基于S变换与改进Hough变换的无样本学习φ-OTDR管道检测器轨迹识别方法

本文提出了一种创新的无样本学习φ-OTDR事件识别方法，通过结合S变换（Stockwell Transform）与改进型ρ-求和Hough变换，有效解决了长距离管道监测中振动信号干扰衰落与模式断裂的识别难题。该方法无需依赖大量标注数据，在真实场景的PIG（Pipeline Inspection Gauge）轨迹检测中表现出高精度与强鲁棒性，为分布式光纤声学传感（DAS）领域提供了可解释性强、适应性广的解决方案。

　　

Section snippets

φ-OTDR空间时空图

在φ-OTDR系统中，窄带光脉冲以固定间隔沿传感光纤发送。脉冲在光纤中传播时，瑞利后向散射（RBS）波被光电探测器持续采集，形成反映光波相位信息的RBS轨迹。按时间顺序排列多个RBS轨迹即可得到空间时空图（ST-graph），其时间分辨率等于光脉冲间隔。将RBS轨迹视为图像的行向量，空间坐标作为列坐标，即可构建ST-graph的灰度图像表示。

Experimental setup

管道检测器（PIG）广泛用于长距离管道的例行维护。当PIG经过焊缝时，其皮革碗与焊缝之间的碰撞和摩擦会产生强烈振动，在ST-graph中形成倒V型模式。本研究采用自研φ-OTDR系统采集真实场景中PIG产生的振动数据。系统光学结构如图6所示（注：原文图示已省略）。

Conclusion

本文提出了一种基于ST-graph中倒V型模式的无样本学习φ-OTDR事件识别方法，并在PIG追踪任务中验证其有效性。通过自研φ-OTDR系统采集的真实场景数据，经S变换对每列信号进行预处理后，通过归一化与硬阈值二值化得到二值图像。采用ρ-求和Hough变换检测特定宽度的线条，通过迭代式“一步一检测”策略识别对称的X型模式，最终成功提取倒V型结构的下半部分作为识别结果。实验证明该方法能够精准捕捉ST-graph中的微小倒V模式。

CRediT authorship contribution statement

郑哲元：原始稿撰写、方法设计、研究实施、形式化分析、概念化；冯浩：审阅与编辑、监督、项目管理、资金获取；沙周：可视化、软件、数据管理；曾周末：审阅与编辑、资源协调、资金获取。

Funding

本研究由国家科技重点专项【项目编号2022YFC3203802】与天津国家重点实验室重大项目【项目编号24ZXZSSS00290】资助。

Declaration of competing interest

作者声明不存在已知的竞争性财务利益或个人关系影响本研究报道的内容。