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

沈隆翔; 封皓; 沙洲; 曾周末

doi:doi:10.3788/AOS201737.0806005

光学学报, 2017, 37 (8): 0806005, 网络出版: 2018-09-07

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

Pattern Recognition of Heterodyne Phase-Sensitive Optical Time-Domain Reflection Technique Based on Down Conversion and IQ Demodulation

论文大纲

沈隆翔 ^*封皓沙洲曾周末

作者单位

天津大学精密测试技术及仪器国家重点实验室, 天津 300072

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

基于模拟下变频器、数字IQ解调和反向传播(BP)神经网络,采用现场可编程门阵列结合数字信号处理器(FPGA+DSP)的数据采集和处理架构,提出了一种全嵌入式高信噪比(SNR)、高分辨率和低成本的外差型相位敏感光时域反射(Φ-OTDR)技术模式识别方法。针对外差型Φ-OTDR技术,使用DSP、FPGA及其外围硬件电路替代原有的GHz级高速采集卡和信号发生器,减小了系统的体积和成本。在此基础上,设计了基于时空域二维图提取形态学特征的方法,并采用BP神经网络进行分类识别;所提方法相对于传统的针对一维信号进行模式识别的方法误报率更低、识别率更高。实验结果表明,所设计的基于FPGA+DSP全嵌入式并行信号处理架构满足实时监测的要求,SNR高达12.43 dB,事件识别准确率达到97.78%。

Abstract

An embedded pattern recognition method for heterodyne phase-sensitive optical time-domain recognition (Φ-OTDR) technique with high signal-to-noise ratio (SNR), high resolution and low cost is proposed based on analog down conversion, digital IQ demodulation and back propagation (BP) neural network. When we use a digital signal processor (DSP), field programmable gate array (FPGA) and a peripheral circuit to replace GHz data acquisition and signal generator, cost and size are reduced. A method based on time and space two-dimensional extracting morphological features is designed, and the BP neural network is used to multi-class recognition. Compared with the traditional mode recognition for one-dimensional signal, the proposed method can achieve lower false alarm rate and higher recognition rate. Experiment results show that designed embedded parallel signal processing architecture based on FPGA+DSP can satisfy the real-time monitoring requirements. SNR of the system is 12.43 dB and the event recognition rate is 97.78%.

1 引言

相位敏感光时域反射(Φ-OTDR)技术通过向传感光纤中注入高度相干的脉冲光并接收背向瑞利散射信号实现对传感光纤沿线的振动监测。传统OTDR技术只能监测如光纤弯曲、折射率突变等静态事件而无法监测振动等动态事件,而Φ-OTDR系统对光纤形变和应力非常敏感,可以实现对振动事件的监测^[1-2]。当光纤某点受到扰动时,光纤折射率发生变化,相当于对该点施加一个相位调制;通过对扰动点前后散射曲线作差便能得到振动信号^[3]。由于振动信息搭载在散射光的相位信号上,而光相位对光纤形变与应力极其敏感,因此Φ-OTDR技术具有极高的探测灵敏度。

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Φ-OTDR系统,当使用声光调制器(AOM)将连续光调制成脉冲光时,会有200 MHz的移频,从而增大了对采样速率和数据吞吐量的要求。传统结构中使用GHz级采集卡进行采样,使用信号发生器驱动AOM并进行同步数据采集,但是这种方式不能够实时调制触发脉冲的宽度和重复频率,也增大了系统的体积和复杂度,同时GHz采集卡成本较高而且很难实现采集信号的实时串流以及实时解调与模式识别。本文设计了下变频电路,降低了对采样率和数据吞吐量的要求;设计的现场可编程门阵列(FPGA)及其外围电路可代替信号发生器,并能实时调制触发脉冲的宽度与重复频率。在外差型Φ-OTDR系统中,定位曲线只能反映空间域上的振动而不能反映时间域的情况。本文采用全嵌入式硬件架构,基于图像处理的方式提取时空域特征^[4],并使用反向传播(BP)神经网络进行分类识别。所提系统以普通单模光纤作为光传输和传感载体,易于安装,可以实现长距离、多位置实时监测,并且可以应用在工程结构的安全检测、光纤周界防护、油气管道安全预警等领域。

2 系统结构与原理

系统结构框图如图1所示,该系统采用窄线宽激光器作为光源,中心波长为1550.12 nm。光源输出分为两路:一路作为本征光,另一路作为探测光。探测光经过AOM(消光比为55 dB,移频为200 MHz)调制成脉冲光,脉冲光经掺铒光纤放大器(EDFA)的放大后通过环形器进入传感光纤中。光纤中的散射信号进入环形器的2端,由环形器3端输出到耦合器的一端;耦合器的另一端输入本征光,输出信号经过光电探测器转换成电信号。信号经FPGA采集并进行初步处理后传输到数字信号处理器(DSP)中,DSP对信号进行后续处理,DSP处理结果基于传输控制协议传输到上位机。图1中DDS为直接数字频率合成器。

图 1. 系统结构示意图

Fig. 1. Diagram of system structure

下载图片查看所有图片

将环形器3端输出的瑞利散射信号E_bs(t)与本征光E_Lo(t)进行相干拍频(图1),由于光电探测器频带有限,忽略高频后得到S_c(t),即

\begin{matrix} S_{c} (t) = E_{0} A (t) cosθcos [Δ ω_{1} (t) + φ (t) + φ_{1}], (1) \end{matrix}

式中θ为本征光与散射光的偏振夹角,Δω₁(t)为AOM引入的移频,φ₁为初始相位,E₀为本征光幅度,φ(t)和A(t)分别为调制后的相位和幅度。散射光中的直流分量经交流放大后被去除。

系统噪声σ²主要来源于散粒噪声 $\begin{matrix} σ_{s}^{2} \end{matrix}$ =2q(I+I_d)ΔB(其中q为散粒噪声系数,I为光电探测器输出电流,I_d为暗电流,ΔB为带宽)、热噪声 $\begin{matrix} σ_{T}^{2} \end{matrix}$ =(4k_BT/R_L)ΔB(其中k_B为玻尔兹曼常数,T为绝对温度,R_L为负载电阻)、本征光功率P_Lo、散射光功率P_bs及信噪比(SNR)。可见,通过增大P_Lo可以提高SNR^[5]。SNR可表示为

\begin{matrix} S_{NR} = \frac{< S_{AC}^{2} >}{σ^{2}} = \frac{2 R^{2} P_{bs} P_{Lo}}{2 q (I + I_{d}) ΔB + σ_{T}^{2}}, (2) \end{matrix}

式中S_AC为信号电压幅值,R为电阻。FPGA及其外围电路主要实现AOM调制脉冲产生和模拟下变频功能,其示意图如图2所示。利用FPGA驱动数模转换器(DA),高速放大器产生AOM调制脉冲,下变频部分将载频信号由200 MHz降到5 MHz^[6]。图中LPF为低通滤波器,DAQ为数据采集卡。

图 2. FPGA及其外围电路示意图

Fig. 2. Diagram of FPGA and its peripheral circuit

下载图片查看所有图片

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。如图2所示,输入信号为S_c(t)、S₁(t)和S₂(t),其中S₁(t)和S₂(t)为DDS生成的两路相位差为180°的正弦信号[Δω₂(t)=195 MHz]。由两路模拟乘法器分别完成S_c(t)与S₁(t)、S₂(t)的混频,得到的信号S_E1(t)、S_E2(t)分别可表示为

\begin{matrix} \begin{matrix} S_{E 1} (t) = S_{c} (t) S_{1} (t), (3) \\ S_{E 2} (t) = S_{c} (t) S_{2} (t) 。 (4) \end{matrix} \end{matrix}

混频后的S_E1(t)和S_E2(t)包含下变频分量和上变频分量,经过低通滤波电路后得到的信号E_s1(t)和E_s2(t)可分别表示为

\begin{matrix} \begin{matrix} E_{s 1} (t) = E_{0} A (t) cosθcos [Δ ω_{3} (t) + φ (t)] + e_{1} (t), (5) \\ E_{s 2} (t) = E_{0} A (t) cosθcos [Δ ω_{3} (t) + φ (t) + π] + e_{2} (t), (6) \end{matrix} \end{matrix}

式中e₁(t)和e₂(t)分别为对称混频电路中的噪声信号。两路混频电路采用对称布局,信号线等长布线,所选芯片器件皆为同一生产批次且性能基本相同,所处工作环境也相同,因此噪声信号e₁(t)和e₂(t)大致相等。将采集到的两通道数据进行相减,可以起到抑制噪声、放大信号的作用,E_s1(t)和E_s2(t)相减得到的信号为

\begin{matrix} E_{s} (t) = E_{s 1} (t) - E_{s 2} (t) \approx A E_{0} A (t) cosθcos [Δ ω_{3} (t) + φ (t) + φ_{1}], (7) \end{matrix}

式中A为S₁(t)和S₂(t)的幅度。瑞利散射信号如图3(a)所示,下变频后的波形如图3(b)所示,图3(b)中信号的中心频率为5 MHz,达到了预期效果。

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

下载图片查看所有图片

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E_s(t)的幅度信号A(t),采用IQ解调,其原理如图4所示^[7-8]。E_s(t)分别与sin[Δω₃(t)]和cos[Δω₃(t)]相乘并经低通滤波后得到E_sin(t)和E_cos(t),E_sin(t)和E_cos(t)可分别表示为

\begin{matrix} \begin{matrix} E_{\sin (t)} = A E_{0} A (t) cosθsin [φ (t) + φ_{1}], (8) \\ E_{\cos (t)} = A E_{0} A (t) cosθcos [φ (t) + φ_{1}] 。 (9) \end{matrix} \end{matrix}

图 4. IQ解调原理

Fig. 4. Principle of IQ demodulation

下载图片查看所有图片

将E_sin(t)和E_cos(t)取平方和后再取平方根,便可以得到幅度信号A(t),三者之间满足

\begin{matrix} \sqrt[]{E_{\sin (t)}^{2} + E_{\cos (t)}^{2}} = A E_{0} A (t) cosθ 。 (10) \end{matrix}

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θ的影响,可以使用保偏光纤和保偏设置,但其成本高昂,在实际中的应用较少^[9]。

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。图5为FPGA建模模块图,共分为3个时钟域,即数据采集(40 MHz时钟)、IQ解调(200 MHz)和数据传输(80 MHz)。为了解决数据在采集模块和IQ解调模块的跨时钟传输,使用先进先出(FIFO)方式。数据经解调后存入随机存取存储器(RAM),最后经并行接口UPP传输到DSP。图中ROM为只读存储器。

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

图 5. FPGA IQ解调模块示意图

Fig. 5. Diagram of IQ demodulation module of FPGA

下载图片查看所有图片

IQ解调的过程,结果如图6所示。图中从上到下依次为AD的A通道信号、B通道信号、E_s(t)和A(t)。仿真结果与预期结果相符合,验证了数字IQ解调的可行性。

图 6. FPGA IQ解调验证

Fig. 6. Verification of IQ demodulation of FPGA

下载图片查看所有图片

3.3 DSP定位算法设计

DSP的软件流程如图7所示,以二维矩阵形式存储1 s内的幅度信号。为了实现实时处理,需不间断并行进行数据存储与处理,这里采用直接存储器存取(DMA)与乒乓操作。图中EN表示使能, $\begin{matrix} \bar{EN} \end{matrix}$ 表示失能。

图 7. DSP软件流程图

Fig. 7. Software flow chart of DSP

下载图片查看所有图片

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N条散射曲线记为r={r₁,r₂,…,r_N}, r_i表示第i条曲线,移动平均窗口大小取为M,移动平均后曲线记为集合R={R₁,R₂,…,R_k},其中k表示R曲线的条数,k=N-M+1,则有

\begin{matrix} R_{i} = \frac{1}{M} \overset{i + M - 1}{\sum_{l = i}} r_{l}, i \in [1, N - M + 1] 。 (11) \end{matrix}

在集合R中,相邻的曲线都十分接近,因此不能用相邻曲线作差的方式来寻找振动信号。将差分后的曲线ΔR绝对值相加,即可得到定位曲线,如图8所示。图8的实验室环境为:在180 m处施加压电换能器(PZT)振动。考虑到脉冲宽度和实践经验,利用^[12]

\begin{matrix} Δ R_{i} = R_{i} - R_{r} (r = i + t, t = 10) (12) \end{matrix}

进行差分运算,R_r为第r条移动平均后的R曲线。

图 8. 定位曲线图

Fig. 8. Location curve

下载图片查看所有图片

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所示,采集并处理1 s内的散射曲线数据,数据的传输采用DMA,处理程序耗时小于1 s即可满足实时要求。

表 1. DSP耗时评估

Table 1. Evaluation of DSP time consuming

Parameter	Move average and difference	Pattern recognition	Image process	Total
Number of cycles	289316036	224235	40571345	330111616
Time consuming /ms	634.46	0.49	88.97	723.92

查看所有表

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,如图9所示。

图 9. (a)原始图像;(b)截取图像

Fig. 9. (a) Original image; (b) intercept image

下载图片查看所有图片

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所示:1)将图10(a)图像进行均值滤波以消除散点噪声,得到图10(b);2)将图10(b)图像进行拉普拉斯算子锐化,提取图像的边缘特征,得到图10(c);3)将图10(b)、(c)图像叠加,得到图10(d),图10(d)图像与图10(a)图像相比,边缘得到明显增强,前景、背景对比度增大。

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

下载图片查看所有图片

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)、(d)~(f)、(g)~(i)分别为PZT振动、汽车驶过和人为扰动的二值化图像、膨胀图像和腐蚀图像^[14]。

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

下载图片查看所有图片

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S_w、类间散布矩阵S_b和混合散布矩阵S_m来评价单个特征分类能力, 三者可分别表示为

\begin{matrix} \begin{matrix} S_{w} = \overset{M}{\sum_{i = 1}} P_{i} S_{i}, (13) \\ S_{b} = \overset{M}{\sum_{i = 1}} P_{i} (μ_{i} - μ_{0}) (μ_{i} - μ_{0})^{T}, (14) \\ S_{m} = E [(x - μ_{0}) (x - μ_{0})^{T}], (15) \end{matrix} \end{matrix}

式中E为期望,x为某个样本特征值向量,S_i为ω_i类的协方差矩阵,P_i为ω_i类的先验概率矩阵,μ₀为全局平均向量,μ_i为ω_i类的特征均值。对于等概率事件,S_w与 $\begin{matrix} σ_{1}^{2} \end{matrix}$ + $\begin{matrix} σ_{2}^{2} \end{matrix}$ 成正比,σ_i和σ_j为ω_i类和ω_j类的特征方差。S_b与(μ₁-μ₂)²成正比,通过将S_b与S_w合并,可以得到Fisher准则,即

\begin{matrix} F_{DR} = \overset{M}{\sum_{i}} \overset{M}{\sum_{j \neq i}} \frac{(μ_{i} - μ_{j})^{2}}{σ_{i}^{2} + σ_{j}^{2}}, (16) \end{matrix}

式中μ_j为ω_j类的特征均值。各类特征的F_DR如图12所示,其中IM1的值最大,Amp次之。

图 12. 各类特征的FDR

Fig. 12. FDR of each feature

下载图片查看所有图片

F_DR仅评价了单个特征的分类能力,并没有考虑特征间的相关系数。如果两特征各自的F_DR较大且相关系数也很大,则只需选取其中一种特征。令X_nk为第n个样本的第k个特征,则任意两个特征之间的相关系数为

\begin{matrix} ρ_{ij} = \frac{\overset{N}{\sum_{n = 1}} X_{ni} X_{nj}}{\sqrt[]{\overset{N}{\sum_{n = 1}} X_{ni}^{2} \overset{N}{\sum_{n = 1}} X_{nj}^{2}}} 。 (17) \end{matrix}

特征选择过程为:1) 采用Fisher准则计算每一个可用特征X_k₁(k=1,2,…,m)的值,将最大值对应的特征记为X_i₁;2) 为使选择的第2个特征在已选中的X_i₁和剩余的m-1个特征之间,计算(17)式所定义的互相关系数,然后将满足

\begin{matrix} i_{2} = argmax [α_{1} J (j) - α_{2} ρ_{i_{1} j}] (18) \end{matrix}

的特征作记为X_i₂,其中α₁和α₂为决定两项相对重要性的加权系数,J(j)为采用(16)式计算出来的第j个特征的F_DR, $\begin{matrix} ρ_{i_{1} j} \end{matrix}$ 为由(17)式计算出的第i₁个特征与第j个特征的相关系数;3) 利用

\begin{matrix} i_{k} = argmax [α_{1} J (j) - \frac{α_{2}}{k - 1} \overset{k - 1}{\sum_{r = 1}} |ρ_{i_{r} j}|] (19) \end{matrix}

选择X_ik(k=1,2,3)以便于后续处理, 其中 $\begin{matrix} ρ_{i_{r} j} \end{matrix}$ 为(17)式计算出来的第i_r 个特征与第j个特征的由相关系数,j≠i_r,r=1,2,…,k-1。经过选择后,排名前5的特征依次为IM1、Amp、IM2、RioF和EquivDiameter。

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]。

所提系统采用如图13所示的3层神经网络,输入层神经元记为集合X={X₁,X₂,…, $\begin{matrix} X_{N_{1}} \end{matrix}$ },N₁=5;隐藏层神经元输入单元记为集合T={T₁,T₂,…, $\begin{matrix} T_{N_{2}} \end{matrix}$ };输出层神经元记为集合O={O₁, O₂,…, $\begin{matrix} O_{N_{2}} \end{matrix}$ },N₂=12;输出层记为集合Y={Y₁,Y₂,Y₃},即汽车驶过振动、PZT扰动和人为扰动3个类别;W_ij 为连接输入层X_j与隐藏层T_i的权值,V_ij为连接输出层O_i与隐藏层T_j的权值。

图 13. BP神经网络模型图

Fig. 13. Model of BP neural network

下载图片查看所有图片

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。O_i为T_i在激活函数f(·)作用下的输出,可表示为

\begin{matrix} O_{i} = f (T_{i}) = f (\overset{N_{1}}{\sum_{j = 1}} W_{ij} X_{j}) 。 (20) \end{matrix}

将计算得到的O_j与V_ij相乘后累加,得到输出值Y_i。训练完毕的网络完成此步骤后便可以得到分类结果,i=argmax{Y_i},表示振动事件属于第i类,其中

\begin{matrix} Y_{i} = \overset{N_{2}}{\sum_{j = 1}} V_{ij} O_{j} 。 (21) \end{matrix}

3) 误差的反向传播。训练样本中,设期望输出为集合D={d₁,d₂,…, $\begin{matrix} d_{N_{3}} \end{matrix}$ },先校正隐藏层与输出层的权值V_ij,求出误差E相对于权值的偏导,即

\begin{matrix} \frac{\partial E}{\partial V_{ij}} = \frac{\partial E}{\partial Y_{i}} \frac{\partial Y_{i}}{\partial V_{ij}} = (Y_{i} - d_{i}) O_{j} 。 (22) \end{matrix}

对权值的增量ΔV_ij进行修正,修正过程不仅考虑本次误差偏导,也考虑上次训练中的ΔV_ij,权值更新表达式为

\begin{matrix} V_{iju} = V_{ij} - [AΔ V_{ij} + B (Y_{i} - d_{i}) O_{j}], (23) \end{matrix}

式中A和B为重量因子。输入层到隐藏层的权值W_ij的校正过程与上述同理,则W_ij更新表达式为

\begin{matrix} W_{iju} = W_{ij} - (aΔ W_{ij} + b \frac{\partial E}{\partial W_{ij}}), (24) \end{matrix}

式中a、b为重量因子。统计本次训练过程中的识别误差,误差率大于设定值时重复上述过程,误差率达到允许范围时训练完毕。

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Φ-OTDR一般采用GHz级采集卡,采用自行研发的下变频电路时,采样率为40 MHz·s^-1,极大地减小了成本。同时,下变频电路采用对称结构,可很好地抑制电路板上的噪声,SNR高达12.43 dB。在AOM脉冲调制与采样同步部分,采用FPGA及其外围电路代替传统的信号发生器,减小了成本和系统体积。数据处理部分则采用FPGA+DSP双核的架构,以满足实时监测的要求。传统的定位曲线存在误报的情况,这里采用的形态学特征提取与模式识别方式可辅助决策者进行判断,同时对于实验中的3种振动类别的识别率达到了97.78%,证明了该方案的优势。

参考文献

[1] Arifin A, Hatta A M, Sekartedjo K, et al. Long-range displacement sensor based on SMS fiber structure and OTDR[J]. Photonic Sensors, 2015, 5(2): 166-171.

Arifin A, Hatta A M, Sekartedjo K, et al. Long-range displacement sensor based on SMS fiber structure and OTDR[J]. Photonic Sensors, 2015, 5(2): 166-171.

[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.

Feng Kaibin, Song Muping, Xia Qiaolan, et al. High-resolution distributed optical-fiber sensing technology based on direct-detecting coherent optical time-domain reflectometer[J]. Acta Optica Sinica, 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.

Lü Yuelan, Xing Yongwei. Investigation on Rayleigh scattering waveform in phase optical time domain reflectometer[J]. Acta Optica Sinica, 2011, 31(8): 0819001.

[4] Aquino A. Gegundez-Arias M E, Marin D. Detecting the optic disc boundary in digital fundus images using morphological, edge detection, and feature extraction techniques[J]. IEEE Transactions on Medical Imaging, 2010, 29(11): 1860-1869.

Aquino A. Gegundez-Arias M E, Marin D. Detecting the optic disc boundary in digital fundus images using morphological, edge detection, and feature extraction techniques[J]. IEEE Transactions on Medical Imaging, 2010, 29(11): 1860-1869.

[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.

[6] Shi Y, Feng H, Zeng Z M. A long distance phase-sensitive optical time domain reflectometer with simple structure and high locating accuracy[J]. Sensors, 2015, 15(9): 21957-21970.

Shi Y, Feng H, Zeng Z M. A long distance phase-sensitive optical time domain reflectometer with simple structure and high locating accuracy[J]. Sensors, 2015, 15(9): 21957-21970.

[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.

[9] Juarez J C, Taylor H F. Polarization discrimination in a phase-sensitive optical time-domain reflectometer intrusion-sensor system[J]. Optics Letters, 2005, 30(24): 3284-3286.

Juarez J C, Taylor H F. Polarization discrimination in a phase-sensitive optical time-domain reflectometer intrusion-sensor system[J]. Optics Letters, 2005, 30(24): 3284-3286.

[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.

An Yang, Feng Hao, Zhang Jingchuan, et al. Phase sensitive optical time domain reflectometer based on two-beam interference[J]. Acta Optica Sinica, 2013, 33(7): 0706005.

[11] Li Q, Zhang C X, Li L J, et al. Localization mechanisms and location methods of the disturbance sensor based on phase-sensitive OTDR[J]. Optik-International Journal for Light and Electron Optics, 2014, 125(9): 2099-2103.

Li Q, Zhang C X, Li L J, et al. Localization mechanisms and location methods of the disturbance sensor based on phase-sensitive OTDR[J]. Optik-International Journal for Light and Electron Optics, 2014, 125(9): 2099-2103.

[12] Lu Y L, Zhu T, Chen L, et al. Distributed vibration sensor based on coherent detection of phase-OTDR[J]. Journal of Lightwave Technology, 2010, 28(22): 3243-3249.

Lu Y L, Zhu T, Chen L, et al. Distributed vibration sensor based on coherent detection of phase-OTDR[J]. Journal of Lightwave Technology, 2010, 28(22): 3243-3249.

[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.

Han Yanxiang, Zhang Zhisheng, Hao Fei, et al. Shadow detection based on texture features in gray sequence images[J]. Optics and Precision Engineering, 2013, 21(11): 2931-2942.

[14] Sun Q, Feng H, Yan X Y, et al. Recognition of a phase-sensitivity OTDR sensing system based on morphologic feature extraction[J]. Sensors, 2015, 15(7): 15179-15197.

Sun Q, Feng H, Yan X Y, et al. Recognition of a phase-sensitivity OTDR sensing system based on morphologic feature extraction[J]. Sensors, 2015, 15(7): 15179-15197.

[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.

[16] Lyons W B, Lewis E. Neural networks and pattern recognition techniques applied to optical fibre sensors[J]. Transactions of the Institute of Measurement & Control, 2000, 22(5): 385-404.

Lyons W B, Lewis E. Neural networks and pattern recognition techniques applied to optical fibre sensors[J]. Transactions of the Institute of Measurement & Control, 2000, 22(5): 385-404.

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.

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

2 系统结构与原理

图 1. 系统结构示意图

Fig. 1. Diagram of system structure

图 2. FPGA及其外围电路示意图

Fig. 2. Diagram of FPGA and its peripheral circuit

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

图 4. IQ解调原理

Fig. 4. Principle of IQ demodulation

3.2 FPGA软件设计

图 5. FPGA IQ解调模块示意图

Fig. 5. Diagram of IQ demodulation module of FPGA

图 6. FPGA IQ解调验证

Fig. 6. Verification of IQ demodulation of FPGA

3.3 DSP定位算法设计

图 7. DSP软件流程图

Fig. 7. Software flow chart of DSP

图 8. 定位曲线图

Fig. 8. Location curve

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

图 9. (a)原始图像;(b)截取图像

Fig. 9. (a) Original image; (b) intercept image

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

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

图 12. 各类特征的FDR

Fig. 12. FDR of each feature

4.3 改进的BP神经网络识别

图 13. BP神经网络模型图

Fig. 13. Model of BP neural network

5 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

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