龍飛++招繼恩

摘 要：光纖預(yù)警系統(tǒng)作為石油、化工等行業(yè)中應(yīng)用廣泛的安全設(shè)備，對其使用時，鋪設(shè)較為方便，很容易將其工程化，同時，抗電磁能力較強，使其具有更加良好的檢測能力。想要光纖預(yù)警系統(tǒng)發(fā)揮出最大化的作用，必須使用效率更高、模式識別更加準確的方法。文章研究了基于圖像處理的光纖預(yù)警系統(tǒng)模式識別，為光纖預(yù)警系統(tǒng)發(fā)揮出更大的作用打下良好基礎(chǔ)。

關(guān)鍵詞：圖像處理；光纖預(yù)警系統(tǒng)；模式識別

1 φ-OTDR管線預(yù)警信號的特征

為了使本文研究得更加清晰，對光纖預(yù)警管道入侵事件的φ-OTDR光纖預(yù)警系統(tǒng)模式識別進行了研究。研究室主要對以下3種情況進行了分析：（1）大車對管道到來的壓力；（2）人員在管道周圍施工時，挖掘其附近的土壤；（3）相關(guān)人員在管線上活動。實驗進行的過程中，選擇廣東某成品油管道為研究對對象。在對該管道進行鋪設(shè)時，同時建設(shè)了相應(yīng)的GYTA六芯單模通信光纜，其與地面相距2 m，與管道相距25 cm。實驗時，從整個光纜中截取了15 km的光纜進行了實驗，在該段光纜內(nèi)，脈沖頻率為550 Hz，采樣率為55 Hz。

本實驗進行時，選擇了900×900的矩陣進行研究。在任何一種常見事件中，不論是光纖的變化情況，還是波的傳播，都是繁瑣的過程，想要使實驗結(jié)果更加準確，往往非常困難。所以，在本文研究的過程中，將所有事件全部看作為一點，通過對點的研究降低實驗難度。在彈性半空間理論內(nèi)介紹，波的頻率與衰弱速率成正比，頻率越高，衰弱的速率越大，而事件所產(chǎn)生的能量與衰弱頻率成反比，能力越強，衰弱速率越小。當管道處出現(xiàn)入侵事件，使土壤中出現(xiàn)信號后，這些信號通過土壤的途徑傳遞到光纖當中，并由光纖向周圍傳遞。波在土壤中傳遞的過程中，會受到短時間的作用力，使其在平面?zhèn)鬟f時，同時向兩個方向傳遞，同時，波的速率不斷衰弱，如圖1所示。

圖1 波在土壤中傳遞示意

其中K為波的傳遞速率。在不同的事件當中，土壤所受的外力存在一定差異，不僅初始波的頻率不同，而且影響時間也完全不同。所以，3種事件內(nèi)，波的衰弱速率也存在差異。任意一個信號傳遞到光纖中，都會呈現(xiàn)出“V”型，事件一中大車移動時，會產(chǎn)生較大的作用力，并且作用時間只會出現(xiàn)在一瞬間，能夠在圖像中清晰的體現(xiàn)出“V”型。但事件二與事件三的作用力較小，作用時間長，所以，圖像中的“V”型不是很明顯。

2 基于形態(tài)學(xué)的特征提取方法

2.1 圖像預(yù)處理

在提取特征之前，要將圖像劃分為多個小區(qū)域，使圖像中出的所有特征，脫離出圖像的背景。在實際的入侵事件當中，特征最大參數(shù)與背景最大參數(shù)存在非常大的不同，所以，對圖像進行劃分時，選擇了臨界值劃分法，使劃分可以符合實際的要求。在利用臨界值劃分法之前，先對圖像進行一定的處理，由原來的二維圖像，轉(zhuǎn)換成灰度圖像，之后通過Ostu法計算出臨界值。由于二維圖像零點在圖像的下部，而對圖像劃分時，MATLAB將零點放置到圖像的上部，所以，與原來圖像相比，呈現(xiàn)出相反的狀態(tài)，但這一狀態(tài)并不能干擾模式識別的最終結(jié)果。

在劃分后的圖像內(nèi)，除特征域之外，依然具有一定的噪點，所以，為了圖像更加清晰，通過中值濾波法的方式，將這些噪點清除。同時，圖像中還存在一些小孔，也會對特征的提取帶來一定干擾，使提取的效果較差。所以，又通過圖像膨脹的方式，對所有小孔進行填充。上述處理完成后，還要標記每一個區(qū)域，將所有區(qū)域區(qū)分出來。

2.2 特征提取

在每種事件當中，會出現(xiàn)不同的情況，在提取的過程中，由于每種事件對管道帶來的影響不同，產(chǎn)生的振動信號存在差異，所以，需要使特征樣本向量化，并將振動信號看成其中主要的參數(shù)。之后，由于在每個事件中，產(chǎn)生的能力有所差異，圖像內(nèi)每一個區(qū)域的像素數(shù)完全不同，所以，利用特征值對圖像分析時，可以將像素數(shù)看成一個特征參數(shù)。本文研究表達各事件差異時，可以利用十余種存在的間隔，即圖像內(nèi)各區(qū)域的間距，而對間距的計算則可通過最小距離法完成，具體如下。

在對距離進行計算時，第一步要求出所有區(qū)域的質(zhì)量中心，通過C=[c1，c2，…，cn]來表示，式中，n為所有區(qū)域的數(shù)量。之后根據(jù)所得的質(zhì)量中心，求出兩個質(zhì)量中心的最短距離，公式為：

（1）

若在整個圖像當中，只存在單個特征域，不能利用該公司進行計算時，應(yīng)根據(jù)圖像的實際情況，選擇出相對較大的數(shù)值，看作特征域的距離。同時，在該圖當中還可以發(fā)現(xiàn)，各種類型的事件當中，所對應(yīng)的形狀完全不同，出現(xiàn)這一現(xiàn)象的主要原因為：車輛運動時，能夠產(chǎn)生非常大的能量，波在傳遞的過程中，逐漸向兩側(cè)傳遞，在時間不斷流失的情況下，逐漸呈現(xiàn)出“倒V”字型；而另外兩個事件中，產(chǎn)生的能量不是很高，其中，人員在管線上部移動時，是通過腳底與地面接觸的，能夠使外力均勻分散在土壤中，因此，其所構(gòu)建的特征區(qū)域，與橢圓形較為相似。人員挖掘時，需要使用的鐵鍬這一工具，受到人員因素的影響，外力會出現(xiàn)明顯的變化，因此，構(gòu)建出的圖像不是很規(guī)則。所以，本文研究的過程中，通過形狀特征的方式，提升特征的豐富性。計算公式如下所示：

Dik，|bik-ci|D，k∈（1，2，…，K） （2）

其中，K表示所有區(qū)域內(nèi)，界線點的總數(shù)。

然后，通過上述公式（1）計算出各界限點與質(zhì)量中心的最長距離Dimax，以及最短距離Dimin，通過求出的兩個距離，得到形狀系數(shù)，公式為：

（3）

為了在整個光纖預(yù)警系統(tǒng)模式識別當中，體現(xiàn)出特征提取的最佳效果，通過描繪子法的方式，開展了對比試驗。在實際當中，描繪子的類型非常豐富，所以，需要結(jié)合事件的特征，篩選出最佳的6個特征作為研究對象，描繪子與區(qū)域凸殼像素數(shù)；與此相似橢圓中主要的3個參數(shù)，分別為偏心率、長軸與短軸；與此圖像面積相似圓形的直徑；歐拉數(shù)，即整個區(qū)域內(nèi)，所有對象與小孔之間的差值。endprint

研究時，在3種事件當中，各選取60個特征域，同時求出所有的特征向量，所以，該研究內(nèi)共有180個樣本。通過計算，可以得到各事件特征向量的均值，如表1所示。而在人員挖掘當中，只存在獨立的特征域，所以，為了將其與另外兩個事件區(qū)分出來，求質(zhì)量中心距離時，按照1 000的數(shù)值進行計算。描繪子特征值如表2所示。

3 分類器設(shè)計

管道安全事件應(yīng)用光纖預(yù)警系統(tǒng)時，所收集的信號是隨機的，具有非平穩(wěn)的特點，同時，從上述研究中能夠得知，數(shù)據(jù)樣本的總數(shù)不是很多。關(guān)聯(lián)向量機是以Bayes framework為主的學(xué)習(xí)機，使用的過程中，沒有受到Mercer定理的約束，能夠設(shè)置出所有核函數(shù)，與支持向量機相比，更加稀疏。所以，利用其進行測試時，需要的時間更短，識別的精確度更高，符合光纖預(yù)警系統(tǒng)運行的要求。

首先進行假設(shè)：向量x∈Rn表示整個光纖預(yù)警系統(tǒng)內(nèi)，收集信號特征的模式錄入；t=[t1，t2，t3]T表示各事件的目標向量。關(guān)聯(lián)向量機模型為：

（4）

其中，N為數(shù)據(jù)總長度；w表示權(quán)重向量，w=[ω0，ω1，…，ωN]；φ表示N×（N+1）矩陣，φ=[φ（x1），φ（x2），…，φ（xN）]；K（x，xi）表示核函數(shù)。將整個數(shù)集似然后，可以得到以下函數(shù)：

（5）

為防止擬合過度現(xiàn)象的出現(xiàn)，使該模型具有較強的稀疏性，需通過稀疏貝葉斯的方式，對權(quán)重向量進行處理，使其具有零值高斯先驗分布的特性，即：

（6）

通過計算αi的最大后驗概率，推測出最高后驗權(quán)重，從而導(dǎo)出關(guān)聯(lián)向量機模型。

本文研究中，選擇出常見的并且效果較強的高斯核函數(shù)，該函數(shù)當中，半徑通常在0～1之間。利用試驗研究能夠知道，在對管道入侵事件識別時，半徑不同的情況下，識別準確率存在一定差異，但差異較小，在0.5時，準確率最強。在分類決策選擇時，采用的為“一對一”的決策，這樣分類會更加符合識別的需求。所以，該研究采用3個關(guān)聯(lián)向量機分類器。另外，在對分類器使用之前，還要將3個分類器看作一個整體，科學(xué)評估出其性能，并且，采用5-折交叉試驗的方式，評估出精確率。通過對各事件中25個樣本進行試驗，結(jié)果如圖2所示。

圖2中MFE為特征選擇后，通過形態(tài)特征提取推算出的識別精確率；RDFE為通過描述子特征分類識別的精確率。從該圖中能夠發(fā)現(xiàn)，MFE的識別精確率更高，全部在96%以上。之后，篩選出其中某次驗證結(jié)果，進一步探討各事件分類精確率，如表3所示。

從表3能夠發(fā)現(xiàn)，在各種事件當中，分類識別精確度都非常高，均超過了95%，只有人員挖掘識別時產(chǎn)生了一次問題，這是由于在挖掘的過程中，人員會在上部進行小范圍的行走，從而產(chǎn)生了干擾信號，對精確度造成了一定影響。所以說，在光纖預(yù)警系統(tǒng)模式識別的過程中，采用圖像處理技術(shù)不僅增強了識別的精度，而且計算的速度較快，符合光纖預(yù)警系統(tǒng)模式識別的要求。

4 結(jié)語

在以往管道侵入事件預(yù)警的過程中，往往需要非常龐大的預(yù)算，只有通過大型計算機的幫助，才能在最短時間內(nèi)計算出最終的結(jié)果，使光纖預(yù)警系統(tǒng)無法在廣泛應(yīng)用。在此基礎(chǔ)上，本文從形態(tài)學(xué)特征提取的角度出發(fā)，通過關(guān)聯(lián)向量機分類器對事件進行識別，并利用科學(xué)的方法驗證其精確性，從而說明該方法可以有效地在光纖預(yù)警系統(tǒng)模式識別中應(yīng)用。

[參考文獻]

[1]吳晶，吳晗平，黃俊斌，等.光纖光柵傳感信號解調(diào)技術(shù)研究進展[J].中國光學(xué)，2014（4）：519-531.

[2]李川，劉江，莊君剛，等.基于背向Brillouin散射監(jiān)測混凝土應(yīng)變[J].光學(xué)精密工程，2014（2）：325-330.endprint