基于物理原理的数据增强方法,用于Φ-OTDR系统事件识别

《Optics & Laser Technology》:Physics-consistent data augmentation method for Φ-OTDR system event recognition

【字体: 大 中 小 】 时间:2026年01月20日 来源:Optics & Laser Technology 4.6

编辑推荐:

  Φ-OTDR信号在数据稀缺和噪声干扰下的识别问题,提出基于去噪扩散概率模型(DDPM)的物理一致性数据增强框架,融合自适应谱特征噪声融合模块与频率域一致性引导扩散机制,实验表明在2%少数样本下准确率达93.90%,优于TSC方法2.9个百分点,并提升弱事件识别8%-24%。

  
朱家禾|尹波|魏志强|朱照彦|赵洪高|朱世龙|韩同雷
中国海洋大学信息科学与工程学院,青岛,266100,山东,中国

摘要

相位敏感光时域反射仪(Φ-OTDR)系统在 perimeter 安全和结构健康监测等应用中展示了显著潜力。然而,在实际场景中,振动事件往往是随机的且难以捕捉,导致数据稀缺和类别不平衡严重,这反过来又阻碍了深度学习模型的泛化能力。传统的数据增强方法往往会扭曲 Φ-OTDR 信号的固有时频结构,而生成对抗网络(GAN)在少样本学习环境中容易发生模式崩溃和物理不一致性问题。为了解决这些挑战,本研究提出了一种基于去噪扩散概率模型(DDPM)的物理一致性数据增强框架。该框架结合了自适应光谱特征保持噪声融合模块和频域一致性引导的扩散机制。通过将物理先验嵌入生成过程,确保增强后的样本遵循分布式光纤振动信号的物理规律。这种方法在引入可控扰动的同时保留了关键的光谱特征,从而实现对弱事件和强事件的不同增强,并扩展了样本多样性。在我们的实验设置中,仅将一个背景事件定义为主要类别以形成少样本学习场景。在公共数据集上,所提出的方法仅使用2%的样本数据就实现了93.90%的准确率,比最先进的TSC方法高出2.9%。此外,在次要事件类别上观察到了8%–24%的准确率提升。在复杂噪声下的私有户外数据集上,所提出的方法保持了92.33%的准确率,证明了其在 Φ-OTDR 事件识别方面的卓越鲁棒性和泛化能力。

引言

相位敏感光时域反射仪(Φ-OTDR)是一种分布式光纤传感技术,能够实时监测光纤上的微小扰动。通过检测背散射光中的相位变化,Φ-OTDR 系统可以实现高精度的干扰检测,特别适用于弱振动检测 [1]。基于 I/Q 解调和同频检测的相干检测可以显著提高系统的信噪比(SNR)和相位稳定性 [2]。同时,频分复用(FDM)通过将传感通道在频域中分离,有效减轻了衰落和通道间串扰 [3],[4]。由于其高灵敏度、对电磁干扰的强抗干扰能力和出色的空间分辨率,Φ-OTDR 已被广泛应用于分布式振动传感任务,如 perimeter 安全和结构健康监测 [5]。
特征提取在 Φ-OTDR 事件识别中起着关键作用。信号是非平稳的且随时间变化的,其频域能量分布反映了关键的区分信息。传统的时域特征(例如幅度、能量)对噪声敏感,而频域描述符(例如 FFT、功率谱)无法表示瞬态动态。因此,结合深度学习的时频表示已成为 Φ-OTDR 事件识别的主要范式,提供了稳健的联合时频特征表征 [6],[7],[8],[9]。
近年来,深度学习已成为 Φ-OTDR 事件识别的主要范式。最近的研究探索了高保真数值建模和基于深度学习的特征提取方法,用于 Φ-OTDR 信号 [24],[25],[26],在复杂噪声条件下提高了事件识别准确率。卷积神经网络(CNN)有效捕获了局部时频模式 [10],[11],而混合 CNN-LSTM 架构利用时间依赖性提高了鲁棒性 [9],[12]。最近,基于 Transformer 的模型在 Φ-OTDR 事件识别中展示了增强的全局上下文建模能力 [13]。还开发了实时 FPGA 实现方案用于现场部署 [14]。最近的方法还探索了 PFN 抑制技术 [30] 和混合 B-OTDR/Φ-OTDR 系统 [31],以提高实际应用中的多参数测量准确性和鲁棒性。
尽管取得了这些进展,但在极有限的标记数据和复杂噪声干扰下实现稳健且准确的 Φ-OTDR 事件识别仍然是一个主要挑战。在现实世界条件下,特殊振动事件(如人为入侵、挖掘或机械冲击)通常是随机的、不可重现的且收集成本高昂,导致数据稀缺和类别不平衡。这种代表性数据的缺乏极大地限制了深度模型在少样本条件下的可扩展性和泛化能力,尤其是在识别弱事件或罕见事件时。此外,户外环境中的 Φ-OTDR 信号经常受到交通、风和机械产生的复杂背景噪声的污染。这些干扰源在时域和频域中都有重叠,显著降低了信噪比(SNR)并掩盖了事件模式。因此,在数据稀缺和复杂噪声干扰下实现稳健的事件识别已成为智能 Φ-OTDR 信号处理的关键瓶颈。
为了缓解数据稀缺问题并提高模型鲁棒性,已经探索了多种基于学习的策略。迁移学习 [15] 和对比学习 [16] 利用外部或自我监督的知识来增强表示学习。为了进一步缓解数据稀缺问题,传统增强方法(如窗口切片 [27]、时间拉伸和移位 [28]、图像域变换 [29] 和频率扰动)已被广泛研究,尽管它们可能在低 SNR 条件下扭曲固有的时频一致性。最近的生成方法,包括基于 CycleGAN 的增强 [17]、VAE-GAN 混合体 [18] 和双重增强方案 [19],在一定程度上提高了样本的真实性和多样性。胡等人 [20] 进一步证明,基于类别的增强可以增强罕见事件的识别。然而,基于 GAN 的方法仍然容易发生模式崩溃,并且缺乏明确的物理约束,限制了它们在少样本 Φ-OTDR 场景中的有效性。
在这种情况下,基于扩散的生成模型作为一种物理一致性数据增强的有希望的替代方案出现。去噪扩散概率模型(DDPM)[21],[22] 具有强大的生成稳定性和高样本保真度,模式崩溃最小,非常适合少样本场景。在时间序列扩散方法(TSDM)[23] 的基础上,这项工作扩展了基于扩散的生成,并针对分布式光纤振动信号进行了物理信息适应性调整,实现了物理一致且可靠的数据合成。
然而,现有方法仍面临挑战,包括严重的数据稀缺、由环境噪声和操作条件变化引起的分布偏移,以及数据增强中的物理一致性不足,这些共同限制了模型的鲁棒性和泛化能力。为了解决这些挑战,本研究提出了一种物理一致性数据增强框架,该框架结合了自适应光谱特征保持噪声融合(A-SPR-NF)模块和频域一致性引导的条件去噪概率模型(FCD-DDPM)。通过将物理先验明确嵌入噪声融合和扩散过程中,所提出的框架在数据生成过程中强制保持频域一致性。
本研究的主要贡献总结如下:
  • •
    提出了一种 SNR 引导的自适应光谱保持噪声融合策略,在保留 Φ-OTDR 信号的关键光谱特征的同时引入物理感知的扰动,实现对弱事件和强事件的不同增强。
  • •
    引入了一种频域一致性引导的条件 DDPM 用于 Φ-OTDR 数据增强,有效缓解了模式崩溃并提高了物理保真度,优于基于 GAN 的方法。
  • •
    在公共和真实世界数据集上的广泛实验表明,所提出的框架在少样本和噪声条件下一致提高了识别准确率和鲁棒性。
  • 方法

    频域特征在分布式光纤振动信号的分析和增强中起着不可或缺的作用。它们不仅揭示了信号的内在特性,还使得噪声和真实事件之间的有效区分成为可能,从而显著提高了信号的鲁棒性和分类准确率。特别是在少样本学习和生成建模场景中,保持和增强频域表示至关重要

    实验设置

    对于公共 BJTUSensor 数据集和我们自收集的 XRDAS 数据集,背景噪声被视为主要类别,所有其他事件被视为少数类别。对于每个少数类别,随机选择了 50 个样本进行训练(约占 BJTUSensor 的 2% 和 XRDAS 的 5%),使用固定的 50 次训练设置以实现公平比较。测试集每个类别包含 300 个样本,训练集被扩展以匹配主要类别的大小,以实现类别平衡的学习。

    结论

    本文提出了一种物理一致的数据增强框架,用于 Φ-OTDR 事件识别,以应对数据稀缺、类别不平衡和复杂噪声干扰的挑战。通过结合自适应光谱特征保持噪声融合(A-SPR-NF)和频域一致性引导的条件扩散模型(FCD-DDPM),所提出的方法在增强样本多样性的同时,明确保留了分布式光纤振动的固有光谱特征

    CRediT 作者贡献声明

    朱家禾:撰写——原始草稿、验证、方法论、调查、数据管理。尹波:撰写——审阅与编辑、监督、项目管理、资金获取、概念化。魏志强:撰写——审阅与编辑、验证、监督、方法论。朱照彦:验证、调查。赵洪高:调查、数据管理。朱世龙:调查、资金获取。韩同雷:调查、数据管理。

    利益冲突声明

    作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。

    致谢

    本工作得到了山东省重点研发计划(重大科技创新项目)(项目编号 2023ZLGX06)和泰山产业领军人才项目蓝色人才项目的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号