基于EFFA-CNN的光纤周界安防信号识别方法

摘要

应用含注意力机制的网络模型进行模式识别已成为相位敏感光时域反射计（Phase-senstive Optical Time Domain Reflectometer，Φ-OTDR）周界安防领域的研究热点．针对周界安防信号时序图像，本文提出一种基于可解释性全特征注意力机制的卷积网络模型．以VGG模型架构为基础，引入深度可分离卷积模块和Leaky ReLU激活函数构成全新的卷积模块，提高模型实时性．为增强卷积模型的全局信息提取能力和可解释性（即特征重要性评价能力），采用元卷积核代替空间注意力机制的池化层，从而设计了可解释性全特征注意力机制，并将其添加到卷积模块和全连接层之间．采用实验获得Φ-OTDR周界安防信号，对本文所提网络和典型的ANN、CNN、VGG、CNN-CBAMBiLSTM、CNN-LSTM进行对比实验．结果表明：本文模型特征提取过程可解释性强，对测试样本的识别准确率达99.06%，在95%置信水平下对周界安防信号的平均置信区间为[0.960 6, 0.999 2 ],F1-score达到0.992 2，性能优于对比模型．

关键词

光纤传感 / Φ-OTDR / 周界安防 / 注意力机制 / 深度可分离卷积

基金资助

河北省科技计划（SZX2020034）