基于分布式光纤传感技术的双分支时空协同网络，用于关键基础设施周边安全防护

《Expert Systems with Applications》：Dual-Branch Spatiotemporal Synergistic Network for Critical Infrastructure Perimeter Security via Distributed optic-fiber Sensing

分布式光纤传感系统通过双分支时空协同网络和物理增强数据增强有效融合时空特征并抑制噪声干扰，在 perimeter security 监测中实现高精度事件识别。

　　

白星业|焦旭鹏|林俊|赵鑫|皮帅|姜传东

中国吉林大学仪器与电气工程学院深地探测与成像国家重点实验室，长春，130026

摘要

在智能监控系统中，维护关键基础设施的安全已成为一个关键目标。在各种传感技术中，分布式光纤传感（DOFS）作为一种大规模和实时周界防护的解决方案脱颖而出。然而，DOFS信号通常是高维的、非平稳的，并且容易受到噪声的影响，这给准确的事件识别带来了挑战。为了解决这些问题，本文提出了DB-STSNet，这是一种双分支时空协同网络，它结合了基于物理原理的数据增强策略，以提高模型在真实工业传感条件下的鲁棒性。此外，该框架采用双分支架构来同时提取时间和时空表示，而光纤时空自适应聚焦（F-STAF）、光纤时间通道自适应聚焦（F-TCAF）和双模态动态通道融合（DM-DCF）模块则增强了时空特征的融合能力。此外，还设计了一种噪声感知自适应交叉熵（NA-CE）损失函数，以减轻噪声干扰并提高判别性能。实验结果表明，与现有技术相比，DB-STSNet在准确性、鲁棒性和泛化能力方面都取得了优异的表现，显示出在基于DOFS的周界安全应用中的巨大潜力。

引言

在智能监控和工业数字化的时代，确保诸如管道、电网和交通走廊等关键基础设施的安全变得越来越重要（Lyu等人，2022年）。基于摄像头、雷达或声学传感器的传统周界防护系统往往存在覆盖范围有限、维护成本高以及易受环境干扰等问题。鉴于这些限制，分布式光纤传感（DOFS）技术提供了一个有前景的替代方案，它利用光纤作为分布式传感器，提供远距离、连续和高灵敏度的监控能力（Rahman等人，2024年；Shang等人，2022年）。由于其高空间分辨率和强大的抗干扰性能，DOFS技术已被广泛用于大规模周界监控和预警应用。

然而，DOFS系统生成复杂的多通道时间序列信号，其中时间动态和通道之间的空间相关性都包含关键的事件信息。现有的基于DOFS的安全系统往往难以有效捕捉这些对于准确事件检测至关重要的因素（Shao等人，2025年；Tomasov等人，2025年）。在DOFS信号解释的早期阶段，传统的人工智能技术被使用，从时间和频率域中提取手工制作的统计特征（Jia等人，2019年；Jia等人，2020年）。然后使用支持向量机（SVM）和K-最近邻（KNN）等传统算法对这些特征进行分类（Liu等人，2020年；Wang等人，2019年）。尽管这些方法显示出一定的潜力，但它们通常需要大量的特征工程，并且难以对数据中的复杂模式进行建模。

随着深度学习的发展，出现了更复杂的模型，如卷积神经网络（CNN），能够直接从原始DOFS信号中自动提取层次化特征（Lyu等人，2020年；Ma等人，2022年）。这些深度学习模型通过学习复杂的时空模式，显著提高了事件检测的准确性和泛化能力。最近的进展引入了基于Transformer的架构，用于建模DOFS信号中的长期时间依赖性和全局注意力模式，提供了对潜在事件动态的更全面理解（Han等人，2024年）。尽管有这些改进，但有效建模时间和空间信息仍然是一个挑战。总体而言，现有研究主要集中在两个方法方向上：基于时间的模型和基于时空的模型。基于时间的模型，如一维卷积或循环神经网络，将DOFS数据视为纯粹的时间序列，忽略了由传感光纤的传播特性和分布式特性产生的内在时空相关性。它们在捕捉时间动态方面表现出色，但往往无法解决纤维通道之间的空间相关性问题，而这对于大面积事件检测至关重要。相比之下，基于时空的模型利用二维卷积可以同时利用时间和空间特征，提供了更好的空间一致性表示。然而，它们通常难以处理时间碎片化问题，即长期依赖性没有得到很好的捕捉，导致在连续的、现实世界的监控场景中性能下降。

如图1所示，基于时间的模型（绿色）关注时间连续性，但忽略了空间一致性；而基于时空的模型（红色）强调空间耦合，但存在时间碎片化问题。这种固有的时空解耦问题凸显了一个关键限制：没有任何一种方法能够在一个统一的特征空间中有效建模DOFS信号，同时保持时间连续性和空间一致性。为了解决这一挑战，我们提出了双分支时空协同网络（DB-STSNet），它结合了时间和空间特征以克服现有限制。首先，动态多机制物理启发式增强（DMPA）利用特定领域的物理知识来增强数据，提高模型捕捉监测环境内在特征的能力。接下来，光纤时空自适应聚焦模块（F-STAF）自适应地聚焦信号的关键区域，实现有效的时空模式提取。光纤时间通道自适应聚焦模块（F-TCAF）根据数据特性调整焦点，精细化时间特征提取。此外，双模态动态通道融合模块（DM-DCF）协同整合了一维和二维特征，促进相互增强而不是简单的串联。最后，噪声感知自适应交叉熵（NA-CE）损失函数减轻了噪声或不确定样本的影响，提高了在复杂环境中的鲁棒性。总之，本文的主要贡献如下：

(1)

基于物理原理的DOFS数据增强：我们提出了基于光纤传感原理的数据增强策略，模拟现实世界的信号退化，保留DOFS数据的时空特性并提高模型泛化能力。

(2)

统一的时空特征协同网络：我们提出了DB-STSNet，这是一个结合了F-TCAF和F-STAF模块的双分支框架，而DM-DCF模块确保了有效的融合，NA-CE损失函数提高了鲁棒性。通过保持时间连续性和空间一致性，DB-STSNet为基于DOFS的周界安全监控提供了一个有效的解决方案。

(3)

卓越的性能：广泛的实验表明，DB-STSNet在DOFS事件数据集上的表现优于现有的最先进模型，实现了更高的事件检测准确率和更低的误报率（NAR）。所提出的方法效率很高，模型规模紧凑，适用于实际周界安全应用。

本文的其余部分组织如下。第2节回顾了与基于DOFS的事件识别相关的现有研究。第3节详细介绍了所提出的方法。第4节通过比较实验、消融研究和可视化分析验证了所提出方法的优越性。最后，第5节总结了本文。

章节片段

基于时间的模型

为了捕捉此类时间序列数据中的动态模式和长期依赖性，研究人员开发了各种基于时间的神经架构。基于时间的模型以DOFS时间数据为输入，实现对光纤上外部干扰的实时分析。循环神经网络（RNN），特别是长短期记忆（LSTM）和门控循环单元（GRU），被广泛用于序列数据分析，包括DOFS信号识别（Kayan等人，2023年）

所提出方法的总体框架

DB-STSNet是一个先进的深度学习框架，旨在捕捉基于DOFS的周界安全系统中事件检测所需的时空特征。整个DB-STSNet框架如图2所示。该架构由两个并行分支组成：一维分支和二维分支，每个分支都针对提取互补的时间和时空信息进行了优化。

一维分支专注于时间特征学习，其结构为

DOFS系统和数据集

在本研究中，振动事件数据来自之前研究中报道的一个公开可用的基于?-OTDR的DOFS平台（Cao等人，2023年）。该数据集包含在不同环境和操作条件下的多种类型的振动事件，为评估基于DOFS的周界安全应用中的事件检测性能提供了代表性的基准。DOFS系统的整体实验设置如图4所示。

使用NKT E15激光器

结论

本文介绍了DB-STSNet，这是一个用于关键基础设施中基于DOFS的周界安全事件识别的时空学习框架。该模型结合了基于物理原理的数据增强策略，以在真实传感条件下提高泛化能力。双分支架构同时提取时间和时空特征，而F-STAF、F-TCAF和DM-DCF模块有效地增强了时空特征融合和信息整合。

CRediT作者贡献声明

白星业：概念化、方法论、软件、研究、写作——原始草稿。焦旭鹏：软件、研究。林俊：资源、监督。赵鑫：研究、写作——审阅与编辑、验证。皮帅：概念化、研究、写作——审阅与编辑。姜传东：资金获取。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。