技术特征：
1.一种基于深度学习的定位型入侵行为识别方法，其特征在于，包括以下步骤：第一步：将分布式光纤振动传感系统采集的每一个位置点的光纤信号进行分帧处理，计算每一位置点的分帧信号的时频信息，生成梅尔频谱图：其中在部署铁艺栅栏的环境下，分布式光纤振动传感系统采集的原始光纤信号表示为包含时域信息和空间信息的二维矩阵的形式：d
t
×
l
＝(d
ij
)
t
×
l
,(i＝1,2...,t；j＝1,2...,l)，其中t表示时间维度，l表示空间位置点数，首先对每一个位置点的光纤信号采用固定大小的滑动窗进行分帧处理，对每一个位置点的滑动窗内的光纤信号生成梅尔频谱图；第二步：梅尔频谱图通过频率映射与数据归一化形成一维能量特征向量，所有位置点的特征向量在时空维度上表现为时空能量图：将每个空间位置点的梅尔频谱图进行频率映射后拼接生成时空能量图矩阵，表示为v
f
×
l
＝(v
ij
)
f
×
l
,(i＝1,2...,f；j＝1,2...,l)，其中f表示时间特征维度，l表示空间位置点数；第三步：构建轻量化定位型深度学习算法网络结构，构建深度可分离卷积模块、卷积残差模块、位置分支、分类分支形成轻量化深度学习算法网络，充分挖掘光纤信号时、频、空三域特征：所述轻量化定位型深度学习算法网络包括二维卷积模块、轻量化卷积模块、卷积残差模块、回归分类模块，其中所述二维卷积模块由二维卷积子层、批量正则化层、leakyrelu激活层层级连接构成；所述轻量化卷积模块包括4个深度可分离卷积模块，其中深度可分离卷积模块由depthwise深度卷积模块、pointwise点卷积模块组成；所述卷积残差模块由upsample上采样层、add层、卷积子层组成；所述回归分类模块由卷积子层、sigmoid函数层构成；第四步：将时空能量图送入轻量化深度学习算法网络中进行入侵点定位与特征分类识别，判断发生入侵行为的位置以及是否为人员翻越、人为撞击等破坏周界安全的入侵行为，并有效屏蔽风雨干扰行为。2.根据权利要求1所述的一种基于深度学习的定位型入侵行为识别方法，其特征在于，第三步所述depthwise深度卷积层由深度二维卷积层、bn层与leakyrelu激活层组成。3.根据权利要求1所述的一种基于深度学习的定位型入侵行为识别方法，其特征在于，第三步所述pointwise点卷积层由深度点卷积层，bn层与leakyrelu激活层组成。
技术总结
本发明涉及光纤传感技术领域，具体的说是一种能够准确定位入侵行为位置点、监测人员攀爬、人为撞击等危害周界安全的入侵行为，屏蔽大风、雨水等干扰性行为同时提升响应速度的基于深度学习的定位型入侵行为识别方法，通过对原始光纤振动信号进行预处理提取光纤信号时域、频域特征，同时进行入侵点定位与行为类型识别，在保证入侵行为识别准确率的同时提升扰动定位准确性、缩短响应时长，利用轻量化卷积模块、卷积残差模块充分提取时、频、空三域特征，同时使用位置回归、分类算法结构分别进行入侵点定位与入侵行为类型识别增强算法锚向性，在保证入侵行为识别准确度的同时缩短响应时长。时长。
技术研发人员：吕笑琳 邢陆雁 张妮娜 王建强 周理壮
受保护的技术使用者：威海北洋光电信息技术股份公司
技术研发日：2022.10.19
技术公布日：2023/3/7