基于下变频和IQ解调的外差型相位敏感光时域反射技术的模式识别 下载: 1228次
1 引言
相位敏感光时域反射(
由于后向瑞利散射信号十分微弱,使用外差探测可以提高信噪比。对于
2 系统结构与原理
系统结构框图如
将环形器3端输出的瑞利散射信号
式中
系统噪声
式中
下变频系统采用对称差分结构,此结构有助于抑制电路板噪声。光电探测器输出信号分别与DDS输出的相位差为180°的两路正弦信号进行混频,系统输出由AD两通道以40 MHz·s-1的速度进行同步采集,将采集到的信号进行相减,以达到抑制噪声的目的。如
混频后的
式中
式中
图 3. (a)原始信号;(b)下变频信号
Fig. 3. (a) Waveform of original signal; (b) waveform of down conversion signal
3 数字IQ解调与信号定位
3.1 数字IQ解调
振动事件的定位与模式识别均需使用幅度信号,为了得到(7)式中
将
散射光偏振态发生变化时会引起误差,实际应用中偏振变化较缓慢,在较短的一段时间内可认为偏振态稳定,因此误差较小。为消除偏振夹角
3.2 FPGA软件设计
所提系统采用FPGA+DSP双核处理架构,其中FPGA主要实现3个功能:1)调制触发脉冲与同步数据采集;2)数据IQ解调与传输;3)接收上位机控制命令。
DSP与FPGA之间的数据传输采用高速协议UPP,速度高达228 MHz·s-1。为了验证FPGA软件设计的正确性,将采集到的瑞利散射曲线数据存储在ROM中,采用ModelSim软件作为仿真工具,验证整个
IQ解调的过程,结果如
3.3 DSP定位算法设计
DSP的软件流程如
振动事件的定位算法采用移动平均和移动差分[10-11]。将采集到的
在集合
进行差分运算,
考虑到脉冲宽度和实践经验,采用(12)式进行差分处理[12]。DSP算法的时间评估如
表 1. DSP耗时评估
Table 1. Evaluation of DSP time consuming
|
4 图像处理与模式识别
4.1 图像预处理
多条散射曲线按时间排列构成了时空图,而振动事件只占其中很小区域,因此对整幅图像进行处理时费时较长。当有振动事件发生时,通过将事件提取出来可以提高效率,如
为了消除噪声并便于特征提取,需要进行图像的去噪与增强,具体步骤如
图 10. 图像增强。(a)原始图像;(b)均值滤波;(c)拉普拉斯锐化;(d)增强后图像
Fig. 10. Image enhancement. (a) Original image; (b) mean filtering; (c) Laplacian sharpening; (d) image after enhancement
基于二值图像提取形态学特征时需要进行图像的二值化。阈值计算采用Ostu算法[13],其核心思想是最小化类内方差和最大化类间方差。二值化后,采用膨胀腐蚀运算连接相邻连通域并消除较小的噪点。所选的3种事件为:1)在实验室条件下,在光纤一段施加PZT振动;2)将一段光纤埋在土下,汽车从光纤上方驶过;3)将一段光纤通过耦合剂粘在钢板上,用小锤轻敲钢板另一侧(称为人为扰动)。
图 11. (a)~(c)PZT振动图像,(d)~(f)汽车驶过振动图像和(g)~(i)人为扰动图像的二值化、膨胀和腐蚀图像
Fig. 11. Images of binaryzation, expansion and corrosion of (a)-(c) PZT vibration images, (d)-(f) vibration images when car is passing through and (g)-(i) artificial disturbance images
4.2 特征提取与选择
所提系统首先提取14种形态学特征,分别为区域面积(AreF)、区域形状数(ShapeF)、区域面积周长比(RioF)、区域最小间距(InLenMin)、区域最大间距(InLenMax)、凸壳数(ConAreAve)、短轴长(MinAxiLenF)、长轴长(MajAxiLenF)、周长(PerimeterF)、等效直径(EquivDiameter)、灰度图一阶矩(IM1)、灰度图二阶矩(IM2)、灰度图三阶矩(IM3)和事件点幅值(Amp)[15]。
当特征数量较多时,处理耗时长且维数多,因此需从上述的14个特征中选择类间距离大且类内方差小的特征。为此需要一套评价标准,此标准既要考虑各个特征分类能力,也要考虑特征间的关系。实际中常使用类内散布矩阵
式中
式中
特征选择过程为:1) 采用Fisher准则计算每一个可用特征
的特征作记为
选择
4.3 改进的BP神经网络识别
BP神经网络是一种学习算法,包含输入层、输出层以及一个或多个隐藏层。目前使用最为广泛的识别算法是将训练样本输入网络并根据网络的实际输出和期望输出之间的差别来调整连接权重[16]。
所提系统采用如
BP神经网络的训练过程在上位机完成,主要分为以下步骤。
1) 归一化。由于激活函数sigmoid在[0,1]内非线性最好,训练时收敛快,因此将输入输出进行归一化。
2) 正向传播。输入层信号与相应权值相乘累加后传播到隐藏层。
将计算得到的
3) 误差的反向传播。训练样本中,设期望输出为集合
对权值的增量Δ
式中
式中
在实验室条件下铺设长度为2 km的管道,获取了3类样本(汽车驶过振动、人为扰动、PZT振动)各50个,每类各取25个样本作为训练使用,训练样本共计75个。每类各取25个样本为测试使用,测试样本共计75个。人为扰动、汽车驶过振动和PZT振动的识别率以及总识别率分别为93.33%、100%、100%和97.78%。对于较为规律的PZT振动和汽车驶过振动,识别率非常理想;对于人为影响比较大的人为扰动,识别率较低,此结果说明了所提系统的特征选取合理且BP神经网络建模合理。
5 结论
传统的外差型
[2] 冯凯滨, 宋牟平, 夏俏兰, 等. 基于直接检测相干光时域反射计的高分辨率分布式光纤传感技术[J]. 光学学报, 2016, 36(1): 0106002.
冯凯滨, 宋牟平, 夏俏兰, 等. 基于直接检测相干光时域反射计的高分辨率分布式光纤传感技术[J]. 光学学报, 2016, 36(1): 0106002.
[3] 吕月兰, 行永伟. 相位光时域反射计瑞利散射波形特性研究[J]. 光学学报, 2011, 31(8): 0819001.
吕月兰, 行永伟. 相位光时域反射计瑞利散射波形特性研究[J]. 光学学报, 2011, 31(8): 0819001.
[5] 彭正谱, 饶云江, 彭飞, 等. 基于外差检测和前向拉曼放大的新型长距离相敏光时域反射仪[J]. 光电子·激光, 2014, 25(4): 724-729.
彭正谱, 饶云江, 彭飞, 等. 基于外差检测和前向拉曼放大的新型长距离相敏光时域反射仪[J]. 光电子·激光, 2014, 25(4): 724-729.
Peng Zhengpu, Rao Yunjiang, Peng Fei, et al. Long distance phase-sensitive optical time-domain reflectometer based on heterodyne detection and forward Raman amplification[J]. Journal of Optoelectronics·Laser, 2014, 25(4): 724-729.
[7] Pan ZQ, Liang KZ, YeQ, et al. Phase-sensitive OTDR system based on digital coherent detection[C]. SPIE, 2011, 8311: 83110S.
Pan ZQ, Liang KZ, YeQ, et al. Phase-sensitive OTDR system based on digital coherent detection[C]. SPIE, 2011, 8311: 83110S.
[8] Wang Z, Zhang L, Wang S, et al. Coherent Φ-OTDR based on I/Q demodulation and homodyne detection[J]. Optics Express, 2016, 24(2): 853-858.
Wang Z, Zhang L, Wang S, et al. Coherent Φ-OTDR based on I/Q demodulation and homodyne detection[J]. Optics Express, 2016, 24(2): 853-858.
[10] 安阳, 封皓, 张景川, 等. 基于双光束干涉的相位敏感光时域反射计[J]. 光学学报, 2013, 33(7): 0706005.
安阳, 封皓, 张景川, 等. 基于双光束干涉的相位敏感光时域反射计[J]. 光学学报, 2013, 33(7): 0706005.
[13] 韩延祥, 张志胜, 郝飞, 等. 灰度序列图像中基于纹理特征的移动阴影检测[J]. 光学精密工程, 2013, 21(11): 2931-2942.
韩延祥, 张志胜, 郝飞, 等. 灰度序列图像中基于纹理特征的移动阴影检测[J]. 光学精密工程, 2013, 21(11): 2931-2942.
[15] 张颜, 娄淑琴, 梁生, 等. 基于多特征参量的Φ-OTDR分布式光纤扰动传感系统模式识别研究[J]. 中国激光, 2015, 42(11): 1105005.
张颜, 娄淑琴, 梁生, 等. 基于多特征参量的Φ-OTDR分布式光纤扰动传感系统模式识别研究[J]. 中国激光, 2015, 42(11): 1105005.
Zhang Yan, Lou Shuqin, Liang Sheng, et al. Study of pattern recognition based on multi-characteristic parameters for Φ-OTDR distributed optical fiber sensing system[J]. Chinese J Lasers, 2015, 42(11): 1105005.
Article Outline
沈隆翔, 封皓, 沙洲, 曾周末. 基于下变频和IQ解调的外差型相位敏感光时域反射技术的模式识别[J]. 光学学报, 2017, 37(8): 0806005. Longxiang Shen, Hao Feng, Zhou Sha, Zhoumo Zeng. Pattern Recognition of Heterodyne Phase-Sensitive Optical Time-Domain Reflection Technique Based on Down Conversion and IQ Demodulation[J]. Acta Optica Sinica, 2017, 37(8): 0806005.