)的激光脈沖，為系統(tǒng)提供窄帶線寬光源。經(jīng)過(guò)聲光調(diào)制器后被調(diào)制為光脈沖信號(hào)。光脈沖信號(hào)再經(jīng)過(guò)摻鉺光纖放大器放大之后，通過(guò)環(huán)形器進(jìn)入傳感光纖，傳感光纖在感知到擾動(dòng)事件發(fā)生時(shí)，會(huì)產(chǎn)生后向瑞利散射信號(hào)，經(jīng)過(guò)環(huán)形器傳輸?shù)叫盘?hào)接收與處理模塊。信號(hào)接收與處理模塊為圖中的數(shù)據(jù)采集卡部分，一般由光電二極管，模數(shù)轉(zhuǎn)換器以及計(jì)算機(jī)等組成。經(jīng)過(guò)分布式光纖后向瑞利散射的信號(hào)首先經(jīng)過(guò)光電二極管接收，再經(jīng)過(guò)放大器對(duì)信號(hào)進(jìn)行放大，放大后信號(hào)再經(jīng)過(guò)模數(shù)轉(zhuǎn)換器可以實(shí)現(xiàn)光信號(hào)到電信號(hào)的轉(zhuǎn)變。電信號(hào)經(jīng)過(guò)數(shù)據(jù)采集卡輸入到計(jì)算機(jī)中，再由計(jì)算機(jī)對(duì)采集的信號(hào)進(jìn)行識(shí)別分析，并將識(shí)別結(jié)果反饋給監(jiān)控系統(tǒng)。若出現(xiàn)電信號(hào)缺失，計(jì)算機(jī)會(huì)將缺失信息反饋給監(jiān)控系統(tǒng)，由系統(tǒng)向工作人員發(fā)出警報(bào)，從而讓工作人員可以及時(shí)地對(duì)傳感光纖進(jìn)行排查維修。

2 信號(hào)預(yù)處理

2.1 信號(hào)采集

使用本課題組搭建的Φ-OTDR 分布式光纖傳感系統(tǒng)來(lái)采集信號(hào)，將2 km 長(zhǎng)的傳感光纖掛于某小區(qū)圍欄上，在距離傳感光纖首端1 km 處進(jìn)行6 種振動(dòng)信號(hào)實(shí)驗(yàn)。在實(shí)驗(yàn)中，數(shù)據(jù)采集卡的采樣率設(shè)置為4 096 Hz，每秒保存一個(gè)數(shù)據(jù)。6種振動(dòng)事件的示意圖見(jiàn)圖2，采集方式如下：

（1）攀爬，在安全情況下，單人重復(fù)地在圍

欄上做攀爬動(dòng)作；

（2）切割，在不損壞傳感光纖的情況下，使用玩具刀對(duì)傳感光纖進(jìn)行切割動(dòng)作；

（3）風(fēng)吹，模擬自然條件下的風(fēng)吹，使用落地式電風(fēng)扇，風(fēng)速設(shè)置為中檔，對(duì)著傳感光纖吹動(dòng)；

（4）舉起，雙手握住傳感光纖，從腰部緩慢向上舉起，越過(guò)頭頂，再緩慢放下，重復(fù)該動(dòng)作；

（5）拉動(dòng)，單手拉動(dòng)傳感光纖，重復(fù)該動(dòng)作；

（6）走動(dòng)，在傳感光纖附近，以1 m/s 步行速度來(lái)回走動(dòng)。

采集后的原始信號(hào)含有直流分量，通過(guò)減去基準(zhǔn)值即可把信號(hào)中的直流分量去除。圖3 所示是6 種振動(dòng)事件的原始信號(hào)圖。通過(guò)6 種信號(hào)圖可以看出：切割、風(fēng)吹和舉起這3 類事件的信號(hào)具有一定的規(guī)律性；攀爬和拉動(dòng)的事件規(guī)律性較弱；風(fēng)吹事件的信號(hào)幅值較?。蛔邉?dòng)事件的信號(hào)波動(dòng)比較小。

使用Φ-OTDR 分布式光纖傳感系統(tǒng)采集攀爬、切割、風(fēng)吹、舉起、拉動(dòng)、走動(dòng)6 種振動(dòng)信號(hào)，每一種振動(dòng)信號(hào)采集300 組數(shù)據(jù)，總共1 800 組數(shù)據(jù)。將采集到的數(shù)據(jù)集按7∶2∶1 劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

2.2 數(shù)據(jù)歸一化

為了消除不同指標(biāo)之間量綱的影響，通常需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。數(shù)據(jù)歸一化的方式一般有兩種，Z-score 歸一化和Min-Max 歸一化。在信號(hào)處理中，常使用Min-Max 歸一化。Min-Max 歸一化也稱離差標(biāo)準(zhǔn)化，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行線性變換，使結(jié)果映射到0～1 之間，其轉(zhuǎn)換函數(shù)為

式中： xmax 為最大值 ； xi 為原始值； xmin 為最小值。

3 輕量級(jí)網(wǎng)絡(luò)及其結(jié)構(gòu)優(yōu)化

3.1 MobileNet 模型優(yōu)化改進(jìn)

2017年， Google 提出了一種輕量級(jí)網(wǎng)絡(luò)MobileNet[17]，該網(wǎng)絡(luò)在保證模型準(zhǔn)確率的同時(shí)體積更小，速度更快。MobileNet 的核心思想是卷積核的巧妙分離，利用深度可分離卷積替代傳統(tǒng)卷積，有效減小網(wǎng)絡(luò)參數(shù)，提高推理速度。

本文基于MobileNet 模型構(gòu)建了一維輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)，在MobileNet 網(wǎng)絡(luò)基礎(chǔ)上做了結(jié)構(gòu)上的優(yōu)化。

（1）最大–均值池化層

原始信號(hào)數(shù)據(jù)長(zhǎng)度是4 096，數(shù)據(jù)維度過(guò)大，不僅會(huì)導(dǎo)致模型訓(xùn)練緩慢，而且會(huì)增加內(nèi)存的消耗。所以在MobileNet 網(wǎng)絡(luò)前設(shè)計(jì)了最大–均值池化層。

圖4 所示為最大–均值池化層原理圖，圖中L 表示信號(hào)長(zhǎng)度，最大–均值池化層由最大池化層和均值池化層組成。最大池化將原始信號(hào)L 平均分成n 段，選取每一段的信號(hào)最大值代表該段的信號(hào)。最大池化在降低數(shù)據(jù)維度的同時(shí)，保留原始信號(hào)的信號(hào)強(qiáng)度。均值池化與最大池化原理類似，不同的是，均值池化是用信號(hào)均值代表該段信號(hào)。均值池化在減小數(shù)據(jù)維度時(shí)，最大限度地保留原始信號(hào)的數(shù)值分布。原始信號(hào)經(jīng)過(guò)最大池化和均值池化后，相加的結(jié)果便融合了信號(hào)的幅值信息和分布信息。

（2）舍去全連接層

原始MobileNet 網(wǎng)絡(luò)的最后一層是全連接層，該層參數(shù)量過(guò)于龐大。大量的參數(shù)會(huì)導(dǎo)致網(wǎng)絡(luò)模型部署困難，并且存在其中的大量的參數(shù)冗余容易導(dǎo)致過(guò)擬合。所以，本研究在最后一層使用全局平均池化直接輸出類別數(shù)量，舍棄全連接層。

（3）去掉多余卷積層

原始的MobileNet 網(wǎng)絡(luò)有28 層卷積層，主要應(yīng)用于二維圖像領(lǐng)域。但一維信號(hào)的數(shù)據(jù)復(fù)雜度要遠(yuǎn)小于二維數(shù)據(jù)，所以對(duì)于一維信號(hào)的處理可能不需要28 層卷積。本研究對(duì)不同卷積層數(shù)的MobileNet 分別進(jìn)行了實(shí)驗(yàn)，目的是使用盡可能少的卷積層來(lái)實(shí)現(xiàn)高準(zhǔn)確率的模型組合。

3.2 模型評(píng)價(jià)指標(biāo)

在機(jī)器學(xué)習(xí)中，分類模型常用的評(píng)價(jià)指標(biāo)有準(zhǔn)確率、精確率、召回率和F1 分?jǐn)?shù)。

準(zhǔn)確率指模型判斷正確的數(shù)量占總樣本數(shù)量的比重，一般是評(píng)價(jià)模型的常用指標(biāo)。其計(jì)算公式為

3.3 實(shí)驗(yàn)環(huán)境配置

本實(shí)驗(yàn)所使用的軟硬件配置具體情況見(jiàn)表1。

4 實(shí)驗(yàn)結(jié)果分析

卷積層個(gè)數(shù)對(duì)模型的特征提取至關(guān)重要，一般卷積層數(shù)目越多，模型越能學(xué)習(xí)到數(shù)據(jù)的深層次特征。卷積層數(shù)的設(shè)定由數(shù)據(jù)復(fù)雜度決定，數(shù)據(jù)復(fù)雜度越小，需要的層數(shù)相對(duì)較少。原始MobileNet有28 層卷積層（MobileNet-28），對(duì)于一維信號(hào)來(lái)說(shuō)，其數(shù)據(jù)復(fù)雜度較低，不需要那么多卷積層個(gè)數(shù)來(lái)提取信號(hào)特征。所以本文通過(guò)減少中間卷積層數(shù)量， 分別構(gòu)建18、16、14、12 和10 層卷積層的MobileNet 輕量級(jí)網(wǎng)絡(luò)，得到包含不同卷積層數(shù)網(wǎng)絡(luò)的準(zhǔn)確率柱狀圖，如圖5 所示。從圖中可以看出：MobileNet-28 的準(zhǔn)確率最高，為99.44%；MobileNet-10 的準(zhǔn)確率最低，為95.00%；隨著卷積層數(shù)的減少，模型的準(zhǔn)確率在逐漸降低。

圖6 所示為不同卷積層數(shù)目的網(wǎng)絡(luò)推理300 組信號(hào)所需平均時(shí)間，將其作為模型推理時(shí)間。原始MobileNet-28推理時(shí)間最長(zhǎng)， 約18.2 ms；MobileNet-10 層數(shù)最少，推理時(shí)間最短，僅4.36 ms。從圖5 和圖6 中可以看出，MobileNet-18網(wǎng)絡(luò)的準(zhǔn)確率為98.33%，推理時(shí)間為9.27 ms，雖然相比于原始的MobileNet-28 準(zhǔn)確率降低了1.11%，但是推理時(shí)間卻減少了近二分之一。通過(guò)對(duì)時(shí)間和模型層數(shù)兩個(gè)維度的分析，認(rèn)為選擇MobileNet-18 做為光纖振動(dòng)信號(hào)識(shí)別模型的性價(jià)比較高。

表2 所示為MobileNet-28 與MobileNet-18 網(wǎng)絡(luò)模型識(shí)別結(jié)果。從表中可以看出：MobileNet-28 對(duì)拉動(dòng)事件的識(shí)別的精確率為97%，對(duì)其他入侵事件都準(zhǔn)確識(shí)別；而MobileNet-18 除了對(duì)舉起事件的識(shí)別的精確率為91%，對(duì)其他事件識(shí)別的精確率也都為100%。MobileNet-18 對(duì)6 種入侵事件的識(shí)別效果與原始MobileNet-28 的效果相差很小。

劃分?jǐn)?shù)據(jù)后，給6 類光纖振動(dòng)信號(hào)分別添加標(biāo)簽，如表3 所示，將攀爬、切割、風(fēng)吹、舉起、拉動(dòng)和走動(dòng)事件的標(biāo)簽分別設(shè)置為1，2，3，4，5 和6。圖7（a）為MobileNet-28 的混淆矩陣圖，對(duì)于拉動(dòng)入侵事件，有97% 的概率會(huì)預(yù)測(cè)正確，有3% 的概率被預(yù)測(cè)為切割事件。圖7（b）為MobileNet-18 的混淆矩陣圖， 對(duì)于舉起事件，有91% 的概率預(yù)測(cè)正確，有9% 的概率被預(yù)測(cè)為拉動(dòng)事件。

5 結(jié)論

基于Φ-OTDR 分布式光纖傳感周界安全監(jiān)測(cè)識(shí)別速度慢等問(wèn)題，本文以MobileNet 為基準(zhǔn)網(wǎng)絡(luò)，在模型的開(kāi)始位置添加了最大–均值池化層，去掉了參數(shù)量大的全連接層，使用全局平均池化層代替全連接層。對(duì)比分析了不同卷積層數(shù)目下，MobileNet 的識(shí)別的準(zhǔn)確率和響應(yīng)速度。最終選擇MobileNet-18 作為最佳的輕量級(jí)模型。在6 種光纖入侵事件識(shí)別中，MobileNet-18 的識(shí)別準(zhǔn)確率高達(dá)98.33%，響應(yīng)速度僅為9.27 ms。雖然MobileNet-18 相較于原始的MobileNet 網(wǎng)絡(luò)準(zhǔn)確率降低了1.11%，但是推理速度是原始模型的近2 倍，這有利于工業(yè)界的部署及應(yīng)用，為之后的周界安全領(lǐng)域技術(shù)研究提供了參考依據(jù)。